[发明专利]一种单帧红外图像中多形态暗弱小目标检测方法

说明书

本发明公开了一种单帧红外图像中多形态暗弱小目标检测方法，能够在复杂背景下提取出多种形态特征的小目标。该方法从原始红外图像中分解出稀疏图像；针对稀疏图像中的每个像元，计算像元邻域均值和整幅图像均值的比值作为稀疏度信噪比，将稀疏度信噪比大于阈值E的点确定为候选点；然后采用恒虚警检测筛选候选点，获得目标检测结果。在选择候选点时，利用候选点在邻域内所有像元的信噪比，能克服由小目标能量扩散带来的多形态问题，精确检测小目标。

技术领域

本发明属于红外小目标探测技术领域，具体涉及一种红外图像中检测多形态特征的暗弱小目标方法。

背景技术

红外弱小目标检测技术一直是红外搜索与跟踪系统的核心问题。由于远距离探测的工作方式，使得目标在探测器上所成的像受限于光学系统的点扩散函数，因此小目标不会成像在单一像元上，而是形成与爱里斑能量分布相似的弥散斑。实际成像过程中，小目标的形态会又会受到姿态信息、扫描速度、大气湍流等干扰因素的影响，导致目标能量会发生任意方向的扩散。由于高速周扫的工作方式，使得图像帧间重合率低，很难在多帧图像内检测出小目标。因此在单帧图像中检测出多形态小目标是红外暗弱小目标检测亟需解决的问题。

国内外学者对暗弱小目标检测展开了大量的研究工作。传统的目标检测算法有局部滤波、局部块对比、形态学顶帽算法。局部滤波只对信噪比较高的目标有较好的处理效果；顶帽变换的效果取决于结构元素的尺寸与形状，但远距离成像条件下无法获知小目标的先验信息，不能选取统一的结构元素。Genin采用BM3D算法分割目标，但在复杂的云层背景中很难选取多个相似度极高的小区域，从而造成虚警点过多；程塨采用多尺度极值点检测目标，但云层边缘和探测器噪声也表现为局部的极值，会导致较高的虚警率；王文秀采用深度学习的方法检测红外目标，但在被动红外探测中很难提前获取目标的大量样本。

综上所述，暗弱小目标检测算法不仅要适应各种复杂的环境条件，有较强的鲁棒性，还要兼顾小目标的多种形态，以免出现漏检和虚警的情况。研究出稳定、高效的、可以克服多种形态的暗弱小目标检测算法，不仅具有重要的理论意义，而且有重大的应用价值。

发明内容

有鉴于此，本发明提供了一种单帧红外图像中检测暗弱小目标的方法，能够在复杂背景下提取出多种形态特征的小目标，特别适用于复杂背景下对信噪比约为2～3的红外暗弱小目标的检测。

为了解决上述技术问题，本发明是这样实现的：

一种单帧红外图像中多形态暗弱小目标检测方法，包括：

步骤一、从原始红外图像中分解出稀疏图像；针对稀疏图像中的每个像元，计算像元邻域均值和整幅图像均值的比值作为稀疏度信噪比ε，将稀疏度信噪比ε大于稀疏度信噪比阈值E的点确定为候选点；

步骤二、采用恒虚警检测筛选候选点，获得目标检测结果。

优选地，步骤一所述从原始红外图像中分解出稀疏图像利用鲁棒主成分分析RPCA算法分割实现。

优选地，所述稀疏度信噪比阈值E＝3。

优选地，步骤一计算像元邻域均值所使用的邻域窗口尺寸大于多形态小目标理论尺寸。

优选地，所述步骤二采用多点恒虚警检测方法筛选候选点，包括如下步骤：

步骤21、根据设定的目标检测虚警率，得到恒虚警阈值TNR；

步骤22、设定矩形滑窗，矩形滑窗划分为中部的目标区以及目标区周围的背景区；将矩形滑窗逐一作用于原始红外图像的各候选点位置；

针对每个候选点(x，y)：计算背景区的灰度均值μ_b和标准差σ，然后针对目标区的每个像元l，计算像元和灰度均值μ_b之差与标准差σ之间的比值，并记录该比值大于TNR的像元个数m_l；