基于红外图像的小目标检测的方法与流程

本发明涉及遥感技术领域，特别是指一种基于红外图像的小目标检测的方法。

背景技术：

近年来，利用红外成像技术实现目标检测是是现代军事武器装备的主要技术发展方向之一，同时也是军事武器系统的自动化、智能化、现代化的重要标志之一，因此国内外许多科研机构的学者一直致力于该项技术的研究。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，实时鲁棒的小目标检测技术尚未完全突破，仍是机器视觉和图像处理领域的热门研究课题。

当前，基于单帧的红外小目标检测算法大体上可以分为两类：基于图像滤波的检测算法和基于机器学习的检测算法。其中，对于基于图像滤波的检测算法，过程如下：首先对红外图像的背景起伏分量进行估计，也称为背景估计，然后将原始图像与背景起伏分量相减，以得到包含目标成分和噪声成分的图像，接着通过阈值处理或其他方法得到目标的位置。基于机器学习的检测算法，则主要是将目标检测问题转化为模式分类问题，然后根据不同的学习算法对目标模型和背景模型进行训练，利用得到的目标模型和背景模型对输入的测试图像进行分类判别，即依次提取输入图像的子图像，然后根据判别规则判定该子块图像含有目标与否。

而在实际应用中，红外图像的背景一般可分为大气云层背景，海杂波背景和地面起伏背景等。背景强度一般很高，接收器内的噪声也很强，在低信噪比情况下，目标的强度相对较低，往往淹没在强背景噪声里；同时，有价值目标往往在红外图像中只占据几个像素，缺乏几何形状、纹理结构等特征，可供检测识别系统利用的信息很少。综上所述，复杂背景下的对红外图像的小目标检测是很难实现的。

技术实现要素：

本发明要解决的技术问题是实现如何在复杂背景下的对红外图像进行小目标检测。

为解决上述技术问题，本发明的实施例提供一种基于红外图像的小目标检测方法，包括：

检测装置从一组序列图像中选择出一帧图像，对所述选择出的一帧图像进行预处理，获得预处理后的图像fd；

所述检测装置移动滑动窗将所述原始的预处理后的图像fd变成多个独立的块图像，矩阵d表示多个独立的块图像；

所述检测装置利用近端加速梯度方法对所述矩阵d进行迭代收敛运算，获得稀疏矩阵和低秩矩阵，其中，所述稀疏矩阵为目标矩阵t和所述低秩矩阵为背景矩阵b；

所述检测装置通过滤波器将所述背景矩阵b和所述目标矩阵t分别恢复成背景图像fb和目标图像ft，其中，所述预处理后的图像fd包含所述背景图像fb和所述目标图像ft；

检测装置根据自适应阈值，对所述背景图像fb和所述目标图像ft进行阈值处理，消除虚警，实现原始图像中背景图像fb和目标图像ft的有效分离，获得小目标的具体位置。

可选的，检测装置移动滑动窗将所述原始的预处理后的图像fd变成多个独立的块图像，矩阵d表示多个独立的块图像，具体为：

所述检测装置利用一个正方形滑动窗从预处理后的图像fd左上到右下按照某个移动步长进行滑动，获得一系列局部块图像；然后对每个块图像进行矢量化，使矢量化后每个块图像成为独立的块图像的一个列向量，其中，第一个块图像矢量化向量为矩阵d的第一列，第n个块图像矢量化向量为d的第n列。

可选的，对所述选择出的一帧图像进行预处理，获得预处理后的图像fd，具体为：对选择出的一帧图像进行高帽变换，然后将高帽变换结果与所述选择出的一帧图像相加获得相加结果，再将所述相加结果与低帽变换结果进行相减，获得预处理后的图像fd。

可选的，所述检测装置通过滤波器将所述背景矩阵b和所述目标矩阵t分别恢复成背景图像fb和目标图像ft，具体为：

将所述背景矩阵b和所述目标矩阵t的列矢量恢复为((m-d)/a+1)×((n-d)/a+1)个d×d的块图像，按照滑动步长的响应次序叠加摆放所述((m-d)/a+1)×((n-d)/a+1)个d×d的滑动块，用滤波器取所述滑动块对应的像素值，将所述背景矩阵b和所述目标矩阵t恢复为图像大小为m×n的背景图像fb和目标图像ft。

可选的，所述检测装置根据阈值，对所述背景图像fb和所述目标图像ft进行阈值处理，消除虚警，实现原始图像中背景图像fb和目标图像ft的有效分离，获得小目标的具体位置，具体为：

所述检测装置将所述背景图像fb和目标图像ft中各个像素值与阈值分别比较，将像素值大于阈值的点划分为目标，将像素值小于目标的点划分为背景；对于双目标图像来讲，取两个阈值tup和tdown，像素值介于两个阈值tup和tdown之间的点为背景，其余为目标。

本发明的上述技术方案的有益效果如下：

上述方案中，区别于传统的小目标检测方法，本发明的具体创新点在于采用形态学方法对图像进行对比度增强处理，并在此基础上采用了滑动窗的方法将完整的图像分割为块图像。然后，通过对块图像的处理，将其分成背景块图像和目标块图像，并利用滤波器将目标块图像和背景块图像重建完整的图像，从而实现原始图像中目标与背景的有效分离，获得有价值小目标的具体位置。该方法简单易执行，便于硬件实现，应用型强。

附图说明

图1为本发明的一种基于红外图像的小目标检测方法的流程示意图。

图2为本发明的获得小目标的一个例子的图像。

图3为本发明的获得小目标的另一个例子的图像。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

本发明针对现有的在复杂背景下的无法对红外图像进行小目标检测的问题，本发明的实施例提供一种基于红外图像的小目标检测方法，应用于检测装置，如图1所示，具体包括：

步骤1、检测装置从一组序列图像中选择出一帧图像，对选择出的一帧图像进行预处理，获得预处理后的图像fd。

预处理的过程包括：先对选择出的一帧图像进行高帽变换，然后将高帽变换结果与选择出的一帧图像相加获得相加结果，再将相加结果与低帽变换结果进行相减，从而得到最大对比度的图像，即预处理后的图像fd。原始图像加上高帽变换后的结果，可以使图像中灰度值较大的区域更亮；再减去地貌变换后的结果，就可以使图像中灰度值较小的区域更暗，使得细节更加明显。其中，高帽变换是原始图像与图像的开运算结果之差，低帽变换是图像的闭运算结果与原始图像之差。

由于红外图像清晰度低，对比度差，为了方便后续处理、精确结果，将原始图像用形态学高帽低帽变换的方法，提高对比度。高帽变换与低帽变换是数学形态学重要的算法形式，高帽变换具有高通滤波的特性，而低帽变换则能检测图像中的谷值。用高帽变换和低帽变换进行图像增强是较好的处理方法，使对比度调至最大。

本方案采用高低帽变换的目的在于将红外图像进行增强处理以提高图像对比度。因为高帽变换具有高通滤波的某些特性，强调目标的灰度峰值，增强图像的边缘信息，而低帽变换可以求出图像中的谷值，突出相互连接目标间的界限，所以高、低帽变换结合使用，可以使图像前景和背景灰度进一步被拉伸，突显相关目标和细节，起到图像增强的作用。先对图像进行高帽变换，然后将高帽变换结果与原始图像相加后再与低帽变换结果相减，从而得到最大对比度的图像。

步骤2、检测装置将上述预处理后的一帧图像设置为背景图像、目标图像和噪声图像相加构成，其表达式：fd(x,y)＝ft(x,y)+fb(x,y)+fn(x,y)，其中fd，ft，fb，fn，分别代表经过步骤1预处理后的红外图像、目标图像、背景图像和随机噪声图像，(x,y)代表像素的位置。由于大气折射、光的色散、散焦、透镜像差、衍射等原因，原始红外图像在成像过程中导致背景可能稍微模糊，因此可以将原始图像分为背景图像、目标图像和噪声图像。

检测装置通过移动滑动窗将原始红外图像fd变成多个独立的块图像，多个独立的块图像用矩阵d来表示。具体执行过程为：利用一个正方形滑动窗从原始红外图像fd左上到右下按照某个水平和竖直的移动步长(下面简称为移动步长)滑动，获得一系列局部块图像；然后对每个块图像进行矢量化，即二维变一维，使矢量化后每个块图像成为独立的块图像的一个列向量；第一个块图像矢量化向量为矩阵d的第一列，第n个块图像矢量化向量为d的第n列，从而完成将一个原始红外图像fd转化为一个矩阵d。

假设原始图像的大小为m×n,设滑动窗大小为d×d，移动步长为a。通过移动滑动窗得到一个大小为((d×d),(((m-d)/a+1)×((n-d)/a+1)))的矩阵d。移动步长a一般由目标大小确定，目标尺寸较小时，移动步长a一般也较小。目标尺寸较大时，移动步长a一般较大些，最小可为1。例如：滑动窗的大小为50×50，移动步长为10。对于一个原图像大小为256×200的图像，用滑动窗处理后的块图像矩阵大小为2500×336。其中，m,n和d均为像素数目，而且均为整数。

步骤3、检测装置通过鲁棒主成分分析技术将块图像分割成背景块矩阵和目标块矩阵，并且通过近端加速梯度方法获得稀疏矩阵(代表目标矩阵t)和低秩矩阵(代表背景矩阵b)。经过滑动窗处理后得到的矩阵d可以看成由背景矩阵b、目标矩阵t和噪声矩阵n表示，即：d＝b+t+n，其中代表背景的矩阵b是低秩的，代表目标矩阵t是稀疏的。

在实际应用中，一个小目标通常是时刻变化的，亮度可能由亮到暗，小目标的尺寸大小从2×2到10×10不等，但是它相对于整幅图像来说仍然是非常小的，所以可以将目标看成是稀疏的。可由零范数表示如下：||t||0<k,其中，t代表目标图像矩阵，k为常数，其大小由目标的数量和它们的大小确定，一般k<<i×j，i和j是矩阵t的大小。此外，非局部相关性的这个特点普遍存在于背景图像中。因此，背景图像可以认为低秩的，表示如下：rank(b)≤r，其中，b代表背景图像矩阵，r为常数。

通过鲁棒主成分分析技术来计算获得该稀疏矩阵t和低秩矩阵b。目标函数可表示如下：

上述公式可以采用近段加速梯度方法求解，通过迭代收敛从而获得背景矩阵b和目标矩阵t。

通过鲁棒主成分分析技术将小目标检测方法转化为从原始图像中恢复稀疏矩阵和低秩矩阵的问题。通过近段加速梯度算法求解鲁棒主成分分析模型，经过迭代收敛计算出目标矩阵t和背景矩阵b。近段加速梯度算法中，我们选取η＝0.99和μ0＝s2,其中s2和s4分别是原始块图像d的第二个和第四个最大的特征值。

步骤4、检测装置通过一维中值滤波器将背景矩阵b和目标矩阵t分别恢复成背景图像fb和目标图像ft。

该过程相当于步骤2的逆过程。将矩阵b和t的列矢量恢复为((m-d)/a+1)×((n-d)/a+1)个d×d的块图像，按照滑动步长的响应次序叠加摆放这些滑动块，用一维中值滤波的方法取对应的像素值，将背景矩阵b和目标矩阵t恢复为图像大小为m×n的背景图像fb和目标图像ft。

步骤5、检测装置设置自适应阈值，利用阈值处理技术消除虚警，实现有价值小目标检测定位。

利用简单的分割方法自适应地分割目标图像。设置自适应阈值，如下式所示：tup＝max(vminμ+kσ)，其中，μ和σ分别是目标图像t的均值和方差。将背景图像fb和目标图像ft中各个像素值与阈值比较，像素值大于阈值的点划分为目标；像素值小于目标的点划分为背景。对于双目标图像来讲，取两个阈值tup和tdown，像素值介于两个阈值tup和tdown之间的点为背景，其余为目标点。

图2和3为利用上述的方法，获得红外图像的小目标的两个具体例子，从图2和图3可以看出，能够获得有价值小目标的具体位置，实现红外图像的小目标的检测。

上述方案中，采用形态学方法对图像进行对比度增强处理，并在此基础上采用了滑动窗的方法将完整的图像分割为块图像。然后，通过对块图像的处理，将其分成背景块图像和目标块图像，并利用滤波器将目标块图像和背景块图像重建完整的图像，从而实现原始图像中目标与背景的有效分离，获得有价值小目标的具体位置。该方法简单易执行，便于硬件实现，应用型强。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。