CN109102003B - 一种基于红外物理特征融合的小目标检测方法和*** - Google Patents
一种基于红外物理特征融合的小目标检测方法和*** Download PDFInfo
- Publication number
- CN109102003B CN109102003B CN201810790004.2A CN201810790004A CN109102003B CN 109102003 B CN109102003 B CN 109102003B CN 201810790004 A CN201810790004 A CN 201810790004A CN 109102003 B CN109102003 B CN 109102003B
- Authority
- CN
- China
- Prior art keywords
- target
- image
- marked
- infrared
- target area
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Transforming Light Signals Into Electric Signals (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于红外物理特征融合的小目标检测方法和***,其中方法包括:对样本多波段红外图像中的小目标进行标记,得到标记目标,随机选取样本多波段红外图像中的非目标进行标记,得到标记非目标,利用标记目标和标记非目标的特征向量训练分类器,得到目标分类器。对红外图像进行分割,得到分割图像,对分割图像进行标记得到候选目标区域;提取红外图像中候选目标区域的特征向量,将候选目标区域的特征向量输入目标分类器,检测候选目标区域是否有小目标。本发明在复杂背景下提高小目标检测率、降低小目标检测的虚警率。
Description
技术领域
本发明属于图像处理技术领域,更具体地,涉及一种基于红外物理特征融合的小目标检测方法和***。
背景技术
复杂背景下的小目标检测是一个难点问题。小目标携带的信息量少,对比度低,容易湮没于复杂背景中。利用不同波段红外图像的信息提高目标探测性能是一个重要的途径。融合不同波段红外图像的信息提高小目标探测性能具有重要的意义。
基于图像融合的目标检测方法主要分为三类,基于像素级融合的小目标检测方法,基于特征级融合的小目标检测方法和基于决策级融合的小目标检测方法。基于像素级融合的小目标检测方法采用线性融合、多分辨分析融合等方法对中波和长波红外图像进行融合,然后在融合图像上进行目标检测,这类方法的小目标检测效果取决与融合策略中小目标增强程度。基于特征级融合的方法较少用于小目标检测,这是因为小目标信息量少难以提取合适的特征。基于决策级融合的小目标检测方法分别在不同波段中进行小目标检测,再对检测结果进行融合给出最终的检测结果。这类方法的目标检测性能依赖于不同波段的小目标检测结果。现有复杂背景下小目标检测困难,容易误检和漏检。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于红外物理特征融合的小目标检测方法和***,由此解决现有复杂背景下小目标检测困难,容易误检和漏检的技术问题。
为实现上述目的,按照本发明的一个方面,提供了一种基于红外物理特征融合的小目标检测方法,包括:
(1)对红外图像进行分割,得到分割图像,对分割图像进行标记得到候选目标区域;
(2)提取红外图像中候选目标区域的特征向量,将候选目标区域的特征向量输入目标分类器,检测候选目标区域是否有小目标;
所述目标分类器的训练包括:对样本多波段红外图像中的小目标进行标记,得到标记目标,随机选取样本多波段红外图像中的非目标进行标记,得到标记非目标,利用标记目标和标记非目标的特征向量训练分类器,得到目标分类器。
进一步地,小目标为像素尺度小于6×6,且局部信噪比小于3的目标。
进一步地,步骤(1)包括:
(11)对红外图像进行形态学滤波处理,得到滤波后图像,计算滤波后图像的分割阈值;
(12)利用分割阈值对滤波后图像进行分割,得到分割图像,对分割图像进行标记得到候选目标区域。
进一步地,步骤(2)包括:
(21)将红外图像进行成像逆变换处理,得到红外辐射能量图像,从红外辐射能量图像中获取候选目标区域的红外辐射能量值,计算候选目标区域的中心像素位置的局部信噪比值;
(22)将候选目标区域的红外辐射能量值和候选目标区域的中心像素位置的局部信噪比值组合得到候选目标区域的特征向量,将候选目标区域的特征向量输入目标分类器,检测候选目标区域是否有小目标。
进一步地,标记目标和标记非目标的特征向量的获取包括:
对样本多波段红外图像进行成像逆变换处理,得到样本多波段红外中波辐射能量图像,从样本多波段红外中波辐射能量图像中获取标记目标和标记非目标的多波段红外辐射能量值,分别计算标记目标和标记非目标的中心像素位置的局部信噪比值,将标记目标和标记非目标的多波段红外辐射能量值和标记目标和标记非目标的中心像素位置的局部信噪比值组合得到标记目标和标记非目标的特征向量。
按照本发明的另一方面,提供了一种基于红外物理特征融合的小目标检测***,包括:
分类器训练模块,用于对样本多波段红外图像中的小目标进行标记,得到标记目标,随机选取样本多波段红外图像中的非目标进行标记,得到标记非目标,利用标记目标和标记非目标的特征向量训练分类器,得到目标分类器;
图像分割模块,用于对红外图像进行分割,得到分割图像,对分割图像进行标记得到候选目标区域;
目标检测模块,用于提取红外图像中候选目标区域的特征向量,将候选目标区域的特征向量输入目标分类器,检测候选目标区域是否有小目标。
进一步地,小目标为像素尺度小于6×6,且局部信噪比小于3的目标。
进一步地,图像分割模块包括:
图像滤波子模块,用于对红外图像进行形态学滤波处理,得到滤波后图像,计算滤波后图像的分割阈值;
图像分割子模块,用于利用分割阈值对滤波后图像进行分割,得到分割图像,对分割图像进行标记得到候选目标区域。
进一步地,目标检测模块包括:
图像变换子模块,用于将红外图像进行成像逆变换处理,得到红外辐射能量图像;
辐射能量提取子模块,用于从红外辐射能量图像中获取候选目标区域的红外辐射能量值;
局部信噪比提取子模块,用于计算候选目标区域的中心像素位置的局部信噪比值;
特征向量组合子模块,用于将候选目标区域的红外辐射能量值和候选目标区域的中心像素位置的局部信噪比值组合得到候选目标区域的特征向量;
目标检测子模块,用于将候选目标区域的特征向量输入目标分类器,检测候选目标区域是否有小目标。
进一步地,标记目标和标记非目标的特征向量的获取包括:
对样本多波段红外图像进行成像逆变换处理,得到样本多波段红外中波辐射能量图像,从样本多波段红外中波辐射能量图像中获取标记目标和标记非目标的多波段红外辐射能量值,分别计算标记目标和标记非目标的中心像素位置的局部信噪比值,将标记目标和标记非目标的多波段红外辐射能量值和标记目标和标记非目标的中心像素位置的局部信噪比值组合得到标记目标和标记非目标的特征向量。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
(1)本发明先对红外图像进行分割,对分割图像进行标记初步检测出候选目标区域;然后提取红外图像中候选目标区域的特征向量,将候选目标区域的特征向量输入目标分类器,检测候选目标区域是否有小目标;采用粗精两级处理方式检测小目标,同时利用红外图像中候选目标区域的特征向量进行判别,可以降低小目标检测的虚警率,提高小目标检测率。
(2)本发明的特征向量融合了红外辐射能量值和局部信噪比值,可以提高小目标信息量进而提高小目标检测率。在训练时,对多波段红外图像进行逆变换得到多波段红外辐射能量图像,提取多波段红外图像的红外辐射能量值和局部信噪比值组成特征向量;与现有技术相比较而言,本发明通过特征级融合方法利用多波段的红外物理辐射特征,可以提高小目标信息量进而提高小目标检测率。
附图说明
图1是本发明实施例提供的一种基于红外物理特征融合的小目标检测方法的流程图;
图2(a)是本发明实施例1提供的中波红外图像;
图2(b)是本发明实施例1提供的长波红外图像;
图3是本发明实施例1提供的标记的目标和非目标的图像;
图4是本发明实施例1提供的初步检测结果;
图5是本发明实施例1提供的小目标检测结果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示,一种基于红外物理特征融合的小目标检测方法,包括:
(1)对红外图像进行分割,得到分割图像,对分割图像进行标记得到候选目标区域;
(2)提取红外图像中候选目标区域的特征向量,将候选目标区域的特征向量输入目标分类器,检测候选目标区域是否有小目标;
所述目标分类器的训练包括:对样本多波段红外图像中的小目标进行标记,得到标记目标,随机选取样本多波段红外图像中的非目标进行标记,得到标记非目标,利用标记目标和标记非目标的特征向量训练分类器,得到目标分类器。
实施例1
一种基于红外物理特征融合的小目标检测方法,包括:
(1)对红外图像进行分割,得到分割图像,对分割图像进行标记得到候选目标区域;
(2)提取红外图像中候选目标区域的特征向量,将候选目标区域的特征向量输入目标分类器,检测候选目标区域是否有小目标;
所述目标分类器的训练包括:对如图2(a)所示的中波红外图像和如图2(b)所示的长波红外图像进行成像逆变换处理,逆变换公式为其中,g为中波红外图像或者长波红外图像,K和B为利用黑体标定的转换参数,得到红外中波和长波辐射能量图像对。如图3所示,对红外中波和长波辐射能量图像对中的小目标进行标记,得到标记目标,随机选取红外中波和长波辐射能量图像对中的非目标进行标记,得到标记非目标。
提取标记目标和标记非目标中像素(x,y)的中波红外辐射能量值LM(x,y)和长波红外辐射能量值LL(x,y)。
分别计算像素(x,y)的局部信噪比值,按照公式计算像素(x,y)为中心的21×21局部区域的信噪比值,得到SNRM(x,y)和SNRL(x,y);μT表示目标像素灰度均值,μB表示以目标为中心的21×21邻域范围内背景像素灰度均值,σB为该邻域范围内像素灰度的均方差。
将提取的像素(x,y)的中波和长波红外辐射能量值以及局部信噪比的值组合成特征向量EV(x,y)=(LM(x,y),LL(x,y),SNRM(x,y),SNRL(x,y))。
具体地,步骤(1)包括:
(11)对红外图像进行形态学滤波处理,得到滤波后图像,计算滤波后图像的分割阈值;分割阈值的计算公式为Th=μ+kσ,μ为滤波后均值,σ为滤波后方差,参数k可调整;
(12)利用分割阈值对滤波后图像进行分割,得到分割图像,对分割图像进行标记得到多个候选目标区域,见图4中标记为白色框的区域。
具体地,步骤(2)包括:
(21)将红外图像进行成像逆变换处理,得到红外辐射能量图像,从红外辐射能量图像中获取每个候选目标区域的红外辐射能量值,计算每个候选目标区域的中心像素位置的局部信噪比值;
(22)将每个候选目标区域的红外辐射能量值和对应候选目标区域的中心像素位置的局部信噪比值组合得到每个候选目标区域的特征向量,将每个候选目标区域的特征向量输入目标分类器,检测每个候选目标区域是否有小目标,得到最终的小目标检测结果,见图5中标记白色框的区域。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于红外物理特征融合的小目标检测方法,其特征在于,包括:
(1)对红外图像进行分割,得到分割图像,对分割图像进行标记得到候选目标区域;
(2)提取红外图像中候选目标区域的特征向量,将候选目标区域的特征向量输入目标分类器,检测候选目标区域是否有小目标;
所述目标分类器的训练包括:对样本多波段红外图像中的小目标进行标记,得到标记目标,随机选取样本多波段红外图像中的非目标进行标记,得到标记非目标,利用标记目标和标记非目标的特征向量训练分类器,得到目标分类器;
所述步骤(1)包括:
(11)对红外图像进行形态学滤波处理,得到滤波后图像,计算滤波后图像的分割阈值;
(12)利用分割阈值对滤波后图像进行分割,得到分割图像,对分割图像进行标记得到候选目标区域;
所述步骤(2)包括:
(21)将红外图像进行成像逆变换处理,得到红外辐射能量图像,从红外辐射能量图像中获取候选目标区域的红外辐射能量值,计算候选目标区域的中心像素位置的局部信噪比值;
(22)将候选目标区域的红外辐射能量值和候选目标区域的中心像素位置的局部信噪比值组合得到候选目标区域的特征向量,将候选目标区域的特征向量输入目标分类器,检测候选目标区域是否有小目标。
2.如权利要求1所述的一种基于红外物理特征融合的小目标检测方法,其特征在于,所述小目标为像素尺度小于6×6,且局部信噪比小于3的目标。
3.如权利要求1或2所述的一种基于红外物理特征融合的小目标检测方法,其特征在于,所述标记目标和标记非目标的特征向量的获取包括:
对样本多波段红外图像进行成像逆变换处理,得到样本多波段红外辐射能量图像,从样本多波段红外辐射能量图像中获取标记目标和标记非目标的多波段红外辐射能量值,分别计算标记目标和标记非目标的中心像素位置的局部信噪比值,将标记目标和标记非目标的多波段红外辐射能量值和标记目标和标记非目标的中心像素位置的局部信噪比值组合得到标记目标和标记非目标的特征向量。
4.一种基于红外物理特征融合的小目标检测***,其特征在于,包括:
分类器训练模块,用于对样本多波段红外图像中的小目标进行标记,得到标记目标,随机选取样本多波段红外图像中的非目标进行标记,得到标记非目标,利用标记目标和标记非目标的特征向量训练分类器,得到目标分类器;
图像分割模块,用于对红外图像进行分割,得到分割图像,对分割图像进行标记得到候选目标区域;
目标检测模块,用于提取红外图像中候选目标区域的特征向量,将候选目标区域的特征向量输入目标分类器,检测候选目标区域是否有小目标;
所述图像分割模块包括:
图像滤波子模块,用于对红外图像进行形态学滤波处理,得到滤波后图像,计算滤波后图像的分割阈值;
图像分割子模块,用于利用分割阈值对滤波后图像进行分割,得到分割图像,对分割图像进行标记得到候选目标区域;
所述目标检测模块包括:
图像变换子模块,用于将红外图像进行成像逆变换处理,得到红外辐射能量图像;
辐射能量提取子模块,用于从红外辐射能量图像中获取候选目标区域的红外辐射能量值;
局部信噪比提取子模块,用于计算候选目标区域的中心像素位置的局部信噪比值;
特征向量组合子模块,用于将候选目标区域的红外辐射能量值和候选目标区域的中心像素位置的局部信噪比值组合得到候选目标区域的特征向量;
目标检测子模块,用于将候选目标区域的特征向量输入目标分类器,检测候选目标区域是否有小目标。
5.如权利要求4所述的一种基于红外物理特征融合的小目标检测***,其特征在于,所述小目标为像素尺度小于6×6,且局部信噪比小于3的目标。
6.如权利要求4或5所述的一种基于红外物理特征融合的小目标检测***,其特征在于,所述标记目标和标记非目标的特征向量的获取包括:
对样本多波段红外图像进行成像逆变换处理,得到样本多波段红外辐射能量图像,从样本多波段红外辐射能量图像中获取标记目标和标记非目标的多波段红外辐射能量值,分别计算标记目标和标记非目标的中心像素位置的局部信噪比值,将标记目标和标记非目标的多波段红外辐射能量值和标记目标和标记非目标的中心像素位置的局部信噪比值组合得到标记目标和标记非目标的特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810790004.2A CN109102003B (zh) | 2018-07-18 | 2018-07-18 | 一种基于红外物理特征融合的小目标检测方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810790004.2A CN109102003B (zh) | 2018-07-18 | 2018-07-18 | 一种基于红外物理特征融合的小目标检测方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109102003A CN109102003A (zh) | 2018-12-28 |
CN109102003B true CN109102003B (zh) | 2020-07-10 |
Family
ID=64846711
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810790004.2A Active CN109102003B (zh) | 2018-07-18 | 2018-07-18 | 一种基于红外物理特征融合的小目标检测方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109102003B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111291762B (zh) * | 2020-03-10 | 2022-12-13 | 上海航天控制技术研究所 | 一种基于多特征点差异的多波段图像融合检测方法 |
CN111401195B (zh) * | 2020-03-10 | 2023-11-14 | 上海航天控制技术研究所 | 一种基于多波段红外图像的海面目标检测方法 |
CN112837335B (zh) * | 2021-01-27 | 2023-05-09 | 上海航天控制技术研究所 | 一种中长波红外复合的抗干扰方法 |
CN113450413B (zh) * | 2021-07-19 | 2022-09-27 | 哈尔滨工业大学 | 基于gf4单帧图像的舰船目标检测方法 |
CN114463619B (zh) * | 2022-04-12 | 2022-07-08 | 西北工业大学 | 基于集成融合特征的红外弱小目标检测方法 |
CN116486086B (zh) * | 2023-04-28 | 2023-10-03 | 安徽星太宇科技有限公司 | 一种基于热红外遥感影像的目标检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102034239A (zh) * | 2010-12-07 | 2011-04-27 | 北京理工大学 | 一种基于局部灰度突变的红外小目标检测方法 |
US7965890B2 (en) * | 2007-01-05 | 2011-06-21 | Raytheon Company | Target recognition system and method |
CN104899866A (zh) * | 2015-05-05 | 2015-09-09 | 河南三联网络技术有限公司 | 一种智能化的红外小目标检测方法 |
-
2018
- 2018-07-18 CN CN201810790004.2A patent/CN109102003B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7965890B2 (en) * | 2007-01-05 | 2011-06-21 | Raytheon Company | Target recognition system and method |
CN102034239A (zh) * | 2010-12-07 | 2011-04-27 | 北京理工大学 | 一种基于局部灰度突变的红外小目标检测方法 |
CN104899866A (zh) * | 2015-05-05 | 2015-09-09 | 河南三联网络技术有限公司 | 一种智能化的红外小目标检测方法 |
Non-Patent Citations (2)
Title |
---|
基于多级综合分类器的红外目标检测;王培早 等;《软件工程》;20171231;第20卷(第12期);第2-5页 * |
基于特征级融合的多波段舰船目标识别方法;刘峰 等;《光谱学与光谱分析》;20170630;第37卷(第6期);第1934页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109102003A (zh) | 2018-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109102003B (zh) | 一种基于红外物理特征融合的小目标检测方法和*** | |
Zhang et al. | GAN-FM: Infrared and visible image fusion using GAN with full-scale skip connection and dual Markovian discriminators | |
CN111292305B (zh) | 一种改进型yolo-v3的金属加工表面缺陷检测方法 | |
CN107808378B (zh) | 基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法 | |
CN108985345B (zh) | 一种基于肺部医学图像融合分类的检测装置 | |
CN108573222B (zh) | 基于循环对抗生成网络的行人图像遮挡检测方法 | |
CN111028206A (zh) | 一种基于深度学习***癌自动检测和分类*** | |
CN108765402B (zh) | 无纺布缺陷检测与分类方法 | |
CN111611907B (zh) | 一种图像增强的红外目标检测方法 | |
TW201120806A (en) | Method of locating license plate of moving vehicle | |
US11538261B2 (en) | Systems and methods for automated cell segmentation and labeling in immunofluorescence microscopy | |
CN110659649A (zh) | 一种基于近红外光成像的图像处理与字符识别算法 | |
CN109975196B (zh) | 一种网织红细胞检测方法及其*** | |
CN109559324A (zh) | 一种线阵图像中的目标轮廓检测方法 | |
CN106127728A (zh) | 一种海空背景下的红外图像海天线连通域检测方法 | |
CN109544535B (zh) | 一种基于红外截止滤镜光学滤波特性的窥视摄像头检测方法及*** | |
CN111738211B (zh) | 基于动态背景补偿与深度学习的ptz摄像机运动目标检测与识别方法 | |
CN109447119A (zh) | 一种结合形态学分割和svm的尿沉渣中管型识别方法 | |
CN110675442B (zh) | 一种结合目标识别技术的局部立体匹配方法及*** | |
CN110458019B (zh) | 稀缺认知样本条件下的排除倒影干扰的水面目标检测方法 | |
CN111476074A (zh) | 基于毫米波图像的人体异物检测方法 | |
CN110826629A (zh) | 一种基于细粒度分类的耳镜图像辅助诊断方法 | |
CN116188786B (zh) | 一种肝胆管及胆道结石的图像分割*** | |
CN116503912B (zh) | 基于电子图囊的安检预警方法 | |
Xiang et al. | Research on target detection method based on HSV fusion Gaussian mixture model |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |