本發(fā)明涉及圖像處理領(lǐng)域，尤其涉及一種基于模糊技術(shù)的紅外弱小目標(biāo)圖像邊緣增強算法。

背景技術(shù)：

紅外成像目標(biāo)檢測與跟蹤系統(tǒng)是一種基于被動探測技術(shù)的光機電一體化系統(tǒng)，該系統(tǒng)具有隱蔽性好、抗干擾能力強等優(yōu)點，被廣泛地應(yīng)用于紅外告警和精確制導(dǎo)等武器裝備系統(tǒng)。在實際應(yīng)用中，為了盡可能多地增加火控系統(tǒng)的預(yù)警時間、提高安全系數(shù)，要求紅外探測系統(tǒng)能夠在盡可能遠(yuǎn)的距離捕捉到目標(biāo)并獲取目標(biāo)的相關(guān)信息。當(dāng)目標(biāo)距離較遠(yuǎn)時，因為目標(biāo)在視場中是以小目標(biāo)的形態(tài)出現(xiàn)的，并且信號微弱，以至被淹沒在復(fù)雜的背景之中，導(dǎo)致目標(biāo)檢測跟蹤非常困難。由于復(fù)雜背景是影響弱小目標(biāo)檢測跟蹤性能的重要因素，若要穩(wěn)定而可靠地對目標(biāo)進(jìn)行檢測和跟蹤，就必須首先對紅外弱小目標(biāo)圖像邊緣進(jìn)行增強處理。因此，在模糊域?qū)t外弱小目標(biāo)圖像邊緣進(jìn)行增強成為當(dāng)今一項研究技術(shù)課題。

傳統(tǒng)的邊緣檢測算法比如Sobel算子、Canny算子定位精確度不高，尤其不適用于復(fù)雜背景下易受脈沖噪聲干擾的紅外弱小目標(biāo)圖像邊緣的檢測。傳統(tǒng)的Pal-king算法，雖然對脈沖噪聲干擾有很好的抑制效果，但在模糊域增強過程中只對高灰度邊緣進(jìn)行了增強，自動抑制低灰度信息，難以識別紅外弱小目標(biāo)圖像的邊緣；且算法隸屬度函數(shù)復(fù)雜，處理時間長，難以實現(xiàn)對紅外弱小目標(biāo)圖像邊緣的檢測。

本發(fā)明算法在保留圖像低灰度信息的同時增強了低灰度邊緣信息，對紅外弱小目標(biāo)圖像邊緣進(jìn)行增強，能夠有效檢測復(fù)雜背景下易受脈沖噪聲干擾的紅外弱小目標(biāo)圖像邊緣，便于識別和提取紅外弱小目標(biāo)圖像邊緣的低灰度信息，且該發(fā)明算法簡單，易于實現(xiàn)。

技術(shù)實現(xiàn)要素：

本發(fā)明為了解決復(fù)雜背景下脈沖噪聲干擾對紅外弱小目標(biāo)圖像邊緣的影響，以及在模糊域增強過程中紅外弱小目標(biāo)圖像低灰度邊緣丟失的問題，更好的識別和檢測紅外弱小目標(biāo)圖像邊緣，提出了一種基于模糊技術(shù)的紅外弱小目標(biāo)圖像邊緣增強算法。

本發(fā)明算法的實現(xiàn)步驟如下：

步驟一：輸入紅外弱小目標(biāo)圖像，將紅外弱小目標(biāo)圖像由空間域轉(zhuǎn)換為模糊域；

步驟二：對模糊域的紅外弱小目標(biāo)圖像進(jìn)行γ矯正，從而適當(dāng)?shù)脑鰪娂t外弱小目標(biāo)圖像邊緣的低灰度信息；

步驟三：添加隸屬度分量改變隸屬度函數(shù)，保留紅外弱小目標(biāo)圖像邊緣的低灰度信息；

步驟四：采用“min”或“max”算子，提取紅外弱小目標(biāo)圖像邊緣的低灰度信息。

所述步驟一中將紅外弱小目標(biāo)圖像由空間域轉(zhuǎn)換為模糊域的實現(xiàn)方法為：在空間域，一個二維的紅外弱小目標(biāo)圖像轉(zhuǎn)換到模糊域后，用模糊矩陣Y表示，公式為：

m=1,2,……,M;n=1,2,….2,N

上式中，P_mn/X_mn(0≤P_mn≤1，0≤X_mn≤ 255)表示圖像中像素點X_mn相對于模糊域P_mn的隸屬度，變換函數(shù)（隸屬度函數(shù)）P表示為：

P=G（X）=

上式中，F(xiàn)_e和 F_d分別為大于0的指數(shù)模糊化因子和分母模糊化因子， X_max為最大灰度級，且X_mn≤X_max。

所述步驟二中對模糊域的紅外弱小目標(biāo)圖像進(jìn)行γ矯正，從而增強紅外弱小目標(biāo)圖像邊緣的低灰度信息的實現(xiàn)方法為：將紅外弱小目標(biāo)圖像轉(zhuǎn)換到模糊域后，在模糊域?qū)t外弱小目標(biāo)圖像邊緣進(jìn)行γ矯正，γ矯正對較小輸入值有較大的響應(yīng)輸出，對較大的輸入值則增加幅度不大，選擇γ矯正增強紅外弱小目標(biāo)低灰度邊緣信息由空間域轉(zhuǎn)換到模糊域的圖像，適當(dāng)?shù)脑鰪娂t外圖像低灰度信息。

在模糊域?qū)t外弱小目標(biāo)圖像進(jìn)行γ矯正，由空間域轉(zhuǎn)換到模糊域的圖像P(m,n)的增強公式為g(m,n)=(P(m,n) )^γ

上式中，g(m,n)表示模糊域中經(jīng)γ矯正增強后的紅外弱小目標(biāo)圖像，P(m,n)在模糊域的取值范圍為[0,1]。

所述步驟三中，添加隸屬度分量改變隸屬度函數(shù)，從而保留紅外弱小目標(biāo)圖像邊緣的低灰度信息，實現(xiàn)方法為：

設(shè)定隸屬度函數(shù)的隸屬度分量，圖像的模糊指數(shù)α=；

為保證轉(zhuǎn)換到空間域的紅外弱小目標(biāo)圖像灰度 X＇_mn≥0，使g_mn=α；

當(dāng)g_mn＜α?xí)r，逆變換公式為： X＇_mn＝X_max—

當(dāng)g_mn≥α?xí)r，逆變換公式為：X＇_mn＝X_max—

通過定義的隸屬度函數(shù)分量，圖像在模糊域灰度取值范圍為[α,1]，在增強圖像的同時，保留了圖像的低灰度信息。

所述步驟四中采用“min”或“max”算子，提取紅外弱小目標(biāo)圖像邊緣的低灰度信息，“min”或“max”算子表示為E=max{min[A(x) ，B(x)]} ，其中A(x) ，B(x)分別為模糊集合。

與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益的技術(shù)效果：

本發(fā)明提供一種基于模糊技術(shù)的紅外弱小目標(biāo)圖像邊緣增強算法，采用γ矯正對模糊域紅外弱小目標(biāo)圖像邊緣進(jìn)行增強處理，增強了低灰度邊緣信息；通過添加隸屬度函數(shù)分量改變隸屬度函數(shù)，保留圖像的低灰度信息。從而使紅外弱小目標(biāo)圖像邊緣增強，能夠有效檢測復(fù)雜背景下易受脈沖噪聲干擾的紅外弱小目標(biāo)圖像邊緣，便于識別和提取紅外弱小目標(biāo)的低灰度圖像信息，且該發(fā)明算法簡單，易于實現(xiàn)。

附圖說明

圖1是本發(fā)明一種基于模糊技術(shù)的紅外弱小目標(biāo)圖像邊緣增強算法的流程示意圖；

圖2是采用γ矯正后γ值分別取0.4、0.5、0.6、0.7和1時的γ矯正曲線；

圖3(a)是模糊域原始灰度圖像，圖3(b)是模糊域灰度圖像γ增強，圖3(c)是模糊域原始紅外圖像，圖3(d)是模糊域紅外圖像γ增強；

圖4(a) 是原始圖像；圖4(b)是傳統(tǒng)Pal-King算法提取的圖像邊緣；圖4(c)是基于模糊集的邊緣檢測算法提取的圖像邊緣；圖4(d)是基于直覺模糊熵邊緣檢測算法提取的圖像邊緣；圖4(e)是FCM-Canny邊緣檢測算法提取的圖像邊緣；圖4(f)是本發(fā)明改進(jìn)算法提取圖像邊緣。

具體實施方式

下面結(jié)合附圖和具體實施方式對本發(fā)明的算法進(jìn)行詳細(xì)說明。

本發(fā)明提出了一種基于模糊技術(shù)的紅外弱小目標(biāo)圖像增強算法，該方法主要通過以下步驟實現(xiàn)：

步驟一：輸入紅外弱小目標(biāo)圖像，將紅外弱小目標(biāo)圖像由空間域轉(zhuǎn)換為模糊域；；

步驟一所述的將紅外弱小目標(biāo)圖像由空間域轉(zhuǎn)換為模糊域，其方法為：首先輸入紅外弱小目標(biāo)圖像，一個二維的紅外弱小目標(biāo)圖像 X轉(zhuǎn)換到模糊特征域后，用模糊矩陣Y表示，公式為：m=1,2,……,M;n=1,2,….2,N

上式中 P_mn/X_mn(0≤P_mn≤1，0≤X_mn≤ 255)，表示圖像X中像素點X（m，n）相對于模糊域P(m,n)的隸屬度,變換函數(shù)（函隸屬度函數(shù)）如下：

上式中， X_max為圖像最大灰度級， X_min≤X_max；F_e和F_d分別為大于0的指數(shù)模糊化因子和分母模糊化因子。

步驟二：對模糊域的紅外弱小目標(biāo)圖像進(jìn)行γ矯正，從而適當(dāng)?shù)脑鰪娂t外弱小目標(biāo)圖像邊緣的低灰度信息；

步驟二所述的采用γ矯正對模糊域紅外弱小目標(biāo)圖像進(jìn)行增強處理，其實現(xiàn)方法為：在模糊域?qū)t外弱小目標(biāo)圖像進(jìn)行γ矯正，適當(dāng)?shù)脑鰪娂t外圖像邊緣的低灰度信息，具體方法為：由空間域轉(zhuǎn)換到模糊域的圖像P(m,n)，增強公式如下：g(m,n)=(P(m,n) )^γ

上式中，g(m,n)表示模糊域中經(jīng)γ矯正增強后的圖像，P(m,n)在模糊域的取值范圍為[0,1]。

γ矯正對較小輸入值有較大的響應(yīng)輸出，面對較大的輸入值則增加幅度不大，選擇γ矯正增強目標(biāo)低灰度邊緣信息由空間域轉(zhuǎn)換到模糊域的圖像，適當(dāng)?shù)脑鰪娂t外圖像低灰度信息。

γ值分別取0.4、0.5、0.6、0.7和1時進(jìn)行γ矯正，γ矯正曲線如圖2所示，對模糊域普通灰度圖像增強后的圖像和模糊域紅外圖像增強后的圖像進(jìn)行對比，如圖3所示。圖3(a)是模糊域原始灰度圖像，圖3(b)是模糊域灰度圖像γ增強，圖3(c)是模糊域原始紅外圖像，圖3(d)是模糊域紅外圖像γ增強。

步驟三：添加隸屬度分量改變隸屬度函數(shù)，保留紅外弱小目標(biāo)圖像邊緣的低灰度信息；

步驟三所述的添加隸屬度分量改變隸屬度函數(shù)，其實現(xiàn)方式為：為保證函數(shù)取值范圍大于0，通過添加隸屬度函數(shù)分量保證新函數(shù)值域在[0,1]內(nèi)，本發(fā)明設(shè)定隸屬度函數(shù)的隸屬度分量，圖像的模糊指數(shù)α=；

為保證轉(zhuǎn)換到空間域的紅外弱小目標(biāo)圖像灰度 X＇_mn≥0，使g_mn=α；

當(dāng)g_mn＜α?xí)r，逆變換公式為： X＇_mn＝X_max—；

當(dāng)g_mn≥α?xí)r，逆變換公式為：X＇_mn＝X_max—。

步驟四：使用“min”或“max”算子，提取紅外弱小圖像邊緣；

步驟四所述的使用“min”或“max”算子，提取紅外弱小目標(biāo)圖像邊緣，其方法為：采用Nakagowa 和Rosen Field提出的“min”或“max”算子進(jìn)行提取邊緣，得到的邊緣矩陣為：E_edge=[X〞mn]_M×N；當(dāng)圖像灰度值 X_mn較小時，經(jīng)模糊域增強處理的g_mn，經(jīng)逆變換公式得到的空間域圖像灰度值X＇_mn容易小于0，傳統(tǒng)算法將小于0的灰度值強置為0而造成圖像低灰度信息丟失。

本發(fā)明通過定義的隸屬度函數(shù)分量，圖像在模糊域灰度取值范圍為[0，1]，避免了灰度值強置為0而造成圖像的低灰度信息丟失。在增強圖像的同時保留了圖像的低灰度信息，最后使用“min”或“max”算子提取紅外弱小目標(biāo)圖像邊緣。

Abdou和Pratt提出的品質(zhì)因數(shù)是評價圖像檢測性能的客觀方法，其公式為；

上式中，F(xiàn)為品質(zhì)因數(shù), N₁為實際邊緣點數(shù)，N_A為實際檢測邊緣點數(shù)。d是實際檢測到的邊緣與理想邊緣最近距離，α是度量常數(shù)。

分別使用傳統(tǒng)Pal-king算法、基于模糊集的邊緣檢測算法、基于直覺模糊熵的邊緣檢測算法FCM-Canny邊緣檢測算法以及本發(fā)明改進(jìn)算法對灰度圖像及紅外圖像進(jìn)行對比，圖4(a) 為原始圖像；圖4(b)為傳統(tǒng)Pal-King算法提取的圖像邊緣；圖4(c)為基于模糊集的邊緣檢測算法提取的圖像邊緣；圖4(d) 為基于直覺模糊熵邊緣檢測算法提取的圖像邊緣；圖4(e)為FCM-Canny邊緣檢測算法提取的圖像邊緣；圖4(f)為本發(fā)明改進(jìn)算法提取圖像邊緣。本發(fā)明算法在檢測到有效邊緣信息的同時保留了灰度圖像更多的低灰度信息，完成了小目標(biāo)車輛的識別。

為了直觀比較實際檢測到的邊緣點數(shù)與理想點數(shù)關(guān)系，將品質(zhì)因數(shù)分為兩部分考慮。一部分為受噪聲影響的偏移邊緣點稱為漏檢邊緣點；一部分為距理想邊緣點距離較遠(yuǎn)的點稱為誤檢邊緣點；用Q表示品質(zhì)因數(shù)Q=(Q_L+Q_W)/2。

將本發(fā)明的改進(jìn)算法與傳統(tǒng)pal-king算法、基于模糊集邊緣檢測算法、基于直覺模糊熵邊緣檢測算法、FCM-Canny邊緣檢測算法對比品質(zhì)因數(shù)如下表

本發(fā)明算法在保留圖像低灰度信息的同時增強了低灰度邊緣信息，對紅外弱小目標(biāo)圖像邊緣進(jìn)行增強，能夠有效檢測易受脈沖噪聲干擾的紅外弱小目標(biāo)圖像邊緣，便于識別和提取紅外弱小目標(biāo)圖像邊緣的低灰度信息，且該發(fā)明算法簡單，易于實現(xiàn)。