基于扫描型红外图像的弱小目标检测*

陈金铭

(河南平宝煤业有限公司 许昌 461700)



基于扫描型红外图像的弱小目标检测*

陈金铭

(河南平宝煤业有限公司 许昌 461700)

针对扫描型红外图像中检测弱小目标的问题,论文提出了基于Sobel边缘检测的单帧检测算法来消除扫描图像的水平条纹噪声,采用孤立度分析进行背景抑制,实验结果表明,该算法的背景抑制效果明显,与自适应阈值算法结合后的单帧目标检测取得了满意的检测效果。

图像处理; 目标探测; 弱小目标; Sobel

Class Number TN911.73

1 引言

对复杂场景下的红外弱小目标探测识别技术一直是监视和告警技术的重要组成部分。当目标距离较远时,目标在光学系统中所成的像是小目标(点和斑点目标)形态,而且目标的对比度比较低。小目标一般是指在像面(探测器)上所成的像只占一到几个像元的目标。小目标与面目标相比,由于成像面积小、信号弱、信噪比低、背景复杂、具有一定的运动性,所以检测识别小目标成为当前一个既热门又困难的课题。

目前,单帧红外图像目标检测的检测步骤一般是先进行预处理,然后进行目标阈值检测。预处理一般是利用一些滤波器,对图像背景分量进行估计,同时去除或减少图像中的噪声和杂波,以提高传给主处理器的图像的质量和信噪比。常用的红外弱小目标的检测算法有小波变换、分形、数学形态学、神经网络等算法。由于很多情况下,噪声干扰比较突出,分割出的图像往往不仅有目标点,还包含背景和噪声,虚警率高。因此提高目标的检测概率,降低虚警率是弱小目标检测算法的关键。本文提出了一种基于Sobel边缘检测消除扫描图像的横条纹、用孤立度分析进行背景抑制的红外弱小目标检测算法,结果表明,算法能够较好地抑制背景,取得了满意的检测效果。

2 红外小目标图像场景模型

红外小目标图像可以用以下的模型描述:

f(m,n)=T(m,n)+B(m,n)+N(m,n)

(1)

式中f(m,n)为场景图像;T(m,n)为目标点灰度;B(m,n)为背景图像;N(m,n)为噪声图像。

目标点灰度T(m,n)通常比背景要亮,但其灰度与一些强噪声点相差不大。背景图像B(m,n)通常具有较长的相关长度,占据了场景图像f(m,n)空间频率的低频部分。同时,由于场景和传感器内部热分布的不均匀性,背景图像B(m,n)一般是一个非平稳过程,图像中局部灰度值可能有较大的变化。B(m,n)中也包含部分高频分量,主要分布在背景图像各个同质区的边缘处。噪声图像N(m,n)主要是探测器的内部噪声和外部噪声,与背景像素不相关,空间分布是随机的,没有帧间相关性。

3 图像预处理

单帧红外图像预处理的目的就是对原始图像进行数字图像滤波,抑制原始图像中的低频部分的强背景杂波干扰,提高图像的信噪比。

3.1 背景抑制

在红外探测系统中,可分为扫描型探测器和凝视型探测器。红外扫描探测器一般都是平行扫描系统。有限的传感元垂直方向罗列,水平扫描,获得一行图像再继续下一行,每一行图像是由不同传感元或者是相同的传感元在不同时刻获得的。由于校准的不完全性,不同传感元的输入输出特性会有轻微的差别,即相同的辐射强度下会有不同的输出信号量级。这样就会产生水平条纹噪声。这些水平条纹在灰度值上是线性相关的,针对这种相关性,本文提出了一些方法来解决这个问题。

在红外图像中,小目标与背景间存在灰度跳跃变化,如果能够检测这种跳跃变化,那么就可以检测出小目标。利用边缘检测的方法,可以检测出这种跳跃变化。

3.2 孤立度分析

由于小目标在图像中表现为孤立的点,即目标的灰度大于周边的灰度值,可用邻域灰度比差法衡量像素区域在图像中的孤立性,用孤立性做为小目标的特征。如图1、图2,取9×9的像素邻域,每3×3像素块的均值做为邻域灰度。

图1 9×9图像领域

图2 9个3×3图像领域

孤立度分析:

(2)

如果计算的结果大于给定的阈值时,则认为符合孤立性条件。

4 目标分割与检测

经过前面的预处理后,图像中的起伏背景得到了明显抑制,大部分像素集中在低灰度区,只有目标和少量噪声分布在高亮度区。这时候可以采用图像分割方法,进一步滤除部分噪声点,以此来减少后续算法的计算量,为目标识别和跟踪提供有利的保障。

设预处理输出的红外图像为f(x,y),分割阈值为T。将图像分割为两个部分,B=(b0,b1)代表二值灰度级,则图像f(x,y)在阈值T上的分割结果可以表示为

(3)

因为目标较之大多数噪声而言要明显亮一些,即目标的灰度级要高一些,因此可以采用单门限分割方法,灰度值高于门限的置为1,灰度值低于门限的置为0。即:

(4)

出于自适应的目的,在这里根据图像的统计特性来确定门限,即:

T=M+kσ

(5)

其中M为图像的均值,σ为其标准差,k为常系数,可通过实验得到,k值太小会包含太多的高频噪声点,使得虚警率增大,k值太大又使得点目标丢失,使得检测该概率减小。通过大量的实验数据,k一般取在3～10之间比较合适,可以根据不同的背景特性进行适当调节。

5 试验结果

为了检验本方法背景抑制性能和抑制虚警目标性能,进行三组小目标检测对比实验。实验图像是云层中飞行的红外小目标图像序列。图3为原始图像,可以看出图像有很明显的水平条纹,图4为经过Sobel边缘检测水平算子处理过后的图像,可以看出图像的水平条纹得到明显抑制,候选目标得到了突出,图5则是采用孤立性分析和自适应阈值分割后的图像,目标被检测出来。

6 结语

针对“扫描”型红外探测系统中的小目标检测问题,本文提出了一种基于Sobel水平边缘检测的方法来检测红外弱小目标,对有大量水平条纹的红外图像具有良好的抑制作用。再和孤立性分析相结合,能够较好地检测出弱小目标。实验分析表明,该算法具有较好的背景抑制和抑制虚警性能,适用于低信噪比图像的小目标检测。

[1] 吕雁,史林,苏新主.基于小波和高阶累积量的红外弱小目标检测[J].红外技术,2006,28(12):713-716.

[2] 闫晓珂,史彩成,赵保军,等.基于分形和粗集理论的云杂波背景下序列图像弱目标检测[J].北京理工大学学报,2006,26(9):824-827.

[3] 陈玉丹.红外系列图像运动小目标检测[J].兵工自动化,2006,25(12):65-66.

[4] 徐英.红外图像序列中运动弱小目标检测的方法研究[J].红外技术,2002,24(6):1-4.

[5] David S. K. Chan, David A. Langan, Daniel A. Staver. Spatial processing techniques for the detection of small targets in IR clutter[C]//SPIE,1990,1305:53-62.

[6] Boaz Porat, Benjamin Friedlander. A Frequency Domain Algorithm for Multi-frame Detection and Estimation of Dim Targets[J]. IEEE Trans. PAM I.,1990,12(4):398-401.

[7] 吴巍,彭嘉雄.一种云层背景抑制与小目标检测方法[J].华中科技大学学报,2001,29(11):56-57.

[8] 杨磊,杨杰,郑忠龙.海空复杂背景中基于自适应局部能量阈值的红外小目标检测[J].红外与毫米波学报,2006,25(1):41-45.

[9] 李飚.红外自动目标识别方法与实现研究[D].长沙:国防科技大学博士论文,1998.

[10] Hannelore G. Hansen, Cyrus Elyashar. Adaptive threshold adjustment and control[C]//SPIE, Signal and Data Processing of Small Targets,1989,1096:44-54.

Detection of Weak and Small Infrered Targets for Scanning IR Images

CHEN Jinming

(Henan Pingbao Coal Co. Ltd, Xuchang 461700)

Based upon horizon-correlative characteristic of infrared images which were gotten by scanning, considering of the target properties in complicated background, an algorithm of weak and small target detection was presented. Because the images appears horizon-correlative characteristic, Sobel horizontal operator was adopted. By calculating Small Target Isolation Degree(STID) in every pixel in image, the background clutter was suppressed. Then an adaptive threshold was proposed to extract the precise location of small target. Incorporated with these methods, a single frame weak and small target detection algorithm was built. Its high performance was then proved in a serial of experiments.

image processing, target detecting, weak and small targets, Sobel

2015年6月6日,

2015年7月25日

陈金铭,男,助理工程师,研究方向:煤矿自动化信息化、图像检测及处理。

TN911.73

10.3969/j.issn.1672-9730.2015.12.013