基于改进多尺度分形特征的红外图像弱小目标检测

发布时间：2021-03-25 08:14

　　为提高红外图像弱小目标检测的准确率和实时性,在分析用于红外图像增强的分形参数K相关的多尺度分形特征（MFFK）基础上,提出了一种基于改进多尺度分形特征（IMFFK）的红外图像弱小目标检测算法。首先,将基于地毯覆盖法的分形维数计算公式代入MFFK计算公式,提出了一种改进多尺度分形特征（IMFFK）用于图像增强。其次,对IMFFK特征计算进行简化,采用自适应阈值分割得到感兴趣目标区域,提出了一种具有较高计算效率的红外图像弱小目标检测算法。最后,通过仿真图像分析了主要参数对图像增强和算法耗时的影响,采用红外真实图像进行了算法检测性能测试,并与当前基于局部对比度测度的目标检测算法进行了对比。实验结果表明,提出的算法虽然在一些检测场景具有较多虚警,但能同时适用于弱小目标和较大目标检测,且无论目标为亮目标或暗目标。提出算法对于低分辨率红外图像（320×240）检测接近30 frame/s。提出算法具有较强的适用性,能够检测出红外图像中具有较高局部对比度的目标。 

【文章来源】：光学精密工程. 2020,28(06)北大核心EICSCD

【文章页数】：12 页

【部分图文】：

基于MFFK和IMFFK的图像增强结果

表1 基于改进多尺度分形特征的高效红外图像增强算法Tab.1 Computationally efficient IR image enhancement algorithm based on an improved multiscale fractal feature 输入: 红外图像I, 最大尺度εmax 输出: 增强图像EImage 参数:rows和cols分别为输入图像I的行数和列数 for εmax=1∶εmax for x=ε+1∶rows-ε for y=ε+1∶cols-ε f=I(x-ε:x+ε,y-ε:y+ε) D(x,y,ε)=max(f(:))-min(f(:)) endendfor x=ε+1 : rows-ε for y=ε+1: cols-ε g=D(x-ε:x+ε,y-ε:y+ε,ε) V(x,y,ε)=sum(g(:)) end endendfor x=εmax+1:rowsεmax, for y=εmax+1:rows-εmax for ε=1:εmax ????t(x,y,ε)= V(x,y,ε) (2ε+1) 2 end EImage(x,y)= mean(t(x,y,:))2-std(t(x,y,:))2 endend4 实验结果分析

对于含有较大目标的图像,如果设置的最大尺度使得最大区域尺寸大于目标尺寸,则当该区域位于图像边缘时,该区域将具有较大的灰度极值差值,目标内部区域由于其均质性将表现出低差值。由于像素灰度的突然改变,当使用小的最大尺度时,大目标的边界区域将被增强。考虑方型和高斯型两类目标,设定目标尺寸分别为3×3,9×9,15×15时,通过仿真图像研究当最大尺度εmax=4时所提出算法的目标检测性能,设定分割系数c=0.65。图4(a)为理想的无噪声方型目标,增强结果的二维和三维图分别如图4(b)和图4(c)所示,图4(d)为目标检测结果。从图4中可以看出,当目标尺寸小于2εmax+1时,可被完全检测;当目标尺寸大于等于2εmax+1时,由于目标边缘区域内的灰度值变化明显,所以此处增强效果明显。同样的结论也适用于高斯目标,从图5所示的检测结果可以看出,当目标尺寸变大时,由于目标灰度峰值附近的灰度差值要小于其周围像素,故该处形成一个空洞。图4 尺寸为3×3, 9×9, 15×15的理想方型目标增强和检测结果

【参考文献】：
期刊论文
[1]结合形态学和Canny算法的红外弱小目标检测[J]. 丁鹏,张叶,刘让,贾平.  液晶与显示. 2016(08)
[2]Infrared dim target detection based on fractal dimension and third-order characterization[J]. 王鑫,刘磊,唐振民.  Chinese Optics Letters. 2009(10)
[3]一种多尺度分形特征目标检测方法[J]. 汪国有,张天序,魏洛刚,桑农.  自动化学报. 1997(01)



本文编号：3099373