基于自适应形态学滤波的红外小目标检测算法  

作者:徐文晴;王敏 刊名:《激光与红外》 上传者:张德丽

【摘要】针对低对比度下小目标常被大量背景杂波和噪声干扰,检测结果不理想的问题,提出了一种基于视觉注意机制与自适应双结构元素形态学滤波的红外小目标检测方法。根据人类视觉对比机制对图像进行感兴趣区域(ROI)提取以确定候选目标,通过提取轮廓获得候选目标的尺寸,并由获取的尺寸自适应构造双结构元素。运用双结构元素形态学滤波抑制噪声和杂波信号,用中值滤波对形态学滤波后的杂点噪声进一步抑制。实验表明本文提出的算法能有效抑制噪声干扰,显著提高目标信杂比,准确检测弱小红外目标,算法具有很好的鲁棒性和实时性。

全文阅读

1引言随着红外成像技术的发展,基于红外图像的目标检测受到了国内外研究者的广泛关注。由于红外图像的信噪比低,小目标常常淹没在复杂背景及噪声干扰中,使小目标检测成为图像处理中的技术难点。为了提高红外小目标的检测能力,需要对背景噪声和杂波进行抑制,同时提高红外目标的信杂比。抑制背景噪声和杂波的滤波器有很多,如空域高通滤波器[1],该滤波器在目标检测中有较强的实用性,但对低信噪比图像的小目标检测性能有限。Robinsonguard滤波[2-3]是一种非线性非参数型滤波器,由于具有保护带,使得保护带内的目标内部信息得以保留,又可以对大于保护带的背景进行边缘检测,但是在实际应用中Robinson滤波仍然不能获得较好的检测率与虚警率的平衡。形态学滤波[4-5]是在图像领域新兴的一个研究方向,通过设置合适的滤波模板,往往可以取得较为理想的滤波效果,但是经典形态学滤波器的结构元素相对来说比较单一,对于复杂背景图像,单一结构元素无法全面估计背景的形状,容易引起背景泄露,从而造成噪声干扰。其他的一些常用滤波器如最小均方差滤波[6]、匹配滤波[7]、空间域局部标准差滤波和最小局部高斯滤波,在背景噪声抑制方面均具有一些局限性。本文将自适应构造的双结构元素形态学滤波与中值滤波相结合进行局部滤波,可有效抑制噪声和背景杂波的干扰提高图像的信杂比,实现红外小目标的检测。2算法实现2.1基于视觉对比机制的感兴趣区域提取人类视觉具有视觉注意、视觉对比机制等特性。在人类的视觉搜索中,总是优先注意较为显著的物体,并不是物体自身的颜色或是形状决定了这一显著性,而是它与周围环境的对比决定了这一区域优先被关注。模拟人类视觉在搜索物体时具有选择性的特点,先对图像进行感兴趣区域的提取[8-9]。这样不仅可以提高算法运行速度和搜索红外小目标的效率;还可得到每个候选目标的大致尺寸,为后续自适应构造形态学滤波的双结构元素以及确定局部滤波范围提供依据。感兴趣区域提取分为以下3个步骤:(1)图像分块采用经典Top-hat算法抑制背景噪声后,考虑到基于像素运算局部对比度会大大增加算法的复杂度,故先用33的滑窗将图像分块,窗口的滑动步长选为两个像素,这样既减少了算法的运行时间,又可基本确定小目标的尺寸。(2)生成显著图以每个目标块为中心并将其看作目标区域0,以目标块的八邻域作为背景区域(1,2,3,…,8),计算该目标块的局部对比度值。如图1所示。图1图像块Fig.1Imageblock计算步骤如下:计算中心目标块内的最大像素值L0以及各背景目标块的像素均值Mi(i=1,2,3,…,8),即可得目标区域和周围各背景块的局部对比度值:Ci=L0Mi(i=1,2,3,…,8)(1)中心目标区域的LCM定义为:C0=minL0Ci=minL0L0Mi(i=1,2,3,…,8)(2)根据定义计算每个分块图像的LCM值,生成显著性图。(3)自适应阈值分割获得感兴趣区域对得到的显著性图做阈值分割获取感兴趣区域,分割阈值由公式(3)计算:T=+k(3)和分别表示输入图像的均值和标准差;k为常数。为了不漏检与背景相融且与背景对比度不显著的目标,此处的k值可取得稍小;当显著性图中目标块的LCM值大于阈值T时,将该目标块映射回原图得到相应的感兴趣区域ROI,如图2所示。图2感兴趣区域获取Fig.2Thegraphsofregionofinterest2.2自适应构造结构元素结构元素的选取是影响滤波性能的重要因素,新型Top-hat形态学滤波算法[10]在结构性能上优于经典Top-hat形态学,但是依然不能自动适应图像,需要人工设定

参考文献

引证文献

问答

我要提问