[发明专利]基于机器学习的红外小目标图像背景预测方法与装置

说明书

本发明提供一种基于机器学习的红外小目标图像背景预测方法，包括以下步骤：以第1帧到第l帧图像作为原始数据来构造机器学习的原始训练样本；对输入的图像进行背景复杂判断：如果背景复杂，则先进行冗余剔除，再进行机器学习；如果背景不复杂，则直接进行机器学习；对输入图像帧中的冗余信息进行剔除，得到较少的训练样本；利用原始训练样本或较少的训练样本来训练学习机器；以第l+1帧图像作为测试样本，利用学习机器预测第l+1帧图像的背景；以第l+1帧图像的原始背景减去预测出来的背景得到残差图像；使预测窗口滑过整幅图像，并采用前述步骤的单个像素点的预测方式，得到整幅图像的预测背景。本发明还涉及一种基于机器学习的红外小目标图像背景预测装置。

技术领域

本发明涉及红外图像处理技术领域，具体而言涉及一种基于机器学习的红外小目标图像背景预测方法与装置，适于空中红外小目标检测中的杂波背景抑制。

背景技术

杂波背景抑制是红外小目标检测的关键步骤。对空红外监控系统拍摄的图像主要由目标、背景和噪声三部分组成。由于远距离目标的面积一般只有几个像素,缺少形状和纹理信息,对比度也较低,在红外图像上表现为一个弱小亮点，难以分辨。而背景占绝大部分面积，因此人们往往首先从抑制背景的角度来考虑如何完成检测。抑制杂波背景是小目标检测的第一步，也是最重要的一步，能大大提高后续目标检测阶段算法的性能。

背景预测是一类重要的背景抑制方法，其基本思路是利用红外图像在空域和频域的特征，使用特定的算法先将图像的起伏背景预测出来，然后用原图像减去预测出来的背景，以达到抑制背景起伏、突出目标的目的。

常见背景预测技术主要有固定权值滤波、中值滤波、形态学滤波等。

固定权值滤波通过对预测窗口内像素点灰度值的加权求和来估计窗口中心点的背景灰度值，遍历整幅图像完成整个预测过程。固定权值背景预测指的就是令权值为常数，这样运算过程简单，具有较高的处理速度、便于硬件实现。但该算法模板中的参数设定后不能改变，缺乏对不同类型背景的适应性，当背景较复杂时性能较低。

中值滤波的基本思想是：在输入图像中，以任一像素为中心设置一个确定的邻域，将邻域内各像素的灰度值按大小顺序排列，取位于中间位置的那个值(中值)作为该像素点的输出灰度值，即作为该点预测的背景灰度值，遍历整幅图像完成整个预测过程。中值滤波算法结构简单，便于硬件实现，但算法原理本身决定了它只能够滤除脉冲宽度小于滤波窗口一般的噪声。

数学形态学滤波通常基于Top-Hat变换，Top-Hat变换的基本原理是选择某一结构元素对输入图像进行形态学“开运算”，得到预测背景，然后使用原始图像减去开运算预测出的背景，得到只含目标和少量背景的图像。形态学滤波结构元素的选择对于背景预测效果的影响很大。

上述几种方法都属于单帧背景预测算法，即算法只针对单帧图像进行处理，处理完一帧图像再处理下一帧图像。而通常小目标在红外图像中的运动速度大于背景的变化速度。因此，单帧算法无法利用目标与背景的帧间运动特性。

发明内容

针对现有技术中单帧算法无法利用目标和背景的帧间运动特性的不足，在单帧算法的基础上提出一种基于机器学习的红外小目标图像背景预测方法，充分利用目标和背景在帧间相关性上的差异，提供对目标与背景的区分度。

本发明的另一方面还提出一种基于机器学习的红外小目标图像背景预测装置。

本发明的上述目的通过独立权利要求的技术特征实现，从属权利要求以另选或有利的方式发展独立权利要求的技术特征。

为达成上述目的，本发明所采用的技术方案如下：

一种基于机器学习的红外小目标图像背景预测方法，适于对红外小目标图像进行背景预测，其实现包括以下步骤：

步骤1、以第1帧到第l帧图像作为原始数据来构造机器学习的原始训练样本；