苗曉孔，王春平

?

改進(jìn)Sobel算子的單幀紅外弱小目標(biāo)檢測(cè)

苗曉孔，王春平

( 軍械工程學(xué)院電子與光學(xué)工程系，石家莊 050003 )

針對(duì)目前單幀紅外弱小目標(biāo)的檢測(cè)算法存在檢測(cè)精度不高，檢測(cè)效果差等問(wèn)題，本文提出一種改進(jìn)Sobel算子的單幀紅外弱小目標(biāo)檢測(cè)算法。該方法根據(jù)Sobel算子的邊緣檢測(cè)特性，先對(duì)圖像進(jìn)行中值濾波，提高弱小目標(biāo)的信噪比，然后利用Sobel算子和本文提出的檢測(cè)模板，對(duì)圖像進(jìn)行卷積處理，最后經(jīng)中值濾波后檢測(cè)出紅外弱小目標(biāo)。文中從理論上分析了改進(jìn)算法的有效性，并與質(zhì)心檢測(cè)算法和基于局部均值以及基于Top-Hat等檢測(cè)算法進(jìn)行了對(duì)比實(shí)驗(yàn)。結(jié)果表明，該算法比實(shí)驗(yàn)中其他檢測(cè)算法檢測(cè)精度更高，檢測(cè)效果更加明顯。

Sobel算子；紅外圖像；弱小目標(biāo)；單幀檢測(cè)

0 引 言

紅外弱小目標(biāo)檢測(cè)是光電檢測(cè)與跟蹤系統(tǒng)中重要組成部分之一，也是當(dāng)前國(guó)防和軍事上的重要研究課題[1]。因?yàn)槠涑司哂泄鈱W(xué)檢測(cè)、跟蹤的優(yōu)點(diǎn)(被動(dòng)檢測(cè)，隱蔽性好，抗電磁干擾能力強(qiáng)等)外，還具有可在夜間和低可見(jiàn)度條件下工作[2-3]，探測(cè)距離遠(yuǎn)，受天氣影響小等優(yōu)點(diǎn)。如何更好地提高紅外圖像弱小目標(biāo)檢測(cè)技術(shù)，及時(shí)準(zhǔn)確地發(fā)現(xiàn)目標(biāo)，進(jìn)而提高武器系統(tǒng)的目標(biāo)檢測(cè)和跟蹤能力一直是紅外探測(cè)領(lǐng)域的熱點(diǎn)，同時(shí)研究紅外弱小目標(biāo)檢測(cè)對(duì)于精確制導(dǎo)武器的發(fā)展與反導(dǎo)體系作戰(zhàn)具有重要意義[4]。

近些年相對(duì)成熟的紅外弱小目標(biāo)檢測(cè)算法有：空域?yàn)V波、小波變換、Top-Hat變換、質(zhì)心檢測(cè)法等，同時(shí)在這些算法的基礎(chǔ)上，不斷完善和發(fā)展的目標(biāo)檢測(cè)算法有：KIM S等[5]提出的基于拉普拉斯-高斯尺度空間的紅外小目標(biāo)檢測(cè)方法；薛永宏等[6]提出的馬爾科夫隨機(jī)場(chǎng)(Markov Random Field，MRF)法；還有隨著計(jì)算機(jī)視覺(jué)等技術(shù)發(fā)展起來(lái)的基于視覺(jué)顯著特性和尺度空間等算法。但這些算法的計(jì)算流程相對(duì)復(fù)雜，計(jì)算時(shí)間較長(zhǎng)，對(duì)處理器的要求較高，在實(shí)際裝備應(yīng)用上實(shí)時(shí)性較差。而在紅外弱小目標(biāo)檢測(cè)方法中，單幀目標(biāo)檢測(cè)理論因?yàn)橐仔小⑿矢咚俣瓤?，方便硬件?shí)現(xiàn)所以一直受到人們關(guān)注，目前對(duì)單幀紅外圖像目標(biāo)提取的方法主要還是通過(guò)背景抑制技術(shù)來(lái)抑制復(fù)雜背景、雜波干擾和噪聲。

在此基礎(chǔ)上，本文提出了一種基于Sobel算子的改進(jìn)算法對(duì)紅外弱小目標(biāo)進(jìn)行單幀檢測(cè)，主要是針對(duì)目標(biāo)在圖像上只占幾個(gè)或者十幾個(gè)像素的情況做了改進(jìn)。在一定程度上減少了算法的處理時(shí)間和檢測(cè)流程，具有較強(qiáng)的實(shí)際操作性。同時(shí)為了驗(yàn)證算法的可行性和有效性，本文在Win7系統(tǒng)下Matlab軟件中進(jìn)行了仿真實(shí)驗(yàn)，結(jié)果表明本文提出的算法能夠很好地檢測(cè)出弱小目標(biāo)，檢測(cè)精度更高，檢測(cè)效果更加明顯。

1 紅外弱小目標(biāo)特點(diǎn)

空中目標(biāo)檢測(cè)系統(tǒng)中，紅外目標(biāo)通常是指空中飛行的飛機(jī)、導(dǎo)彈等運(yùn)動(dòng)物體。由于目標(biāo)距離越遠(yuǎn)，探測(cè)器上所觀察到的目標(biāo)圖像越小，有時(shí)只占一個(gè)或幾個(gè)像素。加上紅外成像熱源本身目標(biāo)和邊界均模糊不清的特點(diǎn)，目標(biāo)的形狀，大小，紋理等信息難以被檢測(cè)。信號(hào)弱的紅外目標(biāo)就是通常所說(shuō)的“紅外弱小目標(biāo)”。很多學(xué)者也將紅外弱小目標(biāo)定義為紅外圖像所占像素不超過(guò)圖像總像素0.15%的目標(biāo)[7-9]。例如對(duì)于尺寸為128 pixel256 pixel的紅外圖像，小目標(biāo)的尺寸一般不超過(guò)7 pixel7 pixel。

在紅外圖像中弱小目標(biāo)集中在一個(gè)相對(duì)顯著的區(qū)域，該區(qū)域和周圍鄰域在灰度值上具有不相關(guān)的特點(diǎn)。因此可以認(rèn)為小目標(biāo)是紅外圖像中相對(duì)顯著區(qū)域，同時(shí)在圖像中背景變化較快的地方和隨機(jī)噪聲也具有與周圍背景不相關(guān)的特點(diǎn)，所以背景中的噪聲和突變的地方也是圖像中的顯著性區(qū)域[10]。背景中平緩區(qū)域的灰度起伏變化小，沒(méi)有極大值，顯著度較??；云層、天際線作為背景時(shí)灰度起伏較大，顯著度較高，可能出現(xiàn)灰度極大值，但與周邊鄰域在灰度值上有一定的相關(guān)性或者說(shuō)沒(méi)有孤立的特性[11]。基于紅外弱小目標(biāo)的這些特點(diǎn)可以實(shí)現(xiàn)對(duì)其檢測(cè)。

2 Sobel算子檢測(cè)算法

Sobel算子是一階導(dǎo)數(shù)算子，該檢測(cè)方法是邊緣檢測(cè)的一種。在算法實(shí)現(xiàn)過(guò)程中，以33模板為核與紅外圖像中的每個(gè)像素點(diǎn)做“卷積和”運(yùn)算，然后選取合適的閾值提取邊緣。Sobel算子是對(duì)四鄰域采用帶權(quán)方法計(jì)算差分，可以抑止噪聲，但檢測(cè)的邊緣較寬，利用該算法可以很好地檢測(cè)出圖像中的奇異點(diǎn)。這也為下一步目標(biāo)提取奠定了基礎(chǔ)。其檢測(cè)算子模板分別如圖1和圖2所示。

圖1 垂直邊緣模板

圖2 水平邊緣模板

圖1為Sobel算子的垂直邊緣模板。圖2為Sobel算子的水平邊緣模板。這兩個(gè)模板分別代表兩個(gè)不同方向的邊緣檢測(cè)，通過(guò)不同的模板與圖像卷積就可得到不同方向上的圖像灰度值，然后對(duì)兩個(gè)方向上的卷積灰度值求平方和再開(kāi)根號(hào)最終求得經(jīng)過(guò)Sobel算子運(yùn)算之后的像素灰度值大小[12]。

由于Sobel算子邊緣檢測(cè)是利用像素點(diǎn)與周圍相鄰點(diǎn)的灰度進(jìn)行加權(quán)所得，其值在邊緣處達(dá)到最大[13]，所以對(duì)噪聲具有一定的平滑作用。這種算子也對(duì)圖像起到了很好的過(guò)濾作用。但是，Sobel算子邊緣檢測(cè)同樣存在一些問(wèn)題，由于其只具備檢測(cè)邊緣的能力，對(duì)于云層邊緣和目標(biāo)邊緣不能很好的區(qū)分，李欣等[14]提出的雙復(fù)雜度模板的背景抑制思想，構(gòu)造了一種圓形復(fù)雜度模板，對(duì)云邊緣區(qū)域的復(fù)雜度進(jìn)行抑制，這種方法又相當(dāng)復(fù)雜。

3 基于改進(jìn)Sobel算子的檢測(cè)算法

由于基于Sobel算子的檢測(cè)算法具有計(jì)算簡(jiǎn)單，速度快等優(yōu)點(diǎn)，所以在實(shí)際檢測(cè)中仍具備一定的應(yīng)用價(jià)值?；诖藘?yōu)點(diǎn)本文提出了相應(yīng)的改進(jìn)算法。其流程如圖3所示。

圖3 改進(jìn)后的檢測(cè)流程

本文主要是針對(duì)紅外圖像弱小目標(biāo)所占像素少，缺少紋理信息等特點(diǎn)進(jìn)行改進(jìn)。在圖像預(yù)處理階段流程保持不變，在進(jìn)行模板卷積運(yùn)算時(shí)，主要改進(jìn)三個(gè)方面：1) 提出了適于弱小目標(biāo)背景提取的檢測(cè)模板；2) 將Sobel邊緣檢測(cè)的分割閾值進(jìn)行了范圍設(shè)定，不再是采用單一閾值進(jìn)行限制(閾值的選取主要是通過(guò)仿真實(shí)驗(yàn)測(cè)量得出，針對(duì)紅外弱小目標(biāo)的特點(diǎn)，閾值主要在1.1~2.9之間自適應(yīng)變化)；3) 再次進(jìn)行3′3的中值濾波，消除圖像作差產(chǎn)生的噪聲點(diǎn)。

改進(jìn)后的整體檢測(cè)算法步驟如下：

Step 1：將讀入的紅外圖像轉(zhuǎn)化為灰度圖像并進(jìn)行初次中值濾波；

因?yàn)橹兄禐V波是基于排序統(tǒng)計(jì)理論的一種能有效抑制噪聲的非線性信號(hào)處理技術(shù)，對(duì)于圖像中每個(gè)像素點(diǎn)都被噪聲干擾的情況，使用中值濾波的效果要遠(yuǎn)好于均值或其他形式的濾波。

Step 2：對(duì)圖像同時(shí)進(jìn)行改進(jìn)Sobel邊緣檢測(cè)和新模板檢測(cè)；

改進(jìn)Sobel邊緣檢測(cè)主要是將其檢測(cè)的分割閾值進(jìn)行了范圍設(shè)定，其優(yōu)點(diǎn)是：將邊緣信息有效的進(jìn)行篩選和提取，避免了單一閾值帶來(lái)的信息冗余。同時(shí)采用圖4中的新模板對(duì)二值化之后的圖像進(jìn)行檢測(cè)。

圖4 新檢測(cè)模板

新檢測(cè)模板內(nèi)部分割為9個(gè)單元，首先判斷“0”號(hào)單元像素值(即圖像每個(gè)像素灰度值)是否為目標(biāo)像素值，如果是則記為，然后計(jì)算其周圍“1~8”號(hào)單元的像素的和，如果，則將和像素設(shè)置為1，否則設(shè)置為0。如果“0”號(hào)單元像素值為背景像素值，則像素設(shè)置為0。這樣處理圖像之后，圖像保留了因噪聲或光照等原因所造成干擾的背景信息。

Step 3：將經(jīng)過(guò)不同模板處理的圖像進(jìn)行作差去除含噪背景信息；

經(jīng)過(guò)改進(jìn)Sobel邊緣檢測(cè)所提取的包含背景和目標(biāo)邊緣的信息，與新模板檢測(cè)的背景信息進(jìn)行圖像作差，可以很好的提取單純的目標(biāo)信息。

Step 4：再次進(jìn)行中值濾波，消除作差產(chǎn)生噪聲點(diǎn)，提取目標(biāo)點(diǎn)；

由于圖像作差，產(chǎn)生的新圖像中每個(gè)像素點(diǎn)受到不同程度的干擾，所以再次進(jìn)行中值濾波，對(duì)檢測(cè)結(jié)果進(jìn)行優(yōu)化，可以得到比較純凈的目標(biāo)點(diǎn)。

4 實(shí)驗(yàn)結(jié)果及分析

本文的仿真實(shí)驗(yàn)是基于硬件平臺(tái)32位操作系統(tǒng)的 Intel Core i5 CPU，8 GHz RAM計(jì)算機(jī)；軟件平臺(tái)是基于Windows 7操作系統(tǒng)和MATLAB R2011b，所處理的圖像是靶場(chǎng)實(shí)驗(yàn)下紅外系統(tǒng)觀測(cè)到飛機(jī)模型圖像。其大小為720′576。

4.1 本文算法檢測(cè)效果

經(jīng)過(guò)在Matlab環(huán)境下對(duì)改進(jìn)算法進(jìn)行仿真實(shí)驗(yàn)，得到了圖5的單幀紅外弱小目標(biāo)的檢測(cè)效果圖。其中圖5(a)表示原始紅外圖像，圖5(b)表示為單一分割閾值較小時(shí)經(jīng)Sobel算子處理圖像，圖5(c)表示為單一分割閾值較大時(shí)經(jīng)Sobel算子處理圖像，圖5(d)表示設(shè)定合理區(qū)間閾值時(shí)經(jīng)Sobel算子處理圖像，圖5(e)表示經(jīng)過(guò)新模板處理提取含有大量噪聲的背景信息，圖5(f)表示經(jīng)過(guò)改進(jìn)算法處理最終得到的目標(biāo)圖像，圖5(g)表示檢測(cè)到的目標(biāo)位置。

圖5 改進(jìn)算法的紅外圖像弱小目標(biāo)檢測(cè)

對(duì)比圖像可以發(fā)現(xiàn)，在圖5(a)未處理的原始圖像中很難發(fā)現(xiàn)目標(biāo)，只有當(dāng)序列圖像連續(xù)播放時(shí)才能觀測(cè)到目標(biāo)的具體位置，圖5(b)和圖5(c)是Sobel算子設(shè)定兩個(gè)大小不同閾值時(shí)的檢測(cè)圖像，通過(guò)對(duì)比可以發(fā)現(xiàn)閾值過(guò)大或過(guò)小檢測(cè)效果都不理想。圖5(d)是將閾值設(shè)定在一個(gè)區(qū)間范圍內(nèi)，這樣經(jīng)過(guò)處理之后的圖像在一定程度上避免了單一閾值引入過(guò)多噪聲或去除目標(biāo)信息等情況。經(jīng)過(guò)與改進(jìn)模板處理后的背景圖5(e)作差，最終可檢測(cè)到弱小目標(biāo)。圖5(f)表示經(jīng)過(guò)改進(jìn)算法處理后的二值化圖像中目標(biāo)位置，圖5(g)表示原始紅外圖像中目標(biāo)的最終檢測(cè)位置，由清晰的檢測(cè)效果驗(yàn)證了改進(jìn)算法的有效性。

圖6為本文改進(jìn)算法對(duì)三幅不同紅外弱小目標(biāo)圖像的檢測(cè)實(shí)驗(yàn)效果，其中6(a1)、6(a2)、6(a3)分別為三幅不同的原始紅外圖像，6(b1)、6(b2)、6(b3)為經(jīng)改進(jìn)算法處理后的對(duì)應(yīng)二值化圖像，6(c1)、6(c2)、6(c3)分別為改進(jìn)算法最終檢測(cè)出的目標(biāo)圖像。表1列出了圖6中三幅圖像的目標(biāo)位置坐標(biāo)和檢測(cè)耗時(shí)，其中檢測(cè)耗時(shí)為15次檢測(cè)耗時(shí)的平均值。同時(shí)針對(duì)本實(shí)驗(yàn)中紅外圖像弱小目標(biāo)預(yù)處理分割閾值也得到了一個(gè)比較合理的選取范圍。Sobel檢測(cè)中，分割下限的合理閾值區(qū)間是1~1.5，上限合理閾值區(qū)間是2~10。

表1 圖6中目標(biāo)的相關(guān)信息

圖6 改進(jìn)算法檢測(cè)實(shí)驗(yàn)效果

4.2 與其他方法的比較

為了進(jìn)一步衡量算法的檢測(cè)性能，將本文改進(jìn)的算法與基于中值濾波的檢測(cè)方法和基于Top-Hat變換的檢測(cè)方法以及基于局部均值等單幀檢測(cè)算法進(jìn)行了比較。檢測(cè)效果如圖7所示，實(shí)驗(yàn)中仍舊采用圖6中三幅原始紅外圖像。表2是對(duì)四種檢測(cè)算法相關(guān)檢測(cè)參數(shù)的統(tǒng)計(jì)，其中檢測(cè)耗時(shí)為10次測(cè)試的平均值。

表2 圖7中目標(biāo)的相關(guān)信息

圖7(a)為T(mén)op-Hat檢測(cè)算法對(duì)三幅對(duì)應(yīng)目標(biāo)的檢測(cè)效果，圖7(b)為質(zhì)心檢測(cè)對(duì)三幅對(duì)應(yīng)目標(biāo)的檢測(cè)效果，圖7(c)為基于局部均值法對(duì)三幅對(duì)應(yīng)目標(biāo)的檢測(cè)效果。結(jié)合表格對(duì)比觀察可以發(fā)現(xiàn)，Top-Hat算法檢測(cè)耗時(shí)相對(duì)較長(zhǎng)且精度很低，基本無(wú)法檢測(cè)出目標(biāo)準(zhǔn)確位置，并且很容易發(fā)生虛警情況，且在這種弱小目標(biāo)檢測(cè)條件下，無(wú)法通過(guò)閾值設(shè)定避免該類虛警；質(zhì)心檢測(cè)耗時(shí)最少，但是檢測(cè)精度較低，目標(biāo)位置也不夠精確；局部均值檢測(cè)算法，檢測(cè)位置相對(duì)精確，但是前提是不斷調(diào)整檢測(cè)算法的參數(shù)，尋找出最佳參數(shù)本次實(shí)驗(yàn)中的參數(shù)設(shè)定為=0.14，=0.034，檢測(cè)耗時(shí)也最長(zhǎng)，而本文的改進(jìn)算法可以很好的檢測(cè)出目標(biāo)的準(zhǔn)確位置且耗時(shí)相對(duì)適中。實(shí)驗(yàn)結(jié)果表明，本文的改進(jìn)算法在檢測(cè)性能上優(yōu)于質(zhì)心檢測(cè)算法和基于局部均值，基于Top-Hat等檢測(cè)算法。

圖7 目標(biāo)檢測(cè)性能對(duì)比實(shí)驗(yàn)效果

5 總 結(jié)

本文通過(guò)對(duì)基于Sobel算子算法的改進(jìn)，實(shí)現(xiàn)了紅外圖像弱小目標(biāo)檢測(cè)的問(wèn)題。并通過(guò)模擬仿真實(shí)驗(yàn)驗(yàn)證了改進(jìn)算法的可行性和有效性，一定程度上解決了簡(jiǎn)單背景條件下，目標(biāo)弱小到只呈現(xiàn)幾個(gè)或十幾個(gè)像素的特殊情況。能夠幫助更早地發(fā)現(xiàn)目標(biāo)，為接下來(lái)的跟蹤和空中防御提供更多的反應(yīng)時(shí)間。由于檢測(cè)過(guò)程中使用的模板較多并進(jìn)行了圖像作差等多種處理，所以在檢測(cè)實(shí)時(shí)性方面本文算法還可以進(jìn)一步提高。對(duì)于閾值的選取，本文也是基于大量的仿真實(shí)驗(yàn)測(cè)量得出，針對(duì)類似情況下的紅外弱小目標(biāo)檢測(cè)具有一定的參考性和實(shí)用性。當(dāng)然，在眾多的目標(biāo)檢測(cè)算法中，沒(méi)有一種算法是萬(wàn)能的，只有找到適合條件的檢測(cè)算法，才能夠得到更理想的效果。

[1] 王軍敏，卞和營(yíng). 基于直方圖調(diào)整和擊中擊不中變換的弱小目標(biāo)檢測(cè) [J]. 光電工程，2013，40(6)：26-30.

WANG Junmin，BIAN Heying. Dim small target detection based on histogram adjustment and hit-miss transform [J]. Opto-Electronic Engineering，2013，40(6)：26-30.

[2] Jean-Michel Missirian，Laurent Dueruet. IRST：a key system in modem warfare [J]. Proceedings of SPIE(S0277-786X)，1997，3061：554-565.

[3] 秦翰林，周慧鑫，劉群昌，等. 采用多尺度隱式馬爾可夫模型的紅外圖像背景抑制[J]. 光學(xué)精密工程，2011，19(8)：1950-1956.

QIN Hanlin，ZHOU Huixin，LIU Qunchang，Suppression of infrared image background by multiscale hidden Markov model [J]. Optics and Precision Engineering，2011，19(8)：1950-1956.

[4] 于強(qiáng)，黃樹(shù)彩，趙煒，等. 紅外弱小目標(biāo)檢測(cè)方法綜述[J]. 飛航導(dǎo)彈，2014(4)：77-80.

YU Qiang，HUANG Shucai，ZHAO Wei，Summmary of infrared dim small target detection methods [J]. Aerodynamic Missile，2014(4)：77-80.

[5] KIM Sungho，LEE Johyoung. Scale invariant small target detection by optimizing signal-to-clatter ratio in heterogeneous background for infrared search and track [J]. Pattern Recognition(S2005-4254)，2012，45(1)：393-406.

[6] 薛永宏，饒鵬，樊士偉，等. 基于生成 MRF 和局部統(tǒng)計(jì)特性的紅外弱小目標(biāo)檢測(cè)算法[J]．紅外與毫米波學(xué)報(bào)，2013，32(5)：431-436．

XUE Yonghong，RAO Peng，F(xiàn)AN Shiwei，Infrared dim small target detection algorithm based on generative Markov random field and local statistic characteristic [J]. Journal of Infrared and Millimeter Waves，2013，32(5)：431-436．

[7] 劉運(yùn)龍，薛雨麗，袁素真，等. 基于局部均值的紅外小目標(biāo)檢測(cè)算法[J]. 紅外與激光工程，2013，42(3)：814-822.

LIU Yunlong，XUE Yuli，YUAN Suzhen，Infrared small targets detection using local mean [J]. Infrared and Laser Engineering，2013，42(3)：814-822.

[8] CHEN C L P，LI Hong，WEI Yantao，. A local contrast method for small infrared target detection [J]. IEEE Transation on Geoscience and Remote Sensing(S0196-2892)，2014，52(1)：574-581．

[9] BAE T W，KIM B，ZHANG Fei，. Recursive multi-SEs NWTH method for small target detection in infrared images [J]. IEICE Electronics Express(S1349-2543)，2011，19(8)：1576-1582．

[10] 司馬端，龍?jiān)评?，安瑋，等. 基于顯著性與幀間差分的紅外弱小目標(biāo)檢測(cè)[J]. 航天電子對(duì)抗，2015，31(4)：32-35.

SI Maduan，LONG Yunli，AN Wei，Infrared small target detection based on saliency and frame-to –frame difference [J]. Aerospace Electronic Warfare，2015，31(4)：32-35.

[11] 王剛，陳永光，楊鎖昌，等. 采用圖像塊對(duì)比特性的紅外弱小目標(biāo)檢測(cè)[J]. 光學(xué)精密工程，2015，23(5)：1424-1433.

WANG Gang，CHEN Yongguang，YANG Suochang，. Detection of infrared dim small target based on image patch contrast [J]. Optics and Precision Engineering，2015，23(5)：1424-1433.

[12] 何春華，張雪飛，胡迎春. 基于改進(jìn)Sobel算子的邊緣檢測(cè)算法的研究[J]. 光學(xué)技術(shù)，2012，38(4)：323-326.

HE Chunhua，ZHANG Xuefei，HU Yingchun. A study on the improved algorithm for Sobel on image edge detection [J]. Optical Thchnique，2012，38(4)：323-326.

[13] 馬暉. 基于DS證據(jù)推理方法的圖像目標(biāo)識(shí)別[J]. 無(wú)線電通信技術(shù)，2013，39(1)：70-72.

MA Hui. Image target recognition based on DS evidential reasoning [J]. Radio Communications Technology，2013，39(1)：70-72.

[14] 李欣，趙亦工，郭偉. 基于復(fù)雜度的自適應(yīng)門(mén)限弱小目標(biāo)檢測(cè)方法[J]. 光子學(xué)報(bào)，2009，38(8)：2144-2149.

LI Xin，ZHAO Yigong，GUO Wei. Adaptive target detection method based on complexity threshold [J]. Acta Photonica Sinica，2009，38(8)：2144-2149.

[15] 沈玉，蘭瑞田. 噪聲圖像邊緣檢測(cè)中改進(jìn)Sobel算法的仿真實(shí)現(xiàn)[J]. 信息與信息處理，2014，44(8)：27-30.

SHEN Yu，LAN Ruitian. Simulation and implementation of an improved sobel algorithm of edge detection for noisy image [J]. Information and Information Processing，2014，44(8)：27-30.

Single Frame Infra-red (IR) Dim Small Target Detection Based on Improved Sobel Operator

MIAO Xiaokong，WANG Chunping

( Department of Electronic and Optic Engineering, Ordnance Engineering College, Shijiazhuang 050003, China )

Aiming at the problem of low detection precision and poor effect of single frame infrared dim target detection algorithm, a novel algorithm of single frame infrared small target detection based on improved Sobel is proposed. According to the characteristic of Sobel operator edge detection, firstly, the image median filtering can improve the dim small target signal-noise ratio, and then use the Sobel operator and the proposed detection template to deal with the image convolution, finally detect the infrared dim small target after median filtering. The effectiveness of the improved algorithm is analyzed theoretically and compared with the centroid detection algorithm and the detection algorithm based on local mean and Top-Hat. Experimental results show that the proposed algorithm is more accurate than other detection algorithms in the experiment, and the detection effect is more obvious.

Sobel operator; infra-red image; dim target; single frame detection

1003-501X(2016)12-0119-07

TP391.9

A

10.3969/j.issn.1003-501X.2016.12.019

2016-01-09；

2016-05-16

武器裝備軍內(nèi)科研項(xiàng)目(裝司[2014]551號(hào))

苗曉孔(1991-)，男(漢族)，河北石家莊人。碩士研究生，主要研究工作是信息處理理論與方法。E-mail:miao_xk@163.com。