本發(fā)明涉及遙感技術(shù)領(lǐng)域，特別是指一種基于紅外圖像的小目標(biāo)檢測(cè)的方法。

背景技術(shù)：

近年來，利用紅外成像技術(shù)實(shí)現(xiàn)目標(biāo)檢測(cè)是是現(xiàn)代軍事武器裝備的主要技術(shù)發(fā)展方向之一，同時(shí)也是軍事武器系統(tǒng)的自動(dòng)化、智能化、現(xiàn)代化的重要標(biāo)志之一，因此國(guó)內(nèi)外許多科研機(jī)構(gòu)的學(xué)者一直致力于該項(xiàng)技術(shù)的研究。由于紅外傳感器受到大氣、海面輻射、作用距離以及探測(cè)器噪聲等因素影響，使得遠(yuǎn)距離的目標(biāo)在紅外圖像上尺寸較小，甚至呈現(xiàn)點(diǎn)狀。此外，圖像的信噪比較低，加上背景通常情況下比較復(fù)雜，目標(biāo)很容易被噪聲和背景雜波所淹沒，使得紅外小目標(biāo)的檢測(cè)變得更加困難，實(shí)時(shí)魯棒的小目標(biāo)檢測(cè)技術(shù)尚未完全突破，仍是機(jī)器視覺和圖像處理領(lǐng)域的熱門研究課題。

當(dāng)前，基于單幀的紅外小目標(biāo)檢測(cè)算法大體上可以分為兩類：基于圖像濾波的檢測(cè)算法和基于機(jī)器學(xué)習(xí)的檢測(cè)算法。其中，對(duì)于基于圖像濾波的檢測(cè)算法，過程如下：首先對(duì)紅外圖像的背景起伏分量進(jìn)行估計(jì)，也稱為背景估計(jì)，然后將原始圖像與背景起伏分量相減，以得到包含目標(biāo)成分和噪聲成分的圖像，接著通過閾值處理或其他方法得到目標(biāo)的位置。基于機(jī)器學(xué)習(xí)的檢測(cè)算法，則主要是將目標(biāo)檢測(cè)問題轉(zhuǎn)化為模式分類問題，然后根據(jù)不同的學(xué)習(xí)算法對(duì)目標(biāo)模型和背景模型進(jìn)行訓(xùn)練，利用得到的目標(biāo)模型和背景模型對(duì)輸入的測(cè)試圖像進(jìn)行分類判別，即依次提取輸入圖像的子圖像，然后根據(jù)判別規(guī)則判定該子塊圖像含有目標(biāo)與否。

而在實(shí)際應(yīng)用中，紅外圖像的背景一般可分為大氣云層背景，海雜波背景和地面起伏背景等。背景強(qiáng)度一般很高，接收器內(nèi)的噪聲也很強(qiáng)，在低信噪比情況下，目標(biāo)的強(qiáng)度相對(duì)較低，往往淹沒在強(qiáng)背景噪聲里；同時(shí)，有價(jià)值目標(biāo)往往在紅外圖像中只占據(jù)幾個(gè)像素，缺乏幾何形狀、紋理結(jié)構(gòu)等特征，可供檢測(cè)識(shí)別系統(tǒng)利用的信息很少。綜上所述，復(fù)雜背景下的對(duì)紅外圖像的小目標(biāo)檢測(cè)是很難實(shí)現(xiàn)的。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明要解決的技術(shù)問題是實(shí)現(xiàn)如何在復(fù)雜背景下的對(duì)紅外圖像進(jìn)行小目標(biāo)檢測(cè)。

為解決上述技術(shù)問題，本發(fā)明的實(shí)施例提供一種基于紅外圖像的小目標(biāo)檢測(cè)方法，包括：

檢測(cè)裝置從一組序列圖像中選擇出一幀圖像，對(duì)所述選擇出的一幀圖像進(jìn)行預(yù)處理，獲得預(yù)處理后的圖像fd；

所述檢測(cè)裝置移動(dòng)滑動(dòng)窗將所述原始的預(yù)處理后的圖像fd變成多個(gè)獨(dú)立的塊圖像，矩陣d表示多個(gè)獨(dú)立的塊圖像；

所述檢測(cè)裝置利用近端加速梯度方法對(duì)所述矩陣d進(jìn)行迭代收斂運(yùn)算，獲得稀疏矩陣和低秩矩陣，其中，所述稀疏矩陣為目標(biāo)矩陣t和所述低秩矩陣為背景矩陣b；

所述檢測(cè)裝置通過濾波器將所述背景矩陣b和所述目標(biāo)矩陣t分別恢復(fù)成背景圖像fb和目標(biāo)圖像ft，其中，所述預(yù)處理后的圖像fd包含所述背景圖像fb和所述目標(biāo)圖像ft；

檢測(cè)裝置根據(jù)自適應(yīng)閾值，對(duì)所述背景圖像fb和所述目標(biāo)圖像ft進(jìn)行閾值處理，消除虛警，實(shí)現(xiàn)原始圖像中背景圖像fb和目標(biāo)圖像ft的有效分離，獲得小目標(biāo)的具體位置。

可選的，檢測(cè)裝置移動(dòng)滑動(dòng)窗將所述原始的預(yù)處理后的圖像fd變成多個(gè)獨(dú)立的塊圖像，矩陣d表示多個(gè)獨(dú)立的塊圖像，具體為：

所述檢測(cè)裝置利用一個(gè)正方形滑動(dòng)窗從預(yù)處理后的圖像fd左上到右下按照某個(gè)移動(dòng)步長(zhǎng)進(jìn)行滑動(dòng)，獲得一系列局部塊圖像；然后對(duì)每個(gè)塊圖像進(jìn)行矢量化，使矢量化后每個(gè)塊圖像成為獨(dú)立的塊圖像的一個(gè)列向量，其中，第一個(gè)塊圖像矢量化向量為矩陣d的第一列，第n個(gè)塊圖像矢量化向量為d的第n列。

可選的，對(duì)所述選擇出的一幀圖像進(jìn)行預(yù)處理，獲得預(yù)處理后的圖像fd，具體為：對(duì)選擇出的一幀圖像進(jìn)行高帽變換，然后將高帽變換結(jié)果與所述選擇出的一幀圖像相加獲得相加結(jié)果，再將所述相加結(jié)果與低帽變換結(jié)果進(jìn)行相減，獲得預(yù)處理后的圖像fd。

可選的，所述檢測(cè)裝置通過濾波器將所述背景矩陣b和所述目標(biāo)矩陣t分別恢復(fù)成背景圖像fb和目標(biāo)圖像ft，具體為：

將所述背景矩陣b和所述目標(biāo)矩陣t的列矢量恢復(fù)為((m-d)/a+1)×((n-d)/a+1)個(gè)d×d的塊圖像，按照滑動(dòng)步長(zhǎng)的響應(yīng)次序疊加擺放所述((m-d)/a+1)×((n-d)/a+1)個(gè)d×d的滑動(dòng)塊，用濾波器取所述滑動(dòng)塊對(duì)應(yīng)的像素值，將所述背景矩陣b和所述目標(biāo)矩陣t恢復(fù)為圖像大小為m×n的背景圖像fb和目標(biāo)圖像ft。

可選的，所述檢測(cè)裝置根據(jù)閾值，對(duì)所述背景圖像fb和所述目標(biāo)圖像ft進(jìn)行閾值處理，消除虛警，實(shí)現(xiàn)原始圖像中背景圖像fb和目標(biāo)圖像ft的有效分離，獲得小目標(biāo)的具體位置，具體為：

所述檢測(cè)裝置將所述背景圖像fb和目標(biāo)圖像ft中各個(gè)像素值與閾值分別比較，將像素值大于閾值的點(diǎn)劃分為目標(biāo)，將像素值小于目標(biāo)的點(diǎn)劃分為背景；對(duì)于雙目標(biāo)圖像來講，取兩個(gè)閾值tup和tdown，像素值介于兩個(gè)閾值tup和tdown之間的點(diǎn)為背景，其余為目標(biāo)。

本發(fā)明的上述技術(shù)方案的有益效果如下：

上述方案中，區(qū)別于傳統(tǒng)的小目標(biāo)檢測(cè)方法，本發(fā)明的具體創(chuàng)新點(diǎn)在于采用形態(tài)學(xué)方法對(duì)圖像進(jìn)行對(duì)比度增強(qiáng)處理，并在此基礎(chǔ)上采用了滑動(dòng)窗的方法將完整的圖像分割為塊圖像。然后，通過對(duì)塊圖像的處理，將其分成背景塊圖像和目標(biāo)塊圖像，并利用濾波器將目標(biāo)塊圖像和背景塊圖像重建完整的圖像，從而實(shí)現(xiàn)原始圖像中目標(biāo)與背景的有效分離，獲得有價(jià)值小目標(biāo)的具體位置。該方法簡(jiǎn)單易執(zhí)行，便于硬件實(shí)現(xiàn)，應(yīng)用型強(qiáng)。

附圖說明

圖1為本發(fā)明的一種基于紅外圖像的小目標(biāo)檢測(cè)方法的流程示意圖。

圖2為本發(fā)明的獲得小目標(biāo)的一個(gè)例子的圖像。

圖3為本發(fā)明的獲得小目標(biāo)的另一個(gè)例子的圖像。

具體實(shí)施方式

為使本發(fā)明要解決的技術(shù)問題、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合附圖及具體實(shí)施例進(jìn)行詳細(xì)描述。

本發(fā)明針對(duì)現(xiàn)有的在復(fù)雜背景下的無法對(duì)紅外圖像進(jìn)行小目標(biāo)檢測(cè)的問題，本發(fā)明的實(shí)施例提供一種基于紅外圖像的小目標(biāo)檢測(cè)方法，應(yīng)用于檢測(cè)裝置，如圖1所示，具體包括：

步驟1、檢測(cè)裝置從一組序列圖像中選擇出一幀圖像，對(duì)選擇出的一幀圖像進(jìn)行預(yù)處理，獲得預(yù)處理后的圖像fd。

預(yù)處理的過程包括：先對(duì)選擇出的一幀圖像進(jìn)行高帽變換，然后將高帽變換結(jié)果與選擇出的一幀圖像相加獲得相加結(jié)果，再將相加結(jié)果與低帽變換結(jié)果進(jìn)行相減，從而得到最大對(duì)比度的圖像，即預(yù)處理后的圖像fd。原始圖像加上高帽變換后的結(jié)果，可以使圖像中灰度值較大的區(qū)域更亮；再減去地貌變換后的結(jié)果，就可以使圖像中灰度值較小的區(qū)域更暗，使得細(xì)節(jié)更加明顯。其中，高帽變換是原始圖像與圖像的開運(yùn)算結(jié)果之差，低帽變換是圖像的閉運(yùn)算結(jié)果與原始圖像之差。

由于紅外圖像清晰度低，對(duì)比度差，為了方便后續(xù)處理、精確結(jié)果，將原始圖像用形態(tài)學(xué)高帽低帽變換的方法，提高對(duì)比度。高帽變換與低帽變換是數(shù)學(xué)形態(tài)學(xué)重要的算法形式，高帽變換具有高通濾波的特性，而低帽變換則能檢測(cè)圖像中的谷值。用高帽變換和低帽變換進(jìn)行圖像增強(qiáng)是較好的處理方法，使對(duì)比度調(diào)至最大。

本方案采用高低帽變換的目的在于將紅外圖像進(jìn)行增強(qiáng)處理以提高圖像對(duì)比度。因?yàn)楦呙弊儞Q具有高通濾波的某些特性，強(qiáng)調(diào)目標(biāo)的灰度峰值，增強(qiáng)圖像的邊緣信息，而低帽變換可以求出圖像中的谷值，突出相互連接目標(biāo)間的界限，所以高、低帽變換結(jié)合使用，可以使圖像前景和背景灰度進(jìn)一步被拉伸，突顯相關(guān)目標(biāo)和細(xì)節(jié)，起到圖像增強(qiáng)的作用。先對(duì)圖像進(jìn)行高帽變換，然后將高帽變換結(jié)果與原始圖像相加后再與低帽變換結(jié)果相減，從而得到最大對(duì)比度的圖像。

步驟2、檢測(cè)裝置將上述預(yù)處理后的一幀圖像設(shè)置為背景圖像、目標(biāo)圖像和噪聲圖像相加構(gòu)成，其表達(dá)式：fd(x,y)＝ft(x,y)+fb(x,y)+fn(x,y)，其中fd，ft，fb，fn，分別代表經(jīng)過步驟1預(yù)處理后的紅外圖像、目標(biāo)圖像、背景圖像和隨機(jī)噪聲圖像，(x,y)代表像素的位置。由于大氣折射、光的色散、散焦、透鏡像差、衍射等原因，原始紅外圖像在成像過程中導(dǎo)致背景可能稍微模糊，因此可以將原始圖像分為背景圖像、目標(biāo)圖像和噪聲圖像。

檢測(cè)裝置通過移動(dòng)滑動(dòng)窗將原始紅外圖像fd變成多個(gè)獨(dú)立的塊圖像，多個(gè)獨(dú)立的塊圖像用矩陣d來表示。具體執(zhí)行過程為：利用一個(gè)正方形滑動(dòng)窗從原始紅外圖像fd左上到右下按照某個(gè)水平和豎直的移動(dòng)步長(zhǎng)(下面簡(jiǎn)稱為移動(dòng)步長(zhǎng))滑動(dòng)，獲得一系列局部塊圖像；然后對(duì)每個(gè)塊圖像進(jìn)行矢量化，即二維變一維，使矢量化后每個(gè)塊圖像成為獨(dú)立的塊圖像的一個(gè)列向量；第一個(gè)塊圖像矢量化向量為矩陣d的第一列，第n個(gè)塊圖像矢量化向量為d的第n列，從而完成將一個(gè)原始紅外圖像fd轉(zhuǎn)化為一個(gè)矩陣d。

假設(shè)原始圖像的大小為m×n,設(shè)滑動(dòng)窗大小為d×d，移動(dòng)步長(zhǎng)為a。通過移動(dòng)滑動(dòng)窗得到一個(gè)大小為((d×d),(((m-d)/a+1)×((n-d)/a+1)))的矩陣d。移動(dòng)步長(zhǎng)a一般由目標(biāo)大小確定，目標(biāo)尺寸較小時(shí)，移動(dòng)步長(zhǎng)a一般也較小。目標(biāo)尺寸較大時(shí)，移動(dòng)步長(zhǎng)a一般較大些，最小可為1。例如：滑動(dòng)窗的大小為50×50，移動(dòng)步長(zhǎng)為10。對(duì)于一個(gè)原圖像大小為256×200的圖像，用滑動(dòng)窗處理后的塊圖像矩陣大小為2500×336。其中，m,n和d均為像素?cái)?shù)目，而且均為整數(shù)。

步驟3、檢測(cè)裝置通過魯棒主成分分析技術(shù)將塊圖像分割成背景塊矩陣和目標(biāo)塊矩陣，并且通過近端加速梯度方法獲得稀疏矩陣(代表目標(biāo)矩陣t)和低秩矩陣(代表背景矩陣b)。經(jīng)過滑動(dòng)窗處理后得到的矩陣d可以看成由背景矩陣b、目標(biāo)矩陣t和噪聲矩陣n表示，即：d＝b+t+n，其中代表背景的矩陣b是低秩的，代表目標(biāo)矩陣t是稀疏的。

在實(shí)際應(yīng)用中，一個(gè)小目標(biāo)通常是時(shí)刻變化的，亮度可能由亮到暗，小目標(biāo)的尺寸大小從2×2到10×10不等，但是它相對(duì)于整幅圖像來說仍然是非常小的，所以可以將目標(biāo)看成是稀疏的。可由零范數(shù)表示如下：||t||0<k,其中，t代表目標(biāo)圖像矩陣，k為常數(shù)，其大小由目標(biāo)的數(shù)量和它們的大小確定，一般k<<i×j，i和j是矩陣t的大小。此外，非局部相關(guān)性的這個(gè)特點(diǎn)普遍存在于背景圖像中。因此，背景圖像可以認(rèn)為低秩的，表示如下：rank(b)≤r，其中，b代表背景圖像矩陣，r為常數(shù)。

通過魯棒主成分分析技術(shù)來計(jì)算獲得該稀疏矩陣t和低秩矩陣b。目標(biāo)函數(shù)可表示如下：

上述公式可以采用近段加速梯度方法求解，通過迭代收斂從而獲得背景矩陣b和目標(biāo)矩陣t。

通過魯棒主成分分析技術(shù)將小目標(biāo)檢測(cè)方法轉(zhuǎn)化為從原始圖像中恢復(fù)稀疏矩陣和低秩矩陣的問題。通過近段加速梯度算法求解魯棒主成分分析模型，經(jīng)過迭代收斂計(jì)算出目標(biāo)矩陣t和背景矩陣b。近段加速梯度算法中，我們選取η＝0.99和μ0＝s2,其中s2和s4分別是原始?jí)K圖像d的第二個(gè)和第四個(gè)最大的特征值。

步驟4、檢測(cè)裝置通過一維中值濾波器將背景矩陣b和目標(biāo)矩陣t分別恢復(fù)成背景圖像fb和目標(biāo)圖像ft。

該過程相當(dāng)于步驟2的逆過程。將矩陣b和t的列矢量恢復(fù)為((m-d)/a+1)×((n-d)/a+1)個(gè)d×d的塊圖像，按照滑動(dòng)步長(zhǎng)的響應(yīng)次序疊加擺放這些滑動(dòng)塊，用一維中值濾波的方法取對(duì)應(yīng)的像素值，將背景矩陣b和目標(biāo)矩陣t恢復(fù)為圖像大小為m×n的背景圖像fb和目標(biāo)圖像ft。

步驟5、檢測(cè)裝置設(shè)置自適應(yīng)閾值，利用閾值處理技術(shù)消除虛警，實(shí)現(xiàn)有價(jià)值小目標(biāo)檢測(cè)定位。

利用簡(jiǎn)單的分割方法自適應(yīng)地分割目標(biāo)圖像。設(shè)置自適應(yīng)閾值，如下式所示：tup＝max(vminμ+kσ)，其中，μ和σ分別是目標(biāo)圖像t的均值和方差。將背景圖像fb和目標(biāo)圖像ft中各個(gè)像素值與閾值比較，像素值大于閾值的點(diǎn)劃分為目標(biāo)；像素值小于目標(biāo)的點(diǎn)劃分為背景。對(duì)于雙目標(biāo)圖像來講，取兩個(gè)閾值tup和tdown，像素值介于兩個(gè)閾值tup和tdown之間的點(diǎn)為背景，其余為目標(biāo)點(diǎn)。

圖2和3為利用上述的方法，獲得紅外圖像的小目標(biāo)的兩個(gè)具體例子，從圖2和圖3可以看出，能夠獲得有價(jià)值小目標(biāo)的具體位置，實(shí)現(xiàn)紅外圖像的小目標(biāo)的檢測(cè)。

上述方案中，采用形態(tài)學(xué)方法對(duì)圖像進(jìn)行對(duì)比度增強(qiáng)處理，并在此基礎(chǔ)上采用了滑動(dòng)窗的方法將完整的圖像分割為塊圖像。然后，通過對(duì)塊圖像的處理，將其分成背景塊圖像和目標(biāo)塊圖像，并利用濾波器將目標(biāo)塊圖像和背景塊圖像重建完整的圖像，從而實(shí)現(xiàn)原始圖像中目標(biāo)與背景的有效分離，獲得有價(jià)值小目標(biāo)的具體位置。該方法簡(jiǎn)單易執(zhí)行，便于硬件實(shí)現(xiàn)，應(yīng)用型強(qiáng)。

以上所述是本發(fā)明的優(yōu)選實(shí)施方式，應(yīng)當(dāng)指出，對(duì)于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明所述原理的前提下，還可以做出若干改進(jìn)和潤(rùn)飾，這些改進(jìn)和潤(rùn)飾也應(yīng)視為本發(fā)明的保護(hù)范圍。