一种基于局部灰度突变的红外小目标检测方法

摘要

为了克服现有红外小目标检测算法对红外图像模型、参数的过分依赖，导致适应性差的缺陷，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。

说明书

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，…，s_m，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：

$H(x,y)=-\underset{i=1}{\overset{m}{\Sigma }}{(s_i-s(x,y))}^2{P}_{s_i}\log P_{s_i}---\left(1\right)$

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：

$R(x,y)=\left(\begin{array}{c}0;G(x,y)\le T\\ 1;G(x,y)>T\end{array}\right)---\left(2\right)$

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＝C_K×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；C_K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：

$\mathrm{SNR}=\frac{f_m-m}{\sigma }---\left(3\right)$

式中，f_m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，…，s_m，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：

$H(x,y)=-\underset{i=1}{\overset{m}{\Sigma }}{(s_i-s(x,y))}^2{P}_{s_i}\log P_{s_i}$

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：

$G(x,y)=\underset{(x_i,y_j)\in M}{\Sigma }{\left[H(x_i,y_j)\right]}^2$

式中(x_i，x_j)(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：

$R(x,y)=\left(\begin{array}{c}0;G(x,y)\le T\\ 1;G(x,y)>T\end{array}\right)$

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＝C_K×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；C_K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：

$\mathrm{SNR}=\frac{f_m-m}{\sigma }$

式中，f_m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。