一種基於二次圖像融合的小目標增強檢測方法與流程
2023-07-31 20:21:26 1
本發明涉及的是一種紅外目標檢測技術，尤其涉及一種紅外弱小目標增強方法。
背景技術：
目前紅外預警系統已經成為現代戰爭中信息對抗的一個關鍵組成部分。由於目標距離紅外預警系統較遠，點目標是紅外目標的主要存在方式，其具有無特徵信息、無幾何形狀、無結構等特點，嚴重影響了紅外預警系統對目標的檢測識別。目前對紅外目標的研究主要有兩個方面：a基於背景抑制的單幀檢測。b基於管道濾波的多幀檢測。可見在紅外目標檢測領域對弱小目標增強算法的研究還是有限的，尤其是將圖像融合技術與紅外小目標檢測技術相結合的研究少之又少。2011年，張俊舉等人提出了基於紅外與微光圖像融合的目標識別算法，先對紅外圖像進行目標識別，再將識別結果與微光圖像融合，融合結果不僅具有微光圖像良好的人眼可視性，還具有鮮明的紅外特性。2013年，盧剛提出了基於圖像融合的紅外弱小目標檢測算法，將紅外雙波段預警系統的成像分別進行背景抑制和圖像分割，將分割結果進行圖像融合來識別目標。這兩種方法雖然都應用了圖像融合算法，但是都忽略了紅外弱小目標難以檢測的特點，沒有通過圖像融合來提高弱小目標的檢測概率。
在紅外圖像序列檢測中多採用管道濾波算法，該算法實際上是一個時空濾波器，它是在序列圖像的空間位置上以目標為中心建立的一個空間管道，管道的直徑代表空間的作用尺寸，即目標的尺寸，管道的長度代表檢測時間的長度，即圖片序列的幀數。本文針對紅外圖像序列數據量大的、目標運動差異性小的特點，提出了基於二次圖像融合的小目標增強算法，通過對包含有弱小目標的紅外圖像序列進行仿真驗證了該算法具有降低紅外序列數據量、增強弱小目標的價值。
技術實現要素：
本發明的目的在於提供一種目標檢測概率高的一種基於二次圖像融合的小目標增強檢測方法。
本發明的目的是這樣實現的：
步驟一：將連續8幀紅外圖像序列分分成兩組，前4幀為A組，後4幀為B組；
步驟二：對A、B兩組圖像採用加權平均融合算法進行融合，得到兩張一次融合圖像；
步驟三：對兩張一次融合圖像分別進行小波分解，得到圖像的高頻部分和低頻部分；
步驟四：採取不同的融合準則，對步驟三的高頻部分和低頻部分各自融合處理；
步驟五：對融合後的高頻部分和低頻部分進行小波重構，得到二次融合圖像。
本發明還可以包括：
1、所述對A、B兩組圖像採用加權平均融合算法進行融合的方法為：
直接對像素點進行加權平均處理合成一幅圖像，原始圖像序列連續8幀都為含噪圖像：
Ai(n1,n2)＝f(n1,n2)+ηi(n1,n2)
i＝1，2…8；n1和n2代表行號和列號，f(n1,n2)代表不含噪聲的圖像信息，ηi(n1,n2)為像素點(n1，n2)處的噪聲為不相關、零均值噪聲，Ai(n1,n2)為紅外圖像中任意像素點的灰度值；
對連續4幀圖像進行加權平均融合後的圖像為：
ai為融合係數，為加權平均融合後的圖像，其均值和標準差分別為：
為融合圖像的均值，為融合圖像的標準差，為像素點噪聲的標準差。
2、步驟三中對一次加權平均融合算法得到的圖像進行二次多尺度融合具體包括：
(3.1)對每一原圖像分別進行小波變換，得到圖像的小波分解；
為步驟二中得到的融合圖像，Gi0為小波分解得到的低頻數據，Gi1和Gi2為小波分解得到的高頻數據,i＝1,2，代表步驟二中的兩組融合結果；
(3.2)對(3.1)分解得到低頻數據和高頻數據，採用不同的融合準則進行融合，所述不同的融合準則為：對低頻數據部分採用加權平均融合準則；對高頻數據部分採用局部方差準則，將Gi1和Gi2分成若干個M×N子塊圖像，對每個子塊圖像進行數值分布統計，計算其方差，
為採用加權平均融合準則對低頻數據融合的結果，Gi0(3.1)小波分解得到的低頻數據，為採用局部方差準則對高頻數據融合的結果，σ11、σ21分別是小波分解得到的G1部分的子塊圖像的方差，為採用局部方差準則對高頻數據融合的結果，σ12、σ22分別是小波分解得到的G2部分的子塊圖像的的方差；
(3.3)對上一步採用不同融合準則的到的低頻數據和高頻數據進行小波重構，得到二次融合圖像，
本發明針對傳統的紅外圖像序列不能充分利用圖像的數據信息以及單幀紅外圖像紅外弱小目標難以檢測的問題，提出了一種基於二次圖像融合的小目標增強方法。該方法先對紅外序列進行分組融合，降低冗餘；然後對融合結果進行多解析度二次融合，最後對融合結果進行目標檢測。與現有技術相比，本發明的有益效果是：
本發明的核心技術內容在於將二次圖像融合算法引入了紅外弱小目標檢測領域，將連續幀中的目標視為靜止狀態(因其距離紅外傳感器距離較遠，短時間內的移動對成像影響極小)，先進行一次融合，抑制圖像中的隨機噪聲，對融合結果進行多尺度小波融合，在抑制背景的同時，增強了弱小目標，提高了目標檢測的概率。
附圖說明
圖1是本發明的流程圖；
圖2是本發明的核心算法——二次圖像融合算法的工作原理；
圖3(a)是沒有經過處理的原始單幀紅外圖像，圖3(b)是對圖3(a)採用canny算子進行邊緣檢測的結果；
圖4(a)是對紅外圖像序列採用本發明技術處理後的結果，圖4(b)對圖4(a)採用canny算子進行邊緣檢測的結果；
圖5(a)是將融合圖像作為新的一幀圖像，與單幀原圖像進行幀差檢測的結果，圖5(b)為原始圖像序列進行幀差檢測的結果；
圖6為經過本發明技術處理後的圖像的信息熵以及部分原始圖像序列的信息熵。
具體實施方式
下面結合附圖舉例對本發明作進一步描述。
結合圖1、圖2，本發明實現步驟如下：
步驟一：讀入連續8幀圖像序列，平均分成兩組，每組四幀；
步驟二：對分組後的圖像分別採用加權平均融合算法進行融合：
(1.1)對兩組圖像採用加權平均融合方法，不對參與融合的原圖像進行任何變換或者分解，而是直接對像素點進行加權平均處理合成一幅圖像。原始圖像序列連續8幀都為含噪圖像：
Ai(n1,n2)＝f(n1,n2)+ηi(n1,n2) (1)
i＝1，2…8；n1和n2代表行號和列號，f(n1,n2)代表不含噪聲的圖像信息，ηi(n1,n2)為像素點(n1，n2)處的噪聲，根據理論分析，其為不相關、零均值噪聲。Ai(n1,n2)為紅外圖像中任意像素點的灰度值。對連續4幀圖像進行加權平均融合後的圖像為：
ai為融合係數，為加權平均融合後的圖像，其均值和標準差分別為：
為融合圖像的均值，為融合圖像的標準差，為像素點噪聲的標準差。通過上式可以說明，加權平均融合後得到的融合圖像均值不變，噪聲標準差將為原來的1/2，起到了抑制隨機噪聲的作用。
步驟三：對一次加權平均融合算法得到的圖像進行二次多尺度融合：
(3.1)對每一原圖像分別進行小波變換，建立圖像的小波塔型分解；
為步驟二中得到的融合圖像，Gi0為小波分解得到的低頻數據，Gi1和Gi2為小波分解得到的高頻數據,i＝1,2，代表步驟二中的兩組融合結果。
(3.2)對上一步分解得到低頻數據和高頻數據，採用不同的融合準則進行融合，對低頻數據部分採用加權平均融合準則，對高頻數據部分採用局部方差準則，將Gi1和Gi2分成若干個M×N子塊圖像。對每個子塊圖像進行數值分布統計，計算其方差。
為採用加權平均融合準則對低頻數據融合的結果，小波分解得到的低頻數據。為採用局部方差準則對高頻數據融合的結果，σ11，σ21分別是小波分解得到的G1部分的子塊圖像的方差。為採用局部方差準則對高頻數據融合的結果，σ12，σ22分別是小波分解得到的G2部分的子塊圖像的的方差。
(3.3)對上一步採用不同融合準則的到的低頻數據和高頻數據進行小波重構，得到二次融合圖像。
步驟四：對經過二次融合得到的圖像採用canny算子進行邊緣檢測。輸出結果即為增強後的目標及部分的背景邊緣信息。
步驟五：將二次融合得到的融合圖像與原始序列圖像相減，輸出結果只包含有目標信息，至此，本發明技術完成了目標增強檢測。
步驟六：計算融合圖像和原始圖像的信息熵，判斷紅外目標是否得到增強，計算公式如下：
本發明的效果可通過以下仿真進一步說明：
實驗平臺：因特爾i7處理器、主頻2.20GHz、64位Windows 7專業版下的Matlab R2012a仿真軟體。
(1)仿真參數設置：
圖像序列特徵：連續10幀圖像，圖像的解析度為320×480；
分組參數：平均分成兩組，1-5幀為第一組，6-10幀為第二組；
融合參數：a，一次融合：加權係數均為為0.5；
b，二次融合：低頻信息融合加權係數為0.5
高頻信息融合選擇方差較大的像素點的係數。
(2)仿真結果：
圖3原始圖像和原始圖像邊緣檢測的結果，圖4為二次融合圖像和對其邊緣檢測的結果，對比可以看出，融合圖像明顯優於原始圖像，融合結果中的目標得到增強，原始圖像無法檢測出目標，融合圖像清晰的檢測出目標。
圖5(a)為融合圖像與第一幀圖像的幀差結果，圖5(b)為第六幀圖像與第一幀圖像的幀差結果。對比可以看出，經過二次融合後的圖像成功的檢測出目標。
圖6為第一幀、第四幀、第七幀和融合圖像的信息熵計算結果，定量的證明了本發明技術對目標的增強作用。
綜上，本實施例提出了基於二次圖像融合的紅外小目標增強算法，改進後的算法能夠充分利用紅外圖像序列的數據信息，在抑制圖像背景的同時增強紅外弱小目標，實現對紅外弱小目標的檢測概率，能夠滿足當前的應用需求。
本領域技術人員可以理解，在本申請具體實施方式的上述方法中，各步驟的序號大小並不意味著執行順序的先後，各步驟的執行順序應以其功能和內在邏輯確定，而不應對本申請具體實施方式的實施過程構成任何限定。
最後應說明的是，以上實施例僅用以描述本發明的技術方案而不是對本技術方法進行限制，本發明在應用上可以延伸為其他的修改、變化、應用和實施例，並且因此認為所有這樣的修改、變化、應用、實施例都在本發明的精神和教導範圍內。