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(tǒng)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(xiàn)。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(shù)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(huán)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(jù)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(tǒng)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(qū)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(tǒng)中采用TMS320C6414芯片為核心，對目標完成檢測和跟蹤算法，系統(tǒng)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(shù)據(jù)。

（2）從外部數(shù)據(jù)存儲器SDRAM中調入圖像數(shù)據(jù)，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(shù)據(jù)，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(xiàn)7個目標，目標個數(shù)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(xiàn)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(shù)及坐標位置，目標個數(shù)5個，真實目標坐標變?yōu)椋?0，106）。

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(xiàn)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(xiàn)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(xiàn)狀與發(fā)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.