基于數(shù)字圖像處理的紅外弱小目標(biāo)檢測(cè)

基于數(shù)字圖像處理的紅外弱小目標(biāo)檢測(cè)

摘 要：隨著現(xiàn)代科技和紅外技術(shù)的飛速發(fā)展，在軍事和醫(yī)學(xué)領(lǐng)域利用紅外成像技術(shù)實(shí)現(xiàn)弱小目標(biāo)的檢測(cè)已經(jīng)越來越受到人們的重視。然而紅外圖像對(duì)人眼而言分辨率低，且圖像的對(duì)比度弱，視覺效果模糊，不利于我們提取其中的有效信息，因此需要針對(duì)圖像的特點(diǎn)進(jìn)行處理，對(duì)圖像中有用的信息進(jìn)行增強(qiáng)并抑制噪聲的干擾，最后將目標(biāo)檢測(cè)出來。

利用MATLAB 軟件來實(shí)現(xiàn)對(duì)紅外圖像弱小目標(biāo)的檢測(cè)。根據(jù)紅外圖像的特點(diǎn)，對(duì)紅外圖像進(jìn)行預(yù)處理可以強(qiáng)化弱小目標(biāo)并弱化背景圖像。經(jīng)過預(yù)處理后目標(biāo)的特征已經(jīng)得到明顯增強(qiáng)，然后通過自適應(yīng)加權(quán)融合后獲得的特征圖中，目標(biāo)區(qū)域的灰度值已經(jīng)明顯高于其他區(qū)域，最后通過簡(jiǎn)單的自適應(yīng)目標(biāo)分割就能將弱小目標(biāo)檢測(cè)出來。

1.引言

1.1案例背景

隨著我國(guó)紅外技術(shù)愈來愈加成熟，紅外成像技術(shù)實(shí)現(xiàn)弱小目標(biāo)的檢測(cè)技術(shù)已經(jīng)廣泛運(yùn)用于軍事領(lǐng)域和醫(yī)療領(lǐng)域。尤其是在運(yùn)用到現(xiàn)代高科技戰(zhàn)斗時(shí)，哪一方能夠在更早的、距離更遠(yuǎn)的發(fā)現(xiàn)敵方的軍艦或?qū)?，就能提前進(jìn)入警戒模式，牢牢掌握住敵方的動(dòng)向，為指揮系統(tǒng)決策和武器系統(tǒng)贏得時(shí)間，對(duì)取得最后的勝利有著非常重要的意義。在醫(yī)學(xué)領(lǐng)域，運(yùn)用紅外弱小目標(biāo)檢測(cè)技術(shù)可以檢測(cè)出更小的特征，進(jìn)而提高診斷的準(zhǔn)確性。紅外弱小目標(biāo)在成像系統(tǒng)中的特點(diǎn)可以簡(jiǎn)單概括為“弱”和“小”兩個(gè)方面，所謂的“弱”反映到圖像上指的是目標(biāo)灰度，主要表現(xiàn)為對(duì)比度及信噪比較低；所謂“小”則指的是目標(biāo)的尺寸，主要表現(xiàn)為目標(biāo)像素點(diǎn)占整幅圖像像素點(diǎn)比例低, 要檢測(cè)的弱小目標(biāo)缺乏具體的形狀、大小和一些紋理特征。因?yàn)橐资茏匀画h(huán)境等因素的影響，使得紅外圖像成像效果大大降低，出現(xiàn)邊緣模糊不清等現(xiàn)象。由于我們所要檢測(cè)的目標(biāo)特征不清晰，且因?yàn)樵肼曈绊戄^大，很容易將真正待測(cè)目標(biāo)覆蓋，對(duì)我們最后的成功檢測(cè)了制造了較大的困難。而一幅目標(biāo)和背景對(duì)比度強(qiáng),細(xì)節(jié)豐富的圖像會(huì)大大利于目標(biāo)的識(shí)別。因此為了使圖像更適合于人眼的的觀察，需要針對(duì)紅外圖像的特點(diǎn)對(duì)其中有用信息進(jìn)行增強(qiáng)并抑制噪聲等干擾，改善圖像質(zhì)量。

對(duì)于紅外圖像弱小目標(biāo)檢測(cè)，先后提出了諸多算法，其中有，基于模糊分類的微小目標(biāo)檢測(cè)算法，但是它的適用范圍比較小，有諸多的局限性?；谛〔ㄗ冇驍U(kuò)散濾波的弱小目標(biāo)檢測(cè)算法，該方法利用小波變換系數(shù)的方向特性和擴(kuò)散濾波擴(kuò)散方向的可選擇性，雖然檢測(cè)可以實(shí)現(xiàn)，但在滿足檢測(cè)效果的同時(shí)實(shí)時(shí)性很難得到保證。

因此，基于數(shù)字圖像處理的紅外弱小目標(biāo)檢測(cè)，通過對(duì)圖像進(jìn)行預(yù)處理，包括圖像增強(qiáng)、高斯濾波、對(duì)比度增強(qiáng)、灰度化、中值濾波去噪，可以使背景區(qū)域弱化，突出我們所要檢測(cè)的目標(biāo)對(duì)象。然后再提取紅外圖像的多個(gè)特征，對(duì)特征進(jìn)行自適應(yīng)加權(quán)融合。在自適應(yīng)加權(quán)融合后的特征圖中，目標(biāo)區(qū)域的灰度值已經(jīng)明顯高于其他區(qū)域，最后通過簡(jiǎn)單地閾值分割就能將弱小目標(biāo)檢測(cè)出來。該方法通過多特征的融合，提高了對(duì)弱小目標(biāo)檢測(cè)的準(zhǔn)確性，還有有效的抑制了噪聲等因素的干擾。

1.2 理論基礎(chǔ)

紅外弱小目標(biāo)檢測(cè)視覺上來看是典型的點(diǎn)狀目標(biāo)檢測(cè)，因此紅外弱小目標(biāo)圖像的增強(qiáng)與定位屬于點(diǎn)狀目標(biāo)檢測(cè)的研究領(lǐng)域。紅外圖像弱小目標(biāo)與一般點(diǎn)狀目標(biāo)相比，具有其自身的特點(diǎn):目標(biāo)所占圖像像素點(diǎn)相對(duì)較小、圖像對(duì)比度較低、易受噪聲和自然因素的影響等。傳統(tǒng)的目標(biāo)檢測(cè)算法中，如基于閾值分割、邊緣檢測(cè)、小波變換等算法，往往都假設(shè)弱小目標(biāo)在整幅圖像中具有較高的對(duì)比度和較好的細(xì)節(jié)描述，但這種假設(shè)在實(shí)際的紅外圖像檢測(cè)中往往不成立。由于受紅外圖像本身特點(diǎn)、目標(biāo)距離太遠(yuǎn)，拍攝時(shí)自然環(huán)境等因素的影響，使其整幅圖像具有較低的對(duì)比度，而且目標(biāo)特征不清晰。這也會(huì)引起傳統(tǒng)目標(biāo)檢測(cè)算法的失效，所以需要在紅外弱小目標(biāo)圖像檢測(cè)前加入一定的預(yù)處理步驟。

圖像預(yù)處理一般是應(yīng)用于圖像識(shí)別、圖像表示等領(lǐng)域的一種前期處理。在圖像的采集和傳輸過程中，往往會(huì)因?yàn)槟承┰驅(qū)е聢D像質(zhì)量降低。例如，從視覺主觀上觀察圖像中的物體，可能會(huì)發(fā)覺其輪廓位置過于鮮艷而顯得突兀；從被檢測(cè)目標(biāo)物的大小和形狀來看，圖像特征比較模糊、難以定位；從圖像對(duì)比度的角度來看，可能會(huì)受到某些噪聲的影響；從圖像整體來看，可能會(huì)發(fā)生某種失真、變形等。因此，待處理圖像在視覺直觀性和處理可行性等方面可能存在諸多干擾，我們不妨將其統(tǒng)稱為圖像質(zhì)量問題。圖像預(yù)處理正是用于圖像質(zhì)量的改善處理，通過一定的計(jì)算步驟進(jìn)行適當(dāng)?shù)淖儞Q進(jìn)而突出圖像中某些感興趣的信息，消除或降低干擾信息，如圖像對(duì)比度增強(qiáng)、圖像去噪或邊緣提取等處理。-般情況下，由于紅外圖像的采集需要考慮長(zhǎng)距離，室外等因素，所得圖片難免會(huì)存在一定的噪聲干擾、檢測(cè)目標(biāo)與背景對(duì)比度低，邊緣模糊不清等各種問題，直接進(jìn)行弱小目標(biāo)的檢測(cè)和提取往往會(huì)遇到困難。因此，本案例首先將紅外弱小目標(biāo)圖像進(jìn)行預(yù)處理，改善圖像質(zhì)量，進(jìn)而提高最終檢測(cè)的準(zhǔn)確性。圖像預(yù)處理的基本方法有圖像灰度變換、頻域變換、直方圖變換、圖像去噪、圖像銳化、圖像色彩變換等。本案例將選擇其中的部分方法來進(jìn)行裂縫圖像的預(yù)處理操作。經(jīng)過預(yù)處理后的圖像就能提取四個(gè)最簡(jiǎn)特征進(jìn)行加權(quán)融合成特征圖，通過簡(jiǎn)單的閾值分割將目標(biāo)檢測(cè)出來。

2 .設(shè)計(jì)框架

這次的設(shè)計(jì)，使用MATLB工具，采用圖像處理技術(shù)對(duì)紅外弱小目標(biāo)圖像進(jìn)行檢測(cè)。圖像預(yù)處理過程，對(duì)弱小目標(biāo)提取局部灰度最大值、局部對(duì)比度均值反差、局部變化量、局部平均梯度強(qiáng)度4個(gè)特征構(gòu)成特征向量，再對(duì)4個(gè)特征值進(jìn)行自適應(yīng)加權(quán)融合，最后通過簡(jiǎn)單的閾值分割等步驟完成了對(duì)紅外圖像中弱小目標(biāo)的檢測(cè)。主要的設(shè)計(jì)框圖如下所示：

圖一設(shè)計(jì)框架圖

3 .對(duì)紅外弱小目標(biāo)圖像的預(yù)處理

3.1灰度處理

彩色圖像灰度化已經(jīng)變成一種基礎(chǔ)的圖像處理技術(shù)，在圖像預(yù)處理階段，都要把采集的圖像進(jìn)行灰度化的處理，圖像進(jìn)行灰度化之后可以為后續(xù)的處理提高速度?；叶然奶幚砭褪菍⒉噬玆，G，B分量值相等的一個(gè)過程，在本文中，運(yùn)用已有函數(shù)rgb2gray()函數(shù)直接將紅外弱小目標(biāo)彩色圖像轉(zhuǎn)化為灰度圖像，為后續(xù)的目標(biāo)識(shí)別提高處理速度。但由于紅外圖像的特點(diǎn)，灰度化后的圖像從視覺效果上并不明顯。

3.2圖像增強(qiáng)

圖像增強(qiáng)中有兩類重要的處理方法：一種是灰度變換，另一種是直方圖處理。在本文中主要運(yùn)用灰度變換的進(jìn)行圖像亮度的增強(qiáng)。灰度變換主要針對(duì)獨(dú)立的像素點(diǎn)進(jìn)行處理，通過改變?cè)紙D像數(shù)據(jù)所占據(jù)的灰度范圍而使圖像在視覺上得到良好的改變。如果選擇的灰度變換函數(shù)不同，即使是同一圖像也會(huì)得到不同的結(jié)果。

采用灰度變換法對(duì)圖像進(jìn)行處理可以大大改善圖像的視覺效果。圖像的灰度變換一般可以分為線性變換、分段線性變換和非線性變換三種變換方式。紅外圖像一般比較暗這里運(yùn)用線性變換對(duì)紅外圖像進(jìn)行簡(jiǎn)單的加法，提高它的亮度，從而可以看到那些隱藏在黑暗中的細(xì)節(jié)，提高圖像的質(zhì)量。

3.3 高斯濾波

在目前的紅外成像系統(tǒng)中，高斯噪聲占噪聲中主要的成分，因此在經(jīng)過后面的預(yù)處理步驟時(shí)需要先將高斯噪聲濾除。高斯濾波是一種線性濾波，廣泛用于抑制圖像中的高斯噪聲。高斯濾波的作用原理和均值濾波器比較相似，它的實(shí)質(zhì)就是對(duì)整幅圖像的像素點(diǎn)取其自身和它鄰域內(nèi)像素點(diǎn)的值進(jìn)行加權(quán)取平均的過程。但均值濾波器的模板系數(shù)都是1，而高斯濾波器的模板系數(shù)會(huì)一直發(fā)生改變，具體會(huì)隨著模板中心的增大而減小。由于這個(gè)原因，高斯濾波對(duì)整幅圖像的模糊程度比較小，所以在預(yù)處理步驟采用高斯濾波進(jìn)行紅外圖像的去噪，這樣既可以抑制圖像中的紅外圖像，又可以保留圖像中的細(xì)節(jié)特征，有利于最后的目標(biāo)識(shí)別。在這里采用3*3的模板，運(yùn)用imfilter()函數(shù)來執(zhí)行高斯濾波操作。

3.4 對(duì)比度調(diào)整

紅外弱小目標(biāo)圖像的采集一般是在室外進(jìn)行，容易受到大氣、光照、光機(jī)掃描系統(tǒng)缺陷等以及紅外成像自身特點(diǎn)等因素的影響，采集到的紅外弱小目標(biāo)圖像都整體偏暗，所以得到的圖像都存在對(duì)比度較低的現(xiàn)象。為了讓紅外弱小目標(biāo)和識(shí)別不受影響，所以需要對(duì)圖像進(jìn)行增強(qiáng)處理來提高對(duì)比度，進(jìn)一步調(diào)整圖像灰度。在這里運(yùn)用imadjust()函數(shù)來執(zhí)行對(duì)比度調(diào)整，句法為g=imadjust(f,[],[],gamma);當(dāng)γ<1時(shí)，結(jié)果圖像比原始圖像亮，當(dāng)γ>1時(shí)，輸出的圖像比輸入圖像暗。本文中γ取值為1.1，輸出的結(jié)果要比原來圖像暗，對(duì)比度更明顯，有利于目標(biāo)的識(shí)別。

圖五對(duì)比度調(diào)整圖像

3.5中值濾波

圖像邊緣一般集中了圖像的細(xì)節(jié)和高頻信息，如果通過領(lǐng)域平均法進(jìn)行去噪，則往往會(huì)引起圖像邊緣的模糊，這也給紅外弱小目標(biāo)圖像的檢測(cè)帶來了許多的困難。非線性濾波方法可以在消除圖像的孤立點(diǎn)的同時(shí)，比較好的保持圖像中的細(xì)節(jié)信息。其中最常用的一種就是中值濾波，因?yàn)樵肼暤某霈F(xiàn)，使得該點(diǎn)的像素比周圍的像素都要亮很多或者暗很多。中值濾波是給出濾波用的模板，對(duì)模板中的像素值由大到小排列好，最終待處理像素的灰度值取這個(gè)模板中的灰度的中間值。主要思想是對(duì)像素領(lǐng)域向量化取中值來進(jìn)行濾波，具有運(yùn)算簡(jiǎn)單、高效，在一定的條件下，中值濾波可以克服線性濾波器所帶來的圖像細(xì)節(jié)模糊，而且對(duì)濾除脈沖干擾及顆粒狀的噪聲最為有效。因此，只要選取合適的中值濾波模板就能將噪聲很好的濾除并且不會(huì)對(duì)目標(biāo)造成任何的干擾。在這里采用中值濾波的方法來對(duì)圖像進(jìn)行去預(yù)處理步驟，運(yùn)用medfilt2()函數(shù)來執(zhí)行。

4 .弱小目標(biāo)特征提取及特征融合

4.1弱小目標(biāo)特征提取

通過對(duì)紅外圖像進(jìn)行預(yù)處理過程，可以將我們有用的目標(biāo)信息得到增強(qiáng)，背景信息得到弱化，不需要提取過多的特征就可以將我們的弱小目標(biāo)檢測(cè)出來，本文中主要選取局部灰度最大值、局部對(duì)比度均值反差、局部變化量、局部平均梯度強(qiáng)度四個(gè)特征進(jìn)行提取。

4.1.1局部灰度最大值

在紅外弱小目標(biāo)圖像的檢測(cè)中，目標(biāo)的發(fā)動(dòng)機(jī)、羽煙或排氣管等灰度值一般都比背景的灰度值高，通過這一特點(diǎn)，選取局部灰度最大值這一特征進(jìn)行提取來描述最后的目標(biāo)。它一般的表達(dá)式為：

（4.1）

其中，表明與目標(biāo)相接近的一個(gè)模板，它是以像素點(diǎn)（i,j）為中心。f(i,j)則是指的第k行第l列的像素點(diǎn)它的灰度值大小。

4.1.2局部對(duì)比度均值反差

由于我們檢測(cè)的弱小目標(biāo)灰度值是高于背景灰度值，而局部對(duì)比度均值反差的主要是用來比較檢測(cè)目標(biāo)區(qū)域的平均灰度與相鄰區(qū)域平均灰度的之間差異性，所以通過對(duì)圖像預(yù)處理過程，可以用局部對(duì)比度均值反差這一特征進(jìn)行提取。它一般的表達(dá)式為：

(4.2)

其中，表示一個(gè)比更大的模板，也是以像素點(diǎn)（i,j）為中心。是模板中的像素?cái)?shù)，表示模板中的像素?cái)?shù)。

4.1.3局部平均梯度強(qiáng)度

機(jī)場(chǎng)或軍艦這樣的紅外目標(biāo)通常都是人造的對(duì)象，與自然目標(biāo)相比更容易暴露出清晰的內(nèi)部細(xì)節(jié)。即使是彼此之間的平均強(qiáng)度相似，他們的局部平均梯度強(qiáng)度也不會(huì)相同，所以可以用局部對(duì)比度均值反差這一特征來描述弱小目標(biāo)特征。局部平均梯度強(qiáng)度的一般的表達(dá)式為：

? ??(4.3)

其中，

4.1.4局部變化量

局部變化量這一特征不同于局部對(duì)比度均值反差特征，局部變化量是主要檢測(cè)局部區(qū)域微弱強(qiáng)度變化的，它的一般表達(dá)式為：

（4.4）

其中，在（4.3）（4.4）式中的、、、以及f(i,j)的意義與(4.1）(4.2)中相同。

4.1.5 多特征值提取

通過（4.1）-（4.4）可以算出該點(diǎn)的局部灰度最大值（lmgl）、局部對(duì)比度均值反差（lcmd）、局部變化量（lv）、局部平均梯度強(qiáng)度（lags）4個(gè)特征值，進(jìn)而形成該點(diǎn)的特征向量。

圖七4個(gè)特征值

4.2 弱小目標(biāo)特征融合

上面介紹了4個(gè)特征，在弱小目標(biāo)的檢測(cè)時(shí)可以選擇的特征有很多種，這涉及到檢測(cè)的速度要求、硬件要求等問題。假設(shè)（i,k）為原始目標(biāo)的像素點(diǎn)，那么可以提取局部灰度最大值、局部對(duì)比度均值反差、局部變化量、局部平均梯度強(qiáng)度四個(gè)特征，通過式（4.1）-（4.4）就可以算出該點(diǎn)的4個(gè)特征值，進(jìn)而形成該點(diǎn)的特征向量，統(tǒng)計(jì)所有的特征向量就可以得到平均特征向量。通過特征向量與平均向量間的算術(shù)運(yùn)算來實(shí)現(xiàn)特征的融合，融合的方法定義如下：

（4.5）

其中，分別由（4.1）-（4.4）可計(jì)算得到，為特征向量的第i行的均值，計(jì)算方法如下：

5 .自適應(yīng)目標(biāo)分割

在通過4個(gè)特征提取過程以及特征融合步驟得到的紅外弱小目特征圖中，需要檢測(cè)的目標(biāo)區(qū)域的灰度值已經(jīng)遠(yuǎn)遠(yuǎn)比背景區(qū)域的灰度值大很多。所以采用閾值分割的方法就能將弱小目標(biāo)檢測(cè)出來。其表達(dá)式如下所示：

255，F(xiàn)＞T

=? ? ? 0，? ? ? ?其他

其中，代表所得圖中的方差，代表所得圖中的均值。

6.紅外弱小目標(biāo)檢測(cè)

經(jīng)過上述對(duì)紅外圖像微小目標(biāo)的4個(gè)特征提取，再進(jìn)行自適應(yīng)加權(quán)融合，最后通過簡(jiǎn)單的閾值分割的方法就能紅外圖像中的弱小目標(biāo)檢測(cè)出來。

圖八結(jié)果分析

為了驗(yàn)證這個(gè)程序的通用性，又選取了拍攝的另外兩張圖片進(jìn)行實(shí)驗(yàn)，結(jié)果顯示本程序可適用于多幅圖片進(jìn)行紅外圖像弱小目標(biāo)檢測(cè)。

圖九結(jié)果分析

圖十結(jié)果分析

通過上面圖七—圖九可以驗(yàn)證本文提出的方法可以檢測(cè)出紅外圖像中的弱小目標(biāo)，而且本文通過提取紅外弱小目標(biāo)圖像中4個(gè)特征值進(jìn)行自適應(yīng)加權(quán)融合方法不受圖像中紋理分布的限制，可以提高檢測(cè)的準(zhǔn)確性，應(yīng)用范圍廣泛.

7.總結(jié)

本文使用圖像處理技術(shù)以MATLAB為工具成功實(shí)現(xiàn)了對(duì)紅外弱小目標(biāo)圖像的檢測(cè)，具有一定的實(shí)用價(jià)值。運(yùn)用圖像處理技術(shù)對(duì)紅外弱小目標(biāo)圖像進(jìn)行處理，主要步驟包括圖像預(yù)處理過程，弱小目標(biāo)特征提取及特征值的自適應(yīng)加權(quán)融合，最后通過閾值分割等一系列的步驟完成了對(duì)紅外圖像中弱小目標(biāo)的檢測(cè)。

責(zé)任編輯：lq