复杂背景条件下红外弱小目标尺寸自适应估算方法

摘要

本发明提出一种红外弱小目标尺寸自适应估算方法，可概括为：(1)获取子图像区域；(2)判断当前点是否属于红外小目标；(3)若当前点不属于红外小目标，则认为在当前点检测不到弱小目标；否则，逐步扩大以当前点为左上角点的子图像尺寸；(4)计算弱小目标存在的必要条件，若符合该条件的子图像的最大尺寸超出限制范围，则认为当前点属于背景；反之，将子图像的尺寸作为在当前点检测到的红外弱小目标的尺寸；(5)在完成对整幅图像所有点的处理之后，取各个点所能检测到的弱小目标尺寸的最大值作为整幅图像弱小目标尺寸的最终估算值。该方法能够适用于天空背景、海空背景等典型类型背景的红外图像弱小目标尺寸估算，对于红外探测、跟踪等领域具有重大意义。

说明书

(一)技术领域

本发明涉及一种红外弱小目标尺寸自适应估算方法，属于红外图像目标检测领域。

(二)背景技术

近年来，红外热成像技术被广泛应用于军事、航空航天等领域，如红外预警系统越来越 重视通过目标自身所产生的红外辐射来探测目标。为了尽早发现目标，使红外预警等防御武 器有足够的反应时间，往往要求目标在距离红外成像系统很远处就被检测出来。

在远距离成像时，目标在红外成像系统中呈现弱小目标的特性，即所占像素点很少并且 目标图像信噪比极低，这给防御武器系统检测目标带来了极大的困难。除此之外，随着各国 反隐身技术的发展，目标自身的红外辐射强度会越来越低，并且目标在飞行的过程中所处的 背景也会越来越复杂，这些都会给弱小目标检测带来很大的困难。因此研究复杂背景下红外 弱小目标的检测具有重大意义。

红外图像预处理是红外图像信号处理过程中的一个至关重要的步骤，而选择一个好的滤 波算法则是预处理的关键。其中相对于传统的高通滤波、中值滤波等基于滤波技术的图像预 处理方法，数学形态学法在处理效果和速度上都占有较大的优势。

在数学形态学中，结构元素是最基本也是最重要的概念之一。结构元素形状和尺寸大小 的选择直接影响基于数学形态学方法的红外图像预处理的效果和速度，进而间接地影响了后 续目标检测和识别等结果。对形状固定的结构元素，选择的尺寸越大，越能滤除较大尺寸的 噪声，但是太大的尺寸不仅会增加预处理的计算量，同时也会损失灰度图像的一些重要的细 节，从而无法满足尽量精确地预测背景的要求。对于给定的灰度图像，结构元素的尺寸往往 与目标的尺寸存在直接的关系，因此，研究如何对给定图像的目标尺寸进行准确估算具有重 要意义。

通过对现有国内文献资料的分析，发现目前缺少对不同典型红外背景中弱小目标尺寸自 适应估算的方法。本发明通过分析红外弱小目标与其局部邻域的关系，提出了一种适用于天 空背景、海天背景等典型红外背景弱小目标尺寸自适应估算的方法。

(三)发明内容

本发明的目的在于提出一种红外弱小目标尺寸自适应估算方法，用于复杂背景中红外弱 小目标尺寸估计。

本发明的技术方案概括为：首先判断图像所有可能属于红外弱小目标一部分的点，然后 在这些点的基础上判断潜在弱小目标的尺寸值，最后取这些尺寸的最大值作为最终估算结果。

以下对本发明的技术方案作进一步说明。

本发明提出了一种复杂背景条件下红外弱小目标尺寸自适应估算方法，并应用于复杂背 景的红外弱小目标尺寸估算，其特征在于对图像中的每一点都进行如下步骤的操作：

步骤一：获取以当前点为中心的子图像区域；

步骤二：基于当前点自适应估算弱小目标尺寸；

当对红外弱小目标图像中的每一点都进行步骤一和步骤二的处理之后，给出弱小目标尺 寸的最终估算值。

其中，在步骤一中，以当前点为中心，获取尺寸大小为3×3像素的子图像区域。

在步骤二中，具体又可按如下两步进行：

a)子图像区域的尺寸为3×3，当前点为目标点；如果当前点属于红外弱小目标的一部分， 则当前点的灰度与其它8个像素点灰度的最大值需要满足一定条件，用公式表达为：

|P(i，j)-pixel_max|＜α×P(i，j)            (1)

式中，P(i，j)表示当前点的灰度值，pixel_max表示当前点周边8个像素点灰度的最大值， α是权重系数，本发明取α＝0.2；公式(1)为判断当前点属于红外弱小目标一部分的必要条件； 如果公式(1)不满足，则认为当前点检测到的弱小目标尺寸为0；

b)在公式(1)满足的前提下，以当前点为左上角点选取尺寸为N×N的(N的初始值为2)子 图像为检测区域；如果当前检测区域属于红外弱小目标的一部分，则当前检测区域的灰度均 值与上一个检测区域的灰度均值满足一定条件，该条件用公式表达如下：

|target_mean-last_target_mean|＜β×target_mean        (2)

式中，target_mean表示当前检测区域的灰度均值，last_target_mean表示上一个检测 区域的灰度均值，若当前检测区域为2×2像素，则上一个检测区域灰度均值为当前点的灰度 值，β是权重系数，本发明取β＝0.1；公式(2)为判断当前检测区域属于红外弱小目标一部分 的必要条件；在满足公式(2)的前提下，逐步增大N，再验证公式(2)是否满足；若基于当前点 所能找到的最大检测区域的尺寸超过弱小目标尺寸的范围，则认为当前点属于背景区域，当 前点检测到弱小目标的尺寸为0；反之，则认为满足公式(2)要求的最大检测区域尺寸即为当 前点检测到的弱小目标的尺寸值。

为了保证实用性，算法能够对不同尺寸的弱小目标进行自适应尺寸估算，具体可描述如 下：

首先定义变量如下：

基于当前点自适应估算弱小目标尺寸(即计算当前点的sizedata(i，j))的具体步骤如下：

1)设定L的初始值为L_min，sizedata(i，j)、target_mean和last_target_mean的初始值均 为0；

2)以当前点为中心，取尺寸为3×3的子图像区域作为预测窗口；计算公式(1)是否成立； 如果成立，令sizedata(i，j)＝1，target_mean＝P(i，j)，进入步骤3)；如果不成立，sizedata(i，j) 保持初始值0不变，认为当前点不属于红外小目标的一部分；

3)将L增加1；如果L≤L_max成立，计算公式(2)是否成立；如果公式(2)成立，令 sizedata(i，j)＝L，last_target_mean＝target_mean，重复步骤3)；若公式(2)不成立，返回当 前sizedata(i，j)作为当前点预测到的红外小目标尺寸值；若L≤L_max不成立，令 sizedata(i，j)＝0，认为当前点属于背景而不是属于红外小目标的一部分；

完成当前红外图像弱小目标尺寸的估算：

令result_size＝sizedata_max。

(四)附图说明

图1为本发明提出的红外弱小目标尺寸自适应估算方法流程图。

图2为判断当前点是否属于红外弱小目标一部分所采用的模板。

图3为本发明提出的以当前点为左上角点的N×N模板。

图4为典型的天空背景红外弱小目标图像示例，背景中包含大量的云层信息。

(五)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。

本发明设计了一种自适应估算红外弱小目标尺寸的方法，对天空背景、海天背景等典型 红外背景中弱小目标尺寸的估算具有良好的效果。本发明的算法流程图如图1所示，现以图 4为具体实例详细说明具体实施步骤。

(1)采集红外图像

利用红外热成像设备直接获取红外弱小目标的图像。在满足所获取图像为红外弱小目标 图像的前提下，成像气候条件应尽量避免雨雪天气，拍摄时间则没有限制，如图4的拍摄天 气为多云的白天。

(2)判断当前点是否属于红外小目标的一部分

取出步骤(1)中拍摄的任意一幅包含红外弱小目标的图像，如图4。对图中的每一点均进 行计算，若当前点P(i，j)满足公式(1)，即|P(i，j)-pixel_max|＜α×P(i，j)，其中α在本发明中取 0.2，则认为当前点属于红外弱小目标的一部分。以图4中第74行、第144列的点为例，该 点的坐标则可记为(74，144)，该点的灰度值为255。按照图2所示的区域模板获取计算公式(1) 所需要的局部区域，该3×3模板的中心点在原图像中的坐标即为(74，144)，其余8个点的灰 度值分别为：240、254、250、254、255、248、253、238。因此公式(1)中的P(i，j)＝P(74，144)＝255， pixel_max＝255，不难验证，当前点满足公式(1)，从而判断当前点(74，144)属于红外弱小目标 的一部分。

(3)计算当前点所能检测到的弱小目标的尺寸值

若当前点不满足公式(1)，则令sizedata(i，j)＝0，即认为在当前点检测不到红外弱小目标。 反之，则令sizedata(i，j)＝1，last_target_mean＝P(i，j)，接着根据图3所示的N×N区域模 板令N＝2选择以当前点为左上角点的4个像素，计算该模板内像素的均值target_mean，判 断是否满足公式(2)，即|target_mean-last_target_mean|＜β×target_mean，其中β＝0.1。 若不满足条件，则返回当前的sizedata(i，j)作为在该点检测到的红外小目标的尺寸值；反之， 令sizedata(i，j)＝2，last_target_mean＝target_mean，接着按照同样的方法判断图3中令N 分别等于3、4、5、6、7、8的N×N局部区域是否属于红外弱小目标，并返回当前点检测到 的弱小目标的尺寸值。值得注意的是，根据对红外弱小目标的定义，在200×200图像中，红 外小目标的尺寸不能超过7×7，若图9中的8×8的局部区域仍然满足公式(2)，则认为该区域 属于背景，令当前点的sizedata(i，j)＝0。

例如对于图4，由步骤(2)知道点(74，144)属于红外弱小目标的一部分，接着按照图3所 示的区域模板令N＝2获取以该点为左上角点的4个像素值，分别255、255、253、238，该区 域的灰度均值target_mean＝250.25，而last_target_mean＝255，易知这两个参数满足 公式(2)，从而令sizedata(74，144)＝2，last_target_mean＝250.25；接着令N＝3选取以该点 为左上角点的9个像素值，分别255、255、202、253、238、196、215、188、177，该区域 的灰度均值为target_mean＝219.89，而last_target_mean＝250.25，易知这两个参数不满 足公式(2)，从而sizedata(74，144)的最终值为2，亦即在点(74，144)检测到的红外小目标尺寸 为2×2。

(4)估算整幅图像中红外弱小目标尺寸值

对红外图像中所有的点在完成步骤(2)和步骤(3)的操作之后，取sizedata数组的最大值 sizedata_max作为红外弱小目标尺寸的最终估算值。

表1中给出了图4经过本发明提出的算法检测后得到的sizedata数组的第73到第76行、 第144到146列，sizedata数组中的其余部分均为0，所以sizedata数组中最大的值为2，即 sizedata_max＝2。

表1 sizedata数组中的一部分(其余未给出的均为0)

 第144列  第145列  第146列   第73行   0   1   0   第74行   2   1   0   第75行   1   1   0   第76行   0   0   0

因此最终得到的估算尺寸值应为2×2。