[发明专利]基于时域经验模态分解的红外弱小目标检测方法

说明书

技术领域

本发明属于图像处理技术领域，更进一步涉及复杂背景下红外图像处理领域中的一种基于时域经验模态分解的弱小目标检测方法。本发明可用于对红外图像中的弱小目标进行检测，能有效的提高红外图像中小目标的检测精度。

背景技术

随着各国国防科研实力的不断增强，在红外制导、天机预警和目标监视等国防领域中，红外图像中的弱小目标检测技术一直是国内外学者关注和研究的热点。但由于，红外图像成像距离远，背景噪声大，成像环境复杂，目标运动轨迹不定等等原因，使得该项研究也一直是一个难点。

1998年经验模态分解(EMD)被提出，该方法不需要设置任何基函数，经验模态分解就可以根据数据本身进行分解，具有良好的自适应性。EMD方法在处理非平稳信号时可以有很高的信噪比且具有自适应性，经验模态分解将非平稳信号分解，获取平稳的分量信号，它能使复杂信号分解为有限个本征模函数(IMF)。该算法中基函数是由数据本身所分解得到的，相比于小波变换和傅里叶变换更加直观，同时不需要设置基函数的特性使它具有更好的自适应性，具有一定的优越性和发展前景。在红外图像处理方面，之前有人将EMD应用到单帧图像的行和列，以及将一维EMD扩展到二维EMD处理单帧图像，这些方法对于信噪比高的目标检测效果还可以达到要求，但是当处理的图像背景较为复杂时就很难达到检测要求。

发明内容

针对现有技术存在的不足，考虑到红外序列图像的时域上有目标经过时会表现出奇异性突变，以及EMD分解的特性，本发明将一维EMD应用到红外序列图像的时域信号上，提出一种基于时域经验模态分解的红外弱小目标检测方法，以提高检测精度。

实现本发明的技术思路是：首先，对红外序列图像的每个像素的时域进行分片方差判定是否需要EMD分解；其次，对于需要分解的时域信号做EMD分解；然后，将分解得到的本征模态函数合成；之后，再利用图像中目标经过时像素点灰度值有起伏变化这一特点，将其看作是一种非高斯弱瞬态信号，根据虚警率设置滤波门限进行检测；最后，对滤波后的图像进行二值化处理，即得到最后的红外弱小目标检测结果。

本发明的技术方案为：

所述一种基于时域经验模态分解的红外弱小目标检测方法，其特征在于：包括以下步骤：

步骤1：输入待检测的红外序列图像F_orig(i,j,k)，其中(i,j)表示红外图像中的像素点的位置，k表示序列图像的帧号，k＝1,2,…,N，N为待检测的红外序列图像中的帧数；

步骤2：取待检测的红外序列图像在同一位置像素点上灰度值形成的时域信号为F_(i,j)(k)，k＝1,2,…,N，通过以下步骤判断每个位置的时域信号F_(i,j)(k)是否需要分解：

步骤2.1：将时域信号F_(i,j)(k)分成n片，并分别求各片时域信号的标准差σ₁,σ₂,...,σ_n；

步骤2.2：将步骤2.1中得到的n个标准差做归一化处理；

步骤2.3：对归一化处理后的n个标准差求方差将与设定值λ作比较，如果大于设定值λ，则对时域信号F_(i,j)(k)进行下一步分解，否则将时域信号F_(i,j)(k)的每个值设为零值；

步骤3：采用以下步骤对需要进行分解的时域信号F_(i,j)(k)进行经验模态分解，其中采用x(k)表示时域信号F_(i,j)(k)；

步骤3.1：找出时域信号x(k)的所有极值点；

步骤3.2：将时域信号x(k)的极大值点和极小值点分别进行曲线拟合，得到x(k)的上包络线x_up(k)和下包络线x_low(k)；

步骤3.3：逐点计算上包络线和下包络线的局部均值m(k)＝(x_up(k)+x_low(k))/2；

步骤3.4：采用时域信号x(k)减去局部均值得到d(k)＝x(k)-m(k)；