基于机器学习的红外小目标图像背景预测方法与装置制造方法及图纸

本发明专利技术提供一种基于机器学习的红外小目标图像背景预测方法，包括以下步骤：以第1帧到第l帧图像作为原始数据来构造机器学习的原始训练样本；对输入的图像进行背景复杂判断：如果背景复杂，则先进行冗余剔除，再进行机器学习；如果背景不复杂，则直接进行机器学习；对输入图像帧中的冗余信息进行剔除，得到较少的训练样本；利用原始训练样本或较少的训练样本来训练学习机器；以第l+1帧图像作为测试样本，利用学习机器预测第l+1帧图像的背景；以第l+1帧图像的原始背景减去预测出来的背景得到残差图像；使预测窗口滑过整幅图像，并采用前述步骤的单个像素点的预测方式，得到整幅图像的预测背景。本发明专利技术还涉及一种基于机器学习的红外小目标图像背景预测装置。

【技术实现步骤摘要】

本专利技术涉及红外图像处理
，具体而言涉及一种基于机器学习的红外小目 标图像背景预测方法与装置，适于空中红外小目标检测中的杂波背景抑制。
技术介绍
杂波背景抑制是红外小目标检测的关键步骤。对空红外监控系统拍摄的图像主要 由目标、背景和噪声三部分组成。由于远距离目标的面积一般只有几个像素，缺少形状和 纹理信息，对比度也较低，在红外图像上表现为一个弱小亮点，难以分辨。而背景占绝大 部分面积，因此人们往往首先从抑制背景的角度来考虑如何完成检测。抑制杂波背景是小 目标检测的第一步，也是最重要的一步，能大大提高后续目标检测阶段算法的性能。 背景预测是一类重要的背景抑制方法，其基本思路是利用红外图像在空域和频域 的特征，使用特定的算法先将图像的起伏背景预测出来，然后用原图像减去预测出来的背 景，以达到抑制背景起伏、突出目标的目的。 常见背景预测技术主要有固定权值滤波、中值滤波、形态学滤波等。 固定权值滤波通过对预测窗口内像素点灰度值的加权求和来估计窗口中心点的 背景灰度值，遍历整幅图像完成整个预测过程。固定权值背景预测指的就是令权值为常数， 这样运算过程简单，具有较高的处理速度、便于硬件实现。但该算法模板中的参数设定后不 能改变，缺乏对不同类型背景的适应性，当背景较复杂时性能较低。 中值滤波的基本思想是：在输入图像中，以任一像素为中心设置一个确定的邻域， 将邻域内各像素的灰度值按大小顺序排列，取位于中间位置的那个值（中值）作为该像素 点的输出灰度值，即作为该点预测的背景灰度值，遍历整幅图像完成整个预测过程。中值滤 波算法结构简单，便于硬件实现，但算法原理本身决定了它只能够滤除脉冲宽度小于滤波 窗口 一般的噪声。 数学形态学滤波通常基于Top-Hat变换，Top-Hat变换的基本原理是选择某一结 构元素对输入图像进行形态学"开运算"，得到预测背景，然后使用原始图像减去开运算预 测出的背景，得到只含目标和少量背景的图像。形态学滤波结构元素的选择对于背景预测 效果的影响很大。 上述几种方法都属于单帧背景预测算法，即算法只针对单帧图像进行处理，处理 完一帧图像再处理下一帧图像。而通常小目标在红外图像中的运动速度大于背景的变化速 度。因此，单帧算法无法利用目标与背景的帧间运动特性。
技术实现思路
针对现有技术中单帧算法无法利用目标和背景的帧间运动特性的不足，在单帧算 法的基础上提出一种基于机器学习的红外小目标图像背景预测方法，充分利用目标和背景 在帧间相关性上的差异，提供对目标与背景的区分度。 本专利技术的另一方面还提出一种基于机器学习的红外小目标图像背景预测装置。 toon] 本专利技术的上述目的通过独立权利要求的技术特征实现，从属权利要求以另选或有 利的方式发展独立权利要求的技术特征。 为达成上述目的，本专利技术所采用的技术方案如下： 一种基于机器学习的红外小目标图像背景预测方法，适于对红外小目标图像进行 背景预测，其实现包括以下步骤： 步骤1、以第1帧到第1帧图像作为原始数据来构造机器学习的原始训练样本； 步骤2、对输入的图像进行背景复杂判断：如果背景复杂，则进入步骤3进行背景 的冗余剔除；如果背景不复杂，则进入下述步骤4进行机器学习； 步骤3、对输入图像中的冗余信息进行剔除，得到更新后较少的训练样本； 步骤4、利用前述原始训练样本或更新的训练样本来训练一个学习机器； 步骤5、以第1+1帧图像作为测试样本，利用前述训练好的学习机器预测第1+1帧 图像的背景； 步骤6、以第1+1帧图像的原始背景减去前述步骤5预测出来的背景得到残差图 像；以及 步骤7、使预测窗口滑过整幅图像，并采用前述步骤1-6的单个像素点的预测方 式，得到整幅图像的预测背景。 进一步的实施例中，前述步骤1中的原始训练样本，以下述方法生成： 对于连续输入的图像帧，原始训练样本的第i个输入样本是由第i帧图像中像素 点（m，η)及其周围预测窗口区域的灰度值构成的（ Xi，yi)，其中Xi是由像素点（m，η)周围预 测窗口区域内的灰度值构成的向量I =h，A，L，',)「，ρ为预测窗口内的除目标以外的像 素点数目，Yi是像素点（m, η)的原始灰度值。 进一步的实施例中，前述预测窗口为矩形预测窗口，窗口大小为（2q+l) X (2q+l)， q为正整数。 进一步的实施例中，前述预测窗口为准圆形预测窗口，以一大小为 (2q+l) X (2q+l)的矩形预测窗口中心像素（m，η)点为圆心，以矩形预测窗口边长为直径做 圆，该圆构成一个准圆形预测窗口；圆周与预测窗口内像素相交，如果某一像素点被圆切割 后包含在圆内的面积小于像素面积的1/2,则在剔除该像素点，依此逐个判断，最后，将剩余 像素点依次排列生成训练样本。 进一步的实施例中，前述步骤2对原始训练样本背景平均起伏系数进行背景复杂 判断，其实现包括以下步骤： 步骤2-1、定义起伏系数Θ (m，η)，表示图像中像素点（m，η)与其右侧和下方两个 相邻的像素点的灰度差值之和，即： Θ (m, η) = Δ Dr (m, η) + Δ Dd (m, η) (I) 式中，ADr(m，η) = D(m，n)-D(m，n+1)，ADd(m，η) = D(m，n)-D(m+l，η)，分别表示 像素点（m，n)与其右侧和下方像素点的灰度差值； 对整幅图像，利用背景平均起伏系数以下式来定义：【主权项】1. 一种基于机器学习的红外小目标图像背景预测方法，适于对红外小目标图像进行背 景预测，其特征在于，该方法的实现包括以下步骤： 步骤1、以第1帧到第1帧图像作为原始数据来构造机器学习的原始训练样本； 步骤2、对输入的图像进行背景复杂判断：如果背景复杂，则进入步骤3进行背景的冗 余剔除；如果背景不复杂，则进入下述步骤4进行机器学习； 步骤3、对输入图像中的冗余信息进行剔除，得到更新后较少的训练样本； 步骤4、利用前述原始训练样本或更新的训练样本来训练一个学习机器； 步骤5、以第1+1帧图像作为测试样本，利用前述训练好的学习机器预测第1+1帧图像 当前第1页1 2 本文档来自技高网...

【技术保护点】
一种基于机器学习的红外小目标图像背景预测方法，适于对红外小目标图像进行背景预测，其特征在于，该方法的实现包括以下步骤：步骤1、以第1帧到第l帧图像作为原始数据来构造机器学习的原始训练样本；步骤2、对输入的图像进行背景复杂判断：如果背景复杂，则进入步骤3进行背景的冗余剔除；如果背景不复杂，则进入下述步骤4进行机器学习；步骤3、对输入图像中的冗余信息进行剔除，得到更新后较少的训练样本；步骤4、利用前述原始训练样本或更新的训练样本来训练一个学习机器；步骤5、以第l+1帧图像作为测试样本，利用前述训练好的学习机器预测第l+1帧图像的背景；步骤6、以第l+1帧图像的原始背景减去前述步骤5预测出来的背景得到残差图像；以及步骤7、使预测窗口滑过整幅图像，并采用前述步骤1‑6的单个像素点的预测方式，得到整幅图像的预测背景。

【技术特征摘要】

【专利技术属性】
技术研发人员：朱斌，樊祥，程正东，马东辉，李晓霞，邓潘，郭宇翔，冯一，方义强，张发强，施展，
申请(专利权)人：中国人民解放军电子工程学院，
类型：发明
国别省市：安徽;34