[发明专利]基于改进多尺度分形增强的红外小目标检测方法

说明书

本发明涉及基于改进多尺度分形增强的红外小目标检测方法。传统基于分形特征增强的红外小目标检测算法具有计算复杂度高的问题。本发明利用多尺度区域内像素的最大值与最小值的差作为一种度量，然后采用其区域平均值获得每点像素的多尺度分形特征向量，通过定义的新的显著性度量准则来评价每点像素的显著性，最后基于增强后的图像通过自适应阈值分割算法进行目标检测。本发明提出的方法降低了算法的计算量，提高了检测速度。

技术领域

本发明属于红外小目标检测领域，涉及一种基于改进多尺度分形增强的红外小目标检测方法。

背景技术

红外弱小目标检测是红外搜索与跟踪系统的关键技术之一，可有效提高监测范围，在导航、防空和安全监控等领域起到重要作用。红外弱小目标检测存在两个难点：(1)小目标没有明显的纹理和形状特性；(2)受背景目标辐射和图像传感器的影响，红外图像中存在随机噪声和大量杂波，图像信噪比低。尽管已有大量算法提出，但在复杂环境下有效地检测小目标仍是一个尚未完全解决的问题。

红外小目标检测技术大致可分为两类：跟踪前检测(DBT)和检测前跟踪(TBD)。TBD技术使用多帧图像进行累积来检测弱目标，DBT是在目标出现的第一帧图像中利用目标检测算法定位目标，然后利用目标在连续图像中的时空一致性利用跟踪技术估计目标的位置。在单一图像中检测小目标无需掌握目标的先验知识，因其计算效率较高，常用于一些检测设备。过去二十年虽然很多研究聚焦于DBT技术，提出了一些有效的红外小目标检测算法，例如TopHat Filtering、MaxMean和MaxMedian等。

目前，研究学者提出的算法大多是基于目标与其周围环境的灰度对比度大于背景区域的对比度这一假设，首先对输入图像进行增强，然后使用阈值进行分割，获得待检测目标的候选区域。根据分形几何理论，因自然目标和人造目标具有不同的内在结构，分形模型更适用于山、云、水、植物等尺度在某种特定范围之内的自然目标，但不适用于人造目标，故可基于分形理论设计有效的多尺度分形特征，先对图像进行增强，然后基于自适应阈值分割方法实现红外小目标的检测。例如，平均灰度差绝对值最大映射算法(AGADMM)以每点像素坐标作为中心点，定义不同尺度的目标区域，同时定义一个尺度更大的背景区域，通过计算每个目标区域与背景领域像素灰度均值的差绝对值的最大值来评估该像素的显著性，以此作为度量来进行图像增强，基于增强后的图像采用自适应阈值分割算法实现目标检测。

发明内容

本发明考虑到传统基于分形特征增强的红外小目标检测算法计算复杂度高的问题，通过对已有算法进行分析，提出了一种新的基于多尺度分形特征的显著性度量准则，然后对算法进行简化，设计了一种基于改进多尺度分形增强的红外小目标检测方法，降低了算法的计算量，在保证目标检测率的前提下实时性得到提升。本发明利用多尺度区域内像素的最大值与最小值的差作为一种度量，然后采用其区域平均值获得每点像素的多尺度分形特征向量，通过定义的新的显著性度量准则来评价每点像素的显著性，最后基于增强后的图像通过自适应阈值分割算法进行目标检测。设计的目标检测算法仅需运用简单的四则运算即可得到增强后的图像，算法实现简单，非常适合于嵌入式应用，在保证检测率的前提下提高了算法的实时性。

本发明采用的技术方案包括以下步骤：

步骤(1).获取原始红外图像I，中每点像素的多尺度分形特征向量。

步骤(2).基于多尺度分形特征向量通过定义的新的显著性度量准则计算每点像素的显著性，得到增强后图像。

步骤(3).基于增强后图像，采用自适应阈值分割算法进行目标分割，得到检测后的目标。