[发明专利]基于多尺度形态学融合的加权局部熵红外小目标检测方法

说明书

本发明提出一种基于多尺度形态学图像融合的加权局部熵红外小目标检测方法，首先，对红外图像进行转换至灰度域进行处理；其次，对红外图像进行多尺度形态学Top‑Hat图像分割处理，在相邻尺度的Top‑Hat的基础上求图像差异，得到最小差异图，再将最小差异图与经Top‑Hat变换的图像的最小均值图做融合，得到背景抑制后的图像；然后，通过计算初始图像的局部熵，得到局部熵信息图；之后，对背景抑制后的图像与局部熵信息图进行点乘，并归一化，得到红外小目标的显著图；最后，利用阈值分割技术对红外小目标显著图滤波并二值化，得到处理后图像，其中的二值化为1的区域就是红外小目标。本发明适合于红外小目标检测领域，能够有效的提高红外小目标检测的准确率，并且有效的降低虚警率。

技术领域

本发明属于数字图像处理技术领域，具体为一种基于多尺度形态学融合的加权局部熵红外小目标检测方法。

背景技术

红外小目标检测技术已经成为国防军事、民用领域的重要分支，由于红外探测技术具有全天候、探测距离远、隐藏性好等优点，在红外远距离目标跟踪、红外末端制导以及边境国防、医疗卫生等领域上得到广泛的应用。但由于红外图像的成像传感器受到器件本身温度、材料等因素，以及红外小目标图像自身的固有特点的影响，在单帧图像中，使得红外小目标成像中小目标像素占比小、信号弱、易受干扰，最终导致目标检测和追踪变得异常苦难。因此，红外小目标检测成为在数字图像处理领域研究的热点和难点。

随着信息技术领域的快速发展，图像数据的规模变得越来越大，面对如此庞大且繁多的数据，如何能够快速准确的完成图像解析，已经转变成为当前研究的一个重要分支。自1998年Laurent Itti提出一种视觉显著性检测方法以来，视觉显著性检测技术得到了越来越多学者的关注。视觉显著性检测是计算机视觉(Computer-Vision)领域中模拟灵长类动物的视觉注意机制而出现的一个课题。近年来，学者们基于该机制提出了许多相关算法并运用到红外小目标检测、跟踪领域。基于视觉注意机制提取红外小目标的显著特性，并用于红外小目标检测中，可以取得良好的检测结果。Chen等人提出了一种基于人眼视觉对比机制(Human Visual System,HVS)的局部对比测量(Local Contrast Method,LCM)算法。LCM算法根据目标和背景的局部对比(Local Contrast,LC)特征的不同，突出小目标显著性，抑制背景杂波，并得红外小目标图像的显著图。Han等人提出了一种改进的LCM算法，称为改进的局部对比算法(Improve Local Contrast Method,ILCM)，该算法同样是基于HVS算法。LCM算法经过改进，计算速度较快，且虚警率也降低了，但在复杂背景下的检测仍是一项难题。

发明内容

针对以上现有技术在复杂背景下的红外图像小目标检测领域的不足，本发明提出一种基于多尺度形态学图像融合的加权局部熵(Weighted Local Entropy of Multi-scale Morphological Image Fusion，WLEMMF)的红外小目标检测算法，本检测方法适合于红外小目标检测领域，能够有效的提高红外小目标检测的准确率，并且有效的降低虚警率。

实现本发明的算法思路是：首先，对红外图像进行转换至灰度域进行处理；其次，根据提出的WLEMMF算法，对红外图像进行多尺度形态学Top-Hat图像分割处理，在相邻尺度的Top-Hat的基础上求图像差异，得到最小差异图，再将最小差异图与经Top-Hat变换的图像的最小均值图做融合，得到背景抑制后的图像；然后，通过计算初始图像的局部熵，得到局部熵信息图；之后，对背景抑制后的图像与局部熵信息图进行点乘，并归一化，得到红外小目标的显著图；最后，利用阈值分割技术对红外小目标显著图滤波并二值化，得到处理后图像，其中的亮点区域(二值化为1的区域)就是红外小目标。

基于上述原理，本发明的技术方案为：

所述一种基于多尺度形态学融合的加权局部熵红外小目标检测方法，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Img，图像大小为m*n；