本發(fā)明涉及背景預(yù)處理技術(shù)和目標(biāo)提取技術(shù)，具體涉及一種應(yīng)用于紅外成像系統(tǒng)的小目標(biāo)檢測方法。
背景技術(shù)：
：在現(xiàn)代高科技戰(zhàn)爭中，為了能夠盡早地發(fā)現(xiàn)敵方衛(wèi)星及來襲導(dǎo)彈、飛機(jī)等軍事目標(biāo)，使制導(dǎo)系統(tǒng)有足夠的反應(yīng)時間，要求紅外偵察系統(tǒng)在遠(yuǎn)距離處就能發(fā)現(xiàn)目標(biāo)。只有及時地發(fā)現(xiàn)目標(biāo)、跟蹤目標(biāo)、捕獲和鎖定目標(biāo)，才能對其實施有效地攔截或攻擊。目標(biāo)相對于大面積天空背景，在紅外圖像中目標(biāo)僅占一個或幾個像素，而且由于目標(biāo)成像小，在運動過程中很容易被云層遮擋，給紅外目標(biāo)的檢測造成很大的干擾?，F(xiàn)階段，對于紅外成像系統(tǒng)基于復(fù)雜云層背景的檢測算法主要包括時域高通濾波法、遺傳算法理論、人工神經(jīng)網(wǎng)絡(luò)法、分形理論等目標(biāo)提取方法，此類方法算法復(fù)雜度高、實時性差，無法滿足紅外成像系統(tǒng)的快速響應(yīng)過程，并且在工程上實現(xiàn)較為困難。技術(shù)實現(xiàn)要素：本發(fā)明的目的在于提供一種基于多方向形態(tài)學(xué)濾波復(fù)雜云背景下紅外小目標(biāo)檢測方法，根據(jù)云層背景特點，確定濾波處理模板的尺寸及方向，在原始圖像中值濾波的基礎(chǔ)上，利用濾波模板對中值濾波后的圖像進(jìn)行腐蝕和膨脹處理，并通過差值圖像最大值確定分割閾值，進(jìn)而完成對紅外目標(biāo)提取。本發(fā)明通過以下技術(shù)方案實現(xiàn)，一種基于多方向形態(tài)學(xué)濾波復(fù)雜云背景下紅外小目標(biāo)檢測方法，包括如下步驟：步驟一：通過中值濾波算法對云層背景下的紅外原始圖像進(jìn)行預(yù)處理，得到云層背景預(yù)處理圖像；步驟二：運用多個方向濾波模板的腐蝕算法和膨脹算法對云層背景預(yù)處理圖像進(jìn)行處理，得到腐蝕膨脹后的濾波圖像；步驟三：將紅外原始圖像與腐蝕膨脹后的濾波圖像進(jìn)行差值運算，確定差值圖像最大值，利用閾值參數(shù)計算圖像分割閾值，提取紅外目標(biāo)。本發(fā)明采用基于運動載體的復(fù)雜云背景下小目標(biāo)檢測方法，與現(xiàn)有技術(shù)相比，其優(yōu)點和有益效果是：1)云層邊緣識別準(zhǔn)確。利用云層邊緣紅外成像的特性，創(chuàng)建類似于云層邊緣紋理特征的濾波模板對其紅外圖像進(jìn)行濾波處理，能夠提取包含云層邊緣的云背景紅外圖像。2)目標(biāo)提取準(zhǔn)確。通過云層邊緣紋理特征方法濾波后，原始圖像中的小目標(biāo)將被濾除，通過原始圖像與濾波后圖像的差值，可以消除云背景對目標(biāo)的干擾。3)易于工程實現(xiàn)。本發(fā)明涉及的目標(biāo)提取方法，僅需要對當(dāng)前幀的圖像信息進(jìn)行濾波處理，并利用差值灰度提取目標(biāo)信息，算法復(fù)雜度低且實時性高，易于工程實現(xiàn)。本發(fā)明在紅外成像領(lǐng)域有廣泛的應(yīng)用前景。附圖說明以下將結(jié)合附圖和實施例對本發(fā)明作進(jìn)一步說明。圖1為本發(fā)明實施例多方向濾波模型示意圖；圖2為本發(fā)明實施例紅外小目標(biāo)檢測方法流程圖；圖3為本發(fā)明實施例腐蝕濾波算法流程示意圖；圖4為本發(fā)明實施例膨脹濾波算法流程示意圖；圖5為本發(fā)明實施例云層濾波效果示意圖。具體實施方式結(jié)合圖2所示，本發(fā)明一種基于多方向形態(tài)學(xué)濾波復(fù)雜云背景下紅外小目標(biāo)檢測方法，包括如下步驟：紅外成像系統(tǒng)接收云層背景的紅外圖像信息，以某個紅外圖像像素為中心，利用固定像素模塊的中值濾波算法對該圖像進(jìn)行濾波處理。在中值濾波的基礎(chǔ)上，利用基于中心點的多個方向的濾波模板對紅外圖像進(jìn)行腐蝕處理，即首先在各個特定方向上取得圖像灰度極小值，通過比較這些極小值得到最小值，并利用該最小值替換當(dāng)前中心點圖像灰度。在腐蝕濾波的基礎(chǔ)上，通過相同的濾波模板對紅外圖像進(jìn)行膨脹處理，即首先在各個特定方向上取得圖像灰度極大值，通過比較這些極大值得到最大值，并利用該最大值替換當(dāng)前中心點圖像灰度。將紅外成像系統(tǒng)接收的云層原始圖像與膨脹濾波處理后的圖像進(jìn)行差值運算，求取當(dāng)前圖像灰度最大值，并計算分割閾值。根據(jù)圖像分割閾值對原始圖像進(jìn)行二值化分割，提取紅外目標(biāo)。由于紅外圖像中的小目標(biāo)在云背景中是一個突異的小亮點，因此可以通過濾波模板尺寸和形狀選取，提取云層邊緣輪廓，濾除小目標(biāo)。選擇合適的濾波模板尺寸剛好除去小目標(biāo)，而保留云層圖像的其它信息不變，特別是云層邊緣信息。若濾波模板過大，則將導(dǎo)致圖像過度的平滑處理，致使其它信息丟失，若濾波模板過小，則無法去除小目標(biāo)。同時若采用一種濾波模板的形狀，輸出的紅外圖像只有一種幾何信息被保持，其它幾何信息與小目標(biāo)一起被濾掉。而輸入的云層背景圖像通常較為復(fù)雜，它可能是各種簡單幾何形狀的疊加或組合，造成嚴(yán)重的背景泄露。因此需要采用不同尺寸、多個形狀的濾波模板進(jìn)行云層背景的預(yù)處理。具體實施例中，云層邊緣的幾何形狀有直線、有斜線、有曲線，而曲線的幾何形狀在局部類似于斜線，因此云層邊緣可以看成直線的組合，以云層背景圖像中某個像素為例，建立如下濾波模板：以該像素為中心，選擇尺寸包含5個鄰近像素12種方向的線性結(jié)構(gòu)作為濾波模板，具體模型見圖1。設(shè)云層背景紅外圖像輸入的數(shù)字量化函數(shù)為f(x,y)，則首先經(jīng)過中值濾波模板對該輸入圖像進(jìn)行濾波處理，得到中值濾波后的圖像函數(shù)：fM(x,y)=f(x,y)ΘMxc,yc---(1)]]>其中為中值濾波模型，該濾波模型使用3*3鄰近9個像素模板對圖像進(jìn)行中值濾波，濾波模型如下：Mxc,yc=median{Ix∈[xc-1,xc+1],y∈[yc-1,yc+1]}---(2)]]>(xc,yc)為濾波模塊中心點對應(yīng)的坐標(biāo)。在中值濾波的基礎(chǔ)上，利用12個方向的線性結(jié)構(gòu)模塊對圖像進(jìn)行腐蝕處理，其處理流程如圖3所示。通過腐蝕處理得到的圖像函數(shù)為fE(x,y)，則該函數(shù)的表達(dá)式如下：fE(x,y)=fM(x,y)ΘExc,yc---(3)]]>其中為腐蝕濾波模型，該濾波模型使用1*5鄰近5個像素模板對圖像進(jìn)行腐蝕濾波，濾波模型如下：Exc,yc=min{Ix∈[xc-2,xc+2],y∈[yc-2,yc+2]}---(4)]]>在腐蝕濾波的基礎(chǔ)上，同樣利用12個方向的線性結(jié)構(gòu)模塊對圖像進(jìn)行膨脹處理，其處理流程如圖4所示。通過膨脹處理得到的圖像函數(shù)為fD(x,y)，則該函數(shù)的表達(dá)式如下：fD(x,y)=fE(x,y)ΘDxc,yc---(5)]]>其中為膨脹濾波模型，該濾波模型使用1*5鄰近5個像素模板對圖像進(jìn)行膨脹濾波，濾波模型如下：Dxc,yc=min{Ix∈[xc-2,xc+2],y∈[yc-2,yc+2]}]]>(6)膨脹濾波結(jié)束后得到背景雜波和噪聲的準(zhǔn)確估計fD(x,y)，該估計主要分為兩個部分，即背景估計值fB(x,y)和由于背景估計不準(zhǔn)確而造成的背景泄露和殘余噪聲fN(x,y)。其表達(dá)式如下：fD(x,y)＝fB(x,y)+fN(x,y)(7)通過原始圖像和膨脹濾波結(jié)束后的值相減，得到差值圖像數(shù)學(xué)表達(dá)式：h(x,y)＝f(x,y)-fD(x,y)(8)在差值圖像中取灰度最大值作為分割閾值的初始值輸入，在此初始值的基礎(chǔ)上計算得到圖像分割閾值I,其表達(dá)式如下：I＝Ia·Max(h(x,y))(9)上式中Ia為閾值系數(shù)。根據(jù)分割閾值對原始圖像進(jìn)行二值化分割，分割準(zhǔn)則如下所示：f(x,y)=0f(x,y)<I1f(x,y)≥I---(10)]]>根據(jù)式(10)完成對原始圖像中小目標(biāo)的提取，效果如圖5所示。當(dāng)前第1頁1 2 3