一种亮暗小目标自适应检测方法.doc

一种亮暗小目标自适应检测方法红外成像传感器由于具有工作隐蔽性好、抗电磁干扰、可有效地提高系统的全天候工作能力而得到广泛应用。为了使系统有足够的反应时间，需要尽可能早地发现目标。然而，由于成像器件本身的噪声及背景杂波干扰往往很强，使小目标检测成为红外目标检测跟踪中的难点，同时也是研究的热点之一。针对红外小目标检测技术，国内外学者提出了一些方法，如空域和频域高通滤波的方法，基于动态规划的方法1、基于局部熵的方法2、基于小波变换的方法3、基于神经网络的方法4、基于多级滤波的方法5等。其中，基于多级滤波的方法由于其可以较好地抑制背景和噪声，增强目标，因而得到了 广泛的应用。然而，在目前许多红外小目标检测处理的算法中，包括基于多级滤波的方法，通常假定目标的均值高于附近背景的均值，即目标在图像中表现为亮的区域。但是，由于探测器所面对太阳的方位的不同（如面向太阳、背向太阳、斜向太阳等），探测器使用时间的不同（早上、正午、傍晚），目标（如飞机）所呈现的姿态不同（侧飞、迎头、追尾）等因素的影响，会导致目标的辐射强度在图像中呈现不同的特性。有时表现为亮的区域，有时表现为暗的区域，而有时则是既有亮的区域又有暗的区域（发动机为亮，机身为暗）。此时，通常的目标检测算法无法适应同时检测亮目标和暗目标的要求。 2实验结果及分析 为了验证算法的检测性能，以实际的红外图像为例进行亮、暗目标的检测处理，同时与原始的使用多级滤波进行检测的方法进行对比。多级滤波器的滤波单元模板设为1×7，级联级数为2级。图4（a）为一幅大小为128×128，以天空为背景的红外图像，目标大小为2×16。此图为夏天时采集，机身辐射相对较弱，而云层辐射则相对较强，因此表现为机身较暗，呈现暗目标的特性。图4（b）为原始多级滤波的滤波结果。可以看出，暗目标没有得到任何增强，只是其边缘由于其频率成分与小目标接近而被增强，并且滤波器传递函数的响应峰值偏向于亮的区域一侧。图4（c）为使用改进的多级滤波的滤波结果。可以看出，虽然采用改进的多级滤波器，但是由于滤波单元模板尺度明显小于目标的尺度，虽然级联了二级滤波器，仍然导致目标被分成几个独立的部分。图4（d）为图（c）中目标局部区域的三维灰度分布图；图4（e）为采用本文提出的方法，在改进的多级滤波基础上，采用基于侧抑制的局部对比度增强的中间结果图。可以看出，目标整体均得到了相应的增强，而不再是被分成几个独立的部分。图4（f）为图（e）中目标局部区域的三维灰度分布图；图4（g）为图（c）的二值化结果图，可见目标被分成了三个独立的部分；图4（h）为本文方法对目标的检测二值化结果图，目标被完整地检测出，且目标边缘定位准确。 图5(a)是一幅大小为128×128，以天空为背景的红外图像，目标大小为8×17。在此图中目标表现为亮目标的特性。由于为亮目标，原始多级滤波的结果和改进后的多级滤波的结果相差不大；图5（b）（c）由于滤波单元模板尺度明显小于目标的尺度，虽然也采用了二级级联，仍只有部分目标及边缘得到了增强；图5（d）为图（c）中目标局部区域的三维灰度分布图；图5（e）为采用本文提出的方法，在改进的多级滤波基础上，采用基于侧抑制的局部对比度增强的中间结果图。可以看出，目标整体均得到了相应的增强。图5（f）为图（e）中目标局部区域的三维灰度分布图；图5（g）为图（c）的二值化结果图，只有部分目标被检测出，且被分成了几个独立的部分；图5（h）为本文方法对目标的检测二值化结果图，目标整体被完整地检测出。 实验结果表明，本文的检测算法可以较好地完成亮、暗目标的自适应检测，并且在目标增强的均匀性与目标检测的完整性上均优于原始的使用多级滤波器进行目标检测的方法。改善了由于目标尺度大小与滤波器模板尺度大小不匹配情况下目标可能被分裂的处理结果，使整个目标区域均得到了增强，且目标的边缘定位准确清晰，方便了后续目标特征计算与目标识别跟踪的工作。 3结束语 本文针对红外图像中可能出现的亮目标和暗目标的情况，分析了其形成的原因；针对原始多级滤波器在小目标检测时的局限性，对其结构进行了改进，保留了亮、暗部分的信息。在多级滤波抑制背景杂波的基础上，对感兴趣区域进行了基于侧抑制原理的局部对比度增强处理，在抑制背景的同时，完整地增强了整个目标区域，实现了亮、暗目标的自适应检测，并且目标边缘清晰，具有不移位、不变形和抗灰度变化的特性，有利于后续的目标特征的提取与目标识别。同时，在局部区域进行处理，降低了算法的计算复杂度。