法律状态公告日
法律状态信息
法律状态
2017-01-25
未缴年费专利权终止 IPC(主分类):G06T7/00 授权公告日:20120822 终止日期:20151207 申请日:20101207
专利权的终止
2012-08-22
授权
授权
2011-06-15
实质审查的生效 IPC(主分类):G06T7/00 申请日:20101207
实质审查的生效
2011-04-27
公开
公开
技术领域
本发明属于目标检测技术领域,涉及一种红外小目标检测的方法。
背景技术
红外小目标由于目标面积小,对比度低,形态特征弱化,细节特征大部分丧失,背景图像复杂,目标常淹没其中,成像信噪比低等问题,使得小目标检测变得困难。
目前的解决方法有以下几种:①采用自适应Butterworth高通滤波器对红外背景进行抑制,通过二值化操作在单帧图像中检测出小目标,算法的关键是滤波器截止频率的选取,不同的图像需要不同的分段线性函数;②针对空中云背景下的小目标,建立相应的图像模型,通过计算三阶累积量对噪声进行抑制,同时对目标及背景进行分割,主要针对信噪比较低的图像中小目标的检测;③采用轮廓结构元素形态TOP-Hat算法对单帧红外小目标进行检测,能够抑制背景杂波并增强目标,但该算法的性能与其中多个参数有关,针对不同图像,并没有给出相应的选取方法。总之,现有的处理方法对红外图像模型、参数的过分依赖,导致适应性差。
发明内容
为了克服现有红外小目标检测算法的缺陷,本发明提出本一种基于局部灰度突变的红外小目标检测算法,它利用红外小目标的自身特点,提出局部突变加权信息熵进行背景抑制,然后采用局部能量法进行目标增强,有效地提高图像的信噪比。
本算法的基本实施过程:首先,利用红外小目标的自身特点,提出局部突变加权信息熵进行背景抑制;然后利用局部能量法进行目标增强;最后采用自适应阈值门限分割检测出小目标。
基于局部灰度突变的红外小目标检测算法,具体步骤分为三步:
步骤一、对原始红外图像的所有像素点进行局部突变加权信息熵预处理:对于红外灰度图像s中每一个像素点(x,y),记其对应的灰度值为s(x,y),记其对应的N×N邻域为M,其中N为大于1的正奇数,记该邻域中有m种灰度值s1,s2,…,sm,其中m≤N×N,各种灰度值对应的概率分布分别为定义该像素点(x,y)对应的局部突变加权信息熵值为:
步骤二、对经过步骤一处理后的图像的所有像素点进行目标增强:对每个像素点(x,y),其对应的局部能量和G(x,y)为该像素点邻域内所有像素点的局部突变加权信息熵值H(x,y)的平方和,将每一像素点(x,y)计算得到的G(x,y)更新为该像素点的灰度值,设得到的图像为A;
步骤三、自适应阈值分割:对于由步骤二得到的图像A,如果某一像素点(x,y)的灰度值高于自适应阈值门限T,将其灰度值R(x,y)置为1,如果该像素点(x,y)的灰度值低于自适应阈值门限T,则将其灰度值R(x,y)置为0,则目标增强后的图像A在自适应阈值门限T上的分割结果可以表示为下式:
其中,自适应阈值门限T是根据图像的统计特性来设置的,公式如下:
T=CK×SNR×σ+m
式中m为步骤二中得到的图像A的平均灰度,σ为图像A中各像素点灰度的均方差;CK为调整因子,根据背景复杂程度设定;SNR为图像A的幅值信噪比,其定义如下:
式中,fm为图像A的灰度最大值。
步骤四、确定复杂背景下红外小目标:对于灰度值为1的像素点,认为是目标;对于灰度值为0的像素点,认为是背景或噪声。
有益效果
本发明方法和已有技术相比,本算法利用了红外小目标和背景图像的特点,不依赖于红外图像模型和参数选择,能有效的抑制背景图像,提高红外图像的信噪比,从而提高目标的检测概率。
附图说明
图1为本发明的实施方式的结构框图示意;
具体实施方式
基于局部灰度突变的红外小目标检测算法,具体步骤分为三步:
步骤一、输入原始红外图像,对原始红外图像的所有像素点进行局部突变加权信息熵预处理:对于红外灰度图像s中每一个像素点(x,y),记其对应的灰度值为s(x,y),记其对应的N×N邻域为M,其中N为大于1的正奇数,记该邻域中有m种灰度值s1,s2,…,sm,其中m≤N×N,各种灰度值对应的概率分布分别为定义该像素点(x,y)对应的局部突变加权信息熵值为:
步骤二、对经过步骤一处理后的图像的所有像素点进行目标增强:对每个像素点(x,y),其对应的局部能量和G(x,y)为该像素点邻域内所有像素点的局部突变加权信息熵值H(x,y)的平方和,即:
式中(xi,xj)(i,j)∈Z为邻域M中的某一像素;
将每一像素点(x,y)计算得到的G(x,y)更新为该像素点的灰度值,设得到的图像为A;
步骤三、自适应阈值分割:对于由步骤二得到的图像A,如果某一像素点(x,y)的灰度值高于自适应阈值门限T,将其灰度值R(x,y)置为1,如果该像素点(x,y)的灰度值低于自适应阈值门限T,则将其灰度值R(x,y)置为0,则目标增强后的图像A在自适应阈值门限T上的分割结果可以表示为下式:
其中,自适应阈值门限T是根据图像的统计特性来设置的,公式如下:
T=CK×SNR×σ+m
式中m为步骤二中得到的图像A的平均灰度,σ为图像A中各像素点灰度的均方差;CK为调整因子,根据背景复杂程度设定;SNR为图像A的幅值信噪比,其定义如下:
式中,fm为图像A的灰度最大值。
步骤四、确定复杂背景下红外小目标:对于灰度值为1的像素点,认为是目标;对于灰度值为0的像素点,认为是背景或噪声。
机译: 基于复杂场景下深度图的红外小目标检测方法
机译: 红外探测器灰度值校正的一种方法。
机译: 一种校正数码红外摄像机图像灰度值的方法。