CN107392095A - 一种基于掩码图像的红外弱小目标检测算法 - Google Patents
一种基于掩码图像的红外弱小目标检测算法 Download PDFInfo
- Publication number
- CN107392095A CN107392095A CN201710452091.6A CN201710452091A CN107392095A CN 107392095 A CN107392095 A CN 107392095A CN 201710452091 A CN201710452091 A CN 201710452091A CN 107392095 A CN107392095 A CN 107392095A
- Authority
- CN
- China
- Prior art keywords
- image
- mask
- mask image
- pixel
- small
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于掩码图像的红外弱小目标检测算法,其特征在于,包括以下步骤:(1)输入原红外图像;(2)计算原红外图像的掩码图像;(3)结合掩码图像对原红外图像进行滤波处理,得到背景图像;(4)计算含有点目标的残差图像;(5)滤除残差图像的噪声,完成对点目标的检测。本发明的基于掩码图像的红外弱小目标检测算法在复杂背景下,尤其是图像中含有大片和目标亮度相近的区域时,其对背景噪声的抑制效果更好,红外背景图像的估计更为准确,并具有较高的检测概率和比较低的虚警率,能够更加有效的实现红外弱小目标的检测。
Description
技术领域
本发明涉及红外图像处理技术领域,具体涉及一种基于掩码图像的红外弱小目标检测算法。
背景技术
近年来,红外热成像技术迅速发展,基于红外图像检测的产品应用也越来越多。在复杂背景环境下,红外背景图像中可能含有亮的云团、建筑物和大片的树木,这些亮度往往大于或与目标接近,这对目标检测带来很大的干扰。同时红外制导中的目标一般只有几个像素,缺乏目标的纹理、尺寸以及结构信息可资利用,再加上环境等因素的影响,都有可能随时使弱小的目标信息淹没在噪声中,从而给红外弱小目标的检测带来了很大的困难。针对弱小目标检测,现有的滤波算法如中值滤波、形态学滤波,一般在抑制背景的同时,造成背景高频点的泄露。为避免高灰度量级的背景对目标检测造成影响,当对背景进行抑制时,需尽量保持这些背景区域不变,即不需对其进行背景预测,直接判断为背景。而一般的滤波方法是对整幅图进行滤波处理,不可避免的影响了这些背景区域,降低了弱小目标检测的准确性和可靠性。因此,在复杂背景下,如何提高弱小目标检测的准确性和可靠性是国内外普遍关注与重点研究的课题之一。
发明内容
本发明的目的在于克服目前在复杂背景下,对弱小目标检测的准确性和可靠性低的缺陷,提供一种基于掩码图像的红外弱小目标检测算法。
本发明的目的通过下述技术方案现实:一种基于掩码图像的红外弱小目标检测算法,包括以下步骤:
(1)输入原红外图像;
(2)计算原红外图像的掩码图像;
(3)结合掩码图像对原红外图像进行滤波处理,得到背景图像;
(4)计算含有点目标的残差图像;
(5)滤除残差图像的噪声,完成对点目标的检测。
进一步的,所述步骤(2)中计算原红外图像的掩码图像包括以下步骤:
①在原红外图像中选取目标区域A;
②计算目标区域A的掩码图像,其计算公式为:
其中,Mask(i,j)为掩码图像座标为(i,j)的像素,f(i,j)为原红外图像座标为(i,j)的像素,N×N为掩码图像的大小,α为阈值;阈值α=σf·SNR,σf=std(A)为灰度标准差,SNR为信噪比;通过恒虚警概率来计算信噪比SNR,计算公式为其中Pf为给定的恒虚警概率,
所述步骤(3)中结合掩码图像采用形态学开运算对原红外图像进行滤波处理,得到背景图像;形态学开运算的表达式为:
其中,f(x,y)为原红外图像座标为(x,y)的像素,Mask(x,y)为掩码图像座标为(x,y)的像素,B(x,y)为背景图像座标为(x,y)的像素,b为形态学滤波的结构体。
所述步骤(4)中采用原红外图像减去背景图像得到含有点目标的残差图像,计算公式为:G(x,y)=f(x,y)-B(x,y),G(x,y)为残差图像座标为(x,y)的像素。
所述步骤(5)中采用自适应阈值分割处理对残差图像的噪声进行滤除,从而完成对点目标的检测,自适应阈值分割处理的表达式为:其中,R(i,j)为自适应阈值分割处理后图像的座标为(i,j)的像素,T为分割阈值,G(i,j)为残差图像座标为(i,j)的像素。
所述自适应阈值的计算公式为:T=m+kσ,其中,
m为局部区域的均值,σ为局部区域标准差,T为分割阈值,k为常系数,N1和N2分别表示子图像区域的大小。
本发明与现有技术相比具有以下优点及有益效果:
(1)本发明的基于掩码图像的红外弱小目标检测算法在复杂背景下,尤其是图像中含有大片和目标亮度相近的区域时,其对背景噪声的抑制效果更好,红外背景图像的估计更为准确,并具有较高的检测概率和比较低的虚警率,能够更加有效的实现红外弱小目标的检测。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合实施例对本发明作进一步地详细说明,但本发明的实施方式并不限于此。
实施例
如图1所示,本发明公开的基于掩码图像的红外弱小目标检测算法,包括以下步骤:
(1)输入原红外图像。
(2)计算原红外图像的掩码图像;其具体步骤为:
①在原红外图像中选取目标区域A;
②计算目标区域A的掩码图像,其计算公式为:
其中,Mask(i,j)为掩码图像座标为(i,j)的像素,f(i,j)为原红外图像座标为(i,j)的像素,N×N为掩码图像的大小,α为阈值;阈值α=σf·SNR,σf=std(A)为灰度标准差,SNR是信噪比。通过恒虚警概率来计算信噪比SNR,计算公式为其中Pf为根据经验给定的恒虚警概率,通常为Pf=0.001;当掩码图像中某个像素为1时,表示此像素可能含有点目标,此时需要对此像素进行滤波处理;当掩码图像中某个像素为0时,表示此像素是背景元素,不需要进行滤波。
(3)结合掩码图像采用形态学开运算对原红外图像进行滤波处理,得到背景图像;形态学开运算的表达式为:
其中,f(x,y)为原红外图像座标为(x,y)的像素,Mask(x,y)为掩码图像座标为(x,y)的像素,B(x,y)为背景图像座标为(x,y)的像素,b为形态学滤波的结构体。为了提高形态学的处理速度,分别进行水平方向和垂直方向上的线结构体的滤波运算,从而提高算法的运行效率。
(4)计算含有点目标的残差图像,其计算方法为:采用原红外图像减去背景图像得到含有点目标的残差图像,计算公式为:G(x,y)=f(x,y)-B(x,y),G(x,y)为残差图像座标为(x,y)的像素。
(5)采用自适应阈值分割处理,滤除残差图像的噪声,完成对点目标的检测。具体的,原红外图像经过滤波处理后,红外起伏背景得到了有效的抑制,残差图像中只剩下需检测的点目标和少量的噪点,通过选取合适的阈值,滤除部分噪声,实现点目标的进一步提取;自适应阈值分割处理的其表达式为:其中,R(i,j)为阈值处理后座标为(i,j)的图像像素,T为分割阈值;经过阈值处理后,R(i,j)为255时表示R(i,j)为检测的点目标。
具体的,对于复杂背景下的红外图像来说,背景往往起伏变化比较大,有可能出现灰度突变等情况,如果只用一个固定的分割阈值对整幅图像做分割处理,显然不够合理。这就需要采用自适应阈值对图像做分割处理,自适应阈值分割是指先将原始图像分割为几个子图像区域,然后求出每一个子图像的最优分割阈值。所述自适应阈值的计算公式为:T=m+kσ,其中,m为局部区域的均值,σ为局部区域标准差,T为分割阈值,k为常系数,N1和N2分别表示子图像区域的大小。为了获得尽可能高的检测概率和尽量低的恒虚警概率,本实施例中的k近似为图像的信噪比。
如上所述,便可很好的实现本发明。
Claims (6)
1.一种基于掩码图像的红外弱小目标检测算法,其特征在于,包括以下步骤:
(1)输入原红外图像;
(2)计算原红外图像的掩码图像;
(3)结合掩码图像对原红外图像进行滤波处理,得到背景图像;
(4)计算含有点目标的残差图像;
(5)滤除残差图像的噪声,完成对点目标的检测。
2.根据权利要求1所述的一种基于掩码图像的红外弱小目标检测算法,其特征在于,所述步骤(2)中计算原红外图像的掩码图像包括以下步骤:
①在原红外图像中选取目标区域A;
②计算目标区域A的掩码图像,其计算公式为:
其中,Mask(i,j)为掩码图像座标为(i,j)的像素,f(i,j)为原红外图像座标为(i,j)的像素,N×N为掩码图像的大小,α为阈值;阈值α=σf·SNR,σf=std(A)为灰度标准差,SNR为信噪比;通过恒虚警概率来计算信噪比SNR,计算公式为其中Pf为给定的恒虚警概率,
3.根据权利要求2所述的一种基于掩码图像的红外弱小目标检测算法,其特征在于,所述步骤(3)中结合掩码图像采用形态学开运算对原红外图像进行滤波处理,得到背景图像;形态学开运算的表达式为:
其中,f(x,y)为原红外图像座标为(x,y)的像素,Mask(x,y)为掩码图像座标为(x,y)的像素,B(x,y)为背景图像座标为(x,y)的像素,b为形态学滤波的结构体。
4.根据权利要求3所述的一种基于掩码图像的红外弱小目标检测算法,其特征在于,所述步骤(4)中采用原红外图像减去背景图像得到含有点目标的残差图像,计算公式为:G(x,y)=f(x,y)-B(x,y),G(x,y)为残差图像座标为(x,y)的像素。
5.根据权利要求4所述的一种基于掩码图像的红外弱小目标检测算法,其特征在于,所述步骤(5)中采用自适应阈值分割处理对残差图像的噪声进行滤除,从而完成对点目标的检测,自适应阈值分割处理的表达式为:其中,R(i,j)为自适应阈值分割处理后图像的座标为(i,j)的像素,T为分割阈值,G(i,j)为残差图像座标为(i,j)的像素。
6.根据权利要求5所述的一种基于掩码图像的红外弱小目标检测算法,其特征在于,所述自适应阈值的计算公式为:T=m+kσ,其中,
m为局部区域的均值,σ为局部区域标准差,T为分割阈值,k为常系数,N1和N2分别表示子图像区域的大小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710452091.6A CN107392095A (zh) | 2017-06-15 | 2017-06-15 | 一种基于掩码图像的红外弱小目标检测算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710452091.6A CN107392095A (zh) | 2017-06-15 | 2017-06-15 | 一种基于掩码图像的红外弱小目标检测算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107392095A true CN107392095A (zh) | 2017-11-24 |
Family
ID=60332969
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710452091.6A Pending CN107392095A (zh) | 2017-06-15 | 2017-06-15 | 一种基于掩码图像的红外弱小目标检测算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107392095A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171168A (zh) * | 2017-12-28 | 2018-06-15 | 浙江大学 | 弱小目标变动智能图像检测方法及装置 |
CN112329764A (zh) * | 2020-09-28 | 2021-02-05 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于tv-l1模型的红外弱小目标检测方法 |
CN112541486A (zh) * | 2020-12-31 | 2021-03-23 | 洛阳伟信电子科技有限公司 | 基于改进Pixel分割的红外弱小目标检测算法 |
CN112733589A (zh) * | 2020-10-29 | 2021-04-30 | 广西科技大学 | 一种基于深度学习的红外图像行人检测方法 |
CN112802020A (zh) * | 2021-04-06 | 2021-05-14 | 中国空气动力研究与发展中心计算空气动力研究所 | 基于图像修补和背景估计的红外弱小目标检测方法 |
CN113349810A (zh) * | 2021-05-27 | 2021-09-07 | 北京安德医智科技有限公司 | 脑出血病灶识别及血肿扩大预测方法及装置 |
CN113435435A (zh) * | 2021-06-01 | 2021-09-24 | 华中科技大学 | 一种红外图像弱小目标检测方法和*** |
CN114648547A (zh) * | 2022-03-09 | 2022-06-21 | 中国空气动力研究与发展中心计算空气动力研究所 | 用于反无人机红外探测***的弱小目标检测方法和装置 |
CN115035378A (zh) * | 2022-08-09 | 2022-09-09 | 中国空气动力研究与发展中心计算空气动力研究所 | 基于时空域特征融合的红外弱小目标的检测方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7430303B2 (en) * | 2002-03-29 | 2008-09-30 | Lockheed Martin Corporation | Target detection method and system |
CN104820967A (zh) * | 2015-05-26 | 2015-08-05 | 中国科学院自动化研究所 | 在轨计算成像方法 |
CN104995526A (zh) * | 2013-02-07 | 2015-10-21 | 高通股份有限公司 | 地面定位***校准 |
CN106204629A (zh) * | 2016-08-17 | 2016-12-07 | 西安电子科技大学 | 天基雷达与红外数据融合在轨动目标检测方法 |
-
2017
- 2017-06-15 CN CN201710452091.6A patent/CN107392095A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7430303B2 (en) * | 2002-03-29 | 2008-09-30 | Lockheed Martin Corporation | Target detection method and system |
CN104995526A (zh) * | 2013-02-07 | 2015-10-21 | 高通股份有限公司 | 地面定位***校准 |
CN104820967A (zh) * | 2015-05-26 | 2015-08-05 | 中国科学院自动化研究所 | 在轨计算成像方法 |
CN106204629A (zh) * | 2016-08-17 | 2016-12-07 | 西安电子科技大学 | 天基雷达与红外数据融合在轨动目标检测方法 |
Non-Patent Citations (1)
Title |
---|
姚云萍: "复杂背景下红外弱小目标检测技术的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171168A (zh) * | 2017-12-28 | 2018-06-15 | 浙江大学 | 弱小目标变动智能图像检测方法及装置 |
CN108171168B (zh) * | 2017-12-28 | 2020-09-22 | 浙江大学 | 弱小目标变动智能图像检测方法及装置 |
CN112329764A (zh) * | 2020-09-28 | 2021-02-05 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于tv-l1模型的红外弱小目标检测方法 |
CN112733589A (zh) * | 2020-10-29 | 2021-04-30 | 广西科技大学 | 一种基于深度学习的红外图像行人检测方法 |
CN112541486A (zh) * | 2020-12-31 | 2021-03-23 | 洛阳伟信电子科技有限公司 | 基于改进Pixel分割的红外弱小目标检测算法 |
CN112541486B (zh) * | 2020-12-31 | 2022-11-08 | 洛阳伟信电子科技有限公司 | 基于改进Pixel分割的红外弱小目标检测算法 |
CN112802020B (zh) * | 2021-04-06 | 2021-06-25 | 中国空气动力研究与发展中心计算空气动力研究所 | 基于图像修补和背景估计的红外弱小目标检测方法 |
CN112802020A (zh) * | 2021-04-06 | 2021-05-14 | 中国空气动力研究与发展中心计算空气动力研究所 | 基于图像修补和背景估计的红外弱小目标检测方法 |
CN113349810A (zh) * | 2021-05-27 | 2021-09-07 | 北京安德医智科技有限公司 | 脑出血病灶识别及血肿扩大预测方法及装置 |
CN113349810B (zh) * | 2021-05-27 | 2022-03-01 | 北京安德医智科技有限公司 | 脑出血病灶识别及血肿扩大预测***及装置 |
CN113435435A (zh) * | 2021-06-01 | 2021-09-24 | 华中科技大学 | 一种红外图像弱小目标检测方法和*** |
CN113435435B (zh) * | 2021-06-01 | 2022-07-12 | 华中科技大学 | 一种红外图像弱小目标检测方法和*** |
CN114648547A (zh) * | 2022-03-09 | 2022-06-21 | 中国空气动力研究与发展中心计算空气动力研究所 | 用于反无人机红外探测***的弱小目标检测方法和装置 |
CN115035378A (zh) * | 2022-08-09 | 2022-09-09 | 中国空气动力研究与发展中心计算空气动力研究所 | 基于时空域特征融合的红外弱小目标的检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107392095A (zh) | 一种基于掩码图像的红外弱小目标检测算法 | |
CN109272489B (zh) | 基于背景抑制与多尺度局部熵的红外弱小目标检测方法 | |
CN107451999B (zh) | 基于图像识别的异物检测方法和装置 | |
CN102156996B (zh) | 一种图像边缘检测的方法 | |
CN109740445B (zh) | 一种变尺寸的红外弱小目标检测方法 | |
CN109767439A (zh) | 一种自适应窗口的多尺度差异与双边滤波的目标检测方法 | |
CN109410230A (zh) | 一种可抗噪声的改进Canny图像边缘检测方法 | |
CN109214380B (zh) | 车牌倾斜校正方法 | |
CN104657945A (zh) | 复杂背景下多尺度时空联合滤波的红外小目标检测方法 | |
CN109859247B (zh) | 近地面场景红外小目标检测方法 | |
CN106204617B (zh) | 基于残差图像直方图循环移位的自适应图像二值化方法 | |
CN103761731A (zh) | 一种基于非下采样轮廓波变换的红外空中小目标检测方法 | |
CN110728668B (zh) | 一种小目标形态保持的空域高通滤波器 | |
Lian et al. | A novel method on moving-objects detection based on background subtraction and three frames differencing | |
CN109829858B (zh) | 一种基于局部自适应阈值的船载雷达图像溢油监测方法 | |
CN107993219A (zh) | 一种基于机器视觉的船板表面缺陷检测方法 | |
Fan et al. | Moving target detection algorithm based on Susan edge detection and frame difference | |
CN109003238B (zh) | 一种基于模型与直方图及灰度增强的图像雾霾去除方法 | |
CN110706208A (zh) | 一种基于张量均方最小误差的红外弱小目标检测方法 | |
CN113205494B (zh) | 基于自适应尺度图像块加权差测量的红外小目标检测方法和*** | |
Zhang et al. | Infrared small target detection based on morphology and wavelet transform | |
CN111428573A (zh) | 一种复杂背景下的红外弱小目标检测虚警抑制方法 | |
CN115294149A (zh) | 一种天文图像背景提取方法及*** | |
CN104408432B (zh) | 一种基于直方图修正的红外图像目标检测方法 | |
CN104537632A (zh) | 基于边缘提取的红外图像直方图增强方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171124 |
|
RJ01 | Rejection of invention patent application after publication |