本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，更進(jìn)一步涉及復(fù)雜背景下紅外圖像處理領(lǐng)域中的一種基于時域經(jīng)驗?zāi)B(tài)分解的弱小目標(biāo)檢測方法。本發(fā)明可用于對紅外圖像中的弱小目標(biāo)進(jìn)行檢測，能有效的提高紅外圖像中小目標(biāo)的檢測精度。

背景技術(shù)：

隨著各國國防科研實(shí)力的不斷增強(qiáng)，在紅外制導(dǎo)、天機(jī)預(yù)警和目標(biāo)監(jiān)視等國防領(lǐng)域中，紅外圖像中的弱小目標(biāo)檢測技術(shù)一直是國內(nèi)外學(xué)者關(guān)注和研究的熱點(diǎn)。但由于，紅外圖像成像距離遠(yuǎn)，背景噪聲大，成像環(huán)境復(fù)雜，目標(biāo)運(yùn)動軌跡不定等等原因，使得該項研究也一直是一個難點(diǎn)。

1998年經(jīng)驗?zāi)B(tài)分解(emd)被提出，該方法不需要設(shè)置任何基函數(shù)，經(jīng)驗?zāi)B(tài)分解就可以根據(jù)數(shù)據(jù)本身進(jìn)行分解，具有良好的自適應(yīng)性。emd方法在處理非平穩(wěn)信號時可以有很高的信噪比且具有自適應(yīng)性，經(jīng)驗?zāi)B(tài)分解將非平穩(wěn)信號分解，獲取平穩(wěn)的分量信號，它能使復(fù)雜信號分解為有限個本征模函數(shù)(imf)。該算法中基函數(shù)是由數(shù)據(jù)本身所分解得到的，相比于小波變換和傅里葉變換更加直觀，同時不需要設(shè)置基函數(shù)的特性使它具有更好的自適應(yīng)性，具有一定的優(yōu)越性和發(fā)展前景。在紅外圖像處理方面，之前有人將emd應(yīng)用到單幀圖像的行和列，以及將一維emd擴(kuò)展到二維emd處理單幀圖像，這些方法對于信噪比高的目標(biāo)檢測效果還可以達(dá)到要求，但是當(dāng)處理的圖像背景較為復(fù)雜時就很難達(dá)到檢測要求。

技術(shù)實(shí)現(xiàn)要素：

針對現(xiàn)有技術(shù)存在的不足，考慮到紅外序列圖像的時域上有目標(biāo)經(jīng)過時會表現(xiàn)出奇異性突變，以及emd分解的特性，本發(fā)明將一維emd應(yīng)用到紅外序列圖像的時域信號上，提出一種基于時域經(jīng)驗?zāi)B(tài)分解的紅外弱小目標(biāo)檢測方法，以提高檢測精度。

實(shí)現(xiàn)本發(fā)明的技術(shù)思路是：首先，對紅外序列圖像的每個像素的時域進(jìn)行分片方差判定是否需要emd分解；其次，對于需要分解的時域信號做emd分解；然后，將分解得到的本征模態(tài)函數(shù)合成；之后，再利用圖像中目標(biāo)經(jīng)過時像素點(diǎn)灰度值有起伏變化這一特點(diǎn)，將其看作是一種非高斯弱瞬態(tài)信號，根據(jù)虛警率設(shè)置濾波門限進(jìn)行檢測；最后，對濾波后的圖像進(jìn)行二值化處理，即得到最后的紅外弱小目標(biāo)檢測結(jié)果。

本發(fā)明的技術(shù)方案為：

所述一種基于時域經(jīng)驗?zāi)B(tài)分解的紅外弱小目標(biāo)檢測方法，其特征在于：包括以下步驟：

步驟1：輸入待檢測的紅外序列圖像forig(i,j,k)，其中(i,j)表示紅外圖像中的像素點(diǎn)的位置，k表示序列圖像的幀號，k＝1,2,…,n，n為待檢測的紅外序列圖像中的幀數(shù)；

步驟2：取待檢測的紅外序列圖像在同一位置像素點(diǎn)上灰度值形成的時域信號為f(i,j)(k)，k＝1,2,…,n，通過以下步驟判斷每個位置的時域信號f(i,j)(k)是否需要分解：

步驟2.1：將時域信號f(i,j)(k)分成n片，并分別求各片時域信號的標(biāo)準(zhǔn)差σ1,σ2,...,σn；

步驟2.2：將步驟2.1中得到的n個標(biāo)準(zhǔn)差做歸一化處理；

步驟2.3：對歸一化處理后的n個標(biāo)準(zhǔn)差求方差將與設(shè)定值λ作比較，如果大于設(shè)定值λ，則對時域信號f(i,j)(k)進(jìn)行下一步分解，否則將時域信號f(i,j)(k)的每個值設(shè)為零值；

步驟3：采用以下步驟對需要進(jìn)行分解的時域信號f(i,j)(k)進(jìn)行經(jīng)驗?zāi)B(tài)分解，其中采用x(k)表示時域信號f(i,j)(k)；

步驟3.1：找出時域信號x(k)的所有極值點(diǎn)；

步驟3.2：將時域信號x(k)的極大值點(diǎn)和極小值點(diǎn)分別進(jìn)行曲線擬合，得到x(k)的上包絡(luò)線xup(k)和下包絡(luò)線xlow(k)；

步驟3.3：逐點(diǎn)計算上包絡(luò)線和下包絡(luò)線的局部均值m(k)＝(xup(k)+xlow(k))/2；

步驟3.4：采用時域信號x(k)減去局部均值得到d(k)＝x(k)-m(k)；

步驟3.5：判斷d(k)是否是基本模式分量，如果d(k)是基本模式分量，則取c1＝d(k)，并用時域信號x(k)減去c1得到剩余信號r1(k)，再令x(k)＝r1(k)，然后返回步驟3.1；如果d(k)不是基本模式分量，則令x(k)＝r1(k)，然后返回步驟3.1；

經(jīng)過上述循環(huán)后，得到基本模式分量c1,c2,...，,cm，并得到原始時域信號f(i,j)(k)的余項rm(k)；

步驟4：采用步驟3得到的基本模式分量c1,c2,...，,cm合成為新的信號g(i,j)(k)：

步驟5：采用以下步驟進(jìn)行目標(biāo)檢測：

步驟5.1：計算g(i,j)(k)的均值μ和均方差σ；

步驟5.2：求得滿足的信號

步驟5.3：計算的均值μg和方差σg；

步驟5.4：從序列圖像forig(i,j,k)中選擇一幀圖像forig(i,j)，給forig(i,j)的每個像素點(diǎn)設(shè)置相應(yīng)的量度值

步驟5.5：將每個像素點(diǎn)的量度值與檢測門限t進(jìn)行比較，量度值大于t的像素點(diǎn)灰度值置1，否則置0，得到二值化圖像根據(jù)二值化圖像得到紅外弱小目標(biāo)所在的位置。

進(jìn)一步的優(yōu)選方案，所述一種基于時域經(jīng)驗?zāi)B(tài)分解的紅外弱小目標(biāo)檢測方法，其特征在于：步驟2中設(shè)定值λ取值0.2～0.5。

進(jìn)一步的優(yōu)選方案，所述一種基于時域經(jīng)驗?zāi)B(tài)分解的紅外弱小目標(biāo)檢測方法，其特征在于：步驟3.2中采用三次樣條插值進(jìn)行曲線擬合。

進(jìn)一步的優(yōu)選方案，所述一種基于時域經(jīng)驗?zāi)B(tài)分解的紅外弱小目標(biāo)檢測方法，其特征在于：步驟5中檢測門限t根據(jù)虛警率pf，通過公式

得到，其中φ代表標(biāo)準(zhǔn)正態(tài)分布函數(shù)。

有益效果

本發(fā)明與現(xiàn)有技術(shù)相比較，具有以下優(yōu)點(diǎn)：

1)針對復(fù)雜云層、低信雜比的檢測情況，本發(fā)明對紅外序列圖像進(jìn)行處理已解決單幀圖像不能達(dá)到檢測要求的問題。首次將emd分解應(yīng)用到紅外序列圖像的時域信號上，我們無需對被測紅外圖像做預(yù)處理，直接對序列圖像像素點(diǎn)的時域信號進(jìn)行emd分解，將經(jīng)過經(jīng)驗?zāi)B(tài)分解得到的本征模態(tài)函數(shù)合成為新的信號，得到的新信號依然是在零值上下波動的并且保留著原始信號高斯白噪聲信號或疊加了目標(biāo)的高斯白噪聲信息，可以更好進(jìn)行下一步脈沖檢測。

2)考慮到一個序列圖像，并不是所有的像素點(diǎn)的時域信號都需要進(jìn)行分解，本發(fā)明首先對時域信號進(jìn)行分片求方差，然后根據(jù)各分片的方差的波動系數(shù)判定是否需要分解。這樣極大的減少了檢測的計算量。

3)對分解后得到的新信號作除以方差計算的替換，這樣相當(dāng)于對每個像素的值做歸一化處理。并且將圖像的檢測閾值同恒虛警率聯(lián)系起來。

本發(fā)明的附加方面和優(yōu)點(diǎn)將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發(fā)明的實(shí)踐了解到。

附圖說明

本發(fā)明的上述和/或附加的方面和優(yōu)點(diǎn)從結(jié)合下面附圖對實(shí)施例的描述中將變得明顯和容易理解，其中：

圖1為紅外弱小目標(biāo)檢測的基本流程。

圖2為一個時域信號經(jīng)過emd分解，然后合成imf后的新信號效果：左側(cè)為原始序列的一個時域信號；右側(cè)為經(jīng)過合成后的時域新信號。

圖3為序列圖像經(jīng)過檢測后的效果圖，左側(cè)為原始紅外圖像中某一幀圖像，右側(cè)為經(jīng)過檢測后的效果圖。

具體實(shí)施方式

下面詳細(xì)描述本發(fā)明的實(shí)施例，所述實(shí)施例是示例性的，旨在用于解釋本發(fā)明，而不能理解為對本發(fā)明的限制。

本發(fā)明主要針對目前經(jīng)驗?zāi)B(tài)分解方法應(yīng)用在紅外圖像處理領(lǐng)域時，對于信噪比高的目標(biāo)檢測效果還可以達(dá)到要求，但是當(dāng)處理的圖像背景較為復(fù)雜時就很難達(dá)到檢測要求的問題，考慮到紅外序列圖像的時域上有目標(biāo)經(jīng)過時會表現(xiàn)出奇異性突變，將一維emd應(yīng)用到紅外序列圖像的時域信號上，提出了一種基于時域經(jīng)驗?zāi)B(tài)分解的紅外弱小目標(biāo)檢測方法，以提高檢測精度。

實(shí)現(xiàn)本發(fā)明的技術(shù)思路是：首先，對紅外序列圖像的每個像素的時域進(jìn)行分片方差判定是否需要emd分解；其次，對于需要分解的時域信號做emd分解；然后，將分解得到的本征模態(tài)函數(shù)合成；之后，再利用圖像中目標(biāo)經(jīng)過時像素點(diǎn)灰度值有起伏變化這一特點(diǎn)，將其看作是一種非高斯弱瞬態(tài)信號，根據(jù)虛警率設(shè)置濾波門限進(jìn)行檢測；最后，對濾波后的圖像進(jìn)行二值化處理，即得到最后的紅外弱小目標(biāo)檢測結(jié)果。

本發(fā)明的具體步驟為：

步驟1：輸入待檢測的紅外序列圖像forig(i,j,k)，其中(i,j)表示紅外圖像中的像素點(diǎn)的位置，k表示序列圖像的幀號，k＝1,2,…,n，n為待檢測的紅外序列圖像中的幀數(shù)。

步驟2：計算抖動系數(shù)，判定每個時域信號是否需要分解。

由于在所有的時域剖面中有大部分是平緩的背景信號，所以為了減少計算量在進(jìn)行本文算法之前首先對這些時域信號做一個判定，將時域信號判定為兩類，一類是平緩的背景信號，另一類是雜波、云層邊緣和有目標(biāo)的時域信號。這里我們提出一種判定方法：時域分片標(biāo)準(zhǔn)差的抖動系數(shù)判定法。

取待檢測的紅外序列圖像在同一位置像素點(diǎn)上灰度值形成的時域信號為f(i,j)(k)，k＝1,2,…,n，通過以下步驟判斷每個位置的時域信號f(i,j)(k)是否需要分解：

首先將信號分為幾個子片，分別求得每片的標(biāo)準(zhǔn)差，然后對幾個子片的標(biāo)準(zhǔn)差做歸一化處理，然后求方差，最后對求得的方差作分析判斷。

步驟2.1：將時域信號f(i,j)(k)分成n片，并分別求各片時域信號的標(biāo)準(zhǔn)差σ1,σ2,...,σn；

步驟2.2：將步驟2.1中得到的n個標(biāo)準(zhǔn)差做歸一化處理：求得各分片標(biāo)準(zhǔn)差的最大值σmax，然后將各分片標(biāo)準(zhǔn)差除以σmax得到歸一化后的標(biāo)準(zhǔn)差；

步驟2.3：對歸一化處理后的n個標(biāo)準(zhǔn)差求方差其中即為所求的抖動系數(shù)；將與設(shè)定值λ作比較，λ取值0.2～0.5，如果大于設(shè)定值λ，則對時域信號f(i,j)(k)進(jìn)行下一步分解，否則將時域信號f(i,j)(k)的每個值設(shè)為零值。

步驟3：紅外序列圖像時域信號emd：

在紅外序列圖像的弱小目標(biāo)檢測中，其像素點(diǎn)在時域上可以看作是服從高斯分布的白噪聲。當(dāng)有小目標(biāo)經(jīng)過該象素點(diǎn)時，會引起灰度值的瞬間起伏，所對應(yīng)像素灰度值隨時間變化信號具有類似“脈沖”的形狀，而這種突變信號可以看做非平穩(wěn)信號，沒有目標(biāo)經(jīng)過的背景像素灰度則是緩慢變化的。假若被檢測圖像都類似平緩的背景像素不會有太大的波動，那么一些常規(guī)的方法就可以達(dá)到很好的效果，但是實(shí)測紅外圖像要復(fù)雜的多，其中會有大量的雜波和云層邊緣等影響因素，這些像素點(diǎn)時域灰度起伏變化十分明顯。所以這里我們引入emd分解的方法，我們無需對被測紅外圖像做預(yù)處理，直接對序列圖像像素點(diǎn)的時域信號進(jìn)行emd分解，由emd分量imf的條件可以知道，每個imf基本上是在零値點(diǎn)上下波動，均值接近于0，而最后分解結(jié)束的殘余項是根據(jù)信號的變化趨勢得到的趨勢項。

采用以下步驟對需要進(jìn)行分解的時域信號f(i,j)(k)進(jìn)行經(jīng)驗?zāi)B(tài)分解，其中采用x(k)表示時域信號f(i,j)(k)；

步驟3.1：找出時域信號x(k)的所有極值點(diǎn)；

步驟3.2：將時域信號x(k)的極大值點(diǎn)和極小值點(diǎn)采用三次樣條插值分別進(jìn)行曲線擬合，得到x(k)的上包絡(luò)線xup(k)和下包絡(luò)線xlow(k)；

步驟3.3：逐點(diǎn)計算上包絡(luò)線和下包絡(luò)線的局部均值m(k)＝(xup(k)+xlow(k))/2；

步驟3.4：采用時域信號x(k)減去局部均值得到d(k)＝x(k)-m(k)；

步驟3.5：判斷d(k)是否是基本模式分量，如果d(k)是基本模式分量，則取c1＝d(k)，并用時域信號x(k)減去c1得到剩余信號r1(k)，再令x(k)＝r1(k)，然后返回步驟3.1；如果d(k)不是基本模式分量，則令x(k)＝r1(k)，然后返回步驟3.1；

判斷d(k)是否是基本模式分量的標(biāo)準(zhǔn)即看d(k)是否滿足兩個條件即：1)在整個信號長度上，極值點(diǎn)的個數(shù)和過零點(diǎn)的個數(shù)相等或者至多相差一個；2)在任意時刻，由局部極大值定義的上包絡(luò)線和由局部極小值定義的下包絡(luò)線的平均值為零。

經(jīng)過上述循環(huán)后，得到基本模式分量c1,c2,...，,cm，并得到原始時域信號f(i,j)(k)的余項rm(k)。

步驟4：采用步驟3得到的基本模式分量c1,c2,...，,cm合成為新的信號g(i,j)(k)：

通過多次的實(shí)驗得知，單一的imf并不能完備的表征出時域信號的實(shí)際波動，從而不能為后續(xù)的脈沖檢測提供有利條件。在本文中，我們將經(jīng)過經(jīng)驗?zāi)B(tài)分解得到的本征模態(tài)函數(shù)合成為新的信號，得到的新信號依然是在零值上下波動的并且保留著原始信號高斯白噪聲信號或疊加了目標(biāo)的高斯白噪聲信息。

步驟5：目標(biāo)檢測：

對于新信號而言，噪聲與目標(biāo)互不相關(guān)，采用恒虛警概率準(zhǔn)則(cafr)對圖像進(jìn)行分割。因此，采用新的量度η表征場景圖像中的值。

步驟5.1：計算g(i,j)(k)的均值μ和均方差σ；

步驟5.2：求得滿足的信號

步驟5.3：計算的均值μg和方差σg；

步驟5.4：從序列圖像forig(i,j,k)中選擇一幀圖像forig(i,j)，給forig(i,j)的每個像素點(diǎn)設(shè)置相應(yīng)的量度值

步驟5.5：將每個像素點(diǎn)的量度值與檢測門限t進(jìn)行比較，量度值大于t的像素點(diǎn)灰度值置1，否則置0，得到二值化圖像根據(jù)二值化圖像得到紅外弱小目標(biāo)所在的位置。

檢測門限t可以由目標(biāo)檢測的虛警概率pf給出：

圖像中的目標(biāo)檢測屬于噪聲中信號的統(tǒng)計檢測。統(tǒng)計檢測就是利用假設(shè)檢驗的方法設(shè)計一最佳檢測器，用以判斷噪聲中是否有信號，或者區(qū)分噪聲中的不同信號。假設(shè)檢驗的其中兩種判決結(jié)果對應(yīng)兩種假設(shè)：用h1假設(shè)代表目標(biāo)存在，用h0假設(shè)代表目標(biāo)不存在。紅外弱小目標(biāo)的檢測也屬于假設(shè)檢測。檢測概率和虛警概率就是代表檢測效果的重要指標(biāo)。對于圖像中的每個像素都可以形成二元假設(shè)h1(代表存在目標(biāo))和h0(代表沒有目標(biāo))，即：

h0:g(n)＝w(n)

h1:g(n)＝t(n)+w(n)

式中，以n表示幀數(shù)，g(n)表示圖像中一個像素點(diǎn)灰度隨時間變化的一維信號，t(n)表示目標(biāo)像素灰度隨時間變化的信號，為瞬態(tài)信號，且與高斯白噪聲w(n)相互獨(dú)立.我們假定目標(biāo)的灰度是相對穩(wěn)定的，即保持為一未知常數(shù)，于是可定義目標(biāo)的信雜比為：

其中為目標(biāo)的灰度估計值，g為圖像序列中目標(biāo)位置處的灰度值，和分別是相減后雜波的均值和方差的估計值。在二元假設(shè)條件下，圖像序列中各像素位置處的灰度，其分布概率為：

采用圖像門限判決，設(shè)判決門限為t，則判決準(zhǔn)則為：

g(n)≥t判決為h1

g(n)＜t判決為h0

則檢測概率pd和虛警概率pf，分別為：

本文整個算法的虛警概率pf與檢測概率pd的大小與信雜比有關(guān)?？梢酝ㄟ^虛警概率pf求出閾值t，再由t與信雜比(scr)值求出pd。

盡管上面已經(jīng)示出和描述了本發(fā)明的實(shí)施例，可以理解的是，上述實(shí)施例是示例性的，不能理解為對本發(fā)明的限制，本領(lǐng)域的普通技術(shù)人員在不脫離本發(fā)明的原理和宗旨的情況下在本發(fā)明的范圍內(nèi)可以對上述實(shí)施例進(jìn)行變化、修改、替換和變型。