基于形態(tài)學(xué)梯度的紅外目標(biāo)檢測(cè)

毋亞北，王衛(wèi)華,，吳巨紅,，陳曾平

(國(guó)防科學(xué)技術(shù)大學(xué) ATR國(guó)防重點(diǎn)實(shí)驗(yàn)室，長(zhǎng)沙 410073)

摘要：對(duì)于紅外跟蹤系統(tǒng)中的低空非合作運(yùn)動(dòng)目標(biāo)檢測(cè)問(wèn)題,，由于距離未知,，目標(biāo)可能表現(xiàn)為小目標(biāo)或者面目標(biāo)，另外,，紅外圖像中可能包含大量的地物背景,。針對(duì)以上問(wèn)題，本文提出了一種基于形態(tài)學(xué)梯度的目標(biāo)檢測(cè)算法,。此方法首先計(jì)算紅外圖像的形態(tài)學(xué)梯度,，進(jìn)而根據(jù)各種地物背景的形態(tài)學(xué)梯度特征提取天空區(qū)域，然后在此區(qū)域內(nèi)進(jìn)行目標(biāo)檢測(cè),，最后進(jìn)行目標(biāo)邊緣片段的合并,。該方法基于形態(tài)學(xué)梯度對(duì)于灰度變化的敏感性，使用形態(tài)學(xué)梯度來(lái)表征紅外目標(biāo)邊緣強(qiáng)度,，通過(guò)檢測(cè)目標(biāo)邊緣來(lái)達(dá)到檢測(cè)目標(biāo)的目的,。實(shí)驗(yàn)證明，本文方法能夠有效的檢測(cè)目標(biāo),，虛警較少,，且對(duì)小目標(biāo)和面目標(biāo)具有一定通用性。

關(guān)鍵詞：紅外目標(biāo)檢測(cè),；形態(tài)學(xué)梯度,；天空區(qū)域提取

0 引 言

紅外跟蹤系統(tǒng)的目的是實(shí)時(shí)地自動(dòng)檢測(cè)和跟蹤場(chǎng)景中可變數(shù)量的目標(biāo)，邊檢測(cè)邊跟蹤是一種流行的方法,，而紅外目標(biāo)檢測(cè)是其前提條件,。對(duì)于低空非合作運(yùn)動(dòng)目標(biāo),，其先驗(yàn)信息未知，當(dāng)目標(biāo)距離較遠(yuǎn)時(shí),，目標(biāo)的成像像素較少,，表現(xiàn)為小目標(biāo)；當(dāng)目標(biāo)距離較近時(shí),，目標(biāo)的成像像素?cái)?shù)目增加,，表現(xiàn)為面目標(biāo)。為了全程跟蹤目標(biāo),，紅外目標(biāo)檢測(cè)算法需要對(duì)面目標(biāo)和弱小目標(biāo)具有一定的通用性,。另外，對(duì)于低空非合作運(yùn)動(dòng)目標(biāo),，紅外序列的背景中常常包含部分地物背景,，因此要求檢測(cè)算法能夠在復(fù)雜的場(chǎng)景中檢測(cè)出目標(biāo)。

目前,，紅外目標(biāo)檢測(cè)方法主要分為基于單幀的檢測(cè)方法和基于多幀的檢測(cè)方法,。基于單幀的方法主要有形態(tài)學(xué)濾波(頂帽法),、中值濾波,、最小二乘估計(jì)等；基于多幀的方法主要有幀差法等,。大多方法都針對(duì)特定的應(yīng)用背景,，上述的單幀檢測(cè)方法主要針對(duì)小目標(biāo)進(jìn)行檢測(cè)，而幀差法需要對(duì)圖像進(jìn)行配準(zhǔn),，配準(zhǔn)的精度將影響檢測(cè)的效果,。

針對(duì)上述問(wèn)題，本文提出了一種基于形態(tài)學(xué)梯度的目標(biāo)檢測(cè)算法,。此方法首先計(jì)算紅外圖像的形態(tài)學(xué)梯度,，進(jìn)而根據(jù)各種背景的形態(tài)學(xué)梯度特征提取天空區(qū)域，然后在天空區(qū)域內(nèi)根據(jù)目標(biāo)的形態(tài)學(xué)梯度特征進(jìn)行目標(biāo)檢測(cè),。本文方法的創(chuàng)新之處在于使用形態(tài)學(xué)梯度來(lái)描述天空和地物區(qū)域,，有效的提取出了天空背景；使用形態(tài)學(xué)梯度作為特征對(duì)目標(biāo)進(jìn)行描述,，有效的分割出目標(biāo),。

1 基于形態(tài)學(xué)梯度的目標(biāo)檢測(cè)算法

1.1 天空區(qū)域提取

低空紅外圖像中常常包含部分的地物背景，這大大增加了背景的復(fù)雜程度,。一般情況下,，天空背景下的目標(biāo)檢測(cè)相對(duì)容易一些，如果能將天空背景提取出來(lái),，然后再進(jìn)行目標(biāo)檢測(cè),，這將大大減小目標(biāo)檢測(cè)的難度,。本文的思路就是通過(guò)計(jì)算紅外圖像的形態(tài)學(xué)梯度來(lái)提取天空區(qū)域，然后再進(jìn)行目標(biāo)檢測(cè),。

鄭成川伸手?jǐn)r住一位準(zhǔn)備上前的黑旗會(huì)灰衣殺手迎向武成龍,，話(huà)也不說(shuō)雙手就指天畫(huà)地，緊接著右手掌向前一翻,，因?yàn)樗擅两襁€沒(méi)有人敢公然在他面前蔑視地勾動(dòng)食指。一股旋轉(zhuǎn)的勁氣向武成龍沖擊的同時(shí)鄭成川左手幻動(dòng),，五縷指風(fēng)在嘯聲中勁射,。人隨掌進(jìn)，一擊必殺,！

灰度圖像形態(tài)學(xué)梯度定義為

阿東說(shuō)：“你看,，姆媽閉著眼睛，睡得蠻好,。我們讓姆媽睡一下,。姆媽休息好了，才會(huì)喜歡你,。你說(shuō)了要聽(tīng)我的話(huà),，是不是？”

其中：b為結(jié)構(gòu)元素,。通常使用平坦的結(jié)構(gòu)元素,，此時(shí)，灰度圖像的形態(tài)學(xué)梯度就是鄰域內(nèi)灰度的最大值減去最小值,，即鄰域內(nèi)灰度的最大變化,，因此，形態(tài)學(xué)梯度對(duì)灰度的變化比較敏感,。

由于天空背景對(duì)應(yīng)大面積的灰度緩變區(qū)域,，其形態(tài)學(xué)梯度值較小，本文使用高斯分布模型描述天空區(qū)域的形態(tài)學(xué)梯度分布,。在天空與地物背景的邊緣處,，形態(tài)學(xué)梯度值較大。利用天空區(qū)域形態(tài)學(xué)梯度較小的特點(diǎn),，對(duì)于第t幀紅外圖像的形態(tài)學(xué)梯度圖像,，首先將小于門(mén)限Tt(門(mén)限選擇方法見(jiàn)下文)的區(qū)域分割出來(lái)，如圖1中(c)所示,，圖中的黑色部分對(duì)應(yīng)天空與地物背景的邊緣和灰度變化較大的部分,。可見(jiàn),，天空與地物背景的邊緣并不是連通的邊緣,，邊緣之間存在細(xì)小的間隙,，導(dǎo)致天空區(qū)域與部分地物背景區(qū)域連通了起來(lái)。我們使用形態(tài)學(xué)開(kāi)運(yùn)算去除不能包含結(jié)構(gòu)元素的區(qū)域,，斷開(kāi)天空與地物背景之間的連接,，結(jié)果如圖1中(d)所示。此時(shí)邊緣之間的間隙被填充,，邊緣得到連接,，天空區(qū)域和背景區(qū)域被邊緣分割開(kāi)來(lái)，根據(jù)天空區(qū)域面積較大的特點(diǎn),，提取面積最大的區(qū)域就得到了天空區(qū)域,。在目標(biāo)的邊緣和背景起伏較大的地方形態(tài)學(xué)梯度較大，導(dǎo)致天空區(qū)域出現(xiàn)孔洞,，經(jīng)過(guò)孔洞的填充,，我們獲得了完整的天空區(qū)域，如圖1中(e)所示,。在原圖中對(duì)以上提取的天空區(qū)域進(jìn)行標(biāo)記的結(jié)果如圖1中(f)所示,，可見(jiàn)，經(jīng)過(guò)上述方法,，能夠有效的提取出天空區(qū)域,。

圖1 天空區(qū)域的提取
Fig.1 Sky area extraction

上述方法的關(guān)鍵在于分割門(mén)限的選擇。假設(shè)第t-1幀紅外圖像中天空區(qū)域形態(tài)學(xué)梯度分布的均值為標(biāo)準(zhǔn)差為σt-1,，則第t幀紅外圖像的形態(tài)學(xué)梯度圖像分割門(mén)限Tt計(jì)算方法如下：

n1一般取值為2,，由于本文針對(duì)簡(jiǎn)單的天空背景，因此此門(mén)限可以分割出大部分的天空區(qū)域,。獲取初始均值μ0,，標(biāo)準(zhǔn)差σ0的方法為：在目標(biāo)檢測(cè)之前，使用系統(tǒng)獲得純天空背景的圖像,，進(jìn)而獲得其形態(tài)學(xué)梯度分布的均值和標(biāo)準(zhǔn)差,。經(jīng)過(guò)天空區(qū)域提取，可以獲得第t幀天空區(qū)域的形態(tài)學(xué)梯度分布參數(shù)μ,，σ,。由于天空區(qū)域的提取可能出現(xiàn)錯(cuò)誤，我們使用如下公式計(jì)算當(dāng)前幀天空區(qū)域形態(tài)學(xué)梯度分布參數(shù)：

這樣參數(shù)就能自適應(yīng)的進(jìn)行調(diào)整,，與實(shí)際情況相符合,，并能夠減小天空區(qū)域提取的影響，由于實(shí)測(cè)數(shù)據(jù)中天空區(qū)域參數(shù)變化緩慢,，因此文中取α=0.1,。

1.2 基于形態(tài)學(xué)梯度的目標(biāo)檢測(cè)

經(jīng)過(guò)天空區(qū)域的提取，目標(biāo)檢測(cè)問(wèn)題得到了簡(jiǎn)化，現(xiàn)在我們僅僅考慮如何在天空區(qū)域檢測(cè)目標(biāo)的問(wèn)題,。為了尋找一種能夠檢測(cè)小目標(biāo)和面目標(biāo)的方法,，需要使用其共有的特征，邊緣就是這樣一種特征,。描述邊緣強(qiáng)度一般使用梯度,，然而，紅外圖像具有邊緣模糊,，邊緣灰度變化緩慢的特點(diǎn),，針對(duì)此問(wèn)題，本文使用形態(tài)學(xué)梯度來(lái)描述紅外目標(biāo)邊緣的強(qiáng)度,，通過(guò)計(jì)算形態(tài)學(xué)梯度進(jìn)行背景抑制和目標(biāo)邊緣增強(qiáng),，然后通過(guò)檢測(cè)目標(biāo)的邊緣進(jìn)行目標(biāo)檢測(cè)。

對(duì)于弱小目標(biāo)信號(hào),，常用的背景抑制方法是頂帽法，假設(shè)使用的結(jié)構(gòu)元素大小為a×a,，僅當(dāng)結(jié)構(gòu)元素的面積比目標(biāo)的面積大時(shí),，背景抑制后能夠保持目標(biāo)的強(qiáng)度。形態(tài)學(xué)梯度定義為鄰域內(nèi)灰度的最大變化,，因此,，使用大小為(a/2)×(a/2)的結(jié)構(gòu)元素就可以達(dá)到此效果，如圖2中(a)所示,，計(jì)算形態(tài)學(xué)梯度使用的模板大小為頂帽法的1/2,。對(duì)于面目標(biāo)的檢測(cè)，頂帽變換就不再適用,，而通過(guò)計(jì)算形態(tài)學(xué)梯度,，面目標(biāo)的邊緣同樣得到增強(qiáng)，如圖2中(b)所示,。因此,，通過(guò)使用大小為a×a的結(jié)構(gòu)元素計(jì)算形態(tài)學(xué)梯度，可以保持面積小于2a×2a的目標(biāo)的強(qiáng)度,，增強(qiáng)面積大于2a×2a的目標(biāo)的邊緣,，即能夠增強(qiáng)小目標(biāo)和面目標(biāo)的特征，同時(shí),，由于天空區(qū)域變化比較緩慢,，因此其形態(tài)學(xué)梯度也較小，計(jì)算形態(tài)學(xué)梯度相當(dāng)于對(duì)背景進(jìn)行了抑制,。此方法相當(dāng)于對(duì)頂帽法進(jìn)行擴(kuò)展,，使其能夠用于面目標(biāo)檢測(cè)。

圖2 形態(tài)學(xué)梯Top-hat
Fig.2 Morph-grad & Top-hat

通過(guò)計(jì)算形態(tài)學(xué)梯度,，目標(biāo)的特征得到增強(qiáng),，天空背景得到抑制,，此時(shí)圖像只剩下雜波和目標(biāo)。通常假定雜波服從高斯分布,，此時(shí)提取雜波的均值u和標(biāo)準(zhǔn)差σ,，通常使用式(4)計(jì)算檢測(cè)門(mén)限。

有效的預(yù)算審批制度應(yīng)該包括以下幾個(gè)方面：①全面預(yù)算管理,。企業(yè)所有的項(xiàng)目在開(kāi)發(fā)之前必須做好預(yù)算工作,，再據(jù)此確定收入和支出，這樣可以使企業(yè)的效益成本規(guī)范化,。②預(yù)算分離,。企業(yè)應(yīng)該做到預(yù)算層層分離。例如母子公司分離,，各個(gè)子公司之間分離,，同一個(gè)公司的日常項(xiàng)目與專(zhuān)項(xiàng)項(xiàng)目分離。這樣可以合理控制經(jīng)費(fèi)支出,，降低企業(yè)的運(yùn)營(yíng)成本,。③規(guī)范審批制度。完整嚴(yán)格的審批制度是財(cái)務(wù)預(yù)算的前提,，企業(yè)必須堅(jiān)持“先請(qǐng)示,，再審批”，嚴(yán)禁“先斬后奏”,、“斬而不奏”的現(xiàn)象,。④預(yù)算考核。企業(yè)應(yīng)該加大預(yù)算考核力度,，并且將其列入年度各部門(mén)考核的指標(biāo)中,，這樣可以達(dá)到優(yōu)化成本的目地[4]。

其中：n2一般取值為3～6,，并且要求T＞Tt ,。

不動(dòng)產(chǎn)統(tǒng)一登記制度作為一項(xiàng)基礎(chǔ)性的制度，對(duì)提高政府治理效率,，方便企業(yè),、方便群眾等都具有重要意義，而不動(dòng)產(chǎn)統(tǒng)一登記基礎(chǔ)數(shù)據(jù)則是不動(dòng)產(chǎn)統(tǒng)一登記制度的基石,。因此,，通過(guò)對(duì)湖南省全省的不動(dòng)產(chǎn)數(shù)字線(xiàn)劃圖成果的質(zhì)量檢查驗(yàn)收情況，分析在質(zhì)檢過(guò)程中發(fā)現(xiàn)的普遍性問(wèn)題,，總結(jié)出生產(chǎn)中影響成果質(zhì)量的關(guān)鍵節(jié)點(diǎn)和薄弱環(huán)節(jié),，為今后類(lèi)似生產(chǎn)模式的數(shù)據(jù)質(zhì)檢工作提供參考，對(duì)生產(chǎn)和質(zhì)檢工作效率、準(zhǔn)確率的提高具有很好的指導(dǎo)意義,。

1.3 目標(biāo)檢測(cè)系統(tǒng)的實(shí)現(xiàn)

經(jīng)過(guò)天空區(qū)域的提取和目標(biāo)檢測(cè),，可以獲得可能的目標(biāo)區(qū)域。實(shí)際上,，在分割結(jié)果中同一目標(biāo)常常表現(xiàn)為距離較近的多個(gè)連通分量,，因此有必要進(jìn)一步處理分割結(jié)果。文中將檢測(cè)結(jié)果中質(zhì)心距離小于一定值連通分量進(jìn)行合并,，然后提取可能目標(biāo)的長(zhǎng)寬比和大小等特征,，使用這些特征進(jìn)行虛警的剔除。因此,，文中所述的目標(biāo)檢測(cè)流程如圖3所示,。

圖3 算法流程
Fig.3 Flow of algorithm

2 實(shí)驗(yàn)及分析

幀差法是常用的目標(biāo)檢測(cè)方法，可適用于面目標(biāo)和小目標(biāo),，因此文中采用幀差法作為對(duì)比,。文中使用三組紅外序列對(duì)上述方法進(jìn)行檢驗(yàn)，檢測(cè)結(jié)果如圖4所示,，每一列對(duì)應(yīng)一種場(chǎng)景,，第一列的場(chǎng)景包含樹(shù)木和一個(gè)小目標(biāo)，第二列的場(chǎng)景包含建筑和兩個(gè)目標(biāo),，第三列的場(chǎng)景包含一個(gè)面目標(biāo),，第一行對(duì)應(yīng)本文形態(tài)學(xué)梯度法的檢測(cè)結(jié)果,，第二行為幀差法的檢測(cè)結(jié)果,。每組序列包含100幀圖像，圖像大小為560×680,，幀頻為25幀/秒,。

圖4 實(shí)驗(yàn)結(jié)果
Fig.4 Experiment result

為了對(duì)比兩種方法的檢測(cè)性能，兩種方法使用的檢測(cè)門(mén)限都為20,，選取較高的門(mén)限是為了保持較低的虛警概率,。形態(tài)學(xué)梯度法使用的結(jié)構(gòu)元素大小為5×5。幀差法使用塊匹配法進(jìn)行配準(zhǔn),，對(duì)相鄰兩幀進(jìn)行差分,。可以看出：兩種方法都能夠檢測(cè)到空中飛機(jī)目標(biāo),，但是幀差法包含的虛警數(shù)目明顯多于本文方法,，這可能是因?yàn)閳D像配準(zhǔn)的緣故。對(duì)于前兩種場(chǎng)景,，從檢測(cè)結(jié)果中可以看出,，兩種方法都能檢測(cè)到目標(biāo)，但是幀差法包含更多的虛警。對(duì)于面目標(biāo)場(chǎng)景,，兩種方法都能夠有效檢測(cè)出目標(biāo),，但是本文方法提取的目標(biāo)區(qū)域更精確。表1統(tǒng)計(jì)了針對(duì)前兩種場(chǎng)景,，兩種方法的檢測(cè)概率,。由表可知，本文方法在兩種場(chǎng)景下檢測(cè)性能都比較好,，而幀差法在兩種場(chǎng)景下檢測(cè)性能變化很大,，因此，本文方法的穩(wěn)定性較好,。檢測(cè)概率Pd的計(jì)算公式如下：

目前,，國(guó)內(nèi)已經(jīng)開(kāi)展了對(duì)于降粘型減水劑的研究，[2,3]但相關(guān)報(bào)道還較少,，增大用水量和選用優(yōu)質(zhì)的超細(xì)粉料優(yōu)化顆粒是降粘現(xiàn)采用的主要方法,。[4]然而，以上方法還存在很多弊端,，如增大用水量容易出現(xiàn)泌水抓底,、且降低混凝土的強(qiáng)度；而采用優(yōu)質(zhì)的超細(xì)粉料,、優(yōu)化顆粒級(jí)配則大大增加了成本,，未從根本上解決問(wèn)題，因此,，具有降粘功能的減水劑的開(kāi)發(fā)有廣闊前景,。

“兩票制”執(zhí)行后，公立醫(yī)療機(jī)構(gòu)在藥品驗(yàn)收入庫(kù)時(shí),，必須驗(yàn)明票,、貨、賬三者一致方可入庫(kù),、使用[2],。部分企業(yè)經(jīng)營(yíng)場(chǎng)所與倉(cāng)庫(kù)不在同一地址，特別是異地設(shè)倉(cāng)的企業(yè),，發(fā)貨與開(kāi)票難以同步,，銷(xiāo)售發(fā)票隨貨同行仍然存在一定的困難，進(jìn)而影響到企業(yè)銷(xiāo)售出庫(kù)的效率,。

其中：Ftar為包含目標(biāo)的幀數(shù),，F(xiàn)det為正確檢測(cè)出目標(biāo)的幀數(shù)。

表1 本文方法與幀差法的對(duì)比
Table 1 Comparison of my method with frame difference method

Ir sequence Method Pd Sequence 1 Frame difference 82% My methold 94% My method 93% Sequence 2 Frame difference 96%

綜上所述,，對(duì)于包含復(fù)雜地物背景的紅外序列,，本文的方法能夠有效的檢測(cè)目標(biāo),，包含的虛警明顯少于幀差法，且對(duì)不同的場(chǎng)景具有一定的魯棒性,。

3 結(jié) 論

針對(duì)低空非合作紅外運(yùn)動(dòng)目標(biāo)的檢測(cè)問(wèn)題,，本文提出了一種基于形態(tài)學(xué)梯度的紅外目標(biāo)檢測(cè)方法。此方法首先計(jì)算紅外圖像的形態(tài)學(xué)梯度,，進(jìn)而根據(jù)各種背景的形態(tài)學(xué)梯度特征提取天空區(qū)域,，然后在天空區(qū)域內(nèi)根據(jù)目標(biāo)的形態(tài)學(xué)梯度特征進(jìn)行目標(biāo)檢測(cè)，最后進(jìn)行邊緣片段的合并,。該方法基于形態(tài)學(xué)梯度對(duì)于灰度變化的敏感性,，使用形態(tài)學(xué)梯度來(lái)表征紅外目標(biāo)邊緣強(qiáng)度，通過(guò)計(jì)算紅外圖像的形態(tài)學(xué)梯度進(jìn)行目標(biāo)特征的增強(qiáng)和起伏背景的抑制,，通過(guò)檢測(cè)目標(biāo)的邊緣來(lái)達(dá)到檢測(cè)目標(biāo)的目的,。實(shí)測(cè)數(shù)據(jù)表明，本文的方法在包含復(fù)雜地物背景的紅外圖像中能夠有效地檢測(cè)目標(biāo),，虛警較少,，對(duì)不同的場(chǎng)景具有一定的魯棒性。

參考文獻(xiàn)：

[1] 秦劍,，陳錢(qián),，錢(qián)惟賢. 基于北景分類(lèi)的弱小目標(biāo)檢測(cè)方法 [J]. 光電工程，2011,，38(1)：23-33.

QIN Jian,，CHEN Qian，QIAN Wei-xian. A Detection Algorithm for Dim and Small Infrared Target Based on the Classification of the Background [J]. Opto-Electronic Engineering,，2011,，38(1)：23-33.

[2] 康令州，陳福深,，王德勝. 基于形態(tài)學(xué)算法的紅外圖像小目標(biāo)檢測(cè)方法研究 [J]. 光電工程,，2010,，37(11)：26-31.

KANG Ling-zhou,，CHEN Fu-shen，WANG De-sheng. Detection Method for Infrared Small Target Based on Mathematical Morphology [J]. Opto-Electronic Engineering,，2010,，37(11)：26-31.

[3] Breitenstein M D，Reichlin F,，Leibe B,，et al. Online Multiperson Tracking-by-Detection from a Single，Uncalibrated Camera [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence(S0162-8828),，2011,，33(9)：1820-1833.

[4] Tzannes A P,，Brooks D H. Detecting Small Moving Objects Using Temporal Hypothesis Testing [J]. IEEE Transactions on Aerospace and Electronic Systems(S0018-9251)，2002,，38(2)：570-586.

[5] 曹素平,，李俊山,，夏軍. 紅外運(yùn)動(dòng)小目標(biāo)檢測(cè)算法研究 [J]. 系統(tǒng)仿真學(xué)報(bào),，2006，18(2)：747-749.

CAO Su-ping,，LI Jun-shan,，XIA Jun. Reserch of Small Moving Infrared Target Indentification Algorithm [J]. Journal of System Simulation，2006,，18(2)：747-749.

[6] 劉靳，姬紅兵. 基于非平穩(wěn)背景下的小目標(biāo)檢測(cè) [J]. 電子與信息學(xué)報(bào),，2010,，32(6)：1295-1300.

LIU Jin，JI Hong-bing. IR Small Targets Detection Based on Non-homogeneous Background [J]. Journal of Electronics & Information Technology,，2010,，32(6)：1295-1300.

[7] 管志強(qiáng). 紅外搜索系統(tǒng)中目標(biāo)探測(cè)與識(shí)別技術(shù)研究 [D]. 南京：南京理工大學(xué)，2009：7-9.

GUAN Zhi-qiang. Target detection and identification technology in infrared search system [D]. Nanjing：Nanjing University of Science and Technology,，2009：7-9.

[8] 蘇新主,，姬紅兵. 一種基于數(shù)學(xué)形態(tài)學(xué)的紅外弱小目標(biāo)檢測(cè)方法 [J]. 紅外與激光工程，2004,，33(3)：307-310.

SU Xin-zhu，JI Hong-bing. Detection method for dim small Ir targets based on mathematical morphology [J]. Infrared and Laser Engineering,，2004,，33(3)：307-310.

IR Target Detection Based on Morphological Gradient

WU Ya-bei,，WANG Wei-hua，WU Ju-hong,，CHEN Zeng-ping
( ATR Lab, National University of Defence Technology, Changsha 410073, China )

Abstract: We address the problem of detecting targets with different areas in air background，which will be very complex when containing part of ground. A target detection approach based on morphological gradient is proposed. Firstly, morphological gradient of the IR frame is computed. Then the air region is gotten based on the morphological gradient. At last, targets in the air region are detected and labeled. Because morphological gradient is sensitive to the slow changing grayscale on IR targets’ boundaries, morphological gradient is used to strengthen targets’ boundaries and detect targets by detecting the boundaries. Our experiments show that the method yields good detecting performance and is suitable for detecting targets with different areas.

Key words: IR target detection; morphological gradient; sky area extraction

中圖分類(lèi)號(hào)：TN391.41;TN219

文獻(xiàn)標(biāo)志碼：A

doi：10.3969/j.issn.1003-501X.2012.09.013

文章編號(hào)：1003-501X(2012)09-0081-05

收稿日期：2012-04-02,；

收到修改稿日期：2012-06-05

作者簡(jiǎn)介：毋亞北(1989-)，男(漢族),，河南靈寶人。碩士研究生,，主要研究工作是信號(hào)獲取、處理與電路實(shí)現(xiàn),。