一种红外背景杂波量化方法

摘要

本发明针对红外小目标图像，提出红外背景杂波定量描述方法。该方法综合考虑了目标与背景的特征，融合了4种特征，分别为归一化差异均值、归一化背景标准偏差、一致性和背景的归一化三阶矩。首先采用支持向量机把背景杂波强度分为5类，很强、较强、一般、较弱、弱。然后对每类图像分别采用层次分析法计算各特征的权重，实现杂波强度的量化。

说明书

技术领域

本发明涉及一种红外小目标图像中背景杂波量化方法，属于红外图像处理领域。

背景技术

红外小目标检测是红外预警、红外自动寻的系统中的关键技术和研究热点之一。在远距离成像(5km-10km以上)时，导弹、飞机等目标在红外成像系统中呈现小目标的特性，即目标强度低、所占像素少。随着隐身策略的采用，目标的红外辐射强度越来越小，且目标所在背景越来越复杂。典型的红外背景包括：天空背景、海天背景、海面背景、低空和地面混合背景等。太阳光的辐射、海杂波、大面积的云层以及人造建筑物等都会使图像的背景变得复杂，例如巡航弹越来越多进行低空巡航飞行，此时，成像背景为复杂的地面或者海面。复杂的背景给弱小目标检测带来很大的难度。对红外背景杂波进行定量描述，可以用于分析不同背景杂波对算法检测性能的影响，对算法的性能进行有效的评估。因此，定量描述红外背景具有重要意义。

经过对现有的文献资料的研究发现，目前，用于背景杂波量化的方法有：Chang等人在2006年第1期的“IEEE Transactions on Aero space & Electronic System”上发表的“New Metrics for Clutter Affecting Human Target Acquisition”一文中提出了一种基于结构的杂波描述方法，高陈强等人在2009年第7期的“华中科技大学学报(自然科学版)”上发表的“复杂天空背景下基于GST的红外斑点小目标检测”一文中提出了一种基于数学统计的方法，郭伟等人在2008年第5期的“红外与毫米波学报”上发表的“基于非参数统计的云层背景描述与红外弱小目标检测”一文中提出了一种基于高对比度敏感尺度的方法，魏长安等人在2009年第4期的“电子学报”上发表的“基于形态重构与跟踪的红外小目标检测算法”一文中提出了一种基于功率谱的方法等。在一般情况下，如果具有丰富先验知识的人无法准确检测目标，则算法也很难做出准确判别。一个有效的定量描述背景杂波的方法应该满足下列三个条件：(1)与主观判断一致；(2)能够描述红外系统捕获目标性能的差异；(3)对于不同的红外图像具有适应性。

传统方法的缺点是：(1)缺少对不同特征优点的综合利用；(2)在某些情况下无法正确反映杂波强度对目标检测的干扰程度。本发明主要研究红外小目标图像中的背景杂波定量描述方法。本发明提出一种新的方法：综合了传统描述算子的优点，提出了一种新的基于支持向量机和层次分析法的背景杂波量化方法。

发明内容

本发明的目的在于提出一种基于红外背景杂波量化方法，用于量化红外小目标图像中的红外背景杂波强度。

本发明的技术方案概括为：首先采用支持向量机对背景杂波进行分类，然后采用层次分析法完成对背景杂波的量化。

本发明中红外小目标的定义如下：

(1)能量“弱”：单帧图像信噪比(Signal-to-Noise Ratio，SNR)≤2.5；

(2)尺寸“小”：根据SPIE的建议，当目标在图像中所占像素不超过图像总像素的0.15％时，此目标将被定义为小目标。如在尺寸为128×128像素的图像中，小目标的大小不超过4×4。

以下对本发明的技术方案作进一步的说明。

本发明提出一种针对红外小目标图像的红外背景杂波量化方法，具体操作如下：

(1)拍摄图像

本发明采用红外成像系统获得红外小目标图像并对其直接进行处理。现有的红外成像系统一般为红外焦平面，按照自身的帧频拍摄产生连续帧的红外图像。本发明是对红外成像系统产生的单帧图像进行处理，该成像系统的具体参数如下：光学系统有效面积A₀＝12.0cm²，探测器星响应度可探测最小信噪比SNR＝4，探测器面积A_d＝0.4mm²，等效噪声带宽Δf＝2000.0Hz，光学系统红外辐射透过率τ₀＝0.8，信号衰减因子δ≈1；成像波段为红外中波波段(3μm-5μm)。

(2)提取4种基本特征

本发明采用4种典型的特征算子分别计算小目标和背景的特征，分别用公式表达为：

1)归一化差异均值

$\overline{\mathrm{\Delta m}}=\frac{|m_t-m_B|}{(L-1)}---\left(1\right)$

2)归一化背景标准偏差

$\bar{\sigma }=\frac{\sqrt{{\sigma }^2}}{{(L-1)}^2}---\left(2\right)$

3)一致性U，0＜U≤1

$U=\underset{i=0}{\overset{L-1}{\Sigma }}{p}^2\left(z_i\right)---\left(3\right)$

4)背景的归一化三阶矩表示背景灰度直方图向左偏斜，反之，向右偏斜。

$\overline{{\mu }_3}=0.5[\frac{\underset{i=0}{\overset{L-1}{\Sigma }}{(z_i-m_B)}^{3}p\left(z_i\right)}{{(L-1)}^2}+1]---\left(4\right)$

式(1)～式(4)中，m_t为目标灰度均值，m_B为背景灰度均值，L表示图像的灰度级，σ表示标准差，z_i表示灰度变量，p(z_i)表示z_i的分布概率。

(3)采用支持向量机分类

采集1000幅图像作为训练样本，将所有样本随机分为5个子集，每次将4个子集用于训练，剩下的一个子集用于分类测试，重复上述过程，直到所有子集都参加了测试，计算5次平均分类错误率，选取平均分类错误率最小的参数σ²为模型参数。本发明设定σ²＝0.50，C＝1000。然后采用支持向量机将所有样本按照背景杂波的强度分为5类：1)很强、2)强、3)一般、4)弱、5)很弱。支持向量机的核函数采用高斯径向函数，用公式表达为：

$k(x_i,x_j)=\exp (-\frac{\left|\right|x_i-x_j{\left|\right|}^2}{{2\sigma }^2})---\left(5\right)$

(4)采用层次分析法完成量化

层次分析法的关键是构造一个合适的成对比较判断矩阵A＝(a_ij)_n(a_ij表示特征i和特征j的相对权重)，求解出A的最大特征根λ_max及其对应的归一化特征向量W＝[w₁，w₂，…，w_n]^T。设由式(1)～式(4)计算的基本特征向量为X＝[x₁，x₂，…，x_n]，n＝4，背景杂波强度Int可用式(6)计算：

Int＝X·W    (6)

支持向量机得到的分类结果为5类，分别采用以下5类成对比较矩阵A₁～A₅。

A₁～A₅用公式表示为：

$A_1=\left(\begin{array}{cccc}1& 2& 3& 9\\ 0.5& 1& 2& 2\\ 0.33& 0.5& 1& 2\\ 0.11& 0.5& 0.5& 1\end{array}\right)---\left(7\right)$

$A_2=\left(\begin{array}{cccc}1& 2& 3& 7\\ 0.5& 1& 2& 3\\ 0.33& 0.5& 1& 2\\ 0.16& 0.33& 0.5& 1\end{array}\right)---\left(8\right)$

$A_3=\left(\begin{array}{cccc}1& 2& 2& 5\\ 0.5& 1& 1& 2\\ 0.5& 1& 1& 2\\ 0.2& 0.5& 0.5& 1\end{array}\right)---\left(9\right)$

$A_4=\left(\begin{array}{cccc}1& 1& 2& 4\\ 1& 1& 2& 2\\ 0.5& 0.5& 1& 2\\ 0.25& 0.5& 0.5& 1\end{array}\right)---\left(10\right)$

$A_5=\left(\begin{array}{cccc}1& 2& 3& 5\\ 0.5& 1& 2& 2\\ 0.33& 0.5& 1& 2\\ 0.2& 0.33& 0.5& 1\end{array}\right)---\left(11\right)$

附图说明

图1为2幅典型的典型红外小目标图像，图中用箭头标出小目标所在的位置。

图2为基于支持向量机与层次分析法的背景杂波描述方法流程图。

图3为本发明提出的背景杂波量化方法与归一化对比均值、局部信杂比的一致性对比结果。

图4为不同算法性能与背景强度的关系。

具体实施方式

下面结合附图对本发明的技术方案作进一步的详细描述。

本发明设计了一种针对红外小目标图像的背景杂波量化的新方法，现以图1中的2幅典型的红外小目标图像为例进行方法局部步骤的说明。图1为采用红外成像设备获得的红外小图像，成像设备的具体参数为：光学系统有效面积A₀＝12.0cm²，探测器星响应度可探测最小信噪比SNR＝4，探测器面积A_d＝0.4mm²，等效噪声带宽Δf＝2000.0Hz，光学系统红外辐射透过率τ₀＝0.8，信号衰减因子δ≈1；成像波段为红外中波波段(3μm-5μm)。成像气候条件应本着能够获取远距离运动目标的原则，即尽量避免雨雪天气，拍摄时间白天夜晚均可。

本发明提出的背景量化方法的具体步骤如图2所示。

(1)提取基本特征

图1中包含2幅红外小目标图像，图1中用箭头标出小目标所在的位置，目标位置和尺寸的标定方法为人工标定。

采用式(12)～式(15)的计算公式提出4种基本特征。

1)归一化差异均值

$\overline{\mathrm{\Delta m}}=\frac{|m_t-m_B|}{(L-1)}---\left(12\right)$

2)归一化背景标准偏差

$\bar{\sigma }=\frac{\sqrt{{\sigma }^2}}{{(L-1)}^2}---\left(13\right)$

3)一致性U，0＜U≤1

$U=\underset{i=0}{\overset{L-1}{\Sigma }}{p}^2\left(z_i\right)---\left(14\right)$

4)背景的归一化三阶矩表示背景灰度直方图向左偏斜，反之，向右偏斜。

$\overline{{\mu }_3}=0.5[\frac{\underset{i=0}{\overset{L-1}{\Sigma }}{(z_i-m_B)}^{3}p\left(z_i\right)}{{(L-1)}^2}+1]---\left(15\right)$

式(12)～式(15)中，m_t为目标灰度均值，m_B为背景灰度均值，L表示图像的灰度级，σ表示标准差，z_i表示灰度变量，p(z_i)表示z_i的分布概率。

(2)支持向量机分类

按照背景杂波强度的大小，采用支持向量机分类把图像数据分为5类：1)很强、2)强、3)一般、4)弱、5)很弱。

支持向量机的核函数采用高斯径向函数，用公式表达为：

$k(x_i,x_j)=\exp (-\frac{\left|\right|x_i-x_j{\left|\right|}^2}{{2\sigma }^2})---\left(16\right)$

本发明设定σ²＝0.50。

(3)采用层次分析法完成背景杂波量化

对于支持向量机的分类结果，分别采用以下5类成对比较矩阵A₁～A₅。即背景杂波强度“很强”的图像采用A₁量化，背景杂波强度“强”的图像采用A₂量化，背景杂波强度“一般”的图像采用A₃量化，背景杂波强度“弱”的图像采用A₄量化，背景杂波强度“很弱”的图像采用A₅量化。

A₁～A₅用公式表示为：

$A_1=\left(\begin{array}{cccc}1& 2& 3& 9\\ 0.5& 1& 2& 2\\ 0.33& 0.5& 1& 2\\ 0.11& 0.5& 0.5& 1\end{array}\right)---\left(17\right)$

$A_2=\left(\begin{array}{cccc}1& 2& 3& 7\\ 0.5& 1& 2& 3\\ 0.33& 0.5& 1& 2\\ 0.16& 0.33& 0.5& 1\end{array}\right)---\left(18\right)$

$A_3=\left(\begin{array}{cccc}1& 2& 2& 5\\ 0.5& 1& 1& 2\\ 0.5& 1& 1& 2\\ 0.2& 0.5& 0.5& 1\end{array}\right)---\left(19\right)$

$A_4=\left(\begin{array}{cccc}1& 1& 2& 4\\ 1& 1& 2& 2\\ 0.5& 0.5& 1& 2\\ 0.25& 0.5& 0.5& 1\end{array}\right)---\left(20\right)$

$A_5=\left(\begin{array}{cccc}1& 2& 3& 5\\ 0.5& 1& 2& 2\\ 0.33& 0.5& 1& 2\\ 0.2& 0.33& 0.5& 1\end{array}\right)---\left(21\right)$

图1为2幅红外小目标图像，图1(a)中有3个小目标位于海面杂波之中，图1(b)中有2个目标位于地面杂波之中。在局部区域大小为7×7和9×9的情况下，分别计算图1(a)、图1(b)中每个目标的Local SCR和本发明方法得到的背景杂波强度Int，结果如表1和表2所示。局部背景杂波的干扰越小，小目标越容易被检测到。Local SCR表示目标与背景杂波的对比，Local SCR越大表示背景杂波越小。以图1(a)的目标2和目标3为例分析：目标3与周围背景的反差要大于目标2，则目标3的局部背景杂波强度应小于目标2。表1和表2中，目标3的Local SCR小于目标2，与分析的结果不符，在这种情况下Local SCR不能准确地描述背景杂波，而Int的计算结果均与实际情况相符。

Local SCR的计算方法如式(22)所示：

式中，m_t表示目标的灰度均值，表示局部背景的标准差。

表1 7×7局部背景杂波的计算结果

表2 9×9局部背景杂波的计算结果

为了进一步比较，采用支持向量机训练样本之外的所有图像数据作为测试样本。采用式(9)计算不同背景杂波描述方法与人工判别结果的一致性。

$U_r=\frac{N_1}{N_0}\times 100\%---\left(23\right)$

式中，U_r表示一致性计算结果，N₀表示所有的测试样本数，N₁表示本发明方法与人工判断结果相同的样本数。

图3是本发明方法与归一化对比均值、信杂比分别对7×7和9×9局部区域的背景杂波计算结果。与人工判断结果的一致性越高说明方法越好。从图3中可以看出本发明方法一致性明显优于其它两种方法，且在局部区域为7×7时取得较好的一致性。

红外系统对高强度杂波的抗干扰能力不会强于低强度杂波。背景杂波描述方法的计算结果也应该满足这一条件。根据本发明方法计算7×7局部区域的背景杂波强度，然后采用3种典型目标检测算法：Reed算法，基于背景预测的算法以及Victor算法进行目标检测性能实验。

采用探测概率和每100帧图像中的平均虚警数作为检测性能的评价参数。不同算法的检测概率和平均虚警数与本发明背景杂波强度的关系如图4所示。通过曲线可以看出，随着背景杂波强度的增大，3种算法的检测概率均下降，同时平均虚警数增加，这符合目标检测的规律。因此，本发明的背景杂波的量化方法是有效的。

本发明的背景杂波量化描述方法具有以下优点：(1)与具有先验知识的人的主观判断一致；(2)能够合理的描述对红外系统探测性能的影响。因此，本发明的背景杂波量化描述方法可以用于指导红外图像数据库的规划，并且可以根据红外背景杂波干扰程度的不同，选择相应的目标检测算法。