2004-红外多弱小目标的提取方法

它们对于
- 35 -
(a)
(b)
图 3 图像分割和开运算后的图像
Fig3 Image of segmentation and opening operation 多、弱、小目标识别具有重要的实用意义。常用的特征选择算法有离散 K-L 变换法和评
价函数等。特征提取之后与目标进行比较，含有此特征的即为所要识别的真目标，否则
3. 图像分割
图像分割多年来一直得到人们的高度重视，是由图像处理进到图像分析的关键步 骤，是一种基本的计算机视觉技术。经过图像分割以后使得更高层得分析和理解成为可 能。
- 34 -
（a）
（b）
图 2 多目标原始图像和预处理后的图像
Fig2 Multi targets’ image of originality and pretreatment
航迹等信息，还需要借助其它(如弹道分析等)的手段。
References(参考文献)：
【1】 【2】
【3】
【4】 【5】 【6】 【7】 【8】
Bain Y. Dynamic programming solution fordetection dim moving targets[J]. IEEE trans on AES, 1985, 21:144-156.
开运算，如图 3（b），得到的结果是小噪声点被有效的去除，达到了预期的目的。由此 看来这种处理方法收到了良好的、令人满意的处理结果。
4. 目标识别
图像经过区域分割以后，灰度值大于 k*的目标区域内含有少量的假目标，必须对 假目标剔除来识别真目标，降低虚警率。所以对目标要进行有效地判别和特征提取。
先对目标提取具有代表性、不变性的本质特征，虽然这样的特征尽管非常少，但是
- 36 -
红外多弱小目标的提取方法
利用红外热像仪得到的图像，除了空间不相关的噪声外，大部分是缓慢变化的背景， 像素之间具有很强的相关性。利用背景图像相对于目标图像具有相关长度长、在领域空 间处于低频部分的特点，提出了在空域对红外点目标场景图像进行高频滤波的方法，达 到抑制背景、提高目标图像倍噪比的效果．
能
原始图像
量
高频滤波
积
累
目
反
标
Gene K,Todd R.3-D segmentation-based video processing [J]. IEEE-Systems and Computers，1997，1(3-6)：120-124. Schulze M A ． John A ． Morphological image processing techniques in thermographic imaging [J]．Biomedical sciences instrumentation.,1993， 29(2-3)：227-234．
background by set up a adaptive threshold, and segment targets effectively from the
noise. Experiment result prove that this method has effective acquisitive ability.
区域分割的方法对目标和背景区域进行分割的，以便进行目标区域的特征提取与识别。
本文中的图像经处理后的像素大部分集中在低灰度区，只有所提取的目标和小部分
的噪声分布在高亮度区。为了从高频分量中分离出目标，可以采用使类间方差最大化的
门限。这种方法是利用了像素的灰度信息，是基于图像的灰度直方图，没有像素的位置
- 33 -
目标像面的对比度的计算公式为：
C = E目－E背 E背
实验表明，当对比度 C ≥ 0.080（调制对比度 ≥ 0.040）时，可以探测出目标，也就是说
可以提取、识别出目标来。文中的红外图像符合对比度要求。
2. 图像预处理
图像预处理是图像处理的第一步，也是关键的一步，对后续处理有直接的影响。文 中对小目标的处理过程如图 1，其中预处理是能量积累和高通滤波。早期人们用中值滤 波和匹配滤波来抑制背景噪声，但是中值滤波对于杂乱背景就失去了它的作用，匹配滤 波对于目标小到一定程度或弱到一定程度时同样不适用；也有人用数学形态学中的 top-hat 变换对能量积累后的图像进行处理，这种方法对于较暗背景中的亮目标是有较好 的检测，但是对于背景较亮时不能有效的去除噪声。
后对图像的高频分量以最佳门限 k*进行分割，灰度值大于 k*的像素构成目标区域，灰
度值小于 k*的像素构成背景区域。
图 3（a）是对一帧图像分割后的结果，可以看出还存在一些小噪声点，但是目标已
经很明显地显露了出来。小噪声点是一些高斯白噪声，在空间频域表现有和点目标类似
的高频特征，但它在空间分布是随机的，帧间的分布没有相关性。因此需要对图像进行
复
提取目标
分
滤源自文库
割
波
图 1 多、弱、小目标的提取流程
Fig1 Acquisitive process of muti-dim-small targets 下面引用了像素为 320×240 红外热像仪在距离较远时拍到的多目标的辐射体探测 实验图像，拍摄对象是圆柱形辐射体 73mm×L500mm。（如图 2） 图 2（a）是经过对比度增强后的原始实验图像，背景的亮度稍弱于目标的亮度，目 标不能分辨。由于目标周围分布了大量的噪声，所以需要对噪声进行滤除，使目标能清 楚地显露出来。图 2（b）为经过高频滤波后的实验图像，背景噪声得到了一定的抑制， 只有目标周围有一些没被滤掉的星点噪声。重要的是弱小目标得到了增强，提高了信噪 比，这给图像的分割提供了基础。
low. Targets are submerged by noise(mixed wave). In addition, targets’ number is
rather more. These characters bring some diffities to targets’ acquiretion and
图像分割可以采取三种不同的原理来实现：区域分割、边界分割、区域增长。图像
中的目标
一旦被分割出来就可以对其进行测量、分类等。边界分割利用边界具有高剃度值的性质
进行分割的；区域增长利用图像的若干性质来决定最终边界的位置，在自然景物的分割
方面具有较佳的性能。这两种方法在多、弱、小目标的处理中结果不理想。下面应用了
信息。
设图像的灰度范围{1，2，...，M }, N 为像素的总数，ni 是灰度为 i 像素数，门限 为 K，用 K 值将灰度值分成两组 C1＝{ 1,2…,K }和 C2＝{ K+1，K＋2，…，M }，可求
的类间方差：
其中：
d(K)＝ ω0ω1 （ µ1 − µ0 ）2
M
∑ 总像素数为：N＝ ni ；各灰度值的概率： pi ＝ni/N； i =1
雷选华，王江安，李树山。海空背景下红外点目标检测算法[J]。激光与红外，2001，31 （1）：32-34。 杨卫平，沈振康。红外图像序列小目标检测预处理技术。红外与激光，1998，27（1）：23-28。 章毓晋。图像工程（上）－图像处理和分析。北京：清华大学出版社，1999。 崔 屹。图像处理与分析－数学形态学及应用。北京：科学出版社，2000。 廖 斌，杨卫平，沈振康。低信噪比线性运动红外小目标检测方法。红外技术，2001，23 （5）：11-16。
710068
2.Graduate School of the Chinese Academy Sciences 100039）
Beijing
Abstract：Acquiretion and recognition of muti-dim-small targets in infrared image
A Acquisitive Method of Infrared Muti-dim-small Targets
Hui Jianjiang1.2 Liu Zhaohui1 Xiong Rensheng1 Xu Feng1.2
（ 1.Xi'an Institute of Optics and Precision Mechanics CAS Xi'an
are one of hotspot and difficulty in the research of formation processing lately.
Targets are some small points in the infrared image; even Signal-to-Noise(SNR) is
k
k
∑ ∑ C1 组产生的概率： ω0 ＝ pi ；C1 组的平均灰度值： µ0 ＝ ipi / ω0 ；
i =1
i =1
M
M
∑ ∑ C2 组产生的概率： ω1 ＝ pi ；C2 组的平均灰度值： µ1 ＝ ipi / ω1 。
i=k +1
i=k +1
最大化 d(K)的过程就是确定最佳门限的 k*过程,也就是说最佳门限 k*= max σ 2 。然 1≤k ≤M
文中提出了一种利用背景抑制与多、弱、小目标分割提取的方法来解决红外多、弱、 小目标的提取、识别的问题。这种方法能很好的去除复杂背景中的噪声，使目标的提取、 识别更加的准确、有效。
1. 红外弱小目标、背景的特性分析
本文分析的多、弱、小目标是空中下落的小目标，在理论计算上是小于一个像元的， 在红外图像上是经过弥散以后的，大于一个像元；而且目标数量较多，基本上无形状信 息，与周围背景相比没有突出的亮度特征。背景是大气和云层，一般情况下背景温度较 低、亮度较弱，有时也有较亮的云团，但其内部分布较为均匀。大气的温度分布不均匀， 在红外图像上呈噪声点分布。还有红外热像仪附加的噪声，以及其它信号的干扰等。这 些都给目标的提取、识别造成了一定的难度，尤其是背景较亮时目标被淹没就更难提取。
为假目标。这种比较有时会漏掉一些目标，但是数量极少，在允许范围之内。
5. 结论
红外多、弱、小目标的提取、识别是一个难点，给提取、识别工作增加许多困难。
背景抑制与目标分割提取的方法在实验中已被证实能够较准确地提取、识别目标。但是
也有一些不足之处，这种方法仅能够找出目标的位置信息，要进一步分析目标的速度、
淹没，再加上目标数量较多，就更给目标的提取、识别带来了困难。现提出一
种红外背景抑制与多弱小暗目标分割检测的方法来提取、识别目标。该方法通 过建立一种自适应门限，来统计背景特性，用作抑制红外背景的依据，从而有 效地分割出噪声和目标。实验结果表明这种方法具有很好的提取能力。
关键字：背景抑制；图像分割；目标识别
recognition. Now a detection method of background suppression and
muti-dim-small Targets’ segmentation is proposed to acquire and recognize targets .
This method statistic background characters as a evidence to suppress infrared
Key words：Background suppression；Image segmentation；Target recognition
引言
红外弱小目标的提取、识别问题是远程探测、精确制导、光电子领域的一个重要问 题，以前的算法主要是多帧积累或阈值分割的方法。多帧积累算法是目前普遍采用的方 法，它一般是对单帧图像进行高通滤波，然后进行多帧的积累；但是这种方法对于复杂 背景中的固定干扰不能有效的去除，加上积累过程时间较长，其实用性受到很大的限制， 而且目前的算法过于复杂，离实用化程度还较远。阈值分割的算法已有几十年的发展历 史，但是至今没有好的针对红外弱小目标的自适应阈值算法，尤其是没有适应强干扰和 复杂背景的阈值算法。
红外多弱小目标的提取方法
惠建江 1.2 刘朝晖 1 熊仁生 1 许峰 1.2
（1 中国科学院西安光学精密机械研究所 西安 710068
2 中国科学院研究生院
北京 100039）
摘要：红外图像中多、弱、小目标的提取、识别技术是近年来信息处理研究的
热点与难点之一。目标在图像中表现为点状，且信噪比低，目标被噪声（杂波）