基于數字圖像處理的紅外弱小目標檢測

摘 要：隨著現代科技和紅外技術的飛速發展，在軍事和醫學領域利用紅外成像技術實現弱小目標的檢測已經越來越受到人們的重視。然而紅外圖像對人眼而言分辨率低，且圖像的對比度弱，視覺效果模糊，不利于我們提取其中的有效信息，因此需要針對圖像的特點進行處理，對圖像中有用的信息進行增強并抑制噪聲的干擾，最后將目標檢測出來。

利用MATLAB 軟件來實現對紅外圖像弱小目標的檢測。根據紅外圖像的特點，對紅外圖像進行預處理可以強化弱小目標并弱化背景圖像。經過預處理后目標的特征已經得到明顯增強，然后通過自適應加權融合后獲得的特征圖中，目標區域的灰度值已經明顯高于其他區域，最后通過簡單的自適應目標分割就能將弱小目標檢測出來。

1.引言

1.1案例背景

隨著我國紅外技術愈來愈加成熟，紅外成像技術實現弱小目標的檢測技術已經廣泛運用于軍事領域和醫療領域。尤其是在運用到現代高科技戰斗時，哪一方能夠在更早的、距離更遠的發現敵方的軍艦或導彈，就能提前進入警戒模式，牢牢掌握住敵方的動向，為指揮系統決策和武器系統贏得時間，對取得最后的勝利有著非常重要的意義。在醫學領域，運用紅外弱小目標檢測技術可以檢測出更小的特征，進而提高診斷的準確性。紅外弱小目標在成像系統中的特點可以簡單概括為“弱”和“小”兩個方面，所謂的“弱”反映到圖像上指的是目標灰度，主要表現為對比度及信噪比較低；所謂“小”則指的是目標的尺寸，主要表現為目標像素點占整幅圖像像素點比例低, 要檢測的弱小目標缺乏具體的形狀、大小和一些紋理特征。因為易受自然環境等因素的影響，使得紅外圖像成像效果大大降低，出現邊緣模糊不清等現象。由于我們所要檢測的目標特征不清晰，且因為噪聲影響較大，很容易將真正待測目標覆蓋，對我們最后的成功檢測了制造了較大的困難。而一幅目標和背景對比度強,細節豐富的圖像會大大利于目標的識別。因此為了使圖像更適合于人眼的的觀察，需要針對紅外圖像的特點對其中有用信息進行增強并抑制噪聲等干擾，改善圖像質量。

對于紅外圖像弱小目標檢測，先后提出了諸多算法，其中有，基于模糊分類的微小目標檢測算法，但是它的適用范圍比較小，有諸多的局限性。基于小波變域擴散濾波的弱小目標檢測算法，該方法利用小波變換系數的方向特性和擴散濾波擴散方向的可選擇性，雖然檢測可以實現，但在滿足檢測效果的同時實時性很難得到保證。

因此，基于數字圖像處理的紅外弱小目標檢測，通過對圖像進行預處理，包括圖像增強、高斯濾波、對比度增強、灰度化、中值濾波去噪，可以使背景區域弱化，突出我們所要檢測的目標對象。然后再提取紅外圖像的多個特征，對特征進行自適應加權融合。在自適應加權融合后的特征圖中，目標區域的灰度值已經明顯高于其他區域，最后通過簡單地閾值分割就能將弱小目標檢測出來。該方法通過多特征的融合，提高了對弱小目標檢測的準確性，還有有效的抑制了噪聲等因素的干擾。

1.2 理論基礎

紅外弱小目標檢測視覺上來看是典型的點狀目標檢測，因此紅外弱小目標圖像的增強與定位屬于點狀目標檢測的研究領域。紅外圖像弱小目標與一般點狀目標相比，具有其自身的特點:目標所占圖像像素點相對較小、圖像對比度較低、易受噪聲和自然因素的影響等。傳統的目標檢測算法中，如基于閾值分割、邊緣檢測、小波變換等算法，往往都假設弱小目標在整幅圖像中具有較高的對比度和較好的細節描述，但這種假設在實際的紅外圖像檢測中往往不成立。由于受紅外圖像本身特點、目標距離太遠，拍攝時自然環境等因素的影響，使其整幅圖像具有較低的對比度，而且目標特征不清晰。這也會引起傳統目標檢測算法的失效，所以需要在紅外弱小目標圖像檢測前加入一定的預處理步驟。

圖像預處理一般是應用于圖像識別、圖像表示等領域的一種前期處理。在圖像的采集和傳輸過程中，往往會因為某些原因導致圖像質量降低。例如，從視覺主觀上觀察圖像中的物體，可能會發覺其輪廓位置過于鮮艷而顯得突兀；從被檢測目標物的大小和形狀來看，圖像特征比較模糊、難以定位；從圖像對比度的角度來看，可能會受到某些噪聲的影響；從圖像整體來看，可能會發生某種失真、變形等。因此，待處理圖像在視覺直觀性和處理可行性等方面可能存在諸多干擾，我們不妨將其統稱為圖像質量問題。圖像預處理正是用于圖像質量的改善處理，通過一定的計算步驟進行適當的變換進而突出圖像中某些感興趣的信息，消除或降低干擾信息，如圖像對比度增強、圖像去噪或邊緣提取等處理。-般情況下，由于紅外圖像的采集需要考慮長距離，室外等因素，所得圖片難免會存在一定的噪聲干擾、檢測目標與背景對比度低，邊緣模糊不清等各種問題，直接進行弱小目標的檢測和提取往往會遇到困難。因此，本案例首先將紅外弱小目標圖像進行預處理，改善圖像質量，進而提高最終檢測的準確性。圖像預處理的基本方法有圖像灰度變換、頻域變換、直方圖變換、圖像去噪、圖像銳化、圖像色彩變換等。本案例將選擇其中的部分方法來進行裂縫圖像的預處理操作。經過預處理后的圖像就能提取四個最簡特征進行加權融合成特征圖，通過簡單的閾值分割將目標檢測出來。

2 .設計框架

這次的設計，使用MATLB工具，采用圖像處理技術對紅外弱小目標圖像進行檢測。圖像預處理過程，對弱小目標提取局部灰度最大值、局部對比度均值反差、局部變化量、局部平均梯度強度4個特征構成特征向量，再對4個特征值進行自適應加權融合，最后通過簡單的閾值分割等步驟完成了對紅外圖像中弱小目標的檢測。主要的設計框圖如下所示：

圖一設計框架圖

3 .對紅外弱小目標圖像的預處理

3.1灰度處理

彩色圖像灰度化已經變成一種基礎的圖像處理技術，在圖像預處理階段，都要把采集的圖像進行灰度化的處理，圖像進行灰度化之后可以為后續的處理提高速度。灰度化的處理就是將彩色R，G，B分量值相等的一個過程，在本文中，運用已有函數rgb2gray()函數直接將紅外弱小目標彩色圖像轉化為灰度圖像，為后續的目標識別提高處理速度。但由于紅外圖像的特點，灰度化后的圖像從視覺效果上并不明顯。

3.2圖像增強

圖像增強中有兩類重要的處理方法：一種是灰度變換，另一種是直方圖處理。在本文中主要運用灰度變換的進行圖像亮度的增強。灰度變換主要針對獨立的像素點進行處理，通過改變原始圖像數據所占據的灰度范圍而使圖像在視覺上得到良好的改變。如果選擇的灰度變換函數不同，即使是同一圖像也會得到不同的結果。

采用灰度變換法對圖像進行處理可以大大改善圖像的視覺效果。圖像的灰度變換一般可以分為線性變換、分段線性變換和非線性變換三種變換方式。紅外圖像一般比較暗這里運用線性變換對紅外圖像進行簡單的加法，提高它的亮度，從而可以看到那些隱藏在黑暗中的細節，提高圖像的質量。

3.3 高斯濾波

在目前的紅外成像系統中，高斯噪聲占噪聲中主要的成分，因此在經過后面的預處理步驟時需要先將高斯噪聲濾除。高斯濾波是一種線性濾波，廣泛用于抑制圖像中的高斯噪聲。高斯濾波的作用原理和均值濾波器比較相似，它的實質就是對整幅圖像的像素點取其自身和它鄰域內像素點的值進行加權取平均的過程。但均值濾波器的模板系數都是1，而高斯濾波器的模板系數會一直發生改變，具體會隨著模板中心的增大而減小。由于這個原因，高斯濾波對整幅圖像的模糊程度比較小，所以在預處理步驟采用高斯濾波進行紅外圖像的去噪，這樣既可以抑制圖像中的紅外圖像，又可以保留圖像中的細節特征，有利于最后的目標識別。在這里采用3*3的模板，運用imfilter()函數來執行高斯濾波操作。

3.4 對比度調整

紅外弱小目標圖像的采集一般是在室外進行，容易受到大氣、光照、光機掃描系統缺陷等以及紅外成像自身特點等因素的影響，采集到的紅外弱小目標圖像都整體偏暗，所以得到的圖像都存在對比度較低的現象。為了讓紅外弱小目標和識別不受影響，所以需要對圖像進行增強處理來提高對比度，進一步調整圖像灰度。在這里運用imadjust()函數來執行對比度調整，句法為g=imadjust(f,[],[],gamma);當γ<1時，結果圖像比原始圖像亮，當γ>1時，輸出的圖像比輸入圖像暗。本文中γ取值為1.1，輸出的結果要比原來圖像暗，對比度更明顯，有利于目標的識別。

圖五對比度調整圖像

3.5中值濾波

圖像邊緣一般集中了圖像的細節和高頻信息，如果通過領域平均法進行去噪，則往往會引起圖像邊緣的模糊，這也給紅外弱小目標圖像的檢測帶來了許多的困難。非線性濾波方法可以在消除圖像的孤立點的同時，比較好的保持圖像中的細節信息。其中最常用的一種就是中值濾波，因為噪聲的出現，使得該點的像素比周圍的像素都要亮很多或者暗很多。中值濾波是給出濾波用的模板，對模板中的像素值由大到小排列好，最終待處理像素的灰度值取這個模板中的灰度的中間值。主要思想是對像素領域向量化取中值來進行濾波，具有運算簡單、高效，在一定的條件下，中值濾波可以克服線性濾波器所帶來的圖像細節模糊，而且對濾除脈沖干擾及顆粒狀的噪聲最為有效。因此，只要選取合適的中值濾波模板就能將噪聲很好的濾除并且不會對目標造成任何的干擾。在這里采用中值濾波的方法來對圖像進行去預處理步驟，運用medfilt2()函數來執行。

4 .弱小目標特征提取及特征融合

4.1弱小目標特征提取

通過對紅外圖像進行預處理過程，可以將我們有用的目標信息得到增強，背景信息得到弱化，不需要提取過多的特征就可以將我們的弱小目標檢測出來，本文中主要選取局部灰度最大值、局部對比度均值反差、局部變化量、局部平均梯度強度四個特征進行提取。

4.1.1局部灰度最大值

在紅外弱小目標圖像的檢測中，目標的發動機、羽煙或排氣管等灰度值一般都比背景的灰度值高，通過這一特點，選取局部灰度最大值這一特征進行提取來描述最后的目標。它一般的表達式為：

（4.1）

其中，表明與目標相接近的一個模板，它是以像素點（i,j）為中心。f(i,j)則是指的第k行第l列的像素點它的灰度值大小。

4.1.2局部對比度均值反差

由于我們檢測的弱小目標灰度值是高于背景灰度值，而局部對比度均值反差的主要是用來比較檢測目標區域的平均灰度與相鄰區域平均灰度的之間差異性，所以通過對圖像預處理過程，可以用局部對比度均值反差這一特征進行提取。它一般的表達式為：

(4.2)

其中，表示一個比更大的模板，也是以像素點（i,j）為中心。是模板中的像素數，表示模板中的像素數。

4.1.3局部平均梯度強度

機場或軍艦這樣的紅外目標通常都是人造的對象，與自然目標相比更容易暴露出清晰的內部細節。即使是彼此之間的平均強度相似，他們的局部平均梯度強度也不會相同，所以可以用局部對比度均值反差這一特征來描述弱小目標特征。局部平均梯度強度的一般的表達式為：

? ??(4.3)

其中，

4.1.4局部變化量

局部變化量這一特征不同于局部對比度均值反差特征，局部變化量是主要檢測局部區域微弱強度變化的，它的一般表達式為：

（4.4）

其中，在（4.3）（4.4）式中的、、、以及f(i,j)的意義與(4.1）(4.2)中相同。

4.1.5 多特征值提取

通過（4.1）-（4.4）可以算出該點的局部灰度最大值（lmgl）、局部對比度均值反差（lcmd）、局部變化量（lv）、局部平均梯度強度（lags）4個特征值，進而形成該點的特征向量。

圖七4個特征值

4.2 弱小目標特征融合

上面介紹了4個特征，在弱小目標的檢測時可以選擇的特征有很多種，這涉及到檢測的速度要求、硬件要求等問題。假設（i,k）為原始目標的像素點，那么可以提取局部灰度最大值、局部對比度均值反差、局部變化量、局部平均梯度強度四個特征，通過式（4.1）-（4.4）就可以算出該點的4個特征值，進而形成該點的特征向量，統計所有的特征向量就可以得到平均特征向量。通過特征向量與平均向量間的算術運算來實現特征的融合，融合的方法定義如下：

（4.5）

其中，分別由（4.1）-（4.4）可計算得到，為特征向量的第i行的均值，計算方法如下：

5 .自適應目標分割

在通過4個特征提取過程以及特征融合步驟得到的紅外弱小目特征圖中，需要檢測的目標區域的灰度值已經遠遠比背景區域的灰度值大很多。所以采用閾值分割的方法就能將弱小目標檢測出來。其表達式如下所示：

255，F＞T

=? ? ? 0，? ? ? ?其他

其中，代表所得圖中的方差，代表所得圖中的均值。

6.紅外弱小目標檢測

經過上述對紅外圖像微小目標的4個特征提取，再進行自適應加權融合，最后通過簡單的閾值分割的方法就能紅外圖像中的弱小目標檢測出來。

圖八結果分析

為了驗證這個程序的通用性，又選取了拍攝的另外兩張圖片進行實驗，結果顯示本程序可適用于多幅圖片進行紅外圖像弱小目標檢測。

圖九結果分析

圖十結果分析

通過上面圖七—圖九可以驗證本文提出的方法可以檢測出紅外圖像中的弱小目標，而且本文通過提取紅外弱小目標圖像中4個特征值進行自適應加權融合方法不受圖像中紋理分布的限制，可以提高檢測的準確性，應用范圍廣泛.

7.總結

本文使用圖像處理技術以MATLAB為工具成功實現了對紅外弱小目標圖像的檢測，具有一定的實用價值。運用圖像處理技術對紅外弱小目標圖像進行處理，主要步驟包括圖像預處理過程，弱小目標特征提取及特征值的自適應加權融合，最后通過閾值分割等一系列的步驟完成了對紅外圖像中弱小目標的檢測。

責任編輯：lq