红外弱小目标检测

红外弱小目标检测（精选7篇）

红外弱小目标检测 篇1

1 引言

运动弱小目标的检测和跟踪被广泛应用于红外自寻的制导、搜索跟踪和预警等领域,是一个对实时性和识别精度有较高要求的高科技问题,近20年来,一直是雷达、光学和红外图像应用领域的研究热点。由于弱小目标在红外图像中表现为无形状、大小、纹理的点目标,且图像信噪比低[1],单帧的检测跟踪方法已不能满足要求,取而代之的是更加复杂的针对序列图像的处理算法[2,3,4]。算法复杂度的增加,使得单个DSP很难满足实时性要求,从而使利用多DSP并行处理技术实现高速数据传输和处理成为研究的重点。

ADSP-TS201S是ADI公司Tiger SHARC系列中面向通信和视频领域的高端DSP。该款处理器是当前处理能力最强的浮点DSP,同时兼容定点处理;其采用了静态超标量结构,支持单指令多数据(SIMD),每周期执行4条指令、6个浮点或24个16 bit定点操作;内核时钟高达600 MHz,处理能力每秒48亿次乘加运算(GMACS)或36亿次浮点运算(GFLOPS)。此外,TS201S所具有适合多DSP并行处理的突破性体系结构,专门的片内分布式总线仲裁逻辑可以实现最多8片DSP共享1条外部总线,4条高速链路口(LINK)可以实现多处理器间的通信的无缝连接,非常适合于大数据量、高复杂度数据的实时处理应用[5]。

本文提出了以4片ADSP-TS201S为信号处理单元,采用链路口两两交叉互联构成了松耦合多DSP并行流水处理平台。通过与CPLD和各种存储设备的配合使用,设计实现了具有高实时性、高存储量和良好扩展性等特点的多DSP红外目标检测跟踪系统。

2 多DSP并行处理系统设计

2.1 并行系统方案的确定

在多处理器系统中,处理器节点之间的通信通常采用两种方案:一种方案是使用专门的点对点通信信道;另一种方案是节点之间通过一个共享的全局存储器和一条并行总线进行通信。ADSP TS201S通过高速链路口(LINK)实现第一种方案,通过高速外部总线口(簇总线)实现第二种方案。

由多ADSP TS201S组成的DSP系统从数据传输方式来看,有以下3种耦合结构[6]:

1)由高速链路口(LINK)互连构成松耦合结构;

2)由高速外部总线口(簇总线)共享存储器构成的紧耦合结构;

3)由前两种共同构成的混合耦合结构。

紧耦合结构中数据传输是并行模式,优点是传输速率高,但随着并行处理单元数量的增加,DSP之间的通信时间和总线仲裁时间开销急剧上升,造成并行加速比和并行处理效率降低。相比之下,松耦合结构中数据传输是串并行方式,适合于多DSP的分布式并行处理。同时这种结构还具有结构简单、总的数据传输速率高于紧耦合结构、无总线仲裁问题、PCB板设计也相应简化等优点。根据红外弱小目标检测跟踪的特点,本文采用高速链路口的松耦合结构。

图1给出了所设计的并行系统框图,红外弱小目标检测跟踪并行处理系统方案采用了4片ADSP TS201S通过高速链路口(LINK)两两交叉互联的方式,4片TS201S的4个LINK口中的3个被用于DSP之间的两两互联,1个用于处理板之间的扩展互联。在本系统中,4个DSP在600 MHz下的定点运算的峰值速度可达到19.2 GMAC(16 bit),浮点运算的峰值速度可达到14.4 GFLOPS,4个LINK口由于采用了LVDS技术和DDR技术,总数据吞吐率能达到4GB/s。64 bit外部数据总线最大数据吞吐率1 GB/s。同时每片DSP都拥有4 G的外部存储器和外设寻址空间。这些性能指标为复杂的检测跟踪算法的硬件实时实现提供了可能。

2.2 系统的数据处理流程

如图1所示,首先通过前端LVDS数字视频接口,使LVDS视频图像数据在CPLD的控制信号下,经过时序转换后写入前端双口RAM中。此处我们选用的是IDT70V28L高速64k×16位的双口RAM。在DSP1的DMA控制器作用下,将视频输入双口RAM中的数据转移到SDRAM中,然后各个DSP通过链路口在DMA方式下进行数据的传输,使得数据分配过程与DSP运算过程并行执行,提高处理效率。处理后的数据,在DSP4的DMA控制器作用下,将数据从SDRAM写入后端双口RAM中。最后在CPLD控制下将双口RAM中的视频数据通过LVDS数字视频接口输出到外部。视频数据的输入输出、DSP中断和其它外设控制逻辑的管理由1片XC95288XL CPLD完成。

系统通过挂载在DSP1的FLASH进行系统的初始化及程序加载。由于松耦合系统没有使用总线共享,所以除了DSP1是采用EPROM方式进行加载外,其他DSP都是通过链路口实现程序的加载。图2给出了所研制的并行处理系统的实物图。

3 算法流程及实现

本系统主要用来实现对红外弱小目标的检测和跟踪,可以实时地从红外成像仪或其他采集系统读入视频图像信号,对图像进行实时处理以检测和跟踪目标,并将目标的位置和运动信息输出。红外小目标的检测跟踪算法流程如图3所示。将各阶段的处理分别分配给各DSP,实现基于过程控制流的并行处理。

3.1 算法原理

图像预处理主要是实现对图像背景的抑制,增强目标,提高信噪比。它的处理效果直接关系到后面检测与跟踪的速度和可靠性。根据红外图像中目标、背景干扰和噪声的特点,本文采用经典的灰度形态学Top-hat滤波算子对输入图像进行滤波。该算法原理简单,易于硬件实时实现,并且能有效地消除红外图像中的背景[7]。Top-hat滤波算子定义如下:

其中:f为红外输入图像,g为结构元素,fg为用结构元素g对图像f进行灰度开运算,其结果为估计出的背景,相减后得到HAT(f),为滤除了背景的目标图像。由于小目标像素在2×2~5×5之间,根据概念,结构元素要大于或等于小目标的面积。这里我们选取7×7的钻石型结构元素。

Top-hat滤波后,进一步对图像进行自适应全局门限法的阈值分割[8]。设输入图像为f(i,j,k),处理后图像为g(i,j,k),并令门限为T(k),则有:

式中T(k)是随序列图像的变化而自适应改变的,即:

式中λ为加权值,选择范围为3~5。mean(k)、var(k)分别表示第k帧图像的图像灰度均值和方差。经过上述的阈值处理以后,得到一个去除背景干扰和弱噪声的目标图像,这时,可能是目标的点保留其灰度值,其余点的灰度值为零。

由于红外图像的信噪比一般都较低,所以单帧图像无法作出对目标适当的判断,因此采用检测前跟踪(TBD)算法来实现目标的检测跟踪。这里我们采用多级假设检验算法。该方法是速度滤波器的一种高效算法,是截断的序贯似然比检验法[9]。它利用假设检验的方法对候选轨迹所组成的树形结构做出修正,以随时去掉没有通过检验的树,达到减少运算量和存储量的目的。该算法的具体硬件实现可以参考文献[10]。

3.2 算法的系统实现

整个算法在硬件系统中的实现流程如图4所示。按照检测跟踪算法原理将系统分为4个模块处理单元,预处理模块、目标检测模块、目标跟踪模块、输出处理模块。实际应用中根据不同的算法进行合理的DSP分配。

针对本文所提出的算法,首先视频图像采用乒乓缓冲方式存入输入双口RAM中,这样可以保证处理器进行数据处理的同时,外部数据的连续传输。当一帧图像存入双口RAM时,DSP1通过DMA方式将图像传输到SDRAM中,并完成Top-hat和阈值分割预处理算法。然后通过链路口DMA方式将图像传输到DSP2的SDRAM中,再以同样的传输方式将图像传输到DSP3中,在这两个DSP中实现多级假设检验算法,最后在DSP4中完成目标位置的标识、参数输出等工作,并将视频图像通过输出双口RAM输出到外部显示装置。

4 实验结果

对系统进行了一系列的实验研究。其中一个实验事例采用的输入图像信号是一组天空背景下导弹飞行的红外序列图像。图像尺寸为600 pixels×479 pixels,灰度级为256,序列图像为25帧/s,信噪比小于2。使用上述检测跟踪算法,该并行处理系统实现了对目标实时、准确地检测及跟踪。图5~图8分别给出了各个处理阶段的结果。类似规模与帧频的实验结果都表明,并行处理系统能有效地实时检测并跟踪红外运动小目标。

结束语

随着现代红外数字图像处理中画幅尺寸、帧频、数字量化程度的日益提高,为了满足对实时处理算法复杂度和数据吞吐率急剧增长的需要,本文设计了一套基于4个ADSP TS201S的高性能并行图像处理系统。实验表明,该系统具有良好的实时性、扩展性及适用性,可以实现对大画面、高帧频的红外弱小目标实时检测跟踪。

参考文献

[1]WANG Zhi-cheng,GAO Chen-qiang,TIAN Jin-wen.Multifeature distance map based fusion detection of small infrared targets with low contrast in image sequences[J].SPIE,2005,5985:669-673.

[2]Blostein Steven D,Richardson Haydn S.A sequential detection approach to target tracking[J].IEEE Transactions onAerospace and Electronic System,1994,30(1):197-212.

[3]XING Si-yuan,JI Hong-bing.A track-before-detect algorithm based on particle filter with model estimation[J].ICSP’04,2004,1:311-314.

[4]Zaveri M A,Merchant S N,Desai U B.Multiple single pixel dim target detection in infrared image sequence[J].ISCAS’03,2003,2:380-383.

[5]Analog Device Company.TigerSHARC Embedded Processor Data Sheet[EB/OL].http://www.analog.com,2006.

[6]刘书明,罗勇江.ADSP TS20XS系列DSP原理与应用设计[M].北京:电子工业出版社,2007.LIU Shu-ming,LUO Yong-jiang.ADSP TS20XS Series DSP Theory and Application Design[M].Beijing:Publishing House of Electronics Industry,2007.

[7]王新增,严国莉,关小歉.灰度形态学滤波的红外运动小目标检测方法[J].中国测试技术,2006,32(5):79-81.WANG Xin-zeng,YAN Guo-li,GUAN Xiao-qian.Detection Method of Infrared Moving Small Target Based on Grey Morphology Filtering[J].China Measurement Technology,2006,32(5):79-81.

[8]李国宽,彭嘉雄.红外序列图像中运动小目标的检测方法[J].华中理工大学学报,1999,27(11):25-27.LI Guo-kuan,PENG Jia-xiong.Detection Method of Small Moving Targets in IR Sequence[J].Huazhong Univ.of Sci&Tech,1999,27(11):25-27.

[9]Werthmann J R.A step-by-step description of a computationally efficient version of multiple hypothesis tracking[J].SPIE,1992,1698:289-230.

[10]赵峰,吴常泳,李范鸣.红外成像目标跟踪的MHT改进算法及其DSP硬件实现[J].红外与毫米波学报,2003,22(2):105-108.ZHAO Feng,WU Chang-yong,LI Fan-ming.A Progressed MHT Algorithm for Infrared Target Tracking and the Hardware Architecture on DSP[J].Infrared Millim.Waves,2003,22(2):105-108.

红外弱小目标检测 篇2

1 何谓“弱小目标”

“弱”和“小”指的是目标属性的两个方面。所谓“弱”是指目标红外辐射的强度, 反映到图像上是指目标的灰度, 即低对比度的目标, 也称灰度小目标;所谓“小”是指目标的尺寸, 反映到图像上是指目标所占的像素, [1]即像素点少的目标, 也称能量小目标。

自然背景的变化一般都比较平缓, 且背景像素之间的灰度是相关的, 因此弱小目标可以看作是平缓背景中的孤立奇异点, 对应于图像中的高频部分。在低信噪比的情况下, 检测和跟踪弱小目标时的难点在于:对比度低、信号强度弱, 以至于很难从单幅图像中检测出目标;目标可能会突然出现或消失;缺乏形状、大小、纹理等目标特征。

2 弱小目标检测与跟踪算法概述

红外弱小目标的检测与跟踪算法主要分为两大类:跟踪前检测 (Detect Before Track, DBT) 和检测前跟踪 (Track Before Detect, TBD) 。经典的小目标检测与跟踪方法是DBT, 即先根据检测概率计算出检测门限, 然后对每帧图像进行分割, 并将目标的分割结果和目标的运动轨迹关联, 最后进行目标跟踪。DBT算法适应于信噪比较高的情况, 因为在低信噪比情况下获得的目标和背景的灰度相差不大, 进行分割时, 检测门限过高有可能造成目标丢失, 检测门限过低会把一部分背景当成目标。DBT算法流程图如图1所示, DBT算法常采用的方法有:小波分析方法、背景抑制方法、基于变换的方法、门限检测方法。

为了提高复杂背景下的红外弱小目标的检测性能, 基于先跟踪后检测的目标检测算法被提出来。其基本思想是:先不判断单帧图像中有没有弱小目标, 对图像中运动目标的轨迹进行跟踪, 然后根据检测概率和信噪比计算出检测门限, 再用它对各条轨迹进行检测判决, 得到真实的运动弱小目标。TBD目标检测算法的流程如图2所示。

TDB方法概况起来包含三个步骤:

(1) 背景抑制:通过高通滤波将红外图像低频和高频部分进行分离, 尽可能抑制原始图像中的低频背景杂波干扰, 提高信噪比。

(2) 可疑目标跟踪:将滤波后的图像利用相邻几帧中目标的运动信息来进行分割, 得到一些可能的弱小目标。[2]

(3) 目标检测:利用运动的弱小目标的运动特性, 进一步剔除虚假目标, 从可能的目标中检测出真正的弱小目标。

3 基于局域概率分布的红外弱小目标检测

在目标的局部范围内, 背景变化一般不太剧烈, 目标和邻域背景的对比明显, 因而, 目标点像素灰度值与局域像素灰度和的比值较大。通过在局域灰度概率分布图上对较大概率值的检测可以实现对应小目标的检测。

设为序列图像中某一帧图像中点处的灰度值, 以为中心的局域内, 定义为点的灰度值与局域内总灰度值的比值, 即称为该点的局域灰度概率, 点局部范围之内所有点的局域灰度概率之和为1。

一般而言, 在以为中心的局域内, 当灰度分布均匀时, 当小于周围像素点的灰度值或是局域内有其他灰度值较高的像素点时;当高于其邻域内其他像素时, 且该像素越高, 越大。因此, 通过计算、比较的大小可以检测平滑背景中的孤立奇异点。

利用小目标的运动特性对伪目标进行剔除, 原理如下:当目标在图像上只占1~3个像素时, 其移动速度一般小于1像素/帧, 会在邻域中连续出现;而噪声是随机的, 其移动速度大于1像素/帧, 而且不可能在某邻域内连续出现。

基于局域概率分布的小目标检测的具体步骤如下:

(1) 计算序列图像中某一帧图像各像素点的局域灰度概率值, 得到该幅图像的局域概率分布图;

(2) 设定阈值, 提取图像中的孤立奇异点 (小目标点和噪声点同时被提取, 需要通过步骤3提取目标、驱除噪声) ;

(3) 剔除伪目标:如果某一奇异点在连续的n内连续出现t次, 则认为该奇异点为目标点, 否则认为是伪目标。

4 实验分析及结论

本文采用的红外弱小目标图像是在红外背景图像上嵌入弱小目标得到的合成图像, 图像大小为244×320像素。其中, 背景为天空, 弱小目标为1~3个像素点。背景变化相对比较平缓, 选择局域进行概率分析, 得到其局域概率分布图。然后对概率分布图进行高通滤波, 增强目标点的局域灰度概率值。再对灰度概率分布图进行阈值处理, 得到包括伪目标在内的检测图, 并根据上面的伪目标剔除原理剔除伪目标确认最终的检测目标。图a、图b、图c分别是待检测的图像、经过高通滤波后的图像的局域概率灰度三维图和最终检测的结果。从上图可以看出, 局部概率统计方法对平缓背景下的红外弱小目标检测具有较好的效果, 滤除了大部分的相关背景和弱边缘。除此之外还有很好的实时性, 在matlab R2008a环境下对图a的检测时间为0.441016s。

参考文献

[1]张长城, 杨德贵, 王宏强.红外图像中弱小目标检测跟踪算法研究综述[A].激光与红外, 2007, 37 (2) :104-107

红外弱小目标检测 篇3

本文通过多特征提取方法和多特征融合策略, 实现背景和噪声的抑制以及目标信息的突出, 并通过自适应的阈值分割, 实现云背景红外图像中弱小目标的有效检测。

1 多特征提取

对于红外图像来说, 通过单个特征难以准确区分图像中大量的云背景和弱小目标, 因此, 需要选择多特征组合来更好地对目标进行表达, 常用的目标特征包括:区域灰度最大值、局部熵值、区域灰度分布、区域灰度均值、形态学特征、区域平均灰度强度、区域梯度均值对比度、部分最亮像素点数与目标总像素数的比值[1,2]等。

本文根据弱小目标在红外图像中的成像特点, 选取区域平均梯度强度、区域离散性、区域灰度均值对比度作为提取的目标特征。

区域平均梯度强度 (Local Average Gradient Strength) 描述了多方向的像素灰度变化, 弱小目标为突变点且呈现辐射特性, 目标能量在各个方向上散布, 即各个方向均存在梯度特性[3]。区域平均梯度强度定义如下:

式 (1) 中, G (m, n) 为:

其中, f (m, n) 是 (m, n) 处目标的灰度值, G (m, n) 为 (m, n) 处的梯度值, Win为以 (i, j) 为中心的且与目标尺寸相近的模板, Nin为目标区模板中像素个数, Wout为目标周围背景区模板, Nout为目标周围背景区模板中像素个数, FijII为 (i, j) 位置的局部平均梯度强度。

区域离散性 (Local Gray Discreteness) 反映了目标中心点能量较高、灰度较强且向四周递减的变化规律。区域离散性定义如下:

其中, f (i, j) 为 (i, j) 位置图像灰度, f (m, n) 是 (m, n) 处目标的灰度值, Win为以 (i, j) 为中心的且与目标尺寸相近的模板, FijIII为 (i, j) 位置的局部离散性取值。

区域灰度均值对比度 (Local Contrast Mean Difference) 是通过灰度均值的比值来反映目标区与周围区的差异[4], 该比值越大, 则差异越明显。区域灰度均值对比度定义如下:

其中, f (m, n) 是 (m, n) 处目标的灰度值, Win为以 (i, j) 为中心的且与目标尺寸相近的模板, Nin为目标区模板中像素个数, Wout为目标周围背景区模板, Nout为目标周围背景区模板中像素个数, FIij为 (i, j) 位置的局部对比度均值反差。

2 多特征融合

为了统一衡量不同特征对于目标检测的贡献度, 需要对提取的多个特征进行归一化处理, 通常采用概率法和最大最小值法实现归一化处理:

2.1 概率法

采用概率法的特征归一化公式为:

2.2 最大最小值法

采用最大最小值法的特征归一化公式为:

本文选择第二种方法对多个特征进行归一化处理, 进而根据贡献度不同来获得融合系数, 实现多特征融合。

由于某一特征中, 最大的特征值通常能够最好地反映目标的特征, 并且背景灰度、背景均匀程度均会对融合效果产生影响, 因此, 根据归一化处理后的特征值的最大值、背景灰度 (均值) 、背景均匀程度 (方差) 获得融合系数 (权重) :

其中, WA为分辨率为I*J的红外图像, NA为特征图中的像素数, Fkij为 (i, j) 处的第k个特征值, σk为得到的第k个融合系数。进一步对融合系数进行归一化:

得到最终的多特征融合结果为:

最后, 对多特征融合后的图像进行分割, 本文选取自适应阈值分割方法, 得到目标图像。

通过仿真验证本文方法的目标检测效果, 如图1所示, (a) 为原始图像, 分辨率为400*200, 存在两个尺寸小于5*5的弱小目标, 且对比度低于15%。在进行多特征提取、多特征融合以及图像分割后, 得到结果为 (b) , 可以看出, 本文的方法能够很好地抑制云背景, 得到了红外弱小目标。

3 结语

本文针对云背景红外弱小目标图像, 提取区域平均梯度强度, 用于反映目标的多方向梯度特性, 提取区域离散性, 用于反映目标能量由中心向四周的特性, 提取区域灰度均值对比度, 用于反映局部区域内目标与背景的灰度差异。进行归一化处理, 衡量多特征分别对目标检测的贡献度, 计算融合系数, 得到多特征融合图像。并通过自适应阈值分割, 在云背景红外图像中, 很好地完成了目标检测。

参考文献

[1]陈湘凭.基于多特征融合的海天背景红外弱小目标检测方法研究[D].武汉:华中科技大学, 2006.

[2]刘云鹤.基于注意机制的红外小目标检测与跟踪算法研究[D].哈尔滨:哈尔滨工程大学, 2009.

[3]马治国, 王江安, 张兆伟, 等.弱点目标检测中的背景杂波抑制新方法[J].舰船科学技术, 2006 (1) :89-91.

红外弱小目标检测 篇4

云杂波背景红外弱小目标的检测算法是红外精确制导系统中的关键算法之一。在这些典型的应用中,通常要求红外探测系统在远距离范围检测感兴趣的目标,如飞行的飞机、来袭的导弹等。由于这些目标距离探测器非常远,在探测器平面上所成的像仅仅占据一个或少数几个像素,可认为是小目标。在有云杂波干扰的实际应用中,缓慢移动的云杂波边缘易产生对上述感兴趣目标的干扰和影响。如何有效地降低云杂波边缘虚警点数目,提高小目标的检测概率,是当前光学成像预警系统亟待解决的问题之一[1]。在探测器所采集到的图像序列中,小目标和背景经过一个像素点时的亮度序列在形状上会有所不同,这种时域上的差别可以作为区分目标和背景的重要依据。所以对于云杂波背景这类低信噪比图像可以采用序列图像进行检测。国内外针对此类问题进行了广泛的研究,并提出大量的解决算法。如三重时域衰减滤波(TTF)法[2]、4阶滤波器[3]、基于连续小波变换分析(CWT)和广义似然比检验(GLRT)的算法[4]、时域方差滤波器[5]等,这些算法或者不具有对不同背景杂波的广泛适应性,或者硬件开销太大,或者检测能力不是很强等。本文提出了像素时域廓线的小目标检测方法,具有对不同背景杂波的广泛适应性,尤其对于低信噪比情况下的目标的检测很有效,抗干扰能力强首先根据不同背景类型时域剖面线产生的机理,建立不同像素的时域剖面线模型;然后采用时域剖面线的包络线作为冲击信号检测的基线,讨论并分析时域剖面线偏离包络线的分布特性,进而得到一个合适的目标检测量度。检测之前结合了最大中值滤波器进行了空域处理,去除大部分虚警点。本文算法分两步实现:第一步为利用最大中值滤波器对原始红外图像进行空域预处理,第二步为目标检测。实验仿真出的结果表明该算法有效的检测出了云杂波背景下的小目标。

1基于时域廓线的检测方法

1.1目标和背景时域特性

在云杂波序列图像中,各个像素点随着时间的变化形成自己的时域廓线,即像素值随时间的变化曲线。图1(a)是一幅图像及其图像中典型四点:目标、云杂波边缘、干净天空背景以及云内部点的时域廓线。

图1中云杂波背景图像中其像素模型有四类,即a,b,c,d所代表的点。a为目标,b为云的边缘,c为干净的天空背景,d为云内部像素。图1(b)给出了四个典型像素点的时域廓线。干净天空背景的时域廓线和云内部的时域廓线基本上都是沿某一常量上下波动;而云边缘处的时域剖面线变化缓慢,起伏较大,这部分起伏主要是由于云自身的飘动所造成的;目标处的时域剖面线具有明显的尖锐冲击。因此,从时域剖面线中检测出含有冲击的时域剖面线便可以实现目标的检测。

对于干净天空背景的时域廓线和云内部的时域廓线可以模型表示:

x(n)=C+w(n) (1)

(1)式中C为常数,w(n)～N(0,σ${}_{}^2$)为高斯噪声,σ${}_{}^2$为高斯噪声的方差。

对于缓慢移动的云杂波边缘点,可由一阶 Markov 模型描述[6],其数学方程描述如下:

x(n)=x(n-1)+w(n) (2)

对于运动小目标,其模型描述如下:

x(n)=u(n)+t(n,p)+w(n) (3)

(3)式中u(n)和w(n)根据目标不同位置来取值。t(n,p)为目标冲击,p为由目标的灰度、速度等确定的向量。因此,场景中的各个像素点都可以通过以上三种模型进行描述。

1.2 最大中值滤波器

对图像中像素点分类的研究表明,缓慢移动的云杂波边缘点的信号特性类似于孤立点目标的信号特性,它们易于在检测结果中形成大量的虚警点。因此,如果能够对原始图像进行空间预处理,去除大部分云杂波边缘像素点,平滑背景噪声,增强孤立目标点,则可以大大降低虚警点数,提高探测系统的检测能力。本文引入一种最大顺序滤波器——最大中值滤波器[1],对原始红外图像进行空域预处理。

最大顺序滤波器考虑的是经过滤波窗中心像素点a(i,j)所有可能的直线,并对每一直线上的采样值做顺序滤波。使用这种滤波方法的好处是可以保持较观测空间维数低的特征量。最大顺序滤波器的输出定义为:

y(i,j)=max(z1,z2,…,zk) (4)

(4)式中:zi为顺序滤波估计量,zi=φ[第i个子集中的所有像素],k为有限值,且依赖于观测空间的维数和一维观测窗口的大小,φ为顺序滤波算子,本文为中值算子。若使用 x(i,j)和y(i,j)分别表示滤波窗大小为2N+1(本文取N=1)时最大中值滤波器的输入像素和输出像素强度值,则滤波器的输出定义中。

z1=median(x(i,j-N),…,x(i,j),…,x(i,j+N)) (5)

z2=median(x(i-N,j),…,x(i,j),…,x(i+N,j)) (6)

z3=median(x(i+N,j-N),…,x(i,j),…,

x(i-N,j+N)) (7)

z4=median(x(i-N,j-N),…,x(i,j),…,

x(i+N,j+N)) (8)

y(i,j)=max(z1,z2,z3,z4) (9)

使用二维非线性最大中值滤波器对图像滤波,在滤波结果图像中可以最大程度的保持原始图像中的边缘特征,并滤除孤立目标点。因此,若从原始图像中对减去滤波结果图像,则可滤除绝大多数杂波边缘点的干扰,并增强孤立的目标点,这就是空域预处理的原理。

1.3 冲击信号检测

经过空域预处理滤除后,得到的对消结果图像序列去除了大部分虚警点。剩下的目标和背景根据其时域特性,我们可以采用时域廓线的包络线作为冲击检测的基线,这里目标为亮目标,我们可以用时域廓线的下包络线作为冲击检测的基线,如图2所示。

图2为目标与云边缘的时域廓线的包络线,其中下包络线可由时域剖面线中的下拐点连接得到。干净天空与云内部像素的时域包络线也可以通过其时域剖面线的下拐点得到。

对于不含冲击的时域剖面线偏离包络线的大小可以表示为

D(n)=x(n)-xd(m) (9)

(9)式中,xd(m)是离x(n)最近的时域剖面线上的下拐点。由(1)式、(2)式可得不含有冲击信号的时域剖面线偏离包络线的起伏可以用高斯分布描述。即

D(n)～Ν(μd,σ${}_d^2$) (10)

(10)式中

$\mu {}_d=\frac{1}{{\rm N}}{\displaystyle \sum _{n=1}^{{\rm N}}D}(n)(11)$

$\sigma {}_d^2=\frac{1}{{\rm N}-1}{\displaystyle \sum _{n=1}^{{\rm N}}\left[D(n)-\mu {}_d\right]}{}^2(12)$

综上,对于含有目标冲击的时域剖面线,其时域剖面线偏离包络线的分布便会远离高斯分布,因此,可用(13)式作为目标检测的量度

$\eta =\frac{\max \left(\left|D(n)-\mu {}_d\right|\right)}{\sigma {}_d}(13)$

在干净天空背景滤除后的场景中求解每一点的η就可以实现目标的检测。最后还需要一个合适的阈值对η进行分割。从而最终确定目标的位置,该阈值的确定可以由目标检测的虚警概率给出。

2 实验及结果分析

通过VC.NET实现以上算法,本文对一组实际红外图像序列进行了实验,该序列图像来源于 AFRL 实验室,图像大小为 320×244,采样帧频为 30 Hz/s,截取的图像序列长度为100帧。结果如图3所示。

图3中(a)是原始序列图像中的一幅,处于云杂波背景的包含慢速移动的低信噪比弱小目标图像,目标位于干净天空背景中。(b)为本文算法的最终结果,图3中消除了云边缘等虚警点的干扰,得到了目标经过的像素点。由仿真结果表明该算法有效的检测出了云杂波背景下的小目标。

3 结 论

本文提出一种基于时域廓线分析的弱小目标检测方法。该方法根据不同背景类型时域剖面线产生的机理,建立不同像素的时域模型。首先利用最大中值滤波器在空域上进行处理,去除大部分虚警点,然后采用时域剖面线的包络线作为冲击信号检测的基线,讨论了时域剖面线偏离包络线的分布特性,进而得到了一个合适的目标检测量度。试验结果表明本文的算法具有很好的探测性能。将本文的算法应用实际红外图像序列的检测,取得了很好的效果。另外,本文的算法具有对不同背景杂波的广泛适应性,尤其对于低信噪比情况下的目标的检测很有效,抗干扰能力强。

摘要：根据目标和背景时域特性,建立了目标、云杂波边缘、干净天空背景以及云内部四种像素点的时域模型。并以这四种时域模型为基础,提出了一种云杂波背景下基于时域廓线的弱小目标的检测方法。检测前利用最大中值滤波器进行空域处理,去除了大部分云边缘虚警点。理论分析和实验结果表明,该算法能有效检测出云杂波背景下的小目标。

关键词：弱小目标检测,最大中值滤波,时域廓线,云杂波背景

参考文献

[1]张兵,卢焕章.云杂波背景图像序列中小目标检测算法研究.红外技术,2004;26(6):66—71

[2]Silve I,Mooney J M,Cafer C E.Temporal filters for tracking weak slow point targets in evolving cloud clutter.Infared Physics and Tech-nology,1996;37(6):695—710

[3]Lim E T,Deshpande S D,Chan C W,et al.Dim point target detection in IR imagery using multistage IIR filter.In Proceedings of the SPIE Conference on Acquisition,Tracking and Pointing,Orlando,Florida,USA;2000;4025:194—202

[4]Tzannes A P,Brooks D H.Point target detection in IR image se-quences,a hypothesis-testing approach based on target and clutter temporal profile modeling.Optical Engineering,2000;39(8):2270—2278

[5]Lim E T,Shue L,Ronda V.Adaptive mean and variance filter for detection of dim point-like targets.Proc of the SPIE Conference on Signal and Data Processing of Small Targets,Orlando,Florida,USA:SPIE,2002;4728:492—502

[6]Eng Thiam L,Ronda V.Adaptive mean and variance filter for detec-tion of dim point-like targets.Proc SPIE,2002;4728:492—502

红外弱小目标检测 篇5

图像预处理是指在图像被其它算法分析之前,对图像进行增强和去噪。图像预处理可以去除或减小图像中的噪声和杂波,以提高传给主处理器的图像质量和信噪比,减少需处理图像的数据量。因此,图像预处理具有重要的意义。图像预处理方法有很多,如形态学滤波法、中值滤波法、高通滤波法、自适应滤波法[1]等,但大多算法复杂,运算量大,无法满足实时目标的检测。对于凝视成像探测,探测系统是静止的,短时视场内的背景也是相对静止的,而目标却是连续运动的,且运动速度通常约为1—2ppf,因此可以通过差分方法去除背景影响,突出可能的候选目标,然后利用目标的运动目标的运动连续性和关联性分割出真正的目标。

红外图像中弱小多目标的分割提取问题广泛地存在于目标跟踪、导弹靶场测量等国防兵器项目中,准确提取图像中弱小目标的位置信息对交汇计算目标的弹道和落点等起决定作用。运动弱小目标在成像面上可能只有一个或几个像素大小,缺乏足够的目标轮廓信息和表面辐射分布信息[1]。此外,由于相对强的背景辐射和大气对热辐射的散射、吸收作用,目标与背景对比度低,并常处于强杂波和噪声干扰条件下,这就使得传统的利用目标形状及辐射特征的图像检测识别技术无法有效应用[2]。据此,本文提出一种基于回形窗的弱小多目标图像分割方法。它是利用目标与周围噪声灰度值的较大差异为出发点来分割图像的,实验证明将该方法应用于红外弱小目标检测能得到较好的结果。

1图像预处理

假设采集时探测器是凝视状态,由于天空背景中的云层缓慢移动,而目标的运动速度通常比较快,因此在目标出现前后可以视背景是静止不动的。通过将有目标图像与背景图像相减即可将背景去除,仅保留两帧图像的差异部分,这部分包括运动的目标和随机出现的噪声点。采用多帧图像平均法求平均背景,包含目标的红外场景图f,(x,y)可以用下式描述[3]:f,(x,y)=f(x,y)+B(x,y)+N(x,y)(1)

(1)式中B(x,y)为背景图像,f(x,y)为目标图像,N(x,y)为噪声图像。

对目标进入视场前有f(x,y)=0,即:

累加目标进入视场前的相连M帧图像f,(x,y),再求算术平均值,即得到平均背景g(x,y)。

这样可使噪声方差由原来的σ2降为1Mσ2,即

均方差降为原来的。因此,M←,σg↑,B≈g。下面是分别将有目标的图像(图1,目标集中在图像中心区域)和无目标的图像与平均背景(图2)进行减法运算,得到含有目标和噪声的图象(图3)以及噪声图像(图4)。图3中,目标主要集中在图像中心区域,由于图像采集热像仪的缺陷,形成明显的细线条毛刺状系统噪声带主要表现在图像上的斜纹。将该图像应用回形窗算法分割可以去除噪声干扰,得到满意的结果。

2回形窗处理

回形窗算法实际上是一种局部的单一门限的分割方法,就是用一个形似汉字“回”的窗口,在待处理图像上滑动对每个象素进行处理。处理过程需要三个步骤:首先设定回形窗口的大小,再计算对应窗口内的象素的平均灰度值。最后得到由两窗口的平均灰度值差构成的图像。具体见以下步骤。

2.1设定回形窗口

根据目标与探测器的作用距离以及目标的实际大小,可以计算出红外目标在热像仪上成像时所占的像元数目及目标的相似形状。假设真实目标的大小为a×b,a为目标长度,b为目标宽度。作用距离为d,系统焦距为f,探测器每个像元的尺寸为μ。由物象关系则有,图像中每个目标所占的像元宽度,高度分别为:

根据目标所占的像元高度,宽度建立如图5所示的回形窗口,设定外窗口比内窗口大2h个像元。由于光学系统的象差及衍射效应,探测器所成的象将变得弥散,弥散斑将比理论计算的像大约2个像元。因此h常取2-3个像元。

2.2计算平均灰度差值图像

令2w=TgtW,2h=TgtH,对每个像素点f(x,y),内窗口和外窗口内各个像素点的灰度值之和PI,PO分别为:

${\rm P}{}_{{\rm I}}={\displaystyle \sum _{i=-\omega }^{\omega }{\displaystyle \sum _{j=-\eta }^{\eta }f}}(x+i,y+j)$ (6)

${\rm P}{}_{{\rm O}}={\displaystyle \sum _{i=-(\omega +h)}^{\omega +h}{\displaystyle \sum _{j=-(\eta +h)}^{\eta +h}f}}(x+i,y+j)$ (7)

内窗口的像素平均灰度值PIavg和环形区域的平均灰度值POavg分别为:

${\rm P}{}_{\text{Ι}\text{a}\text{v}\text{g}}=\frac{{\rm P}{}_{{\rm I}}}{4wh}$ (8)

${\rm P}{}_{\text{Ο}\text{a}\text{v}\text{g}}=\frac{{\rm P}{}_o-{\rm P}{}_{{\rm I}}}{(2\omega +2h)(2\eta +2h)-4\omega \eta }(9)$

计算两灰度值的差PIavg-POavg,用该值替换原象素点f(x,y),得到平均灰度差值图像。

3图像分割

3.1噪声分析

图像的噪声主要来源于探测器,探测器噪声主要是热噪声和散粒噪声,这两种噪声的功率谱都是均匀的,属于白色噪声。除了上述2种外还有$\frac{1}{f}$噪声和辐射噪声。一般情况下,上述噪声都可以近似为平稳随机过程来处理。红外系统中噪声源较多,且相互为统计独立的,由中心极限定律,由n个统计独立的随机变量xi(i=1,2,...n)集合成的总体分布率$x={\displaystyle \sum _{i=1}^{n}x}{}_i$,当n→∞的情况下,x趋向正态分布N(μ,σ)。一副图像f(x,y)的均值,方差可以按下式计算:

$\mu =\frac{1}{{\rm M}{\rm N}}{\displaystyle \sum _{x=0}^{{\rm M}-1}{\displaystyle \sum _{y=0}^{{\rm N}-1}f}}(x,y)$ (10)

$\sigma =\sqrt{\frac{1}{{\rm M}{\rm N}}{\displaystyle \sum _{x=0}^{{\rm M}-1}{\displaystyle \sum _{y=0}^{{\rm N}-1}(}}f(x,y)-\mu ){}^2}$ (11)

为了得到图像噪声的统计特性,取目标出现前的一帧图象进行减背景运算,则该图像(图4)就代表了探测器的噪声。再由(10)式、(11)式得到按正态分布的噪声的均值,方差。在目标出现后,此时的图象经过减背景运算,就只有待分割的目标和噪声。由图4计算得到噪声的μ=0.6,σ=1。

该统计特性对目标出现后(图3)不变,而由正态分知:${\rm P}(X|x<u+3\sigma )=99.74\%$,x为目标周围噪声的灰度均值。

3.2阈值化处理

取对比度阈值Vth=μ+Kσ,式中μ,σ分别为噪声的均值和方差,K为权值,它随目标特征变化而变化,取值以提取的点目标的数目为准则,在满足工程要求的前提下,一般取值3～5。对平均灰度差值图像的每个像素点I(x,y),如果灰度值大于对比度阈值,则将该像素点标记为目标,灰度值为1,否则将像素点的灰度值设为0。设输出二值图像为g(x,y),则:

$g(x,y)=\{\begin{array}{cccc}1,\begin{array}{cccc}& & {\rm I}(x,y)& \end{array}\ge V{}_{th}& & & \\ 0,\begin{array}{cccc}& & {\rm I}(x,y)& \end{array}<V{}_{th}& & & \end{array}(12)$

4实验结果与分析

取某次试验采集的以天空云层为背景的红外弱小多目标图像处理,图1为原始图像序列中的一帧,它含有红外弱小多目标,目标主要集中在中心区域,图像信噪比约为1.25,图像大小为320×256。在作用距离10 km条件下,目标在成像面上占2-4个像元,目标作近似匀速直线运动,下落速度为1～3像素/帧。

对图3,分别采用了传统的固定阈值法和回形窗算法分割,其结果分别如图6,图7所示。

待分割图像图3,噪声的μ=0.6,σ=1,图6为固定阈值的分割结果,根据其直方图分布,固定阈值取两个波峰间的波谷对应的灰度值。最佳阈值取9。阈值增大到10时很多目标将丢失;阈值减小到8,则噪声影响严重,表明固定阈值法不满足需求。再采用其他分割算法如频阈滤波处理,由于目标为点状,与噪声相似,效果也不理想。图7为经过回形窗分割后的结果,取阈值Vth=μ+4σ≈5,由红色框住的感兴趣区域内含有分割出的目标,图像表明在目标集中的区域内能够有效提取视场的目标,剔除图像中的噪声条纹。计算得到得检测概率达到94.4%,平均分割一帧图像时间约283 ms,保证了该算法的执行效率和准确性。

实验表明,阈值选取的合适与否直接影响目标的虚警概率和检测概率,当阈值减小时,分割出的伪目标较多,这时虚警率会增大。当阈值增大时,分割出的目标较少,会有目标丢失,这时漏检率会增大。内窗口的大小由于与目标大小相关,对分割的影响较大;外窗口大小的影响主要与目标的密集程度相关,对于该图像,影响较小。

为保证对弱小目标具有较高的检测概率,一般情况下检测门限不会太高,这时往往会有一些非目标点(例如噪声点)也会被检测出来。可以利用多帧信息即目标的运动特性进一步去除伪目标是有效的。回形窗方法可以在单帧图像上进行识别,结果多帧图像将对检测概率和虚警概率的改善起到积极作用。

5结论

针对红外弱小多目标的图像分割难题,在传统分割算法效果不理想的情况下,提出一种基于回形窗的图像分割方法,采用多帧图像平均法求平均背景,再将待分割图像减该平均背景,进而分割图象,结果表明能达到较高的检测概率,分割方法简单实用,执行效率较高。将该算法用DSP实现,在采集频率100 fps条件下,可以满足实时性。实验证明该方法能够满足任务需求,得到目标的位置信息,借助其它(如弹道分析和多站交汇等)手段就可以计算弹丸的运动轨迹以及落点坐标。

摘要：针对红外弱小目标检测,给出了一种常用的图像预处理方法。重点讲述了一种红外弱小目标图像分割方法,它是用一个回形窗口和对比度阈值进行分割图像。对天空背景下低信噪比的红外弱小目标图像序列能够有效地分割,抑制噪声干扰。描述了对图像的处理过程,将该方法与传统的图像分割方法做了比较,实验表明该算法在执行效率和检测概率上能够取得满意的结果。

关键词：图像预处理,回形窗,红外弱小多目标,阈值

参考文献

[1]陈玉丹,周冰.红外小目标检测中的背景预处理技术研究.科学技术与工程,2006;6(18)2897—2899

[2]徐英.红外图像序列中运动弱小目标检测的方法研究.红外技术,2002;24(6)27—30

[3]惠建江,刘朝晖,等.数学形态学在红外多弱小目标提取中的应用.光子学报,2006;35(4)626—629

[4] Casasent D,Su Wei.SAR ship detection using new conditional con-trast box filter The International Society for Optical Engineering;1999;3721;274—284

[5]于素芬,车宏,等.一种新的红外序列图像运动小目标分割算法.电光与控制,2005;12(3)40—42

[6]徐军,向健华,等.最大化背景模型用于检测红外图像中的弱小目标,光子学报,2002;31(12)1483—1486

[7]衰慧晶,王涌天.一种抗干扰的弱小目标检测方法.光子学报,2004;33(5)609—612

[8]章毓晋.图像处理和分析.北京:清华大学出版社,1999

[9]崔屹.图像处理与分析数学形态学方法及应用.北京:科学出版社,2002

空间观测图像弱小目标检测方法 篇6

目前这类弱小目标的检测方法大多与红外小目标的检测相似。典型的方法主要包括空域滤波[3]、频域滤波[4]、小波降噪[5]、形态学滤波[6]等基本降噪方法,长期以来国内外学者提出了基于经典方法的多种组合和改进的方法。文献[7]提出了一种局部标准差滤波的方法,通过求取原图像中各N×N邻域内像素标准差,提高小目标图像信噪比。文献[5针对图像噪声分布特性,利用小波变换与支持向量机相结合的方法对高分辨率遥感图像进行识别。文献[8]用灰度分割方法首先完成对可能运动目标的检测和标记,然后由后续图像帧间信息来实施目标对象的确认并完成跟踪任务。但这些算法很难同时满足检测概率高、虚警率低、实时性好的要求。

文中根据星空图像的特点,提出了一种基于两次检验,通过时空域滤波先粗检后确认的弱小目标检测方法。首先通过最小二乘拟合的方法得到图像背景参数,利用均值和方差滤除大部分噪声。再通过管道滤波,将混有噪声的弱小目标进行二次提取,通过多帧关联滤除噪声。最后用空域能量累积的方法对目标进行增强,提高信噪比。

1 星空图像噪声模型分析

星空观测图像的模型如式(1)所示。其中r(x,y,t)是原图像,c(x,y,t)是由电路引起的高斯分布噪声,d(x,y,t)是由暗电流和背景光引起的泊松分布噪声,由泊松定理,当单帧图像像素数非常大时,泊松分布收敛为高斯分布。s(x,y,t)是运动目标信号,n(x,y,t)是静止恒星。图1为一帧典型的星空观测图像(灰度16 bit,1 024×1 024 pixel)。

1.1 背景估计

除星空背景成像特征为大面积起伏背景噪声外,其余均为点状小目标,且空间目标的亮度很弱,在背景存在大量恒星的干扰下,分析背景的统计特性并建立起精确的数学模型来描述图像中的起伏背景,对小目标检测、识别是至关重要的。

图1的灰度分布范围为[0~65 535],图2为截取的部分星空图像灰度直方图,灰度分布集中的部分为图像背景噪声,从图中可以看出背景符合高斯分布,且噪声大多集中在灰度[200~300]之间。通过最小二乘拟合方法得到图像背景的均值和方差,步骤如下:

步骤1:计算整图均值μ0和标准差σ0;

步骤2:根据对大量图像的分析,设定最大标准差变化范围k=50;

步骤3:计算最小二乘意义下的拟合误差E;

步骤4:剔除野点。赋值μ1=μ0,σ1=σ0;统计灰度介于(μ1-3σ1,μ1+3σ1)之间的像素均值μ0和标准差σ0;

步骤5:如果σ1与σ0之差大于k,跳转到步骤3;

步骤6:k自减1,如果k大于1,跳转到步骤2;

步骤7:找出拟合误差E最小时的μmin和σmin。

此时得到的均值μmin和标准差σmin即为背景杂波的最小二乘拟合参数。对于图1所示星空图,μmin=233.72,σmin=9.23。方法的流程如图3所示。

取Thr1=μ-3⋅σ,Thr2=μ+k⋅σ,根据正态分布原理,理论上k=3时,灰度范围在[μ-3⋅σ,μ+3⋅σ],即灰度范围在[206,262]可以包括99.7%的背景噪声。最小二乘法拟合背景参数如图4所示。

2 弱小目标检验

对于弱小目标,要求的检测率较高而虚警率必须很低,同时目标本身的信噪比和对比度又较低,所以在单帧检测的情况下很难满足检测要求,必须结合多帧处理进行检验。像素灰度在小于μ+3⋅σ的范围内,仍有一部分弱小目标因信噪比过低而被误检为噪声而滤除。在原图像中,以μ+3⋅σ为中心,σ为半径,即取灰度值在[253,271]之间的灰度置为1,其他灰度置为0,如图5所示。图像中亮点同时含有漏检的弱小目标和噪声。由于噪声的分布是随机的,在任意帧中噪声不重合且无轨迹规律。可通过多帧累加的方法区别弱小目标和噪声。连续求取3帧图像并相加,当某个亮点在同一位置或其邻域内连续出现时,提取其坐标值存入数据库中,作为第一次粗检结果。利用管道滤波的方法,以目标为中心建立一个空间管道,管道的直径代表空间作用尺寸,管道的长度代表检测时间长度。对粗检得到的结果进行扫描,定义检测帧数为5帧,当在同一条管道内连续5帧可以检测到目标时,认为所检目标是真实目标,否则为虚假目标。

3 能量累计增加信噪比

对于检测出的弱小目标,其信噪比一般低于3,在图像中很难分辨,利用邻域信息对其进行能量累计增加信噪比。

一般认为,空间目标成像的灰度值在一定程度上高于背景噪声,通常具有一定的面积,可以从目标局部区域灰度较为稳定的特征出发来制订具体的分割标准。在预处理结果图像中选取m×n的滑动窗来统计图像中各局部区域的局部能量值。

首先给出关于图像局部能量的定义,以像素点(i,j)为起始点,大小为m×n的图像窗口的局部能量为

设I(i,j)表示原始星像,E(i,j)表示能量累积后的星像,Area T表示星像区域,定义低信噪比扩展目标满足如下条件

对于高斯背景噪声,假设其均值为μ,方差为σ,则经过能量累计后的图像均值μ’=μ,方差σ’=σ/(mn)1/2,取,k=100.3。即低信噪比扩展目标区域经过能量累积后星像的峰值信噪比大于3。

图6为利用不同大小窗口对原始图像中暗弱的小目标进行增强的效果图。分别采用3×3,5×5的窗口进行能量累积。可以看到暗弱的小目标在经过能量累计后变得清晰。

4 实验结果

为了验证方法的有效性,利用文中算法对拍摄的地基观测星空图像进行试验,图像灰度为16 bit,大小为1 024×1 024像素。软件平台为Matlab R2008a,运行环境为,硬件配置为双核2.3 GHz,1 G内存。

图7为原始星图局部放大的图像,图片中较亮的星坐标为(564,236),绿颜色圆内为3个暗弱的小目标,信噪比很低几乎被背景所淹没。图8为采用背景均值方差的方法对图像进行处理,可以提取出较亮的星点。图9为采用管道滤波对目标进行先检验后确认的方法,可以看出暗弱目标被有效地检测出来,提取其坐标并在原图中记录。图10为得到的最终结果,原星图中暗弱目标得到明显的增强。

5 结论

文中提出了一种有效的星空图像中弱小目标的检测方法,首先用最小二乘拟合的方法得到图像的背景参数,确定噪声所在的范围,利用阈值将大部分噪声滤除。并用两次检测,提取漏检目标,利用管道滤波的方法将暗弱小目标提取出来。最后通过能量累计的方法提高图像信噪比。经过此预处理后图像的信噪比显著增强,暗弱目标得到有效的划分和检测。

摘要：空间观测的星空图像中,由于恒星距离较远在图像中仅占几个像素,且存在大量噪声,因此很多信噪比较低的弱小目标被淹没。在预处理环节应将其有效地检测出来,降低后续目标识别和跟踪的虚警率。首先对星空图像的噪声模型进行了分析,通过最小二乘拟合法得到图像背景参数。利用两次检验的方法,首先对目标进行第一次粗验,利用管道滤波的方法进行第二次确认,滤除噪声得到目标。最后通过能量累积的方法对原图像中弱小目标进行增强。仿真实验结果表明了算法的有效性。

关键词：星空图像,弱小目标检测,最小二乘,管道滤波,能量累计

参考文献

[1]漆长松,刘恩海,钟建勇.天基平台深空运动小目标检测[J].光电工程,2008,35(5):28-32.

[2]张耀,雍杨,张启衡,等.低对比度小目标检测[J].强激光与粒子束,2010,22(11):2566-2570.

[3]曹琦,毕笃彦,张齐.一种新的空时域滤波小目标检测方法[J].光电工程,2009,36(7):41-44.

[4]尹德强,李文海,宋有为.基于频域滤波的分数阶Fourier变换的目标检测[J].现代电子技术,2011,34(19):35-38.

[5]陈向东,张瑾.一种基于小波变换的红外图像去噪方法[J].传感器与微系统,2006,25(8):7-9.

[6]汪洋,郑亲波,张钧屏.基于数学形态学的红外图像小目标检测[J].红外与激光工程,2003,32(1):28-31.

[6]Yilmaz A,Shafique K,Shah M.Target tracking in airborneforward looking infrared imagery[J].Image Vision Comput,2003,21(7):623-635.

[7]刘健,刘忠.基于小波变换和支持向量机的水下目标分类方法[J].火力与指挥控制,2011,36(9):88-92.

红外弱小目标检测 篇7

事实上,目标具有多样化的特征(包括物理特征和数学特征),而强度特征仅仅是其诸多特征中的一部分,充分利用信号的多方面特征信息可有效提高系统对目标和杂波的分辨能力[2]。本文主要创新点在于:利用弱小运动目标在时频多维联合域中分析目标和杂波的特征差异,系统分析运动目标和杂波的时频特征,指出弱小目标经过处是长时非平稳而短时平稳的随机信号,而杂波所在处通常为长时平稳信号。利用运动目标经过处时频发生的微小变化来检测目标,而杂波处的时频基本保持平稳的差异,有效去除背景杂波的干扰,于此检测出弱小运动目标。最后通过DSP实现弱小运动目标检测算法。

1 检测算法分析

弱小运动目标的序列图像f(x,y,k)可表述为:

其中,s(x,y,k)、b(x,y,k)和n(x,y,k)分别为第k帧经过像素(x,y)的目标、杂波和噪声的幅度值,k为图像序列的帧数。在图像大小、帧数等参数已经确定的条件下,首先调用目标检测模板对序列图像进行处理,根据目标经过处的像素点会引起灰度值的瞬时起伏,而噪声点是服从时间独立的高斯分布这一特点,设置相应判决门限并根据判决准则得到一系列疑似目标点,然后根据目标与杂波在时频上存在的明显差异识别运动目标。

1.1 设置门限过滤噪声

假设目标检测模板大小为n=m×m,Fm为滤除噪声设置的门限,H1判定为疑似目标点,H2判定为噪声,则检验统计量为:

其中,f(xi,yi)为模板上像素点的灰度值。检验统计量T大于设置门限Fm时,则认为此点为疑似目标点,反之则为噪声。

一般情况下,采用的检测模板大小为9个像素,如图1所示。考虑到目标点及其他干扰所占像素值有可能大于实际所选用模板,所以做了适当的改进,将疑似目标点属于同一疑似目标斑块的像素点进行合并,如图2所示。

假设Fi为3×3模板上任意一点,Fim为3×3模板中心点,将满足以下条件的疑似像素点进行合并:

式(3)表明两个3×3模板上任意两点八邻域距离小于L1的情况(L1取n1个像素),式(4)表明两个3×3摸板上两中心点八邻域距离小于L2的情况(L2取n2个像素)。其中n1、n2根据实际目标点、杂波大小确定。式(5)表明将满足式(3)、式(4)的两个疑似目标点合并为一个新的疑似目标点,重复进行上述合并操作,直至将所有疑似目标点合并完为止。

1.2 时频分析及其实现

时频检测方法体现了信号在时域和频域的联合分布信息,可为分析及分辨目标和杂波提供细微的空间、时间、频率及其联合多维度的特征。

假设序列图像(x,y)按采样时间先后顺序形成三维图像(x,y,k),将所有待处理原始序列图像中同一位置空间坐标为(x,y)的灰度值读取出来并按照时间的先后顺序存储为f(m),即形成f(x,y,k)→f(m)的映射。然后对f(m)信号进行如下短时加窗处理:

其中,t为时频变换后的时间,如果假设图像序列中相邻帧之间的时间间隔为△t,则时间t即为△t×k;m为序列图像的第k帧,w为短时傅里叶变换之后的频率,与采样点数有关;W(N1)为短时窗函数,一般为能量聚集性强的汉明窗或汉宁窗,N1为短时窗函数的窗长。

假设目标经过处像素点幅度为目标幅度和噪声幅度累加,即f(x,y,k)=s(x,y,k)+n(x,y,k),且s(x,y,k)、n(x,y k)相互独立。则目标经过像素点的短时傅里叶变换为:

可见,目标经过像素点的时频值是噪声时频值与目标时频值的和。

夜晚深空的杂波主要是恒星,幅度变化缓慢。杂波经过处像素点幅度为杂波幅度和噪声幅度累加,即为f(x,y,k)=b(x,y,k)+n(x,y,k),且b(x,y,k)、n(x,y,k)相互独立。则杂波经过像素点的短时傅里叶变换为:

可见,杂波经过处像素点的幅频值是噪声幅频值与杂波幅频值的和,与目标点的短时傅立叶变换的波形存在明显的差异。

根据目标经过的时间窗口内,其短时傅里叶变换波形的低频段幅度存在短时波包,形成了明显的“主瓣”和“旁瓣”效应,而杂波低频段幅度比较平稳,则提出假设统计检验量T为:

其中,H4表示接受疑似目标点为真实目标点;H3表示接受疑似目标点为杂波点;F(ti,0)为短时傅里叶变换ti为0、1...51时,频率w=0处的数据矩阵;max F(ti,0)为max F(t,w)中峰值;为F(t,w)均值;为F(t,w)标准差;T0为区分目标和杂波的判决门限。将检验统计量T与判决门限T0进行比较判断出真实目标。

2 系统结构

系统结构如图3所示。首先将序列图像进行预处理(可以采用FPGA等逻辑器件处理),使得图像序列每帧大小一致、时间间隔恒定,然后通过系统核心芯片DSP进行算法实现(即滤除噪声干扰、识别出疑似目标点),最后根据运动目标的空时频特性的差异识别出运动目标,输出检测结果[3]。

系统设计软件流程框图如图4所示。系统初始化开始后,首先从待处理原始图像中读取任意一张图像,然后初始化一系列参数,根据目标与噪声的像素特性的差异设置门限滤除噪声的干扰,再根据短时傅里叶变换波形差异区分目标和杂波,最后根据目标短时波包的“主瓣”和“旁瓣”比值,动态改变窗函数的宽度和序列图像的帧数,以达到最优的检测性能[4,5]。

3 实验与分析

试验数据为外场采集的真实红外图像序列,该图像序列有51帧,每帧图像为160×160像素。图5为本系统所采用序列图像中具有代表性的一帧图像。对序列图像进行设置门限滤除噪声的处理并对属于同一斑块的像素点进行合并,得到如表1所示的疑似目标点。通过以上方法可以有效地识别出疑似目标点。

系统取序列图像中疑似目标点的空间坐标(x,y)分别为(108,88)、(32,43),窗函数W(N1)为hanning(N1)(其中N1=8),FFT的采样点数为1 024,△t=1进行处理。疑似目标点(108,88)短时傅里叶变换之后取t=1时刻的幅频特性曲线如图6所示,t=20时如图7所示。疑似目标点(32,43)短时傅里叶变换之后取t=1时刻的幅频特性曲线如图8所示,t=20时如图9所示。

根据短时傅里叶变换的数据得到在某一时刻的幅度-频率二维图像。图6~图9所示4张图的包络大致相同,其中疑似目标点(32,43)在t=1、t=20时刻的幅频曲线的峰值分别为600、614,其峰值差异并不明显。其余4个疑似目标点峰值差异也很小,与疑似目标点(32,43)类似,这里就不再赘述[6]。而疑似目标点(108,88)的峰值差异明显,分别为624、391。因此利用此特征可以有效地识别目标。

将每个疑似目标点的短时傅里叶变换后零频的数据矩阵F(t,0)的峰值(如图6~图9处的峰值)按照时间t组合在一起,形成每个疑似目标点的时间-幅度峰值二维图像。图10为疑似目标点(32,43)的时间-幅度峰值图,图11为疑似目标点(108,88)的时间-幅度峰值图。其余疑似目标点的时间-幅度峰值与疑似目标点(32,43)类似,这里就不再重复。

由图10、图11可见,疑似目标点(32,43)和(108,88)的时间-幅度峰值图特性存在明显的差异。即运动目标点存在明显包络,而杂波比较平稳,因而根据这一差异可以区分目标与杂波。

本系统针对现有弱小目标检测技术在挖掘目标细微特征方面存在的缺陷和严重不足,利用时频信号处理理论感知弱目标时、频特征,探索能切实提高弱目标检测性能的有效方法,为提升空间暗弱目标的探测能力提供了切实有效、先进的技术手段。一般情况下,序列图像弱小运动目标的检测算法运算量大,实时性要求高,应用一般传统器件无法满足其要求,而高速DSP芯片则可以很好地实现。本系统即利用DSP实现了序列图像弱小运动目标在软件上的检测算法。通过分析最后的检测结果,调节初始化参数,可以方便地达到所需要的性能,对于算法的验证与调试具有广泛的适用性。

摘要：针对强杂波背景中的弱小运动目标检测问题,在分析弱小目标的运动特性在时频变换中表现出显著差异的基础上,采用两级滤波方法检测运动目标,提出了一种基于DSP的序列图像弱小运动目标检测方法。该方法首先对序列图像进行预处理、设置门限过滤噪声,然后根据目标和杂波的时频特征差异识别出弱小运动目标。实验结果表明,该方法可以很好地抑制噪声的干扰,并能检测出复杂背景下的弱小运动目标。

关键词：时频分析,DSP,弱小目标检测,序列图像

参考文献

[1]GHAMASAEE R,AMOOZEGAR F,HOYUEN P.Surveyof neural networks as applied to target tracking[J].SPIE,1997,3069:412-423.

[2]LEONOV S.Nonparametric methods for clutter removal[J].IEEE transaction on aerospace and Electronic Systems,2001,37(3):832-847.

[3]李桂菊,赵建,王金库.目标检测算法在DSP系统中软硬件优化方法的实现[J].红外与激光工程,2006,10(35):377-381.

[4]李飞飞,刘伟宁,孙海江.基于FPGA+DSP的红外弱小目标检测与跟踪系统设计[J].激光与红外,2009,39(4):450-453.

[5]李宏,李伟,李蒙,等.基于多DSP的红外目标跟踪系统设计与实现[J].电子技术应用,2006,32(8).