基于偏微分算法的弱小目標檢測

聶素麗

摘 要

針對復雜背景中弱小目標檢測難的問題，提出一種偏微分算法。該算法對紅外圖像進行理論分析、偏微分方程法背景抑制、圖像分割進行分析，并在DSP硬件平臺上，完成背景抑制、目標聚類等功能。

【關鍵詞】偏微分 閾值 弱小目標

1 引言

由于紅外探測系統探測到的弱小目標往往對比度較低，目標所占像素較少形狀結構不完整，大大增加了紅外目標檢測與跟蹤的難度。

為此，針對復雜背景中弱小目標檢測難的問題， 本研究提出一種偏微分算法，對低信噪比的小目標快速檢測并用DSP硬件平臺完成背景抑制、目標聚類等功能。

2 偏微分算法

2.1 紅外弱小目標圖像模型分析

圖像中的信息主要由圖像背景、目標和噪聲組成。

I（x，y）=S（x，y）+B（X，Y）+N（x，y） （1）

其中：I（x，y）表示紅外圖像，S（x，y）表示圖像中的目標，B（X，Y）表示圖像中的背景部分，N（x，y）代表圖像中的噪聲，它是隨機出現。在誤差允許的范圍內白噪聲概率密度為：

其中σ為標準偏差。

圖1是天空中的無目標紅外圖像，圖2是有目標的空中紅外圖像，從圖2中看到目標在圖像中的亮度雖然不是最高的，但是目標和背景的灰度值差別還是很大的。

2.2 偏微分方程法背景抑制

在處理紅外圖像時，偏微分方程法用八種不同的模型（圖3中1～8）分別表示圖像中的特征信息。

其中，I和u分別為原始圖像和背景抑制后圖像。H為局部自適應算子，加權系數λN、λw、λS、λE為一階鄰域內四個方向上的擴散量。由式（4）和（5）可以看出，采用非線性處理方法抑制背景、提高圖像的信噪比，并且不會削弱或去除圖像中的主要特征信息。

2.3 紅外圖像分割

紅外圖像經過前期的背景抑制以后，圖像中的信噪比得到了極大的提高，有利于圖像的分割。

本研究中就是使用最大類間方差法對圖像進行閾值分割。

運算步驟如下：

（3）在1～M中，循環計算σ2（k），當計算的方差值最大時，此時找到最大的類間方差對應的k，即為我們尋找的最佳閾值。

根據圖5可以看出目標被精確的檢測出來，并沒有誤檢出噪聲，具有較好的檢測效果。

2.4 目標聚類

在本系統處理紅外弱小目標時，采用兩步聚類算法。避免了將同一目標不同的幾個部分將會被看作多個目標。二次聚類，將相鄰的很近的幾個區域聚類在一起，作為同一個目標，降低了對目標的誤檢率。

3 DSP模塊介紹

本系統中采用TMS320C6414芯片為核心，對目標完成檢測和跟蹤算法，系統框圖如圖6所示。

DSP芯片主要完成如下功能：

（1）通過EMIFA口，存儲待處理的圖像數據。

（2）從外部數據存儲器SDRAM中調入圖像數據，對運動目標進行檢測并確定其定位。

（3）負責從FPGA獲取圖像數據，通過背景抑制、閾值分割、目標跟蹤等算法完成對目標的檢測和定位。

4 試驗結果

輸入一幀原始圖像，在二級緩存中開辟空間，將圖像存儲在L2中。

進入算法程序之后，首先對輸入圖像進行背景抑制并采取閾值分割二值化處理，結果如下：圖像中出現7個目標，目標個數存在All_Loc[0]中，坐標位置以圖像左下角為坐標原點，[1][2]、[3][4]、[5][6]、[7][8]、[9][10]、[11][12]、[13][14]分別為7個目標坐標。其中真實目標出現2個坐標點，分別為（11，105），（10，107）。

經過二次形心聚類，得到聚類后目標個數及坐標位置，目標個數5個，真實目標坐標變為（10，106）。

5 結論

本文主要研究了基于偏微分方程和自適應閾值分割方法實現對運動目標的檢測，以此為載體充分分析了弱小目標檢測過程中的每一個步驟，進行了仿真計算并對仿真結果進行了一定的總結，有效的解決了復雜背景下的弱小目標檢測難的問題，有著現實的意義。

參考文獻

[1]金長江，師廷偉.紅外弱小目標檢測背景抑制算法研究[J].中國測試，2016，42（04）：116-119.

[2]侯旺，孫曉亮，尚洋，等.紅外弱小目標檢測技術研究現狀與發展趨勢[J].2015，37（01）：2-6.

[3]劉靳，姬紅兵.一種改進的紅外目標識別算法[J].2012，23（01）：116-119

[4]侯旺，梅風華，陳國軍，鄧喜文.基于背景最佳濾波尺度的紅外圖像復雜度評價準則[J].物理學報，2015，64（23）：234202-1-234202-8.