红外小目标范文

红外小目标范文（精选8篇）

红外小目标 第1篇

红外成像有很多优点:适用的环境广,在夜间和相对恶劣天气下的工作性能优于可见光;适用于一些特定目标,由于红外图像是利用目标和背景,或者目标各部分的温度差形成的红外辐射差进行成像,因而对特定目标的识别能力优于可见光。因此,红外成像技术在目标检测和识别方面发挥着重要作用。

1 Top-hat变换小目标检测

1.1 Top-hat变换

Top-hat是一种基于形态学的方法,定义为[1]:

H[f1(x,y)]=f1(x,y)-[f1(x,y)°b(x,y)] (1)

其中:f1(x,y)为预处理图像,b(x,y)为结构元素,f1(x,y)°b(x,y)表示对f1(x,y)进行开运算,然后选取适当阈值对图像进行分割,得到检测目标。但是,图像的高频部分包含一部分噪声,而且分割阈值的不恰当选取,在目标检测时,会造成检测目标的丢失或者检测到虚假目标。

1.2 改进的Top-hat变换

Top-hat算法很重要的部分是阈值分割。常用的阈值分割方法有:最大熵法阈值分割、自适应阈值分割等方法。本文采用的是分块自适应阈值分割的方法。

具体的方法为:把图像分割成若干个尺寸相同的子块,为了避免在分割区域时,将同一目标划分在不同子块中,在子块分割的时候保证相邻子块中至少有一定的重叠,分别计算各子块中像素的均值μ1,μ2,,μn,均差σ1,σ2,,σn,并计算出图像各子块的候选阈值:

Ti=μi+aσi (2)

a一般取3。

由于当目标出现在某个子块里面时,理想条件下,统计特性上是该子块的均差比较大,设σmax是均差最大的子块,其对应的阈值为:Tσmax,则对各子块候选阈值做如下处理:

${\rm T}{}_i=\{\begin{array}{cc}{\rm T}{}_i& {\rm T}{}_i\ge {\rm T}{}_{\sigma {}_{\max }}\\ {\rm T}{}_{\sigma {}_{\max }}& {\rm T}{}_i<{\rm T}{}_{\sigma {}_{\max }}\end{array}(3)$

得到阈值后,还需对目标进行进一步排除。最后对留下目标做图像连通域检测,保证同一个目标不会被重复检测,这样就完成了单帧图像的小目标检测。

2 SIFT图像配准算法

图像配准是同一场景的两幅或多幅图像在空间上的对准。它主要分为基于灰度和基于特征两大类[2]。本文中采用的SIFT算法即为基于特征的匹配方法。

2.1 SIFT算法流程

(1) 尺度空间极值检测

在图像中,尺度空间图像由图像和高斯核卷积得到[3]:

L(x,y,σ)=G(x,y,σ)*I(x,y) (4)

其中L(x,y,σ)为尺度空间图像,I(x,y)为二维图像,G(x,y,σ)为二维高斯滤波函数,*为卷积。

为了有效地在尺度空间检测到稳定的关键点,利用不同尺度的高斯差分核与图像卷积中的极值点作为特征点。它通过下式得到:

D(x,y,σ)=(G(x,y,kσ)-G(x,y,σ))*I(x,y)

=L(x,y,kσ)-L(x,y,σ) (5)

其中k为常数,常取值为$\sqrt{2}$。

(2) 精确定位特征点的位置,去除噪声点和边缘点

由于DoG值对噪声和边缘较敏感,对上一步中检测到的极值点进行三维二次函数拟和以精确确定极值点的位置和尺度。

之后利用它的Hessian矩阵H:

$\mathit{{\rm H}}=\left[\begin{array}{cc}D{}_{xx}& D{}_{xy}\\ D{}_{xy}& D{}_{yy}\end{array}\right](6)$

来得到主曲率。设α、β分别为H的最大和最小特征值,并且设α=rβ,然后利用矩阵性质:

Tr(H)=Dxx+Dyy=α+β (7)

Det(H)=DxxDyy-(Dxy)2=αβ (8)

得到:

$\frac{{\rm T}r(\mathit{{\rm H}}){}^2}{Det(\mathit{{\rm H}})}=\frac{(\alpha +\beta ){}^2}{\alpha \beta }=\frac{(r\beta +\beta ){}^2}{r\beta {}^2}=\frac{(r+1){}^2}{r}(9)$

若$\frac{{\rm T}r(\mathit{{\rm H}}){}^2}{Det(\mathit{{\rm H}})}<\frac{(r+1){}^2}{r}$,其中r一般取10,则保留该极值点,作为特征点,否则去除,以增强匹配稳定性和提高抗噪声能力[4]。

(3) 确定特征点的主方向

利用特征点邻域像素的梯度方向分布特性为每个特征点指定方向参数,从而使算子具备旋转不变性。(x,y)处的梯度值和方向分别为:

$\{\begin{array}{l}m(x,y)=\sqrt{(L(x+1,y)-L(x-1,y)){}^2+(L(x,y+1)-L(x,y-1)){}^2}\\ \theta (x,y)=\tan {}^{-1}\left(\frac{(L(x,y+1)-L(x,y-1))}{(L(x+1,y)-L(x-1,y))}\right)\end{array}(10)$

在以特征点为中心的邻域内采样,并用梯度方向直方图来统计该像素邻域的梯度方向。

(4) 生成SIFT特征描述符

首先将坐标轴旋转为特征点的主方向,以保证旋转不变性;接下来以特征点为中心取88的窗口中央点为当前特征点的位置,然后在每个图像小块上计算8个方向的梯度方向直方图,得到每个方向的累加值,形成一个种子点,得到32维的SIFT特征向量,将特征向量的长度归一化,则可以去除光照变化的影响。

2.2 RANSAC算法得到图像变换参数

根据得到的特征匹配点对,用RANSAC算法[5],计算出待拼接图像之间的全局变换参数。

RANSAC估计算法的步骤是:

(1) 从n个候选匹配特征点对中随机选取4个点对建立方程组,解出变换矩阵的8个未知参数。

(2) 计算其余(n-4)个特征点经过此变换矩阵的坐标,计算与它的候选匹配点之间的欧氏距离,记为dv。

(3) 若dv小于指定阈值,则该候选特征点为正确匹配点,否则为错误匹配点,并且统计正确匹配点数量;当正确匹配点数量大于总数的95%时,此时的正确匹配点对作为最佳匹配点对集合,执行(5),否则执行(4)。

(4) 再选另外随机选取4对候选匹配点,执行(1)-(3),重复规定次数后,选择具有正确匹配数量最多的集合作为最佳匹配点对集合,执行(5)。

(5) 对这个匹配点对集合中的点对利用最小二乘法得到图像间的变换参数。

3 完整算法基本流程

(1) 对两幅图像(参考图像与实时图像)分别提取SIFT特征描述符。

(2) 对参考图像中的每个特征点向量,计算与实时图像所有特征点向量的距离,找出最佳的匹配点,其中要保证次小距离和最小距离比值大于指定阈值,否则为没有对应匹配点。

(3) 对特征匹配点对利用RANSAC算法,得到图像之间的变换矩阵。

(4) 两幅图像进行拼接时,对重叠部分可以简单进行取平均值;为了较好的完成图像的无缝拼接,也可以利用图像重叠点与每幅图像中心点的距离,得到相应权值,计算重叠点的灰度值[6],这样完成了两幅图像的拼接。(更多图像无缝拼接方法可以参见文献[7])

(5) 本文的序列图像为规则重复扫描固定区域,所以可以根据一次扫描周期,对序列图像进行拼接,得到全景图像。

(6) 之后对所有获得的实时图像在全景图中配准,确定相应位置,设一个和全景图同样大小的矩阵,记录图像相应位置出现的次数N;再设一个和全景图同样大小的矩阵,然后用改进的Top-hat算法对实时图像进行小目标检测,记录相应位置检测到目标的次数n1。

(7) 扫描结束后,分析全景图中每个位置检测到小目标的次数,注意即使每次检测到的是同一位置,但标记时可能有一两个像素的误差,需要做相应连通域处理。计算相应位置被检测到的次数和出现的次数之比,即为$p=\frac{n{}_1}{{\rm N}}$。由于本文中所模拟使用的物体转动规律,检测到的概率为大约80%,另20%由于物体转动,成像几乎融于背景中。

(8) 对每个位置检测到的比例值进行分析,得到全景标记图像中绝大多数位置中的点的比例为10%以下(因为有噪声点的影响,这样也可以用来排除噪声点对目标检测的干扰),可以判定这些点不是目标点;得到有极个别的位置比例接近于1,可以判定这些为虚假目标点(干扰点),这些点成像形状近乎于目标,但是它们没有转动,可以稳定检测到;只有一个位置所得比例接近80%,得到真实目标的正确位置。

4 实验结果

图1为单帧图像(320256)检测结果对比,图1(a)显示了当旋转目标成像较大而且没有其他噪声点干扰时的情况,第一幅图像显示了原始图像,第二幅图像显示了应用改进后的Top-hat算法检测到的目标,第三幅图像显示了真实目标的位置。图1(b)显示了当目标旋转成像变小而且含有其他噪声点干扰时的情况。图1(c)显示了当目标旋转成像几乎融于背景中而且含有其他噪声点干扰时的情况。对比可以得出由于目标旋转,特定检测算法不能稳定检测,而且噪声点会影响检测准确性。

图2里左数第1、2、3、5个方框中的物体的$p\left(p=\frac{n{}_1}{{\rm N}}\right)$值比较高的位置(拼接全景图后,新获得的扫描图像总数为8322帧),第4个方框中的物体为本文算法检测到的真实目标,其余坐标点位置检测率都在10%以下(不做方框标记)。表1给出了这几个位置的检测情况。(全景图像左上角坐标代表(0,0))。

(a) 单帧图像检测 (没有虚假目标)$\begin{array}{l}(\text{b})\text{单}\text{帧}\text{图}\text{像}\text{检}\text{测}\\ (\text{包}\text{含}\text{虚}\text{假}\text{目}\text{标})\end{array}\begin{array}{l}(\text{c})\text{单}\text{帧}\text{图}\text{像}\text{检}\text{测}\\ (\text{包}\text{含}\text{虚}\text{假}\text{目}\text{标})\end{array}$

5 结 语

本文结合图像拼接,提出了一种新的识别小目标的方法。由于地面背景复杂,单独靠一种检测方法会检测到很多虚假目标;而且当目标变化,融于背景中时,使得目标检测变得很困难。由此提出一种先利用SIFT算法进行图像拼接,形成全景图,结合改进的Top-hat算法进行单帧图像检测,然后利用图像配准得到每个位置的检测结果,最终利用被检测到次数与出现次数的比值来确定目标的正确位置的算法。实验证明,本文算法适用于序列图像中规则变化的目标检测。

摘要：在红外序列图像中识别规则变化小目标时,传统Top-hat算法是常用的目标检测方法,但是可能会检测到很多虚假目标,而且目标发生变化时不能稳定检测。为了准确检测目标,提出一种红外序列图像中规则变化的小目标检测方法。首先对序列图像利用SIFT算法提取特征点,然后利用RANSAC算法进行特征匹配,拼接形成全景图像,结合对单帧图像利用改进的Top-hat算法进行小目标检测,并且标记,最后根据标记的统计结果得到真实目标位置。

关键词：尺度不变特征变换算法,图像配准,小目标检测,形态学算法,RANSAC算法,Top-hat算法

参考文献

[1]王江涛,梅雪,林锦国.基于Top-hat变换与主成分分析的人脸识别方法[J].计算机工程与设计,2009,30(2):395-397.

[2]Barvara Z itova,Jan Flusser.Image registration m ethods:a survey[J].Image and Computing,2003,21:977-1000.

[3]David G.Lowe.D istinctive Image Features from Scale-Invariant Keypoints[J].International Journal of Computer V ision,2004,60:91-110.

[4]杨艳伟.基于SIFT特征点的图像拼接技术研究[D].西安:西安电子科技大学,2009.

[5]黄有群,付裕,马广娓.基于RANSAC算法的柱面全景图拼接方法[J].沈阳工业大学学报,2008,30:461-465.

[6]S iavash Zokai,GeorgeW olberg.Image registration using log-polarmap-p ings for recovery of large-scale sim ilarity and projective transformations[J].Image Processing,2005,14:1422-1434.

新的近距离红外目标跟踪算法 第2篇

新的近距离红外目标跟踪算法

提出了一种特征点匹配的近距离红外目标跟踪算法,该算法利用Harris算子提取目标的特征点,然后利用Hausdorff距离匹配帧间的`特征点集,为了减少噪声和杂点的干扰,还引入了特征点邻域相似性度量.该算法在目标出现尺度伸缩、位置平移、角度偏转的情况下仍有较好的匹配性能.实验证明了该算法的有效性和可行性.

作 者：谭园园 李俊山 杨威 TAN Yuan-yuan LI Jun-shan YANG Wei  作者单位：第二炮兵工程学院计算机系,西安,710025 刊 名：电光与控制  ISTIC PKU英文刊名：ELECTRONICS OPTICS & CONTROL 年，卷(期)： 14(3) 分类号：V249.3 TP391.4 关键词：目标跟踪   匹配   Harris特征点   Hausdorff距离  

一种红外图像小目标滤波算法研究 第3篇

在实际测取的信号中不可避免的存在一些与分析目的无关的成分噪声,在信号分析和处理中,为获取信号中反映其特征的有用成分,常采用滤波方法消除这些干扰成分[2].传统的预处理方法体现了图像信噪比与空间分辨率的折衷,缺点是低通滤波在平滑噪声的同时模糊了边缘,而高通滤波虽增强了边缘但也放大了噪声.采用基于小波变换的去噪方法对噪声有很好的抑制能力,而不损害图像的边缘特征,达到较好的图像视觉效果.作为一种数学工具,小波变换[3]对已熟知的傅里叶变换与短时(窗口)傅里叶变换的一个重大突破,为信号分析、图像处理、量子物理及其他非线形科学的研究领域带来革命性的影响.

1 小波变化去噪

采用式(1)作为对图像滤波的模型

f(x,y)=s(x,y)+n(x,y) (1)

其中,s(x,y)是真实图像信号;n(x,y)是独立分布的高斯白噪声;f(x,y)表示含噪信号.小目标图像滤波的目的就是要尽可能的将n(x,y)从f(x,y)中平滑掉,同时保持s(x,y)的特征.记离散小波变换的变换矩阵为W,则对式(1)进行小波变换得到

这里,undefined

由小波变换的特性可知,高斯白噪声的小波变换仍然是高斯分布,它均匀分布在频域的各个部分上.而真实的小目标图像由于其带限性,它的小波变换仅仅集中在频域上的某个区间内[4].根据小波分析的理论,小波变换具有带通滤波的特性,可将信号分解到不同的频带,不同的参数决定了不同的滤波频带或小波子空间,且正交小波变换确定的各小波子空间无交集[5],因而对含有确定性噪声的信号,即信号中的有用成分和噪声在频域上呈现分离状态时,可以通过小波变换将信号分解到不同的频带上,将有用信号和噪声分离开,将某一和某些频带信号置零,由重构算法重构除噪后的信号.

小波系数阈值去噪方法分为硬阈值法和软阈值法[6]2种.阈值滤波主要根据Gauss白噪声在小波变换域的能量主要集中于幅值较小的小波系数这一特点来设置阈值,并使低于该阈值的小波系数置为零,从而使信号中的噪声得到有效的抑制.

2 小波去噪的具体算法实现

(1)对一幅含有噪声的图像进行一次小波变换,得到4个分量,即

LLundefined=W0yjm,(k,l)

HLundefined=W1yj,(k,l)

LHundefined=W2yj,(k,l)

HHundefined=W2yj,(k,l)

其中,(k,l)表示小波变换系数为二维,j=1,2,,Jm为分解层次.

(2)对小波系数进行非线性阈值处理

为保持信号的整体形状不变,保留所有的低频变换系数对每个小波系数,采用软阈值和硬阈值方法进行处理,如图1所示.

对图像而言,软阈值:

undefined

其中,j=1,2,,Jm为分解层次.

硬阈值:

undefined

软阈值法获得的重构信号具有更好的光滑性,但误差相对较大.硬阈值法获得的重构信号具有更好的逼近性,但有附加振荡.在去噪中软阈值的使用会更多一些.

(3)进行小波逆变换由所有低频尺度系数,以及经由阈值处理后的小波系数作逆小波变换进行重构,得到原始信号的估计值.

3 小波方法预处理仿真实验与分析

对外场实拍图像加上均值为0,方差为0.002的高斯噪声进行去噪处理.用小波函数sym4对图像进行二层分解,首先提取小波分解中第一层的低频图像,即将高频系数全部置0,实现了低通滤波.然后再提取小波分解中第二层的低频图像,即将二层高频系数置0,相当于把第一层的低频图像经过再一次的低频滤波处理.图2给出去噪结果.

对图像加上均值为0,方差为0.005的高斯噪声,选用coif2小波进行分解,分别采用硬阈值法和软阈值法进行图像消噪,阈值的计算按熵标准,为了对比给出中值滤波的结果如图3.

以上均是在MATLAB环境下进行仿真的.从仿真结果可看出,利用小波的特性对高频系数置零的去噪方法,由于将部分高频系数强制置零后,再重构信号,这样必使信号丢失一些细节,使图像变得模糊;小波系数阈值的去噪方法的仿真结果较对高频系数置零的去噪方法要好些,硬阈值处理后得到的结果一般较软阈值得到的粗糙,引起的原因主要是硬阈值在y=±T处不连续,而软阈值在y=±T处是连续的,且软阈值是硬阈值的扩展,它首先令绝对值小于阈值的元素等于零,然后将其余非零的元素向零进行缩小.由于小波系数阈值去噪方法是利用阈值来去噪的,因此它要求信号与噪声谱的幅度是尽可能不同,所以它难以恢复信噪比较低的信号,这是很易理解的,信噪比较低的信号,噪声的幅度和信号的幅度差不多,因而基于小波系数阈值去噪的方法就难以把它们区分开来,但是在同一信噪比的条件下它的去噪效果还是要比其他方法的去噪效果好.

4 结 束 语

研究了小波分析理论、小波阈值法去噪算法,并且仿真试验了小波去噪的效果及和传统方法的比较.基于小波变换的去噪方法,对非平稳信号的去噪声,要比传统的滤波去噪声得到的效果好,主要是由于传统的滤波器都具有低通性,对需要分析在每个时刻含有频率成份的非平稳信号来说,是很难对它进行匹配分析.而小波变换具有多分辨率,时频域都具有局部性,因此很适合用来分析非平稳信号,在用小波分析来进行去噪的关键在于阈值的选取,如果阈值选得太高.会使信号失去太多细节,使信号失真,如果阈值选得太低,又不能达到去噪的目的.具体的选用根据实际情况选定.

参考文献

[1]杨丽.红外图像目标识别跟踪技术及其DSP实现[J].红外技术,2001,7(21),36-37.

[2]程正兴.小波分析算法与应用[M].西安:西安交通大学出版社,1997.

[3]靳济芳.Visual C++小波变换技术与工程实践[M].北京:人民邮电出版社,2004.

[4]陈武凡.小波分析及其在图像处理中的应用[M].北京:科学出版社,2003.

[5]Daubechies I.Ten Lectures on Wavelets[M].CapitalCity Press,1992.

红外小目标 第4篇

红外成像具有动态范围大、抗干扰能力强, 昼夜可辨等相对传统光电成像技术的这些优点, 使得红外成像技术得到了迅猛的发展。在快速发展的红外成像技术中, 对红外小目标的检测成为当下研究的一个重点课题。

本文构建的红外小目标的检测系统, 采用高速DSP (TMS320C6416) 和FPGA搭建硬件处理平台, 整个硬件构架满足了红外图像的实时采集和算法处理的要求, 嵌入目标检测算法实现对红外目标的实时检测。该检测算法是基于目标增强的目标提取算法, 算法包含图像行阵列相减的目标增强和区域生长的分割提取两部分组成, 实现了红外目标的检测, 满足了检测系统的实时性和准确性的要求。

2 硬件设计

本文的红外目标检测系统的硬件平台是基于TMS320C6000系列的dsp C6416和FPGA组成的系统。在系统中高速DSP占据着十分重要的地位, 采用的TMS320C6000系列包含TMS320C62xx和TMS320C64xx两个定点系列和TMS320C67xx浮点系列。该系列芯片内部是由CPU、存储器和外部设备组成。文中采用的TMS320C6416定点高性能数字信号处理器, 拥有8个并行处理单元, 工作频率为600Hz, 其最高的处理速度达4800M/S。在一个指令周期内可以同时执行8条32位的指令, 结合FPGA和外置SDRAM, 实现红外图像数据帧的采集、处理和输出, 完全满足实时检测的需要。系统框图如图1所示。

3 检测算法设计

本文的基于目标增强的目标检测算法由目标增强和分割提取两部分组成, 首先采用图像阵列的行相减, 实现目标的增强, 抑制背景噪声, 然后再结合区域生长算法提取出目标, 完成检测算法的实现。

3.1 目标的增强

由于红外图像显示的是场景目标的热辐射特性, 红外目标的增强也可以理解成对背景的抑制, 在大气环境中, 其辐射特性也就是温度特性是随着海拔的升高而降低, 然而在同一视角下, 热辐射差异较小, 反应在图像数据帧上, 即行与行之间的差异较小, 利用这一特性, 同一行的像素值与同行的灰度均值相减, 可以很好的抑制大气背景中的云和物体, 算法公式如下所示:

3.2 目标提取

经过目标增强后的图像数据, 采用区域生长的算法提取目标。区域生长算法是根据定义的生长规则, 把像素或子区域集合成较大区域的处理方法。本文这里, 结合增强处理后的红外目标的图像特性, 即目标灰度值较高且目标面积较小来设置生长准则, 提取出目标

结合了目标和背景在红外图像中的特性, 在文中的硬件平台上嵌入上述基于目标增强的目标检测算法, 能很好的检测出红外图像中的小目标, 满足了检测系统的准确性和实时性的要求。

4 实验验证

本实验基于TMS320C6416和FPGA的硬件平台, 将文中的目标检测算法利用CCS3.3实现代码编程, 对红外传感器采集的图像实时处理和输出, 图2是对320X256视频帧的原图截取和小目标提取后的效果图, 可以看出图中的目标被很好的提取出来, 满足目标检测的准确性和实时性的要求。

5 总结

本文基于高速DSP和FPGA的硬件结构的红外目标检测系统, 硬件结构容易实现且满足系统的实时性要求, 嵌入基于目标增强的目标检测算法。经过实验验证文中构建的系统提高了红外小目标的检测准确性, 同时满足实时检测的要求。

参考文献

[1]胡楷, 钱惟贤, 陈钱, 顾国华, 任建乐.基于TMS320C6678的KLT跟踪算法的改进与实现[J].激光与光电子进展, 2014, 51 (041001) :1-9.

红外小目标 第5篇

关键词：红外小目标,检测算法,最小一乘,背景预测

1 引言

弱小目标的检测问题是精确制导、光电子领域中的一个重要问题。当成像系统和目标的相对位置较远时,目标在成像平面内仅表现为几个像素,信噪比较低,目标极易淹没在噪声中。背景预测是一类比较有效的小目标检测方法。传统的背景预测方法都是基于预测误差平方和最小的最小二乘准则,其主要原因在于最小二乘方法成熟,理论完善,其解可以用简明的表达式给出。然而,最小二乘法对异常点敏感,鲁棒性较差,当信号的信噪比降低时,最小二乘估计的线性预测系数会有很大的变化。在数理统计上,人们用“稳健性”刻画一个方法受异常值影响的程度。通常,人们认为回归模型中的随机误差服从正态分布,在这个假设下,理论上可以证明,最小二乘有一些优良的性质,但是在一些实际应用中,误差不能认为有正态性,而是服从一种尾部占更大比重的分布,理论证明,在这些情况下,最小一乘估计的统计性能优于最小二乘估计,且具有不可替代的优越性[1]。另外对一给定的容量有限样本,最小一乘估计对异常值、误差分布、精度、随机删失[2,3]以及污染数据[4]的稳健性比最小二乘估计强得多,即便是在误差服从正态分布的条件下,也不例外。最小二乘估计对异常点和误差分布的偏离很敏感,当样本数据较少,且存在异常点时,采用最小二乘所得的回归模型对未知样本的预测精度会相当的低,这是因为与常规数据相比,异常数据的偏差要大的多,其平方值相对更大,为了压低平方和,回归模型就不得不“迁就”这些点,最终增加了异常点对回归模型的影响,从而导致回归模型的失真。

红外成像系统的噪声主要有两部分组成,一部分只与响应波段内天空背景的红外辐射亮度有关,另一部分只与红外成像系统内部参数有关,这些噪声中主要是白噪声和非平稳的1/f噪声。由于红外辐射亮度无法估计,所以通常只研究后一部分噪声。文献[5]提出了一种对红外图像噪声的基于小波变换的估计方法,通过小波函数表述1/f的随机过程,并采用最大可能性方法来估计参数r。当估计值r为零时,说明误差服从正态分布;当估计值r不为零时,说明误差不服从正态分布。在红外小目标图像中,由于小目标的存在,分析的数据中经常含有少量的异常点,而且在进行估计的过程中,通常我们只取少量的点进行估计,由于当样本数据较少,且存在异常点时,最小二乘估计所得的精度比较低,所以在红外小目标检测的应用中,使用最小一乘的估计[6,7]能取得更好的效果。虽然基于最小一乘准则的参数提取由于其目标函数是绝对值求和,不可求导,传统基于求导的优化方法显得无能为力,但线性规划的方法为此类优化问题提供了有力的工具,这使得求解最小一乘准则下的极值问题变得可行。

本文提出了一种基于最小一乘背景预测的红外小目标检测算法。首先在建立最小一乘准则背景预测模型的基础上,根据最小一乘估计的性质,应用线性规划的方法解决最小一乘估计中极值的选取问题;然后将原始图像与预测图像相减得到预测残差图;最后利用基于二维指数熵的图像阈值选取快速算法进行检测。文中给出了实验结果与分析,并与基于最小二乘背景预测的检测算法进行了比较。

2 背景预测的思想

对于弱小目标来说,它本身除了灰度信息以外很难找出别的特征(例如形状特征和几何结构特征等)。因此用来检测、识别弱小目标的可用信息除了目标本身的灰度信息外,还必须采用目标周围的灰度分布和灰度起伏特征[8,9,10]。假设在弱小目标的检测、识别中得到的图像,背景在一个小区域内不会有大的起伏,而目标总是在它所在的小区域里具有较突出的变化,因此,背景中任何一个像素点,它的灰度值与周围像素点的灰度值有较强的相关性;而对属于目标上的像素点,它的灰度值与周围像素点的灰度值相关性较差。这就是利用背景预测来检测弱小目标的出发点。假设x为尺寸为MM的输入图像,xˆ为相应的预测图像,一般情况下背景预测的模型为

式中:为像素点(i,j)的预测灰度值,W={w(m,n)}为权值矩阵,NN(N为奇数)为预测窗的大小。将预测图像与原始输入图像进行比较,得预测残差图像,即:

此时在预测残差图像上进行门限检测,再经过相应的比较和判别来确定在单帧图像上的候选目标,并确定目标点的位置;也可以先对残差图像进行非线性变换以提高残差图像的对比度,然后进行门限检测。

3 最小一乘背景预测模型及其算法

一般w(m,n)的选取都采用最小二乘准则,首先求预测误差平方和SSE:

然后进行求导,令导数为零即可以计算出对应于误差平方和最小的w(m,n)。而最小一乘准则为预测误差绝对值和SAD最小准则,即:

由于最小一乘准则涉及绝对值,不能求导,因此最小值问题采用线性规划方法来解决:

假设预测图像,令则:

根据假设,误差可以改写成:

综上所述,求解w0,w1,w2,,wk的问题可以归结为如下线性规划问题[11]:

约束条件为

4 目标分割

在相减后的残差图像上进行目标分割,采用我们提出的基于二维指数熵的图像阈值选取快速算法[12]分割目标。

一维指数信息熵是基于图像的原始灰度直方图,仅用像素自身灰度信息而未考虑像素点的空间分布,对噪声和灰度空间分布不均匀等因素的影响十分敏感。二维指数熵阈值分割算法充分利用了图像像素自身及像素点之间的空间关系,建立起二维直方图来选取最佳阈值,空间关系的引入提高了算法的抗噪性。

假定p(i,j)为直方图中(i,j)点出现的概率,s和t分别为灰度级阈值和邻域平均灰度级阈值。则目标和背景两类的二维指数熵分别定义为

其中

与最大Shannon信息熵类似,利用我们提出的阈值分割快速算法使选取的最优阈值向量(s*,t*)符合以下判别函数:

5 实验结果与分析

本文采用了多组红外小目标图像序列进行实验。任取300帧图像,基于最小一乘预测算法有285帧检测正确,检测概率为95%,而基于最小二乘预测算法有240帧检测正确,检测概率为80%。由此可见基于最小一乘预测算法的检测精度明显优于基于最小二乘预测算法的检测精度。

为便于说明,下面给出了其中两组图像序列的实验结果。图1和图2分别为第一组红外图像序列的第164帧和第168帧,这一组红外图像序列是标准的云层背景,特点是信噪比比较低,目标掩盖在云层中较难检测。图3为对图2用最小一乘背景预测后得到的残差图像,图4为对图2用最小二乘背景预测后得到的残差图像,图5为对图3进行阈值分割的结果,图6为对图4进行阈值分割的结果。图7和图8分别为第二组红外图像序列的第60帧和第61帧,这一组红外图像序列是标准的海天背景,特点是其中有两个小白点,上面一个小白点是属于背景的,是静止的,下面一个小白点是小目标,是运动的。图9和图10是对图8分别用最小一乘背景预测和最小二乘背景预测得到的残差图像。

对实验结果的分析和比较如下:

1)从图3和图4所示的两种算法的预测残差图像中可以明显地看出:最小一乘预测所得到的残差图像明显滤除了大部分的背景,目标清晰可见;而由最小二乘预测所得到的残差图像中目标也较为明显,但是有些背景没有滤除,增大了后续目标分割的难度和目标检测的虚警率;

2)由图5和图6可看出:由最小一乘预测所得到的阈值分割结果明显优于由最小二乘预测所得到的阈值分割结果。从图6可以看出,虽然目标可以检测出来,但有许多虚警点,而图5所得到的结果中则没有;

3)图9和图10为对图像序列2分别用两种算法所得到的预测残差图像,由于图像序列2的信噪比较高,所以没有经过分割,已经可以明显看出目标。但从图10中可以看出,最小二乘预测容易把另外一个小白点也检测为目标,而最小一乘预测则不存在这个问题,这主要是由于最小二乘法对异常点敏感,鲁棒性较差,背景有弱小的变化时会引起较大的检测误差。

6 结论

本文提出了一种基于最小一乘估计的背景预测检测红外小目标的算法。在建立最小一乘准则背景预测模型的基础上,应用线性规划的方法解决最小一乘估计中极值的选取问题,然后将原始图像与预测图像相减得到预测残差图像,最后利用基于二维指数熵的图像阈值选取快速算法进行分割。实验结果表明,本文提出的基于最小一乘背景预测的检测算法具有更高的检测概率,优于基于最小二乘背景预测的检测算法。

参考文献

[1]蒋建成,许溢宏,郑忠国.基于L-1范数拟合的AR(P)模型的稳健的拟合优度检验[J].中国科学A辑,1998,28(11):973-980.JIANG Jian-cheng,XU Yi-hong,ZHENG Zhong-guo.Robust Goodness-of-fit Test of AR(P)Model Based on L-1Norm Fitness[J].Science in China(Mathematics),1998,28(11):973-980.

[2]陈希孺,白志东,赵林城,等.线性模型中最小一乘估计的渐近正态性[J].中国科学A辑,1990,20(5):449-463.CHEN Xi-ru,BAI Zhi-dong,ZHAO Lin-cheng,et al.Asymptotic Normality of Least Absolute Estimation in Linear Models[J].Science in China(Mathematics),1990,20(5):449-463.

[3]周秀轻,王金德.随机删失数据非线性回归模型的最小一乘估计[J].中国科学A辑,2005,35(4):387-403.ZHOU Xiu-qing,WANG Jin-de.Nonlinear Regression Models With Randomly Censored Data Based on the Least Absolute Estimation[J].Science in China(Mathematics),2005,35(4):387-403.

[4]任哲,陈明华.污染数据回归分析中参数的最小一乘估计[J].应用概率统计,2000,16(3):262-268.REN Ze,CHEN Ming-hua.Least Absolute Deviation Estimator of Parameter in Regression Analysis for Conramination Data[J].Chinese Journal of Applied Probablility and Statistics,2000,16(3):262-268.

[5]ZHI Yong-li,ZHEN Kang-shen.An Estimation Method Based on Wavelet Transformation for Infrared Image Noise[C]//IEEE1996National Aerospace and Electronics Conference(NAECON,1996).Dayton,OH,USA:IEEE,1996:331-335.

[6]谢开贵,宋乾坤,周家启.最小一乘线性回归模型研究[J].系统仿真学报,2002,14(2):99-102.XIE Kai-gui,SONG Qian-kun,ZHOU Jia-qi.A Linear Regress Model Based on Least-Absolute Criteria[J].Journal Of System Simulation,2002,14(2):99-102.

[7]杨莉军,张二艳,许燕.最小一乘算法在回归分析问题上的应用研究[J].北京印刷学院学报,2003,11(4):52-54.YANG Li-jun,ZHANG er-Yan,XU Yan.Application of Least-Absolute Criteria to Regression Analysis[J].Journal of Beijing Institute of Graphic Communication,2003,11(4):52-56.

[8]XU Ying.Small Moving Target Detection in Infrared Image Sequences[J].Infrared Technology,2002,24(6):27-30.

[9]陈振学,汪国有.基于自适应背景预测的红外小目标检测算法[J].激光与红外,2005,35(8):608-612.CHEN Zhen-xue,WANG Guo-you.Infrared Small and Weak Targets Detection Based on Self-adaptive Background Forecast[J].Laser&Infrared,2005,35(8):608-612.

[10]李吉成,沈振康,鲁新平,等.基于背景杂波自适应预测的红外弱小目标检测[J].激光与红外,2004,34(6):478-482.LI Ji-cheng,SHEN Zhen-kang,LU Xin-ping,et al.Weak and Small Target Detection Based on Adaptive Predictions of IR Background Clutter[J].Laser&Infrared,2004,34(6):478-482.

[11]董建,谢开贵.基于最小一乘准则的非线性回归模型研究[J].重庆师范学院学报(自然科学),2001,18(4):71-74.DONG Jian,XIE Kai-gui.Research of the Non-Linear Regress Models Based on the Least Absolute Criteria[J].Journal of Chongqing Normal University(Natural Science Edition),2001,18(4):71-74.

红外小目标 第6篇

关键词：形态学,邻域差值,小目标,信噪比

红外目标检测是从红外图像中检测并提取出目标的过程[1]。但是由于多种因素的影响[2],所成图像通常信噪比低、对比度差,小目标形状和面积信息均不明显[3],在天空云层背景和海面亮带背景下,极易被背景所覆盖,隐身技术的发展和应用更是为红外弱小目标检测带来一定的挑战。

红外图像处理包括多种算法,根据选择的处理信息的不同,主要包括频域法[4]、空域法[5]、聚类算法、形态学算法[6]、神经网络法等。频域法是从频率域对图像进行处理,概念较为抽象,常用的方法有小波变换[7]、滤波法、剪切波法[8]等,由于孤立的高频噪声的影响,这类算法在提取目标的过程中,容易出现多个虚假目标点;空间阈算法通常算法较为简单,直接依据空间各像素信息,常见的有梯度处理[9]、灰度均值处理等,在处理图像时,容易形成过分割或者错误地将目标部分归为背景,通常需要组合不同的算法;作为新兴的图像处理算法,形态学和神经网络法[10]因其独特的优势越来越受到人们的欢迎,使用范围也越来越广,但算法在处理问题时有一定的局限性。通过研究天空背景红外图像特征,采用形态学算法对原始图像进行预处理,剔除噪声的影响,然后根据图像像素在水平和垂直方向上灰度变化较为平缓的特性,利用对角线邻域像素差值信息,对噪声抑制后的图像进行红外小目标检测。

1 天空背景红外图像特征分析

红外成像是对视场场景的红外辐射能量大小和分布的描述,含有弱小目标的单帧红外图像可描述为

其中,(x,y)为像素点坐标;T(x,y)、B(x,y)、N(x,y)分别表示目标、背景和噪声在(x,y)处的灰度值。分析红外图像的特点可知:

(1)红外目标:目标是图像中的突变,在图像中占据较少的像素,虽然在整幅红外图像中其灰度值未必是最大值,但是从局部来看,要大于周围背景区域,存在着一定的对比度差异。

(2)噪声:是目标检测的直接影响因素,包括背景噪声和系统噪声,其中系统噪声主要是由传感器和器件内部电路产生的噪声总和,可以使用一定的方法进行减小或者消除,而背景噪声属于瞬时噪声,存在不确定性,但在时间上可认为是服从高斯分布的白噪声。噪声的存在极大地影响了红外图像中小目标的检测。

(3)天空背景:天空背景是构成红外图像的主要部分,通常表现为大面积的缓慢变化区域,占据红外图像的低频部分,一般灰度起伏变化不大。

2 红外小目标检测算法

2.1 形态学滤波抑制背景噪声

形态学的基本思想是:用一定的结构元素去度量和提取图像中的对应形状,去除不相干的结构,以达到图像分析和识别的目的。形态学算法是一种空域滤波法,滤波效果与传感器漂移抖动给图像序列带来的影响几乎无关。形态学采用开操作消除与结构元相比,尺寸较小的亮噪声,用闭操作消除与结构元相比,尺寸较小的暗噪声,并保持图像整体灰度和大的亮、按区域基本不受影响。具体做法是:

用结构元b(s,t)对输入图像f(x,y)进行灰度膨胀和腐蚀,分别记为下式

式中,Df和Db分别为f(x,y)和结构元b(s,t)的定义域。用结构元b(s,t)对输入图像f(x,y)进行灰度开启和闭合运算,分别记为

由于红外弱小目标在图像上表现为灰度的奇异点,选取大小合适的结构元,采用高帽和底帽变换,可实现大部分的图像背景噪声抑制。高帽That和底帽Bhat变换如下

2.2 邻域信息目标检测

红外图像反映的是场景内各部分的红外辐射大小和分布,从空间上看,构成目标的像素点在水平或者垂直方向上是一个灰度渐变的过程,但是在对角线方向上,目标的边缘部分灰度变化更为明显,且目标在局部区域灰度值要大于背景区域,是像素灰度的突变。据此,针对采用形态学进行噪声抑制的红外图像,采用如图1所示的3×3模板遍历图像,依据式(8)、式(9)进行目标像素检测。

式中,ε为调整系数;为模板所有像素点的灰度均值。

式(8)保证了当前像素点是局部区域的突变,即检测可能属于目标的像素点,而式(9)利用构成目标的像素点在对角线方向上的灰度变化特性,对目标像素点与背景像素进行区分,进而检测小目标,其中ε的大小直接作用于检测结果。

3 仿真实验与结果分析

依据文中算法,对仿真生成含高斯白噪声的天空背景下的红外小目标图像进行处理,同时采用阈值分割法和K-means聚类算法进行处理,结果如图2所示。其中,图2a为原始红外图像;图2b为形态学去噪结果;图2c为文中算法最终结果;图2d为阈值分割检测结果;图2e为K-means聚类算法处理结果。不同算法采用的参数见表1。

在检测过程中,文中构造的属性集中,ε值的大小对检测结果产生一定的影响,若其值较大,则容易将背景部分错误的划为目标点,相反,其值过小,则满足检测条件的像素点过少,容易将目标点划为背景部分;阈值分割算法由于简单地对整幅图像采用统一的阈值进行分割,其值过大导致将部分目标点化为背景区域,未能完整检测出目标;K-means聚类算法采用图像梯度作为聚类依据,为了形成完整闭合的轮廓导致某些像素点的错误聚类。

4 结论

受到多种因素的影响,红外小目标图像存在信噪比低、对比度差的问题,目标容易被背景所覆盖。研究天空背景红外图像特征,针对图像场景各部分的特点,采用形态学算法对原始图像进行预处理,剔除噪声的影响,然后利用图像像素间的相关性,即若同为目标像元,则在水平和垂直方向上,灰度变化一般较为平缓,据此利用对角线邻域像素差值信息,对噪声抑制后的图像进行红外小目标检测。对仿真生成的图像进行小目标检测,并与传统算法相比,该算法能够较为有效地检测出小目标。

参考文献

[1]王莹莹,何苹,魏彤,等.二维信息熵的红外图像分割算法[J].空军工程大学学报(自然科学版),2015,16(1):77-80.

[2]王玲玲,辛云宏.基于形态学与遗传粒子滤波器的红外小目标检测与跟踪算法[J].光子学报,2013,42(7):849-856.

[3]陈勇,严高师,余锋.基于环带结构的形态学红外目标检测方法[J].光电技术应用,2013,28(4):45-48.

[4]孙红光,张瑾,潘毓学,等.云层背景下粒子滤波目标跟踪方法研究[J].东北师大学报(自然科学版),2010,42(1):41-46.

[5]罗有敢,杨德贵,庄钊文.时空域滤波方法在红外弱小目标检测系统中的应用[J].红外与激光工程2010,39(3):571-575.

[6]康令州,陈福深,王德胜,等.基于形态学算法的红外图像小目标检测方法研究[J].光电工程,2010,37(11):26-31.

[7]于国桥,刘天华.基于小波变换的红外图像去噪[J].红外,2007,28(2):25-27.

[8]邹瑞滨,史彩成,毛二可.基于剪切波变换的复杂海面红外目标检测算法[J].仪器仪表学报,2011,32(5):1103-1108.

[9]李晓龙,王江安,马治国.基于多向梯度背景预测的红外目标检测算法[J].现代电子技术,2010(12):103-107.

红外小目标 第7篇

近年来,红外探测系统因其具有隐蔽性,抗干扰性,全天候工作等特点,在现代战争中具有重要的作用,而红外图像中小目标的检测的效果将直接影响制导系统的有效作用距离及设备的复杂程度,在红外成像制导和预警系统中发挥着举足轻重的作用。

所谓小目标,是指当成像系统和目标相对位置较远时,目标在整幅图像中所占的像素不超过80像素(99),约是一幅256256图像的0.12%。而本文中所检测的小目标小于40像素(66),约是一幅256320图像的0.048%。正是由于小目标检测的重要性,国内外众多学者在这方面也做出了很多研究,同时也取得了一定的成就。

在国外,Bauch[1]等人提出,通过采用一组时间上的高阶差分来抑制背景干扰,而这种方法对于运动目标有一定的效果,但是在图像信噪比低的时候,呈现出较差的效果。Liou S P和Jian R C提出的运动目标检测方法是基于时空空间中运动轨迹任一点上切线和法线的正交性,但是为了得到图像函数的时间和空间偏导数,必须实时完成在时空空间中的三维曲线拟合,因而增加了计算量,同时对于静止的目标也没有什么太好的效果。

国内在小目标检测方面也做了大量的工作,提出了迭代统计平均检测法、HOPFIELD神经网络法、全局搜索法等小目标检测方法。但是由于背景的不同,小目标运动轨迹、速度及姿态的变化,各种检测算法的计算量大等原因,故至今尚无十分理想可实时实现的算法。

本文在通过对形态学算法的研究的基础上,利用一种分块自适应阈值和小范围内目标检测的方法检测静止的红外小目标。

1 形态学算法基础

数学形态学方法[2,3,4]是一种非线性滤波方法,它最先被用来处理二值图像,后来被引用到灰度图像处理。基本思想是:用一定的结构元素去度量和提取图像中的对应形状,去除不相干的结构,以达到图像分析和识别的目的。

灰度形态学的基本运算有四个:膨胀、腐蚀、开运算和闭运算。基于这些基本运算可以推导和组合各种数学形态学的使用算法。

设f(x,y)为输入图像,b(x,y)为结构元素,其中(x,y)为图像平面空间的坐标点,f为(x,y)点的灰度值,b为点(x,y)的结构函数值,Df和Db分别是f和b的定义域,上述四种基本运算的表达式为

1)膨胀:

其中[(s-x),(t-y)]∈Df;(x,y)∈Db。

2)腐蚀:

其中[(s+x),(t+y)]∈Df;(x,y)∈Db。

3)开运算:

4)闭运算:

其中:开运算有些像非线性低通滤波器,但是又与低通滤波器不同,开运算可以允许高频部分中大于结构元素的部分通过。Top-hat算子就是利用了开运算的上述性质来进行目标检测的。

Top-hat算子的定义为

其中f1(x,y)◦b(x,y)表示对f1(x,y)进行开运算。

经过Top-hat处理后的图像,目标和背景在能量上差别较大,大部分像素都集中在低灰度区,只有目标和小部分噪声分布在高亮度区,如图1为原始图像,如图2为经过Top-hat处理的图像及其直方图统计结果,但是,从图中我们可以发现,图像的高频部分包含一部分噪声,单独的阈值法并不能将目标和背景完全区分开,并且由于阈值选取的问题,在检测中会造成目标丢失或者产生虚警。

2 形态学算法的改进[8]

本文在形态学Top-hat算子的基础上采用一种分块自适应阈值和小范围内目标检测的方法,来对目标进行检测,在实际处理中发现,这个算法能够有效的抑制虚警,大大的提高了目标被检测出的概率,并且对不同的环境具有一定得鲁棒性。

2.1 分块自适应阈值的确定

我们将图像按照坐标分块,并对每一块选取一个合适的阈值进行分割,这种与坐标相关的阈值选取方法称为分块阈值方法[5]。

常用的阈值分割方法有:最大类间方差法[6,7],最大熵法阈值分割[9],局部小目标可辨识度作为阈值分割[10],自适应阈值分割等方法[6],本文采用的是分块自适应阈值分割的方法。

具体的方法为:把图像分割成若干个尺寸相同的子块,为了避免将同一目标在分割小区域时划分在不同子块中,在子块分割的时候保证相邻子块中至少一定的重叠,分别计算各子块中像素的均值μ1,μ,2,，μi,平均差σ1,σ,2,，σi,并计算出图像各子块的候选阈值:

a为经验系数一般为4~6。

由于当目标出现在某个子块里面时,统计特性上是该子块的方差比较大,设σmax是平均差最大的子块,其对应的阈值为Tσ。则:

这种方法对采用全局阈值不容易分割的图像有较好的效果。本文考虑到算法的实时性和处理的效果之间的关系将图像分为9个子块处理。

2.2 小范围内目标检测原理

1)经过阈值处理后的图像中只有很少的像素点的灰度值大于0,对于这样的图像,从图像的左上角第一个像素开始遍历整个图像矩阵,当找到像素的灰度值大于0的位置时,将此像素的位置坐标和灰度值存入到一个数组中,记为Posed B,与每个Posed B相对应产生一个统计数count,于是得到了一个数组序列Posed B(i)和counti。数组的形式如表1所示。

2)依次从头遍历Posed B(i)序列中的每一个数组,并与数组序列中的最后一个数组Posed B(end)进行比较,若两者之间的位置坐标满足在一定范围S1内,则比较两者之间的灰度值大小,将两者之间灰度值的大的那个数组中的相应值赋给Posed B(i)中,相对应的counti=counti+countend,并且将最后一个数组清空。改变后的数组的形式如表2所示。

3)依次按照2)中的方法从头遍历Posed B(i)序列中的每一个数组,并与序列中新的的最后一个数组比较,最后得到一个新的序列Posed B(i)和与之相对应的统计个数counti。这时Posed B(i)中的每一个数组对应图像中可能出现的疑似目标的位置及其相关信息,按以下方法在对这些疑似点进行进一步的判断。

4)在原始图像f1(x,y)中,在每一个可疑点附近取一个小区域S2,取可疑点周围四邻域内的次最大值为阈值,对区域S2内的图像进行分割,大于阈值的像素点保留原值,小于阈值的为0,阈值分割后,求S2内与可疑点连同的区域,通过判断连通域的形状以及连通域所包含像素点的个数,当这两者满足一定条件的时候记住该点的位置信息Posed B(i)和该点的统计次数counti。

5)并按照4中的方法依次判断其他点,在满足上述条件的可疑点中,求统计次数counti最大的点多对应的连通域的中心点,此点记为目标的中心点。

本文中S1的大小取为66,S2的大小取为3232。

2.3 算法基本流程

整个算法的流程图如图3所示,具体步骤为

1)利用Top-hat算子对原图f1(x,y)进行预处理,得到差值图像f2(x,y)。得到的差值图像如图1和图2所示。

2)对得到的差图像f2(x,y)进行初步的阈值分割,

若得到图像f2(x,y)中仅有一个斑块,可以判为目标点,重新处理下一帧图像。否则,执行下面的操作。本文中T一般取经验值为40∼60。在本次仿真所用的场景中最初阈值取值为T=45。

3)取图像f2(x,y)水平,垂直,45°方向,135°方向的四个方向的梯度,并对上述四个方向的梯度图像进行叠加,得到f3(x,y),以达到增强目标的作用。

4)采用分块自适应阈值的方法确定阈值Th,本文中将图像分为9个子块处理,在仿真中得到阈值Th=262。

5)疑似目标的确定:对f3(x,y)进行阈值分割,把小于阈值Th的灰度置为0,大于阈值Th的灰度值不变,如图4所示。

如果连续有三个像素点的值大于0,则把这三像素点中灰度值最大的点作为候选的疑似目标mi。

6)根据小范围内目标检测原理,检测出目标的位置坐标,返回坐标并进行下一帧图像的处理。如图4所示。

在仿真试验中,我们记录了当前帧图像中所检测到的所有点的坐标值和被检测到的次数,如表3所示,其中被检测次数最多的位置即为真实目标的位置,在图5中用红色线框表示出来。

2.4 仿真结果

我们选取两个场景中的300帧图像,运用本文提到的方法进行目标检测,在仿真结果中随机取4帧图像显示,如图6所示。并且在检测中记录每一个场图像中各幅图像的目标被检测出来的次数如表4所示,并根据“检测概率=被检测到图片个数/图片总数”得到目标检测的检测概率和虚警率。通过仿真结果我们发现,这种方法对于图六中的两个场景同样适用,具有一定得鲁棒性。

3 结论

本文首先研究了形态学Top-hat算子,分析了单独的Top-hat算子不能正确检测出目标的原因,并针对以上问题,采用了一种分块自适应阈值和小范围内目标检测的方法对单帧图像中小目标进行检测,通过仿真实验发现,这种方法能够在一定程度上减少实际检测中的虚警率,增加目标检测的准确性,并通过两个不同场景的实现发现,这种算法在一定程度上能够提高检测的鲁棒性。

摘要：研究了单帧红外图像小目标的检测问题。对传统基于数学形态学的Top-hat算子进行分析和实验,发现依靠单独的Top-hat算子并不能准确地检测出目标,文章在Top-hat算子的基础上,利用一种分块自适应阈值和小范围内目标检测的方法进行目标检测,通过MATLAB仿真发现,这种方法能够在一定程度上提高单帧图像目标检测的成功率。通过在两个不同的场景中的实验结果分析,发现这种方法不仅适应于单一环境,在实际应用中具有一定的鲁棒性。

关键词：红外图像处理,形态学算法,自适应阈值,小目标检测

参考文献

[1]Bauch H E,Futterman W I,Kemmer D B.Back-ground suppression and tracking with a staring mosaic sensor[J].Optical Engineering(S0091-3286),1981,20(1):103-110.

[2]Zhu Z F,Li Z L,liang H C,et al.Gryascale morphological filter for small target detection[C]//SPIE,Infrared Technology and Applications XXVI,San Diego,CA,USA,Sunday,July30,2000:28-34.

[3]刘云鹤,司锡才.单帧红外小目标检测算法研究[J].弹箭与制导学报,2008,28(1):53-55.LIU Yun-he,SI Xi-cai.Study of Detection Algorithm for Infrared Small Target[J].Journal of Projectiles,Rockets,Missiles and Guidance,2008,28(1):53-55.

[4]冈萨雷斯.数字图像处理:第二版[M].北京:电子工业出版社,2003:445-453.Gonzalez.Digital Image Processiong:Second Edition[M].Beijing:Publishing House of Electronics Industry,2003:445-453.

[5]赵钦佩.复杂背景条件下的红外图像预处理、检测方法研究[D].上海:上海交通大学,2007.ZHAO Qin-pei.The research of infrared image preprocessing and small target detection under complex background[D].Shanghai:Shanghai JiaoTong University,2007.

[6]杨磊.复杂背景条件下的红外小目标检测与跟踪算法研究[D].上海:上海交通大学,2006.YANG Lei.Study on infrared small target detection and tracking algorithm under complex backgrounds[D].Shanghai:Shanghai JiaoTong University,2006.

[7]杨杰,杨磊.基于红外背景复杂程度描述的小目标检测算法[J].红外与激光工程,2007,36(3):382-386.YANG Jie,YANG Lei.Small target detection algorithm based on infrared background complex degree description[J].Infrared and Laser Engineering,2007,36(3):382-386.

[8]徐江丰,张涌,汤心溢.红外目标检测的形态滤波改进算法及其DSP实现[J].激光与红外,2006,36(8):715-717.XU Jiang-feng,ZHANG Yong,TANG Xin-yi.An ImprovedMorphology Filtering Algorithm for Infrared TargetDetection and Realization on DSP[J].LASER AND INFRARED,2006,36(8):715-717.

[9]汲清波.红外序列图像中弱小目标检测方法研究[D].哈尔滨:哈尔滨工程大学,2008.JI Qing-bo.The research on dim small target’s detection in infrared inage sequences[D].Harbin:Harbin Engineering University,2008.

一种新的红外目标提取算法 第8篇

准确快速地从红外图像中提取出目标是红外运动目标识别与跟踪系统的关键技术之一。由于红外成像系统的固有特性, 红外图像的分辨率和对比度通常较低。此外, 由于红外目标与周围背景存在热交换以及大气对热辐射的散射和吸收作用, 使得红外图像中目标与背景的边缘比较模糊[1], 这些不利因素使得红外图像的提取更加困难。最大类间方差法 (Otsu法) [2]在图像质量较好和背景稳定的情况下可以取得较好的分割效果, 但对于低信噪比的红外图像, 噪声的大量存在极大的影响了分割效果。

1 基于统计特征的目标区域定位

由于红外图像中感兴趣目标一般情况下比背景物体散发的热量多, 因此目标的平均灰度比背景的平均灰度要高。根据该前提条件, 可以在红外图像中找到目标的大致位置, 得到目标约束区域[3], 即一个完全包含目标却又包含部分背景的红外图像区域。

将大小为MN红外图像f (i, j) 非重叠地划分为k个大小为mn的图像块集合h (u, v) ={h1, h2, , hk}, 其中, u=1, 2, , M/m, v=1, 2, , N/n, 为图像块下标, hi∈H={a1, a2, a3}, i=1, 2, , k。a1表示图像块完全属于目标;a2表示图像块部分区域属于目标;a3表示图像块不属于目标。然后计算出每个图像块的均值$\mu (u,v)={\displaystyle \sum _i}{\displaystyle \sum _j}f(i,j)/(mn)$与方差$\sigma {}^2(u,v)={\displaystyle \sum _i}{\displaystyle \sum _j}[f(i,j)-\mu (u,v)]{}^2/(mn)$。根据统计理论可以得知, 最大可能包含目标区域的图像块均值大而方差小。利用该准则, 定义度量函数L (u, v) 来确定目标可能存在的种子区域R:

L (u, v) =[1-σ (u, kv) /T]+μ (u, v) /μmax。 (1)

式中, T为给定常数;μmax为全部图像块中最大均值。记hmax (u, v) =max{L (u, v) }, 其均值和方差为μm (u, v) 和σ${}_m^2$ (u, v) 。

设定阈值G, 当σm (u, v) G时, hmax (u, v) =a1, 即整个图像块都包含在红外目标区域中;否则, 将hmax (u, v) 及其八邻域作为新的图像区域W进行迭代划分, 直到满足条件或者图像块大小为22为止。最终得到的图像块hmax (u, v) 即为种子区域R。

然后将种子区域R扩展到包含整个目标的约束区域U。以图像块hmax (u, v) 为中心, 向上下左右4个方向依次搜索图像块, 可以认为当前块hcurrent (u, v) 的均值与中心块hmax (u, v) 的均值相差较大, 且与搜索方向前一个图像块hprevious (u, v) 均值相差也较大时, hcurrent (u, v) 中同时包含目标和背景的概率较大。定义函数Q (u, v) 作为概率衡量函数:

Q (u, v) =|μcurrent (u, v) -μprevious (u, v) |

|μm-μcurrent (u, v) |。 (2)

选取使概率衡量函数值最大的图像块hcurrent (u, v) 为区域U在该方向上的边界块。当确定4个方向上的边界后, 得到矩形的目标约束区域U。

算法描述如下:

步骤1:划分原红外图像, 计算各个图像块的均值μ和方差σ2;

步骤2:判断图像块大小是否为22, 若是, 转到步骤4;若不是, 根据式 (1) 求得hmax (u, v) , 若σm (u, v) G, 转到步骤4;

步骤3:将W进行细化分块, 转到步骤1;

步骤4:得到hmax (u, v) , 4个方向查找hi (u, v) (i=1, 2, 3, 4) 使得max{Q (u, v) }分别成立, 将其作为区域边界块, 求得目标约束区域U。

2 基于模糊聚类的红外目标提取

2.1 模糊C均值聚类

模糊C均值聚类 (FCM) , 是用隶属度确定每个数据点属于某个聚类的程度的一种聚类算法[4,5]。其基本思路为:将样本集X={xi, i=1, 2, , n}分为c类, X⊆Rp, vi (i=1, 2, , c) 为第i个聚类的中心, uik (i=1, 2, , c, k=1, 2, , n) 是第k个样本对第i类的隶属度函数, 且$0u{}_{ik}1,0<{\displaystyle \sum _{k=1}^{n}u}{}_{ik}<n$。FCM是通过最小化关于隶属度矩阵U和聚类中心集合v的目标函数Jm (U, v) 来实现的:

$J{}_m(\mathit{U},v)={\displaystyle \sum _{i=1}^c}{\displaystyle \sum _{k=1}^n}u{}_{ik}^m\parallel x{}_k-v{}_i\parallel {}^2$。 (3)

式中, U={uik};v= (v1, v2, , vc) , m>1为常数, 其约束条件为:

${\displaystyle \sum _{i=1}^c}u{}_{ik}=1,\forall k=1,2,\cdots ,n$。 (4)

在约束条件式 (4) 下优化式 (3) 得:

$\begin{array}{l}u{}_{ik}=\frac{(1/\parallel x{}_k-v{}_i\parallel {}^2){}^{1/(m-1)}}{{\displaystyle \sum _{j=1}^c(}1/\parallel x{}_k-v{}_j\parallel {}^2){}^{1/(m-1)}},\\ \forall i=1,2,\cdots ,c,k=1,2,\cdots ,n(5)\\ v{}_i=\frac{{\displaystyle \sum _{k=1}^{n}u}{}_{ik}^{m}x{}_k}{{\displaystyle \sum _{k=1}^{n}u}{}_{ik}^m},\forall i=1,2,\cdots ,c。(6)\end{array}$

通过反复迭代优化目标函数, 使其达到最小来最终实现FCM算法。

2.2 红外目标提取

在得到目标约束区域之后, 将红外图像中像素灰度值作为图像特征空间中的元素, 即可利用FCM对其进行聚类分割。首先将二维图像转化为一维向量, 然后用随机数初始化隶属度矩阵, 确定聚类中心, 进而对该向量进行迭代模糊聚类, 最后满足终止条件时, 将一维向量转化为二值图像进行输出。算法描述如下:

步骤1:用值在0, 1间的随机数初始化隶属矩阵U, 使其满足约束条件式 (4) ;

步骤2:用式 (6) 计算c个聚类中心ci, i=1, 2, , c;

步骤3:根据式 (3) 计算目标函数。如果它小于某个确定的阈值, 或它相对上次目标函数值的改变量小于某个阈值, 则算法停止;

步骤4:用式 (5) 计算新的U矩阵。返回步骤2。

3 实验结果及分析

为验证本文提出算法对红外图像分割的有效性, 分别对不同场景中的红外图像进行了分割实验。算法实现的软硬件环境为CPU P4 3.0, 内存512 MByte, WindowsXP+SP2, Matlab 6.5等。实验中, 隶属度矩阵的指数为2, 最大迭代次数为100, 迭代终止条件即隶属度最小变化量为10-5。从实验结果可以看出, 在场景相对简单、目标对比度相对较高的情况下, Otus算法能较好地分割出红外目标。但当目标与周围背景对比度较低时, 其易把过多的背景错划为目标, 分割效果较差。与此同时, 本文算法则能很好地实现红外图像中的目标分割, 尤其在图像中存在较多高亮度的背景像素时, 仍可以对目标实现有效聚类分割。

为了对提取结果进行定量分析, 引入文献[6]中的“空间准确度” (Spatial Accuracy) 对实验结果进行评价。图像序列的空间准确度可定义为:

$SA(t)=1-\frac{{\displaystyle \sum _{(x,y)}A}{}_t^{est}(x,y)♁A{}_t^{ref}(x,y)}{{\displaystyle \sum _{(x,y)}A}{}_t^{ref}(x,y)}$。 (7)

式中, A${}_t^{est}$和A${}_t^{rdf}$分别为第t帧的分割对象模板和参考分割模板;♁为逻辑异或操作。

利用图像处理软件手动提取出一组参考模板, 对本文实验所用的图像提取结果进行了分析。表1给出了本文算法与其他算法空间准确度的比较结果。从表1可以看出本文算法有效提高了提取结果的空间准确度。实验结果表明, 本文算法在背景干扰严重的图像序列中, 仍有较好的目标提取结果。

在图像中存在多目标时, 可以将先提取出的第1个目标区域的像素值归零, 再用本文算法搜索第2个目标约束区域, 并再次利用模糊聚类算法进行目标分割。这样可以依次得到各个目标。

4 结束语

提出了一种基于统计特征和模糊聚类的红外图像目标提取新方法, 实验验证了算法的有效性。利用尺度逐步减小的分块图像的统计特征, 构造度量评价函数准确获取红外目标约束区域。在此基础上, 利用FCM算法对约束区域进行模糊划分聚类, 可以有效提取出红外目标。下一步的研究重点将着重在提高模糊聚类算法的执行效率上, 使之更有效地用于红外运动目标识别与跟踪中。

摘要：针对红外热图像普遍存在的目标与背景对比度差、边缘模糊等特点, 提出了一种结合图像统计特征和模糊聚类的红外图像目标提取方法对红外图像进行迭代分块, 通过计算统计特征度量函数的极值来确定种子区域, 进而获得红外目标约束区域。利用模糊聚类对该约束区域进行有效的聚类划分, 最终实现红外图像目标提取。实验结果表明, 该方法能够准确的对红外目标进行提取, 便于下一步的红外目标识别与跟踪。

关键词：红外图像,统计特征,模糊聚类,目标提取

参考文献

[1]凌建国, 刘尔琦, 梁海燕, 等.基于核密度估计的红外目标提取方法[J].红外与毫米波, 2006, 25 (6) :434-438.

[2]OTSU N.A Threshold Selection Method from Gray-level Histograms[J].IEEE Transactions on Systems, Man, and Cybemetrics, 1979, 9 (1) :62-66.

[3]刘志, 杨杰.基于分块图像统计特征的红外目标提取[J].红外与激光工程, 2003, 32 (5) :489-491.

[4]KARMAKAR G C, DOOLEYLS.AGeneric Fuzzy Rule Based Image Segmentation Algorithm[J].Pattern Recognition Letters, 2002, 23 (10) :1215-1227.

[5]刘华军, 任明武, 杨静宇.一种改进的基于模糊聚类的图像分割方法[J].中国图象图形学报, 2006, 11 (9) :1312-1316.