(一)技術(shù)領(lǐng)域

本發(fā)明涉及一種利用方向?qū)?shù)構(gòu)造熵對(duì)比度的紅外弱小目標(biāo)檢測(cè)方法，屬于數(shù)字圖像處理領(lǐng)域，主要涉及小面模型和弱小目標(biāo)檢測(cè)技術(shù)。在各類基于圖像的應(yīng)用系統(tǒng)中有廣闊的應(yīng)用前景。

(二)

背景技術(shù)：

在紅外相關(guān)的預(yù)警系統(tǒng)中，一些可疑目標(biāo)例如艦船、飛機(jī)和導(dǎo)彈等由于其高溫特性，在紅外圖像上表現(xiàn)為高亮區(qū)域，及早發(fā)現(xiàn)這些可疑物體可以提前采取應(yīng)對(duì)措施，為后續(xù)戰(zhàn)略部署等爭(zhēng)取寶貴的時(shí)間。但當(dāng)成像距離較遠(yuǎn)時(shí)，這些物體就成為圖像中一些弱小的點(diǎn)目標(biāo)，失去了可以利用結(jié)構(gòu)、紋理等特征，再加上相比之下紅外背景大多十分復(fù)雜、變化多樣，各種邊緣雜波和成像過程中的噪聲極大地增加了對(duì)這些小目標(biāo)檢測(cè)的難度。如何在保證檢測(cè)率的同時(shí)，盡量抑制背景、降低虛警，一直是紅外弱小目標(biāo)檢測(cè)的重要問題?；诰植繉?duì)比度度量的方法(參見文獻(xiàn)：李紅等，一種用于小目標(biāo)檢測(cè)的局部對(duì)比度度量，美國電氣電子工程師學(xué)會(huì)地理與遙感匯刊，2014:,52(1):574-581.(chenclp,lih,weiy,etal.alocalcontrastmethodforsmallinfraredtargetdetection[j].ieeetransactionsongeoscienceandremotesensing,2014,52(1):574-581.))是一種經(jīng)典的小目標(biāo)檢測(cè)方法，通過分析小范圍的局部灰度分布，依據(jù)目標(biāo)與背景各自的特征，構(gòu)造了有效的對(duì)比度來增強(qiáng)弱小目標(biāo)，抑制背景，但通常情況背景雜波較為復(fù)雜，簡(jiǎn)單的度量無法完全區(qū)分目標(biāo)與背景，因此容易造成虛警。基于中心周圍累積差異度量(參見文獻(xiàn)：謝凱等，基于累積中心周圍差異度量的小目標(biāo)檢測(cè)，紅外物理與科技，2014,67:229-236.(xiek,fuk,zhout,etal.smalltargetdetectionbasedonaccumulatedcenter-surrounddifferencemeasure[j].infraredphysics&technology,2014,67:229-236.))同樣根據(jù)目標(biāo)特點(diǎn)通過構(gòu)造中心區(qū)域與周圍區(qū)域的差異，該度量考慮了邊緣區(qū)域的特征，將八個(gè)方向中最小的累積差異作為最后結(jié)果，能夠在一定程度上抑制邊緣雜波，但對(duì)于一些上下起伏明顯的背景同樣會(huì)產(chǎn)生較大的差異度量，因此最后檢測(cè)結(jié)果中仍存在虛警?；谝恍┗谛螒B(tài)學(xué)處理的小目標(biāo)檢測(cè)方法，如擊中擊不中變換、頂帽變換等(參見文獻(xiàn)：白相志等，基于擊中擊不中變換的紅外弱小目標(biāo)增強(qiáng)，光學(xué)與激光，2011：43(7)：1084-1090.(baix,zhouf.hit-or-misstransformbasedinfrareddimsmalltargetenhancement[j].optics&lasertechnology,2011,43(7):1084-1090.))利用擊中擊不中變換來增強(qiáng)弱小目標(biāo)，抑制復(fù)雜背景，基于形態(tài)學(xué)的數(shù)學(xué)運(yùn)算較為簡(jiǎn)單快速，但容易受到噪聲和邊緣雜波的干擾產(chǎn)生過高的虛警?；谌祟愐曈X系統(tǒng)的檢測(cè)方法(參見文獻(xiàn)：韓金輝等，一種基于人類視覺系統(tǒng)的紅外小目標(biāo)檢測(cè)算法，美國電氣電子工程師學(xué)會(huì)地質(zhì)和遙感快報(bào)，2016，13(3):452-456.(hanj,may,huangj,etal.aninfraredsmalltargetdetectingalgorithmbasedonhumanvisualsystem[j].ieeegeoscienceandremotesensingletters,2016,13(3):452-456.))利用dog來增強(qiáng)目標(biāo)抑制背景，并增加了方向信息以克服dog對(duì)邊緣敏感的缺點(diǎn)，減少了檢測(cè)結(jié)果中的虛警，但由于紅外場(chǎng)景局部的一些背景邊緣并不是只沿著一個(gè)固定方向，因此邊緣抑制效果有限。在構(gòu)造局部對(duì)比度度量時(shí)考慮到目標(biāo)可能具有變化的形狀大小，一些方法加入了多尺度信息(參見文獻(xiàn)：魏閆濤等，基于多尺度塊對(duì)比度度量的紅外小目標(biāo)檢測(cè)，模式識(shí)別，2016,58:216-226.(weiy,youx,lih.multiscalepatch-basedcontrastmeasureforsmallinfraredtargetdetection[j].patternrecognition,2016,58:216-226.))，從多個(gè)尺度中的結(jié)果選取合適的作為最后結(jié)果，但局部對(duì)比度的方法本身就對(duì)噪聲敏感，再加上簡(jiǎn)單的極大極小尺度選取方法不能避免噪聲的影響，因此最后的結(jié)果中依然存在著許多雜波虛警。大多數(shù)算法在低信噪比下的目標(biāo)檢測(cè)與復(fù)雜背景下的虛警抑制方面依然無法得到滿意的結(jié)果。

紅外圖像中的弱小目標(biāo)檢測(cè)中，難點(diǎn)在于在增強(qiáng)目標(biāo)的同時(shí)，也要抑制復(fù)雜多變的背景和成像噪聲。本發(fā)明提出了一種利用方向?qū)?shù)構(gòu)造熵對(duì)比度的紅外弱小目標(biāo)檢測(cè)方法，由二維高斯模型的方向?qū)?shù)信息出發(fā)，將灰度信息引入到信息熵的計(jì)算公式中，提高了熵對(duì)目標(biāo)導(dǎo)數(shù)信息的敏感程度，最后通過構(gòu)造對(duì)比度來進(jìn)一步實(shí)現(xiàn)對(duì)目標(biāo)的增強(qiáng)和背景的抑制。

(三)

技術(shù)實(shí)現(xiàn)要素：

1、目的：在紅外預(yù)警與制導(dǎo)系統(tǒng)中，對(duì)遠(yuǎn)距離的艦船、導(dǎo)彈等目標(biāo)提前進(jìn)行偵測(cè)是一個(gè)非常關(guān)鍵的環(huán)節(jié)，紅外圖像往往對(duì)比度低、含有較多噪聲，相比之下檢測(cè)目標(biāo)尺寸小且較為微弱，現(xiàn)有的檢測(cè)方法并不能非常有效地檢測(cè)目標(biāo)，會(huì)造成一定程度的漏檢，同時(shí)由于復(fù)雜環(huán)境下的邊緣或噪聲干擾，虛警無法完全消除。

為了解決上述問題并彌補(bǔ)傳統(tǒng)方法的不足，本發(fā)明提供了一種利用方向?qū)?shù)構(gòu)造熵對(duì)比度的紅外弱小目標(biāo)檢測(cè)方法，它利用小面模型求解原圖像不同方向上的導(dǎo)數(shù)子圖，由于小范圍內(nèi)的背景變化可以近似地看作是穩(wěn)定的，因此在導(dǎo)數(shù)子圖中背景被抑制，而服從二維高斯模型分布的目標(biāo)則表現(xiàn)出了顯著的特征；然后根據(jù)二維高斯模型的方向?qū)?shù)分布特征，將灰度分布的幅值與位置信息引入到熵計(jì)算公式中，并通過對(duì)局部范圍內(nèi)的中心與周圍區(qū)域的分析，構(gòu)造了基于方向?qū)?shù)的熵對(duì)比度，進(jìn)一步增強(qiáng)弱小目標(biāo)，抑制復(fù)雜背景；最后將各方向上的結(jié)果相乘融合得到結(jié)果圖。小面模型具有良好的抗噪性，且在熵對(duì)比度計(jì)算中，復(fù)雜的背景被一步步抑制，而目標(biāo)在逐漸增強(qiáng)，最后結(jié)果由4個(gè)方向的增強(qiáng)結(jié)果綜合得出，因此檢測(cè)率與魯棒性都有了明顯的改善，虛警也得以有效抑制。

2、技術(shù)方案：為了實(shí)現(xiàn)這個(gè)目的，本發(fā)明的技術(shù)方案如下，首先，基于最小二乘曲面擬合，利用小面模型使用卷積操作快速求解出紅外圖像各像素點(diǎn)分別在4個(gè)方向的一階導(dǎo)數(shù)；然后，由弱小目標(biāo)的數(shù)學(xué)成像模型出發(fā)，基于方向?qū)?shù)特征并結(jié)合灰度分布信息，在小范圍鄰域內(nèi)的中心區(qū)域重新設(shè)計(jì)了信息熵計(jì)算公式；隨后，對(duì)小范圍鄰域的周圍區(qū)域同樣重新設(shè)計(jì)了信息熵計(jì)算公式，利用弱小目標(biāo)中心區(qū)域與周圍區(qū)域?qū)Ρ葟?qiáng)烈的特點(diǎn)，構(gòu)造了熵對(duì)比度，利用該度量在各個(gè)方向?qū)?shù)子圖中對(duì)背景進(jìn)行抑制，對(duì)目標(biāo)進(jìn)行增強(qiáng)；最后，對(duì)各個(gè)方向?qū)?shù)子圖的熵對(duì)比度相乘融合，進(jìn)一步抑制邊緣雜波背景，突出弱小目標(biāo)。

本發(fā)明涉及一種利用方向?qū)?shù)構(gòu)造熵對(duì)比度的紅外弱小目標(biāo)檢測(cè)方法，該方法具體步驟如下：

步驟一：由小面模型可知，小范圍鄰域內(nèi)的圖像數(shù)據(jù)可以由最小二乘法近似地?cái)M合，具體地，在一個(gè)5×5鄰域內(nèi)，可以用二元三次函數(shù)來擬合像素曲面。定義兩個(gè)對(duì)稱集合r＝{-2,-1,0,}1與,2

c＝{-2,-1,0,1,2}，由小面模型可知，在集合r×c范圍內(nèi)的二元三次曲面函數(shù)可以由以下10組離散正交基構(gòu)成：

其中，r與c分別表示在該r×c范圍內(nèi)的對(duì)稱鄰域內(nèi)的坐標(biāo)，該曲面函數(shù)可表示如下，ki,i＝1,2,...10為待擬合的10個(gè)參數(shù)，f(r,c)為擬合曲面函數(shù)在(r,c)坐標(biāo)的值。

當(dāng)前像素點(diǎn)即該鄰域中心點(diǎn)(0,0)的水平方向、垂直方向及其他α方向上的一階導(dǎo)數(shù)為：

對(duì)于ki(i＝1,2,...10)，這十個(gè)系數(shù)均可由最小二乘法設(shè)計(jì)得到各自對(duì)應(yīng)的卷積模板wi(i＝1,2,...10)對(duì)圖像進(jìn)行卷積得到，每個(gè)卷積模板可由如下公式求解，其中，pi表示第i個(gè)離散正交基，i(r,c)表示原圖像在(r,c)的像素值。

按照以上方式，求解原圖分別在水平、豎直以及兩個(gè)斜對(duì)角共4個(gè)方向上的方向?qū)?shù)圖，其中涉及到的系數(shù)為k2,k3,k7,k8,k9,k10，它們各自對(duì)應(yīng)的卷積模板為w2,w3,w7,w8,w9,w10，由以上公式可計(jì)算得各卷積模板如下：

w3＝w2^t,w8＝w9^t,w10＝w7^t

步驟二：由弱小目標(biāo)的數(shù)學(xué)成像模型出發(fā)，基于方向?qū)?shù)特征并結(jié)合灰度分布信息，在小范圍鄰域內(nèi)的中心區(qū)域重新設(shè)計(jì)了信息熵計(jì)算公式。

弱小目標(biāo)尺寸較小，通常不超過9×9，為了更好地分析研究目標(biāo)與背景的特點(diǎn)，我們對(duì)于圖像中的當(dāng)前小范圍鄰域，從內(nèi)到外將其劃分為中心區(qū)域、邊界區(qū)域和周圍區(qū)域。對(duì)于弱小目標(biāo)來說，中心區(qū)域具有明顯且劇烈的灰度分布，可用二維高斯函數(shù)來近似表示，而周圍區(qū)域一般較為平坦，兩者具有顯著的對(duì)比差別；對(duì)于小范圍的背景而言，整體變化趨勢(shì)相似，因此中心區(qū)域與周圍區(qū)域的對(duì)比差別很小。

信息熵是通過灰度分布概率來描述其變化程度的工具，目標(biāo)的中心區(qū)域灰度變化劇烈，含有較多的灰度級(jí)，因此信息熵高，許多算法基于這個(gè)特點(diǎn)在原圖中設(shè)計(jì)了不同的度量來量化灰度變化特點(diǎn)，但當(dāng)目標(biāo)十分微弱時(shí)，容易與復(fù)雜的背景雜波相混淆。為了構(gòu)造有效的對(duì)比度，我們?cè)诜较驅(qū)?shù)圖中引入了灰度分布的幅值與位置信息，重新設(shè)計(jì)了信息熵計(jì)算公式。

為了引入灰度分布的幅值與位置信息，需要定義待對(duì)比的基準(zhǔn)灰度，我們將邊界區(qū)域的灰度平均值作為基準(zhǔn)灰度值ib，用以量化中心區(qū)域與周圍區(qū)域的灰度變化。弱小目標(biāo)一般可由二維高斯模型來表示，其中心區(qū)域的方向?qū)?shù)在一般會(huì)先上升后下降，因此相對(duì)于基準(zhǔn)灰度ib有高有低。基于這個(gè)特點(diǎn)，將中心區(qū)域進(jìn)一步劃分為對(duì)稱的上升與下降兩部分，分別用c1與c2表示，這兩部分的信息熵ec1與ec2可以修正如下：

其中，ii表示第i個(gè)灰度級(jí)，在中心區(qū)域c1和c2內(nèi)分別共有m1和m2個(gè)灰度值，pi表示ii的分布概率，最后的灰度項(xiàng)中系數(shù)取三次方是為了放大灰度變化信息的同時(shí)保持正負(fù)性，中心區(qū)域的信息熵ec最終為：

ec＝ec1+ec2

在上述計(jì)算過程中，對(duì)于目標(biāo)區(qū)域無論是ec1還是ec2，(ii-ib)³和(ib-ii)³幅值較大且?guī)缀醵紴檎龜?shù)，因此最后相加的信息熵ec會(huì)得到進(jìn)一步增強(qiáng)；對(duì)于背景區(qū)域來說則沒有上述規(guī)律，兩部分幅值均較小且接近，相對(duì)于基準(zhǔn)灰度值也可能有正有負(fù)，因此相加后會(huì)在一定程度上互相抵消，最后的信息熵ec會(huì)被進(jìn)一步抑制。

步驟三：對(duì)小范圍鄰域的周圍區(qū)域同樣重新設(shè)計(jì)信息熵，利用弱小目標(biāo)中心區(qū)域與周圍區(qū)域?qū)Ρ葟?qiáng)烈的特點(diǎn)，構(gòu)造了熵對(duì)比度，利用該度量在各個(gè)方向?qū)?shù)子圖中對(duì)背景進(jìn)行抑制，對(duì)目標(biāo)進(jìn)行增強(qiáng)。

在背景區(qū)域，所計(jì)算的信息熵中的灰度系數(shù)采用相似的形式，由于不需要正負(fù)信息，因此對(duì)修正后的信息熵取絕對(duì)值，如下表示：

最終，當(dāng)前區(qū)域的對(duì)比度ec定義如下：

ec＝ec/eb

對(duì)于每個(gè)方向?qū)?shù)圖，均按以上方式求取所有像素的對(duì)比度，對(duì)比度較大的為目標(biāo)的可能性高，對(duì)比度低的為背景的可能性高，以此增強(qiáng)目標(biāo)和抑制背景。

步驟四：對(duì)個(gè)各方向上的結(jié)果進(jìn)行相乘融合，進(jìn)一步在抑制邊緣雜波背景，突出弱小目標(biāo)：設(shè)在前三個(gè)步驟中已得到各方向上的增強(qiáng)圖f0,f45,f90,f135，最后的結(jié)果圖fresult可表示為：

fresult＝f0·f45·f90·f135。

3、優(yōu)點(diǎn)及功效：本發(fā)明一種利用方向?qū)?shù)構(gòu)造熵對(duì)比度的紅外弱小目標(biāo)檢測(cè)方法，利用小面模型求解原圖像不同方向上的導(dǎo)數(shù)子圖，由于小范圍內(nèi)的背景變化可以近似地看作是穩(wěn)定的，因此在導(dǎo)數(shù)子圖中背景變化幅度小，幅值被抑制，而服從二維高斯模型分布的目標(biāo)則表現(xiàn)出了顯著的特征；然后根據(jù)目標(biāo)的導(dǎo)數(shù)特征，將灰度信息引入到熵的計(jì)算公式中，并通過對(duì)局部范圍內(nèi)的中心與周圍區(qū)域的分析，構(gòu)造了基于方向?qū)?shù)的熵對(duì)比度，進(jìn)一步增強(qiáng)弱小目標(biāo)，抑制背景；最后將各方向上的結(jié)果相乘融合得到結(jié)果圖。小面模型具有良好的抗噪性，且在熵對(duì)比度計(jì)算中，復(fù)雜的背景被一步步抑制，而目標(biāo)在逐漸增強(qiáng)，最后結(jié)果由4個(gè)方向的增強(qiáng)結(jié)果綜合得出，因此檢測(cè)率與魯棒性都有了明顯的改善，虛警也得以有效抑制。

(四)附圖說明

圖1為本發(fā)明一種利用方向?qū)?shù)構(gòu)造熵對(duì)比度的紅外弱小目標(biāo)檢測(cè)方法的原理框圖。

圖2為本發(fā)明求導(dǎo)過程中的四個(gè)方向。

圖3為本發(fā)明構(gòu)造熵對(duì)比度時(shí)導(dǎo)數(shù)子圖中，局部區(qū)域劃分中心區(qū)域、邊界區(qū)域和周圍區(qū)域示意圖。

圖4為本發(fā)明構(gòu)造熵對(duì)比度時(shí)，依據(jù)高斯分布導(dǎo)數(shù)特征，在不同方向?qū)?shù)子圖中的中心區(qū)域劃分示意圖。

圖5是本發(fā)明在實(shí)際紅外場(chǎng)景中的檢測(cè)結(jié)果，其中圖5(a1)-圖5(f1)是原始圖像，小目標(biāo)由白色方框標(biāo)記，圖5(a2)-圖5(f2)是原始圖像的三維灰度分布，圖5(a3)-圖5(f3)是最后構(gòu)造的方向?qū)?shù)熵對(duì)比度圖的三維分布。

圖6(a)～圖6(f)是本發(fā)明的檢測(cè)方法與其他幾種方法的roc曲線比較結(jié)果。

(五)具體實(shí)施方式

為了更好地理解本發(fā)明的技術(shù)方案，以下結(jié)合附圖對(duì)本發(fā)明的實(shí)施方式作進(jìn)一步描述。

本發(fā)明一種利用方向?qū)?shù)構(gòu)造熵對(duì)比度的紅外弱小目標(biāo)檢測(cè)方法，原理框圖如圖1所示，具體實(shí)施步驟如下：

步驟一：由小面模型可知，小范圍鄰域內(nèi)的圖像數(shù)據(jù)可以由最小二乘法近似地?cái)M合，具體地，在一個(gè)5×5鄰域內(nèi)，可以用二元三次函數(shù)來擬合像素曲面。定義兩個(gè)對(duì)稱集合r＝{-2,-1,0,}1,與2c＝{-2,-1,0,1,2}，由小面模型可知，在集合r×c范圍內(nèi)的二元三次曲面函數(shù)可以由以下10組離散正交基構(gòu)成：

其中，r與c分別表示在該r×c范圍內(nèi)的對(duì)稱鄰域內(nèi)的坐標(biāo)，該曲面函數(shù)可表示如下，ki,i＝1,2,...10為待擬合的10個(gè)參數(shù)，f(r,c)為擬合曲面函數(shù)在(r,c)坐標(biāo)的值。

當(dāng)前像素點(diǎn)即該鄰域中心點(diǎn)(0,0)的水平方向、垂直方向及其他α方向上的一階導(dǎo)數(shù)為：

對(duì)于ki(i＝1,2,...10)，這十個(gè)系數(shù)均可由最小二乘法設(shè)計(jì)得到各自對(duì)應(yīng)的卷積模板wi(i＝1,2,...10)對(duì)圖像進(jìn)行卷積得到，每個(gè)卷積模板可由如下公式求解，其中，pi表示第i個(gè)離散正交基，i(r,c)表示原圖像在(r,c)的像素值。

按照以上方式，求解原圖分別在水平、豎直以及兩個(gè)斜對(duì)角共4個(gè)方向上的方向?qū)?shù)圖，其中涉及到的系數(shù)為k2,k3,k7,k8,k9,k10，它們各自對(duì)應(yīng)的卷積模板為w2,w3,w7,w8,w9,w10，由以上公式可計(jì)算得各卷積模板如下：

w3＝w2^t,w8＝w9^t,w10＝w7^t

步驟二：由弱小目標(biāo)的數(shù)學(xué)成像模型出發(fā)，基于方向?qū)?shù)特征并結(jié)合灰度分布信息，在小范圍鄰域內(nèi)的中心區(qū)域重新設(shè)計(jì)了信息熵計(jì)算公式。

弱小目標(biāo)尺寸較小，通常不超過9×9，為了更好地分析研究目標(biāo)與背景的特點(diǎn)，我們對(duì)于圖像中的當(dāng)前小范圍鄰域，從內(nèi)到外將其劃分為中心區(qū)域、邊界區(qū)域和周圍區(qū)域，如附圖3所示。對(duì)于弱小目標(biāo)來說，中心區(qū)域具有明顯且劇烈的灰度分布，可用二維高斯函數(shù)來近似表示，而周圍區(qū)域一般較為平坦，兩者具有顯著的對(duì)比差別；對(duì)于小范圍的背景而言，整體變化趨勢(shì)相似，因此中心區(qū)域與周圍區(qū)域的對(duì)比差別很小。

信息熵是通過灰度分布概率來描述其變化程度的工具，目標(biāo)的中心區(qū)域灰度變化劇烈，含有較多的灰度級(jí)，因此信息熵高，許多算法基于這個(gè)特點(diǎn)在原圖中設(shè)計(jì)了不同的度量來量化灰度變化特點(diǎn)，但當(dāng)目標(biāo)十分微弱時(shí)，容易與復(fù)雜的背景雜波相混淆。為了構(gòu)造有效的對(duì)比度，我們?cè)诜较驅(qū)?shù)圖中引入了灰度分布的幅值與位置信息，重新設(shè)計(jì)了信息熵計(jì)算公式。

為了引入灰度分布的幅值與位置信息，需要定義待對(duì)比的基準(zhǔn)灰度，我們將邊界區(qū)域的灰度平均值作為基準(zhǔn)灰度值ib，用以量化中心區(qū)域與周圍區(qū)域的灰度變化。弱小目標(biāo)一般可由二維高斯模型來表示，其中心區(qū)域的方向?qū)?shù)在一般會(huì)先上升后下降，因此相對(duì)于基準(zhǔn)灰度ib有高有低?；谶@個(gè)特點(diǎn)，將中心區(qū)域進(jìn)一步劃分為對(duì)稱的上升與下降兩部分，分別用c1與c2表示，如附圖4所示，這兩部分的信息熵ec1與ec2可以修正如下：

其中，ii表示第i個(gè)灰度級(jí)，在中心區(qū)域c1和c2內(nèi)分別共有m1和m2個(gè)灰度值，pi表示ii的分布概率，最后的灰度項(xiàng)中系數(shù)取三次方是為了放大灰度變化信息的同時(shí)保持正負(fù)性，中心區(qū)域的信息熵ec最終為：

ec＝ec1+ec2

在上述計(jì)算過程中，對(duì)于目標(biāo)區(qū)域無論是ec1還是ec2，(ii-ib)³和(ib-ii)³幅值較大且?guī)缀醵紴檎龜?shù)，因此最后相加的信息熵ec會(huì)得到進(jìn)一步增強(qiáng)；對(duì)于背景區(qū)域來說則沒有上述規(guī)律，兩部分幅值均較小且接近，相對(duì)于基準(zhǔn)灰度值也可能有正有負(fù)，因此相加后會(huì)在一定程度上互相抵消，最后的信息熵ec會(huì)被進(jìn)一步抑制。

步驟三：對(duì)小范圍鄰域的周圍區(qū)域同樣重新設(shè)計(jì)信息熵，利用弱小目標(biāo)中心區(qū)域與周圍區(qū)域?qū)Ρ葟?qiáng)烈的特點(diǎn)，構(gòu)造了熵對(duì)比度，利用該度量在各個(gè)方向?qū)?shù)子圖中對(duì)背景進(jìn)行抑制，對(duì)目標(biāo)進(jìn)行增強(qiáng)。

在背景區(qū)域，所計(jì)算的信息熵中的灰度系數(shù)采用相似的形式，由于不需要正負(fù)信息，因此對(duì)修正后的信息熵取絕對(duì)值，如下表示：

最終，當(dāng)前區(qū)域的對(duì)比度ec定義如下：

ec＝ec/eb

對(duì)于每個(gè)方向?qū)?shù)圖，均按以上方式求取所有像素的對(duì)比度，對(duì)比度較大的為目標(biāo)的可能性高，對(duì)比度低的為背景的可能性高，以此增強(qiáng)目標(biāo)和抑制背景。

步驟四：對(duì)個(gè)各方向上的結(jié)果進(jìn)行相乘融合，進(jìn)一步在抑制邊緣雜波背景，突出弱小目標(biāo)：設(shè)在前三個(gè)步驟中已得到各方向上的增強(qiáng)圖f0,f45,f90,f135，最后的結(jié)果圖fresult可表示為：

fresult＝f0·f45·f90·f135。

圖2為本發(fā)明在求取方向?qū)?shù)時(shí)考慮的四個(gè)方向。圖3為計(jì)算導(dǎo)數(shù)熵對(duì)比度時(shí)的局部區(qū)域劃分為中心區(qū)域、邊界區(qū)域和周圍區(qū)域的示意圖。圖4為通過高斯模型的不同方向上的導(dǎo)數(shù)特征進(jìn)一步確定中心區(qū)域的劃分情況，1與2分別表示計(jì)算ec1和ec2時(shí)的不同區(qū)域位置c1與c2。圖5是本發(fā)明在實(shí)際紅外場(chǎng)景中的應(yīng)用，其中圖5(a1)-圖5(f1)是原始圖像，小目標(biāo)由白色方框標(biāo)記，圖5(a2)-圖5(f2)是原始圖像的三維灰度分布，圖5(a3)-圖5(f3)是最后構(gòu)造的方向?qū)?shù)熵對(duì)比度圖的三維分布。圖6(a)～圖6(f)為本發(fā)明中的檢測(cè)方法與其他幾種檢測(cè)方法的roc曲線對(duì)比圖，下面對(duì)這幾種對(duì)比方法進(jìn)行簡(jiǎn)要說明：(1)tophat為形態(tài)學(xué)處理中的頂帽變換，通過提取圖像中的亮特征檢測(cè)目標(biāo)；(2)dog(differenceofgaussians)為高斯差分金字塔，通過增強(qiáng)不同尺度下的高亮興趣點(diǎn)來檢測(cè)最后的目標(biāo)；(3)acsdm(accumulatedcenter-surrounddifferencemeasure)通過多個(gè)方向中心與周圍區(qū)域的累積差異作為度量來增強(qiáng)目標(biāo)；(4)facet為小面模型，通過二階導(dǎo)數(shù)特征分析圖像中的極大值點(diǎn)實(shí)現(xiàn)目標(biāo)的檢測(cè)；(5)max-mean與max-median為經(jīng)典的最大-均值和最大-中值濾波器，它們將目標(biāo)視為噪聲點(diǎn)，將其濾除后通過原圖像與濾波圖像的差檢測(cè)目標(biāo)；(6)ipi(infraredpatch-imagemodel)通過低秩稀疏矩陣復(fù)原來分離當(dāng)前圖像塊的背景與目標(biāo)成分，從而在目標(biāo)成分中檢測(cè)目標(biāo)；(7)mfm(multiscalefacetmodel)基于多尺度小面模型構(gòu)造了mfm矩陣并從中提取關(guān)于目標(biāo)的度量實(shí)現(xiàn)檢測(cè)；(8)wldm(weightedlocaldifferencemeasure)通過構(gòu)造多尺度局部差異對(duì)比度與局部修正熵度量，設(shè)計(jì)了加權(quán)的局部差異度量來增強(qiáng)目標(biāo)抑制背景，從而實(shí)現(xiàn)檢測(cè)。從這六幅場(chǎng)景中的roc曲線可以看出，本發(fā)明的方法roc曲線在每一個(gè)場(chǎng)景下均位于左上角，實(shí)現(xiàn)了較高的檢測(cè)率和較低的虛警率，相比于其他方法均取得了最好的效果。

用于實(shí)驗(yàn)的圖像來自于不同的紅外場(chǎng)景，包含云層雜波的天空背景或海面雜波的海天背景，場(chǎng)景中的小目標(biāo)一般較為暗淡，在噪聲環(huán)境中對(duì)比度極低，這些都加大了檢測(cè)的難度。然而本發(fā)明的實(shí)驗(yàn)結(jié)果不僅僅有效地實(shí)現(xiàn)了目標(biāo)增強(qiáng)與背景抑制，實(shí)現(xiàn)了較為理想的檢測(cè)結(jié)果，而且在與其他方法的roc曲線比較中，檢測(cè)性能也有著明顯的優(yōu)勢(shì)，這充分說明本發(fā)明的有效性與魯棒性，并可廣泛應(yīng)用于各類紅外弱小目標(biāo)的檢測(cè)系統(tǒng)，具有廣闊的市場(chǎng)前景與應(yīng)用價(jià)值。