红外小目标检测（精选八篇）
红外小目标检测 篇1
关键词：白化滤波器,红外,小目标,目标检测
0引言
为了从红外图像序列中检测到运动的弱小目标, 自70年代以来, 国内外学者和研究人员进行了广泛而深入的研究。红外小目标检测问题的难点在于:背景起伏严重;目标信噪比低;小目标只占一个或者几个像素, 不具有形状和结构信息。为了解决这些问题, 人们提出了很多种算法。Diani[1]等人提出了一种广义似然比检测方法;Chen和Reed[2]提出了恒虚警概率 (CFAR) 检测方法;彭嘉雄、周文琳[3]提出了先对图像进行预处理, 然后再用形态学的方法进行能量累计后检测的方法;叶增军[4]等人提出了基于小波变换进行目标检测的方法;Blostein和Huang[5]提出了一种多级假设检验 (MHT) 的目标检测方法。从理论上讲, 上述各种目标检测方法都能取得较好的效果, 但是都不能完全解决红外图像序列中小目标检测问题。
本文提出了一种用白化滤波器白化图像起伏背景的方法, 这种方法具有很好的理论基础, 实验结果也验证了这种方法能够很好地抑制图像起伏背景。
1红外图像场景模型
一般, 一幅包含小目标的红外图像f (i, j) 可以描述为[6]:
f (i, j) =f (i, j) +s (i, j) +w (i, j) 。 (1)
式中, s (i, j) 表示目标;f (i, j) 表示背景图像;w (i, j) 表示白噪声。
本文将采用另外一种场景模型。将图像中的所有像素分为目标点和非目标点2类, 也就是说, 除了目标, 将图像中的其余点例如背景和噪声都归为非目标点类。进一步, 认为所有非目标点相对于目标来说都是噪声, 于是建立一种新的红外图像场景模型:
f (i, j) =s (i, j) +n (i, j) 。 (2)
式中, s (i, j) 表示目标;n (i, j) 表示起伏背景加上白噪声, 实际上是一个色噪声。
2技术实现白化滤波器及背景白化
为了检测起伏背景中的小目标, 通常的做法是通过一定的办法去除图像中的起伏背景, 然后在剩下的包含目标的白噪声中应用目标检测算法。前人已经提出了很多去除背景的方法, 如高通滤波、自适应滤波和形态滤波等。预先去除背景的方法不但有利于目标检测 (提高了信噪比) , 而且还有另一个好处:不论采集到的红外图像包含什么背景, 都可以用一个统一的方法检测目标, 而不必为每种不同的图像设计不同的检测方法。结合式 (2) , 本文提出了一种利用白化滤波器去除背景的方法。
2.1白化滤波器[7]
如图1所示系统, 输入x (t) 为信号s (t) 加上非白噪声n (t) , 经过白化滤波器后, 噪声n (t) 得到白化, 输出噪声为白噪声w (t) , 于是有:
|H (ω) |2Gn (ω) =Gw (ω) =1, (3)
或
undefined。 (4)
式中, Gn (ω) 与Gw (ω) 分别为n (t) 和w (t) 的功率谱。通过式 (4) 就可以得到图1中的白化滤波器H (ω) 。
2.2背景白化
对于红外图像, 认为在一个小的局部区域内图像是平稳的, 同时认为它的功率谱在这个小区域内恒定不变。由式 (4) 可以得到关于二维图像起伏背景的白化滤波器:
undefined
因为在局部区域内图像功率谱是个常数, 所以图像局部区域内的白化滤波器的系数为常数。而图像的功率谱G (ω1, ω2) 可以通过对局部区域内的|F (ω1, ω2) |2取平均来估计得到。用这个滤波器对输入图像进行处理就可以对图像中的起伏背景进行白化, 得到包括目标的白噪声, 然后就可以用适当的方法进行目标检测。
为了对图像中的背景杂波进行白化, 采用基于单个像素点的处理方法, 具体步骤如下:
① 对图像中的点f (i, j) , 选取其M×N的邻域;
② 求该邻域内MN个点的平均功率谱, 并将该值赋予h (i, j) , 计算f (i, j) /h (i, j) 作为滤波后的结果;
③ 返回①, 直到图像中的所有点都处理完毕。
3实验结果
将文中算法应用到一幅256×256像素的红外云图。图像中有云层、过渡区域以及天空背景, 云层大部和天空背景都是比较平坦的, 但是过渡区域起伏非常大。选择平坦区域如天空背景处添加一个目标, 然后进行目标检测。图2 (a) 为经过背景白化后的图像的三维视图, 可见白化过程对目标点影响不大, 图2 (a) 中目标点的幅值明显高于背景噪声, 这样就很容易检测到目标。经过白化后, 图像中的起伏背景完全被白化。图2 (b) 为白化后图像的直方图 (经过90倍放大) , 可见该直方图具有很好的高斯形状, 这也同样证实了白化的效果。
4结束语
首先建立了红外图像场景模型, 然后在理论分析的基础上提出了一种通过白化起伏背景来抑制背景的方法, 并给出了算法的具体步骤。起伏背景经过白化后变为高斯白噪声, 而由于目标点很小, 这一过程对目标点的影响很小 (实验结果也验证了上述结论) , 这也为下一步的目标检测打下很好的基础。
应该指出的是, 由于算法采用基于单个像素的局部区域功率谱估计方法, 所以计算量很大。以本文中的实验为例, 对于一幅256×256像素的图像, 完成单帧检测耗时高达30 s左右, 这对于实时系统来说是无法忍受的, 下面的工作应该围绕提高算法效率和寻找快速算法展开。
最后说明一点, 本算法对于较大的目标并不适用, 因为白化过程会将较大目标压得很低, 以至于无法检测。
参考文献
[1]DIANI M, CORSINI G, BALDACCI A.Space-time Processingfor the Detection of Airborne Targets in IRImage Sequences[J].IEE Proc.-Vis.Image Signal Proc., 2001, 148 (3) :151-157.
[2]CHENJianyue, IRVING S.Reed:A Detection Algorithmfor Optical Targets in Clutter[J].IEEE Trans.Aerosp.Electron.Syst., 1987, 23 (1) :46-59.
[3]彭嘉雄, 周文琳.红外背景抑制与小目标分割检测[J].电子学报, 1999, 27 (12) :47-51.
[4]叶增军, 王江安, 阮玉, 等.海空复杂背景下红外弱点目标的检测算法[J].红外与毫米波学报, 2000, 19 (2) :121-124.
[5]STEVEND.Blostein and Thomas S.Huang:Detection Small, Moving Objects in Image Sequences Using Sequential Hypothesis Testing[J].IEEE Trans.Signal Process., 1991, 39 (7) :1611-1629.
[6]聂洪山, 杨卫平, 沈振康.基于Wiener方法的红外云背景中小目标检测方法[J].红外与激光工程, 2003, 32 (6) :476-478.
红外小目标检测 篇2
摘要：运用各向异性SUSAN滤波进行红外弱小目标检测时，考虑到仅依靠4个像素点所确定的边缘方向往往与实际边缘方向存在较大误差，导致滤波后的图像依然保留着较多的背景杂波而不利于弱小目标的检测，因此提出一种边缘方向优化方法，结合坐标变换尽可能多地利用局部图像的像素点来参与边缘方向的估值，并运用高斯-拉普拉斯算子自适应地选择最优化的边缘方向角，使其更贴近于实际边缘；然后将局部图像与中心像素的灰度差均值确定为各向异性SUSAN滤波算子的阈值。实验表明：本文算法具有更好的背景抑制能力，突出目标，较好地提升了红外目标信噪比增益，并有效避免虚假目标的产生，提高了单帧红外弱小目标的检测能力。
关键词：弱小目标检测；各向异性SUSAN滤波器；边缘方向优化；阈值；自适应
中图分类号：TP391文献标识码：A文章编号：1673-5048（2014）04-0036-04
0引言
复杂背景下红外弱小目标的检测和跟踪是红外成像制导的关键技术，由于红外传感器本身噪声、红外背景干扰、以及目标具有远距离、低信噪比等特点给红外弱小目标检测带来很大的困难[1-3]。为提高系统对强杂波背景中红外弱小目标的检测能力，在目标检测之前，必须对图像进行背景抑制以提高信噪比。常用的背景抑制方法有高通滤波、侧抑制滤波、SUSAN滤波等[4-6]；SUSAN滤波算法是利用SUSAN算子对边缘和角点敏感，而对噪声不敏感的优势，对红外背景进行重新建模，并与原始红外图像作差，得到包含有红外弱小目标的残差图像，已取得较好的背景抑制效果[5-7]。本文在各向异性SUSAN滤波算子的基础上，考虑到仅依靠4个像素点所确定的边缘方向往往与实际边缘方向存在较大误差，导致滤波后的图像依然保留着较多的背景杂波，因此本文对其进行优化，使其更贴近于实际边缘，将局部图像与中心像素的灰度差均值确定为SUSAN滤波算子的阈值，以利于红外背景精确地重建，减少残差图像中的背景杂波，较好提升红外目标的信噪比及其增益。
2边缘方向的优化
前人大多只利用局部图像的4个像素点，通过梯度估计法得到梯度方向角θ⊥，进而粗略地完成边缘方向角的估值[4-8]，但这种估值往往存在较大误差导致残差图像中依然保留着很多的红外背景，本文对其进行优化，结合坐标变换尽可能多地利用局部图像的像素点来参与估计，并引入高斯-拉普拉斯算子对局部图像进行滤波，遵循估计的边缘角度越接近实际边缘角度，滤波的灰度值就越大的原则[9]，自适应地选择最优的边缘方向估计值。本文在滤波及最优边缘方向选取时都将采用7×7的模板，并考虑到实时性要求，将在9个可能的边缘方向角中选取最优的。
3目标检测算法流程
本文算法流程包括：图像预处理、红外背景建模、原始图像与背景图像作差、对残差图像进行分割以提取小目标。通过局部图像信息确定SUSAN滤波器的长轴、短轴、阈值，并运用高斯-拉普拉斯算子自适应地选择最优的边缘方向，然后与图像进行卷积得到背景建模图像，作差得到含有红外弱小目标的残差图像，并运用对比度分割算法得到目标的大小与位置，如图2所示。
4实验结果及分析
由图可知，尽管高通滤波在算法实现上最简单，但经过处理后的图像依然有大量的背景杂波，部分杂波灰度较高；各向异性SUSAN滤波相对于高通滤波有较好的背景抑制能力，但由于梯度估计法所确定的边缘方向误差较大，使部分背景、尤其是云层边缘并未得到较好抑制；本文算法对其进行改进，通过设置新的阈值以及对边缘方向进行优化，促使红外背景被更加精确地重建，使残差图像中保留着更少的背景杂波，云层边缘得到很好的抑制，体现出更好的背景抑制能力，同样本文算法还有效地避免了虚假目标的产生，如图5（c）所示，红外图像经过滤波后，在目标左侧竟然同时出现两个灰度高于目标的噪声点，图5（d）却没有，因此本文算法更能有效降低虚警率。
图6给出了红外图像3经过三种不同的滤波算法后基于对比度的分割图像，图6（b）、（c）中目标周围的高频噪声点都可能会被误认为是目标，本文的算法则能很好地检测出目标。为了能定量地说明本文算法的有效性，本文将采用图像信噪比、信噪比增益、背景抑制因子对三种检测算法进行评价，它们都反映弱小目标在检测前后的改善情况，
由表1可知：本文算法有效地提高红外目标信噪比及其增益，具有更好的背景抑制能力，其性能明显优于前两种算法，具有更好的单帧红外弱小目标的检测能力。
5结论
本文在运用各向异性SUSAN滤波对红外目标检测时，红外建模过程中边缘方向误差较大，会导致残差图像中仍保留较多背景杂波存在，因此，提出对其改进，尽可能多地利用局部图像的像素点来参与边缘估计，运用高斯-拉普拉斯算子自适应地选择最优的边缘方向估计值，并将局部图像与中心像素的灰度差均值确定为SUSAN滤波算子的阈值。实验表明：本文方法有利于红外背景更加精确地重建，使得滤波后的图像保留更少的背景杂波，较好提高了红外目标的信噪比增益，突出目标，并能有效的避免虚假目标产生，为红外图像处理的后续工作打下较好的基础。endprint
摘要：运用各向异性SUSAN滤波进行红外弱小目标检测时，考虑到仅依靠4个像素点所确定的边缘方向往往与实际边缘方向存在较大误差，导致滤波后的图像依然保留着较多的背景杂波而不利于弱小目标的检测，因此提出一种边缘方向优化方法，结合坐标变换尽可能多地利用局部图像的像素点来参与边缘方向的估值，并运用高斯-拉普拉斯算子自适应地选择最优化的边缘方向角，使其更贴近于实际边缘；然后将局部图像与中心像素的灰度差均值确定为各向异性SUSAN滤波算子的阈值。实验表明：本文算法具有更好的背景抑制能力，突出目标，较好地提升了红外目标信噪比增益，并有效避免虚假目标的产生，提高了单帧红外弱小目标的检测能力。
关键词：弱小目标检测；各向异性SUSAN滤波器；边缘方向优化；阈值；自适应
中图分类号：TP391文献标识码：A文章编号：1673-5048（2014）04-0036-04
0引言
复杂背景下红外弱小目标的检测和跟踪是红外成像制导的关键技术，由于红外传感器本身噪声、红外背景干扰、以及目标具有远距离、低信噪比等特点给红外弱小目标检测带来很大的困难[1-3]。为提高系统对强杂波背景中红外弱小目标的检测能力，在目标检测之前，必须对图像进行背景抑制以提高信噪比。常用的背景抑制方法有高通滤波、侧抑制滤波、SUSAN滤波等[4-6]；SUSAN滤波算法是利用SUSAN算子对边缘和角点敏感，而对噪声不敏感的优势，对红外背景进行重新建模，并与原始红外图像作差，得到包含有红外弱小目标的残差图像，已取得较好的背景抑制效果[5-7]。本文在各向异性SUSAN滤波算子的基础上，考虑到仅依靠4个像素点所确定的边缘方向往往与实际边缘方向存在较大误差，导致滤波后的图像依然保留着较多的背景杂波，因此本文对其进行优化，使其更贴近于实际边缘，将局部图像与中心像素的灰度差均值确定为SUSAN滤波算子的阈值，以利于红外背景精确地重建，减少残差图像中的背景杂波，较好提升红外目标的信噪比及其增益。
2边缘方向的优化
前人大多只利用局部图像的4个像素点，通过梯度估计法得到梯度方向角θ⊥，进而粗略地完成边缘方向角的估值[4-8]，但这种估值往往存在较大误差导致残差图像中依然保留着很多的红外背景，本文对其进行优化，结合坐标变换尽可能多地利用局部图像的像素点来参与估计，并引入高斯-拉普拉斯算子对局部图像进行滤波，遵循估计的边缘角度越接近实际边缘角度，滤波的灰度值就越大的原则[9]，自适应地选择最优的边缘方向估计值。本文在滤波及最优边缘方向选取时都将采用7×7的模板，并考虑到实时性要求，将在9个可能的边缘方向角中选取最优的。
3目标检测算法流程
本文算法流程包括：图像预处理、红外背景建模、原始图像与背景图像作差、对残差图像进行分割以提取小目标。通过局部图像信息确定SUSAN滤波器的长轴、短轴、阈值，并运用高斯-拉普拉斯算子自适应地选择最优的边缘方向，然后与图像进行卷积得到背景建模图像，作差得到含有红外弱小目标的残差图像，并运用对比度分割算法得到目标的大小与位置，如图2所示。
4实验结果及分析
由图可知，尽管高通滤波在算法实现上最简单，但经过处理后的图像依然有大量的背景杂波，部分杂波灰度较高；各向异性SUSAN滤波相对于高通滤波有较好的背景抑制能力，但由于梯度估计法所确定的边缘方向误差较大，使部分背景、尤其是云层边缘并未得到较好抑制；本文算法对其进行改进，通过设置新的阈值以及对边缘方向进行优化，促使红外背景被更加精确地重建，使残差图像中保留着更少的背景杂波，云层边缘得到很好的抑制，体现出更好的背景抑制能力，同样本文算法还有效地避免了虚假目标的产生，如图5（c）所示，红外图像经过滤波后，在目标左侧竟然同时出现两个灰度高于目标的噪声点，图5（d）却没有，因此本文算法更能有效降低虚警率。
图6给出了红外图像3经过三种不同的滤波算法后基于对比度的分割图像，图6（b）、（c）中目标周围的高频噪声点都可能会被误认为是目标，本文的算法则能很好地检测出目标。为了能定量地说明本文算法的有效性，本文将采用图像信噪比、信噪比增益、背景抑制因子对三种检测算法进行评价，它们都反映弱小目标在检测前后的改善情况，
由表1可知：本文算法有效地提高红外目标信噪比及其增益，具有更好的背景抑制能力，其性能明显优于前两种算法，具有更好的单帧红外弱小目标的检测能力。
5结论
本文在运用各向异性SUSAN滤波对红外目标检测时，红外建模过程中边缘方向误差较大，会导致残差图像中仍保留较多背景杂波存在，因此，提出对其改进，尽可能多地利用局部图像的像素点来参与边缘估计，运用高斯-拉普拉斯算子自适应地选择最优的边缘方向估计值，并将局部图像与中心像素的灰度差均值确定为SUSAN滤波算子的阈值。实验表明：本文方法有利于红外背景更加精确地重建，使得滤波后的图像保留更少的背景杂波，较好提高了红外目标的信噪比增益，突出目标，并能有效的避免虚假目标产生，为红外图像处理的后续工作打下较好的基础。endprint
摘要：运用各向异性SUSAN滤波进行红外弱小目标检测时，考虑到仅依靠4个像素点所确定的边缘方向往往与实际边缘方向存在较大误差，导致滤波后的图像依然保留着较多的背景杂波而不利于弱小目标的检测，因此提出一种边缘方向优化方法，结合坐标变换尽可能多地利用局部图像的像素点来参与边缘方向的估值，并运用高斯-拉普拉斯算子自适应地选择最优化的边缘方向角，使其更贴近于实际边缘；然后将局部图像与中心像素的灰度差均值确定为各向异性SUSAN滤波算子的阈值。实验表明：本文算法具有更好的背景抑制能力，突出目标，较好地提升了红外目标信噪比增益，并有效避免虚假目标的产生，提高了单帧红外弱小目标的检测能力。
关键词：弱小目标检测；各向异性SUSAN滤波器；边缘方向优化；阈值；自适应
中图分类号：TP391文献标识码：A文章编号：1673-5048（2014）04-0036-04
0引言
复杂背景下红外弱小目标的检测和跟踪是红外成像制导的关键技术，由于红外传感器本身噪声、红外背景干扰、以及目标具有远距离、低信噪比等特点给红外弱小目标检测带来很大的困难[1-3]。为提高系统对强杂波背景中红外弱小目标的检测能力，在目标检测之前，必须对图像进行背景抑制以提高信噪比。常用的背景抑制方法有高通滤波、侧抑制滤波、SUSAN滤波等[4-6]；SUSAN滤波算法是利用SUSAN算子对边缘和角点敏感，而对噪声不敏感的优势，对红外背景进行重新建模，并与原始红外图像作差，得到包含有红外弱小目标的残差图像，已取得较好的背景抑制效果[5-7]。本文在各向异性SUSAN滤波算子的基础上，考虑到仅依靠4个像素点所确定的边缘方向往往与实际边缘方向存在较大误差，导致滤波后的图像依然保留着较多的背景杂波，因此本文对其进行优化，使其更贴近于实际边缘，将局部图像与中心像素的灰度差均值确定为SUSAN滤波算子的阈值，以利于红外背景精确地重建，减少残差图像中的背景杂波，较好提升红外目标的信噪比及其增益。
2边缘方向的优化
前人大多只利用局部图像的4个像素点，通过梯度估计法得到梯度方向角θ⊥，进而粗略地完成边缘方向角的估值[4-8]，但这种估值往往存在较大误差导致残差图像中依然保留着很多的红外背景，本文对其进行优化，结合坐标变换尽可能多地利用局部图像的像素点来参与估计，并引入高斯-拉普拉斯算子对局部图像进行滤波，遵循估计的边缘角度越接近实际边缘角度，滤波的灰度值就越大的原则[9]，自适应地选择最优的边缘方向估计值。本文在滤波及最优边缘方向选取时都将采用7×7的模板，并考虑到实时性要求，将在9个可能的边缘方向角中选取最优的。
3目标检测算法流程
本文算法流程包括：图像预处理、红外背景建模、原始图像与背景图像作差、对残差图像进行分割以提取小目标。通过局部图像信息确定SUSAN滤波器的长轴、短轴、阈值，并运用高斯-拉普拉斯算子自适应地选择最优的边缘方向，然后与图像进行卷积得到背景建模图像，作差得到含有红外弱小目标的残差图像，并运用对比度分割算法得到目标的大小与位置，如图2所示。
4实验结果及分析
由图可知，尽管高通滤波在算法实现上最简单，但经过处理后的图像依然有大量的背景杂波，部分杂波灰度较高；各向异性SUSAN滤波相对于高通滤波有较好的背景抑制能力，但由于梯度估计法所确定的边缘方向误差较大，使部分背景、尤其是云层边缘并未得到较好抑制；本文算法对其进行改进，通过设置新的阈值以及对边缘方向进行优化，促使红外背景被更加精确地重建，使残差图像中保留着更少的背景杂波，云层边缘得到很好的抑制，体现出更好的背景抑制能力，同样本文算法还有效地避免了虚假目标的产生，如图5（c）所示，红外图像经过滤波后，在目标左侧竟然同时出现两个灰度高于目标的噪声点，图5（d）却没有，因此本文算法更能有效降低虚警率。
图6给出了红外图像3经过三种不同的滤波算法后基于对比度的分割图像，图6（b）、（c）中目标周围的高频噪声点都可能会被误认为是目标，本文的算法则能很好地检测出目标。为了能定量地说明本文算法的有效性，本文将采用图像信噪比、信噪比增益、背景抑制因子对三种检测算法进行评价，它们都反映弱小目标在检测前后的改善情况，
由表1可知：本文算法有效地提高红外目标信噪比及其增益，具有更好的背景抑制能力，其性能明显优于前两种算法，具有更好的单帧红外弱小目标的检测能力。
5结论
红外小目标检测 篇3
关键词：红外图像序列,运动小目标,时空三维组合帧,目标检测
红外小目标检测在军事、民用领域有广泛的应用。由于在红外图像采集、转换、传送过程中,背景杂波、仪器自身的噪声等影响,获得的数据一般都是信噪比较低的图像,目标像素值较周边像素值较低。因此,红外小目标检测是一个研究的重点和难点。目前主要是从以下几个方面来进行红外小目标的检测: 基于空域的检测、基于时域的检测[1]、基于时空域相结合的检测方法[2]。在空域一般都是根据目标的某些特性进行检测,如背景的复杂程度、目标的轮廓大小等。时域检测根据多帧累计,再利用目标的连续性和运动特性来进行检测,但是在检测过程中会受到背景复杂度的影响,而且当目标运动速度过快时,检测也会受到影响。时空域相结合的检测,虽然结合了在时域和空域检测的优点,但却增加了计算量。在以上三种方法的基础上,又提出了很多的算法,如形态学滤波[3]、3D匹配滤波、神经网络滤波、小波变换等,然而由于这些方法计算的复杂度很高,不适于实时系统。根据这些情况,本文提出了一种改进性的基于时空三维的最大中值滤波技术。首先,在三维时空中,根据前后两帧图像对中间帧进行3D max-median或3D Max-mean滤波,滤除杂波和背景; 其次,进行阈值分割进一步剔除杂波点; 最后,归一化确定目标运动轨迹。仿真实验表明该算法可以有效地检测出目标。
1 改进的Max-median和Max-mean滤波
1. 1 Max-median和Max-mean滤波[4]
最大中值滤波和最大均值滤波都是一种非线性平滑技术,通过将每一像素点的灰度值设置为该点某邻域窗口内沿不同方向的中值和均值的最大值,其可以很好地保护细节信息,是经典的平滑噪声的方法。算法通常是在一幅L × L的二维数字图像上,取一个大小为2M + 1 的窗口内( L远大于M ) ,分别沿水平、垂直、2 个对角线方向分别求每条线上的中值或均值,再分别取其最大值作为窗口中心点的像素值,具体描述如式( 1) 和式( 2) 所示
Max-median输出为
Max-mean输出为
虽然Max-median和Max-mean能够检测出红外运动小目标,但是在复杂背景条件下检测目标时,有很多的杂波点,且其每次只是处理单幅图像,这样并没有充分考虑到目标在帧之间的运动特性。为此,本文在文献[4]的基础上将Max-median和Max-mean算法从二维推广到三维来检测红外运动小目标。
1. 2 3D Max-median和3D Max-mean算法
基于上述分析,本文提出了改进型3D Max-median和3D Max-mean算法。本文依次取第N - 1,N,N + 1 帧的3 帧图像。以第N帧图像中的E点为中心定义一个n ×n × n立体结构,在这个结构内依据E点周围( n × n ×n) - 1 个邻近像素值来求出E点的像素值,本文中取n =3,如图1 所示。
利用多帧图像的运动信息,在3 × 3 × 3 立方体结构内,沿不同方向穿过中心点E的有向直线共有13 条,依次表示为a1,a2,…,a13,在每条直线上有3 个像素点,分别求出每条直线上3 个像素值的中值,再取这些中值的最大值,即可求得E点的像素值,具体步骤如下
式中: a1表示经过D,E,F这3 个像素点的中值,则a1,a2,…,a13依次类推即可求出分别对应的中值,最后取a1,a2,…,a13这13 个值中的最大值即为E点的像素值。
3D Max-median的输出为
采用类似的方法,经过中心点E的13 条有向直线,分别表示为b1,b2,…,b13,求出b1,b2,…,b13的均值,再取其中的最大值可得到3D Max-mean的输出
通过这种结构元素对图像进行处理,不仅考虑到目标在前后帧运动关联的特性,而且可以有效地抑制噪声,突出目标点。
1. 3 检测算法流程
1) 输入N帧图像序列,将每帧输入图像表示为I( i,j,k) ,其中k表示帧数。
2) 对输入后的图像进行3D Max-median或3D Max-mean处理,得到图像f( i,j,k) ,再对滤波后的图像f( i,j,k) 进行背景抑制: fH( i,j,k) = I( i,j,k) - f( i,j,k) ,fH( i,j,k) 表示背景抑制后的第k帧图像。
3) 对背景抑制后的图像阈值处理。
式中: fb( i,j,k) 表示抑制后的第k帧背景图像; 阈值T =μ + l·σ ; 参数l根据实验情况来确定,通常取4 ~ 9,本文中取l =7( 海天背景下) 和l = 7. 5( 天空背景下) ,其中 μ为均值,σ 为方差
4) 遍历整个N帧序列图像,如果k < N ,继续步骤2) 和3) ,则g( i,j,k) = f( i,j,k) - fb( i,j,k) ,g( i,j,k) 为分割后的目标图像。
5) 根据分割后的目标图像g( i,j,k) ,为了更有效地检测出目标,再逐帧归一化。此处将各个像素数据映射到0 ~ 1 范围内。其中大于0. 5 的数置为1,小于0. 5 的置为0。数据归一化如式( 8) 所示。其中min( g( i,j,k) ) 表示第k帧中在坐标点( i,j) 处的最小值,max( g( i,j,k) ) 表示第k帧中在坐标点( i,j) 处的最大值,T( i,j,k) 为归一化后的图像
6) 将归一化的各帧图像叠加即可得到目标运动轨迹。
2 实验结果及分析
为了验证改进算法的有效性,分别获取了20 帧在天空背景下含有单个运动目标的红外序列图像和20 帧在海天背景下含有二个目标点的红外序列图像,其中目标的运动速度也不一样,并将其与Max-mean和Max-median滤波方法[4,5]进行比较。
实验1 获取20 帧在复杂天空背景下的红外序列图像,图像大小为200 ×256,目标运动速度大于1 像素/帧,如图2所示,在天空背景下,背景中含有大量的云层杂波。
实验结果表明在天空背景下快速运动且信噪比较大的小目标,3 种算法都能够有效地检测出目标点。从图中可以看出,本文算法的检测效果较好。因为Max-mean和Max-median虽然检测出了目标,但是在云的边缘和云层较厚的地方依然存在少量暗的杂波点。
实验2 取20 帧在海天背景下的红外运动小目标图像,大小为228 ×280,目标运动速度小于1 像素/帧,如图3 所示,取在海天背景下的一帧图像,其中含有2 个目标点,目标1 是虚假的目标点,目标2 是真实的运动目标点。
实验结果表明,对在海天背景下慢速运动且信噪比较小的目标,本文算法依然能够检测出目标图3b和图3c,而Max-mean和Max-median的检测中依然含有很多的杂波点。
依照前面介绍的算法步骤,最后归一化就可以确定出目标运动轨迹,如图4 所示。其中图4a是在天空背景下的运动小目标,图4b是在海天背景下,检测到2 个目标点: 一个是静止的虚假目标点,可剔除; 根据目标运动轨迹,另一个是真实的目标点。
为更准确地评价本文算法的性能,定义序列图像检测率Pd和平均虚假数Pn为
式中: Nr为序列中检测到的真实目标个数; Nt为序列中实际真实目标个数; Nf为序列中检测到的虚假目标个数;N为序列帧数。取20帧在天空背景下的红外序列图像,其中含有一个目标点。20帧在海天背景下的红外序列图像,其中含有2个目标点,一个为虚假的目标点。再根据式(20)和式(21)分别对3种算法的检测率、平均虚警数进行了计算,结果如表1所示。从表1中可以看出,文中提出的算法,不仅提高了检测概率,而且大大降低了平均虚警数,性能优于其他两种算法。
3 结论
红外小目标检测 篇4
关键词：红外弱小目标形态学滤波,恒虚警检测,行程目标标记,管道滤波
0 引言
红外弱小目标的检测在军事侦察、民用探索等领域有着很重要的应用，但是由于红外弱小目标本身没有形状和纹理特征，再加上复杂的背景以及噪声干扰，弱小目标容易淹没在背景中，很难被有效地检测出来。针对这个问题，各国的研究学者都对红外弱小目标的检测展开了大量的研究，归结起来，经典的目标检测方法[1,2,3,4]为通过抑制背景增强目标，提高目标与背景的可分离性，再采用图像分割方法分割出目标，最后利用数据关联的方法剔除虚警确认目标。本文在基于形态学滤波以及恒虚警检测的基础上，利用移动式管道滤波方法对天空背景目标进行检测，实验表明，该方法能有效地去除噪声干扰，将背景与目标分割，且计算量小，实时性好，较好的检测出目标。
1 经典红外目标检测模型
红外目标图像可以认为由三部分组成：目标图像、背景图像和噪声干扰。目标红外辐射强度与其周围自然背景的辐射强度不相关，并且一般都高于背景的辐射强度，因此目标可看作是图像中的孤立亮斑。小目标在频域上处于图像的高频部分。背景辐射主要指能辐射红外线的自然辐射源，例如大气、云团、山、树等。背景在空间上往往呈大面积的连续分布状态，因此在红外辐射的强度上也呈渐变过渡状态，从而使得它们的红外图像在图像灰度空间分布上具有较大的相关性，所以它主要是缓慢变化的低频部分。红外图像平面上的噪声与背景像素不相关，空间分布是随机的，帧间没有相关性，也属于高频部分。
经典的目标检测模型包括以下三个重要环节：目标增强、图像分割和数据关联。如图1所示。
目标增强的效果决定了目标是否能被检出。常用的目标增强方法即图像滤波方法，主要包括空域滤波和时域滤波法。空域滤波[5,6]方法常用的有均值滤波、中值滤波、双边滤波以及形态学滤波等。图像分割算法对目标增强处理后的差图像进行处理，是保证目标被有效检出的重要步骤。分割算法能否将目标完整的分割出来，决定了目标检测的准确度和精度。在目标被分割并被标记出来之后，数据关联算法用来确认候选区域是否为目标，这是剔除虚警实现目标检测的重要步骤。
2 形态学滤波目标增强算法
通过多种图像预处理算法比较得出，中值滤波运算量非常大，高通滤波增强图像中的高频部分的时候，不仅增强了小目标，同时也增强了云层等背景的细节部分，会给图像分割带来大的困难，均值滤波对信杂比的提高和形态学滤波相当，但是由于算法特点，它在求均值的时候会衰减云层边缘，给检测带来麻烦；小波变换、保护带滤波对信杂比的提高较低，而形态学滤波在提高信杂比和运算量方面均有优势，因此，本文采用形态学滤波[7,8]作为目标增强算法。
基本的数学形态学运算有膨胀和腐蚀运算。腐蚀和膨胀属于数学形态学的两个基本运算，假设灰度图像为f(x,y)，结构元为b(x,y)，则腐蚀、膨胀的定义如下：
式中：Df和Db分别表示f,b的定义域。
对图像先腐蚀，后膨胀就构成了形态学的开运算，定义如下：
腐蚀可以去掉图像中较小尺寸的亮细节，而膨胀可以填充图像中较小尺寸的暗细节，形态学开运算对图像处理后，腐蚀先滤除了图像中小的亮细节，膨胀又使得大区域被滤除的部分得到恢复，同时被滤除的小亮细节不会恢复出来，因此经开运算处理后，图像中小于结构元尺寸的小目标以及大目标的部分边缘将会被滤除，只剩下大目标内部和大面积起伏的背景，并且背景的边缘部分能很好的保留。开运算具有低通效果，利用原图和开运算后的图像相减，将会有高通的效果，此时背景将被抑制，而开运算滤除的亮目标将会被提取出来，这个也称为Top-Hat变换。
在红外搜索跟踪系统对空搜索探测中，目标的距离有近有远，从单点小目标到近距较大的面目标，目标的面积变化很大。单一尺度形态算子，其滤波性能取决于结构元素的大小，小尺寸的结构元素去噪能力弱，但检测灵敏度高，大尺寸的结构元素去噪能力强，但其检测灵敏度低。因此，考虑采用多尺度的形态学滤波算法进行目标图像的预处理，小目标的滤波结构元可以选择11×11的双向形态学滤波结构元，大目标的滤波结构元可以选择21×21的双向形态学滤波结构元。本文采用11×11的双向形态学滤波开运算方法，在水平和竖直方向分别进行一维形态学开操作，并选取最大值作为当前位置输出。
3 恒虚警检测
形态学滤波目标增强处理后，接下来就进入图像分割阶段，采用分割处理的目的是为了将低信噪比弱小目标从背景残差中提取出来。由分割理论分析可知，阈值法可以压缩数据量，减少存储空间，并且有利于后续的分析和处理。因此，本文采用阈值法分割图像。由于弱小目标和背景灰度对比度不大，而且灰度分布往往接近或者交叠，很难直用固定的阈值直接对原始图像分割提取目标，本文采用自适应的阈值方法，同时为了在复杂多变的云层杂波环境中保持恒定的虚警概率，选择改进的恒虚警检测方法（CFAR)[9]。检测中，对预处理后的图像进行分割，大于阈值门限T的认为是目标，小于阈值T的认为是背景，如图2所示。对于目标点来说，小于阈值的被认为是背景，这就是漏检；对背景噪声来说，大于阈值的被认为是目标，这就是虚警。
由于是对预处理后的图像进行分割，此时背景已经被抑制，设定目标灰度s，背景灰度b，目标点服从f～(s+μ,σ2)，背景点服从f～(b+μ,σ2)，因此目标和背景点的分布可以表示为：
目标点H1:
背景点H0:
虚警概率Pf就是背景噪声分布大于阈值T的概率：
得到恒虚警分割检测分割的门限T，在实际应用中，需要适当调整阈值T，本文是在减号后面乘上一个调整因子a:
式中：μ为滤波图像均值；σ为滤波图像均方差；Φ-1(Pf)为系统虚警率的反函数。
假设预处理之后图像大小为M×N，则：
将式（8）和式（9）代入式（7）即可以得到自适应恒虚警阈值T，根据阈值T，就可以对图像进行二值化：
从而实现恒虚警检测。
4 行程目标标记
分割完成后，需要将图像中的各目标点分离标识出来，标记算法可以完成对各目标标识。行程编码是目前常用的算法，其流程如图3所示。
行程目标标记是在图像的各行，把分割出来的目标点(i,j)所在的像素组叫作行程p。标定的关键在于根据区域的连通性，判断当前扫描行中行程的属性。
在进行目标区域标定时，算法的输入为分割之后的二值化图像，在一个固定的图像行，先找出所有的行程，然后通过与上一行中行程属性的比较，确定行程标注，接下来进行区域合并和区域标定，最后通过算法处理之后，输出的是每个分割的区域。行程目标标记的具体步骤如下：
(1）研究图像的第k行（开始行k=1）行程。假如存在行程，在每一个行程上加以不同的标号ni。
(2）研究图像的第k+1行的行程。假如不存在行程，则进行第3步。如存在行程pi，当此行程和图像的第k行的行程不联结时，在pj上加以新的标号nj，当行程pj只和图像的第k行中的一个行程pi联结时，则在pj上加以pi的标号ni；当行程pj和图像的第k行中的一个以上行程pi联结时，则在行程pj上加以这些行程pi的标号ni中最小的一个，如图4所示，在图像的第k行上，不联结的行程pj是（在图上为p4和p5）是第k+1行的行程（在图上为p）联结区域的一部分。为了以后把标号组{ni}改写为同一号码，应预先把他们存储起来。
(3）假如图像的第k+1行是最后一行，则进行第（4）步。否则把第k+1行行程统计后重新作为第k行返回第（2）步。
(4）在存储的标号组内，统一具有共同元素的组，又形成了新的标号组与联结区域相对应。在图4中的例子里，存储着的标号组{n1,n2}和{n1,n4}，因为这两个标号组具有共同的元素n1，所以结合而成为{n1,n2,n4}。
(5）再次扫描图像，把各象素的标号置换成所属组的代表值。当没有所属组时，标号照原样。
图4中长方框为行程；i为图像行；j为图像列；pi为行程名；ni为区域标号；行程目标标记得到了目标的位置、面积等相关信息，接下来可以进行管道滤波排除虚警，确认真实目标。
5 移动式管道滤波方法
为了进一步的甄别目标，采用移动式管道滤波[10,11]的数据关联方法。移动式管道滤波方法的基本原理就是根据目标运动的连续性，它是在序列图像的空间位置以目标为中心建立的一个空间管道，管道的直径（如果管道是圆形的）代表目标周围的邻域尺寸，管道的长度代表检测时所需要图像帧数。例如在第1帧图像的（x,y）处有目标，则该目标在第n+1帧中必然会出现在该位置的某一个小邻域内；而噪声由于分布的随机性，在连续的多帧图像中并没有这种连续性。管道滤波算法针对候选目标区域进行处理，其原理如下：
设LabelImage标记目标矩形框的结果为：
式中：N为结果数；ti,li分别为目标矩形框左上角顶点垂直坐标、水平坐标；bi,ri分别为目标矩形框右下角顶点垂直坐标、水平坐标。目标的位置为：
式中：
设序列图像宽为W、高为H,Cell宽度为w，则存在一组Cell:
式中：垂直下标；水平下标分别为Cell中的目标位置有序集合、目标位移向量有序集合、目标标识有序集合、目标位移连续为的次数有序集合，即分别表示Cell中第k个目标当前的位置、位移、真目标标识、位移连续为的次数。
在该算法中，当目标标识为真，并且位移连续为0的次数达到5次时，认为该目标为假目标。
管道滤波算法的详细实现步骤如下：
(1）对于第n帧LabelImage的一组结果，根据其，计算其属于哪一个Cell:加入有序集合：；将零位移加入对应的有序集合：；将标识F加入对应的有序集合：；初始化位移连续为的次数：
(2）如果n>1，遍历第n-1帧的每组Cell：对于分割出的第k个目标，计算其预测位置，据此计算预测位置所属Cell:，在第n帧的Cell(）周围3×3范围的Cell内搜索与其预测位置距离最近的目标：
(3）如果搜索到最近目标，则更新该目标位移向量：，并标记该目标为真目标：，如果，则更新该目标位移连续为的次数：
(4）对于第n帧的Cell组中的每个目标，如果其为T，并且时，该目标被当做真目标；当为T，并且时，该目标被认为假目标，可能是探测器坏点；当为F时，该目标为分割出的假目标，可能为成像噪点；
(5）至此，一帧序列图像检测结果管道滤波处理完毕。
当目标运动速度过快或者运动较为复杂时，如果管道直径选择不合适，会造成目标检测失败。管径选择的依据除了依赖目标大小外，还需要考虑目标在两帧之间的位移。管道长度和目标判决门限则影响检测时间和检测概率。
6 实验仿真及结果分析
本文在Matlab 2012a运行环境下对多个实际拍摄的天空背景红外序列图像进行了实验。对这些序列图像应用上文所述方法。该算法中总的虚警概率为10-6，实验帧数为100帧，6帧检测至少出现5帧确认为目标。选择其中三个序列图像的实验结果如图5～图7、表1所示。第一组共100帧，一个目标大致位于图像中心靠上位置。第二组共100帧，一个目标大致位于图像左下方位置。第三组共100帧，一个目标大致位于图像中心位置偏右。
实验结果分析：调整阈值因子，在第一组和第二组序列图像中，尽管有云层等众多噪声干扰，本文方法能很快的准确的将目标检测出来，检测率达到100%，但是在第三组实验中，由于虚警点与目标点极度相似，可以看到有误检（图7中左下方为虚警），这是因为管道滤波实现中产生了错误的关联，需要对算法进一步的完善。但从总体上，本文方法能有效地抑制背景，分离出目标，降低虚警率，检测出真实目标。
7 结语
本文根据形态学滤波预处理技术、阈值分割和序列图像处理技术，深入展开研究天空背景下弱小红外目标的检测问题。通过对传统算法的改进，在较为复杂云层背景的下，能有效地降低虚警率，甄别出真实目标。但是在实现算法过程中，由于对目标尺寸的获取更多的是依赖经验，决定了结构元素以及阈值参数的选取，而管道滤波在面对更为复杂的杂波干扰下，可能会出现错误关联的情况。因此，进一步研究可以考虑采取融合决策的方法对结果进行更深次的判别。
参考文献
[1]WANG Yang,ZHEN Qin-bo,ZHANG Jun-ping.Real-time detection of small target in IR grey image based on mathematical morphology[J].Infrared and Laser Engineering,2003,32(1):28-31.
[2]SUN Yu-qiu,ZHENG S,TIAN J W,et al.Infrared image dim small target detection based-on double energy accumulation[C]//SPIE Proceedings of International Conference on Space Information Technology.Wuhan,China:SPIE,2006,5985:111-117.
[3]李义.海天背景下的空中红外弱小目标检测技术研究[D].济南:山东大学,2012.
[4]陈喆.红外探测系统中相关关键技术研究[D].南京:南京理工大学,2008.
[5]GONZALEZ R C,WOOD R E.数字图像处理[M].3版.阮秋琦,阮宇智,译.北京:电子工业出版社,2013.
[6]刘刚,王立香,董延.Matlab数字图像处理[M].北京:机械工业出版社,2010.
[7]汪洋,郑亲波,张钧屏.基于数学形态学的红外图像小目标检测[J].红外与激光工程,2003,32(1):28-31.
[8]马文伟,赵永强,张国华,等.基于多结构元素形态滤波与自适应阈值分割相结合的红外弱小目标检测[J].光子学报,2011,40(7):1020-1024.
[9]张慧燕,吴顺君.自适应门限下杂波恒虚警算法[J].西安电子科技大学学报,2000,27(1):105-109.
[10]赵小明,袁胜春,马晓丽,等.基于移动式管道滤波的红外小目标检测方法研究[J].红外技术,2009,31(5):294-297.
红外小目标检测 篇5
红外弱小目标的投影检测算法因其计算量较小,使其成为诸多检测算法中较易满足实时处理要求的一种,因此有大量文献对投影算法进行了研究[1,2,3,4,5]。投影检测算法的核心是构造合适的投影算子既可达到满意的检测性能,又能保证计算量适中。陈颖[2]设计了加权差分投影算法并分析了检测性能,但该算法的假设前提是目标运动速度为1像素/帧,当此条件不满足时检测性能下降很快。艾斯卡尔[4]利用样本是否为目标的概率信息加权构造组合帧,从而提高了目标检测率,但该算法同样要求目标运动速度为1像素/帧,且后验概率的计算不利于算法的实时实现。陈非[3]对文献[2]的算法进行了改进,可实现对运动速度小于1像素/帧的缓动目标的检测,仿真实验表明该算法的检测性能仍差强人意。文献[8]还综述了其它一些算法,在此不做详细叙述。针对相关算法存在的问题,本文提出了一种基于高阶累积量投影的红外小目标检测算法,并对算法的检测性能进行了理论分析。该算法对目标的运动速度没有1像素/帧的要求,并且计算量适中。
2 基于高阶累积量投影的红外弱小目标检测算法
假定红外图像经过背景抑制以后,像素的时域输出序列基本符合均值为0,方差为σ2(i,j)的高斯分布。当有目标掠过时像素的输出会出现一“扰动”脉冲,因此投影检测的主要任务就是把能表征此脉冲的某统计量投影到二维空间中去。由于高斯噪声的二阶以上累积量为0,所以采用高阶累积量可方便的检测出高斯噪声中的非高斯脉冲信号。本文算法基本思想是将像素时域输出的归一化三阶累积量投影到组合帧,在二维空间中完成对目标可能轨迹的搜索、判决。
设图像序列已经经过了背景抑制和时域去均值的处理,则可对每个像素构造二元假设:
其中:s(i,j)(k)为目标强度,目标与噪声n(i,j)(k)独立,n(i,j)(k)是均值为0、方差为σ2(i,j)的高斯噪声。下标(i,j)表示的是像素的坐标,为简化表达式在下面的叙述中不再给出该坐标。
f(k)的三阶累积量为
由高阶累积量的性质可得:
利用高斯噪声2阶以上累积量为0的性质式(3)可简化为
由于|c3f(τ1,τ2)|在原点处取得最大值,因此取零滞后的累积量作为检测统计量,有以下判决表达式:
式(5)是基本的基于三阶累积量的判决表达式。但是考虑到只有当随机序列长度趋向于无穷时高斯噪声的三阶累积量才等于0,而实际应用中只能获得有限长序列,三阶累积量并不为0,所以应当选取合适的门限λ取代式(5)中的0,但λ实际上很难确定。文献[6]变换了问题的考察思路,利用归一化累积量确定检测的门限。
对于足够长的数据c3f(为简化表达式下面的叙述将c3 f(,00)简写为c3f,其余符号相同)近似服从正态分布,即有:
由于判决式中c3s、σ2c3s和σ2c3nf未知,给判决带来困难,为此设计一归一化累积量
其中:
∑-==1033)(1 Mkfkf Mc(8),∑-=-=102332][])([13Mkfcckf Mfσ(9)
近似服从正态分布,均值为c3f/σ[c3f],方差为1[6]。则c3f在H0假设下服从自由度为1的中心χ2分布。在H1假设下服从自由度为1的非中心χ2分布,非中心参数为[c3f]2/σ2[c3f]。于是将判决式(6)转化为经典的χ2检验[6]。
从以上分析不难看出,由于c3f是序列输出3次方的平均值,当目标运动较快时,“脉冲”持续时间很短,目标能量对c3f的贡献较小,很难提高检测率,因此需要从另外的角度积累目标的能量。为此本文提出了基于高阶累积量投影的弱小目标检测算法。将归一化累积量投影到一个组合帧中,然后在组合帧中取r×r的邻域沿图1所示的方向进行搜索。
在可能的轨迹上累加得:
i=1,2,3,4表示四个方向。当搜索的方向上没有目标时,根据χ2分布的性质Zi符合自由度为r的中心χ2分布,即:Zi~χ2(r)。当搜索的方向上有目标时,Zi符合自由度为r的非中心χ2分布,非中心参数是。
由式(7)、(8)、(9)可知,Zi的取值与噪声的方差无关,为分析算法的检测性能,不妨设每个像素无目标时的时域分布为均值为0、方差为1的正态分布(实际序列如果不符合此分布,可以采用方差归一化的方法获得)。经过推导可知标准正态分布的随机变量的3次方的方差为15。对于足够大的分段长度根据中心极限定理σ2c3f≈15/M。对于运动速度为p帧/像素、信噪比为SNR的目标c3s≈p×SNR3/M。
设目标在每像素上面停留的时间是p帧,目标信噪比为SNR,搜索邻域r×r,分段长度为M。如果沿搜索方向上存在目标,则Zi近似服从式(11)的非中心χ2分布:
例如:对于SNR=3,p=2,M=8,r=5的目标和检测参数。当目标出现在搜索方向上时,
图2(a)和图2(b)分别是算法在M=8,r=5条件下,不同速度和不同信噪比时统计量的分布曲线。从图中明显看出,当目标信噪比大于2时有无目标的统计量曲线之间的距离被明显的拉开,这有利于在恒虚警率条件下提高检测概率。由式(11)和图2(b)可看出,信噪比的增加对于曲线间距离拉大的影响效果十分明显,这一点明显的优于文献[3]的算法。
图3(a)和图3(b)是算法在不同目标运动速度和信噪比下的接收机运行性能(Receiver Operating Characteristic,ROC)曲线。该曲线给出了算法检测概率和虚警率之间的关系。从图3可以看出,对于信噪比大于2.5的目标在像素停留时间大于1.5帧/像素时该文算法可以获得比较理想的检测概率。目标速度的加快对检测性能有一定的影响。
在算法的实时性方面,本文算法完成一次检测需执行3M×r2次乘法、1次除法、(2M-2)×r2次加法和M×r2次减法。文献[2]需执行的加法和乘法6M×r2次,除法0.5M×r2次。考虑到文献3执行投影计算前需估算像素输出方差,该算法完成一次检测需执行(3M-3)×r2次加法、M×r2次减法、2M×r2次乘法和M×r2次除法。文献[4]的算法因需计算指数函数,其计算量较文献[2]、[3]的算法更大。通过以上对比分析本文算法在实时性方面的优势已显而易见。
3 仿真实验结果
本文采用两组实际录制的红外图像序列进行实验以验证算法的有效性。实验均取M=8,r=5,设定投影检测的虚警率为10-3。为进一步降低整个系统的虚警率,对每次投影检测的结果后续进行了航迹关联。
3.1 实验一
图4(a)是用红外鱼眼镜头录制的分辨力为240×320的图像序列,长度为1 000帧。为验证算法对不同信噪比目标的检测能力,在序列的101~200帧的天空背景处添加大小为1个像素的4个点目标。如图4(a)所示。目标1、2、3的信噪比分别为2、2.2、2.5,运动速度为2帧/像素,目标4的信噪比为2.2,运动速度为1.5帧/像素。对图像序列进行背景抑制以后,像素输出基本符合均值为0的高斯分布。图4(b)是检测到的目标轨迹,表1是各个目标被检测到的次数。
由表1和图4(b)可以看出,本文算法可有效地检测到信噪比大于2,速度为2帧/像素的目标。实验数据也反映出算法对信噪比的增加十分敏感,信噪比小幅度增加会使得检测性能大幅度提高。另外,实验结果也显示了目标速度的增加会引起检测性能的下降。
在图4(b)的下方出现了部分虚警点,这主要是原始图像的高亮度区经过背景抑制以后输出序列的方差较大,局部不符合高斯分布造成的。通过后续的航迹关联这些虚警点被剔除掉。
3.2 实验二
图5(a)是某型号教练机飞行时录制的分辨力为240×320的红外图像序列,取其连续的100帧图像实验。通过对图像的离线分析得:飞机成像大小基本为1 pixel;由于飞机飞行姿态的变化,目标信噪比在2.5~3之间波动;目标像面运动速度约在1.8帧/像素左右变化。对图像序列进行背景抑制后,用本文算法对飞机进行检测,结果如图5所示。实验结果再次表明,本文算法对目标信噪比大于2,速度不快于1.5帧/像素的目标可实现有效地检测。
4 结论
本文提出了一种基于三阶累积量投影的红外弱小目标检测算法。理论分析表明,该算法计算量小。与相关算法相比随信噪比的提高目标检测概率增加迅速。利用实际录制的红外图像序列进行仿真实验验证了算法对检测弱小目标的有效性。目前该算法存在问题是参与投影帧的数量M与算法检测性能有关,M过大会降低算法的检测性能,这是算法应当进一步研究的问题。
参考文献
[1]Chu P L.Optimal projection for multidimensional signal detection[J].IEEE Trans.ASSP,1988,36(5):775-786.
[2]陈颖.一种点运动目标的快速统计检测算法[J].电子学报,2001,29(12):1707-1709.CHEN Ying.A fast detection algorithm of dim point moving target using statistical analysis[J].Acta Electronica Sinica,2001,29(12):1707-1709.
[3]陈非.红外序列图像中缓动点目标的投影检测算法及其改进[J].红外与毫米波学报,2003,22(2):96-100.CHEN Fei.Imoprovment to projection detection of slowly moving point target in infrared image sequence[J].J.Infrared Millim.Wave,2003,22(2):96-100.
[4]艾斯卡尔,陈颖,贾振红.基于概率加权求和投影的多维信号检测技术研究[J].电子学报,2005,33(7):1331-1333.Askar,CHEN Ying,JIA Zhen-hong.A Probabilistic Weighted Summation Projection Technique for Multidimensional Signal Detectio[J].Acta Electronica Sinica,33(7):1331-1333.
[5]艾斯卡尔.基于时空分集的弱点状目标高性能实时检测技术研究[J].信号处理,2005,21(4):379-383.Askar.A spatial-temporal diversity based real-time high performance TBD technique for detection of dim moving point target in image sequences[J].Signal Process,2005,21(4):379-383.
[6]Giannakis Georgios B.Signal Detection and Classification Using Matched Filtering and Higher Order Statistics[J].IEEE Trans Acoustics Speech Singnal Processing,1990,38:1284-1296.
[7]吕雁.基于高阶累积量的红外目标时域检测[J].激光与红外,2007,37(2):178-184.LüYan.Infrared Image Temporal Detection Based on Higher-order Cumulant[J].Laser&Infrared,2007,37(2):178-184.
[8]李智勇.动态图像处理[M].北京:国防工业出版社,1999.LI Zhi-yong.Dynamic Image Process[M].Beijing:Defence Industry Press,1999.
红外小目标检测 篇6
在红外成像系统中, 由于目标与背景构成物质不同以及向外辐射能量和温度的差异, 在红外成像时表现为不同的灰度特征, 这正是红外图像目标检测和识别的依据。目标的辐射通常由2部分组成, 即本身的发射辐射和对背景辐射[1]的反射, 如果是透射体, 还应包括背景辐射的透射反射。红外图像是对目标的温度分布以图像的形式记录下来[2], 在军事目标中, 几乎所有的活动目标都要发出热辐射, 舰艇、坦克、炮车、装甲车、飞机等都使用发动机, 它是一种强的热辐射源, 因此在红外图像上呈现白色调, 易于识别。此外, 红外成像系统还可以发现隐蔽在树荫下的机动车辆, 识别伪装目标[3]。
目标及背景的红外图像感受和反映的是目标及背景向外红外辐射能量的差异[4], 或者说感受和反映的是目标及背景所保持温度的差异, 属于被动成像, 可以全天侯工作。红外辐射透过雾及大气的能力比可见光强, 可以克服部分视觉上的障碍而探测到目标, 因此具有较大的作用范围和很强的抗干扰能力, 中波红外 (MWIR) 在湿热的环境中具有明显优势, 长波红外 (LWIR) 在存在杂散辐射或靠近热源的情况下具有较强的侦察能力[5], 利用红外波段不同波长范围的光谱, 可有效剔除目标的伪装信息[6]。红外波段的固有分辨率以及在传输过程受大气吸收和散射作用影响, 使得红外图像缺乏好的对比度和分辨率, 很难反映出目标表面的纹理信息, 同时也使得红外图像的像素之间具有良好的空间相关性, 图像的灰度均值保持相对稳定、方差变化不大, 含有较多较大的同质区。因此, 在研究红外图像目标检测、识别与跟踪时, 要扬长避短, 充分利用目标红外图像的轮廓信息、灰度分布特征信息, 完成红外图像目标检测、识别与跟踪任务。
1 基于区域的双色红外图像融合
图像融合中规则的选取[7]非常重要, 对低频和高频部分分别采用不同的规则。区域融合的基本思想是:将某位置处的区域的能量、梯度、距离、方差等特征作为一种测度来指导该位置处的系数选取。区域窗口根据实际情况选择。
对低频子带图像, 目标的大部分能量集中于此, 中波和长波图像在低频方向差异并不大, 又因为目标细节和噪声大部分分布在高频部分, 为减少数据量, 在低频子带上采用加权平均融合规则, 其定义为:
对于高频子带图像, 采用区域能量的融合规则[8]:
设HKA和HKB分别为源图像A, B经过提升小波变换后得到的各个高频分量, 融合后的结果为HKF (K=HL, LH, HH) 。首先计算以各高频系数为中心的区域能量, 区域的大小为M×N (M, N取奇数且M≥3, N≥3) 。
其中:
从而可以计算出2幅图像各个高频分量的区域匹配度:
很显然, M
图1为双色红外图像提升小波分解后各层系数融合的结果。
图像经过融合后, 低频分量变化不大, 高频分量得到了加强, 这是因为低频是图像的背景信息, 而高频是细节以及噪声, 2幅图像所获取的高频分量具有互补性, 融合之后细节及噪声都得到了加强, 使得目标的轮廓更加完整。再经过提升小波反变换对各层系数进行重构就可以得到含有噪声点的目标区域的融合图像了。
融合后的图像包含了原始图像的大部分信息和噪声, 所以在进行目标检测前, 需先图像去噪。在红外图像中, 噪声一般会反映成灰度突变, 与图像的边缘特性较接近, 采用小波软阈值化[9]去噪, 然后再进行检测。
2 目标检测
用融合后的去噪图像与背景图像进行差分运算, 得到的图像中只含有目标和噪声点, 再进行自适应阈值分割, 就可以检测出目标[10]。图2为原始长波红外图像及其直方图, 图3为其同一目标区域的中波红外图像及其直方图, 经过小波变换之后对高低频分量用不同的融合准则进行处理之后的重构图像及其直方图如图4所示。
表1分别给出图像的2幅源图像和融合图像的信息熵和清晰度, 可以看出融合图像的信息熵和清晰度都比源图像高。
按照上文所述的方法进行分别用原始的中/长波红外图像和融合图像进行目标检测, 其检测结果如图5所示, 从左至右依次是中波, 长波, 融合去噪图像。
3 结 语
由文中仿真实验过程可以看出, 对于同一目标区域, 单独利用中波红外探测器不能很好的区分目标点和干扰点 (图中左部的由一只小动物产生的亮点) , 同时, 对目标区域的检测能量也有限, 很可能造成目标漏检或误检;而单独利用长波则可能虚检, 而使用本文提出的算法进行融合后检测, 能很好地检测出目标区域。
摘要：针对双色红外的图像融合特点, 提出了一种基于在小波分解域中, 在高频子带上采用区域能量测度融合规则, 在低频子带上采用加权平均融合规则。首先, 双色红外成像系统分别对中波和长波红外图像进行提升小波分解, 提取出2幅图像的低频和高频信息, 并采用不同的融合规则对低频和高频子带图像进行融合, 然后通过提升小波反变化对各层系数进行重构, 得到目标区域的融合图像。而后再通过小波软阈值化去噪, 最后进行目标自动检测。通过实验对比证明, 提出的融合规则更好地提高了目标的检测和识别概率。
关键词：双色红外,提升小波,图像融合,目标检测
参考文献
[1]杨爱弟, 王智慧, 张存, 等.热红外降温变相复合隐身涂层的研究[J].现代防御技术, 2009, 37 (5) :21-24.
[2]杨粤涛, 朱明, 贺柏根, 等.基于区域分割和非采样Contour-let变换的红外和可见光图像融合[J].激光与红外, 2010, 40 (11) :1250-1257.
[3]文琴.基于小波变换图像融合技术的研究[D].广州:暨南大学, 2005.
[4]那颜, 焦李成.基于多分辨分析理论的图像融合方法[M].西安:西安电子科技大学出版社, 2007.
[5]HOLST Gerald C.Electro-optics imaging system perfor-mance[M].3rd ed.[S.l.]:SPIE Press, 2003.
[6]张型德, 李荣刚, 刘琳, 等.红外双波段系统的研究与发展[J].激光与红外, 2010, 40 (8) :801-804.
[7]陶观群, 李大鹏, 陆光华.基于小波变换的不同融合规则的图像融合研究[J].光子学报, 2004, 32 (2) :221-224.
[8]陈浩, 刘艳滢.基于提升小波变换的红外图像融合算法研究[J].激光与红外, 2007, 39 (1) :97-99.
[9]CHANG S G, YU B, VETTERLI M.Image de-noising vialossy compression and wavelet thresholding[J].Proc.IEEE Int.Conf.Image Processing, 1997, 1:604-607.
[10]孙玉秋, 田金文, 柳健.基于小波变换的双色红外图像融合检测方法[J].红外与激光工程, 2007, 36 (2) :240-243.
红外小目标检测 篇7
根据Tzannes[1,2,3]的三级假设检测方法,从时域角度对图像序列存在的背景,杂波,目标进行建模。利用三者时域廓线[4]的不同特征,设计算法进行区分。文中首先采用基于时域方差的方法对图像序列进行预处理,抑制背景。然后再利用时域廓线拐点变化的检测算法进行检测,求出拐点序列的差分曲线图,制定合适的阈值来对目标进行检测。本算法具有多目标检测能力,对不同云层背景有广泛的适用性。
1 建立目标、背景与杂波的时域模型
为分析弱小目标红外图像中的时域特性,首先建立目标像素、背景像素和杂波像素的时域模型[5],这些模型是在对红外探测器实际拍摄的大量红外图像序列数据进行分析的基础上提出的。
图像中固定位置上像素点的灰度值,在序列图像中的变化曲线称为像素的时域廓线(Temporal Profile)。观察一组红外序列图像中各类像素点的时域廓线,如图1所示。图1(a)为包含有弱小目标的红外图像,其中A标识云内部像素;B标识云边缘像素;C标识为目标像素;D标识背景像素;图1(b)中为像素A、B、C和D各自的时域廓线。
如图1(b)所示,云层内部大部分像素的灰度较高,但其变化都较缓慢,所以这类像素可以归为背景像素。云层的边缘处的时域扩线变化缓慢,落差较大,这是由云层飘动引起的。而目标处的时域廓线会产生一个明显的尖锐脉冲,而这个脉冲与红外探测器的点扩散函数相似,该脉冲具有一定的高度和宽度,这些目标所经过的像素被称为目标像素。红外图像中背景像素的灰度值基本保持恒定,其灰度变化表现为一个固定均值加白噪声或一个缓慢变化的均值加白噪声。需要特别说明,这里的云杂波像素特指那些受到云层边缘影响的像素。
背景像素点呈大面积连续分布状态,在灰度图像中其强度呈慢起伏状态,它的频谱分布主要集中在低频区,且像素之间具有较大的相关性。因此,红外序列图像中背景时域模型如下
Pb(k)=C+n(k) (1)
n(k)～N(0,σ
其中,C为常数;n(k)为背景噪声;σn为噪声的标准差。
当运动目标经过某一像素时,受目标的影响,该像素的灰度会出现一个脉冲。目标像素时域模型可以看作是背景信号和目标冲击信号的叠加
Pt(k)=Pb(k)+f(k) (3)
其中,Pt(k)为目标位置处像素的灰度值;f(k)为目标冲击信号的值。
图像中杂波像素的时域灰度变化与目标相比是不规则的。杂波像素可以用一阶马尔可夫模型建模[6]。对于一个给定的杂波像素,它在k+1时刻的值可以表示为它在k时刻的值和一个高斯噪声的和。若用Pc(k)表示杂波像素,则有
Pc(k+1)=Pc(k)+ω(k) (4)
ω(k)～N(0,σc);E[ω(k)ω(k+m)]=σ
其中,ω(k)为运动杂波处的起伏噪声。图像中各像素点都可以归为上述3种模型进行描述。
2 基于时域方差滤波的预处理
时域方差为像素灰度值随时间变化形成的离散数据的方差[6]。它代表一组数据中各数据偏离平均值幅度的大小。
对于背景像素,其方差σ
σ
对于杂波像素,其方差σ
σ
对于目标像素,其方差σ
经比较σc>σt>σb,因此可以利用时域方差来滤除天空背景和云内部像素。
对于N帧的待检测红外弱小目标序列图像中位置为(i,j)处的像素,根据其时域廓线上的灰度值可以求出其对应的方差
其中,P(k)表示图像中位于(i,j)处的像素在第k帧中的灰度值;
因此,可以通过求取所有像素点时域方差的均值,来确定一个阈值T,从而滤除平稳背景。
其中,P(i,j)为(i,j)处像素的灰度值;T为阈值,文中选取时域方差最大值矩阵的均值作为阈值T。经过滤波后,平稳背景被基本过滤,仅剩目标点和杂波点,其余点像素被置0。
3 基于时域廓线的检测算法
经过时域方差滤波的检测预处理,序列图像中背景区域几乎都被过滤掉,但由于云边缘产生的杂波,图像上会留下虚警点。因此,目前的主要任务就是从云边缘杂波中提取目标点。比较目标时域廓线和杂波时域廓线,最大的区别就是目标时域廓线有明显的脉冲信号。文中提出利用廓线拐点序列的差分,检测目标信息。
首先求出整个时域廓线的拐点,按照时间顺序构建序列T(n)。拐点满足
x(k)-x(k-1)≥0 and x(k)-x(k+1)≥0
(12)
或
x(k)-x(k-1)≥0 and x(k)-x(k+1)≤0
(13)
然后求出序列T(n)的差分序列ΔT(n)。利用杂波和目标时域波形单调性的区别,当绘制出ΔT(n)的曲线图时,可以看出,目标像素的差分序列具有一对相邻且明显的正负脉冲,而且波峰的绝对值也非常接近。而杂波差分序列ΔT(n)则不具备此特点,如图2所示。
利用这个区别,求出差分序列ΔT(n)的均值μ和方差σ,用最大马氏距离作为正、负脉冲的检测量度。
设τ=max{[ΔT(n)-μ]2/σ2},对图像中求每一点的τ值,再通过目标检测的虚警概率选取适当的阈值对τ进行分割[7],即可最终确定目标轨迹。
4 实验结果与分析
文中对一组实测红外图像序列进行了实验,该序列图像源于美国空军实验室(AFRL),采样帧频为30 Hz,截取的图像长度为86帧,大小为320×244,结果如图3所示。
5 结束语
提出一种基于时域廓线分析的弱小目标检测改进算法。该方法根据不同背景类型时域廓线的不同特征,建立不同的像素时域模型。首先采用基于时域方差的平稳背景滤除,然后根据时域廓线上拐点值的变化,将目标检测问题转化成数值近似相当的正、负脉冲检测问题,建立合适的检测度量,从而得到目标的运动轨迹。实验结果表明,提出的检测算法具有良好的检测性能,对不同云杂波背景有较好的适应性和多目标检测能力,抗干扰能力强。
摘要：根据目标和背景的时域特性,建立了不同像素类型的时域模型。提出了一种基于时域廓线的云杂波背景下红外弱小目标的一种改进算法。首先,采用基于时域方差滤波预处理方法,滤除平稳背景;然后采用基于时域廓线的目标检测方法,根据时域剖面线上的拐点值变化,转化为大小相当的正负脉冲来检测目标。理论分析和实验结果表明,文中算法对于不同云杂波背景具有广泛的适应性。
关键词：红外弱小目标,时域廓线,目标检测,时域方差
参考文献
[1]TZANNES A P,BROOKS D H.Detecting small moving ob-jects using temporal hypothesis testing[J].IEEE Transac-tion on AES,2002,38(2):570-585.
[2]TZANNES A P,MOONEY J M.Measurement of the modula-tion transfer function of infrared cameras[J].Optimo Engi-neering,1995,34(6):1808-l817.
[3]TZANNES A P.Detection of small targets in infrared imagesequencescontaining evolving cloud clutter[D].Boston,MA:Northeastern University,1999.
[4]张兵,卢焕章.基于像素时域剖面分析的序列图像中弱点目标检测算法[J].中国图形图象学报,2005,10(10):106-109
[5]钟圣芳.红外成像弱小目标检测算法及其性能分析[D].长沙:国防科学技术大学,2003.
[6]聂洪山.强起伏条件下红外小目标检测算法研究[D].长沙:国防科学技术大学,2004.
[7]陈尚峰,卢焕章.云杂波背景弱小目标自适应时-空域滤波检测研究[J].激光与红外,2008,38(7):723-726.
红外小目标检测 篇8
随着图像处理技术的发展,目标检测成为研究热点,红外条件下的目标跟踪由于不受光照与气候影响等特点成为最有潜力的应用方向[1]。目前已广泛应用于医疗、监控、军事等重要领域[2,3]。其中移动目标形状还原的准确率还有提高的空间。
近来有许多提高移动目标检测率的研究出现:文献[4]提出了一种基于混合高斯模型(GMM)的背景减除(BS)快速识别算法用于红外视觉监视系统伪装人体目标检测。获得了较好的人体目标检测效果,同时计算效率较高,但其只针对人体识别,因此通用性不足。文献[5]采用一种基于增量式子空间学习的视觉跟踪方法,有效解决了红外图像中背景、目标运动方式复杂等问题。该方案针对复杂背景与运动方式仍然具有较好的检测性能,但其计算效率稍低。文献[6]在嵌入式目标跟踪平台上引入了均值偏移算法,使得在复杂背景下或目标受到遮挡时,依然表现出较好的检测性能。
上述算法均获得了较高的检测率,但其对目标轮廓还原性能均一般,在一些阴影热点的影响下,容易出现轮廓变形,影响了算法的准确性。基于此,本文首先检查前景目标,并基于轮廓显著图较好的检测出目标轮廓,然后使用二值化处理进一步将轮廓窄化,获得了较准确的轮廓。实验结果表明了本文算法的检测率较高,同时对目标轮廓的检测极为准确,性能较好。
1 本文算法
如图1所示为本文算法总体流程,共分为3个部分:
(1)基于统计背景消除的前景检测;
(2)基于轮廓显著图的轮廓检测;
(3)轮廓生成与优化。
1.1 前景目标检测
基于输入视频(帧数量需足够多),创建可准确代表背景的统计背景模型。设当前处理帧的序号为N+1,参考背景则基于前N个帧创建(取所有帧的像素中值),称为中值图像(Imed)。统计背景模型则利用带权中值(μ)与带权方差(σ2)来计算,如下:
式中:Ii(x,y)表示第i帧中位置(x,y)处的像素强度,采用权重参数Wi(x,y)(针对每个像素)来降低异常点对性能的不利影响,Wi(x,y)计算如下:
基于充分的实验基础与计算分析,将SD值设为5(效果最佳)。视频帧背景的带权中值图像与带权方差图像如图2所示。然后,基于中值、方差背景模型,计算视频中各像素与背景像素(中值、方差)的马氏距离的平方,其中大于阈值(马氏距离)的像素作为前景像素,以此获得视频帧(I)的前景目标(s),表示如下:
基于充分的实验基础与计算分析,将T设为T2=81(性能最佳)。
然后,采用连通分量算法[7],将上述分完类的像素相互连接并将连接后的像素集合记为一个目标对象。结合视频的部分先验信息(如图像的宽、高比例等)计算目标对象,并将其中的杂波过滤掉,最终将前景目标较好地从背景像素分离出来。连通分量算法与杂波过滤后的输出结果如图3所示。
1.2 轮廓检测
本步骤采用输入视频帧的梯度信息与背景信息来检测轮廓,最终获得前景目标的轮廓。采用轮廓显著图[8](CSM)抑制差异较大的非目标梯度值,并抑制前景与背景之间差值较大的像素。CSM的计算包括:输入视频帧的梯度幅度值(归一化处理),前景与背景的梯度幅度差值(归一化),从中选择较小的值作为CSM,表示为:
式中:Ix,Iy分别表示输入图像水平与垂直方向的梯度;Bx与By分别表示图像背景的水平与垂直方向的梯度。第一个归一化因子Max表示输入梯度的最大值;第二个Max表示前景与背景梯度差值的最大值。CSM归一化像素值的范围为[0,1],像素值越大,表示该像素属于目标对象边缘的可能性越大。CSM的每个像素值(归一化)代表像素属于前景对象边缘的可能性。上述算法成功获得了背景,但并不一定是最合适的,为了保证当前待处理帧所选的背景合适,设计了自适应的背景更新模型来产生新的背景帧。采用上述杂波过滤阶段的移动目标信息获得当前帧的背景Bn+1(x,y):
静止状态:将所有处于移动状态的像素作为前景像素,然后将该前景像素与上一帧的背景组合;
移动状态:使用上一帧的背景(处于静止状态的像素)更新参考背景,表示为:
其中α表示更新背景时上一帧重要性的权重参数。
1.3 轮廓窄化处理及轮廓优化
首先,为了产生较窄的轮廓,使用基于Canny算子的非极大值边缘抑制,对上述轮廓进行窄化处理并获得较窄的轮廓tCSM。然后,将tCSM转化为二值tCSM图像选择权重最高的轮廓。为了实现此步骤,需要设置一个合适的阈值来选出目标轮廓的大多数像素点,同时需过滤背景噪声。阈值的选择:使用K-means聚类算法(分为两个簇),两个簇分别代表目标(前景)与背景。像素较低的簇作为背景,并直接将其像素值设为0;像素较高的簇作为前景像素,并直接将其像素值设为1。
二值化处理后的效果图如图4所示,可以看出,已成功获得目标轮廓。
1.4 生成目标形状(剪影)
最后,从轮廓图像生成目标形状。二值化轮廓图像中必定包含较多的损坏的像素,轮廓并不完整,因此无法直接使用Flood-fill来获取目标形状[9]。从图4中可明显看出,以上步骤获得的轮廓需要关闭与膨胀处理,因此,使用diamond结构元素进行形态学处理(膨胀),然后使用disk结构元素进行关闭处理,膨胀与关闭处理可将二值化轮廓修复还原。最终使用Flood-fill(漫水填充)来生成目标形状。Matlab中具有膨胀、关闭处理和Flood-fill的工具库,可直接使用,本算法的最终检测效果图如图5所示。
2 实验结果与分析
2.1 实验环境与参数设置
使用辐射热测量仪器拍摄视频,拍摄环境为四川省内江的一个空旷农村,分别在两种温度与天气条件下进行拍摄(上午11点与下午4点左右)。每帧图像大小为640×480,空中拍摄了18段红外图像视频。从中选取4个视频进行实验与分析,其中两个视频中有行人经过,另外两个视频中有车辆经过。
由于本文算法需要较多的背景帧来生成统计背景模型,因此对帧数量有一定要求。帧的总数量、背景帧的最大数量、背景帧的数量如表1所示。
2.2 移动目标检测效果对比
本文算法基于Matlab R2011a编程实现,硬件环境为:Intel Xeon CPU X5660,主频2.79 GHz,内存4 GB。为了评价算法性能,将本文算法与著名的Mixture of Gaussians(GMM)、文献[10]进行对比实验。Matlab系统的工具箱中含有优化的GMM实现库,因此可直接使用;文献[10]方案具有较高的检测率和较低的虚警率,性能较好。三种算法对车辆视频1与人体视频2的检测结果如图6所示。
可以看出,GMM算法将目标区域分割成了多个部分进行处理,在车辆视频1中,由于气压条件与热噪声的影响,GMM的检测出现大量错误。而从图6中可看出,本文算法可提取整个目标区域,将目标区域作为整体处理,并且没有检测错误。因为本文算法使用了轮廓显著图降低了轮廓检测的错误率。文献[10]算法成功检测了目标,且并没有过多的错误检测,但对于目标形状的细节处理并不理想。原因在于文献[10]算法的目标是追求较高的检测率和较低的虚警率,并没有提取目标对象的形状与轮廓。与之相反,本文算法基于轮廓信息获得了目标的形状信息,因此,对目标轮廓检测的效果较好。
2.3 算法性能评价
由于像素级评估需要手工精确标定真实前景,实现困难,因此本文采用外接矩形框的评估方式,计算每一帧内目标的检测率与虚警率,选用常用的三个指标参数:敏感度、PPV(真目标预测度)和F-measure。
式中:GT,TP,FP分别表示Groud Truth,Ture Positive,False Psitive;GT表示视频中含有目标的帧数。敏感度值越高表示检测率高,PPV值越高表示虚警率较低,PPV是算法的整体性能的衡量。F-measure则是敏感度的调和平均数。
实验结果如表2所示,可看出本算法的检测率为100%,而虚警率较低。
4个视频的移动检测效果如图7所示。车辆视频1中有2个目标均在移动(轿车和鸟),本文算法成功检测出2个目标,但有少量车辆像素被误分为背景像素。本文算法对行人也具有较好的检测正确率。人体视频2的结果出现少量的错误,本文算法将人体阴影产生的热点错误地识别成移动目标。从实验结果可看出,本文算法的总体性能较好,敏感度为1,平均F-measure值为0.989 5,性能较为优秀。同时对本文算法的检测处理时间进行了统计,每帧处理时间为0.7 s左右,具有较好的计算效率,但还有提升的空间。
3 结语
现有采用红外视频的移动目标检测均可成功检测移动目标,具有较高的正确率,但在目标图像还原时,对目标的轮廓还原效果欠佳。本文首先检查前景目标,并基于轮廓显著图较好地检测出目标轮廓,然后使用二值化处理进一步将轮廓窄化,获得了较准确的目标轮廓。实验结果表明了本文算法的检测率较高,同时对目标轮廓的检测极为准确,性能较好。
参考文献
[1]胡涛涛,盛琥,王立明.基于时空二维目标描述的红外小目标跟踪[J].激光与红外,2014,44(10):1159-1163.
[2]李科,徐克虎,张波.多特征自适应融合的军事伪装目标跟踪[J].计算机工程与应用,2012,48(34):171-174.
[3]王溪筠.移动机器人非结构场景图像边缘检测算法[J].红外技术,2012,34(2):99-102.
[4]张品,陈亦望,傅强.使用GMM背景减除的红外伪装人体目标快速识别算法[J].红外与激光工程,2012,41(4):975-983.
[5]常雅男,毕笃彦,查宇飞,等.基于增量式子空间学习的红外目标跟踪研究[J].计算机测量与控制,2013,21(6):1668-1671.
[6]孙航,韩红霞,郭劲,等.基于均值偏移快速算法的红外目标跟踪[J].仪器仪表学报,2012,33(5):1122-1127.
[7]胡敏,蔡慧芬.基于形态学标记连通的分水岭图像分割[J].电子测量与仪器学报,2011,25(10):864-869.
[8]张立保.基于区域增长的遥感影像视觉显著目标快速检测[J].中国激光,2012,39(11):205-211.
[9]NOSAL E.Flood-fill algorithms used for passive acoustic detection and tracking[C]//Conference on New Trends for Environmental Monitoring Using Passive Systems.[S.l.]:IEEE,2008:1-5.
【红外小目标检测】相关文章：
高压输电线路红外检测应用09-11
红外气体分析仪检测氯乙烷浓度的探讨11-25
电梯电气系统检测中的红外热成像技术研究09-11
尿微量白蛋白的可见-近红外光谱检测04-12
中红外分析与近红外分析04-08
视景仿真红外图象研究的红外辐射模型研究09-11
人体目标检测06-12