[发明专利]一种基于显著性和加权引导滤波的红外小目标检测方法

说明书

本发明公开了一种基于显著性和加权引导滤波的红外小目标检测方法，其步骤为：首先利用显著性滤波方法获取红外小目标的先验图；然后利用四组不同的参数对原始图像进行加权引导滤波，得到保边平滑序列图；按照先验图的灰度大小，从保边平滑序列图和原始图像中选取相应的像素作为背景估计图；对原始图像和背景估计图作差，得到目标图像，采用阈值分割方法输出目标检测结果。本发明首次提出了将显著性和加权引导滤波结合的红外小目标背景估计与检测方法，实现流程简单，实时性好，能够有效提高复杂场景下的小目标检测概率，降低边缘等导致的虚警概率。

技术领域

本发明属于红外图像处理及目标检测领域，具体涉及一种基于显著性和加权引导滤波的红外小目标检测方法。

背景技术

红外探测具有被动探测、穿透能力强、全天时工作等特点，广泛应用于预警搜索、红外制导、海防空防等军事领域，以及户外遇险搜救、野生动物监测、机场鸟情监控等民用领域。红外小目标检测技术作为红外探测系统的一项重要组成部分，能够通过对图像的分析和处理实现远距离目标的定位和发现。然而，红外小目标具有成像面积小、无明显纹理、无固定形态、信噪比低等特征，而且背景区域时常存在树木、山川、云层、海浪等杂波干扰，上述因素给红外小目标的准确检测带来了较多困难。

目前，基于单帧的红外小目标检测方法由于实现相对简单，对硬件要求不高，更容易工程化，因此受到了研究人员的广泛青睐。常用的单帧检测方法包括背景估计方法、人类视觉系统方法、低秩稀疏分解方法等。背景估计方法通常采用空域或频域滤波器对背景进行抑制，计算量小，实现简单，但很容易受到复杂背景干扰；人类视觉系统涉及较多的为局部对比度机制，当目标满足视觉显著性假设时效果较好，但具有显著特性的杂波会造成虚警误检；低秩稀疏分解方法利用了背景的非局部相关性和目标的稀疏性，把目标检测问题转化为优化问题，对低信噪比的弱小目标效检测效果较好，但存在计算量大，难以工程化等缺点，而且大多算法对边缘的抗干扰能力较弱。

总之，当前的红外小目标检测算法在不同程度上存在诸如鲁棒性低、实时性差、虚警率高等不足，仍然需要寻求一种高效实用的红外小目标检测算法。

发明内容

本发明的目的是：克服现有技术的不足，提供一种基于显著性和加权引导滤波的红外小目标检测方法，该方法能够有效抑制复杂背景尤其是边缘杂波导致的虚警，并且具有算法复杂度低、实时性强的特点，易满足工程应用中的高效实时需求。

本发明的技术解决方案为：一种基于显著性和加权引导滤波的红外小目标检测方法，该方法包含以下步骤：

步骤1.1、获取原始红外图像D，采用显著性滤波方法，计算得到红外小目标先验图C；

步骤1.2、采用四组不同的滤波参数对原始红外图像D进行加权引导滤波，得到四幅保边平滑序列图；

步骤1.3、根据先验图C的灰度分布，从保边平滑序列图和原始红外图像D中选取相应的像素作为背景估计图B；

步骤1.4、利用原始红外图像D和背景估计图B相减得到目标图像T，采用阈值分割方法确定红外小目标位置，输出目标检测结果。

进一步地，步骤1.1所述的显著性滤波方法，滤波器为5×5大小的空域滤波核；

进一步地，步骤1.2所述的滤波参数为窗口半径和正则化参数；

进一步地，步骤1.2所述的加权引导滤波，单个像素点的权重为该像素点方差与图像中每个像素点方差的平均比例，权重w_k计算公式为：

其中，N为图像的像素数目，Var为像素点的方差，ε为恒定的常量；

进一步地，步骤1.4所述的阈值分割，采用目标图像T的最大值与常系数m的乘积作为分割阈值，m取值范围为0.3到0.5。

本发明与现有技术相比的优点在于：