CN110674782A - 一种基于分数熵的红外弱小目标检测方法 - Google Patents

Abstract

本发明公开了一种基于分数熵的红外弱小目标检测方法，属于原始红外图像处理及目标检测领域，解决现有技术的红外弱小目标检测困难的问题。本发明在获取的待检测的原始红外图像上建立滑动窗口，根据滑动窗口、滑动窗口的滑动步长和原始红外图像得到备用熵值图像；基于滑动窗口的滑动步长，按照从左往右、从上往下在原始红外图像上滑动一次滑动窗口，得到一个ROI区域，计算ROI区域的分数熵并将其赋值给备用熵值图像对应的像素，继续滑动窗口直到遍历完整个原始红外图像；将赋值后的分数熵图像中的像素值映射到空间[0，255]内得到熵值图像；将熵值图像进行形态学处理后，再确定目标位置与大小，并在原图上进行重定位，即得到检测结果。

Description

一种基于分数熵的红外弱小目标检测方法

技术领域

一种基于分数熵的红外弱小目标检测方法，用于红外弱小目标检测，属于原始红外图像处理及目标检测领域。

背景技术

随着科技的进步，成像武器***受到越来越多的国家的重视与发展，应用于多个方面，如：导弹预警、导弹拦截、火控***、灾后监控***等，而红外检测由于其全天候工作的特性，在成像武器***中受到青睐。成像武器***通常使用红外远距离探测，因此其探测的目标往往具有成像面积小，辐射能量弱，目标边缘模糊不清，信噪比较低等特点，将其准确地检测出来具有较大地难度。目前的红外弱小目标检测有：先检测后跟踪(DBT)、先跟踪后检测(TBD)、单帧图像检测。其中，DBT算法用于信噪比较高的情况下，当信噪比较低时，其检测效果不理想。TBD算法在信噪比低时具有较好地检测效果，但是该算法计算繁琐，需要进行多次地全局遍历，很难在硬件上大量应用。单帧图像检测方法有频域类算法、空域类算法。频域类方法要求目标具有较高地频域而背景具有较低地频域，但是实际场所中背景杂波也会有较高地频域，常常造成误检。空域类方法主要利用灰度特性来进行目标检测，但红外弱小目标与背景的亮度相近，无法准确检测。

发明内容

针对上述研究的问题，本发明的目的在于提供一种基于分数熵的红外弱小目标检测方法，解决现有技术，在信噪比和图像对比度较低的情况下检测精度低的问题。

为了达到上述目的，本发明采用如下技术方案：

一种基于分数熵的红外弱小目标检测方法，包括如下步骤：

S1、在获取的待检测的原始红外图像上建立滑动窗口，根据滑动窗口、给定的滑动窗口的滑动步长和原始红外图像得到备用熵值图像；

S2、基于滑动窗口的滑动步长，按照从左往右、从上往下的方式在原始红外图像上滑动一次，得到一个ROI区域，计算ROI区域的分数熵并将其赋值给备用熵值图像对应的像素；

S3、判断滑动窗口是否遍历完整幅原始红外图像，若是，得到分数熵图像，将分数熵图像中的像素值映射到空间[0，255]内，得到映射后的熵值图像，若否，转到步骤S2继续滑动滑动窗口；

S4、将映射后的熵值图像进行形态学滤波处理后，得到目标的位置与大小，基于目标的位置与大小在原始红外图像上进行重定位确定目标，最终得到检测结果。

进一步，所述步骤S1的具体步骤为：

S1.1、在获取的待检测的原始红外图像上建立滑动窗口，给定滑动窗口的滑动步长；

S1.2、根据滑动窗口、滑动窗口的滑动步长和原始红外图像得到备用熵值图像大小，具体公式为：

其中，I₂.cols和I₂.rows为备用熵值图像I₂的像素列数和行数，floor()表示向下取整数，N为原始红外图像的像素列数，M为原始红外图像的像素行数，n为滑动窗口的像素列数，m为滑动窗口的像素行数，w为水平方向的滑动步长，h为竖直方向的滑动步长；

S1.3、基于备用熵值图像大小，直接创建备用熵值图像。

进一步，所述滑动窗口的大小为6*6，水平方向和竖直方向的滑动步长都为1。

进一步，所述步骤S2的具体步骤为：

S2.1、基于滑动窗口的滑动步长，按照从左往右、从上往下的方式在原始红外图像上滑动一次，得到一个ROI区域；

S2.2、基于梯度为M的量化，对ROI区域内的像素灰度值进行量化，用初始化为0的一维数组a[]统计量化后ROI区域的灰度值的分布情况，其中，a[0]对应ROI区域内灰度值为0的像素个数，a[1]对应ROI区域内量化后的灰度值为M的像素个数，依次类推a[k]对应ROI区域内量化后的灰度值为k*M的像素个数，最后得到ROI区域内的像素灰度值分布情况，根据分布情况得到像素总数为：

S2.3、计算a[]中每一个灰度值占像素总数的比例，并将其对应存储在数组b[]中，具体公式为：

S2.4、根据数组b[]计算该ROI区域内的分数熵S_α，公式如下：

其中，a取值范围为0-1；

S2.5、将得到的分数熵值赋值给备用熵值图像对应的像素。

进一步，所述步骤S2.5的具体步骤为：

S2.5.1、在原始红外图像上按照从左往右、从上往下的方式滑动滑动窗口得到的ROI区域与备用熵值图像中的各像素一一对应，即滑动窗口水平滑动得到的ROI区域数量与备用熵值图像中每一行像素数量相同；

S2.5.2、基于对应关系，将分数熵赋值给备用熵值图像对应的像素。

进一步，所述步骤S3中，将分数熵图像中的像素值映射到空间[0，255]内，得到熵值图像的具体步骤为：

S3.1、将分数熵图像中的所有像素值进行比较，比较后得到分类熵图像中的最大值max，计算最大值映射为Max的缩放比例η：

其中，Max为分数熵图像可表征的最大灰度值，针对n位原始红外图像，Max取值为2ⁿ-1；

S3.2、基于缩放比例η，算出分数熵图像中每个像素x映射到空间[0，255]中的值y，即得到映射后的熵值图像，其公式如下：

y[0，255]＝η·x。

进一步，所述步骤S4的具体步骤为：

S4.1、对熵值图像进行形态学滤波，即先进行腐蚀再进行膨胀，去除干扰目标检测的噪声点，得到目标的左上角位置(x，y)与近似大小(width，height)；

S4.2、基于目标的左上角位置(x，y)与近似大小(width，height)在原始红外图像上确定目标范围：

I₁.x＝x*w-p

I₁.y＝y*h-p

I₁.width＝width*w+2*p

I₁.height＝heigh*h+2*p

其中，I₁.x和I₁.y为原始图像中目标的左上角位置，I₁.width和I₁.height为原始红外图像I₁中目标的宽和高，p为加减系数，取值为3，其目的是为了适当增大目标的范围，保证待检测目标全部落入期望的范围内，由此就可以得到原图中目标范围；

S4.3、基于目标范围，将目标范围外的像素直接视为背景，即将目标范围外的像素进行归零处理，对目标范围内的像素进行二值化处理，得到完整的目标：

其中，t为根据实际情况确定的阈值。

本发明同现有技术相比，其有益效果表现在：

一、本发明根据原始红外图像计算得到的分数熵图像，能够更好地表征图像中目标的边缘与纹理信息，使得本方法在目标边缘较为模糊时也能够将目标检测出来。

二、本发明能够很好的区分开目标与噪声，在噪声较大时也能将目标准确地检测出来，并且无需对图像进行降噪处理而直接计算其分数熵，可以避免图像滤波造成的目标丢失与标细节丢失。

三、本发明易于实现，检测效果准确，相较于很多算法，计算步骤少，算法的速度更快。

附图说明

图1为本发明的方法流程图；

图2为边缘模糊、对比度低的红外弱小目标原始红外图像；

图3为本发明中基于图2得到的分数熵图像；

图4为本发明中在图2原始红外图像上得到的检测结果；

图5为本发明中原始红外图像上建立了滑动窗口的示意图；

图6为背景噪声较大的红外弱小目标原始红外图像；

图7为本发明中基于图6得到的分数熵图像；

图8为本发明中在图6原始红外图像上得到的检测结果。

具体实施方式

下面将结合附图及具体实施方式对本发明作进一步的描述。

一种基于分数熵的红外弱小目标检测方法，包括如下步骤：

S1、在获取的待检测的原始红外图像上建立滑动窗口，根据滑动窗口、给定的滑动窗口的滑动步长和原始红外图像得到备用熵值图像；

具体步骤为：

S1.1、在获取的待检测的原始红外图像上建立滑动窗口，给定滑动窗口的滑动步长，所述滑动窗口的大小为6*6，水平方向和竖直方向的滑动步长都为1，其中滑动窗口大小和滑动步长也可取其它值；

S1.2、根据滑动窗口、滑动窗口的滑动步长和原始红外图像得到备用熵值图像大小，具体公式为：

其中，I₂.cols和I₂.rows为备用熵值图像I₂的像素列数和行数，floor()表示向下取整数，N为原始红外图像的像素列数，M为原始红外图像的像素行数，n为滑动窗口的像素列数，m为滑动窗口的像素行数，w为水平方向的滑动步长，h为竖直方向的滑动步长；

S1.3、基于备用熵值图像大小，直接创建备用熵值图像；

S2、基于滑动窗口的滑动步长，按照从左往右、从上往下的方式在原始红外图像上滑动一次，得到一个ROI区域，计算ROI区域的分数熵并将其赋值给备用熵值图像对应的像素；

具体步骤为：

S2.1、基于滑动窗口的滑动步长，按照从左往右、从上往下的方式在原始红外图像上滑动一次，得到一个ROI区域；

S2.2、基于梯度为M的量化，对ROI区域内的像素灰度值进行量化，用初始化为0的一维数组a[]统计量化后ROI区域的灰度值的分布情况，其中，a[0]对应ROI区域内灰度值为0的像素个数，a[1]对应ROI区域内量化后的灰度值为M的像素个数，依次类推a[k]对应ROI区域内量化后的灰度值为k*M的像素个数，最后得到ROI区域内的像素灰度值分布情况。如：基于梯度为4的量化，对ROI区域内的像素灰度值进行量化，用初始化为0的一维数组a[]统计量化后ROI区域的灰度值的分布情况，其中，a[0]对应ROI区域内灰度值为0的像素个数，a[1]对应ROI区域内量化后的灰度值为4的像素个数，依次类推(如a[2]对应ROI区域内量化后的灰度值为8的像素个数，a[3]对应ROI区域内量化后的灰度值为12的像素个数，a[4]对应ROI区域内量化后的灰度值为16的像素个数)，最后得到ROI区域内的像素灰度值分布情况，根据分布情况得到像素总数为：

其中，本案中选梯度为4的量化是最佳的，因量化值越大，分数熵计算越快，但是整体的精度会下降；

S2.3、计算a[]中每一个灰度值占像素总数的比例，并将其对应存储在数组b[]中，具体公式为：

S2.4、根据数组b[]计算该ROI区域内的分数熵S_α，公式如下：

其中，a取值范围为0-1；

S2.5、将得到的分数熵值赋值给备用熵值图像对应的像素。

具体步骤为：

S2.5.1、在原始红外图像上按照从左往右、从上往下的方式滑动滑动窗口得到的ROI区域与备用熵值图像中的各像素一一对应，即滑动窗口水平滑动得到的ROI区域数量与备用熵值图像中每一行像素数量相同；

S2.5.2、基于对应关系，将分数熵赋值给备用熵值图像对应的像素。

S3、判断滑动窗口是否遍历完原始红外图像，若是，则将分数熵图像中的像素值映射到空间[0，255]内，得到映射后的熵值图像，若否，转到步骤S2继续滑动窗口；

将分数熵图像中的像素值映射到空间[0，255]内，得到熵值图像的具体步骤为：

S3.1、将分数熵图像中的所有像素值进行比较，比较后得到分类熵图像中的最大值max，计算最大值映射为Max的缩放比例η：

其中，Max为分数熵图像可表征的最大灰度值，针对n位原始红外图像，Max取值为2ⁿ-1；

S3.2、基于缩放比例η，算出分数熵图像中每个像素x映射到空间[0，255]中的值y，即得到映射后的熵值图像，其公式如下：

y[0，255]＝η·x。

S4、将映射后的熵值图像进行形态学滤波处理后，得到目标的位置与大小，并在原始原始红外图像上进行重定位确定目标，最终得到检测结果。

具体步骤为：

S4.1、对熵值图像进行形态学滤波，即先进行腐蚀再进行膨胀，去除干扰目标检测的噪声点，得到目标的左上角位置(x，y)与近似大小(width，height)；

S4.2、基于目标的左上角位置(x，y)与近似大小(width，height)在原始红外图像上确定目标范围：

I₁.x＝x*w-p

I₁.y＝y*h-p

I₁.width＝width*w+2*p

I₁.height＝heigh*h+2*p

其中，I₁.x和I₁.y为原始图像中目标的左上角位置，I₁.width和I₁.height为原始红外图像I₁中目标的宽和高，p为加减系数，取值为3，其目的是为了适当增大目标的范围，保证待检测目标全部落入期望的范围内，由此就可以得到原图中目标范围；

S4.3、基于目标范围，将目标范围外的像素直接视为背景，即将目标范围外的像素进行归零处理，对目标范围内的像素进行二值化处理，得到完整的目标：

其中，t为根据实际情况确定的阈值，如下列实施例给定阈值为50。

实施例1

在获取的待检测的像素为320x240的原始红外图像上建立6x6的滑动窗口，根据6x6的滑动窗口、给定滑动窗口的滑动步长为1x1和原始红外图像得到315x235的备用熵值图像，其中，原始红外图像如图2所示，边缘很模糊；

基于滑动窗口的滑动步长，按照从左往右、从上往下的方式在原始红外图像上滑动窗口，每次滑动得到一个ROI区域，计算ROI区域的分数熵并将其赋值给备用熵值图像对应的像素，得到分数熵图像；

滑动窗口滑动完原始红外图像，将分数熵图像中的像素值映射到空间[0，255]内，得到映射后的熵值图像，如图3所示；

对熵值图像进行形态学滤波，先进行腐蚀再进行膨胀，去除干扰目标检测的噪声点，得到目标的左上角位置(x，y)与近似大小(width，height)，其中，基于图3得到的目标的左上角坐标为(211，158)，宽和高为13和12；

在原始红外图像中，目标范围的左上角位置是(208，155)，宽和高是19和18；

基于目标范围，将目标范围外的像素直接视为背景，即将目标范围外的像素进行归零处理，对目标范围内的像素进行二值化处理，得到完整的目标，即如图4所示。

实施例2

在获取的待检测的像素为256×172的原始红外图像上建立6x6的滑动窗口，根据6x6的滑动窗口、给定滑动窗口的滑动步长为1x1和原始红外图像得到251×167的备用熵值图像，其中，原始红外图像如图6所示，背景噪声很大；

基于滑动窗口的滑动步长，按照从左往右、从上往下的方式在原始红外图像上滑动窗口，每次滑动得到一个ROI区域，计算ROI区域的分数熵并将其赋值给备用熵值图像对应的像素，得到分数熵图像；

滑动窗口滑动完原始红外图像，将分数熵图像中的像素值映射到空间[0，255]内，得到映射后的熵值图像，如图7所示；

对熵值图像进行形态学滤波，先进行腐蚀再进行膨胀，去除干扰目标检测的噪声点，得到目标的左上角位置(x，y)与近似大小(width，height)，其中，基于图7得到的目标的左上角坐标为(152，105)，宽和高为11和8；

在原始红外图像中，目标范围的左上角位置是(149，102)，宽和高是17和14；

基于目标范围，将目标范围外的像素直接视为背景，即将目标范围外的像素进行归零处理，对目标范围内的像素进行二值化处理，得到完整的目标，即如图8所示。

以上仅是本发明众多具体应用范围中的代表性实施例，对本发明的保护范围不构成任何限制。凡采用变换或是等效替换而形成的技术方案，均落在本发明权利保护范围之内。

Claims (7)

1.一种基于分数熵的红外弱小目标检测方法，其特征在于，包括如下步骤：

S1、在获取的待检测的原始红外图像上建立滑动窗口，根据滑动窗口、给定的滑动窗口的滑动步长和原始红外图像得到备用熵值图像；

S2、基于滑动窗口的滑动步长，按照从左往右、从上往下的方式在原始红外图像上滑动一次，得到一个ROI区域，计算ROI区域的分数熵并将其赋值给备用熵值图像对应的像素；

S3、判断滑动窗口是否遍历完整幅原始红外图像，若是，得到分数熵图像，将分数熵图像中的像素值映射到空间[0，255]内，得到映射后的熵值图像，若否，转到步骤S2继续滑动滑动窗口；

S4、将映射后的熵值图像进行形态学滤波处理后，得到目标的位置与大小，基于目标的位置与大小在原始红外图像上进行重定位确定目标，最终得到检测结果。

2.根据权利要求1所述的一种基于分数熵的红外弱小目标检测方法，其特征在于，所述步骤S1的具体步骤为：

S1.1、在获取的待检测的原始红外图像上建立滑动窗口，给定滑动窗口的滑动步长；

S1.2、根据滑动窗口、滑动窗口的滑动步长和原始红外图像得到备用熵值图像大小，具体公式为：

其中，I₂.cols和I₂.rows为备用熵值图像I₂的像素列数和行数，floor()表示向下取整数，N为原始红外图像的像素列数，M为原始红外图像的像素行数，n为滑动窗口的像素列数，m为滑动窗口的像素行数，w为水平方向的滑动步长，h为竖直方向的滑动步长；

S1.3、基于备用熵值图像大小，直接创建备用熵值图像。

3.根据权利要求2所述的一种基于分数熵的红外弱小目标检测方法，其特征在于，所述滑动窗口的大小为6*6，水平方向和竖直方向的滑动步长都为1。

4.根据权利要求1所述的一种基于分数熵的红外弱小目标检测方法，其特征在于，所述步骤S2的具体步骤为：

S2.1、基于滑动窗口的滑动步长，按照从左往右、从上往下的方式在原始红外图像上滑动一次，得到一个ROI区域；

S2.2、基于梯度为M的量化，对ROI区域内的像素灰度值进行量化，用初始化为0的一维数组a[]统计量化后ROI区域的灰度值的分布情况，其中，a[0]对应ROI区域内灰度值为0的像素个数，a[1]对应ROI区域内量化后的灰度值为M的像素个数，依次类推a[k]对应ROI区域内量化后的灰度值为k*M的像素个数，最后得到ROI区域内的像素灰度值分布情况，根据分布情况得到像素总数为：

S2.3、计算a[]中每一个灰度值占像素总数的比例，并将其对应存储在数组b[]中，具体公式为：

S2.4、根据数组b[]计算该ROI区域内的分数熵S_α，公式如下：

其中，a取值范围为0-1；

S2.5、将得到的分数熵值赋值给备用熵值图像对应的像素。

5.根据权利要求4所述的一种基于分数熵的红外弱小目标检测方法，其特征在于，所述步骤S2.5的具体步骤为：

S2.5.1、在原始红外图像上按照从左往右、从上往下的方式滑动滑动窗口得到的ROI区域与备用熵值图像中的各像素一一对应，即滑动窗口水平滑动得到的ROI区域数量与备用熵值图像中每一行像素数量相同；

S2.5.2、基于对应关系，将分数熵赋值给备用熵值图像对应的像素。

6.根据权利要求1所述的一种基于分数熵的红外弱小目标检测方法，其特征在于，所述步骤S3中，将分数熵图像中的像素值映射到空间[0，255]内，得到熵值图像的具体步骤为：

S3.1、将分数熵图像中的所有像素值进行比较，比较后得到分类熵图像中的最大值max，计算最大值映射为Max的缩放比例η：

其中，Max为分数熵图像可表征的最大灰度值，针对n位原始红外图像，Max取值为2ⁿ-1；

S3.2、基于缩放比例η，算出分数熵图像中每个像素x映射到空间[0，255]中的值y，即得到映射后的熵值图像，其公式如下：

y[0，255]＝η·x。

7.根据权利要求1、4或5所述的一种基于分数熵的红外弱小目标检测方法，其特征在于，所述步骤S4的具体步骤为：

S4.1、对熵值图像进行形态学滤波，即先进行腐蚀再进行膨胀，去除干扰目标检测的噪声点，得到目标的左上角位置(x，y)与近似大小(width，height)；

S4.2、基于目标的左上角位置(x，y)与近似大小(width，height)在原始红外图像上确定目标范围：

I₁.x＝x*w-p

I₁.y＝y*h-p

I₁.width＝width*w+2*p

I₁.height＝heigh*h+2*p

其中，I₁.x和I₁.y为原始图像中目标的左上角位置，I₁.width和I₁.height为原始红外图像I₁中目标的宽和高，p为加减系数，取值为3，其目的是为了适当增大目标的范围，保证待检测目标全部落入期望的范围内，由此就可以得到原图中目标范围；

S4.3、基于目标范围，将目标范围外的像素直接视为背景，即将目标范围外的像素进行归零处理，对目标范围内的像素进行二值化处理，得到完整的目标：

其中，t为根据实际情况确定的阈值。

Images