一种基于时空域背景抑制的红外弱小目标检测方法

摘要

本发明属于红外图像处理领域，主要涉及一种基于时空域背景抑制的红外弱小目标检测方法。本发明用以解决复杂背景下的红外运动弱小目标检测问题。首先使用指导滤波抑制空域中较为平稳的背景杂波；其次，利用红外图像序列中目标的运动信息，在时域上采用梯度权重滤波方法抑制时域中变化较为缓慢的背景；然后将时空域背景抑制结果相融合，得到背景抑制后的弱小目标图像；最后利用自适应阈值分割图像，检测出弱小目标。该发明在目标检测时不仅利用了红外弱小目标的空间灰度信息，还充分利用了目标的时域运动信息，分别从时域和空域抑制背景杂波，因此大大提高了复杂背景下运动弱小目标的检测性能。

说明书

技术领域

本发明属于红外图像处理领域，主要涉及一种基于时空域背景抑制的红外弱小目标检测方法。 

背景技术

在红外搜索跟踪系统(IRST)中，来袭目标距离探测器较远，在红外图像中通常显示为复杂背景中的几个像素点，同时，由于大气衰减及干扰，红外图像中目标与背景的对比度和信噪比较低，这就为后续的目标检测带来了困难。如何从低对比度、低信噪比的红外图像中准确、稳定的检测出目标，就成为IRST中的一项关键技术。 

近年来，由于红外探测技术在军事上的重大意义，许多研究者对红外弱小检测进行了深入的研究，提出了许多检测方法。主要有时域、空域、频域、小波变换、偏微分方程等滤波方法。这些方法分别从不同的角度解决红外弱小目标的检测问题，收到了一定的效果，但针对低信噪比的复杂背景红外图像，这些算法就显示出背景抑制效果差，检测虚警率高，算法复杂度高等缺陷。 

针对弱小目标在空域上只有灰度信息，检测难度大的问题，许多学者将空域检测方法与目标时域运动信息相结合，提出了时空域融合的目标检测算法，收到了一定的效果。在《基于时空域融合的红外弱小目标检测算法》(见弹箭与制导学报。2011年31卷(2期)：P225-227，作者：胡涛涛，樊翔，马东辉)中所述的一种时空域融合的红外弱小目标检测方法，首先用tophat变换对图像在空域上进行背景抑制，然后对背景抑制后的序列图像使用三帧差分法进行运动目标的检测，并对检测的结果进行或运算来累计能量，再利用形态学闭运算连接断裂轨迹，最后通过阈值检测出目标轨迹。该方法对背景变化缓慢、信噪比较高，目标运行速度较快的红外运动弱小目标序列的检测具有一定效果，但该方法同时存在明显的不足：1、tophat滤波方法对于信噪比较低的红外弱小目标图像背景抑制效果较差，并且结果与结构元的选择有非常大的关系，结构元选取不当有可能无法检测出弱小目标。2、三帧差分法可能导致目标强度变弱，且对低速运动的目标检测效果并不好，对背景变化敏感。3、算法仅能检测出目标运行轨迹，无法给出目标当前帧位置，不具有实时性。 

在《Small target detection using bilateral filter and temporal cross product in infrared images》(见Infrared Physics &Technology。54(2011)：P403-411，作者：Tae-Wuk Bae等)中，作者提出了一种时空域融合的红外弱小 目标检测方法。该方法的步骤如下：1、在时域上对n帧图像每一像素点求时域向量积来提取目标运行轨迹。2、根据时域目标轨迹图像的灰度值来生成参数索引图，使不同的灰度值对应不用的σ_d和σ_r。3、根据选定的σ_d和σ_r，对图像在空域上利用双边滤波进行背景抑制，得到空域背景抑制后的图像。4、将1的结果与3的结果进行点乘。5、选取阈值进行分割，得到目标检测结果。算法存在如下问题：1、时域上利用时域向量积只能检测到目标轨迹，且云层边缘起伏较大时，虚警率会增加。2、空域滤波受时域滤波影响较大，当时域结果存在较多虚警及杂波时，会使空域滤波结果变差。3、时空域结果融合时采用点乘，在目标轨迹上容易形成虚警点。 

发明内容

针对低信噪比复杂背景下序列红外运动弱小目标检测中虚警率高的问题，本发明提出了一种时空域结合的红外序列图像运动目标检测方法。该方法分别在时域和空域上进行背景抑制。在时域上，充分利用目标运动信息，使用梯度权重滤波抑制背景，得到时域背景抑制后的图像；在空域上利用目标灰度信息，对单帧图像使用指导滤波进行背景预测，进而抑制背景，最后将时域滤波与空域滤波的结果相融合，使用自适应阈值分割图像，检测出目标。本方法能够实时地检测出目标位置，大大降低虚警概率，并且简单有效。 

本发明是通过以下技术方案实现的，本发明包括以下步骤： 

A、时域背景抑制： 

(1)取N帧图像，绘制图像中每一像素点在N帧图像中灰度值的变化的曲线(时域曲线)f(m，n，k)＝x^k(m，n)k＝1，2…N，(m，n)为像素点的位置坐标，k为图像的帧数，x为灰度值； 

(2)对于每个像素点的时域曲线，计算曲线上每点的梯度值g： 

g^k(m，n)＝|[x^k(m，n)-x^k-1(m，n)]+[x^k(m，n)-x^k+1(m，n)]| 

(3)使用高斯核计算时域曲线上每一点的权重W： 

$>w^k(m,n)=e^{-g^k{(m,n)}^2/{ϵ}^2}$>

其中，ε为调节参数； 

(4)对时域曲线进行梯度权重滤波，滤波器在第k帧的输出P_o^k为： 

$>{P_o}^k(m,n)=\frac{1}{R}\underset{l=k-2}{\overset{k+2}{\Sigma }}{w}^l(m,n)x^l(m,n)$>

其中，R为归一化参数，

(5)用原时域曲线减去梯度权重滤波的结果，得到第N帧时域背景抑制后的图像： 

x^N′＝x^N-P_o^N

B、在空域上对图像进行背景抑制： 

(1)计算指导滤波中图像每一像素点的权值： 

$>W_{m,n;s,t}\left(I\right)=\frac{1}{{\left|\omega \right|}^2}\underset{k:(m,n)\in {\omega }_k,(s,t)\in {\omega }_k}{\Sigma }(1+\frac{(I(m,n)-{\mu }_k)(I(s,t)-{\mu }_k)}{{\sigma }^2+ϵ})$>

μ_k和σ²为指导图像I在滤波窗中的均值和方差，ω_k为滤波窗口，ε为调节参数，调整滤波器的平滑程度，|ω|为窗口ω_k中像素的个数； 

(2)计算指导滤波在每一点(m，n)处的输出： 

$>Q(m,n)=\underset{s=m-L}{\overset{m+L}{\Sigma }}\underset{t=n-L}{\overset{n+L}{\Sigma }}{W}_{m,n,s,t}\left(I\right)P(s,t)$>

其中，L为滤波窗口的半径； 

(3)第N帧图像空域背景抑制后的结果如下： 

I_sout^N＝P^N-Q^N

C、将A的结果与B的结果做与运算，得到第n帧背景初步抑制后的图像： 

I_temp^N＝I_sout^N·x^N

D、将A的结果作为原图像，C的结果作为指导图像，进行指导滤波，得到背景抑制结果： 

$>Q(m,n)=\underset{s=m-N}{\overset{m+N}{\Sigma }}\underset{t=n-N}{\overset{n+N}{\Sigma }}{W}_{m,n,s,t}\left(I_{\mathrm{temp}}\right)X(s,t)$>

其中$>W_{m,n;s,t}\left(I_{\mathrm{temp}}\right)=\frac{1}{{\left|\omega \right|}^2}\underset{k:(m,n)\in {\omega }_k,(s,t)\in {\omega }_k}{\Sigma }(1+\frac{(I_{\mathrm{temp}}(m,n)-{\mu }_k)(I_{\mathrm{temp}}(s,t)-{\mu }_k)}{{\sigma }^2+ϵ})$>

E、采用自适应阈值分割将图像二值化，得到最终目标检测结果： 

$>Q^{\prime }(m,n)=\left(\begin{array}{c}255,Q(m.n)\ge \mathrm{Th}\\ 0,Q(m,n)\le \mathrm{Th}\end{array}\right)$>

其中Th为阈值：Th＝μ+10σ²，μ、σ²分别为图像的均值和方差。 

本发明采用指导滤波来实现空域背景预测，由于其在平滑图像的同时具有良好的边缘保持特性，因此可以对图像中的边缘细节进行更准确地预测，进而有效抑制空域中较为平稳的背景及边缘杂波；在时域中，本发明利用目标的运动信息，提出了一种梯度权重的滤波方法进行时域背景预测，可以有效抑制时域中变化较为缓慢的背景杂波；时域与空域背景抑制独立进行，可以充分利用红外图像中弱小目标的灰度信息与运动轨迹信息；采用指导滤波的方法融合时域与空域背景抑制的结果，巧妙的将时空域结果相融合，并且能够进一步抑除背景杂波，为后续的目标检测提供更好的基础。 

附图说明

通过参照附图更详细地描述本发明的示例性实施例，本发明的以上和其它方面及优点将变得更加易于清楚，在附图中： 

图1为本发明的一种基于时空域背景抑制的红外弱小目标检测方法的流程示意图； 

图2为不同的参数下对同一幅图像利用指导滤波平滑后的结果；(a)原图(b)ε＝0.1，ω_k＝2(c)ε＝0.1，ω_k＝4(d)ε＝0.4，ω_k＝2； 

图3为红外图像中几个特征像素点的时域曲线； 

图4为两组包含弱小运动目标的复杂天空背景红外图像检测结果。(a)为原图；(b)为空域背景抑制后的结果；(c)为时域背景抑制后的结果；(d)为时空域融合后的背景抑制结果；(e)为使用自适应阈值分割后的检测结果。 

具体实施方式

在下文中，现在将参照附图更充分地描述本发明，在附图中示出了各种实施例。然而，本发明可以以许多不同的形式来实施，且不应该解释为局限于在此阐述的实施例。相反，提供这些实施例使得本公开将是彻底和完全的，并将本发明的范围充分地传达给本领域技术人员。 

在下文中，将参照附图更详细地描述本发明的示例性实施例。 

参照图1，本发明的具体实现步骤如下： 

本方法具体实现步骤如下： 

步骤1、对序列红外图像的前N帧进行时域滤波，抑制背景杂波，图4(a)为序列红外图像中的一帧。 

1.1输入1～N帧图像(N可由具体情况确定，本方法取N＝10)，绘制出图像中每个像素点N帧的时域曲线： 

f(m，n，k)＝x^k(m，n)  k＝1，2…n 

其中(m，n)为像素点的位置坐标，k为图像的帧数，x为灰度值。 

1.2对图像中每一个像素点的时域曲线，进行梯度权重法滤波，具体步骤如下：(1)对于每个像素点的时域曲线，计算曲线上每点的梯度值g： 

g^k(m，n)＝|[x^k(m，n)-x^k-1(m，n)]+[x^k(m，n)-x^k+1(m，n)]| 

(2)使用高斯核计算时域曲线上每一点的权重W： 

$>w^k(m,n)=e^{-g^k{(m,n)}^2/{ϵ}^2}$>

其中，ε为调节参数。 

(3)对时域曲线进行梯度权重滤波，滤波器在第k帧的输出P_o^k为： 

$>{P_o}^k(m,n)=\frac{1}{R}\underset{l=k-2}{\overset{k+2}{\Sigma }}{w}^l(m,n)x^l(m,n)$>

其中，R为归一化参数，

1.3用原时域曲线减去梯度权重滤波的结果，得到第N帧图像时域背景抑制后的结果。如图4中的(c)： 

x^N′＝x^N-P_o^N

步骤2、利用指导滤波对第N帧图像进行背景预测，得经空域背景抑制后的图像。2.1选取指导滤波参数：滤波窗口大小为5×5，调节参数ε＝0.2。指导滤波中，调节参数ε与滤波窗口大小N对滤波结果有着非常重要的影响。ε相当于一个基准，对σ²＜ε的区域进行平滑，对σ²＞ε的区域进行保持，在对较为平稳的区域进行平滑时，指导滤波相当于高斯平滑滤波器，窗口越大，平滑效果越强。通过以上的分析可以看出，调节ε与窗口半径N可以改变指导滤波的输出结果。 

2.2选取原图为指导图像，计算图像中每一像素点的权值： 

$>W_{m,n;s,t}\left(I\right)=\frac{1}{{\left|\omega \right|}^2}\underset{k:(m,n)\in {\omega }_k,(s,t)\in {\omega }_k}{\Sigma }(1+\frac{(I(m,n)-{\mu }_k)(I(s,t)-{\mu }_k)}{{\sigma }^2+ϵ})$>

μ_k和σ²为指导图像I在滤波窗中的均值和方差，ω_k为滤波窗口，ε为调节参数，调整滤波器的平滑程度，|ω|为窗口ω_k中像素的个数。 

2.3计算滤波结果： 

$>Q(m,n)=\underset{s=m-L}{\overset{m+L}{\Sigma }}\underset{t=n-L}{\overset{n+L}{\Sigma }}{W}_{m,n,s,t}\left(I\right)P(s,t)$>

其中，L为滤波窗口半径。 

2.4第N帧图像空域背景抑制后的结果如下： 

I_sout^N＝P^N-Q^N

步骤3、将步骤1的结果与步骤2所得到结果做与运算，得到第N帧图像背景抑制后的结果： 

I_temp^N＝I_sout^N·x^N

步骤4、将步骤1的结果作为原图像，步骤3的结果作为指导图像，进行指导滤波，得到背景抑制结果。如图4(d)： 

$>Q_{\mathrm{out}}(m,n)=\underset{s=m-N}{\overset{m+L}{\Sigma }}\underset{t=n-N}{\overset{n+L}{\Sigma }}{W}_{m,n,s,t}\left(I_{\mathrm{temp}}\right)X(s,t)$>

其中$>W_{m,n;s,t}\left(I_{\mathrm{temp}}\right)=\frac{1}{{\left|\omega \right|}^2}\underset{k:(m,n)\in {\omega }_k,(s,t)\in {\omega }_k}{\Sigma }(1+\frac{(I_{\mathrm{temp}}(m,n)-{\mu }_k)(I_{\mathrm{temp}}(s,t)-{\mu }_k)}{{\sigma }^2+ϵ})$>

步骤5、采用自适应阈值分割将图像二值化，得到最终目标检测结果。 

采用自适应阈值分割将图像二值化，得到最终目标检测结果： 

$>Q^{\prime }(m,n)=\left(\begin{array}{c}255,Q(m.n)\ge \mathrm{Th}\\ 0,Q(m,n)\le \mathrm{Th}\end{array}\right)$>

其中Th为阈值：Th＝μ+10σ²，μ、σ²分别为图像的均值和方差。 

以上所述仅为本发明的实施例而已，并不用于限制本发明。本发明可以有各种合适的更改和变化。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。