本发明提出了一种复杂背景下的红外弱小目标检测方法，涉及红外目标检测领域。首先，定义滑动窗口并将其划分为多个单元，将中心单元的像素灰度值降序排列后计算其前K个灰度均值；其次，分别构建中心单元的相接邻域和相隔邻域并计算它们各自的灰度均值；再次，分别提取相接邻域和相隔邻域的显著图；然后，通过点乘两显著图抑制复杂背景并增强弱小目标；最后自适应提取目标，以实现复杂背景下红外弱小目标的高效准确检测。
1.一种复杂背景下的红外弱小目标检测方法，其特征在于包括以下步骤：步骤1：输入一幅大小为M×N的待检测红外图像Iin；
步骤3.1：以灰度图像I中的一点p0为中心构建一个N×N的滑动窗口，该窗口分为多个单元，中心单元称为cell0，其周围的单元celli是局部背景区域；
步骤3.2：降序排列中心单元的像素值后计算前K个灰度值的均值，即显著亮度mMax；
步骤3.3：计算所有单元的池化亮度，即单元内所有像素灰度的均值；
步骤3.4：构建相接邻域集合，并计算中心单元每个相接邻域的灰度均值；
步骤3.5：构建相隔邻域集合，并计算中心单元每个相隔邻域的灰度均值；
步骤4.1：相接邻域显著图提取：将中心单元的显著亮度mMax和其相接邻域的灰度均值进行差分平方计算，再将计算结果乘以判断函数来抑制洞状背景，将多个差分结果的最小值作为相接邻域显著图在该点的最终输出值，逐像素移动滑动窗口，重复步骤3.1～3.5得到显著图IANSM；
步骤4.2：相隔邻域显著图提取：将中心单元的显著亮度mMax和其相隔邻域的灰度均值进行差分平方计算，再将计算结果乘以判断函数来抑制洞状背景，将多个差分结果的最小值作为相隔邻域显著图在该点的最终输出值，逐像素移动滑动窗口，重复步骤3.1～3.5得到显著图ISNSM；
步骤5：将步骤4.2和4.3得到的显著图进行点乘操作，以抑制复杂背景并增强弱小目标，得到最终显著图Io；
步骤6：利用公式计算出分割阈值Th，从而自适应提取目标，得到弱小目标在红外图像中的具体位置，
其中，μ和σ为最终显著图的均值和标准差，λ为固定参数；
步骤7：根据步骤6求出的阈值对最终显著图Io进行分割，得到最终的检测结果图Iout。
2.根据权利要求1所述的一种复杂背景下的红外弱小目标检测方法，其特征在于：该N×N的滑动窗口分为9个单元，每个单元的大小为n×n，故N＝3n，n＝3；N＝9，周围单元cell1～8。
3.根据权利要求1或2所述的一种复杂背景下的红外弱小目标检测方法，其特征在于：降序排列中心单元的像素值后计算前K个灰度值的均值，即显著亮度mMax，具体求法为：其中，(s,t)代表滑动窗口的中心像素点位置，即cell0的中心位置， 这里 表j
示向上取整，G代表cell0的第j大灰度值，j＝1,2,...,K，用中心单元的前K个最大值的均值表征中心单元有利于突出弱目标亮度。
4.根据权利要求2所述的一种复杂背景下的红外弱小目标检测方法，其特征在于：提出了相接邻域与相隔邻域的概念，定义了滑动窗口中心单元相接邻域集合Ψ和相隔邻域集合Ω，
5.根据权利要求4所述的一种复杂背景下的红外弱小目标检测方法，其特征在于：相接邻域显著图与相隔邻域显著图提取：相接邻域显著图由中心单元的显著亮度mMax与其相接邻域的灰度均值mJa进行差分平方计算，再乘以判断函数L(z)抑制洞状背景，同时将多个差分结果的最小值作为相接邻域显著图在该点的最终输出值，其具体求法为：2
ANSMr(x,y)＝(mMax(s,t)‑mJa(x,y)) ×L(m0(x,y)‑mJa(x,y))r＝1,2,...,8，ANSM(s,t)＝min(ANSMr(x,y))其中，ANSM(s,t)表示相接邻域显著图在点(s,t)处的值，滑动窗口逐点遍历灰度图像得到相接邻域显著图IANSM；
将中心单元的显著亮度mMax和其相隔邻域的均值mDb进行差分平方计算，再将计算结果乘以判断函数L(z)来抑制洞状背景，同时将多个差分结果的最小值作为相隔邻域显著图在该点的最终输出值，其具体求法为：2
SNSMs(x,y)＝(mMax(s,t)‑mDb(x,y)) ×L(m0(x,y)‑mDb(x,y))s＝1,2,...,8SNSM(s,t)＝min(SNSMs(x,y))其中，SNSM(s,t)表示相隔邻域显著图在点(s,t)处的值，滑动窗口逐点遍历灰度图像得到相隔邻域显著图ISNSM；
6.根据权利要求5所述的一种复杂背景下的红外弱小目标检测方法，其特征在于：相接邻域显著图与相隔邻域显著图进行逐点相乘操作，得到最终显著图，具体求法如下：Io＝IANSM×ISNSM
其中，Io表示输出的最终显著图，点乘操作可进一步凸显目标、抑制杂波背景。
一种复杂背景下的红外弱小目标检测方法
技术领域
[0001] 本发明涉及红外图像目标检测领域，具体为一种复杂背景下的红外弱小目标检测方法。
背景技术
[0002] 红外目标检测是远程预警、精确制导等系统的核心技术之一，其中红外弱小目标检测是经典的难题。主要难点在于：1)成像距离很远，目标在图像中不仅缺乏特征信息而且
极易与噪点混淆；2)高强度的杂波边缘很容易被误检为目标，使得虚警增加；3)既弱又小的
目标往往会淹没在复杂背景中，从而造成严重的漏检。因此，复杂背景下的红外弱小目标检
测一直是一项极具挑战性的任务。
[0003] 目前，关于红外弱小目标检测的研究还很少。与之相关的红外小目标检测方法大体上可分为以深度学习为代表的数据驱动法和基于数学、物理知识建模的模型驱动法两
类。其中，由于缺乏红外弱小目标图像集、训练开销大且实时性差等问题，导致数据驱动法
在实际工程中应用较少。模型驱动的红外小目标检测方法可进一步分为单帧方法和多帧方
法。不过，由于无法获取目标的精确运动模型，使得多帧方法在红外弱小目标检测中效果受
限。因此，高性能的单帧方法在红外小目标检测中更受重视。
[0004] 自处理思路方面分析，红外小目标的单帧检测方法包括三类：一类可以称之为恢复背景法，其思想是先基于稀疏和低秩矩阵恢复背景，再用原图像减去背景图像，从而达到
凸显目标的目的，但是存在对像素值敏感、耗时较长等问题。第二类是背景抑制法，主要是
采用滤波技术抑制均匀背景和杂波。但是，该类方法对背景边缘很敏感，制约了其在空天目
标检测等复杂场景中的使用。第三类是新兴的抑制背景增强目标并举法，主要是利用人类
视觉的局部对比度敏感特性，通过提取目标与背景的局部对比度增强目标。该类多数方法
在背景变化平稳的场景中检测效果都较好，但用于复杂场景的红外弱小目标检测时，无法
有效抑制复杂背景中的高强度杂波边缘，致使虚警率高。因此，复杂背景下的红外弱小目标
检测方法还有较大的发展空间。
发明内容
[0005] 针对上述问题，本发明提出一种复杂背景下的红外弱小目标检测方法，用于复杂背景下红外图像弱小目标的检测，有效提高检测的准确率及鲁棒性。
[0006] 本发明采用如下技术方案：一种复杂背景下的红外弱小目标检测方法，包括以下步骤：
[0007] 步骤1：输入一幅大小为M×N的待检测红外图像Iin；
[0008] 步骤2：将图像Iin转换为灰度图像I；
[0009] 步骤3.1：以灰度图像I中的一点p0为中心构建一个N×N的滑动窗口，该窗口分为多个单元，中心单元称为cell0，其周围的单元celli是局部背景区域；
[0010] 步骤3.2：降序排列中心单元的像素值后计算前K个灰度值的均值，即显著亮度mMax；
[0011] 步骤3.3：计算所有单元的池化亮度，即单元内所有像素灰度的均值；
[0012] 步骤3.4：构建相接邻域集合，并计算中心单元每个相接邻域的灰度均值；
[0013] 步骤3.5：构建相隔邻域集合，并计算中心单元每个相隔邻域的灰度均值；
[0014] 步骤4.1：相接邻域显著图提取：将中心单元的显著亮度mMax和其相接邻域的灰度均值进行差分平方计算，再将计算结果乘以判断函数来抑制洞状背景，将多个差分结果的
最小值作为相接邻域显著图在该点的最终输出值，逐像素移动滑动窗口，重复步骤3.1～
3.5得到显著图IANSM；
[0015] 步骤4.2：相隔邻域显著图提取：将中心单元的显著亮度mMax和其相隔邻域的灰度均值进行差分平方计算，再将计算结果乘以判断函数来抑制洞状背景，将多个差分结果的
最小值作为相隔邻域显著图在该点的最终输出值，逐像素移动滑动窗口，重复步骤3.1～
3.5得到显著图ISNSM；
[0016] 步骤5：将步骤4.2和4.3得到的显著图进行点乘操作，以抑制复杂背景并增强弱小目标，得到最终显著图Io；
[0017] 步骤6：利用公式计算出分割阈值Th，从而自适应提取目标，得到弱小目标在红外图像中的具体位置，
[0018] Th＝μ+λ×σ
[0019] 其中，μ和σ为最终显著图的均值和标准差，λ为固定参数；
[0020] 步骤7：根据步骤6求出的阈值对最终显著图Io进行分割，得到最终的检测结果图Iout。
[0021] 总体而言，本发明所提出的技术方案充分利用红外弱小目标的局部先验信息，具有以下技术特征及有益效果：
[0022] (1)由于红外小目标的形状是各向同性的，而背景边缘则是各向异性的。它们在特征上具有差异性，因此需要对窗口细化分块即形成单元。
[0023] (2)目标较弱，使得目标与背景之间亮度值差异较小。因此需要尽可能用弱目标中较大的灰度值替代其它像素值，从而增大目标与背景差异。
[0024] (3)为突出目标，需要尽可能的拉大目标与背景的差异。因此需要综合利用相接和相隔邻域的信息，不仅有助于弱化单个单元影响，达到抑制噪声的目的，而且可以根据不同
方向的差异信息确定目标边界。
[0025] (4)显著性图仍可能存在一定的杂波或噪声。因此点乘相接和相隔邻域显著图，以进一步增强目标抑制杂波。
[0026] 上述的一种复杂背景下的红外弱小目标检测方法，该N×N的滑动窗口分为9个单元，每个单元的大小为n×n，故N＝3n，n＝3；N＝9，周围单元cell1～8。
[0027] 上述的一种复杂背景下的红外弱小目标检测方法，降序排列中心单元的像素值后计算前K个灰度值的均值，即显著亮度mMax，具体求法为：
[0028]
[0029] 其中，(s,t)代表滑动窗口的中心像素点位置，即cell0的中心位置， 这里j
表示向上取整，G代表cell0的第j大灰度值，j＝1,2,...,K，用中心单元的前K个最大值
的均值表征中心单元有利于突出弱目标亮度。
[0030] 上述的一种复杂背景下的红外弱小目标检测方法，提出了相接邻域与相隔邻域的概念，定义了滑动窗口中心单元相接邻域集合Ψ和相隔邻域集合Ω，
[0031]
[0032]
[0033] 上述的一种复杂背景下的红外弱小目标检测方法，相接邻域显著图与相隔邻域显著图提取：
[0034] 相接邻域显著图由中心单元的显著亮度mMax与其相接邻域的灰度均值mJa进行差分平方计算，再乘以判断函数L(z)抑制洞状背景，同时将多个差分结果的最小值作为相接
邻域显著图在该点的最终输出值，其具体求法为：
[0035] ANSMr(x,y)＝(mMax(x,y)‑mJa(x,y))2×L(m0(x,y)‑mJa(x,y))r＝1,2,,...,8，ANSM(s,t)＝min(ANSMr(x,y))
[0036] 其中，ANSM(x,y)表示相接邻域显著图在点(x,y)处的值，滑动窗口逐点遍历灰度图像得到相接邻域显著图IANSM；
[0037] 将中心单元的显著亮度mMax和其相隔邻域的均值mDb进行差分平方计算。再将计算结果乘以判断函数L(z)来抑制洞状背景，同时将多个差分结果的最小值作为相隔邻域显
著图在该点的最终输出值，其具体求法为：
[0038] SNSMs(x,y)＝(mMax(x,y)‑mDb(x,y))2×L(m0(x,y)‑mDb(x,y))s＝1,2,,...,8
[0039] SNSM(s,t)＝min(SNSMs(x,y))
[0040] 其中，SNSM(s,t)表示相隔邻域显著图在点(x,y)处的值，滑动窗口逐点遍历灰度图像得到相隔邻域显著图ISNSM；
[0041] 判断函数L(z)表示如下：
[0042] 上述的一种复杂背景下的红外弱小目标检测方法，相接邻域显著图与相隔邻域显著图进行逐点相乘操作，得到最终显著图，具体求法如下：
[0043] Io＝IANSM×ISNSM
[0044] 其中，Io表示输出的最终显著图，点乘操作可进一步凸显目标、抑制杂波背景。
[0045] 本发明针对复杂背景下红外弱小目标普遍存在检测率低、虚警率高的问题，提出了一种基于区域双邻域显著图的复杂背景红外弱小目标检测新方法，有效抑制了红外图像
中的复杂杂波，同时提升了弱小目标检测的精度。
附图说明
[0046] 图1为本发明的总体框架图；
[0047] 图2为本发明的基本流程图；
[0048] 图3为目标单元与背景单元分布图；
[0049] 图4(a)为本发明实施例中红外原始图像；
[0050] 图4(b)为本发明实施例采用本发明提出的算法后得到的显著性图；
[0051] 图4(c)为本发明实施例的检测结果图。
具体实施方式
[0052] 下面将结合附图及具体实施方式对本发明进行进一步阐述：
[0053] 参照图1和图2，本实施例中的一种复杂背景下红外弱小目标检测方法包括以下步骤：
[0054] 步骤1：输入一幅大小为M×N的待检测红外图像Iin。
[0055] 步骤2：将图像Iin转换为灰度图像I。
[0056] 步骤3.1：如图3所示，以灰度图像I中的一点p0为中心构建一个N×N的滑动窗口。该窗口分为9个单元，每个单元的大小为n×n,故N＝3n。中心单元称为cell0，中心单元代表
目标区域(256×256图像中目标少于80像素)，其周围的cell1～8是局部背景区域。本实施例
中n设定为3，N设定为9。
[0057] 步骤3.2：降序排列中心单元的像素值后计算前K个灰度值的均值，即显著亮度mMax，其具体的求法为：
[0058]
[0059] 其中，(s,t)代表滑动窗口的中心像素点位置，即cell0的中心位置， 这里j
表示向上取整，G代表cell0的第j大灰度值(j＝1,2,...,K)。本实施例中K＝2。
[0060] 步骤3.3：计算所有cell的池化亮度，即单元内所有像素灰度的均值。其具体求法为：
[0061]
[0062] 式中，Gi(x,y)代表第i个cell的点(x,y)处的灰度值(i＝0,1,...,8)
[0063] 步骤3.4：受数字图像处理中像素邻域概念启发，定义中心单元相接邻域的集合Ψ为：
[0064]
[0065] 计算所有相接邻域的均值：
[0066]
[0067] 式中，mp(x,y)和mq(x,y)是由公式(3)求出的局部背景单元的池化亮度。当a取值的时候，p、q从集合中8个相接邻域任意取，每一个a对应一个相接邻域。
[0068] 步骤3.5：定义中心单元相隔邻域的集合Ω为：
[0069]
[0070] 计算所有相隔邻域的均值：
[0071]
[0072] 式中，mu(x,y)和mv(x,y)是由公式(3)求出的局部背景单元的池化亮度。当b取值的时候，u、v从集合中8个相隔邻域任意取，每一个b对应一个相隔邻域。
[0073] 步骤4.1：相接邻域显著图提取。将中心单元的显著亮度mMax和其相接邻域的均值mJa进行差分平方计算。考虑到洞状背景的存在，即中心单元的均值小于其它单元的均值，
故加入判断函数L(z)来抑制洞状背景。具体求法为：
[0074] ANSMr(x,y)＝(mMax(x,y)‑mJa(x,y))2×L(m0(x,y)‑mJa(x,y)) r＝1,2,,...,8 (7)
[0075] 与背景边缘具有各向异性不同的是，小目标具有各向同性，导致公式(8)得到的8个差分结果均较大(计算时当r取值时，a取相同的值)。因此，要保持检测性能的同时抑制背
景边缘，需要将最小值作为该点ANSM的最终输出值，ANSM(s,t)＝min(ANSMr(x,y))。
[0076] 逐像素移动滑动窗口，重复步骤3.1～3.5由一系列最小值得到显著图IANSM。
[0077] 步骤4.2：相隔邻域显著图提取。将中心单元的显著亮度mMax和其相隔邻域的均值mDb进行差分平方计算。再将计算结果乘以判断函数L(z)来抑制洞状背景。具体求法为：
[0078] SNSMs(x,y)＝(mMax(x,y)‑mDb(x,y))2×L(m0(x,y)‑mDb(x,y)) s＝1,2,,...,8 (8)同理，使用最小值作为该点SNSM的最终输出值(计算时当s取值时，a取相同的值)，SNSM
(s,t)＝min(SNSMs(x,y))。
[0079] 逐像素移动滑动窗口，重复步骤3.1～3.5由一系列最小值得到显著图ISNSM。
[0080] L(z)函数的具体表示为：
[0081]
[0082] 步骤5：将步骤4.1和4.2得到的显著图进行点乘操作，得到最终显著图Io。具体求法为：
[0083] Io＝IANSM×ISNSM (10)
[0084] 步骤6：利用公式(11)计算出分割阈值：
[0085] Th＝μ+λ×σ (11)
[0086] 其中，μ和σ为最终显著图的均值和标准差。λ为固定参数，在本实施例中设置为20。
[0087] 步骤7：根据步骤6求出的阈值对最终显著图Io进行分割，得到最终的检测结果图Iout。
