基于偏微分算法的弱小目标检测

聂素丽

摘 要

针对复杂背景中弱小目标检测难的问题，提出一种偏微分算法。该算法对红外图像进行理论分析、偏微分方程法背景抑制、图像分割进行分析，并在DSP硬件平台上，完成背景抑制、目标聚类等功能。

【关键词】偏微分 阈值 弱小目标

1 引言

由于红外探测系统探测到的弱小目标往往对比度较低，目标所占像素较少形状结构不完整，大大增加了红外目标检测与跟踪的难度。

为此，针对复杂背景中弱小目标检测难的问题， 本研究提出一种偏微分算法，对低信噪比的小目标快速检测并用DSP硬件平台完成背景抑制、目标聚类等功能。

2 偏微分算法

2.1 红外弱小目标图像模型分析

图像中的信息主要由图像背景、目标和噪声组成。

I（x，y）=S（x，y）+B（X，Y）+N（x，y） （1）

其中：I（x，y）表示红外图像，S（x，y）表示图像中的目标，B（X，Y）表示图像中的背景部分，N（x，y）代表图像中的噪声，它是随机出现。在误差允许的范围内白噪声概率密度为：

其中σ为标准偏差。

图1是天空中的无目标红外图像，图2是有目标的空中红外图像，从图2中看到目标在图像中的亮度虽然不是最高的，但是目标和背景的灰度值差别还是很大的。

2.2 偏微分方程法背景抑制

在处理红外图像时，偏微分方程法用八种不同的模型（图3中1～8）分别表示图像中的特征信息。

其中，I和u分别为原始图像和背景抑制后图像。H为局部自适应算子，加权系数λN、λw、λS、λE为一阶邻域内四个方向上的扩散量。由式（4）和（5）可以看出，采用非线性处理方法抑制背景、提高图像的信噪比，并且不会削弱或去除图像中的主要特征信息。

2.3 红外图像分割

红外图像经过前期的背景抑制以后，图像中的信噪比得到了极大的提高，有利于图像的分割。

本研究中就是使用最大类间方差法对图像进行阈值分割。

运算步骤如下：

（3）在1～M中，循环计算σ2（k），当计算的方差值最大时，此时找到最大的类间方差对应的k，即为我们寻找的最佳阈值。

根据图5可以看出目标被精确的检测出来，并没有误检出噪声，具有较好的检测效果。

2.4 目标聚类

在本系统处理红外弱小目标时，采用两步聚类算法。避免了将同一目标不同的几个部分将会被看作多个目标。二次聚类，将相邻的很近的几个区域聚类在一起，作为同一个目标，降低了对目标的误检率。

3 DSP模块介绍

本系统中采用TMS320C6414芯片为核心，对目标完成检测和跟踪算法，系统框图如图6所示。

DSP芯片主要完成如下功能：

（1）通过EMIFA口，存储待处理的图像数据。

（2）从外部数据存储器SDRAM中调入图像数据，对运动目标进行检测并确定其定位。

（3）负责从FPGA获取图像数据，通过背景抑制、阈值分割、目标跟踪等算法完成对目标的检测和定位。

4 试验结果

输入一帧原始图像，在二级缓存中开辟空间，将图像存储在L2中。

进入算法程序之后，首先对输入图像进行背景抑制并采取阈值分割二值化处理，结果如下：图像中出现7个目标，目标个数存在All_Loc[0]中，坐标位置以图像左下角为坐标原点，[1][2]、[3][4]、[5][6]、[7][8]、[9][10]、[11][12]、[13][14]分别为7个目标坐标。其中真实目标出现2个坐标點，分别为（11，105），（10，107）。

经过二次形心聚类，得到聚类后目标个数及坐标位置，目标个数5个，真实目标坐标变为（10，106）。

5 结论

本文主要研究了基于偏微分方程和自适应阈值分割方法实现对运动目标的检测，以此为载体充分分析了弱小目标检测过程中的每一个步骤，进行了仿真计算并对仿真结果进行了一定的总结，有效的解决了复杂背景下的弱小目标检测难的问题，有着现实的意义。

参考文献

[1]金长江，师廷伟.红外弱小目标检测背景抑制算法研究[J].中国测试，2016，42（04）：116-119.

[2]侯旺，孙晓亮，尚洋，等.红外弱小目标检测技术研究现状与发展趋势[J].2015，37（01）：2-6.

[3]刘靳，姬红兵.一种改进的红外目标识别算法[J].2012，23（01）：116-119

[4]侯旺，梅风华，陈国军，邓喜文.基于背景最佳滤波尺度的红外图像复杂度评价准则[J].物理学报，2015，64（23）：234202-1-234202-8.