基于局部稀疏表示和对比度的红外目标检测方法与流程

本发明涉及基于局部稀疏表示和对比度的红外目标检测方法，特别是涉及一种复杂背景杂波干扰情况下的红外图像目标检测方法，属于计算机视觉技术领域。

背景技术：

伴随着红外成像技术的发展，红外目标检测不仅应用于军事领域，还在工业、农业、医学、交通等民用领域有着广泛的应用。红外成像技术具有隐蔽性好、抗干扰能力强、适应环境能力强等优点。然而，在复杂背景下进行精确的红外目标检测仍然是一个具有挑战性的问题，因为复杂背景中杂波和噪声的干扰，造成红外目标检测精确性不高、稳健性不强等问题。

近年来，随着稀疏表示理论的不断发展，很多研究学者将稀疏表示理论应用于目标检测领域。

公开号CN103440502A基于混合高斯稀疏表示的红外小目标检测方法，该方法采用K聚类奇异值分解法K_SVD自适应构建图像的超完备形态字典，该字典通过高斯超完备字典形成具有目标形态字典和背景形态字典的自适应混合高斯超完备字典，并求取原图像块在该字典下的稀疏表示系数，通过比较稀疏表示系数与阈值之间的关系来实现目标检测。但是，该算法需要目标先验信息，普适性不强。

公开号CN102842047A基于多尺度稀疏字典的红外弱小目标检测方法，它利用原始图像构造基于四叉树模型的多尺度自适应过完备字典，并在此基础上对每个原始图像子块进行稀疏表示，得到稀疏系数，将这些稀疏系进行联合并进行指数分布拟合，通过阈值判断和稀疏系数的多尺度方向性来确定目标的准确位置。但是，该方法在噪声干扰较强的情况下，目标检测性能有所下降。

技术实现要素：

本发明所要解决的技术问题是：提供基于局部稀疏表示和对比度的红外目标检测方法，能够克服背景杂波和噪声干扰所带来的影响，大大提高目标检测率，降低目标虚警率。

本发明为解决上述技术问题采用以下技术方案：

基于局部稀疏表示和对比度的红外目标检测方法，包括如下步骤：

步骤1，将原始红外图像分为若干图像块，利用局部稀疏表示和内积方法构建每个图像块的非相似性字典，并基于非相似性字典，计算每个图像块的残差图像块，根据残差图像块得到原始红外图像的残差图像；

步骤2，对于原始红外图像，利用灰度对比度的方法预测图像中的候选目标区域，将图像中非候选目标区域像素的灰度值置零，得到目标预测图像；

步骤3，将步骤1得到的残差图像和步骤2得到的目标预测图像相融合，得到目标预测残差图像，根据目标预测残差图像定位目标区域，并对目标区域进行二值化分割得到最终目标检测结果。

作为本发明的一种优选方案，步骤1所述将原始红外图像分为若干图像块，利用局部稀疏表示和内积方法构建每个图像块的非相似性字典，具体过程如下：

步骤11，利用大小的滑动窗口将原始红外图像Y按从上到下、从左到右的方式遍历，得到m个大小相同的图像块k＝1,2,…,m，B_s为图像块Y_k的大小；

步骤12，对于每个图像块，以其为中心扩展出L×L大小的训练窗图像，利用滑动窗口将训练窗图像按从上到下、从左到右的方式遍历，得到h个大小相同的图像块g＝1,2,…,h，将每个图像块f_g进行列向量化，组成矩阵

步骤13，计算图像块Y_k相对于矩阵F中每个列向量的内积：ρ_g＝<Y_k,f_g>，其中，ρ_g表示Y_k相对于矩阵F中第g个列向量的内积，<·,·>表示内积运算；

步骤14，计算图像块Y_k与其自身的内积β：β＝<Y_k,Y_k>；

步骤15，计算β与ρ_g的差值绝对值并从中找出c个最大的差值绝对值，c个最大的差值绝对值对应训练窗图像中的c个图像块，将c个图像块列向量化后排列成一个矩阵，得到图像块Y_k的非相似性字典

作为本发明的一种优选方案，步骤1所述基于非相似性字典，计算每个图像块的残差图像块，根据残差图像块得到原始红外图像的残差图像，具体过程如下：

步骤16，采用OMP算法计算图像块Y_k在非相似性字典下的稀疏编码系数X_k；

步骤17，计算图像块Y_k的重建残差向量ε_k：ε_k＝Y_k-D_kX_k；

步骤18，将重建残差向量还原为大小的矩阵，B_s为图像块Y_k的大小，得到图像块Y_k的残差图像块；

步骤19，对经步骤11得到的每个图像块，都进行步骤12至步骤18的操作，并将所有得到的残差图像块按照其对应的图像块在原始红外图像中的位置，生成新的残差图像。

作为本发明的一种优选方案，所述步骤2的具体过程如下：

步骤21，利用大小的滑动窗口将原始红外图像Y按从上到下、从左到右的方式遍历，得到T个大小相同等级图像块Y_t∈R^U，t＝1,2,…,T，U为图像块Y_t的大小；

步骤22，将每个图像块Y_t作为待检测区域，将以图像块Y_t为中心，大小的搜索窗口内除Y_t以外其他8个图像块作为背景区域，根据以下公式判断待检测区域是否为候选目标区域：

其中，(x,y)表示待检测区域内像素坐标，M_t为待检测区域内像素灰度值的均值，M_b为背景区域内像素灰度值的均值，Std_b为背景区域内像素灰度值的标准差，λ为参数；

步骤23，当R(x,y)＝1时，表示待检测区域是候选目标区域，将该区域的灰度值保留，当R(x,y)＝0时，表示待检测区域不是候选目标区域，将该区域的灰度值置零，得到目标预测图像。

作为本发明的一种优选方案，所述步骤3的具体过程如下：

步骤31，将目标预测图像中非零区域的灰度值用残差图像中相应区域的灰度值替换，得到目标预测残差图像；

步骤32，比较目标预测残差图像中各个非连通的非零区域的像素灰度值均值，均值最大的非零区域即为目标区域；

步骤33，将目标区域映射到原始红外图像中，同时对原始红外图像中的非目标区域置零，对目标区域进行二值化分割，得到最终目标检测结果。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

1、本发明检测方法基于局部稀疏表示和内积的方法构造出了原始图像的残差图像，提高了目标检测的准确性。

2、本发明检测方法基于对比度挖掘目标灰度和背景灰度之间的差异来预测目标可能存在的区域，形成目标预测图像，可以有效的抑制背景噪声。

3、本发明检测方法将残差图像与目标预测图像进行融合，不仅提高了目标检测的鲁棒性，而且提高了目标检测的精确性。

附图说明

图1是本发明基于局部稀疏表示和对比度的红外目标检测方法的实施流程图。

图2是本发明检测方法中图像块的非相似性字典构造示意图。

图3是本发明检测方法中用于局部检测的搜索窗口示意图。

图4是本发明检测方法实施例的检测结果图。

具体实施方式

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

如图1所示，本发明基于局部稀疏表示和对比度的红外目标检测方法具体步骤如下。

步骤一，在局部稀疏表示思想的基础上，设计一种基于内积的方法，搜索出每个图像块邻域内与之最不匹配的若干图像子块，以构建该图像块的非相似性字典；然后，基于该字典，计算每个图像块的残差图像块；最终，计算整幅图像的残差图像，其具体操作过程如下：

(1)非相似性字典的获取

首先，输入大小为M×N的原始红外图像Y，同时生成一个空的残差图像集和一个与原始图像Y尺寸一样且元素都为0的残差图像G＝[0,0,…,0]∈R^M×N。接着，如图2所示，采用滑动窗口将图像Y划分成m个大小为可重叠的图像块其中k＝1,2,…,m，B_s为图像块的大小，图像块Y_k就是图2中小正方形所标记表示的图像块。

其次，如图2所示，对于上述的每个图像块，以其为中心扩展出L×L大小的训练窗(用大正方形表示)，将训练窗中的图像也划分成h个大小为且互相重叠的图像块其中g＝1,2,…,h，这些块组成了集合对集合中的每个图像块都进行列向量化，最后组成矩阵

第三，计算图像块Y_k相对于矩阵F中所有列向量的内积，即：

ρ_g＝<Y_k,f_g>

其中，ρ_g代表Y_k相对于矩阵F中第g个列向量的内积，<·,·>表示内积运算。故对矩阵F，通过上述运算就可以得到Y_k相对于矩阵F中所有列向量的内积集合ρ＝[ρ₁,ρ₂,…,ρ_h]。

第四，计算Y_k与其自身的内积，即：

β＝<Y_k,Y_k>

其中，β为Y_k与其自身进行内积的结果。

最后，对于集合而言，与Y_k越相似的图像块，对应于矩阵中的向量f_g的值就会与Y_k越相近；越不相似的块，对应于矩阵中的向量f_g的值就会与Y_k有较大的差异。基于这一原理，就可以通过如下方法来区分集合的相似块与不相似块，即：

其中，代表β与ρ中的第g个元素的差值绝对值，的值越大，代表集合中的第g个图像块f_g与Y_k越不相似，通过上述公式就可以得到β与内积集合ρ中所有元素的差值绝对值，取c个差值绝对值最大的图像块，构成集合就搜索出c个与原始图像块最不相似的图像块。将这些图像块列向量化后，排列成一个矩阵，就构成了图像块Y_k的非相似性字典其中的每一图像块都被表示成矩阵的一列，即字典的原子。

(2)基于非相似性字典的残差图像块的生成

对于每一个图像块的残差图像块的具体获取步骤如下：

首先，采用OMP算法，计算图像块Y_k在字典D_k下的稀疏编码系数X_k。

接着，通过如下公式计算图像块Y_k的重建残差向量ε_k：

ε_k＝Y_k-D_kX_k

最后，将重建残差向量还原成大小的矩阵，记为残差图像块repatch。将其存入到残差图像集repatchset中，即：

repatchset＝[repatchset,repatch]

(3)残差图像的最终生成

对图像Y中一系列的图像块，都进行(1)和(2)的操作，并将残差图像集repatchset中的每个残差图像块按照其对应的原始图像块在图像Y中的位置，相应地放到残差图像G中(重叠部分求均值)，最终就可以得到残差图像G。

步骤二，对于原始图像，还要利用灰度对比度的思想来预测图像中的候选目标区域，形成目标预测图像。具体步骤如下：

(4)输入原始红外图像Y，用的窗口对原始图像进行从上到下、从左到右的扫描，步长为step，可以将原始图像划分成一系列互相重叠的图像块。

(5)利用如图3所示的搜索窗口可以检测出原始图像中的候选目标区域。图中，该窗口分为九个大小相同的单元格，中间的单元格用“9”表示，称为待检测区域，代表目标可能会出现的区域，其他单元格表示背景区域。对步骤(4)中的每个原始图像块都逐一看成是待检测区域，在原始图像Y中找到其相应的如图3所示的局部检测的搜索窗口，然后，可以通过如下公式筛选出候选目标：

其中，M_t是待检测区域的均值，M_b是背景区域的均值，Std_b是背景区域的标准差，R(x,y)是候选目标检测结果，λ表示参数，一般取值0.5-3。这里需要指出的是，当R(x,y)＝1时，表示该区域是候选目标区域，我们将该区域的数值保留。当R(x,y)＝0时，表示该区域不是候选目标区域，我们将该区域的数值置零。这样就生成了仅含候选目标的图像，这里称为目标预测图像P。

步骤三，将上述计算得到的残差图像和目标预测图像相融合，以进行目标精确定位，并进行二值化分割得到最终目标检测结果。具体步骤如下：

(6)将目标预测图像P和残差图像G进行融合，即对目标预测图像中的非零区域的数值转换为残差图像中相应区域的数值，这样就生成了目标预测残差图像S。

(7)针对单目标检测，考虑到目标预测残差图像S中的目标灰度值较大，其他的虚警目标灰度值较小，所以只需对图像S中若干非连通的非零区域进行均值比较，均值计算公式如下：

其中，p_i代表非零区域中第i个像素的灰度值，n代表该区域中的元素个数，mean则表示该非零区域的均值。均值最大的非零区域就是目标区域。然后将该目标区域映射到原始图像中，同时对原始图像中的非目标区域做置零处理。

(8)对目标区域进行二值化，就可以得到最终目标检测结果。如图4所示，为本发明方法实施例的检测结果图。

以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。