低信噪比红外图像序列中点目标的多帧模糊检测方法

摘要

本发明公开了一种低信噪比红外图像序列中点目标的多帧模糊检测方法，通过数学形态学滤波算法获取图像背景，将源图像减去获取的图像背景，得到含有目标和噪声的去均值图像，通过前后若干帧来估计图像各局部区域的噪声均值和方差，然后利用估计的噪声均值和方差对噪声图像进行归一化处理，通过噪声概率分布函数作为单帧模糊检测隶属度函数，保留了尽可能多的目标幅值信息，采用速度滤波器组方法来积累目标能量，提高信噪比，并获得有、无目标时统计量的分布特性曲线，根据给定的检测性能，利用恒虚警率准则，确定目标检测的阈值，从而做出目标存在与否的判决，最后利用概率论中的中心极限定理简化检测阈值的计算。

说明书

技术领域：

本发明涉及一种低信噪比红外图像序列中点目标的多帧模糊检测方法，是红外搜索与跟踪系统、精确制导系统、红外预警系统、大视场目标监视系统、卫星遥感系统、安全检查系统等的一项核心技术，在各类军、民用系统中均可有广泛的应用。

背景技术：

精确制导武器是采用高精度探测、控制及制导技术，能够有效地从复杂背景中探测、跟踪及识别、选择目标并高精度命中目标要害部位，最终摧毁目标的武器装备。成像探测可直观获取丰富的目标外形或基本结构等目标信息，抑制背景干扰，识别目标及目标的要害部位，因而成为精确制导武器的重要发展方向。

现代化高技术武器为了增大作战距离，要求远距离发现目标。只有及时地发现目标、跟踪目标、及时地捕获和锁定目标，才能实现有效的攻击。红外成像传感器由于其隐蔽性好、成像分辨率高、识别伪装能力强以及可以在夜间等恶劣环境下工作的能力，使其成为现代战争中不可或缺的光电传感器。

对于红外图像中低信噪比小目标的检测问题的研究，起源于远距离搜索与监视。当目标距离较远时，目标在红外图像中表现为点目标，无法利用形状、大小、纹理等特征来检测目标。在此阶段，图像信噪比较低，即目标信号的幅值相对背景和噪声来说较弱，基本上被噪声所淹没。单帧检测可能产生很多虚假目标，无法获得所要求的检测概率和虚警概率。研究低信噪比红外图像中小目标的检测算法，可实现扩展它们作用距离的目的，对于增大作战距离和增加反应时间，提高己方的生存概率具有重要的意义。

虽然弱小目标的检测与跟踪在雷达及声纳信号处理中的研究已经有近半个世纪的历史了，但是图像中弱小目标的检测与跟踪则是从1980年前后才开始得到研究者的广泛重视。十几年来，图像中低信噪比小目标的检测问题一直是光学和红外图像领域的研究热点。

由于单帧图像处理无法保证检测性能，而目标运动具有规律性和连续性，因此通过序列图像多帧处理，利用时间上的信息来进一步确认真实目标，成为有效的解决途径。

多帧目标检测问题可以表述为：在给定的三维图像空间中检测目标的存在与否，并估计目标的轨迹。多帧目标检测算法基本上可分为两类：一类为先检测后跟踪算法，它将检测与跟踪被划分为二个独立的问题，首先对每帧图像都做出目标存在与否的判决，在跟踪算法中，将观测值与航迹进行相关，实现目标航迹的起始、航迹的确认与航迹的终结。这种先检测后跟踪方法的算法简单，但要求目标的信噪比较高。另一类为先跟踪后检测算法，在三维图像中对大量的可能轨迹进行跟踪，但起初不对这些轨迹是否真正代表目标做出判决，而是对每条跟踪的轨迹计算其后验概率函数，如果某条轨迹的后验概率函数超过某一门限，就认为该条轨迹代表一个目标。

低信噪比图像序列中弱小目标的检测与跟踪方法主要有三维匹配滤波算法、多级假设检验算法、动态规划方法等，它们适合于低信噪比的环境，但都假设目标和噪声分别服从独立同分布的高斯分布，并在此基础上推导了检测算法，分析了算法的性能。然而，空气的温度、湿度、压强和密度的不均匀性会引起大气湍流，当红外辐射通过湍流大气传播时，光束强度、频率、相位、偏振度和到达角将受湍流的影响，产生抖动现象。此外，大气分子团在三维空间中的一种随机运动还会导致闪烁现象，这些都会使实际红外图像的像质变差。因此实际红外图像噪声不一定总是独立同分布的高斯分布，因此上述算法所得到的结果在实际应用中不能保证最优。

低信噪比红外图像中弱小点目标检测问题的研究是一项难度较大，有着重要应用价值的课题。由于单帧图像处理不能实现对点目标的可靠检测，必须采用基于目标运动特征的序列图像处理方法，边检测边跟踪，设法沿目标航迹积累航迹能量，提高信噪比，以达到抑制噪声、跟踪航迹的目的。目前的研究主要针对如何在低信噪比复杂背景条件下提高检测及跟踪算法的性能的方法。

发明内容：

本发明的目的在于针对现有技术的不足，提出一种能在实际低信噪比红外图像序列中检测出弱小点目标的新方法，解决实际红外图像序列中噪声特性不确定的问题，避免缓动目标丢失，提高信噪比，提高处理速度。

为实现这样的目的，本发明将模糊检测与速度滤波器结合，提出一种低信噪比红外图像序列中点目标的多帧模糊检测方法。首先通过数学形态学滤波算法获取图像背景，将源图像减去获取的图像背景，得到含有目标和噪声的去均值图像，通过前后多帧图像来估计图像各局部区域的噪声均值和方差，然后利用估计的噪声均值和方差对噪声图像进行归一化处理。将模糊理论应用到低信噪比图像目标检测中，用噪声概率分布函数作为模糊检测隶属度函数，使得单帧检测输出为一个在[0，1]区间服从均匀分布的随机变量。然后采用速度滤波器组方法将单帧模糊检测结果在各个可能轨迹方向进行累加，解析推导了累加统计量的概率密度函数，并利用恒虚警率准则检测目标。最后利用概率论中的中心极限定理简化多帧模糊检测设计过程中检测阈值的计算。

本发明的方法包括如下具体步骤：

1.红外图像去均值处理：

采用数学形态学滤波算法获取图像的背景，其原理是用全零平顶形结构元素对红外图像进行开启然后再闭合操作，去除图像中各类亮、暗噪声及小目标，得到图像背景。将源图像与获取的背景相减得到包含弱小目标与噪声的去均值图像。

2.图像噪声归一化：

将去均值图像划分为一个个局域小窗口，利用前后多帧图像来估计图像各局部窗口中的噪声特性，并对去均值图像根据各小窗口估计的噪声均值和标准差进行噪声归一化处理。

3.单帧模糊检测：

利用模糊理论适用于无法精确知道对象数学模型场合的特点，来解决实际红外图像序列中噪声特性不确定的问题，通过模糊隶属度函数单帧检测保留了尽可能多的目标幅值信息，推迟硬判断时间。本发明采用噪声概率分布函数作为模糊检测隶属度函数，保留了尽可能多的目标幅值信息，并使单帧检测输出为一个在[0，1]区间服从均匀分布的随机变量。

4.速度滤波器组处理：

根据目标可能的运动速度大小及方向，离线构造一组速度滤波器，对应于所有可能的目标轨迹，进而在所有的可能目标轨迹上累加能量。

5.恒虚警率目标检测：

经过速度滤波器组能量积累，可以获得有、无目标时统计量的分布特性曲线，根据给定的检测性能，利用恒虚警率准则，确定目标检测的阈值。若某点的统计量大于检测阈值，则判断该点存在目标；反之，则无目标存在。

6.设计过程简化：

上述五个步骤已经完成了多帧模糊检测过程，本步骤利用概率论中的中心极限定理简化多帧模糊检测方法中步骤5的检测阈值计算。当图像帧数较大时，多帧模糊检测算法在利用恒虚警率准则进行阈值确定时，可以直接利用正态分布函数来查表确定阈值大小。

本发明采用数学形态学滤波获取图像背景，其算法可以并行实现，大大提高了处理速度。将源图像与背景图像相减获取噪声图像，避免了图像差分运算获取噪声图像时可能导致的缓动目标丢失的缺点。利用模糊理论适用于无法精确知道对象数学模型场合的特点来解决实际红外图像序列中噪声特性不确定的问题。通过模糊隶属度函数单帧检测保留了尽可能多的目标幅值信息，推迟硬判断时间。采用速度滤波器组方法来积累目标能量，提高信噪比，从而提高目标检测算法的性能。利用概率论中的中心极限定理简化多帧模糊检测算法的检测阈值的计算。本发明能够检测出低信噪比图像序列中的点目标，可广泛应用于各类军、民用系统，具有广阔的市场前景和应用价值。

附图说明：

图1为本发明处理方法总体框图。

如图1所示，红外图像序列首先经过图像预处理，包含图像去均值处理和图像噪声归一化，处理结果为包含弱小目标的归一化噪声图像。采用噪声概率分布函数作为单帧模糊检测隶属度函数，使得单帧检测结果为一个在[0，1]区间服从均匀分布的随机变量。然后采用速度滤波器组方法将单帧模糊检测结果在各个可能轨迹方向进行累加，解析推导了累加统计量的概率密度函数，并利用恒虚警率准则检测目标。

图2为红外图像序列预处理的详细步骤。

如图2所示，红外图像序列的预处理包括红外图像去均值处理和图像噪声归一化。采用数学形态学滤波算法获取图像的背景，将源图像与获取的背景相减得到包含弱小目标与噪声的去均值图像，再对去均值图像进行噪声特性分析和归一化处理，得到近似满足标准正态分布的图像噪声。

图3为将红外去均值图像划分成各局域小窗口。

图4为典型的单帧模糊检测隶属度函数。

图5为图像序列帧数分别为2、3、4、5时，单帧模糊检测结果沿可能目标轨迹能量累加统计量的概率密度函数曲线。

图6为利用本发明提出的多帧模糊检测方法对12帧实际红外序列图像进行点目标检测的结果。

其中，图6(a)为红外图像序列的一帧，图6(b)12帧序列图像中检测出的点目标。

图7为在不同图像序列帧数条件下，解析求得的均匀分布随机变量和的概率密度函数与相应的正态分布密度函数曲线比较。

其中，图7(a)为图像序列帧数为2、3、4、5时两者的曲线比较，图7(b)为图像序列帧数为10、20时两者的曲线比较。

具体实施方式：

为了更好地理解本发明的技术方案，以下结合附图对本发明的实施方式作进一步描述。

图1为本发明提出的一种低信噪比红外图像序列中点目标的多帧模糊检测方法总体框图。各部分具体实施细节如下：

1.红外图像去均值处理：

红外图像去均值处理如图2前半部分所示。

采用数学形态学滤波获取图像背景。形态学开启运算用于消除与结构元素相比尺寸较小的亮噪声：

f_l＝fob＝(fb)b                                          (1)形态学闭合运算用于消除与结构元素相比尺寸较小的暗噪声：

f_B＝f_l·b＝(f_lb)b                                    (2)并保持图像整体灰度值和大的亮、暗区域基本不受影响。式中分别为形态学灰度膨胀和腐蚀运算，b为结构元素，f为源红外图像，f₁为开启运算结果，f_B为获得的图像背景。

由于远距离目标在红外图像中表现为小的亮点或亮斑，因此，用5×5全零平顶形结构元素对红外图像进行开启然后再闭合操作，可以去除各类亮、暗噪声及小目标，获得图像背景。

将源红外图像与获取的图像背景相减就得到包含小目标的噪声图像：

f_n＝f-f_B                                                  (3)式中，f_n为噪声图像。

2.图像噪声归一化：

图像噪声归一化如图2后半部分所示。将噪声图像划分为一个个小窗口(例如8×8窗口如图3所示)，利用前后多帧图像(例如10帧)来估计各窗口中噪声的标准差σ_ij(k)：

$>>>\sigma >ij>>>(>k>)>>=>>>1>N>>>\Sigma >>k>=>1>>N>>>>(>>f>n>>>(>k>)>>)>>2>\; >->->->>(>4>)>>>s>$

式中，N为前后多帧同一小窗口的像素个数，k为像素标号。对噪声图像根据各小窗口估计的标准差进行归一化：

$>>S>>(>>x>i>>,>>y>j>>,>k>)>>=>>>>f>n>>>(>>x>i>>,>>y>j>>,>k>)>>>>>\sigma >ij>>>(>k>)>>>>->->->>(>5>)>>>s>$

3.单帧模糊检测

为了减少硬判断对幅值信息的损失，对整个判决域进行模糊化划分，通过提取观测信号的倾向性信息来判断目标的有无，这种倾向性信息是一种模糊信息，它可以由隶属度函数来表征。

选取噪声概率分布函数作为检测隶属度函数具有一个重要性质，就是检测结果在[0，1]上服从均匀分布。这条性质的优点就是使得检测性能与具体的噪声分布无关，无论噪声是服从什么分布，只要选取该噪声的概率分布函数作为检测隶属度函数，就可以使得检测结果服从均匀分布。在实际中，如果噪声的分布特性未知，无法得到其概率分布函数的解析表达式，可以通过统计的方法得出噪声的经验分布函数，然后通过内插算法来求得各点的输出值。典型的单帧模糊检测隶属度函数如图4所示。

对归一化噪声图像的每一局域小窗口统计噪声的概率分布函数，然后对该窗口内的所有像素幅值进行模糊化，得到单帧模糊检测结果：

t(x_i，y_j，k)＝μ(S(x_i，y_j，k))                           (6)式中，μ(·)为噪声的概率分布函数。

4.速度滤波器组处理

根据目标可能的运动速度大小及方向，离线构造一组速度滤波器，对应于所有可能的目标轨迹。

本例中，选取目标的运动速度范围0-1.5像素/帧，每隔0.25像素/帧为一可能目标速度值，速度方向的选择为每15度为一可能目标速度方向。在应用中也可根据实际情况选取不同的间隔值。

将单帧模糊检测结果在速度滤波器组中的所有可能目标轨迹上累加能量：

$>>u>=>>\Sigma >>k>=>1>>n>>t>>(>>x>i>>,>>y>j>>,>k>)>>>(>>x>i>>,>>y>j>>,>k>)>>\in >S>->->->>(>7>)>>>s>$

式中S为所有可能的目标轨迹集合，即速度滤波器组，n为图像序列的帧数。

当目标不存在时，统计量u服从的概率密度函数为：

$>>>h>n>>>(>u>)>>=>>1>>>(>n>->1>)>>!>>>[>>u>>n>->1>>>-sup>>C>n>1sup>>>>(>u>->1>)>>>n>->1>>>+sup>>C>n>2sup>>>>(>u>->2>)>>>n>->1>>>+>·>·>·>>s>$

$>>+>>(>->1>>)>>floor>>(>u>)>>>sup>>C>n>>floor>>(>u>)>>sup>>>>(>u>->floor>>(>u>)>>)>>>n>->1>>>]>->->->>(>8>)>>>>s>$

式中，floor(·)函数表示向负无穷方向取整。图5为图像序列帧数分别为2、3、4、5时，统计量u概率密度函数的曲线。

相应的概率分布函数为：

$>>>H>n>>>(>u>)>>=>>\Sigma >>i>=>0>>>floor>>(>u>)>>>>>>(>->1>)>>i>sup>>C>n>isup>>>>>(>u>->i>)>>n>>>n>!>>>->->->>(>9>)>>>s>$

5.恒虚警率目标检测

给定虚警概率P_F，检测阈值可以通过式(10)求出：

P_F＝1-H_n(T)                                            (10)

例如，若给定检测虚警概率为P_F＝10^-5，图像序列帧数为12时，计算可得此时的检测阈值约为T＝10.26。若步骤3中沿某可能目标轨迹计算出的统计量u的值超过检测阈值T，则判断其为目标。

图6所示为利用本发明提出的模糊多帧检测算法对12帧实际红外序列图像进行点目标检测的结果。实际红外图像序列的图像大小为80×80，图像像素灰度值为8位，图像的信噪比为2.8左右，目标作近似匀速直线运动，速度小于1像素/帧，如图6(a)所示。沿步骤3中速度滤波器组的所有可能轨迹积累目标能量，当累加和超过检测阈值则判断为目标。实际图像序列检测结果为目标作0.5像素/帧匀速直线运动，如图6(b)所示。

6.设计过程简化

上面各步骤已经完成了红外图像序列中弱小目标的检测过程，接下来利用概率论中的中心极限定理简化多帧模糊检测算法的设计过程。

对于[0，1]区间上的均匀分布，其均值 $>>>M\xi >i>>=>>1>2>>,>>s>方差$ >>>D\xi >i>>=>>1>12>>.>>s>根据中心极限定理，当n增大时，n个服从[0，1]区间上的均匀分布随机变量的和逐渐趋向于正态分布$ >>N>>(>>n>2>>,>>>n>12>\; >)>>.>>s>$$$

图7(a)所示为图像序列帧数n分别取2、3、4、5时通过式(8)求得的均匀分布随机变量和的概率密度函数与相应的正态分布函数曲线，图7(b)所示为图像序列帧数n分别取10、20时通过式(8)求得的均匀分布随机变量和的概率密度函数与相应的正态分布函数曲线。可以看出随着n的增大，通过式(8)求得的均匀分布随机变量和的概率密度函数与相应的正态分布函数曲线误差越来越小。

当图像帧数较大时，多帧模糊检测算法在利用恒虚警率准则进行阈值确定时，可以直接利用正态分布函数来查表确定阈值大小，而不用通过式(10)计算。

本发明利用模糊理论解决实际红外图像序列中噪声特性不确定的问题。通过模糊隶属度函数单帧检测保留了尽可能多的目标幅值信息。采用速度滤波器组方法来积累目标能量，提高信噪比，从而提高目标检测算法的性能。利用概率论中的中心极限定理简化多帧模糊检测算法的检测阈值的计算。对真实红外图像序列的实验表明本发明的多帧模糊检测方法能够检测出低信噪比图像序列中的点目标。