本發(fā)明屬于紅外探測(cè)技術(shù)領(lǐng)域，具體涉及一種紅外圖像中暗弱點(diǎn)目標(biāo)檢測(cè)方法,適用于復(fù)雜背景下信噪比約為2～3的紅外圖像暗弱點(diǎn)目標(biāo)檢測(cè)。

背景技術(shù)：

紅外暗弱點(diǎn)目標(biāo)檢測(cè)技術(shù)對(duì)于紅外搜索系統(tǒng)、精確制導(dǎo)等領(lǐng)域的發(fā)展具有重要的意義。作用距離是衡量紅外搜索與跟蹤系統(tǒng)的重要指標(biāo)，遠(yuǎn)距離低信噪比點(diǎn)目標(biāo)在運(yùn)動(dòng)過(guò)程中成像尺寸在1×1～3×3個(gè)像元之間變化，其形態(tài)信息隨著距離和成像角度的不同是不斷變化的。事實(shí)上，點(diǎn)目標(biāo)在探測(cè)器上所成的像占1個(gè)像元的情況較少，更多時(shí)候會(huì)擴(kuò)散成水平或者垂直方向2個(gè)像元，或者3×3個(gè)像元。點(diǎn)目標(biāo)實(shí)際成像尺寸大于理想幾何成像尺寸，這是因?yàn)辄c(diǎn)目標(biāo)在運(yùn)動(dòng)過(guò)程中由于遠(yuǎn)距離成像發(fā)生光學(xué)衍射，點(diǎn)目標(biāo)會(huì)彌散成愛(ài)里斑，能量擴(kuò)散到鄰近像元。而且點(diǎn)目標(biāo)機(jī)動(dòng)性較強(qiáng)可能出現(xiàn)在各種不同尺度的復(fù)雜場(chǎng)景中而且成像過(guò)程中效果往往受到天氣、大氣輻射、復(fù)雜云層，以及各種噪聲等因素的影響，這很可能導(dǎo)致紅外圖像中某些場(chǎng)景的輻射強(qiáng)度超過(guò)點(diǎn)目標(biāo)的輻射強(qiáng)度，以致目標(biāo)被淹沒(méi)在復(fù)雜背景中。因此復(fù)雜背景下的暗弱點(diǎn)目標(biāo)檢測(cè)已經(jīng)成為當(dāng)今亟待解決的研究難題。

國(guó)內(nèi)外學(xué)者對(duì)暗弱點(diǎn)目標(biāo)檢測(cè)展開(kāi)了大量的研究工作。彭嘉雄等人提出了空域?yàn)V波的方法，對(duì)圖像進(jìn)行高通濾波處理，噪聲得到一定程度抑制，同時(shí)算法復(fù)雜度不高。李欣等人針對(duì)紅外云層的特點(diǎn)提出使用模糊聚類的方法準(zhǔn)確判別出圖像的類別以實(shí)現(xiàn)弱小目標(biāo)的檢測(cè)。王剛等人對(duì)紅外圖像小目標(biāo)與背景的特性進(jìn)行了分析，提出一種基于圖像塊鄰域?qū)Ρ忍匦缘募t外弱小目標(biāo)檢測(cè)算法用于有效檢測(cè)低信噪比條件下的紅外弱小目標(biāo)。吳一全提出基于nsct的紅外小目標(biāo)檢測(cè)方法，通過(guò)對(duì)高頻子帶求距離像來(lái)檢測(cè)小目標(biāo)。但對(duì)不同尺度、不同方向的高頻子帶求取的距離像與原始圖像中的小目標(biāo)大小不一致，目標(biāo)分割方法不能準(zhǔn)確定位目標(biāo)所在位置。laure提出一種背景塊匹配三維模型的目標(biāo)檢測(cè)算法，通過(guò)計(jì)算圖像塊的協(xié)方差估計(jì)出相似分布的背景區(qū)域，然后采用高斯混合模型法對(duì)背景進(jìn)行建模，此法對(duì)背景抑制作用很好，但是算法復(fù)雜，不利于實(shí)時(shí)實(shí)現(xiàn)。其次還有最大中值濾波器方法、二維最小均方濾波器算法、小波變換法等。很多算法在抑制背景的同時(shí)，造成目標(biāo)信息的丟失，有的算法在預(yù)測(cè)背景過(guò)程中，不僅突出了目標(biāo)，有時(shí)也保留大量的背景高頻像素點(diǎn)和孤立噪聲，造成較高的虛警率。

近年來(lái)，很多人提出采用形態(tài)學(xué)頂帽算法檢測(cè)點(diǎn)目標(biāo)，形態(tài)學(xué)濾波算法對(duì)背景抑制的效果取決于結(jié)構(gòu)元素的尺寸與形狀，當(dāng)無(wú)法獲得暗弱點(diǎn)目標(biāo)圖像的先驗(yàn)知識(shí)時(shí)，該算法難以獲得最佳效果。結(jié)構(gòu)元素在形態(tài)學(xué)運(yùn)算中的作用類似于濾波窗口，它的選擇至關(guān)重要。傳統(tǒng)的頂帽算法只采用一種結(jié)構(gòu)元素，忽略了不同方向的點(diǎn)目標(biāo)細(xì)節(jié)差異，因此其檢測(cè)出的候選目標(biāo)個(gè)數(shù)有限，可能產(chǎn)生較大的漏檢概率。

綜上所述，暗弱點(diǎn)目標(biāo)檢測(cè)算法不僅要適應(yīng)各種復(fù)雜的環(huán)境條件，有較強(qiáng)的穩(wěn)健性，同時(shí)算法簡(jiǎn)單能夠滿足實(shí)時(shí)性要求。研究出穩(wěn)定、高效的暗弱點(diǎn)目標(biāo)檢測(cè)算法不僅具有重要的理論意義，而且有重大的應(yīng)用價(jià)值。

技術(shù)實(shí)現(xiàn)要素：

有鑒于此，本發(fā)明的目的是提供一種紅外圖像中暗弱點(diǎn)目標(biāo)檢測(cè)方法，盡可能地覆蓋各個(gè)方向分布的點(diǎn)目標(biāo)，能夠提取出不同尺度的點(diǎn)目標(biāo)。

一種紅外圖像中點(diǎn)目標(biāo)檢測(cè)方法，包括如下步驟：

步驟一、獲取原始圖像序列；

步驟二、對(duì)輸入的原始圖像i(x,y)，利用8個(gè)結(jié)構(gòu)元素采用頂帽和底帽變換組合運(yùn)算，得到原始圖像在8個(gè)結(jié)構(gòu)元素對(duì)應(yīng)的8個(gè)方向下分布的目標(biāo)感興趣區(qū)域，具體為：

s1、頂帽和底帽變換分別如式(1)和式(2)所示：

thn＝i(x，y)-(iοbn)(x，y)，(1)

bhn＝(i·bn)(x,y)-i(x,y)，(2)

其中，bn表示第n個(gè)結(jié)構(gòu)元素，n＝1,2,…,8，具體的：

s2、對(duì)步驟s1中得到的頂帽和底帽變換結(jié)果進(jìn)行組合運(yùn)算，得到第n個(gè)方向下目標(biāo)感興趣區(qū)域roin；

roin＝i+thn-bhn，(3)

s3、將s2提取到的8個(gè)方位的點(diǎn)目標(biāo)感興趣區(qū)域roin按照各自所在位置拼合成一個(gè)完整的圖像，即得到疑似的不同灰度分布的點(diǎn)目標(biāo)結(jié)果圖像roi：

步驟三、采用恒虛警閾值處理點(diǎn)目標(biāo)結(jié)果圖像roi，得到候選點(diǎn)目標(biāo)；

步驟四、根據(jù)所述候選點(diǎn)目標(biāo)獲得目標(biāo)運(yùn)動(dòng)軌跡。

進(jìn)一步的，在步驟三獲得候選點(diǎn)目標(biāo)后，先在候選點(diǎn)目標(biāo)中剔除殘余背景點(diǎn)，再送入步驟四；具體剔除方法為：

s31、原始圖像i中找到候選目標(biāo)點(diǎn)的位置，并將候選目標(biāo)點(diǎn)的位置定義為i(i,j)；

s32、針對(duì)每個(gè)候選目標(biāo)點(diǎn)，在原始圖像上以該點(diǎn)為中心的5×5鄰域窗口中，定義如公式(6)所示的4個(gè)方向向量lm，m＝1,2,3,4，每個(gè)方向向量包含候選目標(biāo)點(diǎn)兩側(cè)的4個(gè)點(diǎn)：

s33、然后計(jì)算每個(gè)方向向量lm中4個(gè)點(diǎn)與中心的候選目標(biāo)點(diǎn)i(i,j)的灰度差異值之和：

其中wx,y表示方向向量上的點(diǎn)i(i+x,j+y)相對(duì)中心點(diǎn)i(i,j)的加權(quán)系數(shù)，x,y∈[-2,2]；其中，距離中心點(diǎn)越近的點(diǎn)，加權(quán)系數(shù)越大，距離越遠(yuǎn)，加權(quán)系數(shù)越??；

s34、針對(duì)每一個(gè)候選目標(biāo)點(diǎn)，確定四個(gè)方向向量的灰度差異值的最大值與最小值的比值，稱為該候選點(diǎn)的方向比率dr；

s35、將dr值大于或等于設(shè)定閾值的點(diǎn)進(jìn)行舍棄，將小于設(shè)定閾值的點(diǎn)保留，最后得到的候選目標(biāo)點(diǎn)即為剔除了殘余背景點(diǎn)的候選目標(biāo)點(diǎn)。

較佳的，所述s33中，加權(quán)系數(shù)的設(shè)置具體如下：

向量l1中各點(diǎn)按從遠(yuǎn)極近的順序，各鄰域點(diǎn)的加權(quán)系數(shù)為：1,2,2和1；

向量l2中各點(diǎn)按從遠(yuǎn)極近的順序，各鄰域點(diǎn)的加權(quán)系數(shù)為：3/2,5/2,5/2和3/2；

向量l3中各點(diǎn)按從遠(yuǎn)極近的順序，各鄰域點(diǎn)的加權(quán)系數(shù)為：1,2,2和1；

向量l4中各點(diǎn)按從遠(yuǎn)極近的順序，各鄰域點(diǎn)的加權(quán)系數(shù)為：3/2,5/2,5/2和3/2；

對(duì)所有鄰域點(diǎn)的加權(quán)系數(shù)進(jìn)行歸一化，得到最終的加權(quán)系數(shù)。

較佳的，所述設(shè)定閾值設(shè)為2。

較佳的，所述步驟三中，采用恒虛警閾值處理點(diǎn)目標(biāo)結(jié)果圖像roi，得到候選點(diǎn)目標(biāo)的具體過(guò)程如下：

針對(duì)步驟二得到的每個(gè)目標(biāo)感興趣區(qū)域roin計(jì)算該區(qū)域的恒虛警閾值：

式中為本區(qū)域內(nèi)背景區(qū)域的灰度均值，σb為本區(qū)域內(nèi)背景區(qū)域的標(biāo)準(zhǔn)差，k為固定常數(shù)；

將本區(qū)域內(nèi)各個(gè)點(diǎn)與本區(qū)域?qū)?yīng)的恒虛警閾值進(jìn)行比較，大于或等于恒虛警閾值th的進(jìn)行保留確定為候選目標(biāo)點(diǎn)；小于恒虛警閾值的進(jìn)行剔除，得到候選目標(biāo)點(diǎn)圖像。

較佳的，取k為

較佳的，所述步驟一中，斯特林制冷碲鎘汞長(zhǎng)波紅外焦平面探測(cè)器采集復(fù)雜云層背景下暗弱點(diǎn)目標(biāo)圖像序列。

較佳的，圖像序列中每間隔10幀選取一幀圖像加入所述原始圖像序列。

本發(fā)明具有如下有益效果：

本發(fā)明采用自主搭建的長(zhǎng)波紅外焦平面探測(cè)器，采集含有點(diǎn)目標(biāo)的圖像視頻序列；采用8個(gè)方向5×5維度的結(jié)構(gòu)元素來(lái)提取所有可能的不同尺度的目標(biāo)；經(jīng)過(guò)自適應(yīng)閾值處理得到目標(biāo)感興趣區(qū)域，有效提高目標(biāo)信噪比；采用背景邊緣點(diǎn)與點(diǎn)目標(biāo)在局部鄰域分布的判決準(zhǔn)則，將殘余的背景邊緣點(diǎn)剔除；依據(jù)幀間匹配關(guān)系來(lái)剔除噪點(diǎn)并且獲得目標(biāo)運(yùn)動(dòng)軌跡。算法復(fù)雜度不高，滿足實(shí)時(shí)性要求。結(jié)果表明本發(fā)明目標(biāo)檢測(cè)概率高，同時(shí)虛警率較低，具有重要的應(yīng)用價(jià)值。

本發(fā)明設(shè)計(jì)的8個(gè)方向5×5維度的結(jié)構(gòu)元素，對(duì)每一種結(jié)構(gòu)元素采取top-hat、bottom-hat變換組合運(yùn)算，能夠提取出圖像中所有可能灰度分布的點(diǎn)目標(biāo)。

本發(fā)明提出的局部對(duì)比特征準(zhǔn)則利用點(diǎn)目標(biāo)和背景邊緣點(diǎn)分布的不同，成功剔除了殘余的背景邊緣點(diǎn)，有效提高目標(biāo)信噪比。

本發(fā)明采用的算法復(fù)雜度不高，易于實(shí)時(shí)實(shí)現(xiàn)，對(duì)紅外搜索與跟蹤系統(tǒng)中的暗弱點(diǎn)目標(biāo)檢測(cè)技術(shù)具有很高的實(shí)用價(jià)值。

附圖說(shuō)明

圖1為候選點(diǎn)的4個(gè)方向向量示意圖。

圖2為本發(fā)明的方法流程圖。

圖3為采集的原始目標(biāo)圖像序列中的5幀。

圖4為自適應(yīng)閾值檢測(cè)的結(jié)果圖。

圖5為虛假背景邊緣點(diǎn)剔除結(jié)果圖。

圖6為多幀匹配點(diǎn)目標(biāo)軌跡結(jié)果圖。

具體實(shí)施方式

下面結(jié)合附圖并舉實(shí)施例，對(duì)本發(fā)明進(jìn)行詳細(xì)描述。

形態(tài)學(xué)濾波利用具有一定形態(tài)的結(jié)構(gòu)元素提取圖像中對(duì)應(yīng)的形態(tài)以實(shí)現(xiàn)對(duì)目標(biāo)的識(shí)別。形態(tài)學(xué)濾波中的開(kāi)運(yùn)算“ο”能夠去掉圖像小于結(jié)構(gòu)元素的孤立子域，閉運(yùn)算“·”可以將兩個(gè)距離近的區(qū)域連接起來(lái)。

我們用大于目標(biāo)大小的結(jié)構(gòu)元素對(duì)圖像進(jìn)行開(kāi)運(yùn)算，從而獲得圖像背景，再將原圖像與背景差分實(shí)現(xiàn)背景抑制，這就是頂帽(top-hat)變換。底帽(bottom-hat)變換是圖像的閉運(yùn)算結(jié)果與原始圖像之差，在抑制背景的同時(shí)能提取圖像的暗細(xì)節(jié)特征。在原始圖像基礎(chǔ)上加上頂帽變換結(jié)果，再減去底帽變換結(jié)果，不僅可以抑制背景，目標(biāo)能量也能夠得到增強(qiáng)。

多尺度top-hat、bottom-hat變換定義如下：

thn＝i(x，y)-(iοbn)(x，y)，(1)

bhn＝(i·bn)(x,y)-i(x,y)，(2)

其中n＝1,2,…,n為整數(shù)，i(x,y)為輸入的原始圖像，bn表示不同的結(jié)構(gòu)元素。

本發(fā)明設(shè)計(jì)了水平、垂直、對(duì)角線等8個(gè)方向的結(jié)構(gòu)元素來(lái)提取不同灰度分布的點(diǎn)目標(biāo)，8個(gè)5×5維度的結(jié)構(gòu)元素bn(n＝1,2,…,8)如下所示：

設(shè)計(jì)的結(jié)構(gòu)元素覆蓋了方形窗口內(nèi)幾乎所有的點(diǎn)目標(biāo)形態(tài)走向，對(duì)于每一種結(jié)構(gòu)元素bn，采用如下的top-hat、bottom-hat變換組合運(yùn)算，能夠探測(cè)出在此結(jié)構(gòu)元素所對(duì)應(yīng)方向下的目標(biāo)感興趣區(qū)域roin(n＝1,2,…,8)。

roin＝i+thn-bhn，(3)

我們將提取到的8個(gè)方位的點(diǎn)目標(biāo)感興趣區(qū)域roin組成一個(gè)大的濾波器，得到疑似的不同灰度分布的點(diǎn)目標(biāo)結(jié)果圖像roi，見(jiàn)公式(4)。

采用恒虛警閾值處理上述全方位點(diǎn)目標(biāo)感興趣roi，得到候選點(diǎn)目標(biāo)，在目標(biāo)感興趣位置所在的局部小鄰域內(nèi)計(jì)算該區(qū)域的恒虛警閾值：

式中為局部背景區(qū)域的灰度均值，σb為局部背景區(qū)域的標(biāo)準(zhǔn)差，k為固定常數(shù)，可近似認(rèn)為其為檢測(cè)的信噪比閾值，大于閾值th的進(jìn)行保留確定為候選目標(biāo)點(diǎn)，小于閾值的進(jìn)行剔除，進(jìn)行二值化處理，得到候選目標(biāo)點(diǎn)圖像。出于對(duì)要檢測(cè)的點(diǎn)目標(biāo)信噪比的要求，我們?nèi)為

對(duì)于上述全方位多尺度形態(tài)學(xué)處理得到的候選目標(biāo)圖像，除了有暗弱點(diǎn)目標(biāo)，可能還會(huì)存在殘留的強(qiáng)起伏背景邊緣點(diǎn)和高斯點(diǎn)噪聲，我們采用如下的局部對(duì)比特征將這些虛假點(diǎn)剔除。

將候選目標(biāo)點(diǎn)定位返回到原始圖像i中，假設(shè)其中一個(gè)候選目標(biāo)點(diǎn)為i(i,j)，在原始圖像上以該點(diǎn)為中心的5×5鄰域窗口中，我們定義如公式(6)所示的4個(gè)方向向量lm(m＝1,2,3,4)，每個(gè)方向向量包含候選目標(biāo)點(diǎn)兩側(cè)的4個(gè)點(diǎn)，接下來(lái)用這4個(gè)方向向量的關(guān)系區(qū)分點(diǎn)目標(biāo)和殘余背景邊緣點(diǎn)，5×5鄰域窗口方向向量示意圖見(jiàn)圖1。

l1＝{i(i-2,j-2),i(i-1,j-1),i(i+1,j+1),i(i+2,+2)}

l2＝{i(i,j-2),i(i,j-1),i(i,j+1),i(i,j+2)}

l3＝{i(i+2,j-2),i(i+1,j-1),i(i-1,j+1),i(i-2,j+2)}

l4＝{i(i-2,j),i(i-1,j),i(i+1,j),i(i+2,j)}，

(6)

然后計(jì)算每個(gè)方向向量lm中4個(gè)點(diǎn)與中心點(diǎn)的灰度差異值之和：

其中wx,y表示方向向量上的點(diǎn)i(i+x,j+y)相對(duì)中心點(diǎn)i(i,j)的加權(quán)系數(shù)，x,y∈[-2,2]。根據(jù)已有先驗(yàn)知識(shí)，距離中心點(diǎn)越近的點(diǎn)，其灰度值跟中心點(diǎn)越接近，因此賦予較近的點(diǎn)較大的權(quán)值。作為中心點(diǎn)i(i,j)的最近鄰4鄰域i(i±1,j)和i(i,j±1)，我們賦予最大的權(quán)值5/2。對(duì)于4個(gè)次鄰近i(i±1,j±1)，令它們的加權(quán)系數(shù)值為2。以此類推，我們賦予5×5鄰域窗口內(nèi)距離中心點(diǎn)最遠(yuǎn)的4個(gè)點(diǎn)i(i±2,j±2)的加權(quán)系數(shù)值為1。為了處理方便，將4個(gè)方向向量lm依次豎直排列組合成公式(12)所示的列矩陣l，按照上述法則矩陣中每一點(diǎn)對(duì)應(yīng)的加權(quán)系數(shù)構(gòu)成矩陣wx,y：

本發(fā)明定義一個(gè)新的變量叫做方向比率(directionratio，縮寫(xiě)dr)，每一個(gè)候選點(diǎn)方向向量的灰度差異值的最大值與最小值的比值稱為該候選點(diǎn)的方向比率dr，定義式如下：

下面我們分兩種情況討論dr值：

1)如果候選點(diǎn)是背景邊緣點(diǎn)，則dr值會(huì)比較大。因?yàn)?個(gè)方向向量中至少存在1個(gè)很小的和1個(gè)很大的共同作用的結(jié)果是得到的dr值比較大，往往在2以上。

2)如果候選點(diǎn)是真實(shí)點(diǎn)目標(biāo)，則dr值比較小，在1～2之間。這是因?yàn)辄c(diǎn)目標(biāo)的4個(gè)方向向量的灰度差異值比較接近，最大值與最小值的比值也在2以內(nèi)。

因此，本發(fā)明通過(guò)設(shè)定dr閾值來(lái)區(qū)分候選點(diǎn)中的背景邊緣點(diǎn)和真實(shí)點(diǎn)目標(biāo)，閾值設(shè)定為2即可，dr值大于2，即為殘余背景邊緣點(diǎn)，進(jìn)行舍棄，小于2的進(jìn)行保留，下一步處理。

保留下來(lái)的點(diǎn)中還可能存在點(diǎn)噪聲，而點(diǎn)噪聲位置固定不變或無(wú)序閃爍。對(duì)于動(dòng)基座探測(cè)器采集點(diǎn)目標(biāo)圖像裝置，轉(zhuǎn)臺(tái)的速度已知，由于探測(cè)器幀頻較高，極短時(shí)間內(nèi)點(diǎn)目標(biāo)近似直線運(yùn)動(dòng)，而且動(dòng)基座探測(cè)器在幀間移動(dòng)的像元數(shù)目固定，可近似認(rèn)為目標(biāo)在幀間運(yùn)動(dòng)的像元數(shù)固定，采用提出的算法對(duì)序列圖像進(jìn)行處理后累加，采用常用的hough變換直線檢測(cè)算法在幾幀內(nèi)便可檢測(cè)出點(diǎn)目標(biāo)軌跡，排除固定噪點(diǎn)和無(wú)序虛假點(diǎn)的干擾。

本發(fā)明的紅外圖像中暗弱點(diǎn)目標(biāo)檢測(cè)方法，包括以下步驟：

步驟一、原始圖像獲取

采用搭建的斯特林制冷碲鎘汞長(zhǎng)波紅外焦平面探測(cè)器，采集復(fù)雜云層背景下暗弱點(diǎn)目標(biāo)圖像序列。圖像序列中選取部分圖如圖3所示，幀間間隔為10幀。

步驟二、多尺度形態(tài)學(xué)濾波提取所有可能形態(tài)分布的疑似目標(biāo)

采用8個(gè)結(jié)構(gòu)元素的top-hat、bottom-hat變換組合運(yùn)算，探測(cè)出圖像中在8個(gè)方向下分布的目標(biāo)感興趣區(qū)域。

步驟三、自適應(yīng)閾值處理得到候選點(diǎn)目標(biāo)

在目標(biāo)感興趣區(qū)域的小鄰域內(nèi)，利用自適應(yīng)閾值處理，得到候選點(diǎn)目標(biāo)，結(jié)果見(jiàn)圖4。

步驟四、局部對(duì)比特征準(zhǔn)則剔除殘余背景點(diǎn)

采用設(shè)計(jì)的局部對(duì)比特征準(zhǔn)則，區(qū)分候選點(diǎn)中的背景邊緣點(diǎn)和真實(shí)點(diǎn)目標(biāo)，dr值大于2，即為殘余背景邊緣點(diǎn)，進(jìn)行舍棄，小于2的進(jìn)行保留，下一步處理，結(jié)果見(jiàn)圖5。

步驟五、幀間匹配關(guān)系來(lái)剔除噪點(diǎn)并且獲得目標(biāo)運(yùn)動(dòng)軌跡。

對(duì)上述處理得到的序列圖像進(jìn)行累加，采用常用的hough變換直線檢測(cè)算法檢測(cè)直線，得到點(diǎn)目標(biāo)運(yùn)動(dòng)軌跡的同時(shí)剔除無(wú)序噪點(diǎn)，軌跡見(jiàn)圖6。

實(shí)施例：

本發(fā)明采用自主搭建的設(shè)備采集紅外暗弱點(diǎn)目標(biāo)圖像序列，序列中的5幀圖像見(jiàn)圖3。圖像中包含大量復(fù)雜云層背景，而且背景中還存在很多固定噪點(diǎn)或者隨機(jī)噪點(diǎn)，這些噪點(diǎn)嚴(yán)重干擾對(duì)小目標(biāo)的檢測(cè)，容易造成很大的虛警率。

本發(fā)明首先采用top-hat、bottom-hat變換組合運(yùn)算，即原始圖像加上頂帽變換結(jié)果再減去底帽變換結(jié)果，在這里采用設(shè)計(jì)的8個(gè)方向的結(jié)構(gòu)元素，提取出圖像中在所有可能分布的點(diǎn)目標(biāo)感興趣區(qū)域，再將這些提取出的感興趣區(qū)域組合起來(lái)。接下來(lái)對(duì)上述處理結(jié)果圖像進(jìn)行自適應(yīng)閾值采用恒虛警閾值處理，得到候選目標(biāo)，這步的處理結(jié)果如圖4所示，紅色方框圈出的就是檢測(cè)出的候選目標(biāo)點(diǎn)，這些點(diǎn)主要分布在云層背景邊緣，其次還包括一些干擾噪點(diǎn)。

下一步分析候選點(diǎn)中的背景邊緣點(diǎn)和真實(shí)點(diǎn)目標(biāo)在局部鄰域內(nèi)方向比率的差異性，采用設(shè)計(jì)的局部對(duì)比特征準(zhǔn)則，剔除候選點(diǎn)中的背景邊緣點(diǎn)，具體準(zhǔn)則為：dr值大于2，我們認(rèn)為是殘余背景邊緣點(diǎn)，進(jìn)行舍棄，小于2的進(jìn)行保留，下一步處理，圖5就是經(jīng)過(guò)局部對(duì)比特征準(zhǔn)則得到的候選目標(biāo)結(jié)果圖，圖中可以看到此時(shí)的候選目標(biāo)數(shù)量很少，很多背景高頻點(diǎn)被剔除。

下一步通過(guò)上述檢測(cè)算法處理后的點(diǎn)目標(biāo)序列圖像進(jìn)行相鄰5幀累加，在極短的時(shí)間內(nèi)我們認(rèn)為點(diǎn)目標(biāo)做直線運(yùn)動(dòng)，而且探測(cè)器在水平方位上勻速轉(zhuǎn)動(dòng)，采用hough變換直線檢測(cè)算法檢測(cè)累加圖中的直線，得到點(diǎn)目標(biāo)運(yùn)動(dòng)軌跡的同時(shí)剔除固定噪點(diǎn)以及無(wú)序閃爍噪點(diǎn)。

下面對(duì)本發(fā)明進(jìn)行數(shù)據(jù)分析評(píng)價(jià)：

本發(fā)明用信噪比snr來(lái)描述檢測(cè)出點(diǎn)目標(biāo)的信息，用目標(biāo)檢測(cè)概率rcdr和虛警概率rfar描述算法對(duì)點(diǎn)目標(biāo)檢測(cè)的結(jié)果好壞，定義分別如下：

rcdr＝(nc/nt)×100％(11)

rfar＝[nf/(nf+nt)]×100％(12)

式中，μt為目標(biāo)區(qū)域灰度均值，μb為局部背景區(qū)域的灰度均值，σb為局部背景區(qū)域的標(biāo)準(zhǔn)差。

序列中點(diǎn)目標(biāo)信噪比分布在0.5-3，每幀圖像都只有一個(gè)點(diǎn)目標(biāo)，因此采集的1000幀序列中共有1000個(gè)點(diǎn)目標(biāo)。上述算法正確檢測(cè)出988個(gè)點(diǎn)目標(biāo)，另外有5個(gè)虛警，所以檢測(cè)概率是98.80％，虛警率是0.5％。從數(shù)據(jù)來(lái)看，本發(fā)明提出的方法對(duì)點(diǎn)目標(biāo)檢測(cè)效果強(qiáng)，對(duì)復(fù)雜云層背景的抑制效果很好，驗(yàn)證了本發(fā)明提出算法的有效性強(qiáng)。

綜上所述，以上僅為本發(fā)明的較佳實(shí)施例而已，并非用于限定本發(fā)明的保護(hù)范圍。凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。