[发明专利]基于离散分数布朗随机场的云天背景下红外弱小目标检测方法

说明书

本发明提出一种基于离散分数布朗随机场的云天背景下红外弱小目标检测方法，首先使用形态学和高斯滤波对红外图像进行预处理；其次对预处理后的结果，计算多尺度Hurst指数图；然后通过比较不同尺度下的Hurst指数，并进行图像的反转和显著性增强，得到最终的Hurst指数图；之后利用改进的类间方差来进一步去除噪声，增强目标显著性；最后在图中找到灰度值最大的点即为红外弱小目标所在位置。本发明利用Hurst参数能表征同一图像区域的自相似性(即灰度表面的均匀程度)的特性，结合多尺度，提高了检测鲁棒性。

技术领域

本发明属于图像处理技术领域，具体为一种基于离散分数布朗随机场的云天背景下红外弱小目标检测方法。

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。

分数布朗运动(FBM)是H.B.Mandelbrot于1965年首先提出的，用于模拟各种具有分形特征的噪声，可以很好的描述分形信号，它是连续不可导的一种非平稳随机过程，对尺度变化具有相似性，现己成为一个能反映广泛的自然物体性质的数学模型，离散分数布朗随机场(DFBR)是对布朗运动概念的扩展。

分形是对没有特征长度，但具有自相似性和标度不变性特征的图形和结构的总称。自然界中大多数景物表面是空间各自同性的分形。一幅图像同一区域内相同灰度具有统计意义上的自相似性。而红外小目标相对于周围的背景来讲，由于其灰度值与周围背景存在一定的对比度，使得小目标在各个尺度上成为区域内的奇异点。目前，在红外小目标检测领域，大多数利用分形理论中的分形维数来检测目标，常用的算法有盒子计数法，曲线拟合等，这些算法复杂度较高，运行时间长，对于复杂背景下的红外小目标检测，检测概率低，容易出现虚警，鲁棒性不强。

发明内容

为解决现有技术存在的问题，本发明提出一种基于离散分数布朗随机场的云天背景下红外弱小目标检测方法，利用Hurst参数能表征同一图像区域的自相似性(即灰度表面的均匀程度)的特性，结合多尺度，提高检测鲁棒性。

实现本发明的技术思路是：首先使用形态学和高斯滤波对红外图像进行预处理；其次对预处理后的结果，计算多尺度Hurst指数图；然后通过比较不同尺度下的Hurst指数，并进行图像的反转和显著性增强，得到最终的Hurst指数图；之后利用改进的类间方差来进一步去除噪声，增强目标显著性；最后在图中找到灰度值最大的点即为红外弱小目标所在位置。

本发明的技术方案为：

所述一种基于离散分数布朗随机场的云天背景下红外弱小目标检测方法，其特征在于：包括以下步骤：

步骤1：输入一幅待检测的红外图像I_orig；

步骤2：对输入的图像进行预处理，预处理后的图像为I_pre：

步骤2.1：对红外图像I_orig进行数学形态学的膨胀运算；

步骤2.2：对膨胀后的图像进行高斯滤波处理；

步骤3：采用以下步骤进行Hurst指数计算：

步骤3.1：设置m个窗口尺度参数s_i，i＝1...m，s_i表示第i个尺度参数；

步骤3.2：在某一尺度参数s_i下，采用滑动窗口模型按照顺序遍历整张预处理后的图像I_pre；

步骤3.3：对窗口的每个中心位置(x₀,y₀)的像素点，采用以下公式计算Hurst指数值：