[发明专利]一种基于统计特性预分割的自适应红外小目标检测方法

权利要求书

1.一种基于统计特性预分割的自适应红外小目标检测算法，其特征在于：

步骤一：将输入图像转化成灰度图像，均等分割为3个子图像；

步骤二：对3个子图像进行灰度值分布统计，根据各子图像灰度值分布统计特性的差异性计算得到兴趣子图像；

步骤三：确定二值化阈值：

(3.1)分别计算3个子图像的最大灰度值记为m₁、m₂、m₃，取三者中的最小值记为m，计算包含小目标的兴趣子图像灰度值的最大值，记为d；

(3.2)设定小目标阈值c_min，设定T_h＝d-N(T_hm-1,N为迭代次数)，计算包含小目标的兴趣子图像中，灰度值大于T_h的像素个数c，迭代计算T_h，使得满足c≥c_min的T_h记为二值化阈值t；

步骤四：根据步骤三中确定的二值化阈值t，将各子图像进行二值化处理成二值化图像，按照步骤一中的分割次序进行逆操作，重新组合成与原图尺寸相等的二值化图像，输出检测结果。

2.根据权利要求1所述基于统计特性预分割的自适应红外小目标检测算法，其特征在于，所述步骤一中将图像均等分割为3个子图像具体步骤如下：

(1.1)载入尺寸为x×y的红外图像，x表示图像纵向像素数，y表示图像横向像素数；

(1.2)若原图像可均等列分割，则直接将原图像分割成尺寸为x×(y/3)的三个子图像；若y/3计算结果的余数为1，在原图像左侧先扩充尺寸为x×1的列像素；若y/3计算结果的余数为2时，在原图像左右两侧先分别扩充尺寸为x×1的列像素，扩充列与临近原图像相邻像素点灰度值相等，分割后得到的三个子区域图像从左至右分别记为a₁、a₂、a₃。

3.根据权利要求1所述基于统计特性预分割的自适应红外小目标检测算法，其特征在于，所述步骤二，具体如下：

(2.1)对各子图像分别绘制灰度值分布直方图，分别与典型统计分布模型进行拟合，判断各子图像的灰度值分布直方图所遵循的典型统计分布模型，所述典型统计分布模型包括高斯分布、对数-正态分布、瑞利分布、伽马分布；

(2.2)有两个子图像对应的典型统计分布模型所对应的子图像为非兴趣子图像，剩余的子图像为兴趣子图像；

(2.3)若三个子图像分别对应一种典型统计分布模型，则按如下方法确认兴趣子图像：

(2.3.1)求出子图像中的灰度值大于阈值m的高灰度值像素数量，a₁、a₂、a₃区域高灰度值像素数分别记为j₁、j₂、j₃，取j₁、j₂、j₃中的最大值记为j；

(2.3.2)若j不少于小目标阈值c_min，则高灰度值像素数量为j的子图像为兴趣子图像。

4.根据权利要求1所述算法，其特征在于，所述步骤四中的图像匹配重构方法如下：

(4.1)利用步骤三计算得到的二值化阈值T_h对兴趣子图像的每个像素进行遍历处理，得到检测结果flag(i',j')，计算公式下：

其中t表示二值化阈值，T(i',j')表示兴趣子图像中的像素，flag(i',j')表示检测结果，且i'∈x,j'∈y；

(4.2)对无目标区域图像进行二值化处理，令无目标区域所有像素点的像素值均为0；

(4.3)将二值化处理后的子图像进行图像重构，将三个子图像视为由像素点构成的矩阵分别记为A₁、A₂、A₃，三个矩阵的大小均为x×(y/3)，将三个矩阵重构合并为一个矩阵A，矩阵大小为x×y，得到重构图像A＝[A₁A₂A₃]，其中x×y表示灰度图像尺寸，同时也为矩阵大小，x表示图像的纵向像素数，同时为矩阵A的行数，y表示图像横向像素数，同时为矩阵A的列数；

(4.4)若原图像经过扩充处理，则需对图像重构结果按照原图像扩充处理的步骤进行逆向处理，去除扩充部分。