基于数字图像处理的红外弱小目标检测

基于数字图像处理的红外弱小目标检测   

摘 要：随着现代科技和红外技术的飞速发展，在军事和医学领域利用红外成像技术实现弱小目标的检测已经越来越受到人们的重视。然而红外图像对人眼而言分辨率低，且图像的对比度弱，视觉效果模糊，不利于我们提取其中的有效信息，因此需要针对图像的特点进行处理，对图像中有用的信息进行增强并抑制噪声的干扰，最后将目标检测出来。

利用MATLAB 软件来实现对红外图像弱小目标的检测。根据红外图像的特点，对红外图像进行预处理可以强化弱小目标并弱化背景图像。经过预处理后目标的特征已经得到明显增强，然后通过自适应加权融合后获得的特征图中，目标区域的灰度值已经明显高于其他区域，最后通过简单的自适应目标分割就能将弱小目标检测出来。

1.引言

1.1案例背景

随着我国红外技术愈来愈加成熟，红外成像技术实现弱小目标的检测技术已经广泛运用于军事领域和医疗领域。尤其是在运用到现代高科技战斗时，哪一方能够在更早的、距离更远的发现敌方的军舰或导弹，就能提前进入警戒模式，牢牢掌握住敌方的动向，为指挥系统决策和武器系统赢得时间，对取得最后的胜利有着非常重要的意义。在医学领域，运用红外弱小目标检测技术可以检测出更小的特征，进而提高诊断的准确性。红外弱小目标在成像系统中的特点可以简单概括为“弱”和“小”两个方面，所谓的“弱”反映到图像上指的是目标灰度，主要表现为对比度及信噪比较低；所谓“小”则指的是目标的尺寸，主要表现为目标像素点占整幅图像像素点比例低, 要检测的弱小目标缺乏具体的形状、大小和一些纹理特征。因为易受自然环境等因素的影响，使得红外图像成像效果大大降低，出现边缘模糊不清等现象。由于我们所要检测的目标特征不清晰，且因为噪声影响较大，很容易将真正待测目标覆盖，对我们最后的成功检测了制造了较大的困难。而一幅目标和背景对比度强,细节丰富的图像会大大利于目标的识别。因此为了使图像更适合于人眼的的观察，需要针对红外图像的特点对其中有用信息进行增强并抑制噪声等干扰，改善图像质量。

对于红外图像弱小目标检测，先后提出了诸多算法，其中有，基于模糊分类的微小目标检测算法，但是它的适用范围比较小，有诸多的局限性。基于小波变域扩散滤波的弱小目标检测算法，该方法利用小波变换系数的方向特性和扩散滤波扩散方向的可选择性，虽然检测可以实现，但在满足检测效果的同时实时性很难得到保证。

因此，基于数字图像处理的红外弱小目标检测，通过对图像进行预处理，包括图像增强、高斯滤波、对比度增强、灰度化、中值滤波去噪，可以使背景区域弱化，突出我们所要检测的目标对象。然后再提取红外图像的多个特征，对特征进行自适应加权融合。在自适应加权融合后的特征图中，目标区域的灰度值已经明显高于其他区域，最后通过简单地阈值分割就能将弱小目标检测出来。该方法通过多特征的融合，提高了对弱小目标检测的准确性，还有有效的抑制了噪声等因素的干扰。

1.2 理论基础

红外弱小目标检测视觉上来看是典型的点状目标检测，因此红外弱小目标图像的增强与定位属于点状目标检测的研究领域。红外图像弱小目标与一般点状目标相比，具有其自身的特点:目标所占图像像素点相对较小、图像对比度较低、易受噪声和自然因素的影响等。传统的目标检测算法中，如基于阈值分割、边缘检测、小波变换等算法，往往都假设弱小目标在整幅图像中具有较高的对比度和较好的细节描述，但这种假设在实际的红外图像检测中往往不成立。由于受红外图像本身特点、目标距离太远，拍摄时自然环境等因素的影响，使其整幅图像具有较低的对比度，而且目标特征不清晰。这也会引起传统目标检测算法的失效，所以需要在红外弱小目标图像检测前加入一定的预处理步骤。

图像预处理一般是应用于图像识别、图像表示等领域的一种前期处理。在图像的采集和传输过程中，往往会因为某些原因导致图像质量降低。例如，从视觉主观上观察图像中的物体，可能会发觉其轮廓位置过于鲜艳而显得突兀；从被检测目标物的大小和形状来看，图像特征比较模糊、难以定位；从图像对比度的角度来看，可能会受到某些噪声的影响；从图像整体来看，可能会发生某种失真、变形等。因此，待处理图像在视觉直观性和处理可行性等方面可能存在诸多干扰，我们不妨将其统称为图像质量问题。图像预处理正是用于图像质量的改善处理，通过一定的计算步骤进行适当的变换进而突出图像中某些感兴趣的信息，消除或降低干扰信息，如图像对比度增强、图像去噪或边缘提取等处理。-般情况下，由于红外图像的采集需要考虑长距离，室外等因素，所得图片难免会存在一定的噪声干扰、检测目标与背景对比度低，边缘模糊不清等各种问题，直接进行弱小目标的检测和提取往往会遇到困难。因此，本案例首先将红外弱小目标图像进行预处理，改善图像质量，进而提高最终检测的准确性。图像预处理的基本方法有图像灰度变换、频域变换、直方图变换、图像去噪、图像锐化、图像色彩变换等。本案例将选择其中的部分方法来进行裂缝图像的预处理操作。经过预处理后的图像就能提取四个最简特征进行加权融合成特征图，通过简单的阈值分割将目标检测出来。

2 .设计框架

这次的设计，使用MATLB工具，采用图像处理技术对红外弱小目标图像进行检测。图像预处理过程，对弱小目标提取局部灰度最大值、局部对比度均值反差、局部变化量、局部平均梯度强度4个特征构成特征向量，再对4个特征值进行自适应加权融合，最后通过简单的阈值分割等步骤完成了对红外图像中弱小目标的检测。主要的设计框图如下所示：

 图一设计框架图

3 .对红外弱小目标图像的预处理

3.1 灰度处理

彩色图像灰度化已经变成一种基础的图像处理技术，在图像预处理阶段，都要把采集的图像进行灰度化的处理，图像进行灰度化之后可以为后续的处理提高速度。灰度化的处理就是将彩色R，G，B分量值相等的一个过程，在本文中，运用已有函数rgb2gray()函数直接将红外弱小目标彩色图像转化为灰度图像，为后续的目标识别提高处理速度。但由于红外图像的特点，灰度化后的图像从视觉效果上并不明显。

3.2 图像增强

图像增强中有两类重要的处理方法：一种是灰度变换，另一种是直方图处理。在本文中主要运用灰度变换的进行图像亮度的增强。灰度变换主要针对独立的像素点进行处理，通过改变原始图像数据所占据的灰度范围而使图像在视觉上得到良好的改变。如果选择的灰度变换函数不同，即使是同一图像也会得到不同的结果。

采用灰度变换法对图像进行处理可以大大改善图像的视觉效果。图像的灰度变换一般可以分为线性变换、分段线性变换和非线性变换三种变换方式。红外图像一般比较暗这里运用线性变换对红外图像进行简单的加法，提高它的亮度，从而可以看到那些隐藏在黑暗中的细节，提高图像的质量。

3.3 高斯滤波

在目前的红外成像系统中，高斯噪声占噪声中主要的成分，因此在经过后面的预处理步骤时需要先将高斯噪声滤除。高斯滤波是一种线性滤波，广泛用于抑制图像中的高斯噪声。高斯滤波的作用原理和均值滤波器比较相似，它的实质就是对整幅图像的像素点取其自身和它邻域内像素点的值进行加权取平均的过程。但均值滤波器的模板系数都是1，而高斯滤波器的模板系数会一直发生改变，具体会随着模板中心的增大而减小。由于这个原因，高斯滤波对整幅图像的模糊程度比较小，所以在预处理步骤采用高斯滤波进行红外图像的去噪，这样既可以抑制图像中的红外图像，又可以保留图像中的细节特征，有利于最后的目标识别。在这里采用3*3的模板，运用imfilter()函数来执行高斯滤波操作。

3.4 对比度调整

红外弱小目标图像的采集一般是在室外进行，容易受到大气、光照、光机扫描系统缺陷等以及红外成像自身特点等因素的影响，采集到的红外弱小目标图像都整体偏暗，所以得到的图像都存在对比度较低的现象。为了让红外弱小目标和识别不受影响，所以需要对图像进行增强处理来提高对比度，进一步调整图像灰度。在这里运用imadjust()函数来执行对比度调整，句法为g=imadjust(f,[],[],gamma);当γ<1时，结果图像比原始图像亮，当γ>1时，输出的图像比输入图像暗。本文中γ取值为1.1，输出的结果要比原来图像暗，对比度更明显，有利于目标的识别。

图五 对比度调整图像

3.5 中值滤波

图像边缘一般集中了图像的细节和高频信息，如果通过领域平均法进行去噪，则往往会引起图像边缘的模糊，这也给红外弱小目标图像的检测带来了许多的困难。非线性滤波方法可以在消除图像的孤立点的同时，比较好的保持图像中的细节信息。其中最常用的一种就是中值滤波，因为噪声的出现，使得该点的像素比周围的像素都要亮很多或者暗很多。中值滤波是给出滤波用的模板，对模板中的像素值由大到小排列好，最终待处理像素的灰度值取这个模板中的灰度的中间值。主要思想是对像素领域向量化取中值来进行滤波，具有运算简单、高效，在一定的条件下，中值滤波可以克服线性滤波器所带来的图像细节模糊，而且对滤除脉冲干扰及颗粒状的噪声最为有效。因此，只要选取合适的中值滤波模板就能将噪声很好的滤除并且不会对目标造成任何的干扰。在这里采用中值滤波的方法来对图像进行去预处理步骤，运用medfilt2()函数来执行。

4 .弱小目标特征提取及特征融合

4.1弱小目标特征提取

通过对红外图像进行预处理过程，可以将我们有用的目标信息得到增强，背景信息得到弱化，不需要提取过多的特征就可以将我们的弱小目标检测出来，本文中主要选取局部灰度最大值、局部对比度均值反差、局部变化量、局部平均梯度强度四个特征进行提取。

4.1.1局部灰度最大值

在红外弱小目标图像的检测中，目标的发动机、羽烟或排气管等灰度值一般都比背景的灰度值高，通过这一特点，选取局部灰度最大值这一特征进行提取来描述最后的目标。它一般的表达式为：

（4.1）

其中，表明与目标相接近的一个模板，它是以像素点（i,j）为中心。f(i,j)则是指的第k行第l列的像素点它的灰度值大小。

4.1.2局部对比度均值反差

由于我们检测的弱小目标灰度值是高于背景灰度值，而局部对比度均值反差的主要是用来比较检测目标区域的平均灰度与相邻区域平均灰度的之间差异性，所以通过对图像预处理过程，可以用局部对比度均值反差这一特征进行提取。它一般的表达式为：

 (4.2)

其中，表示一个比更大的模板，也是以像素点（i,j）为中心。是模板中的像素数，表示模板中的像素数。

4.1.3局部平均梯度强度

机场或军舰这样的红外目标通常都是人造的对象，与自然目标相比更容易暴露出清晰的内部细节。即使是彼此之间的平均强度相似，他们的局部平均梯度强度也不会相同，所以可以用局部对比度均值反差这一特征来描述弱小目标特征。局部平均梯度强度的一般的表达式为：

    (4.3)

其中，

4.1.4局部变化量

局部变化量这一特征不同于局部对比度均值反差特征，局部变化量是主要检测局部区域微弱强度变化的，它的一般表达式为：

（4.4）

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

4.1.5 多特征值提取

通过（4.1）-（4.4）可以算出该点的局部灰度最大值（lmgl）、局部对比度均值反差（lcmd）、局部变化量（lv）、局部平均梯度强度（lags）4个特征值，进而形成该点的特征向量。

图七 4个特征值

4.2 弱小目标特征融合

上面介绍了4个特征，在弱小目标的检测时可以选择的特征有很多种，这涉及到检测的速度要求、硬件要求等问题。假设（i,k）为原始目标的像素点，那么可以提取局部灰度最大值、局部对比度均值反差、局部变化量、局部平均梯度强度四个特征，通过式（4.1）-（4.4）就可以算出该点的4个特征值，进而形成该点的特征向量，统计所有的特征向量就可以得到平均特征向量。通过特征向量与平均向量间的算术运算来实现特征的融合，融合的方法定义如下：

（4.5）

其中，分别由（4.1）-（4.4）可计算得到，为特征向量的第i行的均值，计算方法如下：

5 .自适应目标分割

在通过4个特征提取过程以及特征融合步骤得到的红外弱小目特征图中，需要检测的目标区域的灰度值已经远远比背景区域的灰度值大很多。所以采用阈值分割的方法就能将弱小目标检测出来。其表达式如下所示：

255，F＞T

=      0，       其他

其中，代表所得图中的方差，代表所得图中的均值。

6.红外弱小目标检测

经过上述对红外图像微小目标的4个特征提取，再进行自适应加权融合，最后通过简单的阈值分割的方法就能红外图像中的弱小目标检测出来。

图八结果分析

为了验证这个程序的通用性，又选取了拍摄的另外两张图片进行实验，结果显示本程序可适用于多幅图片进行红外图像弱小目标检测。

图九结果分析

图十结果分析

通过上面图七—图九可以验证本文提出的方法可以检测出红外图像中的弱小目标，而且本文通过提取红外弱小目标图像中4个特征值进行自适应加权融合方法不受图像中纹理分布的限制，可以提高检测的准确性，应用范围广泛.

7.总结

本文使用图像处理技术以MATLAB为工具成功实现了对红外弱小目标图像的检测，具有一定的实用价值。运用图像处理技术对红外弱小目标图像进行处理，主要步骤包括图像预处理过程，弱小目标特征提取及特征值的自适应加权融合，最后通过阈值分割等一系列的步骤完成了对红外图像中弱小目标的检测。

责任编辑：lq