本發(fā)明涉及的是一種紅外目標(biāo)檢測(cè)技術(shù)，尤其涉及一種紅外弱小目標(biāo)增強(qiáng)方法。

背景技術(shù)：

目前紅外預(yù)警系統(tǒng)已經(jīng)成為現(xiàn)代戰(zhàn)爭中信息對(duì)抗的一個(gè)關(guān)鍵組成部分。由于目標(biāo)距離紅外預(yù)警系統(tǒng)較遠(yuǎn)，點(diǎn)目標(biāo)是紅外目標(biāo)的主要存在方式，其具有無特征信息、無幾何形狀、無結(jié)構(gòu)等特點(diǎn)，嚴(yán)重影響了紅外預(yù)警系統(tǒng)對(duì)目標(biāo)的檢測(cè)識(shí)別。目前對(duì)紅外目標(biāo)的研究主要有兩個(gè)方面：a基于背景抑制的單幀檢測(cè)。b基于管道濾波的多幀檢測(cè)?？梢娫诩t外目標(biāo)檢測(cè)領(lǐng)域?qū)θ跣∧繕?biāo)增強(qiáng)算法的研究還是有限的，尤其是將圖像融合技術(shù)與紅外小目標(biāo)檢測(cè)技術(shù)相結(jié)合的研究少之又少。2011年，張俊舉等人提出了基于紅外與微光圖像融合的目標(biāo)識(shí)別算法，先對(duì)紅外圖像進(jìn)行目標(biāo)識(shí)別，再將識(shí)別結(jié)果與微光圖像融合，融合結(jié)果不僅具有微光圖像良好的人眼可視性，還具有鮮明的紅外特性。2013年，盧剛提出了基于圖像融合的紅外弱小目標(biāo)檢測(cè)算法，將紅外雙波段預(yù)警系統(tǒng)的成像分別進(jìn)行背景抑制和圖像分割，將分割結(jié)果進(jìn)行圖像融合來識(shí)別目標(biāo)。這兩種方法雖然都應(yīng)用了圖像融合算法，但是都忽略了紅外弱小目標(biāo)難以檢測(cè)的特點(diǎn)，沒有通過圖像融合來提高弱小目標(biāo)的檢測(cè)概率。

在紅外圖像序列檢測(cè)中多采用管道濾波算法，該算法實(shí)際上是一個(gè)時(shí)空濾波器，它是在序列圖像的空間位置上以目標(biāo)為中心建立的一個(gè)空間管道，管道的直徑代表空間的作用尺寸，即目標(biāo)的尺寸，管道的長度代表檢測(cè)時(shí)間的長度，即圖片序列的幀數(shù)。本文針對(duì)紅外圖像序列數(shù)據(jù)量大的、目標(biāo)運(yùn)動(dòng)差異性小的特點(diǎn)，提出了基于二次圖像融合的小目標(biāo)增強(qiáng)算法，通過對(duì)包含有弱小目標(biāo)的紅外圖像序列進(jìn)行仿真驗(yàn)證了該算法具有降低紅外序列數(shù)據(jù)量、增強(qiáng)弱小目標(biāo)的價(jià)值。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于提供一種目標(biāo)檢測(cè)概率高的一種基于二次圖像融合的小目標(biāo)增強(qiáng)檢測(cè)方法。

本發(fā)明的目的是這樣實(shí)現(xiàn)的：

步驟一：將連續(xù)8幀紅外圖像序列分分成兩組，前4幀為A組，后4幀為B組；

步驟二：對(duì)A、B兩組圖像采用加權(quán)平均融合算法進(jìn)行融合，得到兩張一次融合圖像；

步驟三：對(duì)兩張一次融合圖像分別進(jìn)行小波分解，得到圖像的高頻部分和低頻部分；

步驟四：采取不同的融合準(zhǔn)則，對(duì)步驟三的高頻部分和低頻部分各自融合處理；

步驟五：對(duì)融合后的高頻部分和低頻部分進(jìn)行小波重構(gòu)，得到二次融合圖像。

本發(fā)明還可以包括：

1、所述對(duì)A、B兩組圖像采用加權(quán)平均融合算法進(jìn)行融合的方法為：

直接對(duì)像素點(diǎn)進(jìn)行加權(quán)平均處理合成一幅圖像，原始圖像序列連續(xù)8幀都為含噪圖像：

A_i(n₁,n₂)＝f(n₁,n₂)+η_i(n₁,n₂)

i＝1，2…8；n₁和n₂代表行號(hào)和列號(hào)，f(n₁,n₂)代表不含噪聲的圖像信息，η_i(n₁,n₂)為像素點(diǎn)(n₁，n₂)處的噪聲為不相關(guān)、零均值噪聲，A_i(n₁,n₂)為紅外圖像中任意像素點(diǎn)的灰度值；

對(duì)連續(xù)4幀圖像進(jìn)行加權(quán)平均融合后的圖像為：

a_i為融合系數(shù)，為加權(quán)平均融合后的圖像，其均值和標(biāo)準(zhǔn)差分別為：

為融合圖像的均值，為融合圖像的標(biāo)準(zhǔn)差，為像素點(diǎn)噪聲的標(biāo)準(zhǔn)差。

2、步驟三中對(duì)一次加權(quán)平均融合算法得到的圖像進(jìn)行二次多尺度融合具體包括：

(3.1)對(duì)每一原圖像分別進(jìn)行小波變換，得到圖像的小波分解；

為步驟二中得到的融合圖像，G_i0為小波分解得到的低頻數(shù)據(jù)，G_i1和G_i2為小波分解得到的高頻數(shù)據(jù),i＝1,2，代表步驟二中的兩組融合結(jié)果；

(3.2)對(duì)(3.1)分解得到低頻數(shù)據(jù)和高頻數(shù)據(jù)，采用不同的融合準(zhǔn)則進(jìn)行融合，所述不同的融合準(zhǔn)則為：對(duì)低頻數(shù)據(jù)部分采用加權(quán)平均融合準(zhǔn)則；對(duì)高頻數(shù)據(jù)部分采用局部方差準(zhǔn)則，將G_i1和G_i2分成若干個(gè)M×N子塊圖像，對(duì)每個(gè)子塊圖像進(jìn)行數(shù)值分布統(tǒng)計(jì)，計(jì)算其方差，

為采用加權(quán)平均融合準(zhǔn)則對(duì)低頻數(shù)據(jù)融合的結(jié)果，G_i0(3.1)小波分解得到的低頻數(shù)據(jù)，為采用局部方差準(zhǔn)則對(duì)高頻數(shù)據(jù)融合的結(jié)果，σ₁1、σ₂1分別是小波分解得到的G1部分的子塊圖像的方差，為采用局部方差準(zhǔn)則對(duì)高頻數(shù)據(jù)融合的結(jié)果，σ₁2、σ₂2分別是小波分解得到的G2部分的子塊圖像的的方差；

(3.3)對(duì)上一步采用不同融合準(zhǔn)則的到的低頻數(shù)據(jù)和高頻數(shù)據(jù)進(jìn)行小波重構(gòu)，得到二次融合圖像，

本發(fā)明針對(duì)傳統(tǒng)的紅外圖像序列不能充分利用圖像的數(shù)據(jù)信息以及單幀紅外圖像紅外弱小目標(biāo)難以檢測(cè)的問題，提出了一種基于二次圖像融合的小目標(biāo)增強(qiáng)方法。該方法先對(duì)紅外序列進(jìn)行分組融合，降低冗余；然后對(duì)融合結(jié)果進(jìn)行多分辨率二次融合，最后對(duì)融合結(jié)果進(jìn)行目標(biāo)檢測(cè)。與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

本發(fā)明的核心技術(shù)內(nèi)容在于將二次圖像融合算法引入了紅外弱小目標(biāo)檢測(cè)領(lǐng)域，將連續(xù)幀中的目標(biāo)視為靜止?fàn)顟B(tài)(因其距離紅外傳感器距離較遠(yuǎn)，短時(shí)間內(nèi)的移動(dòng)對(duì)成像影響極小)，先進(jìn)行一次融合，抑制圖像中的隨機(jī)噪聲，對(duì)融合結(jié)果進(jìn)行多尺度小波融合，在抑制背景的同時(shí)，增強(qiáng)了弱小目標(biāo)，提高了目標(biāo)檢測(cè)的概率。

附圖說明

圖1是本發(fā)明的流程圖；

圖2是本發(fā)明的核心算法——二次圖像融合算法的工作原理；

圖3(a)是沒有經(jīng)過處理的原始單幀紅外圖像，圖3(b)是對(duì)圖3(a)采用canny算子進(jìn)行邊緣檢測(cè)的結(jié)果；

圖4(a)是對(duì)紅外圖像序列采用本發(fā)明技術(shù)處理后的結(jié)果，圖4(b)對(duì)圖4(a)采用canny算子進(jìn)行邊緣檢測(cè)的結(jié)果；

圖5(a)是將融合圖像作為新的一幀圖像，與單幀原圖像進(jìn)行幀差檢測(cè)的結(jié)果，圖5(b)為原始圖像序列進(jìn)行幀差檢測(cè)的結(jié)果；

圖6為經(jīng)過本發(fā)明技術(shù)處理后的圖像的信息熵以及部分原始圖像序列的信息熵。

具體實(shí)施方式

下面結(jié)合附圖舉例對(duì)本發(fā)明作進(jìn)一步描述。

結(jié)合圖1、圖2，本發(fā)明實(shí)現(xiàn)步驟如下：

步驟一：讀入連續(xù)8幀圖像序列，平均分成兩組，每組四幀；

步驟二：對(duì)分組后的圖像分別采用加權(quán)平均融合算法進(jìn)行融合：

(1.1)對(duì)兩組圖像采用加權(quán)平均融合方法，不對(duì)參與融合的原圖像進(jìn)行任何變換或者分解，而是直接對(duì)像素點(diǎn)進(jìn)行加權(quán)平均處理合成一幅圖像。原始圖像序列連續(xù)8幀都為含噪圖像：

A_i(n₁,n₂)＝f(n₁,n₂)+η_i(n₁,n₂) (1)

i＝1，2…8；n₁和n₂代表行號(hào)和列號(hào)，f(n₁,n₂)代表不含噪聲的圖像信息，η_i(n₁,n₂)為像素點(diǎn)(n₁，n₂)處的噪聲，根據(jù)理論分析，其為不相關(guān)、零均值噪聲。A_i(n₁,n₂)為紅外圖像中任意像素點(diǎn)的灰度值。對(duì)連續(xù)4幀圖像進(jìn)行加權(quán)平均融合后的圖像為：

a_i為融合系數(shù)，為加權(quán)平均融合后的圖像，其均值和標(biāo)準(zhǔn)差分別為：

為融合圖像的均值，為融合圖像的標(biāo)準(zhǔn)差，為像素點(diǎn)噪聲的標(biāo)準(zhǔn)差。通過上式可以說明，加權(quán)平均融合后得到的融合圖像均值不變，噪聲標(biāo)準(zhǔn)差將為原來的1/2，起到了抑制隨機(jī)噪聲的作用。

步驟三：對(duì)一次加權(quán)平均融合算法得到的圖像進(jìn)行二次多尺度融合：

(3.1)對(duì)每一原圖像分別進(jìn)行小波變換，建立圖像的小波塔型分解；

為步驟二中得到的融合圖像，G_i0為小波分解得到的低頻數(shù)據(jù)，G_i1和G_i2為小波分解得到的高頻數(shù)據(jù),i＝1,2，代表步驟二中的兩組融合結(jié)果。

(3.2)對(duì)上一步分解得到低頻數(shù)據(jù)和高頻數(shù)據(jù)，采用不同的融合準(zhǔn)則進(jìn)行融合，對(duì)低頻數(shù)據(jù)部分采用加權(quán)平均融合準(zhǔn)則，對(duì)高頻數(shù)據(jù)部分采用局部方差準(zhǔn)則，將G_i1和G_i2分成若干個(gè)M×N子塊圖像。對(duì)每個(gè)子塊圖像進(jìn)行數(shù)值分布統(tǒng)計(jì)，計(jì)算其方差。

為采用加權(quán)平均融合準(zhǔn)則對(duì)低頻數(shù)據(jù)融合的結(jié)果，小波分解得到的低頻數(shù)據(jù)。為采用局部方差準(zhǔn)則對(duì)高頻數(shù)據(jù)融合的結(jié)果，σ₁1，σ₂1分別是小波分解得到的G₁部分的子塊圖像的方差。為采用局部方差準(zhǔn)則對(duì)高頻數(shù)據(jù)融合的結(jié)果，σ₁2，σ₂2分別是小波分解得到的G₂部分的子塊圖像的的方差。

(3.3)對(duì)上一步采用不同融合準(zhǔn)則的到的低頻數(shù)據(jù)和高頻數(shù)據(jù)進(jìn)行小波重構(gòu)，得到二次融合圖像。

步驟四：對(duì)經(jīng)過二次融合得到的圖像采用canny算子進(jìn)行邊緣檢測(cè)。輸出結(jié)果即為增強(qiáng)后的目標(biāo)及部分的背景邊緣信息。

步驟五：將二次融合得到的融合圖像與原始序列圖像相減，輸出結(jié)果只包含有目標(biāo)信息，至此，本發(fā)明技術(shù)完成了目標(biāo)增強(qiáng)檢測(cè)。

步驟六：計(jì)算融合圖像和原始圖像的信息熵，判斷紅外目標(biāo)是否得到增強(qiáng)，計(jì)算公式如下：

本發(fā)明的效果可通過以下仿真進(jìn)一步說明：

實(shí)驗(yàn)平臺(tái)：因特爾i7處理器、主頻2.20GHz、64位Windows 7專業(yè)版下的Matlab R2012a仿真軟件。

(1)仿真參數(shù)設(shè)置：

圖像序列特征：連續(xù)10幀圖像，圖像的分辨率為320×480；

分組參數(shù)：平均分成兩組，1-5幀為第一組，6-10幀為第二組；

融合參數(shù)：a，一次融合：加權(quán)系數(shù)均為為0.5；

b，二次融合：低頻信息融合加權(quán)系數(shù)為0.5

高頻信息融合選擇方差較大的像素點(diǎn)的系數(shù)。

(2)仿真結(jié)果：

圖3原始圖像和原始圖像邊緣檢測(cè)的結(jié)果，圖4為二次融合圖像和對(duì)其邊緣檢測(cè)的結(jié)果，對(duì)比可以看出，融合圖像明顯優(yōu)于原始圖像，融合結(jié)果中的目標(biāo)得到增強(qiáng)，原始圖像無法檢測(cè)出目標(biāo)，融合圖像清晰的檢測(cè)出目標(biāo)。

圖5(a)為融合圖像與第一幀圖像的幀差結(jié)果，圖5(b)為第六幀圖像與第一幀圖像的幀差結(jié)果。對(duì)比可以看出，經(jīng)過二次融合后的圖像成功的檢測(cè)出目標(biāo)。

圖6為第一幀、第四幀、第七幀和融合圖像的信息熵計(jì)算結(jié)果，定量的證明了本發(fā)明技術(shù)對(duì)目標(biāo)的增強(qiáng)作用。

綜上，本實(shí)施例提出了基于二次圖像融合的紅外小目標(biāo)增強(qiáng)算法，改進(jìn)后的算法能夠充分利用紅外圖像序列的數(shù)據(jù)信息，在抑制圖像背景的同時(shí)增強(qiáng)紅外弱小目標(biāo)，實(shí)現(xiàn)對(duì)紅外弱小目標(biāo)的檢測(cè)概率，能夠滿足當(dāng)前的應(yīng)用需求。

本領(lǐng)域技術(shù)人員可以理解，在本申請(qǐng)具體實(shí)施方式的上述方法中，各步驟的序號(hào)大小并不意味著執(zhí)行順序的先后，各步驟的執(zhí)行順序應(yīng)以其功能和內(nèi)在邏輯確定，而不應(yīng)對(duì)本申請(qǐng)具體實(shí)施方式的實(shí)施過程構(gòu)成任何限定。

最后應(yīng)說明的是，以上實(shí)施例僅用以描述本發(fā)明的技術(shù)方案而不是對(duì)本技術(shù)方法進(jìn)行限制，本發(fā)明在應(yīng)用上可以延伸為其他的修改、變化、應(yīng)用和實(shí)施例，并且因此認(rèn)為所有這樣的修改、變化、應(yīng)用、實(shí)施例都在本發(fā)明的精神和教導(dǎo)范圍內(nèi)。