基于区域背景预测的红外小目标检测

基于区域背景预测的红外小目标检测
摘要:提出了一种基于变化区域的背景预测算法,用于红外弱小目标检测,来减小背景起伏对背景预测的影响,达到提高弱小目标检测性能的目的。

实验结果表明该算法抗噪能力强,能检测出强对比度云层的空中背景中的红外小目标,是背景预测算法的一个重要扩展。

通过实际红外图像的实验表明,算法是有效的,具有很好的提取能力。

关键词:背景预测弱小目标目标检测
引言
实际应用中,红外成像都对应某种背景,可将成像背景分为地面背景、天空背景、海天背景以及太空背景,各种背景在通常情况下均可能存在各种干扰。

在天空背景下,干扰主要是天空中的云层杂波等,即所谓的“背景起伏”。

当目标距离红外探测器较远时,目标往往呈现为点或斑点状,面积小、形态特征弱,细节特征大部分丧失,只有灰度信息,因此对红外弱小目标的检测是比较困难的。

为了检测红外图像中的弱小目标,人们从背景出发提出基于背景预测的红外弱小目标的检测方法,这一方法具有较好的检测性能和易实现性等优点,但是当背景起伏较大时,这一算法的检测性能就会受到影响。

因此本文针对这个问题,提出了“变化区域的局部背景预测的检测方法”,来减小背景起伏对背景预测的影响,使基于背景预测的红外弱小目标的检测方法的检测性能大大提高。

1 空中红外目标、背景的特性分析
本文研究对象为远距离的空中目标,它主要包括飞机和飞行器。

此时目标在红外图像上呈现为一个小弱亮点或亮团,边缘模糊,只在其邻域内存在较高的对比度和信噪比。

天空与大部分云层构成了天空背景下的红外图像的主体,一般情况下它们的温度较低、亮度弱,有时也有较亮的云团,但其内部分布较为均匀,通常也将云层杂波的大部分归为背景,占据了红外图像的低频部分,但有时云层边缘起伏比较剧烈往往属于高频区域,容易给检测带来干扰,产生虚假目标,提高了虚警概率。

噪声主要与成像系统内部有关,其中主要是探测器产生的噪声,在图像中噪声之间在同一帧内和帧间没有相关性,表现为孤立点,其与背景也往往不相关,但是在单帧内可能与小目标有相似的特征,如高频,较小等。

包含有目标的红外图像X(i,j)描述为:
X(i,j)=XT(i,j)+XN(i,j)+XB(i,j) (1)
式中:X(i,j)—红外图像的灰度值;XT(i,j)—目标点灰度值;XN(i,j)—噪声灰度值;XB(i,j)—背景图像灰度值。

在红外图像中,弱小目标是红外图像中的高频部分,其与背景间相关性较差,所以可以通过背景抑制的方法先得到图像的估计背景,然后与原始图像做差可检测出图像中的高频部分,即当前像素的原始灰度值与预测灰度值有较大差异,就认为可能是目标所在的高频部分。

需要注意的是随机噪声由于其高频特性等与弱小目标相似的性质也会
被检测出来,另外一些云层杂波图像的边缘也可能被检测出来,所以后续的处理中需要将其去除。

背景预测的两个基本问题:一是尽可能地完全消除背景杂波,二是要尽可能的保留目标能量。

2 经典的背景预测算法
其基本思想是:对背景进行预测后,与原始图像做差分,然后对其结果做检测和跟踪处理。

背景预测的一般表达为:
其中,为局部窗口中图像的均值,为图像的均方差,是与噪声有关的系数,通过实验确定适合的值。

3 基于变化区域的背景抑制算法
本文提出一种基于变化区域的外扩区域均值抑制与形态学背景抑制相结合的背景预测算法:基于变化区域的外扩区域均值抑制方法属于低通滤波算法。

其残差图即为原始图像与预测图像的差可以表达为:
其中,为目标,为白噪声,即残差图像由目标图像和白噪声共同组成。

此时目标灰度在局部最大,但是由于信噪比较低,一般采用非线性的灰度变换方法来提高信噪比,其转换方法如下:
其中为残差图像的最大灰度值,为残差图像中点处的灰度值,为非线性变换后的残差图像中点的灰度值,为分界点,通常取0.8.
基于变化区的形态学背景抑制,它的基本思想是用一定形态的结构元素去度量和提取图像中的对应形状,去除不相干的结构,以达到对图像分析和识别的目的。

灰度形态学中的基本运算有腐蚀,膨胀,开操作和闭操作,其它的一些运算都是基于这些基本运算,对其做各种组合实现的。

假设:图像函数为f(x,y),结构元素为b(x,y),Df为图像函数的定义域,Db为结构元素的定义域,形态学的基本运算可以表示为:
腐蚀是数学形态学最基本的运算,利用结构元素b对f进行腐蚀表示为,其定义为:
3.1 背景抑制
基于变化区域的外扩区域均值抑制方法:首先检测出图像中的变化区域,对变化区域进行合并、剔除,然后对剩下的变化区域利用其外扩区域内像素点(不包括变化区域本身)的灰度均值作为变化区域背景预测结果,然后与原始的图像变化区域相减得到背景抑制后的结果。

该方法的流程如图1。

基于变化区的形态学背景抑制:该方法的前面部分与方法一致,在得到剩余变化区后,对这些区域使用形态学方法进行背景抑制。

3.2 图像分割
图像分割是在前面处理的基础上将目标与主体背景分离,提取出目标区域。

本文采用自适应阈值方法,先检测出图像中的变化区,然后对变化区域进行合并与剔除,选择剩余的变化区作为下一步处理的对象,对剩变化区域利用自适应方法计算阈值,先计算出目标粗区域的均值,然后在均值的上下某范围区间内使用最大类间方差方法确定最终的阈值,进行阈值化分割提取出目标区域，如图1。

4 试验结果
为验证本文所叙述算法的有效性,对实际热像仪采集的图像进行测试。

图2是典型的目标在云层边缘飞行的图像,红外图像的背景为天空,背景中存在红外云团,且存在红外起伏,在其中包含一个弱小目标,在检测中容易产生虚假目标。

利用本文算法可以有效地去除背景和消除云层边缘所产生的干扰,从而确保检测的准确性（如图2)。

5 结论
本文从背景出发,充分考虑了背景及噪声对目标的干扰,从而提出了基于“变化区域的局部背景预测的检测方法”。

实验证明该方法能很好的消除不同区域背景灰度的剧烈变化的红外辐射干扰,取得了较好的去噪效果,使基于背景预测的红外弱小目标的检测方法的检测性能大大提高。

参考文献
[1] 徐军.红外图像中弱小目标检测技术研究[D].西安电子科技大学,2003.
[2] 张飞,李承芳.红外背景抑制与弱小目标的检测算法[J].光学技术,2004,30(3):337～339.
[3] 章毓晋.图象工程(上册)——图象处理和分析[M].清华大学出版社,1999.
[4] 宗思光,王江安.基于形态学图像融合的目标检测方法[J].光电子·激光,2004,15(2):208～211．。