红外背景抑制与弱小目标的检测算法

5 、6) 。然后分别对高频图像进行阈值分割 。将高频
子图像中的背景噪声近似为高斯白噪声 ,根据图像
的统计特征 ,用全局门限法对目标和背景进行分割 ,
分别取门限为 : Ti = mean ( f i) + λ3 st d ( f i) , 式
338
图 2 均衡原始图像 直方图所得图像
图
3 小波分解所得 低频图像 LL1
图像 f ( x , y) 的形态和 、差 、开 、闭分别定义如下
形态和 :
f 。g ( x , y) = max[ f ( x - i , y - j) + g ( i , j) ] ( i , j)
标是图像中的孤立亮斑 , 可用光学点扩散函数表
示[9 ]
f ( x , y)
= τ3 exp
Leabharlann Baidu
-
1 2
x2
y2
δx + δy
式中 f ( x , y) 为目标强度 ;τ 为目标的强度幅值 ;
δx ,δy 为目标在 x , y 方向的宽度 。
中 ,λ为通过实验确定 , 一般取为 2 ～ 10 (本仿真取 为 6) ; mean ( f i) 为 图 像 均 值 ; st d ( f i) 为 图 像 标 准 差。
hat operator. Processed images and corresponding data are also given respectively. The simulated experiment results wit h per2
sonal computer indicate t hat t he algorit hms are effective in improving t he signal2to2noise ratio , enhancing t he target , suppressing
3 目标检测算法基本原理和仿真实验
3. 1 小波变换[10 ] 对于二维数字信号 ,小波变换具有可分性 ,即它
可通过先对每行作变换 ,然后对每列作变换来实现 。 对于二维图像信号可用二维矩阵来表示其相应像素
上的灰度值 ,经小波变换后得到四个部分 ,即图像的 LL ,L H ,HL 和 HH 部分 ,分别表示图像的低频信号 与垂直 、水平和对角线方向的高频信号 。
光 学 技 术 第30
200
卷第3 4年5
期 月
OP
T
ICAL
TECHN IQU E VMola.y30 N2o00. 34
文章编号 : 100221582 (2004) 0320337203
红外背景抑制与弱小目标的检测算法Ξ
张飞 , 李承芳
Algorithms of infrared background suppression and dim target detection
ZHANG Fei , LI Cheng2fang
(School of Physics Science and Technology , Wuhan University , Wuhan 430072 , China)
1 红外弱小目标模型
对于宽视场的探测系统来说 ,目标可近似看成 一个点源 ,点目标孤立于背景 ,在灰度分布上表现出 奇异性 :亮度或高于背景 ,或低于背景 。因此 ,点目
Ξ 收稿日期 : 2003209223 E2mail : zhangfei0417 @163. com ; feizhang @hot mail. com 作者简介 : 张飞 (19802) ,男 ,河南人 ,武汉大学硕士研究生 ,从事图像处理 、目标检测研究 。
(武汉大学 物理科学与技术学院 , 武汉 430072) 摘 要 : 强噪声背景下红外图像中弱小目标的检测一直是研究的重点和难点 。根据弱小目标 、背景干扰和噪声在 红外图像中的差异 ,研究了三种低信噪比条件下红外图像中弱小目标的检测算法 :小波变换 、数学形态学 、Top —hat 算 子 ,分别给出了处理的图像和相应的数据 。仿真实验表明 :这三种检测算法能十分有效地提高信噪比 、增强目标 、抑制背 景杂波和去除噪声干扰 ,对信噪比约为 2 的弱小目标检测能得到很好的结果 。三种算法所得结果一致 ,而且处理速度 快 ,适合于实时图像处理和目标探测 。 关 键 词 : 背景抑制 ; 红外图像 ; 弱小目标检测 ; 小波变换 ; 数学形态学 ; Top —hat 算子 中图分类号 : TP751 文献标识码 : A
本文分别利用三种不同的滤波原理对原始图像 进行处理的原理就基于以上场景图像模型 ,目标的 红外辐射强度与其周围自然背景的辐射强度无关 , 且一般都高于背景的辐射强度 。可以认为背景处在 图像信号的低频部分 ,而目标 、噪声处在图像的高频 部分 ,通过滤波将红外图像进行低频部分和高频部 分的分离 ,提取图像中的高频部分 ,这样就抑制了原 始图像中的低频的强背景杂波干扰 ,保留了具有高 频特性的目标和噪声 ,然后根据目标点灰度值较大 的特点再对图像进行阈值分割 ,就可以得到弱小目 标点 。
弹制导 、目标探测 、卫星遥感 、森林预警 、天文观测等 三种算法对信噪比约为 2 的弱小目标检测都能得到
领域的广泛应用 ,使弱小目标的检测成为当前一个 热门的课题[1 ] 。
满意的结果 ,三种算法所得弱小目标的形心几乎完 全重合 ,进一步验证了三种算法的有效性 。
弱小目标具有探测距离远 、信噪比低 、杂波干扰 强 、目标像素少 、缺乏结构纹理信息等特点 ,在弱小 目标的检测算法中 ,遗传算法[2 ] 、递归算法[3 ] 、动态 规划 法[4 ] 、匹 配 滤 波 法[5 ] 、最 优 投 影 和 Hoff 变 换 法[6 ] 、光流场法[7 ] ,及新近的神经网络[8 ] 等都有计
t heir rapidity.
Key words : background suppression ; infrared image ; dim target detection ; wavelet transform ; mat hematical morphology ; Top —hat operator
background clutter and diminishing t he disturbing of t he noise very effectively. A high performance is reached when signal2to2 ratio is about 2. These met hods which have t he same results are adaptable to real —time image processing and target detection for
失 ,目标在瞬间作近似匀速直线运动 ; (3) 小目标在图像中运动速度小于 1 个像素/
帧 ,图像序列长度为 20 帧 。 从实验中发现 ,在对图像进行小波变换一次分
解后的高频图像中 ,L H 和 HL 分量在目标出现处为 大幅度振荡 ,在其它位置则作零值附近极小范围内 的波动 。HH 分量则在整个图像范围内作杂乱无章 的振荡 ,不利于检测。这里在检测中仅使用水平和垂 直方向的高频分量 ,各高频分量的统计特性见表 1 。
图
4 小波分解所得 低频图像 HL1
图
5 小波分解所得 低频图像 L H1
图
6 小波分解所得 高频图像 HH1
图
7 阈值化分割所 得二值化图像
则利用门限法处理后的二值化图像为
1 , f i ≥ Ti ri ( x , y) = 0 , f i < Ti
组合二值化图像 (图 7) 为
表 1 高频分量的统计特性
高频分量 垂直 L H 水平 HL 对角 HH 低频 LL 原始图像
图像均值 8. 737 7. 555 3. 215 124. 565 93. 955
标准方差 26. 956 17. 283 8. 764 69. 928 11. 556
© 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net
目标和探测系统的相对位置越远 ,目标对探测 算量大 、计算复杂 、不易实现的缺点 ,无法满足实时 系统所成的张角越小 ,在探测器上的成像面积越小 , 处理的需求 ,实用性还有待提高 。为了减少运算量 、 在图像平面上表现为点状或不稳定斑点状 ,加上远 实现实时处理 ,本文给出了三种有效的检测弱小目 距离传输所造成的能量衰减及强背景 、传感器噪声 标的算法 ,仿真试验表明三种算法以小波变换最适 的影响 ,致使接收到的目标信号很微弱 ,极易淹没在 合实时处理 ,处理速度最快 , Top —hat 算子次之 ;但 强噪声背景中 ,使得弱小目标的检测任务变得尤其 灰值形态学算法去除背景杂波和噪声干扰最为彻 困难 。但由于弱小目标的检测 、跟踪在导弹预警 、导 底 ,它能去除高频噪声和背景边沿高频分量的干扰 。
d ( x , y) = r1 ( x , y) + r2 ( x , y) + r3 ( x , y)
实验的技术参数为 : (1) 小目标尺寸为 1～8 个像素 ,红外图像尺寸
为 224 ×291 像素 , 原始图像信噪比约为 11719dB ; (2) 红外图像中存在小目标 ,偶尔出现目标丢
2 红外弱小目标场景图像模型
包含有弱小目标的红外场景图像 f ( x , y) 可 以描述为
f ( x , y) = f T ( x , y) + f B ( x , y) + n ( x , y)
式中 f T ( x , y) 为目标点像素值 ; f B ( x , y) 为背景图 像 ; n ( x , y) 为噪声图像 。
Abstract : Detection of dim target in infrared image wit h strong noise and background is t he emphasis and difficulty of tar2
get detection. Three algorit hms of detecting dim target in infrared image wit h low signal2to2noise ratio according to t he differ2 ences among dim target , background interference and noise are studied : wavelet transform , mat hematical morphology , Top —
337
© 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net
光 学 技 术 第 30 卷
本文先对原始图像
(图 1) 的直方图进行均
衡 ,由于目标在图像中占
有的像素极少 ,故仅对均
衡后的图像 ( 图 2) 进行 一次小波分解 ( 取 sym4
图 1 原始图像
小波) 。分解后得到的高频图像为 f i ( x , y) , i = 1 ,
2 ,3 分别表示高频分量 L H , HL 和 HH 部分 (图 4 、
第3期
张飞 ,等 : 红外背景抑制与弱小目标的检测算法
3. 2 灰值形态学[11 ] (1) 数学形态学 采用数学形态学滤波实现局部背景平滑 。形态
和 、形态差 (膨胀和腐蚀) 是数学形态学的基础 ,实际 上是在定义域内的极大 、极小运算 。形态开和形态
闭对图像具有一定的平滑功能 ,能够检测出图像中 的奇异点 ,形态开能够消除图像中的边缘毛刺和孤 立斑点 ,而形态闭能够填补图像中的漏洞以及裂缝 。 图像中的边缘 、漏洞和孤立点都是图像中的奇异点 。