[发明专利]基于块对比度加权的红外小目标检测的方法

说明书

本发明涉及基于块对比度加权的红外小目标检测的方法。本发明的目的是从原始红外图像中提取出感兴趣目标区域，计算其块对比度以及局部熵，利用视觉转移机制检测目标，再在检测结果基础上通过对目标进行轮廓补偿实现对小目标的粗分类，说明书摘要附图中图1为发明的具体实现流程图。

技术领域：

本发明属于图像处理领域，具体地说是通过分析图像的块对比度和局部熵特征，检测图像中的小目标，并在检测结果基础上对小目标进行轮廓补偿实现对小目标的粗分类。

背景技术：

基于单帧图像的小目标检测算法一般遵循抑制背景和增强目标两个原则，根据处理域的不同可以大致分基于空间域和基于变换域。最为传统的方法是先分析背景分布的规律和特性，从而抑制背景，最终通过阈值分割实现目标检测，此类方法主要目的是去除背景干扰，适用于较为简单的红外背景检测。其中比较典型的就是一些图像处理中常用的滤波方法，如均值滤波器、中值滤波器、最大中值滤波器等；基于变换域的小波变换检测算法是通过多尺度小波分解出图像的低频部分和高频部分，再根据高频分量提取出目标，在理论仿真上具有很好地检测效果。此外，基于视觉显著性的算法也逐渐成为解决小目标检测的重要方法。根据人类视觉系统具有快速获取感兴趣信息的能力，此类算法通过模仿这种机制，在各种复杂场景中快速捕捉目标与背景差异较大的特征。

通过分析红外图像中小目标和背景可知，在复杂场景中，小目标虽然无法达到全局灰度最大，但是可以满足局部显著。由Chen等提出的基于HVS的局部对比度的算法(LCM)是采用对比度机制的经典检测方法，利用了局部最值和均值对目标局部对比度进行了增强，但是面对重杂波背景时，目标对比度可能小于孤立噪声的对比度，检测结果的虚警率过高。海面上小目标检测对我国海防有着重要的价值，所以对海面小目标检测算法的研究有着重要意义。

小目标的纹理特征能够表示小目标中各灰度值像素分布的特点及相对位置关系。近海的海杂波、船尾迹、高亮度噪声与小目标的内部纹理特征存在差异。本发明通过分析海面上干扰以及小目标特征，计算图像的块对比度和局部熵特征并融合两大特征来检测图像中的小目标，进而利用检测结果对小目标进行轮廓补偿从而实现对小目标的粗分类。

本发明是从小目标纹理分布角度，基于近海的海杂波、船尾迹、高亮度噪声与小目标的特征差异，分析海面上干扰以及小目标特征，检测小目标并对其进行轮廓补偿从而对小目标进行粗分类的一种手段。

发明内容：

本发明的目的是从原始红外图像中的感兴趣目标区域中进行特征提取，利用视觉转移机制定位目标并通过对目标进行轮廓补偿来判断小目标所属类别。先对原始红外图像进行灰度化、去噪和同态滤波等操作对图像进行预处理。然后在此基础上计算对比度显著图和局部熵显著图，根据二者之积与自适应阈值定位小目标。最后根据矩形的宽和高计算最小外接矩形的比例特征。通过得到的数据比较和分析两类小目标特征，达到目标粗分类的目的。

本发明采用的技术方案是：

第一步：读取原始红外图像I₀，图像的大小为M×N，其中M是图像I₀的宽度像素数，N是图像I₀的高度像素数；

第二步：采用式(1)对彩色图像I₀中每个像素点的R、G、B三个通道的值进行加权，得到灰度图像I_g；

I_g＝0.29900×R+0.58700×G+0.11400×B (1)

第三步：通过窗口大小为3×3的中值滤波器对图像I_g进行去噪处理，得到的图像记为I_m；

第四步：对图像I_m进行同态滤波，得到的图像记为I_s；