红外干扰源检测的方法

摘要

本发明提供一种红外干扰源检测的方法，用于检测装置，包括：接收同一个场景的多幅光谱波段图像，分别对各幅光谱波段的图像进行预处理操作，获得预处理后的图像；将预处理后的图像通过空间域的形态学特征提取，并进行背景抑制，获得空间域处理后的图像；将预处理后的图像进行时频分析及时频特征提取，获得时频分析后的图像；利用NSCT融合算法，对空间域处理后的图像和时频分析后的图像进行多光谱特征级融合，获得融合后的图像；对图像融合过程中各图像吻合度最大的兴趣区域标记为干扰源区域，对干扰源区域的时频特征进行识别，获得识别结果；根据识别结果在原始图像中标记干扰源区域。检测率高、运算速度快、干扰率低且可靠性高的优点。

权利要求

1.一种红外干扰源检测的方法，其特征在于，该方法应用于检测装置，包括：所述检测装置接收同一个场景的多幅光谱波段图像，分别对各幅光谱波段的图像进行预处理操作，获得预处理后的图像；

所述检测装置将所述预处理后的图像通过空间域的形态学特征提取，并进行背景抑制，获得空间域处理后的图像；

所述检测装置将所述预处理后的图像进行时频分析及时频特征提取，获得时频分析后的图像；

所述检测装置利用非下采样轮廓波变换NSCT融合算法，对空间域处理后的图像和时频分析后的图像进行多光谱特征级融合，获得融合后的图像，具体为：所述检测装置将n幅同一场景多光谱图像进行直方图匹配；

所述检测装置分别对多个光谱波段图像进行NSCT，获得其高频系数和低频系数；

对各个图像变换后的高频系数的最高分解层的融合策略，选择绝对值最大的高频分量的系数作为融合结果；

对高频系数的中间分解层的融合策略，选择平均梯度值G最大的系数作为融合结果；

对各个图像变换后的低频系数，采用基于小波变换的平均值方法进行融合；

将NSCT的各个子带和轮廓进行非下采样轮廓变换的逆变换，得到多光谱特征级融合后的图像；

所述检测装置对图像融合过程中各图像吻合度最大的兴趣区域标记为干扰源区域，并通过经过样本训练的分类器对干扰源区域的时频特征进行识别，获得识别结果；

所述检测装置根据所述识别结果在原始图像中标记干扰源区域。

2.根据权利要求1所述的方法，其特征在于，所述预处理操作包括降噪和增强对比度。

3.根据权利要求1所述的方法，其特征在于，所述检测装置将所述预处理后的图像通过空间域的形态学特征提取，并进行背景抑制，获得空间域处理后的图像，具体为：所述检测装置对预处理后的图像可疑的区域进行形态学腐蚀膨胀操作；通过圆形率判别和长宽比判别，排除形态上呈偏性或扁平型的疑似目标，得到背景抑制后的图像，所述背景抑制后的图像为空间域处理后的图像。

说明书

红外干扰源检测的方法

技术领域

[0001] 本发明涉及遥感技术领域，特别是指一种红外干扰源检测的方法。

背景技术

[0002] 近年来，全球军备竞争日益激烈，出于国家安全及战略发展的需要，地球外层空间的开发和利用得到了越来越多的重视。卫星作为监视、探测和跟踪的重要手段。

[0003] 红外成像系统不仅能透过烟、尘、雾等障碍来探测目标，实现昼夜连续被动探测，而且可以观察目标细节，进一步识别、精确定位及跟踪目标。利用天基卫星的红外成像系统对地观测，作为一种先进的电子信息技术手段在地形勘探、飞行目标监测、农林业数据统计和气象与自然灾害监控等多种领域广泛使用。

[0004] 由于红外探测器噪声与视场中杂波干扰，很难将目标从红外图像中提取出来。在红外空域弱小目标探测系统中，火山对目标检测过程中产生干扰的固定因素来源。在红外图像处理和目标识别中，去除干扰和噪声，提高实际应用中的成功检测率，降低干扰率。

[0005] 干扰源的检测实质上也是一种红外目标的检测，但是不同的干扰源都具有固定且明显的能量特征、运动特征、频谱特征等。目前，国内外对红外目标检测的技术研究主要是对红外目标的直接检测方法。归纳起来，根据检测目标的先验信息和与背景信息特征，红外目标的检测主要分为两大类：先检测后跟踪(Detection-Before-Track，DBT)算法和先跟踪后检测(Track-Before-Detection，TBD)算法。其中，DBT算法先在单帧图片中通过背景抑制和目标分割在图像中标定所有疑似目标，再利用多帧图像序列信息排除虚假目标，最后得到真正的检测目标。该方法常常通过空间域滤波、频率域滤波、小波变换、形态学滤波等进行背景抑制，再根据目标在多帧图像序列中的运动连续性进行筛选和判别。但是在复杂背景下，这种方法的目标检测性不是很理想。

[0006] TBD算法是通过对运动目标轨迹进行检测和跟踪之后，根据轨迹的规律进行判别。优点是当目标图像的信噪比较低时，还是能够准确的避免目标的丢失。

[0007] 常用的方法有时空域匹配滤波算法、多级假设进行检验、动态规划等等。但是在同时检测多条轨迹的过程中，要实现遍历和穷尽搜索计算量很大，应用范围小、实效性低。

发明内容

[0008] 本发明要解决的技术问题是提供一种基于光谱特性和时频特性的火山检测方法，解决现有技术中对红外目标检测准确率低、实时性差的问题，同时也为复杂背景下红外弱小目标的检测提供了判断条件。

[0009] 为了实现上述目的，本发明采用的技术方案为：

[0010] 一种红外干扰源检测的方法，该方法应用于检测装置，包括：

[0011] 所述检测装置接收同一个场景的多幅光谱波段图像，分别对各幅光谱波段的图像进行预处理操作，获得预处理后的图像；所述检测装置将所述预处理后的图像通过空间域的形态学特征提取，并进行背景抑制，获得空间域处理后的图像；所述检测装置将所述预处理后的图像进行时频分析及时频特征提取，获得时频分析后的图像；所述检测装置利用非下采样轮廓波变换(NSCT)融合算法，对空间域处理后的图像和时频分析后的图像进行多光谱特征级融合，获得融合后的图像；所述检测装置对图像融合过程中各图像吻合度最大的兴趣区域标记为干扰源区域，并通过经过样本训练的分类器对干扰源区域的时频特征进行识别，获得识别结果；所述检测装置根据所述识别结果在原始图像中标记干扰源区域。

[0012] 可选的，所述预处理操作包括降噪和增强对比度。

[0013] 可选的，所述检测装置将所述预处理后的图像通过空间域的形态学特征提取，并进行背景抑制，获得空间域处理后的图像，具体为：

[0014] 所述检测装置对预处理后的图像可疑的区域进行形态学腐蚀膨胀操作；通过圆形率判别和长宽比判别，排除形态上呈偏性或扁平型的疑似目标，得到背景抑制后的图像，所述背景抑制后的图像为空间域处理后的图像。

[0015] 可选的，所述检测装置将所述预处理后的图像进行时频分析及时频特征提取，获得时频分析后的图像，具体为：

[0016] 对各光谱波段图像的二维离散图像fn(x,y)进行归一化处理,n是各个光谱波段，fn(x,y)的(i+j)阶矩的定义为：mpq＝∫∫xpyqdxdy，其中，质心坐标(x0，y0)为x0＝m10/m00，y0＝m01/m00，定义其缩放因子 其中N是标准归一化半径；各个像素点相对质心距离做归一化获得平移、缩放不变性的二维离散图像fn′(x,y)；

[0017] 将二维离散图像f′n(x ,y)转换为极坐标图像，其极坐标形式为：其中，N＝128；利用快速傅里叶变换，计算出离散极
坐标fn(r,Δθ)的角度积分： 将离散极坐标fn(r,Δθ)的角度
积分沿极径做小波变换，得到小波矩不变量特征 ，记为Yj和Cj，其中，
其中，Ψa,b和Φa,b均为小波函数，分别为：

[0018] 可选的，所述检测装置利用非下采样轮廓波变换(NSCT)融合算法，对空间域处理后的图像和时频分析后的图像进行多光谱特征级融合，获得融合后的图像，具体为：所述检测装置将n幅同一场景多光谱图像f′n(x,y)进行直方图匹配；所述检测装置分别对多个光谱波段图像进行NSCT，获得其高频系数Wjn(x,y)和低频系数Cjn(x,y),(j＝1,2…J)；对各个图像变换后的高频系数Wjn(x,y)的最高分解层的融合策略，选择绝对值最大的高频分量的系数作为融合结果Wj(x,y)；对高频系数Wjn(x,y)的中间分解层的融合策略，选择平均梯度值G最大的系数作为融合结果；对各个图像变换后的低频系数Cjn(x,y)，采用基于小波变换的平均值方法进行融合；将NSCT的各个子带Wj(x,y)和轮廓Cj(x,y)进行非下采样轮廓变换的逆变换，得到多光谱多特征级融合后的图像。

[0019] 本发明的上述技术方案的有益效果如下：

[0020] 本发明以红外图像的空间域处理和时频分析为基础，结合多光谱波段的级特征融合。由于常见干扰源的红外图像通过小波变换后的时频特征明显，利用支持向量机对其进行学习和判决。通过大量天基卫星对地红外图像测试表明，本方法较于传统方法和现有技术，本发明具有检测率高、运算速度快、干扰率低且可靠性高的优点；以及采用的多光谱波段红外图像特征级级融合算法，利用图像的光谱特性弥补了单一使用时频特征方法检测的不足，有效提高了检测准确率。

附图说明

[0021] 图1为本发明的一种红外干扰源检测方法的流程示意图；

[0022] 图2为本发明中单光谱红外图像检测效果示意图；其中(a)为光谱在day&night band波段的图像；(b)为(a)图像的空间域处理结果；(c)为(a)图像的时频分析结果；(d)为光谱在11μm红外波段的图像；(e)为(d)图像的空间域处理结果；(f)为(d)图像的时频分析结果；

[0023] 图3为本发明的SVM频率特征训练示意图。

具体实施方式

[0024] 为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

[0025] 如图1所示，本发明的实施例提出的基于光谱特性和时频特性的红外干扰源检测方法，该方法应用于检测装置，图2中的单光谱红外图像检测效果示意图，包括：

[0026] 步骤1、检测装置接收同一个场景的多幅光谱波段图像，分别对各幅光谱波段的图像进行预处理操作，获得预处理后的图像x(s,t)，存储预处理后的图像x(s,t)。其中，预处理操作包含降噪和增强对比度。

[0027] 同一场景的多幅光谱波段图像来自于同一场景下同一位置拍摄的多幅图像，多幅图像由不同光谱波段的图像采集器所拍摄。

[0028] 步骤2、检测装置将预处理后的图像通过空间域的形态学特征提取，并进行背景抑制，获得空间域处理后的图像。

[0029] 具体的：检测装置对预处理后的图像可疑的区域进行形态学腐蚀膨胀操作；通过圆形率判别和长宽比判别，排除形态上呈偏性或扁平型的疑似目标，得到背景抑制后的图像，该背景抑制后的图像为空间域处理后的图像。

[0030] 步骤3、检测装置将预处理后的图像进行时频分析及时频特征提取，获得时频分析后的图像。

[0031] 具体的：检测装置对预处理后的各光谱波段图像进行时频特征提取，依次通过图像归一化、极坐标化、傅里叶变换和小波变换的方法来构造小波矩不变量。将小波矩作为提取的时频特征，该特征量兼具小波特征和矩特征的优点。

[0032] 具体的包括：对步骤1得到的各光谱波段图像二维离散图像fn(x,y)进行归一化处理,n是各个光谱波段，x和y分别横坐标和纵坐标。fn(x,y)的(i+j)阶矩的定义为：mpq＝∫∫xpyqdxdy，其中，mpq是图像几何距的定义量，p,q为整数参数，质心坐标(x0，y0)为x0＝m10/m00，y0＝m01/m00，定义其缩放因子 其中N是标准归一化半径。

[0033] 各个像素点相对质心距离做归一化获得平移、缩放不变性的二维离散图像fn′(x,y)；

[0034] 步骤32、将二维离散图像f′n(x,y)转换为极坐标图像，其极坐标形式为：

[0035] 其中，r是极坐标半径，Δθ是离散变化的极角，较佳地，取N＝128。

[0036] 步骤33、利用快速傅里叶变换(FFT)，计算出离散极坐标fn(r,Δθ)的角度积分：

[0037] 步骤34、对步骤33得到的傅里叶谱沿极径做小波变换，得到小波矩不变量特征，记j j为Y和C，即本发明所提取的时频特征:

[0038] 其中，j为缩放系数，不同的j得到不同精细度处理结果，Ψa,b和Φa,b均为小波函数，分别为：
a决定了函数的幅度，b决定了函数在r轴上
的位置。

[0039] 步骤4、检测装置将空间域处理后的图像和时频分析后的图像，利用非下采样轮廓波变换(Nonsubsampled Contourlet Transform,NSCT)融合算法进行多光谱特征级融合，获得融合后的图像。具体包括：

[0040] 步骤41、检测装置将n幅同一场景多光谱图像f′n(x,y)进行直方图匹配。

[0041] 步骤42、检测装置分别对步骤3处理后的多个光谱波段图像进行NSCT，获得其高频系数Wjn(x,y)和低频系数Cjn(x,y),(j＝1,2…J)。

[0042] 步骤43、对各个图像变换后的高频系数Wjn(x,y)的最高分解层的融合策略，选择绝对值最大的高频分量的系数作为融合结果Wj(x,y)：

[0043] 其中k＝1,2,…,n-1，是n-1幅图像中的任意一幅，i,j分别是NSCT的变化系数， 均为各分解层上相对系数。

[0044] 对高频系数Wjn(x,y)的中间分解层的融合策略，选择平均梯度值G最大的系数作为融合结果： 其中k＝1,2,…,n-1，是n-1幅图像中的任意一幅，i,j分别是NSCT的变化系数， 为各分解层上相对系数， 是不同分解层上对每个像素所在区域的平均梯度值。

[0045] 步骤44、对各个图像变换后的低频系数Cjn(x,y)，采用基于小波变换的平均值方法进行融合。

[0046] 首先对步骤42中得到的NSCT低频系数Cjn(x,y)，利用Harr函数进行小波分解，得到小波系数

[0047]

[0048]

[0049]

[0050] 其中，s＝1,2,…,N，t＝1,2,…,N，j为尺度参数，k为变换参数，i是分解系数，B＝{LH,HL,HH}，Nj＝N/2j，LH,HL,HH分别为图像离散小波分解的水平子带、垂直子带、对角子带，uj,k,i＝∫∫x(s,t)φj,k,idsdt是尺度系数， 是b子带、j尺度下的小波系数。

[0051] 其次，对获得的小波系数 采取加权平均的融合方法，获得小波系数其中，a1+a2+...+an＝1。

[0052] 最后，将融合后得到的小波系数 进行二维离散小波逆变换，得到非下采样轮廓波变换的低频系数Cj(x,y)。

[0053] 步骤45、将NSCT的各个子带Wj(x,y)和轮廓Cj(x,y)进行非下采样轮廓变换的逆变换，得到多光谱多特征级融合后的图像。

[0054] 步骤5、检测装置对图像融合过程中各图像吻合度最大的兴趣区域进行标记，标记部分为干扰源区域，并通过经过样本训练的分类器对干扰源区域的时频特征进行识别。

[0055] 具体的，参见图3，示出了本发明的SVM频率特征训练示意图。其中，检测装置通过使用支持向量机(SVM)算法对样本进行训练的分类器对干扰源区域的时频特征进行识别，并对本次检测的时频特征进行学习。可选的：检测装置使用支持向量机(SVM)算法对样本进行训练的过程为：检测装置根据干扰源目标的图像(即正样本)和不包含干扰源的图像(即负样本)训练基本分类器；用分类器对所有负样本再次分类，检测错误样本，得到训练好的分类器。

[0056] 步骤6、检测装置在原始图像中标记干扰源区域，并对本次检测的干扰源时频特征进行学习。例如：利用训练支持向量机的方法，也可采取神经网络等高级算法，通过机器学习可以提高干扰源区域的识别率。

[0057] 通过上述本发明的技术方案可以实现：1、通过红外干扰源的检测，解决现有技术中对红外目标检测准确率低、实时性差的问题，同时也为复杂背景下红外弱小目标的检测提供了判断条件、排除干扰噪声。2、以红外图像的空间域处理和时频分析为基础，结合多光谱波段的级特征融合。由于常见干扰源的红外图像通过小波变换后的时频特征明显，利用支持向量机对其进行学习和判决。通过大量天基卫星对地红外图像测试表明，本方法较于传统方法和现有技术，本发明具有检测率高、运算速度快、干扰率低且可靠性高的优。3、对干扰源的检测技术不仅仅适用于红外弱小目标的检测，在地形勘探、地质灾害监测、农林业统计等领域也能延伸应用。4、采用的多光谱波段红外图像特征级级融合算法，利用图像的光谱特性弥补了单一使用时频特征方法检测的不足，有效提高了检测准确率。

[0058] 以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。