基于改进LCM的红外小目标检测算法

发布时间：2019-09-20 19:02

【摘要】：如何在复杂背景和低信杂比条件下准确检测到小目标对于精确制导武器的发展和红外预警等具有重要意义。为了在复杂背景条件下提高图像信杂比并有效地检测出小目标,提出一种基于中心域与邻域灰度对比度的红外小目标检测方法。通过计算输入图像的对比度图和显著度图,提高了目标对比度同时抑制背景杂波;在此基础上自适应设定阈值分离出小目标。实验结果表明:与传统LCM(Local Contrast Measure)方法相比,所提出的方法能够取得更高的检测率和较低的虚警率,尤其是对于复杂背景下的弱小目标检测,相对于对比算法,优势更明显。
【图文】：

图像块,图像,子块,响应值

，将图像分为若干块。如图1所示，每个块包含3×3共9个子块，每个子块包含3×3共9个像素。传统LCM算法中，为了求得响应最大值而重复在多尺度下运算，单独一子块像素个数最多达到9×9共81个。根据SPIE的建议，小目标的尺寸一般不超过图像总面积的0.15%[6]，因此，几乎很少有红外图像的小目标面积会达到9×9个像素。如果存在面积这么大的“斜目标，那么其自身一定可以包含诸如边缘、角点等图像信息，从而可以利用其他的检测方法来检测。因此，在提出的算法中，每一个子块只包含3×3个像素。图1在图像上滑动窗口所获得的图像块包含9个子块Fig.1Imageblockgainedbyslidingwindowwhichcontains9subblocks每一个子块的响应值用它的均值来代表，如下式所示：m(subblock(p,q))=19p+1i=p+1Σq+1j=q+1ΣPix(i,j)(1)式中：p、q为子块的中心，则对于图像块中的任意一个子块mi(i表示子块的序号)，其响应值表示为：mi=m(subblock(pi,qi))(2)式中：pi、qi为第i个子块的中心坐标。因此，对于一个图像块的中心块，其响应值表示为m0，邻域块整体的响应值表示为：

显著度,中红外,图像

?。因此，当窗口滑过图像某一位置时，找出此图像块中心块的亮度最大值Ln，其中n表示窗口滑动到第n个像素时所得到的第n个图像块。则此图像块最终的响应值定义为：Cn=Ln×m0m△(4)Cn值越大，表示此处为小目标的可能性越大。滑动窗口遍历图像所有的像素点后，将每一个像素点用Cn替换得到图像的对比度图C。为了进一步提高图像的信杂比，在得到原有对比度图的基础上，通过下式求得原图像的显著度图S：S(x,y)=C(x,y)-I(x,y)(5)式中：I(x,y)代表原图像。图2展示了4幅不同场景下的红外图像，其中图2(a)是以云为背景的红外图像，，图2(b)是以海天交际为背景的红外图像，图2(c)是弱小目标的红外图像，图2(d)是以机场跑道天空为背景的红外图像。图3展示了图2所对应的4幅图像的显著度图S，由图3可以清晰地看出，与原图像相比，显著度图S大幅度提高了原图像的信杂比，增强了目标的同时也较好地抑制了图像背景杂波。(a)云为背景(b)海天交际(c)红外小目标(d)机场天空为背景(a)Cloudasbackground(b)Seaandskyasbackground(c)Infrareddimtarget(d)Airportandskyasbackgroud图24幅不同场景下的红外图像Fig.2Infraredimagesoffourdifferentscenes(a)云为背景(b)海天交际(c)红外小目标(d)机场天空为背景(a)Cloudasbackground(b)Seaandskyasbackground(c)Infrareddimtarget(d)Airportandskyasbackgroud图3图2中红外图像所对应的显著度图Fig.3SaliencymapscorrespondingtoinfraredimageinFig.21.3红外小目标的提取由获取到的图像显著度图S可以清晰地看出：图像的信杂比得到了明显提升，充分提高了目标区亮度并抑制了背景。因此在显著度图S中，亮度?
【作者单位】：中国科学院沈阳自动化研究所;中国科学院光电信息处理实验室;中国科学院大学;航天恒星科技有限公司;
【分类号】：TP391.41

【参考文献】