本发明属于图像处理技术领域，具体涉及一种红外图像小目标检测方法。
背景技术：
红外图像的小目标检测对于精确制导武器的发展和红外预警等具有重要意义。传统的红外图像的小目标检测方法通常基于目标邻域的灰度阈值分割方法，经过背景抑制的预处理算法尽可能抑制背景杂波和提高目标与背景的对比度。然而，由于红外成像受复杂环境条件和目标辐射率影响，成像差别较大，灰度阈值分割往往不能找到可靠的分割阈值，因而检测存在不稳定性。基于机器学习的目标检测方法到目前为止已发展成为较成熟的目标检测方法，常见的成熟方法有基于决策树、基于支持向量机、随机森林等学习方法。应用机器学习的方法进行目标检测的关键在于找到有效的描述目标的特征。红外小目标检测方法应用基于机器学习目标检测方法的难点在于由于小目标的成像面积小、没有色彩信息而难于找到一种描述红外小目标的特征。
技术实现要素：
(一)要解决的技术问题
本发明要解决的技术问题是：如何提取出一种描述目标与背景相关的邻域特征信息，使得红外小目标的检测问题转化为可以应用机器学习方法的目标检测问题，通过大数据的学习和建模建立一种新的红外图像小目标检测方法。
(二)技术方案
为解决上述技术问题，本发明提供一种红外图像小目标检测方法，所述方法包括以下步骤：
步骤s1：从红外图像中提取候选目标的位置信息；
步骤s2：计算候选目标所在位置的邻域特征信息；
步骤s3：将邻域特征信息输入到判别模型进行虚假目标排除；
步骤s4：输出真实目标的位置信息。
其中，所述步骤s1中，所述从红外图像中提取候选目标的位置信息的过程采用本技术领域现有的红外小目标提取算法。
其中，所述步骤s1中，所述从红外图像中提取候选目标的位置信息的过程采用基于数学形态学的方法或基于top-hat算子的红外图像背景抑制方法，通过寻找背景抑制后的图像灰度极值点来获取候选的目标的位置信息。
其中，所述步骤s2中，候选目标所在位置的邻域特征信息是通过建立和候选目标点灰度相关的邻域点集得到的。
其中，所述步骤s2中，邻域点集的建立方法包含以下步骤：
步骤s21：初始化邻域点集set(0)；
邻域点集的初始化方法是将当前候选目标点的像素值加入到邻域点集set(0)中；
步骤s22：扩充邻域点集set(n)；
邻域点集的扩充方法是首先找到出当前邻域点集set(n-1)的极大值，然后将该极大值周围3×3邻域的8个像素点的像素值加入到邻域点集中，并将该极大值从邻域点集中去除便得到扩充后的邻域点集set(n)；
步骤s23：完成邻域点集set(n)；
经过n次步骤s22的邻域扩充便完成了邻域点集建立。
其中，所述步骤s23中，所述n的大小根据检测目标大小确定。
其中，所述步骤s23中，n＝200。
其中，所述步骤s2中，所述候选目标所在位置的邻域特征信息表示为一数据向量feature＝{f0,f1……fn}；
其中，fn＝max(set(n))，n＝1……n。
其中，所述步骤s3中，所述判别模型的获得方法为现有机器学习模型训练方法，训练所需的特征为步骤s2所输出的邻域特征信息。
其中，所述步骤s4中，所述真实目标的位置信息即为候选目标经过判别模型判别得到的结果。
(三)有益效果
与现有技术相比较，本发明技术方案所提供的红外图像小目标检测方法使得红外小目标的检测问题转化为可以应用机器学习方法的目标检测问题，通过大数据的学习，训练出有效的检测模型，从而提高红外小目标的检测能力和适应能力。
本发明的意义在于通过寻找目标邻域的同质区域，提取出一种描述目标与背景相关的邻域特征信息，使得红外小目标的检测问题转化为可以应用机器学习方法的目标检测问题，通过大数据的学习，训练出有效的检测模型，从而提高红外小目标的检测能力和适应能力。
附图说明
图1为典型红外小目标成像效果图。
图2为红外图像的预处理效果图。
图3为特征向量生成流程图。
图4为目标邻域特征点集示意图。
具体实施方式
为使本发明的目的、内容、和优点更加清楚，下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。
为解决现有技术问题，本发明提供一种红外图像小目标检测方法，所述方法包括以下步骤：
步骤s1：从红外图像中提取候选目标的位置信息；
步骤s2：计算候选目标所在位置的邻域特征信息；
步骤s3：将邻域特征信息输入到判别模型进行虚假目标排除；
步骤s4：输出真实目标的位置信息。
其中，所述步骤s1中，所述从红外图像中提取候选目标的位置信息的过程采用本技术领域现有的红外小目标提取算法。
其中，所述步骤s1中，所述从红外图像中提取候选目标的位置信息的过程采用基于数学形态学的方法或基于top-hat算子的红外图像背景抑制方法，通过寻找背景抑制后的图像灰度极值点来获取候选的目标的位置信息。
其中，基于数学形态学的方法来源于tomvt,pelit,leungm,etal.morphology-basedalgorithmforpointtargetdetectionininfraredbackgrounds[c]//spie，1993,1954:2-11。
基于top-hat算子的红外图像背景抑制方法来源于wangweihua,niuzhaodong,chenzengping.temporal-spatialfusionfilteringalgorithmforsmallinfraredmovingtargetdetection[j].infraredandlaserengineering,2005,34(6):714-718.(inchinese)王卫华,牛照东,陈曾平.基于时空域融合滤波的红外运动小目标检测算法[j].红外与激光工程,2005,34(6):714-718。
其中，所述步骤s2中，候选目标所在位置的邻域特征信息是通过建立和候选目标点灰度相关的邻域点集得到的。
其中，所述步骤s2中，邻域点集的建立方法包含以下步骤：
步骤s21：初始化邻域点集set(0)；
邻域点集的初始化方法是将当前候选目标点的像素值加入到邻域点集set(0)中；
步骤s22：扩充邻域点集set(n)；
邻域点集的扩充方法是首先找到出当前邻域点集set(n-1)的极大值，然后将该极大值周围3×3邻域的8个像素点的像素值加入到邻域点集中，并将该极大值从邻域点集中去除便得到扩充后的邻域点集set(n)；
步骤s23：完成邻域点集set(n)；
经过n次步骤s22的邻域扩充便完成了邻域点集建立。
其中，所述步骤s23中，所述n的大小根据检测目标大小确定。
其中，所述步骤s23中，根据小目标的定义，一般情况下n＝200可满足检测需求。
其中，所述步骤s2中，所述候选目标所在位置的邻域特征信息表示为一数据向量feature＝{f0,f1……fn}；
其中，fn＝max(set(n))，n＝1……n。
其中，所述步骤s3中，所述判别模型的获得方法为现有机器学习模型训练方法，训练所需的特征为步骤s2所输出的邻域特征信息。
其中，所述步骤s4中，所述真实目标的位置信息即为候选目标经过判别模型判别得到的结果。
实施例1
复杂背景下的红外图像小目标图像目标与背景的信噪比很低，肉眼都不易察觉，由于小目标的“小”，不具备任何纹理特征，红外图像也不具备色彩信息，因而很难提取出有效的用于描述特性的特征。肉眼可见的特性是目标与背景存在一定的对比度差别，当目标所处的环境简单时，经过背景抑制目标与背景的对比去增大，背景得到抑制明显，因而传统的基于对比度分割能够获得比较准确的分割阈值，获得比较准确的检测结果。
如图1所示的典型的红外图像的小目标。两幅图像小目标所在环境不同，成像和预处理之后差别也比较大。预处理之后如图2所示。总体来说目标邻域的背景成像差别比较大时，很难获得关于目标和背景的一致性的描述。
本发明提供一种面向红外图像小目标检测方法，其包括以下步骤：
步骤s1：提取红外图像中候选目标的位置信息；
步骤s2：计算候选目标所在位置的邻域特征信息；
步骤s3：将特征信息输入到判别模型进行虚假目标排除；
步骤s4：输出真实目标的位置信息；
其中，步骤s1中所述从红外图像中提取候选目标点的位置信息可采用本领域现有的红外小目标提取算法，如基于数学形态学的方法，基于top-hat算子的红外图像背景抑制方法，通过寻找背景抑制后的图像灰度极值点来获取候选的目标点位置信息。
其中，基于数学形态学的方法来源于tomvt,pelit,leungm,etal.morphology-basedalgorithmforpointtargetdetectionininfraredbackgrounds[c]//spie，1993,1954:2-11。
基于top-hat算子的红外图像背景抑制方法来源于wangweihua,niuzhaodong,chenzengping.temporal-spatialfusionfilteringalgorithmforsmallinfraredmovingtargetdetection[j].infraredandlaserengineering,2005,34(6):714-718.(inchinese)王卫华,牛照东,陈曾平.基于时空域融合滤波的红外运动小目标检测算法[j].红外与激光工程,2005,34(6):714-718。
本发明的关键在于步骤s2所描述的获得目标与背景的一致性的描述。步骤s2描述目标与背景的特征的获取步骤为：
步骤s21：初始化邻域点集set(0)。
邻域点集的初始化方法是将当前候选目标点的像素值加入到邻域点集set(0)中。
步骤s22：扩充邻域点集set(n)。
邻域点集的扩充方法是首先找到出当前邻域点集set(n-1)的极大值，然后将该极大值周围3×3邻域的8个像素点的像素值加入到邻域点集中，并将该极大值从邻域点集中去除便得到扩充后的邻域点集set(n)。
步骤s23：完成邻域点集set(n)。
经过n次步骤s22的邻域扩充便完成了邻域点集建立。
候选目标的邻域特征信息可表示为一数据向量：
feature＝{f0,f1……fn}；
其中，fn＝max(set(n)),n＝1……n；
可以用如图3所示的流程图进行描述。
通过上述流程获得了获选目标点的特征描述邻域，具体找到特征描述邻域所包含的像素点如图4中点标记的像素所示。从图中可以看出特征描述邻域的像素点在空间位置上和像素值两个维度上保持与目标信息相对较接近，其中包含了目标的全部信息，同时包含了部分背景信息，邻域特征集的过程排除了与目标灰度值相差较大的背景信息，因而所包含的背景信息是非常有效的背景信息，目标与背景的灰度分布特点得以体现，因而是一种能够代表目标与背景差别的特征。本发明就是采用这样一种特征来描述目标与邻域的背景差别，在此基础上进行学习判别。
本发明步骤s3描述的方法将特征信息输入到判别模型进行虚假目标排除；本步骤所述判别模型是由步骤2中描述的目标邻域特征和成熟的机器学习方法训练得到。目前成熟的基于机器学习的训练方法如基于支持向量机的方法。通过预处理获取到候选目标点位置，再经过步骤描述的方法提取出候选目标点的特征信息，然后将真实的目标标记为正样本，虚假的目标标记为负样本。这样获取了模型训练所需的训练数据，从而可以开展下一步的模型训练，得到判别模型。
基于判别模型，将待检测图像的候选目标的特征输入到判别模型进行判别，从而得到真实的目标。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
1.一种红外图像小目标检测方法，其特征在于，所述方法包括以下步骤：
步骤s1：从红外图像中提取候选目标的位置信息；
步骤s2：计算候选目标所在位置的邻域特征信息；
步骤s3：将邻域特征信息输入到判别模型进行虚假目标排除；
步骤s4：输出真实目标的位置信息。
2.如权利要求1所述红外图像小目标检测方法，其特征在于，所述步骤s1中，所述从红外图像中提取候选目标的位置信息的过程采用本技术领域现有的红外小目标提取算法。
3.如权利要求2所述红外图像小目标检测方法，其特征在于，所述步骤s1中，所述从红外图像中提取候选目标的位置信息的过程采用基于数学形态学的方法或基于top-hat算子的红外图像背景抑制方法，通过寻找背景抑制后的图像灰度极值点来获取候选的目标的位置信息。
4.如权利要求1所述红外图像小目标检测方法，其特征在于，所述步骤s2中，候选目标所在位置的邻域特征信息是通过建立和候选目标点灰度相关的邻域点集得到的。
5.如权利要求4所述红外图像小目标检测方法，其特征在于，所述步骤s2中，邻域点集的建立方法包含以下步骤：
步骤s21：初始化邻域点集set(0)；
邻域点集的初始化方法是将当前候选目标点的像素值加入到邻域点集set(0)中；
步骤s22：扩充邻域点集set(n)；
邻域点集的扩充方法是首先找到出当前邻域点集set(n-1)的极大值，然后将该极大值周围3×3邻域的8个像素点的像素值加入到邻域点集中，并将该极大值从邻域点集中去除便得到扩充后的邻域点集set(n)；
步骤s23：完成邻域点集set(n)；
经过n次步骤s22的邻域扩充便完成了邻域点集建立。
6.如权利要求5所述红外图像小目标检测方法，其特征在于，所述步骤s23中，所述n的大小根据检测目标大小确定。
7.如权利要求6所述红外图像小目标检测方法，其特征在于，所述步骤s23中，n＝200。
8.如权利要求5所述红外图像小目标检测方法，其特征在于，所述步骤s2中，所述候选目标所在位置的邻域特征信息表示为一数据向量feature＝{f0,f1……fn}；
其中，fn＝max(set(n))，n＝1……n。
9.如权利要求5所述红外图像小目标检测方法，其特征在于，所述步骤s3中，所述判别模型的获得方法为现有机器学习模型训练方法，训练所需的特征为步骤s2所输出的邻域特征信息。
10.如权利要求9所述红外图像小目标检测方法，其特征在于，所述步骤s4中，所述真实目标的位置信息即为候选目标经过判别模型判别得到的结果。
技术总结