一種基于模糊距離的紅外小目標(biāo)檢測(cè)方法
【專利摘要】本發(fā)明為有效檢測(cè)復(fù)雜背景下的紅外小目標(biāo)，公開(kāi)了一種基于模糊距離的紅外小目標(biāo)檢測(cè)方法，涉及數(shù)字圖像處理技術(shù)領(lǐng)域。本發(fā)明首先針對(duì)小目標(biāo)的出現(xiàn)會(huì)引起局部紋理發(fā)生較大變化這一特征，提出一種模糊距離概念，從而將局部紋理的變化轉(zhuǎn)化為模糊距離的度量；其次針對(duì)小目標(biāo)的尺寸會(huì)隨成像距離的改變而發(fā)生相應(yīng)變化這一特點(diǎn)，提出一種多尺度模糊距離及多尺度模糊距離圖，能剔除大量背景雜波和噪聲干擾；然后通過(guò)迭代運(yùn)算，有效抑制殘留背景和噪聲，增強(qiáng)目標(biāo)；最后利用自適應(yīng)閾值檢測(cè)目標(biāo)，該檢測(cè)方法簡(jiǎn)單且有效。
【專利說(shuō)明】
一種基于模糊距離的紅外小目標(biāo)檢測(cè)方法
技術(shù)領(lǐng)域
[0001 ]本發(fā)明涉及數(shù)字圖像處理技術(shù)領(lǐng)域，具體是一種基于模糊距離的紅外小目標(biāo)檢測(cè) 方法。
【背景技術(shù)】
[0002] 紅外目標(biāo)檢測(cè)技術(shù)已在諸多民用領(lǐng)域得到廣泛應(yīng)用，如醫(yī)學(xué)紅外成像、遙感和森 林火災(zāi)探測(cè)、預(yù)警探測(cè)等。檢測(cè)性能好壞直接決定紅外系統(tǒng)的有效作用距離及設(shè)備的復(fù)雜 程度。遠(yuǎn)距離紅外系統(tǒng)因成像距離遠(yuǎn)，從而導(dǎo)致目標(biāo)尺寸小、強(qiáng)度弱，且易淹沒(méi)在強(qiáng)噪聲和 背景雜波中。在這種情況下，有效檢測(cè)出未知位置/速度/大小/形狀的小目標(biāo)面臨很大難 度，因而這類技術(shù)受到了持續(xù)而普遍的關(guān)注。
[0003] 現(xiàn)有的小目標(biāo)檢測(cè)技術(shù)可以簡(jiǎn)單分為檢測(cè)前跟蹤(Track before Detect，TBD)和 跟蹤前檢測(cè)(Detect before Track，DBT)兩類。TBD方法一般先搜索目標(biāo)所有可能的運(yùn)動(dòng)軌 跡，并完成目標(biāo)能量累加，從而獲得每條運(yùn)動(dòng)軌跡的后驗(yàn)概率，最后利用閾值判斷真實(shí)的目 標(biāo)運(yùn)動(dòng)軌跡，如三維匹配濾波、三維方向?yàn)V波。TBD方法易于建立相對(duì)較完整的理論模型和 處理方法，但計(jì)算復(fù)雜，硬件實(shí)現(xiàn)麻煩，在實(shí)際工程中應(yīng)用較少（C · Q · Gao，D · Y · Meng， Y. Yang,Y.T. Wang,X.F. Zhou,A.G.Hauptmann, Infrared patch-image mode1 for small target detection in a single image,IEEE Transactions on Image Processing,22 (12) :4996-5009,2013)^811方法一般先根據(jù)單幀圖像的短時(shí)灰度特性檢測(cè)候選目標(biāo)，然后 根據(jù)目標(biāo)的短時(shí)運(yùn)動(dòng)特性剔除虛假目標(biāo)，從而獲得目標(biāo)真實(shí)的運(yùn)動(dòng)軌跡。與TBD方法相比， DBT算法簡(jiǎn)單，便于程序模塊化實(shí)現(xiàn)，因而在實(shí)時(shí)目標(biāo)檢測(cè)領(lǐng)域中發(fā)揮重要作用(H.Deng， X.P.Sun,M.L.Liu,C.H.Ye,X.Zhou,Infrared smal1-target detection using multiscale gray difference weighted image entropy, IEEE Transactions on Aerospace and electronic Systems,52(1) :60-72,2016)。依據(jù)國(guó)際光學(xué)工程學(xué)會(huì)給出的 小目標(biāo)定義，小目標(biāo)的尺寸一般不超過(guò)整幅圖像大小的0.12%，因而目標(biāo)的出現(xiàn)對(duì)整幅圖 像紋理結(jié)構(gòu)影響較小，但對(duì)局部區(qū)域紋理結(jié)構(gòu)影響較大。基于此特征，一些描述局部紋理變 化算子被提出，能有效檢測(cè)紅外小目標(biāo)，如多尺度灰度加權(quán)圖像熵、稀疏環(huán)表示、概率主成 分分析、局部對(duì)比度測(cè)度（C.L.Philip，H.Li，Y.T.Wei，T.Xia，and Y.Y.Tang，A local contrast method for small infrared target detection, IEEE Transactions on Geoscience and Remote Sensing,51(1) :574-581,2014)。本申請(qǐng)專利方法隸屬于DBT方 法。與常規(guī)DBT方法相比，本申請(qǐng)專利方法提出了一種模糊距離概念，能有效刻畫目標(biāo)內(nèi)部、 背景內(nèi)部、目標(biāo)與背景之間的距離，從而將因小目標(biāo)的出現(xiàn)導(dǎo)致的局部紋理變化轉(zhuǎn)化為模 糊距離的度量，實(shí)現(xiàn)背景抑制、目標(biāo)增強(qiáng)，有利于提高目標(biāo)的檢測(cè)概率，降低虛警概率。
[0004] 雖然紅外小目標(biāo)檢測(cè)領(lǐng)域已取得了很多成果，并且已有很多TBD和DBT算法在工程 應(yīng)用中得到了很好的實(shí)現(xiàn)。但對(duì)于復(fù)雜背景下低信噪比紅外小目標(biāo)圖像，目標(biāo)檢測(cè)系統(tǒng)工 程依然面臨很大的難度和復(fù)雜性。因此，如何設(shè)計(jì)出結(jié)果簡(jiǎn)單、魯棒性強(qiáng)的紅外小目標(biāo)檢測(cè) 算法是目標(biāo)檢測(cè)技術(shù)應(yīng)用研究的關(guān)鍵問(wèn)題。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明是針對(duì)現(xiàn)有紅外小目標(biāo)檢測(cè)方法存在的上述技術(shù)問(wèn)題，提供了一種基于模 糊距離的紅外小目標(biāo)檢測(cè)方法。
[0006] -種基于模糊距離的紅外小目標(biāo)檢測(cè)方法，包括以下步驟：
[0007] 步驟1、初始化相關(guān)參數(shù)：
[0008] 設(shè)置最大迭代次數(shù)L，其中L為正整數(shù);初始化迭代次數(shù)索引k = 0;設(shè)置最大局部窗 口大小mXn，其中m和η均為大于1的正奇數(shù)；
[0009] 步驟2、求解紅外圖像I每個(gè)像素點(diǎn)的模糊距離，包括以下步驟：
[0010] 步驟2.1、獲得單幀紅外圖像I每一個(gè)像素點(diǎn)（x，y)的鄰域空間集{ 0:11 = 1， 2，· · ·，s}，其中s=min{0.5 · (m-l)，0.5 · (n-1)}，〇丄的大小為(21 + 1)X(21 + 1)，像素點(diǎn) (x，y)的鄰域空間 Ωι的定義|max( |p_x|，|q_y| ) < l}，（p，q)是鄰域空間 內(nèi)的像素點(diǎn)；
[0011] 步驟2.2、計(jì)算每一個(gè)像素點(diǎn)(1，5〇的各個(gè)鄰域空間〇1內(nèi)像素的灰度均值〇1(^50 :
[0013] 其中，#Ω:表示鄰域空間Ω:內(nèi)像素點(diǎn)的數(shù)目，I(a，b)表示鄰域空間像素點(diǎn) (a，b)處的灰度值。
[0014] 步驟2.3、計(jì)算每一個(gè)像素點(diǎn)（x，y)所對(duì)應(yīng)的最大鄰域空間〇3與其它各個(gè)鄰域空 間Ω i，i = 1，2，…，s-1之間的模糊距離Ei:
[0016]其中e為自然常數(shù)，Ds表示最大鄰域空間內(nèi)像素的灰度均值，Di表示第i個(gè)鄰域 空間Ω,內(nèi)像素的灰度均值；
[0017]步驟3、求解多尺度模糊距離圖：
[0018]遍歷紅外圖像I中每一個(gè)像素點(diǎn)，得到每一個(gè)像素點(diǎn)的多尺度模糊距離E(x，y)，然 后根據(jù)每一個(gè)像素點(diǎn)的多尺度模糊距離E(x，y)并通過(guò)歸一化方法獲得紅外圖像I的多尺度 模糊距離圖E;
[0019] 步驟4、迭代停止準(zhǔn)則判斷：
[0020] 迭代次數(shù)索引k加1，判斷迭代次數(shù)索引k與最大迭代次數(shù)L之間的關(guān)系，若k〈L，把 步驟3所獲得的多尺度模糊距離圖E作為新的紅外圖像I，返回步驟2;若k2L，停止迭代，把 步驟3所獲得的多尺度模糊距離圖E作為最終的濾波結(jié)果，進(jìn)行步驟5;
[0021] 步驟5、求解自適應(yīng)閾值T:
[0022]對(duì)經(jīng)過(guò)步驟4所獲得的最終濾波結(jié)果，即多尺度模糊距離圖E，求解自適應(yīng)閾值T， 并通過(guò)自適應(yīng)閾值T對(duì)多尺度模糊距離圖E進(jìn)行二值化，檢測(cè)出紅外小目標(biāo)。
[0023]如上所述的步驟3中紅外圖像I每一個(gè)像素點(diǎn)(x，y)的多尺度模糊距離表示為
[0024] E(X，y) =max {0，Ei，E2，…，Es-1} 〇
[0025] 如上所述的步驟5中自適應(yīng)閾值T的確定方法為
[0026] τ = α · Emax+β · mt
[0027] 其中，α和β為正的常數(shù)，mt為多尺度模糊距離圖E的灰度均值，Emax為多尺度模糊距 離圖E的灰度最大值。
[0028] 本發(fā)明與現(xiàn)有技術(shù)相比，具有以下優(yōu)點(diǎn)：
[0029] 1.針對(duì)小目標(biāo)的出現(xiàn)會(huì)引起局部紋理發(fā)生較大變化這一特征，本發(fā)明提出了一種 模糊距離概念，能有效刻畫目標(biāo)內(nèi)部、背景內(nèi)部、目標(biāo)與背景之間的距離，從而將局部紋理 變化轉(zhuǎn)化為模糊距離的度量。
[0030] 2.針對(duì)小目標(biāo)的尺寸會(huì)隨成像距離的改變而發(fā)生相應(yīng)變化這一特點(diǎn)，本發(fā)明提出 了一種多尺度模糊距離度量方法，從而有效地提高目標(biāo)的檢測(cè)概率，降低虛警概率。
[0031] 3.本發(fā)明首先構(gòu)建復(fù)雜背景下紅外圖像的多尺度模糊距離圖，能剔除大量背景雜 波和噪聲干擾;其次通過(guò)迭代運(yùn)算，有效抑制殘留的背景和噪聲，增強(qiáng)目標(biāo);然后利用自適 應(yīng)閾值分離目標(biāo)，簡(jiǎn)單且有效地檢測(cè)出目標(biāo)。
【附圖說(shuō)明】
[0032]圖1為本發(fā)明的流程框圖。
[0033] 圖2為多次迭代后的多尺度模糊距離圖，其中，A圖為原始天空背景下的小目標(biāo)圖 像（白色矩形框表示目標(biāo)所在區(qū)域），B圖為一次迭代后的多尺度模糊距離圖，C圖為兩次迭 代后的多尺度模糊距離圖，D圖為三次迭代后的多尺度模糊距離圖，E圖為四次迭代后的多 尺度模糊距離圖，F(xiàn)圖為為采用自適應(yīng)閾值的檢測(cè)結(jié)果。
[0034] 圖3為采用本實(shí)施例方法獲得的單個(gè)紅外小目標(biāo)圖像的濾波結(jié)果示意圖。
[0035] A、B、C和D:依次為原始不同背景下的單個(gè)紅外小目標(biāo)圖像（白色矩形框表示目標(biāo) 所在區(qū)域），其中，A圖為天空背景下的小目標(biāo)圖像，B圖為雜波背景下的小目標(biāo)圖像，C圖為 海洋背景的水下小目標(biāo)圖像，D圖為地物背景下的小目標(biāo)圖像；
[0036] E、F、G和H:依次對(duì)應(yīng)于A、B、C和D的采用本實(shí)施例方法獲得的濾波結(jié)果。
[0037] 圖4為采用本實(shí)施例方法獲得的兩個(gè)紅外小目標(biāo)圖像的濾波結(jié)果示意圖。
[0038] A、B、C和D:依次為原始不同背景下的兩個(gè)紅外小目標(biāo)圖像（白色矩形框表示目標(biāo) 所在區(qū)域），其中，A圖為天空背景下的小目標(biāo)圖像，B圖為天空背景下的小目標(biāo)圖像，C圖為 海洋水面背景下的小目標(biāo)圖像，D圖為地物背景下的小目標(biāo)圖像；
[0039] E、F、G和H:依次對(duì)應(yīng)于A、B、C和D的采用本實(shí)施例方法獲得的濾波結(jié)果。
[0040]圖5為針對(duì)圖3中的A、B、C和D采用現(xiàn)有方法獲得的濾波結(jié)果示意圖。
[0041 ]六141、(：1和01:依次對(duì)應(yīng)于圖34、圖38、圖3(：和圖30的基于局部對(duì)比度（1^〇&1 contrast measure，LCM)方法的濾波結(jié)果；
[0042] A2、B2、C2和D2:依次對(duì)應(yīng)于圖3A、圖3B、圖3C和圖3D的基于最大均值濾波(Maxmean filter，MME)方法的濾波結(jié)果；
[0043] A3、B3、C3和D3 :依次對(duì)應(yīng)于圖3A、圖3B、圖3C和圖3D的基于最大中值濾波 (Maxmedian filter，MED)方法的濾波結(jié)果；
[0044] A4、B4、C4和D4:依次對(duì)應(yīng)于圖3A、圖3B、圖3C和圖3D的基于頂帽濾波（Top-hat filter，THT)方法的濾波結(jié)果。
[0045] 圖6為針對(duì)圖4中的A、B、C和D采用現(xiàn)有方法獲得的濾波結(jié)果示意圖。
[0046]六141、(：1和01:依次對(duì)應(yīng)于圖44、圖48、圖4(：和圖40的基于局部對(duì)比度（1^〇&1 contrast measure，LCM)方法的濾波結(jié)果；
[0047] A2、B2、C2和D2:依次對(duì)應(yīng)于圖4A、圖4B、圖4C和圖4D的基于最大均值濾波(Maxmean filter，MME)方法的濾波結(jié)果；
[0048] A3、B3、C3和D3 :依次對(duì)應(yīng)于圖4A、圖4B、圖4C和圖4D的基于最大中值濾波 (Maxmedian filter，MED)方法的濾波結(jié)果；
[0049] A4、B4、C4和D4:依次對(duì)應(yīng)于圖4A、圖4B、圖4C和圖4D的基于頂帽濾波（Top-hat filter，THT)方法的濾波結(jié)果。
【具體實(shí)施方式】
[0050] 下面通過(guò)實(shí)施例，并結(jié)合附圖，對(duì)本發(fā)明的技術(shù)方案作進(jìn)一步具體的說(shuō)明。
[0051] 實(shí)施例：
[0052]圖1為本發(fā)明實(shí)施方式的結(jié)構(gòu)示意框圖，主要包括一圖像輸入:輸入單幀紅外小目 標(biāo)圖像;模糊距離求解:求解輸入圖像當(dāng)前區(qū)域與鄰域集之間的模糊距離;多尺度模糊距離 圖求解:求解輸入圖像的多尺度模糊距離圖，刻畫可能存在的因成像距離的變化所引起的 目標(biāo)尺寸變化這一特性;迭代停止判斷:判斷迭代次數(shù)索引與最大迭代次數(shù)之間的關(guān)系，重 復(fù)迭代，獲得最終濾波結(jié)果；閾值求解:求解最終濾波結(jié)果的分割閾值;二值化:通過(guò)閾值分 離目標(biāo)，獲得目標(biāo)質(zhì)心位置。
[0053] 具體為：
[0054]步驟1，初始化相關(guān)參數(shù)：
[0055]設(shè)置最大迭代次數(shù)L，其中L為正整數(shù)，一般為2,3或4;初始化迭代次數(shù)索引k = 0; 設(shè)置最大局部窗口大小mXn，其中m和η均為大于1的正奇數(shù)，一般m和η的值均設(shè)置為7，9或 11〇
[0056]步驟2，求解紅外圖像I每個(gè)像素點(diǎn)的模糊距離：
[0057]復(fù)雜背景下的紅外小目標(biāo)圖像一般由目標(biāo)、復(fù)雜背景和噪聲三部分組成。通過(guò)度 量目標(biāo)內(nèi)部、背景內(nèi)部、目標(biāo)與背景之間的距離，從而將因小目標(biāo)的出現(xiàn)所引起的局部紋理 變化轉(zhuǎn)化為模糊距離的度量，實(shí)現(xiàn)背景抑制和目標(biāo)增強(qiáng)。
[0058]紅外圖像I每個(gè)像素點(diǎn)的模糊距離的求解過(guò)程如下：
[0059] (1)獲得單幀紅外圖像I每一個(gè)像素點(diǎn)(x，y)的鄰域空間集{0:11 = 1,2,…，s}，其 中s=min{0.5 · (m-1) ,0.5 · (η-1)}，Ω :的大小為(21+1) X (21+1)，像素點(diǎn)(x，y)的鄰域空 間〇1的定義為01={(口，9)|11^(41|，|91|)《1}，（口，9)是鄰域空間〇 1內(nèi)的像素點(diǎn)。
[0060] (2)計(jì)算每一個(gè)像素點(diǎn)(x，y)的各個(gè)鄰域空間〇丨內(nèi)像素的灰度均值DiUj):
[0062] 其中，# Ω :表示鄰域空間Ω :內(nèi)像素點(diǎn)的數(shù)目，I (a，b)表示鄰域空間Ω :內(nèi)像素點(diǎn) (a，b)處的灰度值。
[0063] (3)計(jì)算每一個(gè)像素點(diǎn)(x，y)所對(duì)應(yīng)的最大鄰域空間〇3與其它各個(gè)鄰域空間Ω,,? =1，2，. . ·，s-1之間的模糊距離Ei:
[0065]其中e為自然常數(shù)，Ds表示最大鄰域空間內(nèi)像素的灰度均值，Di表示第i個(gè)鄰域 空間Ω,內(nèi)像素的灰度均值。
[0066]步驟3,求解多尺度模糊距離圖：
[0067]盡管缺乏紅外小目標(biāo)尺寸、大小等先驗(yàn)知識(shí)，但隨著成像距離的改變，目標(biāo)的尺 寸、大小等特征會(huì)發(fā)生一定程度地改變。利用多尺度模糊距離刻畫可能存在的因成像距離 的變化所引起的目標(biāo)尺寸變化這一性質(zhì)。
[0068]紅外圖像I每一個(gè)像素點(diǎn)(x，y)的多尺度模糊距離表示為
[0069] E(x,y)=max{0,Ei,E2, . . . ,Es-i} (3)
[0070] 其中，…，s-1表示像素點(diǎn)(x，y)的一系列模糊距離。
[0071] 遍歷紅外圖像I中每一個(gè)像素點(diǎn)，得到每一個(gè)像素點(diǎn)的多尺度模糊距離，然后通過(guò) 歸一化方法獲得紅外圖像I的多尺度模糊距離圖E(如圖2的B所示）。從圖2的B中可以看出， 紅外圖像I的均質(zhì)天空背景和云層內(nèi)部背景得到抑制，目標(biāo)得到增強(qiáng)。
[0072] 步驟4,迭代停止準(zhǔn)則判斷：
[0073]迭代次數(shù)索引k加1，判斷迭代次數(shù)索引k與最大迭代次數(shù)L之間的關(guān)系，若k〈L，將 步驟3所獲得的多尺度模糊距離圖E作為新的紅外圖像I，返回步驟2;若k2L，停止迭代，將 步驟3所獲得的多尺度模糊距離圖作為最終的濾波結(jié)果，進(jìn)行步驟5。
[0074]紅外圖像的復(fù)雜背景邊界具有與目標(biāo)相似的熱成像特征，通過(guò)多次重復(fù)迭代可以 消除殘留背景和噪聲的影響(如圖2所示）。圖2的B表示一次迭代后的多尺度模糊距離圖。從 圖2的B中可以看出，圖2的B中的均質(zhì)背景(均質(zhì)天空和均質(zhì)云層內(nèi)部)得到很好的抑制，但 殘留較多的云層邊緣。圖2的B的多尺度模糊距離圖（如圖2的C所示)能去除絕大部分殘留的 云層邊緣，而圖2的C的多尺度模糊距離圖（如圖2的D所示)能去除剩余的云層邊緣，使得復(fù) 雜云層邊界得到進(jìn)一步地抑制，目標(biāo)得到進(jìn)一步地增強(qiáng)。圖2的D的多尺度模糊距離圖（如圖 2的E所示）與圖2的D差異不大，說(shuō)明采用合適有限的迭代次數(shù)就可以獲得較理想的濾波結(jié) 果。
[0075] 步驟5,求解自適應(yīng)閾值T:
[0076]對(duì)經(jīng)過(guò)步驟4所獲得的最終濾波結(jié)果（即多尺度模糊距離圖E)求解自適應(yīng)閾值T， 并通過(guò)自適應(yīng)閾值T對(duì)多尺度模糊距離圖E進(jìn)行二值化，檢測(cè)出紅外小目標(biāo)(二值化結(jié)果如 圖2的F所示）。自適應(yīng)閾值T的確定方法為
[0077] τ = α · Emax+β · mt (4) 其中，α和β為正的常數(shù)，mt為多尺度模糊距離圖E的灰度均值，Emax為多尺度模糊距離圖 E的灰度最大值。
[0078] 采用不同紅外小目標(biāo)檢測(cè)方法的濾波結(jié)果如圖5和圖6所示。比較圖3、圖4、圖5和 圖6，本實(shí)施例方法獲得的濾波性能最好，其中，基于局部對(duì)比度（Local contrast measure，LCM)方法來(lái)自于文獻(xiàn)C.L.Philip，Η·Li，Υ·T.Wei，T.Xia，and Υ· Y.Tang,A local contrast method for small infrared target detection, IEEE Transactions on Geoscience and Remote Sensing，51(l) :574-581，2014，LCM方法先通過(guò)局部對(duì)比度度量 當(dāng)前區(qū)域與鄰域之間的不相似性，然后通過(guò)閾值分離目標(biāo)；基于最大均值濾波(Maxmean fi Iter，MME)或最大中值濾波(Maxmedian fi Iter，MED)方法來(lái)自于文獻(xiàn)S · Deshpande， M.Er,and R.Venkateswarlu,Maxmean and Maxmedian filters for detection of small-targets proceeding of SPIE，1999，3809:74-83，MME/MED方法是先通過(guò)最大均值/ 中值濾波器濾除背景雜波干擾，然后根據(jù)圖像的統(tǒng)計(jì)特性確定閾值，分離目標(biāo);基于頂帽濾 波（Top-hat filter，THT)方法來(lái)自于文獻(xiàn)X.Z.Bai and F.G.Zhou,Analysis of new top-hat transformation and the application for infrared dim small target detection，Pattern Recognition，2010,43(6): 2145-2156，THT方法先通過(guò)頂-帽算子抑制 背景和噪聲，然后采用閾值從濾波后圖像中分離目標(biāo)。LCM、MME、MED、THT均隸屬于DBT方法。
[0079] 采用背景抑制因子(Background suppression factor,BSF)客觀評(píng)價(jià)紅外小目標(biāo) 檢測(cè)方法的濾波性能。BSF的定義為：
[0080] BSF = 〇i/o〇 (5)
[0081] 其中，〇1表示濾波后圖像的灰度標(biāo)準(zhǔn)差，〇〇表示濾波前圖像的灰度標(biāo)準(zhǔn)差。采用 LCM、ΜΜΕ、MED、ΤΗΤ和本實(shí)施例方法所獲得的BSF數(shù)值見(jiàn)表1。從表1可以看出，本實(shí)施例方法 獲得最高的BSF值，說(shuō)明本實(shí)施例方法能有效地抑制紅外小目標(biāo)圖像的復(fù)雜背景和噪聲，與 圖5和圖6所獲得的結(jié)論一致。
[0082] 表1采用不同紅外小目標(biāo)檢測(cè)方法的背景抑制因子(BSF)比較
[0084]本文中所描述的具體實(shí)施例僅僅是對(duì)本發(fā)明精神作舉例說(shuō)明。本發(fā)明所屬技術(shù)領(lǐng) 域的技術(shù)人員可以對(duì)所描述的具體實(shí)施例做各種各樣的修改或補(bǔ)充或采用類似的方式替 代，但并不會(huì)偏離本發(fā)明的精神或者超越所附權(quán)利要求書所定義的范圍。
【主權(quán)項(xiàng)】
1. 一種基于模糊距離的紅外小目標(biāo)檢測(cè)方法，其特征在于，包括以下步驟： 步驟1、初始化相關(guān)參數(shù)： 設(shè)置最大迭代次數(shù)L，其中L為正整數(shù);初始化迭代次數(shù)索引k = 0;設(shè)置最大局部窗口大 小m X η，其中m和η均為大于1的正奇數(shù)； 步驟2、求解紅外圖像I每個(gè)像素點(diǎn)的模糊距離，包括以下步驟： 步驟2.1、獲得單幀紅外圖像I每一個(gè)像素點(diǎn)(x，y)的鄰域空間集{0:11 = 1,2,...,4, 其中s=min{0.5 · (m-l)，0.5 · (n-1)}，〇:的大小為(21+1)X(21+1)，像素點(diǎn)(x，y)的鄰域 空間〇1的定義為01={(口，9)|11^(|口1|，|91|)《1}，（口，9)是鄰域空間〇 1內(nèi)的像素點(diǎn)； 步驟2.2、計(jì)算每一個(gè)像素點(diǎn)(1，5〇的各個(gè)鄰域空間〇1內(nèi)像素的灰度均值〇1(^50 :其中，#Ω:表示鄰域空間Ω:內(nèi)像素點(diǎn)的數(shù)目，I(a，b)表示鄰域空間〇:內(nèi)像素點(diǎn)（a，b) 處的灰度值。 步驟2.3、計(jì)算每一個(gè)像素點(diǎn)(x，y)所對(duì)應(yīng)的最大鄰域空間〇3與其它各個(gè)鄰域空間Ω1; i = 1，2，. . ·，s-1之間的模糊距離Ei:其中e為自然常數(shù)，Ds表示最大鄰域空間內(nèi)像素的灰度均值，Dl表示第i個(gè)鄰域空間 Ω i內(nèi)像素的灰度均值； 步驟3、求解多尺度模糊距離圖： 遍歷紅外圖像I中每一個(gè)像素點(diǎn)，得到每一個(gè)像素點(diǎn)的多尺度模糊距離E(x，y)，然后根 據(jù)每一個(gè)像素點(diǎn)的多尺度模糊距離E(x，y)并通過(guò)歸一化方法獲得紅外圖像I的多尺度模糊 距離圖E; 步驟4、迭代停止準(zhǔn)則判斷： 迭代次數(shù)索引k加1，判斷迭代次數(shù)索引k與最大迭代次數(shù)L之間的關(guān)系，若k〈L，把步驟3 所獲得的多尺度模糊距離圖E作為新的紅外圖像I，返回步驟2;若k 2 L，停止迭代，把步驟3 所獲得的多尺度模糊距離圖E作為最終的濾波結(jié)果，進(jìn)行步驟5; 步驟5、求解自適應(yīng)閾值T: 對(duì)經(jīng)過(guò)步驟4所獲得的最終濾波結(jié)果，即多尺度模糊距離圖E，求解自適應(yīng)閾值T，并通 過(guò)自適應(yīng)閾值T對(duì)多尺度模糊距離圖E進(jìn)行二值化，檢測(cè)出紅外小目標(biāo)。2. 根據(jù)權(quán)利要求1所述的一種基于模糊距離的紅外小目標(biāo)檢測(cè)方法，其特征在于，所述 的步驟3中紅外圖像I每一個(gè)像素點(diǎn)（X，y)的多尺度模糊距離表示為E(X，y) = max {0，Ei， E2，. . .，Es-1} 〇3. 根據(jù)權(quán)利要求1所述的一種基于模糊距離的紅外小目標(biāo)檢測(cè)方法，其特征在于，所述 的步驟5中自適應(yīng)閾值Τ的確定方法為 Τ = α · Emax+β · mt 其中，α和β為正的常數(shù)，mt為多尺度模糊距離圖E的灰度均值，Emax為多尺度模糊距離圖E 的灰度最大值。
【文檔編號(hào)】G06T7/00GK105869156SQ201610177589
【公開(kāi)日】2016年8月17日
【申請(qǐng)日】2016年3月25日
【發(fā)明人】周欣, 鄧鶴, 孫獻(xiàn)平, 劉買利, 葉朝輝
【申請(qǐng)人】中國(guó)科學(xué)院武漢物理與數(shù)學(xué)研究所