[发明专利]基于角点高斯特性分析的红外小目标检测方法

摘要

本发明基于角点高斯特性分析的红外小目标检测方法，根据红外弱小目标图像的高斯特性；引入了角点检测的思想，提取包括弱小目标在内的各个兴趣点；接着使用最大类间方差法对兴趣点区域进行阈值分割，获取疑似目标；最后分析各个疑似目标的高斯特性，选取具有强高斯特性的疑似目标作为真实目标。本发明没有直接使用传统的基于灰度特征和尺度特征的弱小目标检测方法，而是根据弱小目标的空间分布特性，进行目标的检测；通过角点的检测，提取了包括目标在内的奇异点，并且有效地抑制了强边缘的干扰；可以有效地检测出地物背景下的弱小目标，大大提高了复杂背景下弱小目标的检测能力。

主权项

一种基于角点高斯特性分析的红外小目标检测方法，其特征在于步骤如下：第一步，提取疑似目标，即通过Harris算子对图像的灰度信息进行检测，获取各个角点，将角点作为兴趣点，使用最大类间方差法对兴趣点区域进行阈值分割，获取疑似目标；第二步，分析各个疑似目标的高斯特性，即根据疑似目标区域估计出其对应的高斯样本模板，对二维高斯模型等式两边取对数得： ln I ( x , y ) = ln I max - 1 2 [ ( x - x 0 ) 2 σ x 2 + ( y - y 0 ) 2 σ y 2 ] 令： Z = ln I ( x , y ) C = ln I max - 1 2 ( x 0 2 σ x 2 + y 0 2 σ y 2 ) A 0 = x 0 σ x 2 A 1 = - 1 2 σ x 2 B 0 = y 0 σ y 2 B 1 = - 1 2 σ y 2 上式写做：Z＝C+A0x+A1x2+B0y+B1y2根据最大似然估计法，使得估计误差Q取最小值； Q = Σ i = 1 n ( Z i - C - A 0 x - A 1 x 2 - B 0 y - B 1 y 2 i ) 2 取Q分别关于A，B，C的偏导数，并令其为零： ∂ Q ∂ C = - 2 Σ i = 1 n ( Z i - C - A 0 x i - A 1 x i 2 - B 0 y i - B 1 y i 2 ) = 0 ∂ Q ∂ A 0 = - 2 Σ i = 1 n ( Z i - C - A 0 x i - A 1 x i 2 - B 0 y i - B 1 y i 2 ) x i = 0 ∂ Q ∂ A 1 = - 2 Σ i = 1 n ( Z i - C - A 0 x i - A 1 x i 2 - B 0 y i - B 1 y i 2 ) x i 2 = 0 ∂ Q ∂ B 0 = - 2 Σ i = 1 n ( Z i - C - A 0 x i - A 1 x i 2 - B 0 y i - B 1 y i 2 ) y i = 0 ∂ Q ∂ B 1 = - 2 Σ i = 1 n ( Z i - C - A 0 x i - A 1 x i 2 - B 0 y i - B 1 y i 2 ) y i 2 = 0 经计算得： C A 0 A 1 B 0 B 1 = n Σ i = 1 n x i Σ i = 1 n x i 2 Σ i = 1 n y i Σ i = 1 n y i 2 Σ i = 1 n x i Σ i = 1 n x i 2 Σ i = 1 n x i 3 Σ i = 1 n x i y i Σ i = 1 n x i y i 2 Σ i = 1 n x i 2 Σ i = 1 n x i 3 Σ i = 1 n x i 4 Σ i = 1 n x i 2 y i Σ i = 1 n x i 2 y i 2 Σ i = 1 n y i Σ i = 1 n x i y i Σ i = 1 n x i 2 y i Σ i = 1 n y i 2 Σ i = 1 n y i 3 Σ i = 1 n y i 2 Σ i = 1 n x i y i 2 Σ i = 1 n x i 2 y i 2 Σ i = 1 n y i 3 Σ i = 1 n y i 4 - 1 × Σ i = 1 n Z i Σ i = 1 n x i Z i Σ i = 1 n x i 2 Z i Σ i = 1 n y i Z i Σ i = 1 n y i 2 Z i 最后由A0，A1，B0，B1，C的值计算出Imax，σx，σy，x0，y0的估计值，以确定疑似目标区域的高斯样本模板；第三步，选取具有强高斯特性的疑似目标作为真实目标，即根据相关系数计算出疑似目标区域与其对应的高斯样本模板的相似性来判断目标是否为真实目标，对于N×N的疑似目标区域是否存在的判断方法为： T 1 = true | x 0 - N + 1 2 | < 1 , | y 0 - N + 1 2 | < 1 false else T 2 = true ρ > ρ 0 false else 式中：(x0，y0)高斯样本的极大值坐标；ρ0为相关性阈值，当T1、T2同时为真时，认为疑似目标区域存在真实目标。