[发明专利]一种基于像素级局部对比度测量的红外小目标检测方法

说明书

本发明公开了一种基于像素级局部对比度测量的红外小目标检测方法，包括以下步骤：1)建立多尺度窗口M_L提取原始红外图像IR中的候选目标像素，通过M_L过滤的原始IR图像由F_L表示，通过自适应阈值方法对红外图像F_L中的候选像素进行分割；2)采用一个基于随机游走算法RW的局部窗口，建立结合概率权重和尺度约束的局部对比度度量PLLCM，构造PLLCM增强图像E；3)通过自适应阈值方法检测增强图像E中的真实目标，将目标从PLLCM增强图像中分离出来。本发明的方法适用于检测红外图像中的小目标，具有较高的检测率和较低的虚警率。

技术领域

本发明属于图像目标检测技术领域，具体设计一种基于像素级局部对比度测量的红外小目标检测方法。

背景技术

红外小目标检测作为红外搜索与跟踪(IRST)系统的关键技术，得到了广泛的应用，特别是在军事预警系统中。红外成像原理和探测距离长，红外小目标通常没有固定的大小和特定的形状。此外，强噪声干扰和复杂背景杂波，如像素大小的高亮度噪声(PNHB)和大面积的高亮度背景，大大增加了检测的难度。考虑到红外小目标尺寸范围为2×1至9×9像素，LABHB特指大于9×9像素的突出显示区域。这些原因使得红外小目标检测仍然是一个具有挑战性的问题。先检测后跟踪(TBD)方法和先检测后跟踪(DBT)方法是红外小目标检测的两大类主要方法。TBD方法，例如时间剖面滤波、自适应口径时空滤波和运动估计的高阶累积量，通过假设连续帧中的目标具有一致的灰度和连续的轨迹来实现目标检测。一方面，这些假设限制了TBD方法的实际应用；另一方面，连续帧的处理限制了检测速度。相比之下，DBT方法直接处理单个图像而不需要更多的假设。由于DBT方法的实时性和鲁棒性，越来越受到人们的关注。

传统的DBT方法，如Max-Mean/Max-Median滤波器、小波滤波器、Top-Hat滤波器和双边滤波器等，已被首次提出用于增强红外目标的显著性。然而，在复杂场景中，它们的检测性能较差。随后，主成分分析(PCA)技术被广泛应用于红外小目标检测，以更好地抑制复杂背景。基于主成分分析的方法将红外图像视为由代表背景的低阶矩阵和代表小目标的稀疏矩阵组成。然而，图像中的背景只有在符合非局部自相关的情况下，才能用低阶矩阵很好地表示出来。因此，基于PCA的方法很难去除PNHB和LABHB等异常背景杂波。基于深度学习的方法在抑制复杂背景方面取得了一些进展。然而，它们需要大量的多场景训练样本，在实际中很难获得。基于人类视觉系统(HVS)的方法由于其有效性和实时性得到了广泛的研究，基于HVS的方法的主要动机是红外小目标通常比周围的背景更亮。单尺度局部对比度测量(ILCM)首先提出通过测量局部对比度来检测目标，但不能检测出未知大小的目标。为了有效地检测不同尺寸的目标，人们提出了许多多尺度方法，如LCM、MPCM和ADDCDD。然而，多尺度方法中使用的规则窗口不能准确地表示不规则目标和测量真实的局部对比度，削弱了不规则尺寸目标的显著性，导致较高的虚警率。

发明内容

针对现有技术的不足，解决“目标抑制”问题，本发明提出了一种基于像素级局部对比度测量的红外小目标检测方法，在像素级同时对目标和背景进行细分。本发明中的方法比现有的几种方法具有更好的鲁棒性和检测性能。

本发明的技术方案包括以下步骤：

步骤1，建立多尺度窗口M_L提取原始红外图像IR中的候选目标像素，通过M_L过滤的原始IR图像由F_L表示，通过自适应阈值方法对红外图像F_L中的候选像素进行分割；

步骤2，采用一个基于随机游走算法RW的局部窗口，建立结合概率权重和尺度约束的局部对比度度量PLLCM，构造PLLCM增强图像E；

步骤3，通过自适应阈值方法检测增强图像E中的真实目标，将目标从PLLCM增强图像中分离出来。

进一步的，步骤1的具体实现包括如下子步骤；