本发明属于红外小目标探测的技术领域，具体涉及一种基于特征匹配和尺度选择策略的多尺度红外小目标的探测方法。
背景技术：
随着红外制导系统的快速发展，红外小目标检测一直是一个重要而富有挑战性的研究课题。小目标通常淹没在低信噪比、低对比度的、非恒定复杂背景中，此外，由于红外小目标在大气中的成像距离较长，其特征不明显，亮度不确定，强度较弱，研究人员已经付出了很大的努力，但红外小目标检测仍然是一项具有挑战性的任务。
一般来说，红外小目标检测方法可分为单帧检测和序列检测两大类检测方法。序列检测方法如帧间差分法、光流法、三维方向滤波和贝叶斯理论，在目标对相邻帧中的形状和位置具有先验知识时表现良好。然而，考虑到在实际军事应用中，获取先验知识是极其困难的，研究者通常采用单帧检测方法。
典型的单帧图像检测方法，如最大均值和最大中值滤波器，二维最小均方滤波，背景回归估计法，形态学方法，双边滤波器，能有效地检测简单背景中的目标。然而，当小目标被淹没在具有高度异质背景的红外图像中时，这些方法无法获得满意的检测结果。
技术实现要素：
针对上述问题，本发明的目的是提供一种基于特征匹配和尺度选择策略的多尺度红外小目标的探测方法，其包括如下步骤：
步骤一、采用ialm方法对原始红外图像进行分解，从原始红外图像中提取目标的前景部分；
步骤二、对目标前景图像进行傅里叶变换，得到目标的幅度谱；
步骤三、利用高斯核函数对步骤二得到的幅度谱进行卷积，得到各尺度的显著图；
步骤四、根据每个尺度图中最大像素值邻接的区域的平均值，筛选出目标凸显的显著图；
步骤五、根据所选的显著图中的局部最大信息熵，获得最优显著图。
所述步骤一、采用ialm方法对原始红外图像进行分解，从原始红外图像中提取目标的前景部分。
所述步骤二、对目标前景图像进行傅里叶变换，得到目标的幅度谱，方法如下：
ia(u,v)＝logfft(i(x,y)),(2)
ip(u,v)＝angle(fft(i(x,y)))(3)
其中，ia(u，v)表示目标的振幅谱，ip(u，v)表示目标的相位谱，(u，v)表示像素点。
所述步骤三、利用高斯核函数对步骤二得到的幅度谱进行卷积，得到各尺度的显著图sk(x，y)，方法如下：
φ(u,v；k)＝g(u,v；σ)*ia(u,v),(4)
其中，φ(u,v；k)是尺度空间，g(u,v；σ)是高斯核，其标准差σ与比例因子k有关:
sk(x,y)＝ifft{exp(φ(u,v；k) i·ip(u,v))}(6)。
所述步骤四、根据每个尺度图中最大像素值邻接的区域的平均值，筛选出目标凸显的显著图，方法如下：
lk＝max(sk(x,y))k＝1λk,(8)
其中，lk显著性映射图中的最大像素点，nk为8个邻域点，mk为8个邻域像素值的平均值，k在实验中设置为16。
所述步骤五、根据所选的显著图中的局部最大信息熵，获得最优显著图，方法如下：
其中，h(x，y)是信息熵，∧(x，y)表示与像素点(x，y)相邻的局部区域，局部区域的像素值投影到k个区间，pb(x，y)表示像素值处于b个区间的概率。
本发明的有益效果：本发明提供的这种基于特征匹配和尺度选择策略的多尺度红外小目标的探测方法，不仅在视觉和定量评价方面都取得了令人满意的效果，而且在云层较厚、建筑物亮度较高的红外图像上也取得了较好的效果。实际的实验数据也表明，ialm和isss是该方法的关键步骤，不能改变两方法的执行顺序以确保获得较高的检测性能，通过这些有效的改进，该探测方法对红外小目标检测中的遮挡和复杂噪声具有很强的鲁棒性和有效性。
以下将结合附图对本发明做进一步详细说明。
附图说明
图1是基于特征匹配和尺度选择策略的多尺度红外小目标的探测方法的流程示意图。
图2是采用ialm提取稀疏目标前景图像示意图。
图3是两种尺度下目标和干扰像素值的对比示意图。
图4a1，b1是原始图像；a2，b2全局熵得到的显著图；a3，b3局部熵得到的显著图。
图5原始图像和实验结果示意图。
图6不同对比方法的roc曲线示意图。
具体实施方式
为进一步阐述本发明达成预定目的所采取的技术手段及功效，以下结合附图及实施例对本发明的具体实施方式、结构特征及其功效，详细说明如下。
实施例1
本实施例提供了一种如图1所示的基于特征匹配和尺度选择策略的多尺度红外小目标的探测方法，其包括如下步骤：
步骤一、采用ialm方法对原始红外图像进行分解，从原始红外图像中提取目标的前景部分；
步骤二、对目标前景图像进行傅里叶变换，得到目标的幅度谱；
步骤三、利用高斯核函数对步骤二得到的幅度谱进行卷积，得到各尺度的显著图；
步骤四、根据每个尺度图中最大像素值邻接的区域的平均值，筛选出目标凸显的显著图；
步骤五、根据所选的显著图中的局部最大信息熵，获得最优显著图。
进一步的，所述步骤一、采用ialm方法对原始红外图像进行分解，从原始红外图像中提取目标的前景部分，过程是：输入观测矩阵d,其中，λ是稀疏误差项的权重；然后，使用奇异值阈值收缩方法更新低秩矩阵l和稀疏矩阵e；更新拉格朗日乘数矩阵y，最终输出低秩矩阵l和稀疏矩阵e；稀疏矩阵e即为目标前景图像；具体过程如下：
其中，初始参数:ρ＝1.6，
图2给出了三幅典型红外小目标图像在ialm方法处理后的实验结果，结果表明，该方法能有效地滤除部分均匀背景，增强目标对比度，在图2中，目标区域用圆圈标记。
进一步的，所述步骤二、对目标前景图像进行傅里叶变换，得到目标的幅度谱，方法如下：
ia(u,v)＝log|fft(i(x,y))|,(2)
ip(u,v)＝angle(fft(i(x,y)))(3)
其中，i(x，y)表示目标前景图像，也就是步骤一得到的稀疏矩阵e，ia(u，v)表示目标前景图像的对数振幅谱，ip(u，v)表示目标前景图像的相位谱；图像对数振幅谱与适当尺度的低通高斯核的卷积等价于图像的显著性检测器，因此，我们使用不同尺度的高斯核函数来获得不同尺度的显著图。
所述步骤三、利用高斯核函数对步骤二得到的幅度谱进行卷积，得到各尺度显著图sk(x,y)，方法如下：
φ(u,v；k)＝g(u,v；σ)*ia(u,v),(4)
其中，φ(u,v；k)是尺度空间，g(u,v；σ)是高斯核，其标准差σ与尺度参数k有关:
将得到的平滑对数振幅谱和原始相位谱ip(u，v)相结合，计算傅里叶逆变换，得到显著性映射sk(x,y)：
sk(x,y)＝ifft{exp(φ(u,v；k) i·ip(u,v))}(6)。
对不同尺寸的显著目标检测需要不同尺度的高斯核，过小或过大的核尺度选择可能会导致背景区域被抑制得不足，或者会导致区域边缘被突出显示。均匀分布的大背景区域需要小尺度的高斯核来平滑幅度谱以进行抑制，大尺度的高斯核时用来探测远距离或纹理丰富的目标。小目标通常属于远距离且纹理丰富的目标，因此需要较大尺度的高斯核。将高斯核函数尺度参数k设为公式(5)，当k值较小时，高斯核函数的标准差σ变化缓慢，当k值较大时，σ迅速变化；这种精细的尺度分割策略有助于为小目标选择合适且精确的高斯核。
进一步的，所述步骤四、根据每个尺度图中最大像素值邻接的区域的平均值，筛选出目标凸显的显著图，方法如下：
lk＝max(sk(x,y))k＝1λk,(8)
其中，lk显著图中的最大像素点，nk为8个邻域点，mk为8个邻域像素值的平均值，k在实验中设置为16。
进一步的，所述步骤五、根据所选的显著图中的局部最大信息熵，获得最优显著图，方法如下：
其中，h(x，y)是信息熵，∧(x，y)表示与像素点(x，y)相邻的局部区域，局部区域的像素值投影到k个区间上，pb(x，y)表示像素值处于b区间中的概率。红外小目标会显著影响局部显著区域的信息熵值，信息熵通常被用作系统信息含量的定量指标。红外弱小目标对整个图像信息熵的贡献是微不足道的。对于大目标的显著性检测，最小图像信息熵可以很好地选择最优的显著性图，但它不适用于尺寸极小的红外目标。
像素点的相似性由其相邻区域决定，由于背景像素值具有连续性，强干扰背景附近的邻域像素值彼此相似或趋于接近最大像素值，而在小目标区域中只有少数邻域像素值趋于接近中心像素值。大量实验表明，目标区域附近8个邻域的像素值的平均值通常小于突出显示的背景杂波中的平均值。我们设定判别标准τ，当平均值小于τ时，暂时存储与该区域相对应的尺度，而当平均值大于τ时，将对应的图视为“不显著”。遍历所有尺度图后，我们在存储的尺度图中的显著区域计算局部信息熵，并将与最大局部信息熵对应的尺度图视为最佳尺度kout
如图4所示，图4的a2、b2和图4的a3、b3分别显示了根据原始sss方法通过最小图像信息熵和提出的最大局部信息熵筛选的最优尺度显著图。如图4a1所示，通过最小信息熵获得的显著性图关注于近距离的汽车，而所提出的选择机制关注于驾驶员，也就是原始图像中的小目标。类似地，从图4b1中，通过最小信息熵方法获得的显著图聚焦于近距离处的高亮度建筑物，而局部信息熵方法可以有效地检测远距离处的红外小目标。
为了进一步客观地验证该方法的检测性能，我们采用了三种评估指标：信杂比增益(scrg)、背景抑制因子(bsf)和接收机工作特性曲线(roc曲线)
其中，μt是目标区域强度的平均值，μ和σ是整个图像强度的平均值和标准差，scrg和bsf都表明了红外小目标检测的准确度，scrg和bsf值越大，相关方法在背景抑制和目标提取方面的性能越好。
该基于特征匹配和尺度选择策略的多尺度红外小目标的探测方法是一种精确、稳健的红外小目标检测方法。大量实验表明，该方法不仅在视觉质量上优于其他对比度方法，而且在定量评价标准(如scrg、bsf评分和roc曲线)上也优于其他对比度方法，特别是在云层较厚、建筑物亮度较高的情况下，如表1、表2、表3及图6所示，为分别对三幅图像imagea、imageb、imagec采用不同方法提取红外小目标的对比，由此可知，该基于特征匹配和尺度选择策略的多尺度红外小目标的探测方法对于红外小目标的提取的结果优于其它的图像处理方法。
表1三个序列的细节信息
表2不同对比方法的scrg和bsf值
表3不同对比方法的运行时间
ialm方法和isss方法是该方法不可替代的步骤，它们的执行顺序是不可交换的，如图5所示，其中，a1-c1是原始图像。a2-c2是先进行isss，然后进行ialm的实验结果；当两个方法的执行顺序改变时，检测结果虚警率高。作为预处理步骤，isss方法不仅提高了目标的强度，而且对背景边缘进行了锐化处理；因此，为了提高检测性能，ialm方法在图像预处理阶段的作用是不可替代的；同时，isss方法可以在后处理阶段进一步消除残差背景。
综上所述，该基于特征匹配和尺度选择策略的多尺度红外小目标的探测方法，不仅在视觉和定量评价方面都取得了令人满意的效果，而且在云层较厚、建筑物亮度较高的红外图像上也取得了较好的效果，实际的实验数据也表明，ialm和isss是该方法的关键步骤，不能改变两方法的执行顺序以确保获得较高的检测性能，通过这些有效的改进，该探测方法对红外小目标检测中的遮挡和复杂噪声具有很强的鲁棒性和有效性。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
1.一种基于特征匹配和尺度选择策略的多尺度红外小目标的探测方法，其特征在于，包括如下步骤：
步骤一、采用ialm方法对原始红外图像进行分解，从原始红外图像中提取目标的前景部分；
步骤二、对目标前景图像进行傅里叶变换，得到目标的幅度谱；
步骤三、利用高斯核函数对步骤二得到的幅度谱进行卷积，得到各尺度的显著图；
步骤四、根据每个尺度图中最大像素值邻接的区域的平均值，筛选出目标凸显的显著图；
步骤五、根据所选的显著图中的局部最大信息熵，获得最优显著图。
2.如权利要求1所述的一种基于特征匹配和尺度选择策略的多尺度红外小目标的探测方法，其特征在于：所述步骤二、对目标前景图像进行傅里叶变换，得到目标的幅度谱，方法如下：
ia(u,v)＝log|fft(i(x,y))|,(2)
ip(u,v)＝angle(fft(i(x,y)))(3)
其中，ia(u，v)表示目标的振幅谱，ip(u，v)表示目标的相位谱，(u，v)表示像素点。
3.如权利要求1所述的一种基于特征匹配和尺度选择策略的多尺度红外小目标的探测方法，其特征在于：所述步骤三、利用高斯核函数对步骤二得到的幅度谱进行卷积，得到各尺度的显著图sk(x，y)，方法如下：
φ(u,v；k)＝g(u,v；σ)*ia(u,v),(4)
其中，φ(u,v；k)是尺度空间，g(u,v；σ)是高斯核，其标准差σ与比例因子k有关:
sk(x,y)＝ifft{exp(φ(u,v；k) i·ip(u,v))}(6)
4.如权利要求1所述的一种基于特征匹配和尺度选择策略的多尺度红外小目标的探测方法，其特征在于：所述步骤四、根据每个尺度图中最大像素值邻接的区域的平均值，筛选出目标凸显的显著图，方法如下：
lk＝max(sk(x,y))k＝1λk,(8)
其中，lk是显著图中的最大像素点，nk为8个邻域点，mk为8个邻域像素值的平均值，k在实验中设置为16。
5.如权利要求1所述的一种基于特征匹配和尺度选择策略的多尺度红外小目标的探测方法，其特征在于：所述步骤五、根据所选的显著图中的局部最大信息熵，获得最优显著图，方法如下：
其中，h(x,y)是信息熵，∧(x，y)表示与像素点(x，y)相邻的局部区域，局部区域的像素值投影到k个区间，pb(x，y)表示像素值处于b个区间的概率。
技术总结