基于时域经验模态分解的红外弱小目标检测方法技术

本发明专利技术提出一种基于时域经验模态分解的红外弱小目标检测方法，首先，对红外序列图像的每个像素的时域进行分片方差判定是否需要EMD分解；其次，对于需要分解的时域信号做EMD分解；然后，将分解得到的本征模态函数合成；之后，再利用图像中目标经过时像素点灰度值有起伏变化这一特点，将其看作是一种非高斯弱瞬态信号，根据虚警率设置滤波门限进行检测；最后，对滤波后的图像进行二值化处理，即得到最后的红外弱小目标检测结果。本发明专利技术针对复杂云层、低信杂比的检测情况，通过对红外序列图像进行处理解决了单帧图像不能达到检测要求的问题。

【技术实现步骤摘要】
基于时域经验模态分解的红外弱小目标检测方法
本专利技术属于图像处理
，更进一步涉及复杂背景下红外图像处理领域中的一种基于时域经验模态分解的弱小目标检测方法。本专利技术可用于对红外图像中的弱小目标进行检测，能有效的提高红外图像中小目标的检测精度。
技术介绍
随着各国国防科研实力的不断增强，在红外制导、天机预警和目标监视等国防领域中，红外图像中的弱小目标检测技术一直是国内外学者关注和研究的热点。但由于，红外图像成像距离远，背景噪声大，成像环境复杂，目标运动轨迹不定等等原因，使得该项研究也一直是一个难点。1998年经验模态分解(EMD)被提出，该方法不需要设置任何基函数，经验模态分解就可以根据数据本身进行分解，具有良好的自适应性。EMD方法在处理非平稳信号时可以有很高的信噪比且具有自适应性，经验模态分解将非平稳信号分解，获取平稳的分量信号，它能使复杂信号分解为有限个本征模函数(IMF)。该算法中基函数是由数据本身所分解得到的，相比于小波变换和傅里叶变换更加直观，同时不需要设置基函数的特性使它具有更好的自适应性，具有一定的优越性和发展前景。在红外图像处理方面，之前有人将EMD应用到单帧图像的行和列，以及将一维EMD扩展到二维EMD处理单帧图像，这些方法对于信噪比高的目标检测效果还可以达到要求，但是当处理的图像背景较为复杂时就很难达到检测要求。
技术实现思路
针对现有技术存在的不足，考虑到红外序列图像的时域上有目标经过时会表现出奇异性突变，以及EMD分解的特性，本专利技术将一维EMD应用到红外序列图像的时域信号上，提出一种基于时域经验模态分解的红外弱小目标检测方法，以提高检测精度。实现本专利技术的技术思路是：首先，对红外序列图像的每个像素的时域进行分片方差判定是否需要EMD分解；其次，对于需要分解的时域信号做EMD分解；然后，将分解得到的本征模态函数合成；之后，再利用图像中目标经过时像素点灰度值有起伏变化这一特点，将其看作是一种非高斯弱瞬态信号，根据虚警率设置滤波门限进行检测；最后，对滤波后的图像进行二值化处理，即得到最后的红外弱小目标检测结果。本专利技术的技术方案为：所述一种基于时域经验模态分解的红外弱小目标检测方法，其特征在于：包括以下步骤：步骤1：输入待检测的红外序列图像Forig(i,j,k)，其中(i,j)表示红外图像中的像素点的位置，k表示序列图像的帧号，k＝1,2,…,N，N为待检测的红外序列图像中的帧数；步骤2：取待检测的红外序列图像在同一位置像素点上灰度值形成的时域信号为F(i,j)(k)，k＝1,2,…,N，通过以下步骤判断每个位置的时域信号F(i,j)(k)是否需要分解：步骤2.1：将时域信号F(i,j)(k)分成n片，并分别求各片时域信号的标准差σ1,σ2,...,σn；步骤2.2：将步骤2.1中得到的n个标准差做归一化处理；步骤2.3：对归一化处理后的n个标准差求方差将与设定值λ作比较，如果大于设定值λ，则对时域信号F(i,j)(k)进行下一步分解，否则将时域信号F(i,j)(k)的每个值设为零值；步骤3：采用以下步骤对需要进行分解的时域信号F(i,j)(k)进行经验模态分解，其中采用x(k)表示时域信号F(i,j)(k)；步骤3.1：找出时域信号x(k)的所有极值点；步骤3.2：将时域信号x(k)的极大值点和极小值点分别进行曲线拟合，得到x(k)的上包络线xup(k)和下包络线xlow(k)；步骤3.3：逐点计算上包络线和下包络线的局部均值m(k)＝(xup(k)+xlow(k))/2；步骤3.4：采用时域信号x(k)减去局部均值得到d(k)＝x(k)-m(k)；步骤3.5：判断d(k)是否是基本模式分量，如果d(k)是基本模式分量，则取c1＝d(k)，并用时域信号x(k)减去c1得到剩余信号r1(k)，再令x(k)＝r1(k)，然后返回步骤3.1；如果d(k)不是基本模式分量，则令x(k)＝r1(k)，然后返回步骤3.1；经过上述循环后，得到基本模式分量c1,c2,...，,cm，并得到原始时域信号F(i,j)(k)的余项rm(k)；步骤4：采用步骤3得到的基本模式分量c1,c2,...，,cm合成为新的信号G(i,j)(k)：步骤5：采用以下步骤进行目标检测：步骤5.1：计算G(i,j)(k)的均值μ和均方差σ；步骤5.2：求得满足的信号步骤5.3：计算的均值μg和方差σg；步骤5.4：从序列图像Forig(i,j,k)中选择一帧图像Forig(i,j)，给Forig(i,j)的每个像素点设置相应的量度值步骤5.5：将每个像素点的量度值与检测门限T进行比较，量度值大于T的像素点灰度值置1，否则置0，得到二值化图像根据二值化图像得到红外弱小目标所在的位置。进一步的优选方案，所述一种基于时域经验模态分解的红外弱小目标检测方法，其特征在于：步骤2中设定值λ取值0.2～0.5。进一步的优选方案，所述一种基于时域经验模态分解的红外弱小目标检测方法，其特征在于：步骤3.2中采用三次样条插值进行曲线拟合。进一步的优选方案，所述一种基于时域经验模态分解的红外弱小目标检测方法，其特征在于：步骤5中检测门限T根据虚警率PF，通过公式得到，其中φ代表标准正态分布函数。有益效果本专利技术与现有技术相比较，具有以下优点：1)针对复杂云层、低信杂比的检测情况，本专利技术对红外序列图像进行处理已解决单帧图像不能达到检测要求的问题。首次将EMD分解应用到红外序列图像的时域信号上，我们无需对被测红外图像做预处理，直接对序列图像像素点的时域信号进行EMD分解，将经过经验模态分解得到的本征模态函数合成为新的信号，得到的新信号依然是在零值上下波动的并且保留着原始信号高斯白噪声信号或叠加了目标的高斯白噪声信息，可以更好进行下一步脉冲检测。2)考虑到一个序列图像，并不是所有的像素点的时域信号都需要进行分解，本专利技术首先对时域信号进行分片求方差，然后根据各分片的方差的波动系数判定是否需要分解。这样极大的减少了检测的计算量。3)对分解后得到的新信号作除以方差计算的替换，这样相当于对每个像素的值做归一化处理。并且将图像的检测阈值同恒虚警率联系起来。本专利技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。附图说明本专利技术的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：图1为红外弱小目标检测的基本流程。图2为一个时域信号经过EMD分解，然后合成IMF后的新信号效果：左侧为原始序列的一个时域信号；右侧为经过合成后的时域新信号。图3为序列图像经过检测后的效果图，左侧为原始红外图像中某一帧图像，右侧为经过检测后的效果图。具体实施方式下面详细描述本专利技术的实施例，所述实施例是示例性的，旨在用于解释本专利技术，而不能理解为对本专利技术的限制。本专利技术主要针对目前经验模态分解方法应用在红外图像处理领域时，对于信噪比高的目标检测效果还可以达到要求，但是当处理的图像背景较为复杂时就很难达到检测要求的问题，考虑到红外序列图像的时域上有目标经过时会表现出奇异性突变，将一维EMD应用到红外序列图像的时域信号上，提出了一种基于时域经验模态分解的红外弱小目标检测方法，以提高检测精度。实现本专利技术的技术思本文档来自技高网...

【技术保护点】
一种基于时域经验模态分解的红外弱小目标检测方法，其特征在于：包括以下步骤：步骤1：输入待检测的红外序列图像Forig(i,j,k)，其中(i,j)表示红外图像中的像素点的位置，k表示序列图像的帧号，k＝1,2,…,N，N为待检测的红外序列图像中的帧数；步骤2：取待检测的红外序列图像在同一位置像素点上灰度值形成的时域信号为F(i,j)(k)，k＝1,2,…,N，通过以下步骤判断每个位置的时域信号F(i,j)(k)是否需要分解：步骤2.1：将时域信号F(i,j)(k)分成n片，并分别求各片时域信号的标准差σ1,σ2,...,σn；步骤2.2：将步骤2.1中得到的n个标准差做归一化处理；步骤2.3：对归一化处理后的n个标准差求方差

【技术特征摘要】
1.一种基于时域经验模态分解的红外弱小目标检测方法，其特征在于：包括以下步骤：步骤1：输入待检测的红外序列图像Forig(i,j,k)，其中(i,j)表示红外图像中的像素点的位置，k表示序列图像的帧号，k＝1,2,…,N，N为待检测的红外序列图像中的帧数；步骤2：取待检测的红外序列图像在同一位置像素点上灰度值形成的时域信号为F(i,j)(k)，k＝1,2,…,N，通过以下步骤判断每个位置的时域信号F(i,j)(k)是否需要分解：步骤2.1：将时域信号F(i,j)(k)分成n片，并分别求各片时域信号的标准差σ1,σ2,...,σn；步骤2.2：将步骤2.1中得到的n个标准差做归一化处理；步骤2.3：对归一化处理后的n个标准差求方差将与设定值λ作比较，如果大于设定值λ，则对时域信号F(i,j)(k)进行下一步分解，否则将时域信号F(i,j)(k)的每个值设为零值；步骤3：采用以下步骤对需要进行分解的时域信号F(i,j)(k)进行经验模态分解，其中采用x(k)表示时域信号F(i,j)(k)；步骤3.1：找出时域信号x(k)的所有极值点；步骤3.2：将时域信号x(k)的极大值点和极小值点分别进行曲线拟合，得到x(k)的上包络线xup(k)和下包络线xlow(k)；步骤3.3：逐点计算上包络线和下包络线的局部均值m(k)＝(xup(k)+xlow(k))/2；步骤3.4：采用时域信号x(k)减去局部均值得到d(k)＝x(k)-m(k)；步骤3.5：判断d(k)是否是基本模式分量，如果d(k)是基本模式分量，则取c1＝d(k)，并用时域信号x(k...

【专利技术属性】
技术研发人员：武斌，李鹏，王振华，秦国栋，蔡晶晶，鲍丹，刘高高，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61