红外线算法（共8篇）
红外线算法 篇1
0 引言
红外热成像仪是一种可探测目标的所发射的红外辐射, 并通过光电转换、电信号处理等手段, 将目标物体的温度分布图像转换成视频图像的设备。由于红外热成像仪在黑夜中仍可以正常工作故此在军事领域中得到了大量的应用, 通过该设备的使用可以实施夜间行动和作战, 大幅度提高武器系统的作战能力;在民用领域, 红外热成像系统可以进行无损检测等, 随着近年来的非制冷焦平面的研究和推广, 红外热成像系统利用非制冷焦平面作为核心部件, 使得整个系统的成本大大降低。
由于大气对电磁波散射和吸收等因素的影响, 使一部分波段的太阳辐射在大气层中的透过率很小或根本无法通过。电磁波辐射在大气传输中透过率较高的波段称为大气窗口。在8.0μm~14.0μm这个波段, 电磁波辐射的透过率约为80%。利用红外热成像仪所接收的大气向下的红外辐射值信息, 形成不同的云图。
1 系统组成
光学测量单元的核心部件是非制冷焦平面阵列, 用于感应8.0μm~14.0μm波段的大气向下红外辐射。非制冷焦平面阵列采用FLIR公司的PHOTON320, 该机芯采用氧化钒探测器材料, 焦平面规格是320×240高灵敏度 (<35 mK@f 1.0) , 较大的温度范围 (-40℃到+80℃) 保证了可以适应大多数气候条件, 较快的开机时间, 非热电制冷 (TEC) , 两倍焦距, 和38微米的像元尺寸。物镜采用100mm红外长焦镜头。数据输出频率为9Hz。由于天空中云的形状在短时间内不会发生变化, 故此9Hz的频率完全满足红外云图的观测要求。
数据采集终端通过TCP/IP协议将数据发送至PC机, 数据采集终端由PHOTON320+FPGA+S3C2440组成。FPGA负责采集PHOTON320的LVDS信号, 并将数据传输至S3C2440, 通过TCP/IP传输至PC机的图像已经经过了非均匀校正的处理。
2 图像增强算法
随着天气的不同, 云层的高度以及形状都有不同, 故此在不同的天气下云图的形状不完全一样, 需要对不同的云图进行图像增强, 以改善图像的光照条件, 锐化图像的细节。一般的红外图像中, 都以天空或者云层作为物体形状的参考物, 本文所研究的为云的形状, 所采用的物镜为定焦的镜头, 由于云层的高度以及天气等综合因素的影响使得云图的清晰度各不相同, 因此在做图像增强之前, 先对图形进行预处理, 从中筛选出需要增强的图像。
2.1 Weber定律
Weber定律[1]是由Weber与1834年提出的表明心理量与物理量之间关系的定律。在此方面的应用即人眼感觉出来图像的差异∆II阈=限K跟 (原1图) 的背景色之比是一个常数。用公式表示即为
对红外图像的预处理采用公式1来进行, 满足上式的图片则表示该图片中云形与天空的对比显著, 无需进行图像增强。下图1.1, 1.2, 1.3为三个红外图像。
通过式1的处理。图1满足该式的条件, 图2与图3不满足该式的条件。故此图1不需要进行增强处理, 图2与图3需要进行相应的增强处理。并且直观判断也可以看出图1相比图2和图3来说, 云和天空背景分的较为清晰。而图2和图3则明显看出来云与天空背景混在一起, 无法直接分辨出云。
2.2 Retinex算法
Retinex算法是由Land等人提出的, 它的构成是retina (视网膜) +cortex (皮层) , 该理论作为一种颜色恒常知觉的理论, 从最初的单尺度Retinex算法逐步形成了多尺度以及多尺度加权平均等各种算法。
相对于单尺度的Retinex算法来说, 用较小的尺度来进行图像增强, 则突出了图像的细节, 用较大的尺度进行图像增强, 则突出了图像的色调。将两者结合起来进行增强, 形成了多尺度的Retinex算法, 通过该算法即增强了图像的细节, 又突出了图像的色调。
传统的Retinex算法采用高斯函数作为图像滤波的算法, 而利用高斯函数作为滤波器对图像进行滤波之后, 图像的边缘会比较模糊, 这样在边缘的增强效果会比较差, 导致整体的输出效果下降。故此滤波算法改为双边滤波, 双边滤波相比高斯滤波在边缘处的信息保持的较为完整, 所以本文采用双边滤波的Retinex图像增强算法。本文的算法流程图见图4。
3 实验结果与讨论
本文所用的实验参数为:卷积窗口大小为9x9;σd=10;σr=0.1。
图5的原始图像为图2, 图6的原始图像为图3。图5及图6给出了红外图像的双边滤波Retinex图像增强算法与维纳滤波以及普通Retinex算法之间的效果对比。图6的普通retinex增强算法可以看出来经过普通retinex算法之后图像的细节和边缘发生了较大的变化与原图的差异过大, 无法正常使用。从图5和图6可以看出, 经过维纳滤波之后的图像与原图基本没有太大的差异, 只是细节部分有了部分改善。从实际的图像来看, 经过基于双边滤波的Retinex算法得到的效果较好, 由于该算法参数较为固定, 相对自适应滤波的Retinex方法 (RBAF) 来说, 图像增强效果不是最好的, 但是由于Retinex算法计算量较大, 采用自适应的方式寻找对于不同图像的合适的参数所花费的时间较长, 不利于算法的实时性的要求。故此在本文中选定固定的参数进行图像增强运算。从实际的效果来看, 对于两类不同的图像, 增强效果都较为明显, 保持图像细节的同时, 在图像的边缘处提高了图像的对比效果。
4 结论
本文利用一种双边滤波的Retinex图像增强方法, 对需要增强的两幅红外图像进行了增强, 通过实验结果的对比可以看出利用双边滤波的Retinex算法很好的对红外图像的细节进行了增强, 并且也提高了边缘的对比度。在使用增强算法之前, 利用weber定律对图像进行预处理, 满足weber定律的图像不进行增强处理。提高了算法的运行速度。
参考文献
[1]Lim JS.Two-dimensional signal and image processing[M].Englewood Cliffs, NJ:Prentice-Hall, 1990.
[2]纪则轩, 陈强, 孙权森, 夏德深.基于双边滤波的单尺度Retinex图像增强算法[J].微电子学与计算机, 2009 (10) .
[3]胡韦伟, 汪荣贵, 方帅, 胡琼.基于双边滤波的Retinex图像增强算法[J].工程图学学报, 2010 (2) .
[4]雷美荣, 杨进华, 张金泉.基于Retinex理论的红外图像的边缘增强算法[J].长春理工大学学报 (自然科学版) , 2008 (6) .
红外线算法 篇2
一种新的红外序列图像运动小目标分割算法
红外序列图像运动小目标检测技术,是红外搜索与跟踪系统的一项核心技术,也是现代研究领域的一大难题.本文提出了一种新的红外序列图像运动小目标分割算法,算法运用边界跟踪理论进行图像分割,并与传统的阈值分割算法进行效果比较.大量的.实验结果表明,此新的算法能取得更好的小目标分割效果.
作 者：于素芬 车宏 周洪武 YU Su-fen CHE Hong ZHOU Hong-wu 作者单位：中航一集团洛阳电光设备研究所,河南,洛阳,471009刊 名：电光与控制 ISTIC PKU英文刊名：ELECTRONICS OPTICS & CONTROL年，卷(期)：200512(3)分类号：V243.6 TN219关键词：红外序列图像 运动小目标 边界跟踪 目标分割
红外图像快速匹配算法的研究 篇3
红外成像制导是精确制导技术中很重要的一种,在各种导弹(空空弹、地空弹)上都得到了广泛的应用,红外图像匹配技术又是红外成像制导技术的关键技术之一,由于匹配制导的高精度,所以,目前许多先进国家都在努力将图像匹配技术应用到其它武器之中,如反舰导弹、空对地导弹等,并取得了很好的效果[1,2,3]。
图像匹配可以分为区域匹配方法(亦称直接匹配方法)、特征匹配方法,区域匹配方法的测度为:亮度、绝对梯度或者相位等。而基于特征的匹配方法是通过从图像中抽取的特征来进行匹配,如角点、接点特征等[4]。本文主要研究基于灰度的图像匹配算法的快速实现。
基于灰度的归一化积相关算法以其高精度得到了广泛的应用[5,6],但是它的计算量很大,如图1所示。
假设模板T的大小为M×M,搜索图S的大小为N×N。模板T叠放在搜索图S上平移,模板覆盖下的那块搜索图叫子图Si,j,i,j为这块子图的左上角点在S图中的坐标,叫做参考点,可以看出i,j的取值范围为1
2 两种改进方案
方案1:
采用傅立叶变换频域相关计算,把图像由空域变换至频域,则模板和图像数据在空间上的相关运算可以转变为在频域上的频谱的复数乘法运算。由傅立叶分析中的相关定理可知,两个函数在空域中的卷积等于它们在频域中的乘积,而相关则是卷积的一种特定形式。由于快速傅立叶变换技术比直接法计算速度提高了一个数量级,为此用FFT进行频域相关计算亦是一种可行的方法。首先需要将图像尺寸延拓至k=2l,总共3次FFT变换,求出所有位置上的相关系数大致需要12 k2log2次乘法与18K2 log2 K次加、减法。因此,当M与N大小相近且均为较大值时,频域计算效率较高;当M远大于N且N很小时,直接用空间域的计算效率较高。
方案2:
对于数字图像,通过每n×n个像元加权平均为一个像元构成第二级图像,再在第二级图像的基础上同理构成第三级图像,如此可以构成一系列的序列:
为M×N维的搜索图像系列
为K×L维的参考图像系列
式中w=1,2,,LI,I是实际应用中的分层层数。将这些序列的图像叠起来很像古埃及的金字塔,因此通常称为金字塔图像或分层结构图像。
利用上述金字塔搜索的思想,先对基准图进行粗匹配,找到匹配位置(x,y),再在此周围的位置进行细匹配。实践证明,这种搜索策略加快了搜索速度,因为相对于遍历的算法,分层搜索减少了不相关象素点的“无为”工作,节省了时间[9]。
3 分层搜索的快速匹配算法
3.1 算法实现框图
综合上述改进方案,提出分层搜索的快速匹配算法,把图像进行多分辨率分层处理,得到分辨率比较低和维数较小的图像。首先在分辨率较低、维数较小的图像上进行粗匹配,得到粗匹配点;然后返回到较高分辨率图像,在粗匹配点的邻域内进行进一步的精匹配,从而得到精匹配点。精匹配部分采用最小平均绝对差距离测度(MAD),给定两个大小为M×N的图像集合A和B,则它们之间的最小平均绝对差距离测度(MAD)定义为:
3.2 仿真结果分析
为了验证上述匹配跟踪方法的有效性,对同一场景中所获取的序列图像进行了仿真实验。图像从1帧到383帧,被跟踪的目标在视场中有平移、旋转、干扰以及光照变化,图像搜索区域尺寸为120×160,图像模板尺寸为31×61,搜索的粗匹配步长为2,精匹配邻域为5×5。试验结果如图4所示。
由图4的跟踪结果显示当受光照、干扰、平移、遮挡以及轻度旋转时,基于分层搜索的快速匹配跟踪算法均能正确地识别目标,其快速性结果分析见表1。
由表1结果表明,基于分层搜索的快速匹配跟踪算法具有不错的快速性,因此本文提出的基于分层搜索的快速匹配跟踪算法具有重要的实用意义。
4 该算法的D SP实现
本文尝试利用硬件优势,改进算法提高匹配速度,选用的DSP型号为TMS320DM642。在图像快速匹配的实现过程中,需要对模板图与搜索图在频域作相关处理,以便为后续的匹配算法做准备。这部分相关处理算法占整个算法的50%左右,即这部分算法要在半秒钟之内完成。基于FFT的相关处理为分层搜索的快速匹配算法中至关重要的一部分,实现流程可由图5表示,首先要对31×61的模板进行二维FFT,然后与视频图的二维FFT图像做对应点的共扼相乘(即相关),最后对相关结果进行二维IFFT变换,就可得到未归一化的相关结果。
计算一个N点基r的FFT,需要有(N/r)×logrN次蝶形运算和2N×logrN次数据访问操作,可见FFT对运算速度和操作数存取速度都有很高的要求,使用DM642实现FFT是可行的。基于FFT的相关处理部分的速度是完成整个处理算法的关键,因此必须对FFT实现本身进行优化,同时还必须充分利用DM642的高度并行处理能力。
基于FFT的相关处理算法的计算流程图如图5所示。由蝶形算法理论可知,无论是FFT还是IFFT,如果其输入为自然顺序排列,则其输出按比特反转的规律排列;如果其输入为比特反转的规律排列,则其输出为自然顺序。而相关处理算法要求输入是自然顺序,输出也是自然顺序。因此如果选择输入是自然顺序、输出是比特反转顺序的FFT,同时选择输入是比特反转顺序、输出是自然顺序的IFFT,那么中间就可省去四次比特反转算法,从而节省运算开销。采用这种算法要求模板图的数据行和列都是比特反转顺序[10]。由于外部存储器中的模板图是事先计算好的,因此这个条件可以满足。
整个算法分三个阶段。第一阶段是读入模板和图像信息,对图像数据进行格式转换,然后进入FFT变换部分;第二阶段对图像和模板先进行行和列的FF T变换、模板图和视频图的相关、列和行的IFFT变换,再对相关结果做归一化处理;第三阶段是对最大相关点邻域计算平均绝对差值,找出目标坐标值。第二阶段可将视频图的列FFT变换、模板图和视频图相关、相关结果的列IFFT变换三个过程合在一起是因为前一个过程的输出数据恰好是后一个过程的输入数据,因此三个过程的合并省去了数据的调入调出,减少了系统开销。读入模板和视频图的信息是通过加载dat文件完成的,数据加载后经过前期的分层处理和格式转换,分别进行FFT变换。模板信息的FFT变换结果可做保存以便为下一帧的匹配做准备,也因此省去了再次寻找模板并计算FFT的时间。
图6为应用DSP实现的分层搜索快速匹配算法的实验结果显示。在目标受光照、干扰、轻微旋转、平移和遮挡时分层搜索的快速匹配算法均能准确地跟踪标定目标,说明该方法在抗干扰、防畸变方面性能良好并对光照变化、轻度旋转有一定的鲁棒性。
5 结束语
本文在对基于灰度的归一化积相关算法充分研究的基础上,提出了基于分层搜索的快速匹配跟踪算法,改进后的匹配算法能很好地满足匹配实际应用中的实时性问题,且能适应匹配对象受一定噪声点干扰、局部整体光照变化以及复杂背景干扰等情况。最后应用DSP图像处理开发平台,结合本课题研究内容,利用DSP的计算优势实现了图像快速匹配。
摘要：本文主要研究红外图像匹配算法的快速实现,基于金字塔分级搜索思想提出了分层搜索的快速匹配方法,并尝试利用硬件优势提高匹配速度,仿真试验结果表明,该算法具有较高的匹配精度和匹配速度。
关键词：图像匹配,互相关,DSP
参考文献
[1]JONES T.L.Development of Automatic Target Recognizers for Army Applications[J].SPIE,2000,IS7:4-13.
[2]曲东才.巡航导弹制导体制、飞行任务规划技术及启示[J].航空兵器,2000,(5):38-40.
[3]RODRIGGUEZ J J and AGGARWAL J R.Match-ing aerial images to 3-D terrain maps.Image[J].IEEE Transon PAMI,2000,12(12):1138-1149.
[4]STUDHOTME C,HILL D,HAWKES D.Automated3-D registration of MR and CT images of the head[J].Medical Image Analysis.1996,1(2):163-175.
[5]VIOLA P,WELLS W.Alignment by maximization of mutual information[J].International Journal of Computer Vision.1997,24(2):137-154.
[6]韩先锋,李俊山,孙满囤.巡航导弹景象匹配算法适应性研究[J].微电子学与计算机,2005,22(7):53-57.
[7]孙仲康,沈振康.数字图像处理及应用[M].北京:国防工业出版社,1985.
[8]曹炬,马杰,谭毅华,田金文.基于像素抽样的快速互相关图像匹配算法[J].宇航学报,2004,25(2):173-178.
[9]STONE H S,MOIGNE J L and MCGUIRE M.The translation sensitivity of wavelet based registration[J].IEEE Trans on Pattern Analysis and Machine Intelligence.1999,21(10):1074-1081.
红外线算法 篇4
红外搜索系统是通过探测和接收目标的热辐射, 获得目标的红外信息从而解算出目标的方位、俯仰信息。在探测过程中红外系统自身不发射任何辐射, 能够更好的隐蔽自己, 发现敌人, 大大提高了其生存能力;在强电子干扰环境下, 可以替代或辅助雷达搜索跟踪目标, 是在复杂环境下探测目标的首选探测方式, 在未来的战场应用中需求量巨大。
从目前国内外的红外搜索设备研制的情况看, 目前主要还存在以下不足之处:
(1) 在目前的探测器水平条件下, 红外热像仪视场普遍偏小, 故而单帧图像空间覆盖范围小, 仅从单帧图像无法有效对载体周围空情、地情进行有效评估;
(2) 在小视场的条件下, 要快速完成大区域搜索, 必须进行快速搜索, 而在快速搜索时, 红外图像变化过快, 单帧图像基本无法有效提供给操作员观察, 丧失了红外探测能提供昼夜可视图像的突出优点。
红外图像拼接技术可实时将多帧图像拼接成大视场全景图像, 用于解决小视场红外搜索不利于观察的问题;同时通过图像拼接技术, 可获取全景图像, 可在红外搜索阶段加入操作人员观察判断, 能有效降低红外虚警干扰, 提升红外探测的优势, 红外图像拼接技术在红外搜索系统中有广泛的应用前景。
2 图像拼接算法的一般流程
一般来说, 图像拼接的过程由图像预处理, 图像配准, 图像合成三步骤组成[1], 其中图像配准是整个图像拼接的基础, 也是图像拼接技术的关键。
2.1 图像预处理
图像预处理的目的是改善图像的质量, 从而保证下一步图像配准的精度, 包括对图像对比度拉伸、噪声点抑制 (如直方图处理、图像的平滑滤波) 等。对于一些存在几何畸变或者像旋的图像还要进行校正。如果在图像质量不好的情况下直接进行图像拼接, 容易造成误匹配。
2.2 图像配准
图像拼接的质量主要依赖图像的配准精度, 其核心问题是寻找一个变换, 找到待拼接图像中的模板或特征点在参考图像中对应的位置, 根据模板或者图像特征点之间的对应关系, 可以计算出数学模型中的各参量值, 从而建立两幅图像的数学模型, 使图像间相互重叠部分对准, 将待拼接图像转换到参考图像的坐标系, 以此构成完整的图像。精确配准的关键是要有很好描述两幅图像之间的转换关系的模型。
图像配准方法一般可分为基于区域和基于特征两种方法。基于区域的配准方法是利用的是图像的大部分灰度进行匹配, 配准精度高, 但运算量巨大;基于特征的方法则是通过提取图像中的点、边缘、轮廓等特征进行匹配, 运算量相对较少, 受噪声的影响较小, 常用的特征提取算法有SIFT特征提取算法[2]、Harris角点检测算法[3]以及Canny边缘检测算法[4]等, 基于特征的配准方法存在图像特征点提取及匹配困难, 特别是作为单色的红外图像利用特征点匹配存在较大的匹配误差风险。
2.3 图像合成
当准确计算出图像之间的转换参数之后, 我们需要根据求出的参数把多张原始图缝合成一张大的全景图。由于图像配准的结果存在配准误差, 因而不可能在每一点上都精确配准, 因此, 图像合成的策略是尽可能地减少遗留变形以及图像间的灰度差异对合并效果的影响。合成的目标包括:拼接图像的画出, 光度的调整混合, 确定重叠区域和消除拼缝。
2.4 全景图像的生成和视频显示
当结合红外目标信息的红外图像合成以后, 即可生成全景视频图像的编码显示, 每当一个搜索周期结束后, 利用新一周期的空间红外图像实时替换前一周期对应的空间红外图像, 即可生成实时全景红外图像, 能有效的解决红外探测设备快速搜索阶段红外图像无法观察的不足, 突出红外设备探测结果的可观察性的优势, 便于作战人员对战场的直观判断。
3 红外搜索系统图像拼接算法设计
红外图像拼接的算法有多种, 根据红外搜索系统获取的红外图像都具有稳定的像空间位置变化信息的特点, 本文提出了一种结合图像位置信息变化和模板匹配的红外图像的拼接算法, 算法流程如 (图1) 。
为避免红外探测器盲元、坏元点和图像噪声的干扰, 本算法在红外图像获取后即对其进行预处理, 主要的算法为中值滤波[5]和灰度直方图处理[5]。
在完成图像预处理后根据公式 (1) 计算出所需拼接连续图像的重叠区域大小。
式中A为重叠区域的行或列数, V为红外热像仪的搜索速度, f为红外图像帧频, α为红外探测器单个像元对应视场角。
确定重叠区域大小之后, 对参考图重叠区域的灰度进行分析, 提取其灰度梯度的分布情况, 进而选择原图像中一定大小灰度梯度较大的区域 (区域大小根据热像仪视场大小及探测背景复杂程度选取) , 将选取的这一部分区域图像作为拼接的模板, 在待拼接图像的重叠部分中可能匹配的区域进行图像灰度匹配运算 (可能匹配的区域应根据搜索精度确定) , 完成模板匹配算法。由于前后两帧图像亮度的差异, 若在灰度匹配时只将灰度值进行匹配, 必然会造成一定得匹配误差, 特别是当重叠区域图像灰度特征不明显时, 误差会较大, 故而加入了结合灰度比值匹配的方法, 利用图像中两列像元的灰度比值作为模板, 在待拼接图像中找到最优的匹配位置, 大大优化了模板匹配的算法效果, 且计算量小, 速度快。在前后两帧图像基本无灰度特征时 (如热像仪针对均匀的天空背景成像时) , 主要根据红外搜索系统的伺服控制位置信息进行匹配, 解决了无特征图像匹配的技术难题。
图像完成配准后, 再开展图像合成, 若直接进行重叠区域灰度平均, 会造成一定的拼缝和灰度差异, 本算法采用了高斯灰度加权平均的方法[6], 将两幅图像灰度值按照公式 (2) 进行了灰度叠加, 叠加后的图像进行灰度均衡形成最终的合成图像。
式中a为随重叠位置高斯分布的加权系数, I1为参考图的灰度值, I2为待拼接图的灰度值, R1是参考图中未重叠区域, R12是参考图和待拼接图的重叠区域, R2是待拼接图中未重叠区域。
该算法的优点主要有:
(1) 算法设计简单, 计算速度快:利用红外搜索系统图像具有稳定空间位置信息的特点, 只对两帧图像重叠区域进行分析, 并只选择灰度变化梯度较大的区域充当匹配模板, 在与待拼接图像匹配时, 又根据搜索精度的大小确定了可能匹配的位置, 计算量大为减少, 提高了匹配速度, 解决了模板匹配运算量大的问题。
(2) 匹配精度高:结合红外搜索系统高精度的特点, 在待拼接图像匹配区域选择上, 根据红外搜索系统伺服控制精度, 匹配前已设定了匹配运算的可能区域, 在灰度匹配的同时加上了灰度比值匹配, 大大提升了匹配精度。
(3) 适用性强:算法中涉及到的各参数均可根据搜索精度、热像仪视场及成像背景的复杂程度确定, 基本适用于所有的红外搜索系统, 适用性强。
4 算法试验验证结果
4.1 配准算法的仿真结果
根据基于区域特征、基于点特征 (SIFT特征和Canny边缘检测算法) 和本文提出图象配准算法利用同一套图像采集仿真器 (TI-DM642) 对一动态位置控制精度为0.5· (控制精度一般) 的平台搜索阶段采集到的两帧图像 (如图2、3) 进行了配准仿真计算, 各算法的仿真计算时间及精度见 (表1) 。
从 (表1) 可以看出本文提出的配准算法相对于基于区域特征和基于点特征的算法在计算时间和计算精度上都有很大的改善, 且本文采用的搜索平台精度不高, 若采用高精度的控制平台, 本文的配准算法将在计算时间和精度上进一步提高。
4.2 本文提出的图像拼接算法仿真结果展示
根据本文提出的红外搜索系统图像拼接算法, 对某红外搜索平台采集到的连续视频图像进行了试验验证, 验证效果如图4所示。该图为关于某野外树林的连续多帧红外图像的拼接结果, 从图中可以看出该算法较好的实现了一定空域的连续多帧视频图像拼接。
5 结语
本文针对红外搜索系统的特殊性, 提出了一套图像拼接的算法, 从仿真的结果看, 拼接效果较好, 已初步达到工程应用的水平, 成功的解决了传统图像拼接匹配算法运算量大和匹配精度不理想的问题, 运算速度快, 且匹配精度高。
参考文献
[1]SZELISKI R, SHUM H Y.Creating full view panoramic image mosaics and environmentmaps[A].Proc.of SIGGRAPH'97[C], Los Angles, 1997, 251-258.
[2]LOWE D.G.Distinctive image features from scale-invariant keypoints[J].International Journal of computer Vision, 2004, 60 (2) :91-110.
[3]HARRIS, C.&M.STEPHENS.A combined corner and edge detector[C].England:Processing of the 4th Alveyvision Conference Manchester.1988.Pp.147-151.
[4]JOHN CANNY, MEMBER.IEEE.A conputational apporoach to edge detetion.IEEE Trans.Pattern Analysis and Machine Intelligence.Vol.PAMI-8, No.1, 679-697, 1986.
[5]C.Gonzalez, Richard E.Woods著.数字图像处理[M].阮秋琦, 阮宇智等译.第二版.电子工业出版社, 2010.70-81, 93-98.
一种红外弱小目标提取的有效算法 篇5
本文采取背景抑制方法, 通过将原始图像进行高通滤波、改进中值滤波等处理, 有效地抑制背景杂波, 提高图像的信杂比, 并在此基础上利用八向梯度法对滤波后图像进行阈值检测找出目标点, 以实现对弱小目标的检测。
1 弱小目标检测原理
弱小目标检测的实质就是将图像中的小目标从背景图像中分割出来。由于红外成像除了目标往往存在各种背景物, 如大气云层背景中, 除了有云层外, 还有空间上不相关的噪声;并且小目标成像面积小, 缺乏几何形状、纹理结构等特征, 可供检测识别的信息很少, 这些特征严重影响了对红外弱小目标的检测, 因此, 为了提高信噪比, 突出小目标, 需对图像进行检测前的图像预处理, 包括背景抑制和噪声削减等方法, 以提高对目标的检测概率;经过预处理后的图像再采用目标梯度阈值分割、多特征提取等算法即可实现对弱小目标的检测。弱小目标检测原理框图如图1所示。
2 弱小目标检测过程
2.1 图像背景抑制
利用红外传感器采集的小目标图像, 背景区域比较平坦, 是灰度变化缓慢的低频部分, 具有一定的相关性。而小目标的亮度较背景高, 其灰度处于突变区域, 且与背景不相关, 是图像中的高频部分。由于高通滤波器能有效抑制低频分量, 让高频分量通过, 为此采用高通滤波器来进行全视场的背景抑制, 背景抑制的结果增强了局部弱小目标同时也保留了部分高频噪声。
对于数字图像, 滤波器的脉冲响应函数一般选用卷积模板来表示, 记为矩阵H。在模板系数选择上, 如果矩阵中间权值之和与旁边权值之和相互抵消, 就能有效地去除低频分量, 由于小目标一般都是包含几个像素, 因而取如下模板H:
2.2 改进的中值滤波
中值滤波法是一种非线性变换, 它不仅能保持轮廓边缘的清晰度, 对多种噪声有良好的去噪功能, 而且算法简单, 便于实现。其实现过程如下:
(1) 选择一个有奇数点的滑动窗。如一维处理可选长度为3, 5等的滑动窗, 二维处理可以选择3×3, 5×5等的滑动窗。
(2) 将滑动窗内的点按数值大小顺序排列成序列X。
(3) 将滑动窗中心的点用序列X的中值代替。如长度为5的滑动窗的中心用序列X的第3个值替换, 滑动窗为3×3的中心用序列X的第5个值替换。
由于高通滤波后的图像在保留弱小目标的同时也保留了高频噪声, 为了进一步抑制噪声, 需要对图像再次滤波。由于红外成像系统中热扩散的原因, 目标的成像面积一般大于一个像素。本文选用的改进中值滤波, 以尽可能去除非目标象素点, 满足弱小目标单帧检测概率要求。其实现过程如下:
(1) 弱小目标在红外成通常像上仅形成一个不大于3×3像素的非均匀区域, 因此选择一个3×3的滑动窗。
(2) 将3×3滑动窗内的点按灰度从大到小排列成序列X。
(3) 将滑动窗中心的灰度用序列X的第三个值代替, 即选取灰度第三大的点的灰度作为该点的灰度。
通过改进的中值滤波, 可以去掉孤立的噪声点, 同时又确保保留像素点不小于3的小目标, 避免造成漏警。
2.3 八向梯度法决策
经过对大量复杂云层图像的观察和分析, 发现红外图像中的弱小目标即使在整个图像中强度不是最强的, 但在它所处的小区域中与局域背景的差别较明显, 弱点目标沿各个方向上的梯度均较高, 而背景部分的梯度由于其相关性不具有这一特性, 且边缘仅在某些连续的方向上具有高梯度。
基于以上观点, 这里提出用多向梯度来检测弱小目标的原理。梯度可以定量反应待检测像素点在某一方向上高于其周围像素点数值大小的量, 当多个方向的差异度都大于一定阈值时, 则该像素点为弱小目标;反之, 则为背景。
图像任意一点的梯度为一矢量, 其数学定义如下:
该梯度向量的模为:
式中, m, n为水平和垂直方向的梯度步长, 它的选取与目标大小、系统要求的检测概率和计算时间相关。一般情况下, 对图像中每点梯度的计算方向越多对检测弱小目标越有利, 但计算量会急剧增加, 导致实时性差。综合考虑检测效果和实时性, 本文采用八向梯度来计算, 则定义图像中任意一点f (x, y) 的八向梯度为:
根据阈值判决的方法, 利用式 (5) 将梯度图像G[f (x, y) ]进行二值化处理, 则加阈值的梯度图像g (x, y) 的表达式为:
式中TH为阈值门限, 且TTHH由梯度图像G[f (x, y) ]的均值μ和标准差σ来构造, 如公式 (6) 所示:
式中λ为梯度阈值系数, 一般选取2.0~2.4时, 该阈值分割算法能实现较高的检测概率 (>95%) , 同时又将虚警个数降得较低 (每帧虚警个数可小于5) , 从而达到了检测目的。
3 实验结果及结论
采用原始红外图像, 经高通滤波后、改进中值滤波、八向梯度均值分割后的图像如图2~5所示。
从图2可以看出原始图像经过高通滤波后, 大面积的背景被抑制掉, 但还是保留了大量的高频噪声;经过改进的中值滤波后, 可以看到噪声被进一步抑制, 但降低了图像的信噪比, 不便于目标辨认;再经过八向梯度判决滤除了背景干扰, 获取了正确目标。经过实验及结果分析验证了本文算法是切实有效的。
参考文献
[1]王江安, 肖伟岸.基于双波段的目标红外特征分析[J].激光与红外, 2001, 31 (6) :351~353.
[2]章毓晋.图像工程[M].北京:清华大学出版社, 2007.
红外线算法 篇6
红外图像是热辐射成像,由于场景中的目标与背景的温差相对较小,红外图像的动态范围大、对比度低,信噪比也较可见光图像的低。为了能够从红外图像中正确地识别出目标,必须对红外图像进行增强处理[1,2]。直方图均衡(HE)[3,4,5]是一种常用的图像增强方法,它根据图像的直方图分布信息进行灰度调整,以达到增强图像的效果。但由于红外图像自身的特点,一般的直方图均衡增强算法不适用于红外图像。为了克服直方图均衡化算法存在的不足,近几年出现了很多新的基于直方图处理的图像增强算法,其中以平台直方图算法(PE)[6,7]最具代表性,该算法基本上解决了直方图均衡化提升红外图像背景的缺点,但算法需要选择一个合适的平台值。不同的红外图像平台值的选择一般不相同,目前基本上是凭经验进行平台值的选择,这样就限制了算法的应用。自适应平台直方图均衡[8]是一个解决这个问题的有效方法。
针对上述问题,本文提出了一种基于直方图的自适应红外图像增强算法。该算法根据原始图像的直方图,自适应地构造出一个加权函数对原始图像的直方图进行加权处理,然后采用加权后的直方图对原始图像进行直方图均衡化。实验结果表明,算法对红外图像具有较好的增强效果,能够有效地抑制图像的背景,突出目标。
2 常用的红外直方图增强算法
直方图均衡化(HE)算法是图像增强中最常用、最重要的算法之一。该算法是把一幅已知灰度概率分布的图像,经过点变换使原始图像变成具有均匀概率分布的图像,从而使信息熵最大。对可见光图像,直方图均衡能达到相当好的增强效果。对于红外图像,由于背景所占灰度级较大,目标所占的灰度级较小,经过直方图均衡后,像素数多而且分布密集的背景灰度级之间的间隔变大,对比度得到了提高;像素数少、分布较稀疏的目标的间隔变小。这样反而提升了背景的对比度,减小了目标的对比度。因此直方图均衡(HE)增强算法不适用于红外图像增强。
平台直方图均衡(PE),是对直方图的一种修正。该算法通过选择一个合适的平台阈值P,在对图像直方图统计时,做如式(1)所示的修正。如果某灰度级的概率分布大于平台阈值P,将其概率分布置为P;如果其概率分布小于平台阈值P,就保持不变。其中h(rk)为原始图像的直方图。
平台直方图均衡化的本质是利用平台值适度限制背景和噪声灰度的增强,为目标细节的提升留出灰度空间,其图像增强效果和平台值P的选取直接相关,如果平台值选择合适,平台直方图均衡能够起到较好的增强效果[9,10],但算法需要选择一个合适的平台值,这就限制了算法的应用。
3 自适应直方图均衡
3.1 算法原理
对比度低的红外图像,其直方图分布集中,直方图中主峰所对应的灰度级往往是图像中的背景,当红外图像中的目标较小时,图像直方图的这种分布特点更加明显。基于上述事实,本文算法的基本思想是,先对图像的直方图进行加权处理,加权的结果使得原始图像的直方图主峰被平滑掉了,这样便为目标的增强留下灰度空间,然后根据加权后的直方图对图像进行直方图均衡化(HE)处理。
算法原理如下,设h(rk)为原始图像的直方图分布,w(x,T)为加权函数,其中T为一个参数集。首先,按式(2)统计原始图像的直方图得到h(rk),其中nk为灰度级为rk的像素总数。
根据h(rk)的性质,计算出加权函数w(x,T)的参数集T0,从而确定加权函数w(x,T0);然后用该函数对原始红外图像的直方图分布h(rk)进行式(3)所示的加权处理。
用加权后的直方图pr(rk),按式(4)求出每一灰度级的累计概率分布作为灰度变换系数(算法中取L=256)。
最后,根据灰度变换系数,按式(5)求出各像素点图像增强后的灰度值([]表示取整)。
3.2 加权函数
实验表明,红外图像的直方图分布主峰呈现指数型的形式,因此算法中所用的加权函数为指数型加权函数。加权函数的表达式为
加权函数中,a,b,c为三个可调参数。参数a决定函数“阻带”(即函数开口)的大小,参数b决定“阻带”的“位置”,随着b值的不同,加权函数的“阻带”可左右移动。参数c决定阻带的“深度”。当c取0时,算法退化为直方图均衡(HE),c越大时,对直方图的主峰削弱程度越大,c达到1时,可将整个主峰削掉。
加权函数的“阻带”宽度∆x与a的关系为
其中“阻带”宽度定义为函数exp(-x2/a)的幅值下降到峰值的处的宽度。
加权函数的作用如图1所示,由图中可见经过加权后,原始直方图中的主峰被“平滑”掉了,而直方图的其余部分基本未变。
3.3 加权函数参数的确定
加权函数的形状和位置由参数a、b、c决定,本算法中,通过对原始图像直方图分布的分析,来确定这三个参数。因此,加权函数的“阻带”位置、大小和深度会随着图像的直方图分布自适应地变化。最后加权的结果使得原始图的主峰被平滑掉。
参数的确定流程如下。首先搜索原始红外图像的直方图,得到其主峰的“位置”r0和“高度”h(r0)即式(8)所示。
根据h(r0),搜索直方图得到主峰的带宽∆r。(带宽定义为其幅值下降到峰值的处)。
然后,将加权函数的“阻带”位置、宽度与直方图的主峰“带宽”的位置、宽度相一致。即令:
可确定到a与b
加权函数阻带的“深度”,取决于原始图像直方图峰值的高度。显然,当图像直方图峰值较大时,加权函数的作用应增大;当直方图峰值较小时,加权函数的作用应减少,特别当直方图分布较均匀时,算法应退化为直方图均衡(HE)。基于上述思想,c的表达式为
其中h(r0)/∑rh(kr)是直方图峰值处的概率。经过实验,发现系数20有较好的增强效果。
4 实验结果及讨论
根据上述算法,对若干幅不同场景下的红外图像进行了增强实验。其中两幅图像的实验结果如图2所示。第一组图像是室内的人像,其直方图分布非常集中。分别对它用直方图均衡(HE)、平台直方图均衡(PE)(取平台值为120)和本文的算法进行处理。从图中可以看到,采用直方图均衡(HE),图像背景的噪声被放大了,增强的效果很不理想。采用平台直方图均衡(PE)算法,图像增强的效果要明显要好于直方图均衡(HE)。采用本文的算法增强,图像的背景被很好地抑制,细节增强效果(如衣服的邹折)优于平台直方图均衡(PE)。第二组图像是一座发电厂的远景图,相对第一组图,其直方图分布相对均匀一些,直方图中的主峰高度“较低”。从处理效果来看,直方图均衡(HE)使图像偏亮。本文的算法与平台直方图均衡(PE)(取平台值为100)相差不大。
总的来看,当图像的直方图分布非常集中时(直方图中有较高的主峰),本文算法的增强较果要优于选定阈值的平台直方图均衡。当图像直方图中主峰较低时,本文算法的增强较果与选定阈值的平台直方图均衡相差不大。特别的,当图像的直方图分布均匀时,本文的算法会退化为直方图均衡(HE),图像增强的效果与直方图均衡(HE)几乎一样。
结束语
实验结果表明,本文提出的自适应直方图均衡算法,克服了一般直方图均衡算法的缺点,能够自适应地对原始图像进行直方图均衡。从实验效果来看,整个算法对红外图像具有较好的增强效果,可较好地抑制图像的背景,突出目标。将此算法硬件化将是进一步的研究内容。
参考文献
[1]刘志才,李志广.红外热像仪图像处理技术综述[J].红外技术,2000,2(6):27-32.LIU Zhi-cai,LI Zhi-guang.A Review on Image Process Technique of Thermal Imager[J].Infrared Technology,2000,2(6):27-32.
[2]赵耀宏,向伟,罗海波,等.SOPC技术在实时红外图像处理中的应用[J].红外与激光工程,2005,34(6):745-751.ZHAO Yao-hong,XIANG Wei,LUO Hai-bo,et al.The application of SOPC technology in real-time infrared image processing[J].Infrared and laser Engineering,2005,34(6):745-751.
[3]Rafael C Gonzalez,Richard E Woods.Digital Image Processing(second edition)[M].Beijing:Publishing House of Electronics Industry,2002:88-94.
[4]Stark J Alex.Adaptive image contrast enhancement using generalizations of histogram equalization[J].IEEE Trans.Image Process,2000,9(5):889-896.
[5]Lau S S Y.Global image enhancement using local information[J].Electron.Lett,1994,30(2):122-123.
[6]Vicker V E.Plateau equalization algorithm for real time display of high quality infrared imagery[J].Opt.Eng,1996,35(7):1921-1926.
[7]Silverman J,Mooney J M,Vickers V E.Display of wide dynamic range infrared images from PtSi Schottky barrier cameras[J].Optical Engineering,1990,29(2):97-104.
[8]WANG Bing-jian,LIU Shang-qian,LI Qing,et al.A real-time contrast enhancement algorithm for infrared images based on plateau histogram[J].Infrared Physics&Technology,2006(48):77-82.
[9]陈洪,常青,郭天天,等.一种易于硬件实现的红外图像实时增强算法[J].红外与激光工程,2004,33(3):282-287.CHEN Hong,CHANG Qing,GUO Tian-tian,et al.Real-time infrared image enhancing algorithm easy to implement[J].Infrared and Laser Engineering,2004,33(3):282-287.
红外线算法 篇7
红外热成像目标的跟踪是红外告警系统、空载下视系统对低空及地面目标的监视和红外寻的制导等军事领域中的关键技术。但是,红外热成像多为背景噪声干扰大,分辨率低的图像序列,尤其远距离检测时目标成为点源,缺少细节和形状等信息,加上在拍摄过程中目标相对于背景高速运动,使得红外目标的跟踪成为技术难题。
Mean Shift算法是目标跟踪广泛应用的一种方法,它是一种以目标区域像素值的概率分布为特征,搜索与样本点分布最相近模式的非参数统计方法[1]。由于采用了统计特征,该算法对噪声有很强的鲁棒性。另外,由于它采用核函数直方图建模,对边缘阻挡、目标的旋转、变形以及背景运动都不敏感,并且具有运算速度快、实时性好等优点。但是,该算法在跟踪快速运动的红外目标时,系统将会变得不稳定,最终可能导致目标丢失。因此,必须对Mean Shift方法改进[2,3,4],使其能增强跟踪复杂背景下快速运动红外目标的准确度。
为此,本文提出了一种基于非线性边缘检测和Mean Shift方法相结合的红外目标跟踪算法。非线性边缘算法可对复杂背景下运动图像序列进行快速边缘检测[5],以获取高质量目标边缘图像;在此基础上,利用Mean Shift改进算法对目标实施准确跟踪。
1 非线性边缘检测算法
在实际应用中,所获取的红外热图像包含着大量的噪声点,这些噪声点可能影响到边缘点的检测,得到的边缘图像不尽人意,因此这里所述的边缘检测算法首先利用传统的梯度算子[6](如Sobel算子)对图像边缘点进行初选,滤除绝大部分的噪声后,再利用一种非线性算子实现高质量的图像边缘检测,得到目标边缘的二值图像。非线性边缘检测算法思想如下:
在初选的灰度图像I(x,y)中选取一个像素点s为圆心,建立两个同心圆形窗口W1(s)(半径为R1)和W2(s)(半径为R2),求出两个圆形窗口的中最大灰度值(Max1、Max2)和最小灰度值(Min1、Min2)。定义双窗口算子D(s),其表达式如下:
任取候选边缘点集Ω0中的一点(x,y),计算D(x,y)的值,所得D(x,y)的符号可能为正、零或负。如果D(x,y)=0,则该像素点是边缘点;否则,如果D(x,y)>0,并且沿水平和垂直方向的4个领域中至少有一个像素点处的D(x,y)<0,即算子D出现了符号改变,则像素点也被认为是边缘点。
若令双窗口算子中的内窗口半径R1=0,外窗口半径R2的大小由边缘轮廓的尺寸确定,则式(1)变为
可见,I(x,y)在W2(s)中的最大值和最小值确定了s邻域中最大斜率的方向,D(s)近似于沿此方向的二阶导数,因此基于双窗口算子D(s)的零交叉检测可以用于提取图像边缘,这种算子与非线性的拉普拉斯算子类似,为一种高通的非线性算子。
2 改进的Mean Shift目标跟踪算法
传统的Mean Shift跟踪算法,依赖于由目标区域得到的灰度分布和纹理特征,利用统计分布的概念描述目标,通过相似函数计算图像空间中目标中心的位移。此算法所需参数少、鲁棒性较强、能够快速的实现模式计算,具有良好的实时性。但是由于红外目标对比度低,背景亮度经常高于目标亮度,此时仅使用灰度特征的核密度估计很难实现对目标的准确跟踪。为此在Mean Shift目标跟踪方法中,作了如下改进:一方面,融合由目标区域局部标准差的核密度估计所得到的信息[7];另一方面,为了克服用单一的灰度空间里建立目标灰度的概率密度分布时,目标灰度的概率密度分布描述不稳健的缺点,提出构造级联的灰度空间作为特征空间的想发。
局部标准差图像是通过源图像中每个像素的邻域得到的,是一种非常好的描述局部图像结构频率特性的方法。根据所定义的邻域M,图像中像素点s=I(x,y)的局部标准差计算如下:
式中:I为图像函数,Xi为空间坐标,N为邻域M中的像素个数。融合了目标区域局部标准差核密度估计的Mean Shift的跟踪方法如下。
2.1 目标模型的建立
目标模型是灰度值和局部标准差的概率密度函数,并采用核密度估计,核函数选用Epanechnikov核,因为该核在连续空间中能够产生最佳的积分均方误差(MISE)[8]。两个Epanechikov核的级联形式如下:
第一个核作为特征直方图的加权因子,即以特征值为中心放置一个一维核。第二个核是通过特征的空间位置与目标质心之间的欧氏距离来确定特征的空间关系,即以目标质心为中心放置一个二维核,核的值表示空间权重。使用联合核,目标特征u的核密度估计可由下式给出:
式中:C为归一化常量,
利用核密度估计方法建立目标特征的概率密度分布,实现目标模型的描述。假设包含目标的搜索窗口中,第u个特征值的概率密度函数:
式中:x0为搜索窗口的中心像素坐标,xi为第i个像素的坐标;k(||x||2)是核函数,h表示核函数的带宽,即目标的半径;b(xi)和δ函数的作用是判断目标区域中像素xi的特征值b(xi)是否属于特征值u,C是归一化函数。
在后续的帧图像中,使用相同的核函数和半径h,以y为中心,计算可能存在的目标特征u在候选模型中出现的概率,从而获取候选目标模型,形式如下:
其中:Ck为归一化因子,h决定了候选目标尺度。也称为描述目标和候选目标的灰度直方图特征。
2.2 目标跟踪方法
假定目标在第0帧首次出现,x0表示它的中心,利用式(5)分别计算模板的灰度图像QI和局部标准差图像Qσ每一灰度级的核密度估计。直接通过最小化模板和目标之间的距离,定位目标位置y,从而在当前帧中找到目标位置。距离定义如下:
式中:ρ(y)是修改的Bhattacharya系数,它融合了图灰度和局部标准差的特征。修改的Bhattacharya系数可理解为模板与候选目标分布的相似程度,其相似函数定义如下:
式中L为灰度和局部标准差分布的灰度级数。系数越大,距离值就越小,候选目标与模板也就越相似。因此,目标跟踪成了在当前帧中从上一个目标位置的邻域内搜索目标的新位置,使得以位置y1为自变量的距离函数取得最小值。利用Taylor展开式将式(8)在上一个目标位置y0处展开,其线性近似为
其中
可见,式(10)中第一项与y1无关。因此,要使d(y)最小,应使式(10)中的第二项最大,而该项代表着当前帧中位置y1处使用K2(X)计算的核密度估计,其中ψi为它的加权值。这样就可以使用Mean Shift向量不断的迭代,寻找邻域内该核密度估计的极大值。在这个过程中,核中心从当前位置y0移向新位置y1,其可表示为
重复以上过程就可以实现对当前帧中目标的跟踪。
2.3 模板更新
在上述的跟踪方法中,模板更新根据图像序列中目标特征的帧间相关性自动完成。为了利用目标特征改变的帧间相关性,可把相似度距离的分布看作高斯分布。在每一帧都通过下面两个公式进行更新:
式中k为当前帧序号。由公式可看到,模板的更新取决于当前的距离值dk,距离的门限值由上式决定,即如果dk<µk-2σk,则更新目标模板。
3 算法步骤及流程
首先,利用非线性边缘检测算法获取红外图像序列中边缘像素点集,其结果是滤除大量噪声点后的二值图像,并将其作为后续的目标跟踪数据源。边缘检测的流程如图1所示。
然后,对边缘检测后的灰度图像进行目标跟踪。假定目标出现在初始帧为0帧,当前帧为第k帧。计算目标模板灰度QI和标准差分布Qσ,利用式(6)计算目标中心的直方图;计算第k帧的候选目标灰度PI和标准差分布Pσ,利用式(7)计算候选目标中心的直方图。目标模板与候选目标分布之间的距离用dk表示。利用改进的Mean Shift跟踪算法进行红外目标的跟踪,步骤如下:
1)利用式(5)计算检测的目标的QI和Qσ;利用式(6)计算目标中心的;
2)在第k帧图像中使用上一次的目标中心初始化当前的目标中心,计算当前的PI和Pσ;利用式(7)计算候选目标的;
3)根据式(10)、式(11)、式(12)计算迭代的Mean Shift向量;
4)计算距离dk,根据其值确定是否跳转到第2步;
5)判断距离dk,是否满足dk<µk-2σk。若满足则更新QI和Qσ;
6)利用式(13),更新µk和σk,返回到第2步。
4 实验与结果分析
1)利用真实的红外图像,验证非线性边缘检测的性能。
原始图像为以天空为背景的高速运动的飞机目标。为了分析对比检测结果,分别利用了Sobel算子和本文提出的算法进行了实验,利用MATLAB6.5进行了结果仿真。实验采用两帧原始图像,一帧原始图像包含了弱小目标的图像,另一帧包含了面目标的图像,如图2中的(a1)、(a2)所示。图2中的(b1)、(b2)为利用Sobel算子检测的结果,(c1)、(c2)为Sobel初检后,又利用双窗口算子进行检测后的结果。
由检测的结果可看出,Sobel算子虽然可以滤除大部分噪声,把目标的边缘轮廓检测出来,但在背景噪声较大或高频噪声点时,检测结果中包含噪声点,如图2(b1)中目标被检测到,但同时也检测出背景的纹理;图2(b2)中目标比较清晰,但存在大量的噪声点。经过双窗口算子后,效果较好,如图2(c1)和图2(c2)。
2)跟踪效果的实验。
以地面背景下的运动汽车为目标的红外图像序列。该实验序列长度为300帧,每帧图像的大小为128×128。目标模型的大小(核函数的半径h和)为(h,h)=(6,6),图像处理速率为10(帧/秒)。首先利用本文提出的边缘检测算法对第0帧原始图像进行目标检测,如图3所示,并用手动方式确定目标的中心位置。图4为边缘检测和Mean Shift方法相结合的跟踪处理的结果,第0帧的图像为本实验红外序列图像的第0帧,其中十字叉丝的交点为目标检测后得出目标的中心位置。可以看到,本文方法能够对红外目标实现实时的准确跟踪。
5 结论
本文提出的红外目标检测和跟踪算法,结合了非线性边缘检测和Mean Shift跟踪方法的各自优点,其中非线性边缘检测具有计算量小、速度快、检测出图像质量高等优点;在目标检测出来的基础上,利用改进的Mean Shift跟踪算法,对红外目标实时跟踪,该方法克服了传统Mean Shift跟踪方法对目标对比度低的跟踪效果不佳的现象。实验结果表明,非线性边缘检测分割出的目标边缘清晰,图像质量好;在手动确定第0帧目标的中心位置后,可以对复杂背景下的红外目标准确跟踪,并能够自动更新目标模板。
参考文献
[1]宋新,沈振康,王平,等.Mean shift在目标跟踪中的应用[J].系统工程与电子技术,2007,29(9):1405-1409.SONG Xin,SHEN Zhen-kang,WANG Pin,et al.Application of Mean shift method in target tracking[J].Systems Engineering and Electronics,2007,29(9):1405-1409.
[2]程建,杨杰.一种基于均值移位的红外目标跟踪新方法[J].红外与毫米波学报,2005,24(3):231-235.CHENG Jian,YANG Jie.Novel Infrared Object Tracking Method Based On Mean Shift[J].J.Infrared Millim.Waves,2005,24(3):231-235.
[3]杨烜,裴继红,谢维信.基于运动特征的远距离红外目标检测方法[J].电子与信息学报,2007,29(8):1829-1832.YANG Xuan,PEI Ji-hong,XIE Wei-xin.Long Range Moving Target Detection Based on Motion Analysis[J].Journal of Electronics&Information Technology,2007,29(8):1829-1832.
[4]颜佳,吴敏渊,陈淑珍,等.基于Mean Shift算法的伪装目标跟踪[J].光电工程,2009,36(2):11-15.YAN Jia,WU Min-yuan,CHEN Shu-zhen,et al.Camouflaged Target Tracking Based on Mean Shift[J].Opto-Electronic Engineering,2009,36(2):11-15.
[5]梁燕,刘文耀.一种新型非线性边缘检测算法[J].光电子.激光,2003,14(12):1332-1335.LIANG Yan,LIU Wen-yao.A New Nonlinear Algorithm for Edge Detection[J].Journal of Optoelectronics.Laser,2003,14(12):1332-1335.
[6]王苑楠.图像边缘检测方法的比较和研究[J].计算机与数字工程,2009,37(1):121-127.WANG Yuan-nan.Comparison and Research on Image Edge Detection Method[J].Computer&Digital Engineering,2009,37(1):121-127.
[7]Comaniciu D,Ramesh V,Meer P.Real-Time Tracking of Non-Rigid Objects Using Mean Shift[C]//IEEE Conference on Computer Vision and Pat tern Recognition,Hilton Head Island,SC,June13-15,2000,2:142-149.
红外线算法 篇8
在现代化的高技术战争中, 能及时地发现目标, 实现迅速有效的攻击, 是机载武器系统发展的一个趋势。对于远距离目标, 且对比度较低的情况下, 要保证可靠、准确地检测并跟踪目标是很困难的。早期围绕背景预测的红外弱小目标检测技术使用较多的是中值滤波器和匹配滤波器, 到后来提出的形态学滤波器等, 但得到的作用效果有限。
目前, 提出了一些新的背景预测方法, 包括基本背景预测法、自适应背景预测法、分块背景预测法、基于神经网络的背景预测方法等。但当背景起伏较大, 图像信噪比较低时, 在背景的起伏边缘就会出现较多的虚警。为了尽可能地对边缘进行准确预测, 使残差图中边缘被极大抵消。
文献[1]和文献[2]提出了新的背景预测和小目标检测方法。但文献[1]需要设定阈值对亮暗点分类, 文献[2]需要在处理中使用公式, 增加了算法复杂度。鉴于此, 本文借鉴了多向梯度的思想, 结合云层的灰度特点, 提出了一种新的背景预测方法, 不仅减少了起伏背景对检测结果的影响, 并且降低了算法复杂度。
1背景预测原理
由于背景图像像素点间的灰度有较强的相关性, 任何一个点灰度值均可以用其邻域像素点的灰度值预测, 也就是说可以通过周围区域点灰度的线性或非线性的组合来预测。
将原始图像与预测图像相减可以得到预测差, 预测差图像的灰度值越小, 越能增加目标的对比度。基本的背景预测模型为:
预测差图像为:e (i, j) =f (i, j) -y (i, j) (2) 式中:f (i, j) 表示红外图像的灰度值;e (i, j) 表示图像中像素点坐标;y (i, j) 表示预测估计值。
2背景预测方法介绍
根据权值的不同取法, 目前的背景预测方法可以分为:基本背景预测方法, 分块背景预测方法, 基于边缘区域亮暗点分类的背景预测方法等。
2.1 基本背景预测方法
基本背景预测的权重为同定权值。按权值的取法可对应成如下的滤波器模板:
式中:h1, h2, h3模板均适用于点目标和弱小目标;h2, h3模板的兼容性更好一些。
但实际情况是, 整幅图像的背景往往不是单一的。如果用其周围的所有像素的灰度组合来进行预测会导致虚警率的增加, 不利于后续的阈值分割。为解决这一问题, 提出了分块背景预测的方法。
2.2 分块背景预测法
分块背景预测法是将像素点周围背景以该像素点为中心划分为4个区域, 分别以这4个区域中的最大值、最小值、均值、最相似值作为预测点的预测值, 获得预测图。依次称为区域最大化背景预测法、区域最小化背景预测法、区域均值背景预测法、区域最相似背景预测法。这4个区域的背景预测值分别为:
这里以最大值背景预测法为例进行说明。
当弱小目标灰度值较低, 且位于亮云层边缘时, 采用区域最大化背景预测法, 很难使目标灰度预测值远小于真实值, 残差图中的目标点与背景的对比度较低, 无法正确检测到目标。
2.3 基于边缘区域亮暗点分类背景预测法
当被预测点不是边缘点时, 直接进行滤波;当被预测点是边缘点时, 首先利用灰度图像的分割算法将预测窗口内的像素点以预测窗口均值为阈值分为亮点和暗点2类:若亮像素点为多数, 则根据亮像素点计算预测值;若暗像素点为多数, 则根据目标像素点计算预测值。上述方法的缺点是:若预测窗中暗像素点为多数, 则高亮云层边缘的预测值可能会大大减小, 这些边缘点的残差值较大, 从而产生预测误差和虚警。
3基于多向梯度的背景预测法
3.1 多向梯度的简要介绍
在分析上述算法的基础上, 本文借鉴了文献[3]提出的多向梯度的思想, 提出了基于多向梯度的背景预测法:
所谓多向梯度, 是指红外灰度图像在平面各个方向上所表现出的高梯度特性。图像可以看作是在具有空间相关性的红外背景中加入弱点目标而形成的, 所以, 弱点目标沿各个方向上的梯度均较高, 而背景部分的梯度由于其相关性不具有这一特, 且边缘仅在某些连续的方向上具有高梯度。
理论上, 多向梯度是指平面图像上的360°方向, 但为了便于分析和说明问题, 这里仅举出水平正向、水平负向、垂直正向以及垂直负向4个方向为例做介绍:
梯度中水平正向的定义:Δf (m, n) X+=|X (m+l, n) -X (m, n) | (7) 式中:l为梯度步长, 它与目标的大小有关。
同样, 可以给出 (m, n) 位置处沿水平负方向、垂直正方向和垂直负方向上的梯度 (分别用Δf (m, n) X-, Δf (m, n) Y+和Δf (m, n) Y-来表示) 的定义:Δf (m, n) X-=|X (m-l, n) -X (m, n) | (8)
Δf (m, n) Y+=|X (m, n+l) -X (m, n) | (9)
Δf (m, n) Y-=|X (m, n-l) -X (m, n) | (10)
3.2 弱小目标和复杂云层边缘的灰度特点分析
经过对大量复杂云层图像的观察和分析, 发现图像中的目标即使在整个图像中强度不是最强的, 但在它所处的小区域中与局域背景的差别较明显;而强度较高的背景中的像素, 虽然灰度值较大, 但在它所处的区域中与周围背景无明显差异。并且, 通过对红外图像中云层边缘区域的放大分析, 可以看到这些区域成像时在较大的分析尺度上都呈现出有规律的逐级过渡的纹理特点, 而弱小目标所在的区域在同样的分析尺度上却不具备这样的纹理分布特征[4]。也就是说, 弱小目标的灰度以中心点为最大, 向周围逐渐衰减扩散, 而云层边缘点并非是其邻域内的灰度最大点, 它呈现出由暗逐渐变亮过渡的特点。
3.3 算法的提出
基于上述分析, 假设目标所占像素区域为3×3, 可以得到, 在窗口中心点 (i, j) 处, 选取梯度步长l为3和5, 分别在其水平正方向、水平负方向、垂直正方向和垂直负方向、左上45°方向、右上45°方向、左下45°方向、右下45°方向分别取8个像素点。如图1灰色方框所示, 其中, 中心区域3×3部分代表目标所占区域。
分情况讨论如下:
(1) 选取梯度步长l为3对应的9个像素点, 若预测点为这9个像素点中灰度值最大的点, 则取梯度步长为5, 也在上述8个方向上取8个像素点。
① 若预测点仍为最大值, 则判断预测点为区域最大值点, 此时, 根据上述分析可知该预测点极有可能为目标点。且目标点有2种可能的位置:在较平缓背景处;距离边缘点较近处。因此选取梯度步长l为3对应的8个像素点中灰度值第6高的点, 将其值赋予被预测点。若目标点位于平缓背景中, 赋予的值不影响后续处理;若目标点位于边缘处, 赋予的值可以避免将高亮度的背景边缘像素点赋予预测点, 从而可以提高目标点在残差图像中的对比度, 方便后续的处理。
当然, 该预测点也可能是背景点中的局部最大值点, 考虑到背景的平缓性, 将梯度步长l为3对应的8个像素点中的灰度值第6高的点的灰度值赋予该点, 并不影响后续的处理。
② 若预测点不为最大值, 则此预测点也可能有2种位置:在较平缓背景处;位于云层背景边缘处。此时选取梯度步长l为3对应的8个像素点中的灰度值与被预测点最为接近的像素点的灰度值赋予被预测点。若预测点在较平缓背景处, 选择灰度值最为接近的点显然有利于后续的处理;若预测点在云层背景边缘处, 选择灰度值最为接近的点保证了云层边缘点灰度值预测的准确性。
(2) 若预测点灰度值不为梯度步l为3对应的9个像素点中灰度值最大的点, 则可判断此预测点位于平缓背景处, 也有部分可能位于云层的边缘处。此时选取与被预测点灰度值最为接近的像素点的灰度值赋予被预测点, 可以保证预测值的准确性。
基于上述讨论和分析, 设计算法如下:
(1) 在 (i, j) 像素点的7×7邻域上, 选取包括 (i, j) 在内的其他8个像素点: (i-3, j-3) , (i-3, j) , (i-3, j+3) , (i, j-3) , (i, j+3) , (i+3, j-3) , (i+3, j) ,
(i+3, j+3) , 对这9个点进行排序, 若 (i, j) 不是灰度最大点, 则选取灰度值最为接近的点, 将其值赋予 (i, j) 。若是最大值点, 则转入步骤 (2) 。
(2) 在 (i, j) 像素点的11×11邻域上, 选取包括 (i, j) 在内的其他8个像素点 (i-5, j-5) , (i-5, j) , (i-5, j+5) , (i, j-5) , (i, j+5) , (i+5, j-5) , (i+5, j) , (i+5, j+5) , 对这9个点进行排序, 若 (i, j) 不是灰度最大点, 则选取灰度值最为接近的点, 将其值赋予 (i, j) 。若是最大值点, 则转入步骤 (3) 。
(3) 选取 (i, j) 像素点的7×7邻域上9个像素点按大小排序后将第6大灰度值点赋予 (i, j) 。
(4) 遍历整幅图像。
4背景对消和阈值分割
图像经过背景预测后, 得到的残差图已去掉了大部分低频信息。但仍存在部分高频噪声和干扰点。所以需对图像进行分割, 去掉干扰, 只保留可能目标点。阈值选择对后续处理有重要影响:阈值过高, 可能会丢失真正的目标信息;阈值过低, 将造成较高的虚警率。这里采取自适应阈值分割图像, 取门限为:T=m+kσ (11) 式中:m为图像的均值;σ为图像的均方差;k为权重系数, 根据经验值获得, 一般取5～15。
5仿真实验结果和分析
本文采用的红外弱小目标图像是大小为244×280的具有复杂云层背景的天空图像, 随机加入位于云层边缘的信杂比SCNR为3.0左右的弱点目标。SCNR= (GI-Gb) /σb (12) 式中:GI为目标平均灰度;Gb为背景平均灰度;σb为背景标准差。通过采用基本背景预测法、频域背景预测法、基于边缘区域亮暗点分类背景预测法、区域最大值背景预测法和本文提出的算法在Matlab 7.1平台上进行仿真实验, 并对结果进行分析。
5.1 几种算法的背景预测图效果对比分析
几种算法的背景预测图效果对比分析如图2所示。图2 (c) 为采用基本背景预测法得到的图像。可以看出, 云层边缘部分不仅较暗, 而且存在模糊现象。说明在图像背景相对复杂的情况下, 用其周围的所有像素的灰度组合来进行预测会产生较大偏差。图2 (d) 为采用butterworth频域背景预测法得到的图像, 可以看出, 云层边缘部分同样存在着较为昏暗和模糊的现象。图2 (e) 为采用基于边缘区域亮暗点分类背景预测法得到的图像, 可以看到云层边缘的预测值有较大幅度的降低, 这使其背景残差较大。图2 (f) 为采用基于区域最大值背景预测法得到的图像, 可以看到此时目标灰度预测值较大, 这在后续的处理中使得目标点与背景的对比度降低。图2 (b) 为采用本文算法得到的背景预测图像, 可以看出预测的背景边缘很好地反映了原图的情况, 并且目标区域灰度值很小, 提高了对比度, 易于后续的处理。
5.2 背景对消和阈值分割后几种算法的检测图效果对比分析
背景对消和阈值分割后几种算法的检测图效果对比分析如图3所示。
通过第5.1节的讨论可得到, 采用本文算法预测的背景更为接近真实背景图像, 而且经过背景对消后, 目标点与剩余点灰度值的对比度较大, 鉴于此, 选取权重系数k为15, 得到阈值分割后的效果图如图3 (b) 所示。图3 (c) , (d) 为选取权重系数k为7得到的效果图。图3 (e) , (f) 为选取权重系数k为6得到的效果图。
这里在高亮云层边缘处随机取100个点进行仿真实验, 可以得到在权重系数k为15的条件下, 检测概率可达到98%, 而虚警点个数小于26。由于本文讨论的其他算法得到的残差图像的对比度较低, 在权重系数k为15的条件下, 基本上检测不到目标, 所以不做统计。
6结语
针对传统的背景预测算法存在的不足, 本文借鉴了文献[3]中的多向梯度思想, 并将它运用到了背景的预测中, 提出了基于多向梯度的背景预测算法。实验结果表明:在图像背景起伏较大、信噪比较低的情况下, 该算法能够很好地抑制背景, 特别是能够抑制复杂边缘对检测结果的影响, 有效地检测到红外弱小目标。
摘要：为解决复杂空中背景下红外弱小目标的检测, 提出一种新的基于多向梯度的背景预测方法。该方法根据云层边缘区域、平缓背景区域及弱小目标所呈现的不同梯度特点, 采取不同方法分别进行预测;基本保留云层边缘区域和平缓背景区域的点, 而对弱小目标区域采用邻域低灰度值点进行预测。然后经过背景消除和阈值分割, 将弱小目标检测出来。仿真结果表明, 该算法对复杂空中背景预测有很高的准确性, 能够更加有效地抑制云层边缘引起的虚警, 将红外弱小目标点检测出来。
关键词：背景预测,多向梯度,阈值,弱小目标
参考文献
[1]杨丽萍, 冯小毅.一种新的背景预测方法在红外弱小目标检测中的应用[J].电子技术应用, 2007 (8) :72-75.
[2]杨丽萍, 冯小毅.一种基于背景预测的红外弱小目标检测方法[J].红外技术, 2007, 29 (7) :404-408.
[3]马治国, 王江安, 宗思光.海天线附近红外弱点目标检测算法研究[J].激光与红外, 2004, 34 (5) :389-391.
[4]郭伟, 赵亦工, 谢振华, 等.基于非参数统计的云层背景描述与红外弱小目标检测[J].红外与毫米波学报, 2008, 27 (5) :383-388.
[5]朱斌, 樊祥, 马东辉, 等.窗口大小和权值模板对固定权值背景预测算法的影响[J].红外与激光工程, 2006 (35) :179-184.
[6]朱红, 赵亦工.基于背景自适应预测的红外弱小运动目标检测[J].红外与毫米波学报, 1999, 18 (4) :305-310.
[7]余小英, 李凡生, 邵晓鹏.基于背景抑制的4种红外小目标检测算法比较[J].红外技术, 2009, 31 (5) :287-290.
[8]DENNEY B S, FIGUEIREDO R J P.Optimal point targetdetection using adaptive auto regressive background predic-tion[C].Proc.SPIE.[S.l.]:[s.n.], 2000, 4048:46-57.
[9]TOET A, WU Tirui.mall maritime a target detectionthrough false color fusion[C]//SPIE-The lntemational Soci-ety for Photo-Optical Instrumentation Engineers.USA:[s.n.], 2000, 6945:9450-9459.