陳金銘

(河南平寶煤業(yè)有限公司 許昌 461700)

?

基于掃描型紅外圖像的弱小目標檢測*

陳金銘

(河南平寶煤業(yè)有限公司 許昌 461700)

針對掃描型紅外圖像中檢測弱小目標的問題,論文提出了基于Sobel邊緣檢測的單幀檢測算法來消除掃描圖像的水平條紋噪聲,采用孤立度分析進行背景抑制,實驗結(jié)果表明,該算法的背景抑制效果明顯,與自適應(yīng)閾值算法結(jié)合后的單幀目標檢測取得了滿意的檢測效果。

圖像處理; 目標探測; 弱小目標; Sobel

Class Number TN911.73

1 引言

對復雜場景下的紅外弱小目標探測識別技術(shù)一直是監(jiān)視和告警技術(shù)的重要組成部分。當目標距離較遠時,目標在光學系統(tǒng)中所成的像是小目標(點和斑點目標)形態(tài),而且目標的對比度比較低。小目標一般是指在像面(探測器)上所成的像只占一到幾個像元的目標。小目標與面目標相比,由于成像面積小、信號弱、信噪比低、背景復雜、具有一定的運動性,所以檢測識別小目標成為當前一個既熱門又困難的課題。

目前,單幀紅外圖像目標檢測的檢測步驟一般是先進行預處理,然后進行目標閾值檢測。預處理一般是利用一些濾波器,對圖像背景分量進行估計,同時去除或減少圖像中的噪聲和雜波,以提高傳給主處理器的圖像的質(zhì)量和信噪比。常用的紅外弱小目標的檢測算法有小波變換、分形、數(shù)學形態(tài)學、神經(jīng)網(wǎng)絡(luò)等算法。由于很多情況下,噪聲干擾比較突出,分割出的圖像往往不僅有目標點,還包含背景和噪聲,虛警率高。因此提高目標的檢測概率,降低虛警率是弱小目標檢測算法的關(guān)鍵。本文提出了一種基于Sobel邊緣檢測消除掃描圖像的橫條紋、用孤立度分析進行背景抑制的紅外弱小目標檢測算法,結(jié)果表明,算法能夠較好地抑制背景,取得了滿意的檢測效果。

2 紅外小目標圖像場景模型

紅外小目標圖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)為場景圖像;T(m,n)為目標點灰度;B(m,n)為背景圖像;N(m,n)為噪聲圖像。

目標點灰度T(m,n)通常比背景要亮,但其灰度與一些強噪聲點相差不大。背景圖像B(m,n)通常具有較長的相關(guān)長度,占據(jù)了場景圖像f(m,n)空間頻率的低頻部分。同時,由于場景和傳感器內(nèi)部熱分布的不均勻性,背景圖像B(m,n)一般是一個非平穩(wěn)過程,圖像中局部灰度值可能有較大的變化。B(m,n)中也包含部分高頻分量,主要分布在背景圖像各個同質(zhì)區(qū)的邊緣處。噪聲圖像N(m,n)主要是探測器的內(nèi)部噪聲和外部噪聲,與背景像素不相關(guān),空間分布是隨機的,沒有幀間相關(guān)性。

3 圖像預處理

單幀紅外圖像預處理的目的就是對原始圖像進行數(shù)字圖像濾波,抑制原始圖像中的低頻部分的強背景雜波干擾,提高圖像的信噪比。

3.1 背景抑制

在紅外探測系統(tǒng)中,可分為掃描型探測器和凝視型探測器。紅外掃描探測器一般都是平行掃描系統(tǒng)。有限的傳感元垂直方向羅列,水平掃描,獲得一行圖像再繼續(xù)下一行,每一行圖像是由不同傳感元或者是相同的傳感元在不同時刻獲得的。由于校準的不完全性,不同傳感元的輸入輸出特性會有輕微的差別,即相同的輻射強度下會有不同的輸出信號量級。這樣就會產(chǎn)生水平條紋噪聲。這些水平條紋在灰度值上是線性相關(guān)的,針對這種相關(guān)性,本文提出了一些方法來解決這個問題。

在紅外圖像中,小目標與背景間存在灰度跳躍變化,如果能夠檢測這種跳躍變化,那么就可以檢測出小目標。利用邊緣檢測的方法,可以檢測出這種跳躍變化。

3.2 孤立度分析

由于小目標在圖像中表現(xiàn)為孤立的點,即目標的灰度大于周邊的灰度值,可用鄰域灰度比差法衡量像素區(qū)域在圖像中的孤立性,用孤立性做為小目標的特征。如圖1、圖2,取9×9的像素鄰域,每3×3像素塊的均值做為鄰域灰度。

圖1 9×9圖像領(lǐng)域

圖2 9個3×3圖像領(lǐng)域

孤立度分析:

(2)

如果計算的結(jié)果大于給定的閾值時,則認為符合孤立性條件。

4 目標分割與檢測

經(jīng)過前面的預處理后,圖像中的起伏背景得到了明顯抑制,大部分像素集中在低灰度區(qū),只有目標和少量噪聲分布在高亮度區(qū)。這時候可以采用圖像分割方法,進一步濾除部分噪聲點,以此來減少后續(xù)算法的計算量,為目標識別和跟蹤提供有利的保障。

設(shè)預處理輸出的紅外圖像為f(x,y),分割閾值為T。將圖像分割為兩個部分,B=(b0,b1)代表二值灰度級,則圖像f(x,y)在閾值T上的分割結(jié)果可以表示為

(3)

因為目標較之大多數(shù)噪聲而言要明顯亮一些,即目標的灰度級要高一些,因此可以采用單門限分割方法,灰度值高于門限的置為1,灰度值低于門限的置為0。即:

(4)

出于自適應(yīng)的目的,在這里根據(jù)圖像的統(tǒng)計特性來確定門限,即:

T=M+kσ

(5)

其中M為圖像的均值,σ為其標準差,k為常系數(shù),可通過實驗得到,k值太小會包含太多的高頻噪聲點,使得虛警率增大,k值太大又使得點目標丟失,使得檢測該概率減小。通過大量的實驗數(shù)據(jù),k一般取在3～10之間比較合適,可以根據(jù)不同的背景特性進行適當調(diào)節(jié)。

5 試驗結(jié)果

為了檢驗本方法背景抑制性能和抑制虛警目標性能,進行三組小目標檢測對比實驗。實驗圖像是云層中飛行的紅外小目標圖像序列。圖3為原始圖像,可以看出圖像有很明顯的水平條紋,圖4為經(jīng)過Sobel邊緣檢測水平算子處理過后的圖像,可以看出圖像的水平條紋得到明顯抑制,候選目標得到了突出,圖5則是采用孤立性分析和自適應(yīng)閾值分割后的圖像,目標被檢測出來。

6 結(jié)語

針對“掃描”型紅外探測系統(tǒng)中的小目標檢測問題,本文提出了一種基于Sobel水平邊緣檢測的方法來檢測紅外弱小目標,對有大量水平條紋的紅外圖像具有良好的抑制作用。再和孤立性分析相結(jié)合,能夠較好地檢測出弱小目標。實驗分析表明,該算法具有較好的背景抑制和抑制虛警性能,適用于低信噪比圖像的小目標檢測。

[1] 呂雁,史林,蘇新主.基于小波和高階累積量的紅外弱小目標檢測[J].紅外技術(shù),2006,28(12):713-716.

[2] 閆曉珂,史彩成,趙保軍,等.基于分形和粗集理論的云雜波背景下序列圖像弱目標檢測[J].北京理工大學學報,2006,26(9):824-827.

[3] 陳玉丹.紅外系列圖像運動小目標檢測[J].兵工自動化,2006,25(12):65-66.

[4] 徐英.紅外圖像序列中運動弱小目標檢測的方法研究[J].紅外技術(shù),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] 吳巍,彭嘉雄.一種云層背景抑制與小目標檢測方法[J].華中科技大學學報,2001,29(11):56-57.

[8] 楊磊,楊杰,鄭忠龍.?？諒碗s背景中基于自適應(yīng)局部能量閾值的紅外小目標檢測[J].紅外與毫米波學報,2006,25(1):41-45.

[9] 李飚.紅外自動目標識別方法與實現(xiàn)研究[D].長沙:國防科技大學博士論文,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

陳金銘,男,助理工程師,研究方向:煤礦自動化信息化、圖像檢測及處理。

TN911.73

10.3969/j.issn.1672-9730.2015.12.013