一种基于灰度和梯度分割的红外目标检测方法
【技术领域】
[0001] 本发明涉及红外图像处理领域，，特别是一种适合硬件实时实现的基于灰度和梯 度分割的红外目标检测方法
【背景技术】
[0002] 红外成像作为雷达系统的重要补充手段，具有被动探测、不易被发现、全天候工作 等特点，在军民领域得到广泛的应用。近年来，红外成像探测成为国内外学者研究的热点和 重点，提出了许多有价值的检测方法。张强等人提出基于局部极大值的红外弱小目标分割， 通过高斯模板对待检测图像进行增强处理；针对传统滤波方法中固定大小滤波核对弱小目 标检测表现出的不足，龚俊亮提出一种基于尺度空间理论的红外弱小目标检测方法；李秋 华等人采用D-S证据理论的双色红外目标融合检测；针对云层背景下红外变分辨率小目标 的成像特性，赵晓提出一种基于尺度空间理论的红外弱小目标检测方法；LiuΖΗ等人提出 一种图像匹配的方法实现对探测器运动补偿，使用差分法实现运动目标检测。
[0003] 现有的目标检测技术存在以下缺点：（1)多数检测算法的场景适应性差，若场景 变化大，会降低目标检测的精度；(2)复杂场景下目标检测能力差；（3)多数算法采用单个 特征进行检测，鲁棒性差。
【发明内容】
[0004] 发明目的：本发明所要解决的技术问题是针对现有技术的不足，提供一种基于灰 度和梯度分割的红外目标检测方法。
[0005] 为了解决上述技术问题，本发明公开了一种红外图像目标检测方法，包括以下步 骤：
[0006] ⑴利用原始图像卩^^计算梯度图像妒(X，.)')；
[0007] ⑵对树X，J)进行非最大值抑制，得到图像灼(爲J);
[0008] (3)利用内(X，J)进行边缘连接、边缘闭合判断，计算候选目标区域P〇Sl;
[0009] (4)根据P〇Sl选取局部图像Flc]。，对&。。进行分割，得到候选目标区域Pos2;
[0010] (5)根据Pos=PoSiflPos2计算最优目标区域Pos。
[0011] 本发明基于灰度和梯度分割的红外目标检测方法中，通过Sobel算子计算梯度图 像识(X，
[0012] 本发明基于灰度和梯度分割的红外目标检测方法中，边缘闭合判断综合行、列方 向闭合度来评定当前点是否为目标边缘点。判定准则包括：1)行方向闭合度、列方向闭合 度同时大于阈值?\，0彡K1 ;2)若第i行最左边的有效值位置是Col_(i)，最右边的 有效值位置是Col_(i)，Col^a) >T表示第i行为有效行，否则第i行为无效行，其中， Colji) =0)1_ω-0)1_α)，T是阈值，3彡T彡10,则行方向闭合度计算公式如下所 示：
[0013]
[0014] 3)若第j列最上边的有效值位置是Row_(j)，最下边的有效值位置是 R〇wmax(j)，R〇wdf3t:(j) >T表示第j列为有效列，否则，第j列为无效列，其中，RowdfK：(j)= R〇w_(j)-R〇w_(j)，T是阈值，3彡T彡10,则列方向闭合度计算公式如下所示：
[0015]
[0016] 本发明基于灰度和梯度分割的红外目标检测方法中，通过最大类间方差法（《微计 算机信息》，2010年第26卷第12-2期）确定灰度图像的分割阈值Q;
[0017] 本发明基于灰度和梯度分割的红外目标检法中，通过PosJPPos2相与运算获得最 优目标区域P〇s。
[0018] 本发明与现有技术相比，具有以下显著优点：1)采用双特征（灰度、梯度）进行目 标检测、算法鲁棒性强；2)对局部灰度图像进行分割，图像分割精确度高；3)灰度阈值通过 场景自适应计算，算法场景适应性强；4)不存在高阶运算和复杂结构，算法运算量小，易于 硬件实时实现。
【附图说明】
[0019] 下面结合附图和【具体实施方式】对本发明做更进一步的具体说明，本发明的上述和 /或其他方面的优点将会变得更加清楚。
[0020] 图1为本发明流程图。
[0021] 图2a为实施例的原始图像。
[0022] 图2b为实施例的梯度分割结果。
[0023] 图2c为实施例的灰度分割结果。
[0024] 图2d为实施例的最终检测结果。
【具体实施方式】
[0025] 本发明公开了一种基于灰度和梯度分割的红外目标检测方法，包括以下步骤：
[0026] (1)利用原始图像FOTg计算梯度图像#(X_,妁
[0027] (2)对0(λ%>')进行非最大值抑制，得到图像列(??):
[0028] (3)利用灼(x,.V)进行边缘连接、边缘闭合判断，计算候选目标区域Pos1;
[0029] (4)根据P〇Sl选取局部图像Flc]。，对&。。进行分割，得到候选目标区域Pos2;
[0030] (5)根据Pos=PoSinPos2计算最优目标区域Pos。
[0031] 步骤⑴中，使用Sobel算子计算梯度图像供(x，_y)。
[0032] 步骤⑵中，对进行"非最大值抑制":在以像素data为中心的3*3邻域内， 将梯度方向定义为以像素data为中心的，水平方向，垂直方向以及正负45度角的方向共四 个方向的连线。各个方向用该方向与像素data邻近像素进行比较，决定局部最大值。
[0033]
[0034] 如果中心位置的像素data的梯度方向属于垂直方向，则将像素data与垂直方向 的邻近像素进行比较，若像素值data不是最大值，将其置0。
[0035] 步骤（3)中，边缘闭合判断综合行、列方向闭合度来评定当前点是否为目标边缘 点。判定准则包括：1)行方向闭合度、列方向闭合度同时大于阈值?\，0彡K1 ;2)若 第i行最左边的有效值位置是Col_(i)，最右边的有效值位置是Col_(i)，Col&(i) >Τ 表示第i行为有效行，否则第i行为无效行，其中，C〇l&(i) =C〇l_(i)-Col_(i)，T是 阈值，3彡Τ彡10 ;3)若第j列最上边的有效值位置是Row_(j)，最下边的有效值位置是 R〇Wmax(j)，RoWdaU)〉T表示第j列为有效列，否则，第j列为无效列，其中，R〇Wd?：(·]'）= R〇W_(j)-R〇W_(j)，T是阈值，3 彡T彡 10;
[0036] 步骤（4)中，局部图像Flc]。是包含P〇Sl的矩形区域，利用最大类间方差法对FlcJi 行灰度分割，得到候选目标区域P〇s2;
[0037] 步骤（5)中，通过PosjPPos^与运算获得最优目标区域。
[0038] 实施例1
[0039] 本实施例公开了一种基于灰度和梯度分割的红外目标检测方法，包括以下步骤：
[0040] (1)利用原始图像算梯度图像梦(為，)；
[0041] ⑵对科;^)进行非最大值抑制，得到图像n〇，"v);
[0042] (3)利用进行边缘连接、边缘闭合判断，计算候选目标区域P〇s1;
[0043] (4)根据P〇Sl选取局部图像Flc]。，对匕。。进行分割，得到候选目标区域Pos2;
[0044] (5)根据Pos=Pc^门Pos2计算最优目标区域Pos。
[0045] 步骤⑴中，使用Sobel算子计算梯度图像.
[0046] 步骤⑵中，纠x，_>')进行"非最大值抑制"，将梯度方向定义为AA连线方向（即 AA-data-AA)、BB连线方向（即BB-data-BB)、CC连线方向（即CC-data-CC)、DD连线方向 (即DD-