外场红外强弱目标通用提取方法

李 毅，禄晓飞，廖姝华

(酒泉卫星发射中心， 兰州 732750)



外场红外强弱目标通用提取方法

李 毅，禄晓飞，廖姝华

(酒泉卫星发射中心， 兰州 732750)

提出的针对外场红外测量图像的目标提取方法很好的解决了外场红外测量图像包含很多“奇异点”的干扰问题;该方法对强红外辐射的目标和弱的目标同样具有很好的提取效果，具有较强的实用性;同时利用外场红外测量图像的连续性，较好地解决了目标在图像中的定位问题，大大减少了目标提取的计算速度;算法利用了用户输入初始目标矩形范围和初始阈值，根据输入的矩形范围，确认背景区域，并根据背景区域计算背景灰度均值，利用该均匀与输入的阈值，初步确认目标像素点，再对初步确认的目标点进行连通性检验，取连通点数最多的区域为目标区域。

红外图像；目标提取；连通性检验；红外强弱目标；灰度值

外场红外测量目标的距离可以从上千公里到几公里，测量的目标在红外图像中可以是只占据几个像素点、目标背景灰度对比很弱的点目标也可以是占据红外图像很大面积的、目标背景灰度对比很强的面目标。一般红外目标提取方法只针对弱目标或强目标提取，不能适应外场红外测量目标一般由弱到强的变化特征。并且外场的红外测量设备大都具有探测器坏像元多的特点，在目标距离远只能在测量形成点目标的情况下，这些坏像元导致的“奇异点”对弱点目标的提取具有很大的干扰作用。本文提出的红外目标提取方法很好的解决了以上难题。

8位灰度级图像是外场红外图像处理过程中常用的图像，外场设备提供的各种灰度级的图像都可以转化成8位灰度级的图像。该格式红外图像共有一字节8位即256个灰度级，该灰度级能够更好的呈现图像中目标和背景的灰度差，有利于人眼对目标的识别，在外场红外图像处理过程中得到广泛应用。外场的红外图像处理算法一般也针对8位灰度级图像进行处理。

本文探讨的算法即是一种针对8位灰度级红外图像的处理算法。针对外场红外测量图像的特点，一般利用背景平均灰度值和一个阈值对图像中的背景和目标进行分割，这种算法的一个缺陷是容易受坏象元干扰，尤其是在背景和目标灰度值对比较弱的图像中。本文结合外场红外测量图像的特点，在一般平均灰度值提取目标的基础上，对初步判定为目标点的像素进行连通性检验，对目标点进行二次确认。同时利用当前帧目标提取结果对连续图像中的下一帧目标点位进行预测，缩小目标提取范围，提高运算效率。实践证明，该方法很好的解决了外场红外测量图像具有很多坏点干扰的问题，算法具有运算量小、灵敏度高、人工干预少的特点，很好的适应了外场红外测量图像的目标提取需求。

1 算法思想

1.1 几个概念

弱目标：指红外测量图像中目标灰度值与背景灰度均值接近的目标。一般目标像素最大灰度值与背景灰度均值之差只占背景灰度均值1%以下。

强目标：指红外测量图像中目标灰度值与背景灰度均值相差较大的目标。一般目标像素最大灰度值可以达到背景灰度均值的1.5倍以上。

1.2 算法内容

算法由两部分组成：单帧图像中目标提取和连续图像中下一帧目标点位预测。

单帧图像中目标提取的主要思想是首先确定目标所在的矩形框范围。在软件开发中一般提供图形界面接口，设置初始的矩形框。算法在运算过程中将利用当前帧目标所在矩形框及当前帧目标提取结果自动预测下一帧目标矩形框范围。在矩形框范围内，选取目标之外的像素点计算背景的平均灰度值。背景区域一般选择矩形范围内四个角落区域作为目标区域，这要求在设置初始矩形框时把目标置于矩形框大概中心位置。算法然后利用用户输入的阈值，对图像中的目标像素点和背景像素点进行分割。在软件开发中一般提供用户动态输入阈值的接口，以便用户选择最佳阈值。由于外场实际测量的红外焦平面探测器有很多坏点，对初步确定为目标点的像素还需进行进一步确认。在实际测量的图像中，坏象元对应的点一般不具备联通性，所以可以通过对初步判定为目标像素点的所有像素点进行连通性检验，取连通区域最大既目标点数最多的区域为最终的目标区域。

连续图像中下一帧目标点位预测的主要思想是利用当前帧提取的目标区域范围，找出目标的中心点，作为下一帧图像中矩形框范围的中心，从而预估下一帧图像提取目标的矩形范围。

该算法针对矩形框范围内只有一个目标，对于一幅图像中有多个目标的情形，可以通过多个矩形框范围进行扩展，以适应图像中有多个目标的情形。

1.2.1 图像背景灰度均值计算

计算背景平均灰度值的关键是背景区域的确定。由于外场红外测量图像一般针对天空测量，目标以外的区域即可作为背景区域。为了计算背景灰度均值，算法要求目标矩形框：目标处于矩形框范围大概中心位置；目标区域面积小于矩形框面积。

算法步骤如下：确定背景区域范围。根据经验，一般设置的矩形框面积为目标面积的2～5倍。目标矩形框范围确定以后，一般取矩形框4个角落5 mm×5 mm大小区域作为图像的背景区域；统计背景区域点数和灰度值之和，并计算背景灰度均值：

(1)

其中：Gi为每个背景像素点对应的灰度值；Gav为背景灰度均值；N为背景像素点数。

1.2.2 目标像素点预判

利用计算出的背景灰度均值Gav及输入的阈值，根据以下条件初步判断像素点是否为目标像素点：

Gi-Gav≥g

(2)

其中：Gi为像素点灰度值；Gav为背景平均灰度值；g为阈值。满足以上条件的像素点被初步判定为目标像素点，并被标记。

1.2.3 目标像素点确认

由于外场红外测量设备的焦平面探测器具有很多坏象元，在设备提供的红外测量图像中有很多像素的灰度值具有“奇异性”，即坏象元对应的像素灰度值并不满足焦平面探测器线性响应的特征，这些坏象元对弱目标的提取具有很强的干扰。为了消除干扰，精确的确定图像中实际的目标像素点，可对目标区域进行连通性检验，进一步确认目标像素点。

为了减少计算量，本文提出了一种改进的四连通算法，算法的步骤如下：

1) 选定种子像素点。根据经验，一般取矩形范围内灰度值最大的N个点作为种子像素点,为减少计算量，并尽量减少坏象元对目标提取的干扰，一般取N介于5到30之间；

2) 种子像素压入栈A中，初始化各种子点对应的连通区域像素点数SUMi为0；

3) 如果栈A为空，则转8)，否则转4)；

4) 从栈A弹出一个像素seedi，如果该像素在目标像素点预判中被标记为背景点或者该像素点不满足目标矩形范围内，则丢弃seedi，转3)，否则转5)；

5) 对矩形范围内的所有像素点，新建内存aski设置未访问标识，同时新建内存tari设置背景点标识。新建一个栈stacki，设置种子像素点seedi的访问标识为已访问，并把种子像素点seedi压入栈stacki中，转6)；

6) 如果栈stacki为空，转3)；否则转7)；

7) 对栈stacki的当前栈顶元素top，如果top不满足：a)在矩形范围内；b)在初步预判中判定为目标像素点，则，弹出top，转6)；否则，如果top满足以上条件，则在tari内存中标记该像素点为目标像素点，种子点对应的SUMi增1，同时把top未访问过的临近点(上、下、左、右)压入栈stacki中，并修改邻近点的访问标识为已访问，转6)；

8) 比较各种子点对应的连通区域像素点数SUMi，取SUMi最大的种子点对应的连通区域为目标区域。该区域的背景、目标标识保存在tari中；

9) 结束。

1.3 实验结果与分析

为检验算法效果，实验中分别使用了背景与目标灰度值相近的弱目标红外图像和背景与目标灰度值相差较大的强目标图像进行效果验证。

1.3.1 弱目标提取情况验证

实验中选取的弱目标红外测量图像如图1左图，图1左图矩形范围内目标最大灰度值为4 474，背景灰度均值约为4 465，目标最大灰度值与背景灰度均值的差与背景灰度均值的比值约为0.2%。图1中右图为利用本文提出的算法对目标进行提取的情况，其中，矩形范围内黑色像素点为最终提取的目标像素点。

图1 弱目标提取情况对比

1.3.2 强目标提取情况验证

实验中选取的强目标红外测量图像如图2左图，图2左图矩形范围内目标最大灰度值为13 609，背景灰度均值约为2 080，目标最大灰度值与背景灰度均值的差与背景灰度均值的比值约为554.3%。图2中右图为利用本文提出的算法对目标进行提取的情况，其中矩形范围内黑色像素点为最终提取的目标像素点。

图2 强目标提取情况对比

2 结论

实验证明，本文提出的针对外场红外测量图像的目标提取算法很好的适应了外场红外测量图像目标提取的需求，很好地解决了外场红外测量图像“奇异点”多、对目标提取干扰大的问题。算法具有简单高效的特点，很好的解决了外场红外测量图像目标强弱变化大、外场测量设备的焦平面探测器具有很多坏象元、坏象元对应点容易干扰弱目标提取的特点，在实际的应用中取得了很好的目标提取效果。

[1] 常洪花,张建奇.基于人眼视觉系统的红外背景杂波量化技术[J].红外技术,2004(5):13-17.

[2] 彭诚，孙新柱.一种改进的深度图像修复算法研究[J].重庆工商大学学报(自然科学版)，2016，33(1):65-69.

[3] 黄康,毛峡,胡海勇,等.复杂背景下红外弱小运动目标检测的新方法[J].航空学报.2009(9):1754-1760.

[4] 徐英.红外图像序列中运动弱小目标检测的方法研究[J].红外技术.2002(6)：65-68.

[5] 张秀凤,娄树理,张燕妮.红外图像模式识别的预处理研究[J].光电技术应用， 2006(5)：58-60，66.

[6] 贾花萍.盲去卷积算法在图像恢复中的应用研究[J].信息技术,2011(5):38-39.

[7] 王明祥,莫玉龙.一种基于FastICA的运动目标检测新方法[J].计算机工程，2004(3)： 58-60.

[8] 吴君钦,刘昊,罗勇.静态背景下的运动目标检测算法[J].液晶与显示，2012(5)：682-686.

[9] 高晶,孙继银,刘婧,等.基于区域模糊阈值的前视红外目标识别[J].光学精密工程， 2011(12)：3056-3063.

[10]靳永亮,王延杰,刘艳滢,等.红外弱小目标的分割预检测[J].光学精密工程.2012(1)：171-178.

(责任编辑 唐定国)

General Target Extraction Method of Infrared Strong and Weak Intensity Target in Out-Field

LI Yi， LU Xiaofei， LIAO Shuhua

(Jiuquan Satellite Lanch Center, Lanzhou 732750, China)

The proposed method of target extraction for external infrared image measurement is a good solution to the problem that the infrared measurement image contains many “singular points”. This method has a good extraction effect on the target of strong infrared radiation, and the target with weak background control. At the same time, the continuity of the image is measured by the infrared field, and the positioning problem of the target in the image is solved. And the calculation speed of the target extraction can be greatly reduced. The algorithm uses the user to input the initial target rectangle range and the initial threshold. The background area is confirmed according to the input rectangular range, and the background gray value is calculated according to the background area. The target pixel is confirmed by the uniform and input threshold. The initial confirmation of the target point for connectivity testing was processed, and the area with the largest number of connected points is the target area.

infrared image; target extraction; connectivity test; infrared strong target; gray valueg

10.11809/scbgxb2017.07.034

2017-03-25；

2017-04-1

李毅(1980—)，男，研究员，主要从事装备理论与装备技术研究。

format:LI Yi，LU Xiaofei，LIAO Shuhua.General Target Extraction Method of Infrared Strong and Weak Intensity Target in Out-Field[J].Journal of Ordnance Equipment Engineering,2017(7):160-162.

E919

A

2096-2304(2017)07-0160-03

本文引用格式：李毅,禄晓飞,廖姝华.外场红外强弱目标通用提取方法[J].兵器装备工程学报，2017(7):160-162.