一种采用局部特征对比度的红外弱小目标检测算法制造技术

本发明专利技术提供了一种采用局部特征对比度的红外弱小目标检测算法，属于图像处理领域，包括：获取原始图像，对现有的三层窗口进行扩充，得到由一个内层、八个外层构成的新嵌套窗口；采用比差联合的方法分别计算新嵌套窗口的内层和外层的局部对比度，并将所述局部对比度作为内层、外层的特征，在二者之间进行比差联合型对比度的计算，获得特征对比度；利用新嵌套窗口的隔离层，设计加权函数，对所述特征对比度进行加权，以进一步抑制复杂背景、突出目标；使用阈值操作，提取加权处理后图像中的红外弱小目标。该算法相比现有局部对比度算法而言可以取得更好的目标增强能力和背景抑制能力，在检测率、虚警率和实时性等方面具有一定的优势。势。势。

【技术实现步骤摘要】
一种采用局部特征对比度的红外弱小目标检测算法


[0001]本专利技术属于图像处理领域，具体涉及一种采用局部特征对比度的红外弱小目标检测算法。

技术介绍

[0002]红外探测系统已广泛应用于制导、预警等许多领域。但是，当探测距离非常远时，受光学系统参数限制和大气衰减等因素的影响，目标在系统输出的原始图像中所占面积很小，亮度一般也很微弱，这种目标被称为红外弱小目标。
[0003]对红外弱小目标的有效检测具有非常重大的理论意义和实用价值，但一直面临很大困难，主要原因包括：首先，目标本身面积小、亮度弱，缺乏足够明显的颜色、形状、纹理等信息，难以直接检出，导致目标的检测率较低；其次，在海天、地空等典型应用场景下，探测器视场中可能会出现亮度极高的背景及十分复杂的边缘，容易干扰检测，造成较多的虚警；同时，焦平面的生产工艺缺陷及器件工作时的电噪声等因素会造成一系列的噪声干扰，也可能导致虚警。然后，在很多实际应用中，目标的尺度通常是未知信息，使得算法参数的选择变得非常困难；最后，一些实际应用场合对检测实时性的要求比较高，这给小目标的检测带来了进一步的困难。
[0004]近年来，国内外研究者们提出了许多红外弱小目标检测算法，大致可以划分为序列型和单帧型两大类。序列型检测算法直接在相邻若干帧之间对目标进行提取，利用的信息更多，故通常检测性能更好，但是它们的数据量和计算量也比较大，其输出往往有一定的滞后性，难以满足一些实际应用对实时性的需求。单帧型检测算法在一帧内对目标进行检测，数据量和计算量相比序列型算法更小，实时性通常更好，同时，一些单帧型算法还可以作为某些序列型算法的基础模块进行使用。
[0005]目前已有很多类型的单帧型检测算法被提出，例如基于背景估计的、基于形态学的、基于方向导数或梯度的、基于频域滤波的、基于稀疏表示的、基于稀疏低秩分解的、基于局部对比度机制的等等。其中，基于局部对比度机制的算法作为仿生学算法的一种，主要受启发于人类视觉系统的对比度机制，即人眼对视场中的对比度信息比对亮度信息更敏感。而在原始红外图像中，目标虽然往往不是整幅图像中最亮的部分，却通常要比其周围背景稍亮一些(本质上是因为典型的有价值目标，如飞机、车辆、舰船等，一般会比其周围背景更热)。通过提取图像中的局部对比度信息，并以之作为目标检测的依据，可以有效地消除复杂背景的影响，取得较好的检测性能。因此，基于局部对比度机制的检测算法在近年来尤其受到人们的重视。
[0006]局部对比度的本质是当前位置与其周围邻域之间的差异信息，但是在具体的定义方面，目前尚无公论。不同的研究者根据各自的需求，提出了许多局部对比度的计算方法。按照对比度的计算方法，可以被划分为灰度差值型、灰度比值型和灰度比差联合型三种基本类型。同时，潘胜达等人提出的DLCM (Double
‑
layer Local Contrast Measure)算法是本文算法的重要基础之一，它的主要贡献在于提出了一个新型三层窗口，如图1所示。该窗
口共包含5
×
5个小子块，每个小子块都是3
×
3个像素点大小。其中，中心子块T用于捕捉目标中心附近的主要能量；周围子块SB1～SB16用于捕捉目标的邻域背景，并与目标进行对比度计算；中间子块IB1～IB8用于将目标与背景隔离开，使得算法可以不必调整窗口大小，直接使用单尺度计算解决未知尺寸小目标的检测。
[0007]在DLCM中，取中心子块与周围子块灰度差的最小值作为当前位置的对比度信息D，即
[0008][0009]D＝min
j d(T,SB
j
),j＝1,2,...,16
ꢀꢀ
(2)
[0010]式中，m0和m
SBj
分别代表中心子块T和周围子块SB
j
的灰度均值，j＝1～16 为周围子块的序号。注意公式(1)中使用了非负约束，用于消除杂波残留。
[0011]同时，DLCM还利用中间层(即隔离层)的信息，引入了加权操作，并定义加权函数为：
[0012][0013]W＝min
i
[d(T,IB
i
)
×
d(T,IB9‑
i
)],i＝1,2,3,4
ꢀꢀ
(4)
[0014]式中，m0和m
IBi
分别代表中心子块T和中间子块IB
i
的灰度均值，i＝1～8为中间层子块的序号。公式(3)中同样使用了非负约束。
[0015]于是，当前位置最终的对比度信息将是：
[0016]DLCM＝W
×
D
ꢀꢀ
(5)
[0017]使用该窗口对原始图像进行遍历，便可得到每个像素点的DLCM计算结果。作者认为真实目标的DLCM值将最为突出，因此使用阈值分割即可提取出目标。
[0018]从理论上看，目前，在基于局部对比度机制的红外弱小目标检测算法当中，以比差联合型对比度算法的性能为最佳，并且研究者们还尝试了许多改进手段，但是，目前的改进仍然有一定的不足，包括：
[0019]一、现有算法所使用的各种窗口通常只关注中心区域与四周邻域背景之间的差异，而对邻域背景本身的特征考虑不足。
[0020]二、虽然已有部分研究者提出可以使用特征而非灰度进行对比度的求取，但目前人们所选择的特征还比较简单，如方差、梯度等。当背景比较复杂时，这些特征难以准确描述图像的局部信息。
[0021]三、使用加权函数对原始对比度信息进行加权，是一种提升检测性能的有效手段，但是，目前人们提出的一些加权函数通常计算比较繁琐，导致算法整体结构复杂。
[0022]本专利技术针对以上问题，提出了一种采用局部特征对比度的红外弱小目标检测算法。

技术实现思路

[0023]为了克服上述现有技术存在的不足，本专利技术提供了一种采用局部特征对比度的红
外弱小目标检测算法。
[0024]为了实现上述目的，本专利技术提供如下技术方案：
[0025]一种采用局部特征对比度的红外弱小目标检测算法，包括以下步骤：
[0026]步骤1、获取原始图像，对现有的三层窗口进行扩充，得到由一个内层、八个外层构成的新嵌套窗口，其中内层窗口用于考察当前位置的数据特点，外层窗口用于考察当前位置局部邻域的数据特点；
[0027]步骤2、采用比差联合的方法分别计算新嵌套窗口的内层和外层的局部对比度，并将所述局部对比度作为内层、外层的特征，在二者之间进行比差联合型对比度的计算，获得特征对比度；
[0028]步骤3、利用新嵌套窗口的隔离层，设计加权函数，对所述特征对比度进行加权，以进一步抑制复杂背景、突出目标；
[0029]步骤4、使用阈值操作，提取加权处理后图像中的红外弱小目标。
[0030]优选地，所述新嵌套窗口一共由9
×
9个子块构成，每个子块都是3
×
3个像素点大小；其本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种采用局部特征对比度的红外弱小目标检测算法，其特征在于，包括以下步骤：步骤1、获取原始图像，对现有的三层窗口进行扩充，得到由一个内层、八个外层构成的新嵌套窗口，其中内层窗口用于考察当前位置的数据特点，外层窗口用于考察当前位置局部邻域的数据特点；步骤2、采用比差联合的方法分别计算新嵌套窗口的内层和外层的局部对比度，并将所述局部对比度作为内层、外层的特征，在二者之间进行比差联合型对比度的计算，获得特征对比度；步骤3、利用新嵌套窗口的隔离层，设计加权函数，对所述特征对比度进行加权，以进一步抑制复杂背景、突出目标；步骤4、使用阈值操作，提取加权处理后图像中的红外弱小目标。2.根据权利要求1所述的采用局部特征对比度的红外弱小目标检测算法，其特征在于，所述新嵌套窗口一共由9
×
9个子块构成，每个子块都是3
×
3个像素点大小；其中，中间的5
×
5个子块构成内层窗口，由中心子块T、周围子块SB1～SB
16
和中间子块IB1～IB8组成；在嵌套窗口的外部，分别以L
10
，L
20
，
…
，L
80
为中心，每3
×
3个子块构成一个外层窗口。3.根据权利要求2所述的采用局部特征对比度的红外弱小目标检测算法，其特征在于，所述步骤2具体步骤如下：步骤2.1、内层特征的提取步骤2.1.1、对中心子块进行高斯滤波采用一个与红外弱小目标形状相似的3
×
3二维高斯滤波器模板，对中心子块T进行滤波，提高原始图像的信噪比；在像素点(i,j)处，定义其匹配滤波结果为：式中T为中心子块，P和q均为中间变量，G为滤波模板，IG
in
为匹配滤波后的结果；步骤2.1.2、对周围子块进行最接近滤波内层窗口包括SB1～SB
16
共16个周围子块，与中心子块高斯滤波值最接近的周围子块参与计算：式中，(i,j)为当前像素点坐标，IG
in
表示中心子块的高斯滤波值，m
SBn
表示第n个周围子块的均值，B
in<...

【专利技术属性】
技术研发人员：韩金辉，陈园园，张鸿辉，朱欣颖，李娜娜，姚遥，陈耀弘，赵骞，李知铮，桑晓丹，赵劼，袁旭野，
申请(专利权)人：周口师范学院，
类型：发明
国别省市：