一种复杂背景下弱小目标检测的方法技术

本发明专利技术公开了一种复杂背景下弱小目标检测的方法，包括：对连续3帧运动目标图像做增强的时域差分滤波处理，得到时域差分滤波增强图像DIF；对上述3帧运动目标图像中的第二帧运动目标图像，进行经验模态分解，得到固有模态函数IMF1；对时域差分滤波增强图像DIF和固有模态函数IMF1进行时空域融合增强处理，得到时空域融合增强图像FuisonI；对时空域融合增强图像FuisonI进行基于统计的阈值分割处理，得到阈值分割后的图像BW；对阈值分割后的图像BW进行虚警目标去除，得到最终的目标检测结果。本发明专利技术方法能够针对不同类型的小目标图像都能够很好的处理，检测效果和算法自适应性都得到很大的提高，在小目标检测的相关领域，具有很好的运用前景。

【技术实现步骤摘要】
一种复杂背景下弱小目标检测的方法
本专利技术属于目标检测
，更具体地，涉及一种复杂背景下弱小目标检测的方法，主要用于复杂背景下低信噪比图像弱小运动目标检测，可提高复杂背景下低信噪比的弱小目标检测的自适应性与准确性，适用于早期预警系统以及远程打击应用中的小目标检测识别。
技术介绍
小目标检测是早期预警系统以及制导系统的核心技术之一，针对这一课题目前已经有很多技术方法，归纳起来可以分为以下几类：1、空域背景预测法空域背景预测法也称为背景抑制法，该方法利用图像背景区域的红外辐射在空间分布上存在较强的相关性，而弱小目标区域则没有，对弱小目标图像进行预测得到背景预测图像，将原图像与背景预测图像做差，得到残差图像，在残差图像中目标部分得到增强，背景部分得到抑制，从而增强了图像的信噪比，最后对残差图像进行分割得到检测结果。该方法的优点是算法简单，易于实现，对于符合假设条件的图像，预测模板选择合适的话，效果很好；缺点是算法过分依赖于预测模板的选择，而模板选择很难做到自适应。2、空域滤波法空域滤波法假设图像中目标区域处于高频部分，而背景处于低频部分，只需要构造一个高通滤波器对原图像进行滤波处理，得到原图像的高频分量，再对高频分量进行分割得到检测结果。包括短时傅立叶变换，小波分析等在内的很多方法，都属于空域滤波方法。该类方法的优点是原理简单，对于背景相对简单的图像处理效果很好，但是缺点也很明显，对于很多图像来说，除了目标以外，很多噪声也处于高频部分，滤波处理并不能很好的将目标与噪声区别开来，除此之外，检测效果还依赖于滤波变换的核函数的选择以及截止频率的设置，因此，算法也很难做到自适应。3、形态学滤波法形态学滤波法是基于数学形态学的弱小目标检测方法。通过对图像进行形态学的开运算得到一幅图像，由于弱小目标的面积较小，如果形态学元素选择合适，经过开运算后得到的图像中就没有弱小目标，将原图像与形态学处理的图像做差，得到的图像信噪比就得到了提高，再对该图像进行分割就得到的检测结果。该方法的关键是选择合适的形态学算子，但是也很难做到形态学算子的自适应选择。
技术实现思路
本专利技术的目的在于，针对现有方法的无法做到自适应的不足，提出了一种低信噪比下实时鲁棒性好的低信噪比小目标自动检测的新方法，该方法不依赖任何变换核函数，仅仅依靠本身数据的自分解，具有很强的自适应能力，能够处理复杂背景下的弱小目标检测问题，能有效提高弱小目标的检测效率。为了实现上述目的，本专利技术提供了一种复杂背景下弱小目标检测的方法，包括如下步骤：(1)对连续3帧运动目标图像做增强的时域差分滤波处理，得到时域差分滤波增强图像DIF；(2)对上述3帧运动目标图像中的第二帧运动目标图像，进行经验模态分解，得到固有模态函数IMF1；(3)对步骤(1)得到的时域差分滤波增强图像DIF和步骤(2)中得到的固有模态函数IMF1进行时空域融合增强处理，得到时空域融合增强图像FuisonI；(4)对时空域融合增强图像FuisonI进行基于统计的阈值分割处理，得到阈值分割后的图像BW；(5)对阈值分割后的图像BW进行虚警目标去除，得到最终的目标检测结果。在本专利技术的一个实施例中，所述步骤(2)具体包括：(2.1)对输入图像Xh×w分别按行和列作镜像延拓，取延拓后的高度，以及延拓后的宽度，得到延拓图像extXH×W，其中将第二帧运动目标图像I'2(x,y)表示为Xh×w，h和w分别表示图像的像素高和宽，表示取h/10的商值整数下界；(2.2)提取延拓图像extXH×W的极值点信息，得到极大值点索引maxIndex(x,y,value)和极小值点索引minIndex(x,y,value)，其中(x,y)为坐标信息，value为对应极值点的灰度值；(2.3)在二维平面内分别对极大值点和极小值点做Delaunay三角剖分，得到平面上关于极值点的区域划分D1和D2，实现平面内对极值点坐标的区域划分；(2.4)分别在D1和D2的每一个Delaunay三角划分内进行插值，分别得到极大值插值曲面和极小值插值曲面，对极大值插值曲面和极小值插值曲面求平均，得到均值包络曲面，记为m1；(2.5)将原始图像x与均值包络曲面m1做差：h1＝x-m1；为了得到IMF信息，令x＝h1，转入步骤(2.1)；这是一个迭代过程，其中需要将每一次迭代过程中的h看作下一次迭代的原始图像x，即xk＝hk-1＝xk-1-mk-1，k表示第k次迭代过程，当分解结果满足迭代停止条件时迭代停止，得到固有模态函数IMF，迭代停止条件是判别式的值小于给定的门限值。在本专利技术的一个实施例中，所述步骤(2.2)具体包括：(2.2.1)定义一个与延拓图像extXH×W相同大小的零矩阵：MarkH×W＝zeros(size(extXH×W))；(2.2.2)遍历延拓图像extXH×W，在每个像素的预设邻域内作比较，在矩阵MarkH×W相应位置标记每一个被比较的像素点的状态，分别获取状态-2和2的计数counterN2，counterP2，其中-2表示该像素在邻域内并列最小值，2表示该像素在邻域内为并列最大值；(2.2.3)循环遍历图像每一个点，以确定标记为2、-2的像素点的最终状态；(2.2.4)将矩阵Mark中的所有值为2和-2的点分别改为1和-1。最后得到的Mark就是标记极值点信息的矩阵，将Mark中所有值为1的点的坐标加入索引maxIndex(x,y,value)，将相应位置的extendImg(t)的像素点的灰度值赋给value，将Mark中所有值为-1的点的坐标加入索引minIndex(x,y,value)，将相应位置的extendImg(t)的像素点的灰度值赋给value。在本专利技术的一个实施例中，所述步骤(2.2.2)中像素点的状态具体为：(a)若某像素点的灰度都大于邻域点的灰度值，则是极大值；(b)若某像素点的灰度值均小于邻域点的灰度值，则是极小值；(c)若某像素点灰度与邻域比较，既有比它大的，也有比它小的，但是没有和它相等的，则该点既不是极大值点也不是极小值点；(d)若某像素点邻域有和它灰度相等的，则将相等的点看作一个点再进行a～c比较，直至确定。在本专利技术的一个实施例中，所述标记每一个被比较的像素点的状态具体为：若尚未标记，则标记为0；若为极小值点，则标记为1；若为极大值点，则标记为-1；若在邻域内并列最小值，则标记为-2；若在邻域内并列最大值，则标记为2；若在邻域内既不是极大值也不是极小值，则标记为3。在本专利技术的一个实施例中，所述步骤(1)具体包括：(1.1)将第二帧运动目标图像I'2(x,y)与第一帧运动目标图像I'1(x,y)做差分DIF1＝|I'2(x,y)-I'1(x,y)|，得到差分图像DIF1；(1.2)将第三帧运动目标图像I'1(x,y)与第二帧运动目标图像I'2(x,y)做差分DIF2＝|I'3(x,y)-I'2(x,y)|，得到差分图像DIF2；(1.3)将差分图像DIF1与差分图像DIF2做乘积处理DIF＝DIF1×DIF2，得到时域差分滤波增强图像DIF。在本专利技术的一个实施例中，所述步骤(3)采用乘积的方法来进行行时空域融合增强处理：FuisonI(x,y)＝DIF(x,y)×IMF1(x,y)。在本发本文档来自技高网...

【技术保护点】
一种复杂背景下弱小目标检测的方法，其特征在于，所述方法包括如下步骤：(1)对连续3帧运动目标图像做增强的时域差分滤波处理，得到时域差分滤波增强图像DIF；(2)对上述3帧运动目标图像中的第二帧运动目标图像，进行经验模态分解，得到固有模态函数IMF1；(3)对步骤(1)得到的时域差分滤波增强图像DIF和步骤(2)中得到的固有模态函数IMF1进行时空域融合增强处理，得到时空域融合增强图像FuisonI；(4)对时空域融合增强图像FuisonI进行基于统计的阈值分割处理，得到阈值分割后的图像BW；(5)对阈值分割后的图像BW进行虚警目标去除，得到最终的目标检测结果。

【技术特征摘要】
1.一种复杂背景下弱小目标检测的方法，其特征在于，所述方法包括如下步骤：(1)对连续3帧运动目标图像做增强的时域差分滤波处理，得到时域差分滤波增强图像DIF；(2)对上述3帧运动目标图像中的第二帧运动目标图像，进行经验模态分解，得到固有模态函数IMF1；(3)对步骤(1)得到的时域差分滤波增强图像DIF和步骤(2)中得到的固有模态函数IMF1进行时空域融合增强处理，得到时空域融合增强图像FuisonI；(4)对时空域融合增强图像FuisonI进行基于统计的阈值分割处理，得到阈值分割后的图像BW；(5)对阈值分割后的图像BW进行虚警目标去除，得到最终的目标检测结果；其中，所述步骤(2)具体包括：(2.1)对输入图像Xh×w分别按行和列作镜像延拓，取延拓后的高度以及延拓后的宽度得到延拓图像extXH×W，其中将第二帧运动目标图像I'2(x,y)表示为Xh×w，h和w分别表示图像的像素高和宽，表示取h/10的商值整数下界；(2.2)提取延拓图像extXH×W的极值点信息，得到极大值点索引maxIndex(x,y,value)和极小值点索引minIndex(x,y,value)，其中(x,y)为坐标信息，value为对应极值点的灰度值；(2.3)在二维平面内分别对极大值点和极小值点做Delaunay三角剖分，得到平面上关于极值点的区域划分D1和D2，实现平面内对极值点坐标的区域划分；(2.4)分别在D1和D2的每一个Delaunay三角划分内进行插值，分别得到极大值插值曲面和极小值插值曲面，对极大值插值曲面和极小值插值曲面求平均，得到均值包络曲面，记为m1；(2.5)将原始图像x与均值包络曲面m1做差：h1＝x-m1；为了得到IMF信息，令x＝h1，转入步骤(2.1)；这是一个迭代过程，其中需要将每一次迭代过程中的h看作下一次迭代的原始图像x，即xk＝hk-1＝xk-1-mk-1，k表示第k次迭代过程，当分解结果满足迭代停止条件时迭代停止，得到固有模态函数IMF，迭代停止条件是判别式的值小于给定的门限值。2.如权利要求1所述的方法，其特征在于，所述步骤(2.2)具体包括：(2.2.1)定义一个与延拓图像extXH×W相同大小的零矩阵：MarkH×W＝zeros(size(extXH×W))；(2.2.2)遍历延拓图像extXH×W，在每个像素的预设邻域内作比较，在矩阵MarkH×W相应位置标记每一个被比较的像素点的状态，分别获取状态-2和2的计数counterN2，counterP2，其中-2表示该像素在邻域内并列最小值，2表示该像素在邻域内为并列最大值；(2.2.3)循环遍历图像每一个点，以确定标记为2、-2的像素点的最终状态；(2.2.4)将矩阵Mark中的所有值为2和-2的点分别改为1和-1，最后得到的Mark就是标记极值点信息的矩阵，将Mark中所有值为1的点的坐标加入索引maxIndex(x,y,value)，将相应位置的extXH×W的像素点的灰度值赋给val...

【专利技术属性】
技术研发人员：陈忠，邓涛，
申请(专利权)人：华中科技大学，北京航天自动控制研究所，
类型：发明
国别省市：湖北;42