一种基于改进顶帽变换的红外小目标增强方法

本发明属于计算机视觉，具体涉及一种基于改进顶帽变换的红外小目标增强方法。

背景技术：

1、在军事侦察、安全监控、夜视成像及遥感探测等关键领域，红外小目标的增强是提升目标识别和跟踪能力的重要技术。当前的技术发展已经实现了对红外图像中微小目标的识别，但在目标增强方面，即对目标信号进行提升以便于检测和识别，仍面临重大挑战。

2、传统增强技术如线性滤波和直方图均衡化，往往不能在不损失目标信息的同时有效地抑制背景噪声。线性滤波虽能简化背景，但在细节增强上存在局限，容易将目标信号与噪声混淆。直方图均衡化可以提高图像对比度，但对于红外图像，这种方法可能会导致目标信号过度增强，从而与背景噪声难以区分。近年来，基于机器学习的方法，尤其是深度学习算法，在一些场景下取得了进展，但这些方法往往依赖大量标记数据，且在小样本情况下的表现并不理想，同时计算成本也较高。

3、因此，现有技术在红外小目标的增强方面还存在显著不足。尤其是在背景复杂且噪声水平高的情况下，当前方法很难实现对目标信号的有效增强。这一技术难题的解决，对于提高红外小目标识别的准确性和可靠性具有至关重要的意义。

技术实现思路

1、本发明的目的在于提出一种基于改进顶帽变换的红外小目标增强方法，为后续的目标检测和识别提供更为清晰和准确的图像基础。本发明首先根据图像特性自适应调整结构元的大小，以更好地适应不同的目标和背景条件。接着进行顶帽变换，这一步骤有效地分离出图像的前景和背景，突出目标区域。紧随其后的是分段伽马变换，这一环节通过调整图像的灰度级别，进一步增强目标的可视性。此外，算法根据背景的特性自适应选择增益系数，这样可以保证在不同条件下都能获得最优的增强效果。最终，通过将处理后的前景和背景加权求和，得到最终的增强图像。

2、为达到以上目的，本发明采用如下技术方案来实现：

3、一种基于改进顶帽变换的红外小目标增强方法，包括以下步骤：

4、1)自适应调整结构元，根据输入图像特性自适应地调整结构元素，逐步增大结构元素的尺寸并执行腐蚀操作；当某一尺寸的结构元素所产生的腐蚀效果与前一尺寸相比，变化量低于预设的阈值时，确定该结构元素为顶帽变换的最佳结构元素；

5、2)顶帽变换，利用步骤1)中得到的最佳结构元素进行白顶帽变换，从步骤1)中输入图像中分割为背景信息及目标信息；

6、3)目标增强，对步骤2)中得到的目标信息进行分段伽马变换，得到增强目标信息；

7、4)自适应背景增益，利用步骤2)中得到的背景信息计算背景信息增益系数；

8、5)加权求和，利用步骤4)计算的背景信息增益系数，将步骤3)中增强后的目标信息与步骤2)中提取的背景信息进行加权合并，以获得最终的图像增强效果。

9、本发明进一步的改进在于，步骤1)中，自适应调整结构元包含以下过程：

10、首先初始化结构元大小r1，并对输入红外图像进行腐蚀，公式如下：

11、

12、其中，ei表示第i次腐蚀结果，f为输入图像，为大小为ri的结构元，为腐蚀算子；

13、接着增大结构元尺寸，即ri+1＝ri+step；

14、其中，step为预先定义的步长；

15、接着，以当前结构元对输入图像进行腐蚀操作，得到ei+1，并同ei进行峰值信噪比的计算，公式如下：

16、

17、

18、其中，m,n分别表示输入图像f的长和宽；

19、若psnr(ei,ei+1)<t，则结束当前算法，输出ri+1作为结构元大小；否则，继续增大结构元尺寸，并重复上述流程。

20、本发明进一步的改进在于，步骤3)中，顶帽变换基于图像形态学中的膨胀算子和腐蚀算子。

21、本发明进一步的改进在于，膨胀算子的定义如下：

22、

23、其中，f为待处理图像，b为结构元，u,v分别表示结构元中点的横纵坐标；

24、腐蚀算子的定义如下：

25、

26、其中，f为待处理图像，b为结构元，u,v分别表示结构元中点的横纵坐标。

27、本发明进一步的改进在于，基于膨胀算子和腐蚀算子，关于图像f和结构元b的开闭算子定义如下：

28、

29、

30、本发明进一步的改进在于，基于开闭操作，白顶帽变换wth的定义如下：

31、

32、采用白顶帽变换来分离目标和背景，即wth为前景目标信息，而背景信息则为

33、本发明进一步的改进在于，步骤3)中的分段伽马变换具体过程如下：

34、增强目标信息e如下：

35、

36、其中，wth为经步骤2)所得的前目标信息，[0,l1,l2,…,lc-1,255]为一组预先定义的分段阈值，[γ1,γ2,…,γc]为每段阈值对应的γ增益值。

37、本发明进一步的改进在于，步骤4)中，根据背景的特性，自适应地调整增益系数，具体过程如下：

38、

39、其中，bg为背景信息，m,n分别为bg的长和宽，k,s分别为bg中像素的横纵坐标。

40、本发明进一步的改进在于，步骤5)中，将前景目标信息和背景信息通过加权求和得到最终增强结果，公式如下：

41、enhance＝coefbg*bg+coefe*e

42、其中，bg为背景信息，coefbg为背景增益系数，coefe为预先定义的前景目标增益系数，e为前景目标信息。

43、本发明至少具有如下有益的技术效果：

44、本发明利用改进的顶帽变换，这是一种根据图像特性自适应调整结构元素大小的形态学操作，能够在不同的图像区域中应用不同大小的结构元素，以最佳方式执行腐蚀和背景分离。通过自适应选择结构元素，本发明能够在保持目标特征的同时，显著减少背景噪声的影响。这一点是通过比较不同尺寸结构元素的腐蚀效果并选择变化量低于预设阈值的最佳结构元素实现的，从而确保了顶帽变换能够更精确地分离前景目标和背景。

45、进一步地，通过对顶帽变换后的目标信息应用分段伽马变换，本发明能够在不同亮度区域内进行细致的调整，这样既增强了目标信号，又避免了过度增强，确保了目标区域的细节得到保留并强化。此外，算法还根据从顶帽变换得到的背景信息自适应地调整增益系数，这使得背景增益可以针对不同场景下的背景特性进行优化，进一步增强了图像的整体视觉效果。

46、最终，通过加权求和的方式将增强后的目标信息与调整后的背景信息相结合，本发明实现了目标信息与背景信息的平衡融合，提供了一幅既清晰又具有高对比度的增强图像。这种方法不仅提高了目标的可识别度，而且确保了整体图像质量的提升。

47、综上所述，本发明的技术方案通过综合运用形态学操作和自适应算法，实现了对红外小目标的有效增强。这不仅优化了目标的视觉呈现，还为后续的目标检测和识别任务提供了更为清晰和准确的图像基础，特别是在复杂背景下的应用，显示了其显著的技术优势和实用价值。