复杂背景下红外背景预测算子的自动选择方法技术

本发明专利技术一种复杂背景下红外背景预测算子的自动选择方法，可概括为：首先对单帧图像中的每个点进行邻域操作得到以该点为中心的子图像邻域，并计算该子图像的平滑度，然后根据子图像的平滑度选择对应的背景预测算子，以获得背景图像。对具有不同图像平滑度的局部邻域自动采用不同的预测算子进行背景预测，比单独采用某一种预测算子计算得到的背景图像更接近原图，能够更大程度上的抑制背景噪声。

【技术实现步骤摘要】

本专利技术涉及一种算子的自动选择方法，尤其是指复杂背景下红外背景预测算子的自动选 择方法。属于红外图像目标检测领域。(二)
技术介绍
根据现有的红外辐射理论，所有具有温度的物体每时每刻都在向外辐射红外能量，且物 体的温度和材质等因素决定了物体的红外辐射强度。因此可以利用被动式红外成像对特定的 目标进行全天的检测和监控。然而红外成像系统也具有自身的弱点l.对于远距离的运动目 标进行捕获时，此类目标在红外图像中所占像素尺寸小、目标强度低且无明显的几何形状和 纹理特性，本领域将此类目标称为弱小运动目标；2.目标所在的背景可能是较为复杂的背景， 如强起伏的云层背景、带有阳光反射的海面背景、海天背景、复杂的地面背景以及复杂的低 空地面混合背景等，复杂的背景对目标检测会带来很大的干扰，甚至会将本身强度不大的弱 小目标淹没。复杂背景环境下红外弱小目标检测是红外预警、红外自动寻的系统中关键技术 之一，并己经成为国内外的研究热点。单帧目标检测算法对于红外弱小运动目标检测的鲁棒 性不强。目前，本领域使用跟踪前检测(DBT)的方法来解决此类问题，其思路可概括为 对红外成像器所获得的图像序列逐帧进行单帧检测，获得所有的疑似目标，然后根据图像序 列中帧与帧的相关性进行多帧判别，剔除虚假目标和干扰噪声，最终得到真实目标的运动轨 迹。背景预测的算法思想最早由Narayanan于1981年12月在IEEE Transaction on Systems. Man. and Cybernetics发表白勺Image Smoothing by Local Use of Global Information —文中提出， 此后被越來越多的研究者接受，开始应用于弱小目标检测领域。红外背景预测算法实质是用 于红外图像弱小目标检测的一类方法的统称，如图1所示，它利用某种背景预测算子计算出 红外图像的背景，然后通过与原图像进行做差，以获得包含目标和部分噪声的残差图像，最 后通过多帧联合判别的方法检测出目标。两种采用不同背景预测算子的红外背景预测算法实 际上是两种不同的算法。 红外背景预测算法的核心是背景预测算子，通过背景预测算子计算图像中每--像素点的 背景预测值。背景预测算子在计算某一像素点的背景预测值的时候首先需要定义该点所在领 域的大小， 一般采用奇数尺寸的领域，如以该点为中心7X7的领域或者9X9的领域。背景 预测值的计算方法是根据该点所在领域的灰度值来计算该点的背景预测值，而且对于邻域中 不同的点 一般赋予的计算权重也不同。经过对现有的文献资料的研究发现，徐军2004年在西安电子科技大学发表的博士学位 论文《红外弱小目标检测技术研究》中提出一种基于背景预测的红外弱小目标检测方法(如 图1所示)，首先通过对单帧图像进行背景预测获得背景图像，然后通过原始图像和背景图 像的差获得残差图像，即包含目标和噪音的图像，残差图像中背景的成分得到大幅度的削弱， 将残差图像二值化然后根据多帧判断算法进行目标的最终检测。该论文提出了三种背景预测 算子基本加权背景预测、最大化背景预测以及最相似背景预测，并比较了它们的性能差别。 但是该论文中并没有提到将三种背景预测算子的性能优点加以综合考量，另外该论文中的目 标图像的背景也较为简单，而且也没有提到若遇到复杂背景条件，该如何处理。
技术实现思路
本专利技术的目的在于提出一种，用来解决现 有技术不能在复杂背景下进行预测算子的自动选择，以克服现有技术中的缺陷。本专利技术的技术方案概括为首先对单帧图像中的每个点进行邻域操作得到以该点为中心 的子图像邻域并计算该子图像的平滑度，然后根据子图像的平滑度选择对应的背景预测算 子，以获得背景图像。以下对本专利技术的技术方案作进一歩的说明。本专利技术一种，其具体歩骤如下(1) 获取子图像邻域本专利技术采用红外成像系统获得红外弱小目标图像并对其直接进行处理。现有的红外成像 系统一般为红外焦平面，按照自身的帧频拍摄产生连续帧的红外图像。本专利技术是对红外成像 系统产生的单帧图像进行处理，将图像中的部分区域作为子图像邻域，该区域的大小为7X7。该红外成像系统的成像参数如下光学系统有效面积^=12.0(0 2),探测器星响应度Z)'二2xl01。(，7^/『)，可探测最小信噪比57W =4，探测器面积4=0.4(柳附2)，等效噪声带宽A/二2000.0(他)，光学系统红外辐射透过率r。 =0.8，信号衰减因子5 1;"目标成像 系统"和"辅助成像系统"的成像波段为红外中波波段(3//m—5/mO。(2) 计算局部图像的平滑度复杂背景下红外弱小运动目标中的图像目标信息很弱，对获得的子图像邻域首先计算局 部图像的平滑度，然后根据计算结果判断是否需要进一歩计算局部图像灰度均值，以选择最 适合的背景预测算子。具体歩骤如下计算局部图像的平滑度平滑度用于描述图像灰度的偏移，设方差为v，则平滑度A可表示为(1)l + v显然i e，且i 越小表示图像越平滑。方差v的计算公式如下v= Z [(z,-(2)/=0，1L 乂-l式中，丄表示图像的灰度级，z,表示图像的灰度随机变量，尸(z,)表示该灰度随机变量的概率，m表示局部图像灰度均值。(3) 根据局部图像的平滑度计算结果选择背景预测算子 3.1计算局部图像灰度均值m当平滑度小于平滑度阈值7;时，需要计算局部图像灰度均值m。局部图像灰度均值m表示图像的整体灰度，其计算公式如下附=Z (3)式中，I表示图像的灰度级，z,表示图像的灰度随机变量，尸(z,)表示该灰度随机变量的概率。3. 2基本加权背景预测当平滑度/ 大于平滑度阈值7;时，选择基本加权背景预测算子。基本加权背景预测算子计算较为简单，具体计算方法如下(4)—(5)所示。所有的背景预测算子均由同一个背景预测的算法模型衍生出来，此背景预测的算法模型可表示为<formula>formula see original document page 8</formula>(6)式中，(/,力表示图像中某点的坐标，y(/，/)表示该点的背景预测值，S表示以该点为中心的 邻域，/，J'-^表示原图像中该邻域中某点的像素值，『 (/，"表示该点的权重。基本加权背景预测算子在背景预测算法模型的基础上定义了邻域各点的权重，如下所不:<formula>formula see original document page 8</formula>(7)式中，K(/,A:)表示邻域S中的某一点的权重，r(/,y)表示该点到中心点的距离。本专利技术 采用7x7的模板进行背景预测，权重^(/，/t)用矩阵形式^可表示为<formula>formula see original document page 8</formula>(8)将式(6)代入式(4)，即可求出基本加权背景预测算子的计算结果。 (4)选择背景预测算子根据局部图像平滑度和局部图像灰度均值的计算结果，在下列4种背景预测算子中选择 合适的算子作为当前邻域的背景预测算子即基本加权背景预测算子、最大化背景预测算子、 最小化背景预测算子以及最相似背景预测算子。以图像中某点为中心邻域S，以该点为中心划分为4个象本文档来自技高网...

【技术保护点】
一种复杂背景下红外背景预测算子的自动选择方法，其特征在于，包括下述几个步骤：　（１）获取子图像邻域：　采用红外成像系统获得红外弱小目标图像并对其直接进行处理，即对红外成像系统产生的单帧图像进行处理，来获取子图像邻域，该红外成像系统的成像参数如下：光学系统有效面积Ａ↓［０］＝１２．０（ｃｍ↑［２］），探测器星响应度Ｄ↑［＊］＝２×１０↑［１０］（ｃｍ＊／Ｗ），可探测最小信噪比ＳＮＲ＝４，探测器面积Ａ↓［ｄ］＝０．４（ｍｍ↑［２］），等效噪声带宽Δｆ＝２０００．０（Ｈｚ），光学系统红外辐射透过率τ↓［０］＝０．８，信号衰减因子δ≈１；“目标成像系统”和“辅助成像系统”的成像波段为红外中波波段（３μｍ－５μｍ）；　（２）计算局部图像的平滑度　复杂背景下红外弱小运动目标中的图像目标信息很弱，对获得的子图像邻域首先计算局部图像的平滑度，然后根据计算结果判断是否需要进一步计算局部图像灰度均值，以选择最适合的背景预测算子，具体步骤如下：　计算局部图像的平滑度：　平滑度用于描述图像灰度的偏移，设方差为ｖ，则平滑度Ｒ可表示为：　＊＊＊　（１３）　显然Ｒ∈［０，１］，且Ｒ越小表示图像越平滑，方差ｖ的计算公式如下：　ｖ＝＊［（ｚ↓［ｉ］－ｍ）.Ｐ（ｚ↓［ｉ］）］　（１４）　式中，Ｌ表示图像的灰度级，ｚ↓［ｉ］表示图像的灰度随机变量，Ｐ（ｚ↓［ｉ］）表示该灰度随机变量的概率，ｍ表示局部图像灰度均值；　（３）根据局部图像的平滑度计算结果选择背景预测算子　３．１计算局部图像灰度均值ｍ　当平滑度小于平滑度阈值Ｔ↓［Ｒ］时，需要计算局部图像灰度均值ｍ，局部图像灰度均值ｍ表示图像的整体灰度，其计算公式如下：　ｍ＝＊ｚ↓［ｉ］Ｐ（ｚ↓［ｉ］）　（１５）式中，Ｌ表示图像的灰度级，ｚ↓［ｉ］表示图像的灰度随机变量，Ｐ（ｚ↓［ｉ］）表示该灰度随机变量的概率；　３．２基本加权背景预测　当平滑度Ｒ大于平滑度阈值Ｔ↓［Ｒ］时，选择基本加权背景预测算子，基本加权背景预测算子计算较为简单，具体计算方法如下（１６）－（１７）所示；　所有的背景预测算子均由同一个背景预测的算法模型衍生出来，此背景预测的算法模型可表示为：　Ｙ（ｉ，ｊ）＝＊∑［Ｗ↓［ｎ］（ｌ，ｋ）.Ｘ（ｉ－ｌ，ｊ－ｋ）］　（１８）　式中，（ｉ，ｊ）表示图像中某点的坐标，Ｙ（ｉ，ｊ）表示该点的背景预测值，Ｓ表示以该点为中心的邻域，Ｘ（ｉ－ｌ，ｊ－ｋ）表示原图像中该邻域中某点的像素值，Ｗ↓［ｎ］（ｌ，ｋ）表示...

【技术特征摘要】

【专利技术属性】
技术研发人员：毛峡，黄康，胡海勇，梁晓庚，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：11[中国|北京]