云背景下基于模板滤波和虚警抑制的红外小目标检测方法
【技术领域】
[0001] 本发明属于红外图像探测与处理技术领域，特别是一种云背景下基于模板滤波和 虚警抑制的红外小目标检测方法。
【背景技术】
[0002] 红外小目标检测是红外搜索与跟踪系统、大视场目标检测系统、卫星遥感、灾害预 警、消防救灾等系统中的一项核心技术。由于红外传感器受到大气、海面辐射、作用距离以 及探测器噪声等因素影响，使得远距离的目标在红外图像上尺寸较小，甚至呈现点状;此 外，图像的信噪比较低，加上背景通常情况下比较复杂，目标很容易被噪声和背景杂波所淹 没，使得红外小目标的检测变得更加困难。
[0003] 对红外小目标检测方法的研究主要致力于如何提高目标的检测概率以及降低虚 警率。传统的检测方法分为两大类:时域处理和空域处理。时域处理基于不同时刻采集的多 帧图像序列，充分考虑到图像帧间的相关性，能够在相邻帧间对虚警进行抑制，保持较高的 检测精度。常用的时域处理方法有熵差法(王广君，田金文，柳健.基于局部熵的红外图像小 目标检测[J].红外与激光工程，2000，04:26-29 .)、序列图像检测法(孙继刚.序列图像红外 小目标检测与跟踪算法研究[D].中国科学院研究生院(长春光学精密机械与物理研究所）， 2014.)等。但该方法相邻帧之间必须进行配准操作，处理难度较大，算法较为复杂，且不适 合单帧图像的检测。而空域处理则利用目标像素在灰度上与邻域像素存在显著差异，且与 背景不存在相关性的特点，对单帧图像直接在其空间域上进行像素级处理，由于通常利用 模板操作，因此算法易于移植到硬件中。常用的方法有形态学滤波法(过润秋，张颖，林晓 春.基于形态滤波的红外小目标检测方法[J].激光与红外，2005，06:451-453 .)、高通滤波 法(董鸿燕，李吉成，沈振康等.基于高通滤波和顺序滤波的小目标检测[J].系统工程与电 子技术，2004,26(5).)等。但该方法的虚警率较高，鲁棒性较差，且无法应用于视频序列的 处理中。
【发明内容】
[0004] 本发明提供一种云背景下基于模板滤波和虚警抑制的红外小目标检测方法，能够 将云背景下的红外小目标准确检测出来。
[0005] 本发明为解决现有技术问题的技术方案是:一种云背景下基于模板滤波和虚警抑 制的红外小目标检测方法，对于单帧图像，采用模板滤波的空域操作，首先对图像进行最大 中值滤波去除显著的噪声完成图像预处理，其次用罗宾逊模板滤波抑制背景、突出目标，然 后对原图进行云区划分，在云区部分对罗宾逊滤波后的结果采用低阈值进行二值化处理， 而非云区部分则采用高阈值处理，最后对二值化后的结果进一步剔除同一目标产生的多个 "伪目标点"，从而完成"粗检测"；对于已进行空域处理的相邻帧图像继续采取时域操作处 理，即在帧间进行航迹关联，并针对真实目标和虚警点在灰度特性和运动特性方面的差异 进行恒虚警抑制操作，完成"精检测"，从而实现红外小目标的检测。
[0006] 本发明与现有技术相比，其显著优点为：（1)将空域处理和时域处理相结合，同时 兼有空域处理算法复杂度低、易于硬件化实现和时域处理检测精度高、虚警率低的特点。 (2)预处理部分，在中值滤波的基础上提出一种最大中值滤波法，从而考虑到图像各个方向 上的灰度特性。（3)目标粗检测部分：引入罗宾逊滤波法抑制背景、突出目标;划分云区与非 云区，采用双阈值对不同部分进行二值化处理，保证在云区中的小目标不被盲目滤除。（4) 目标精检测部分，利用真实目标与虚警点之间在灰度特性和运动特性方面的差异，在帧间 航迹关联中加入恒虚警抑制算法，大大降低了检测虚警率。
[0007] 下面结合附图对本发明作进一步详细叙述。
【附图说明】
[0008] 图1是本发明云背景下基于模板滤波和虚警抑制的红外小目标检测方法的流程 图。
[0009] 图2是单帧复杂云背景下包含小目标的红外图像。
[0010] 图3是最大中值滤波处理后的效果图。
[0011] 图4是罗宾逊滤波处理后的效果图。
[0012] 图5是云区判别后的效果图。
[0013]图6是二值化操作后的效果图。
[0014]图7是相邻点目标合并后的效果图。
[0015]图8是帧间航迹关联后的效果图。
[0016]图9是虚警抑制后的效果图。
[0017] 图10是虚警率统计图。
[0018]图11是探测率统计图。
【具体实施方式】
[0019] 结合图1，本发明云背景下基于模板滤波和虚警抑制的红外小目标检测方法，对于 单帧图像，采用模板滤波的空域操作，首先对图像进行最大中值滤波去除显著的噪声完成 图像预处理，其次用罗宾逊模板滤波抑制背景、突出目标，然后对原图进行云区划分，在云 区部分对罗宾逊滤波后的结果采用低阈值进行二值化处理，而非云区部分则采用高阈值处 理，最后利用"邻域非极大值抑制"原则对二值化后的结果进一步剔除同一目标产生的多个 "伪目标点"，从而完成"粗检测"；对于已进行空域处理的相邻帧图像继续采取时域操作处 理，即在帧间进行航迹关联，并针对真实目标和虚警点在灰度特性和运动特性方面的差异 进行恒虚警抑制操作，完成"精检测"，从而实现红外小目标的检测。其具体实施步骤如下：
[0020] 1.图像预处理。对如图2所示的输入图像进行最大中值滤波，去除图像中的显著噪 声，即最大中值滤波取水平、垂直、左45度、右45度四个滤波方向，取各个方向上像素灰度中 值的最大值赋于中心像素。最大中值滤波充分考虑到了多个方向上的像素灰度分布，并更 好地保留图像中目标的能量，在不破坏目标原有灰度特征的基础上实现高效去噪，处理结 果如图3所不。
[0021] 对于(2N+1) * (2N+1)的最大中值滤波模板，其计算公式为：
[0022] fmax-med(i , j)=max(zi,Z2,Z3,Z4) (1)
[0023] 式（1)中，
[0024] zi=med[f(i , j-N), . . . ,f(i , j), . . . ,f(i , j+N)]
[0025] Z2=med[f(i-N, j), . . . ,f(i , j), . . . ,f(i+N, j)]
[0026] (2)
[0027] Z3=med[f(i+N, j-N), . . . ,f(i , j), . . . ,f(i-N, j+N)]
[0028] Z4=med[f(i-N, j-N), . . . ,f(i , j), . . . ,f(i+N, j+N)]
[0029] 其中，（i J)为中心像素点坐标，med为取中值操作，max为取最大值操作，N表征模 板尺寸大小，本发明方法中，以N=2为例，即模板尺寸为5*5。
[0030] 2.粗检测，其过程为：
[0031] (1)对最大中值滤波后的图像进行罗宾逊模板滤波，抑制云背景，并突出目标。该 模板利用真实目标与云背景之间的灰度差异较大这一特性，将中心像素点灰度值与周围像 素的最大灰度值进行比较和算术操作。若中心像素的灰度较强，则会被保留，否则将会被抑 制。同时，模板设置有隔离带，可以保证真实目标的灰度特性不被破坏。其处理结果如图4所 不。
[0032]罗宾逊模板滤波的方法为：对于（2N+1M2N+1)的罗宾逊滤波模板，其计算公式 为：
[0034] 式（3)中，
[0035] zi=max[f (i-N: i+N, j-N)]
[0036] Z2=max[f (i-N: i+N, j+N)]
[0037] (4)
[0038] Z3=max[f (i-N, i-N: j+N)]
[0039] Z4=max[f (i+N, i-N: j+N)]
[0040] 其中，（i，j)为中心像素点坐标，max为取最大值操作，N表征模板尺寸大小本发明 方法中，以N=4为例，即模板尺寸为9*9。
[0041] (2)对原图像进行云区判别。由于云区在红外图像中通常呈现出线状或层状，利用 这一特征，可以采取模板匹配滤波的方法对云内、云外区域加以区分。该模板一方面设有空 白隔离带以保护真实目标的灰度特性不受破坏，另一方面通过将中心行所有像素的灰度之 和与最上方一行或最下方一行的像素灰度之和进行做差运算并归一化到[0,255]区间，并 利用二值化操作完成云区分割。具体地，该操作共分为以下3个步骤：
[0042] (i)对原图像进行匹配滤波操作。对于（2M+1M2N+1)大小的匹配滤波模板，其计 算公式为：
[0044] 式(5)中，
[0045] zi = sum(f (i-N, j-M: j+M))
[0046] Z2 = sum(f (i , j-M: j+M)) (6)
[0047] Z3 = sum(f (i+N, j-M: j+M))
[0048] 其中，（ij)为中心像素点坐标，sum为求和操作，M、N表征模板尺寸大小，本发明中 Μ取5，N取1，即模板尺寸为11 *3。
[0049] (ii)对匹配滤波后的结果进行灰度归一化处理。归一化公式为：
[0051 ] (i i i)对归一化后的结果进行二值化分割。二值化操作的公式为：
[0053] 式(8)中的fthreshcdd为二值化阈值。此处，灰度值为255的像素点表示云区，而灰度 值为0的像素点表示非云区。
[0054] 经上述操作，可得到如图5所示的云区判别结果。
[0055] (3)在罗宾逊滤波后的图像中，对云区和非云区部分采用不同阈值进行二值化分 害J。由于云区目标和云背景之间的对比度差异较小，而非云区部分则较大，因此在云区采取 低阈值二值化分割，在非云区采取高阈值二值化分割。具体公式为：
[0058]式(9) (10)中的fL和f η分别表示两个不同大小的二值化阈值。其中前者为低阈值， 后者为高阈值。如图6所示，经双阈值分割后可得到较为完整的提取效果。
[0059] (4)对二值化分割后的结果进行连续点目标合并，确保一个目标仅留下一个像素 大小的"孤立点"。具体操作是，对二值化后灰度值为255的像素点，记录其坐标位置，并映射 到罗宾逊滤波后的图像中，以其为中心像素，开设一个L*L的模板(L是