CN109523575A - 红外弱小目标检测方法 - Google Patents
红外弱小目标检测方法 Download PDFInfo
- Publication number
- CN109523575A CN109523575A CN201811343659.1A CN201811343659A CN109523575A CN 109523575 A CN109523575 A CN 109523575A CN 201811343659 A CN201811343659 A CN 201811343659A CN 109523575 A CN109523575 A CN 109523575A
- Authority
- CN
- China
- Prior art keywords
- target
- image
- formula
- background
- infrared
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 59
- 230000001629 suppression Effects 0.000 claims abstract description 19
- 238000001914 filtration Methods 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims description 51
- 238000005516 engineering process Methods 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 9
- 238000009825 accumulation Methods 0.000 claims description 7
- 230000002708 enhancing effect Effects 0.000 claims description 7
- 230000006872 improvement Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 23
- 238000012360 testing method Methods 0.000 description 13
- 230000008901 benefit Effects 0.000 description 9
- 230000008859 change Effects 0.000 description 7
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000003014 reinforcing effect Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 230000002401 inhibitory effect Effects 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241000283984 Rodentia Species 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000005693 optoelectronics Effects 0.000 description 1
- VLPFTAMPNXLGLX-UHFFFAOYSA-N trioctanoin Chemical compound CCCCCCCC(=O)OCC(OC(=O)CCCCCCC)COC(=O)CCCCCCC VLPFTAMPNXLGLX-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/269—Analysis of motion using gradient-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明公开红外弱小目标检测方法，其包括：步骤一，根据红外图像的边缘停止函数，考虑弱小目标与背景的差异，构建各向异性背景抑制方案，以弱化背景干扰；步骤二，基于传统的高阶累积量，考虑空域特性，利用弱小目标的运动能量来建立一种时空高阶累积量方案，对背景抑制结果中的候选目标进行增强处理；步骤三，引入尺度空间理论，计算弱小目标的直径，以此改进了管道滤波方案，以充分消除伪目标，从而准确检测弱小目标。
Description
技术领域
本发明属于检测领域，具体涉及红外弱小目标检测算法。
背景技术
由于红外目标跟踪是通过远距离探测来完成的，导致目标的对比度与信噪比较低，且目标在整个图像中所占据的像素较少，使得目标的检测与跟踪较为困难。因此，在复杂背景干扰下，如何精确检测红外目标成为当前的挑战与热点。
为此，研究人员设计了一系列的弱小目标检测方案。如王军等人在文献1中利用形态滤波和方差估计方法，以突出目标像素，并计算每个像素的信噪比(SNR)，将图像中像素SNR高的被标记为目标像素，再对标记过的图像进行分块分析，准确提取出连续图像序列中的目标像素，将检测出的目标像素作为Hough变换的目标跟踪算法的输入，设置双阈值实现目标的有效跟踪。这种方案属于典型的单帧检测方法，其不能充分利用不同帧的真实目标的运动信息之间的差异，无法消除噪声干扰，使其检测结果中存在虚假目标。
为了利用弱小目标的运动轨迹的连续性来消除噪声干扰，学者们提出了多帧检测技术，管道滤波算法是其中一种较为典型的技术，如Qi等人在文献2中通过提取包含真实目标与可疑目标的区域，形成了对应的局部区域相似度差异映射，并引入管道滤波对差异映射进行处理，将其中噪声等虚假目标过滤掉，保留真实目标，实验结果验证了其算法具有较高的正确检测率与较低的虚警率，对应的信噪比达到了79dB，稳定正确检测率保持在93.6％左右。该方案采用了局部区域相似度差异映射来抑制背景，充分考虑了真实目标与背景的信息差别，可有效突出红外目标。但是此方案只考虑了单一特征，使其可用信息较少，对背景与目标之间的差异描述能力不足，使其背景抑制能力有待提高。
Wang等人在文献3中提出了基于局部峰值检测与管道滤波的弱小目标检测方法，基于局部峰值检测机制，获取背景预测结果，从而得到了包含真实目标与可疑目标在内的局部区域，并引入自适应阈值方法，去除大部分非目标峰值，最后，基于管道滤波方法，消除残余噪声等可疑目标的干扰，实验结果显示，其算具有良好的正确检测精度，约为91.8％，以及更低的误分类误差，约为0.0259。该方案联合局部峰值检测与自适应阈值分割机制来消除虚假目标，充分利用了真实目标与背景信息之间的强度分布特征差异，可抑制绝大部分背景信息，但是这种方案严重依赖阈值的选取。
虽然以上两种基于管道滤波的多帧弱小目标检测技术充分利用了真实目标的运动信息之间的差异，可有效消除噪声干扰，但是，这种技术的管道直径是一个固定值，而实际上，由于运动目标与观察者之间的相对运动关系，或者成像***检测距离的影响，使得弱小目标的尺寸是不断变化的，因此，其只能将尺寸小于管道直径的目标识别出来，缺乏适应性，不能随着弱小目标尺寸的变化而做出相应的调整，导致其检测精度不佳。
其中，上述文献1、文献2以及文献3为：
文献1：王军，姜志，孙慧婷.基于噪声方差估计的红外弱小目标检测与跟踪方法[J].光电子·激光，2018，29(3)：305-318；
文献2：QI H，MO B，LIU F X.Small infrared target detection utilizingLocal Region Similarity Difference map[J].Infrared Physics and Technology，2017，72(2)：131-139；
文献3：WANG B，DONG L L，ZHAO M.A small dim infrared maritime targetdetection algorithm based on local peak detection and pipeline-filtering[J].Proceedings of the SPIE，2016，87(2)：1012-1019。
发明内容
为了解决上述技术问题，本发明提出了基于时空高阶累积量与各向异性背景抑制的红外弱小目标检测方法。
为了达到上述目的，本发明的技术方案如下：
红外弱小目标检测方法，包括以下步骤：
步骤一，基于各向异性边缘停止函数的背景抑制：根据红外图像的边缘停止函数，考虑弱小目标与背景的差异，构建各向异性背景抑制方案；
步骤二，基于时空高阶累积量方法的目标增强：基于传统的高阶累积量，考虑空域特性，利用弱小目标的运动能量来建立一种时空高阶累积量方案；
步骤三，基于改进的管道滤波的弱小目标检测：引入尺度空间理论，计算弱小目标的直径，改进管道滤波方案。
本发明公开一种红外弱小目标检测方法，其主要优势在三个方面：(1)根据背景区域与真实目标的梯度值差异，改进了边缘停止函数，使其可以抑制红外图像中的杂波与噪声等背景干扰信息；(2)联合弱小目标的空域特性与运动能量，对传统的高阶累积量予以改进，可突显出候选目标；(3)将尺度空间引入到经典的管道滤波方法中，使其可以根据弱小目标尺寸的变化而调整管道直径，改善其适应性，提高检测精度。
在上述技术方案的基础上，还可做如下改进：
作为优选的方案，步骤一具体为：
各向异性特征不仅可以平滑与稳定背景区域，还可以保持背景的边缘细节和突变区域，各向异性的扩散函数为式(1)所示：
其中，u为灰度图像；是图像u的梯度；为边缘停止函数；div为散度算子；
在式(1)中的边缘停止函数如式(2)所示，根据不同方向的梯度关系来计算平滑因子：
其中，k是一个常量；
若红外图像的梯度为f(i，j)，其真实目标所在的局部区域的梯度算子为式(3)所示：
其中，Up_Grad，Down_Grad，Left_Grad，Right_Grad分别是图像f(i，j)的上、下、左和右梯度；
采用滤波函数对f(i，j)进行滤波处理，相应的滤波函数为式(4)所示：
将式(2)代入到式(3)中，则基于式(4)，可计算不同方向上的2个最小参数Min1，Min2的均值，以完成红图像的滤波操作，获取背景抑制结果。
采用上述优选的方案，有效增强弱小目标，弱化背景区域。
作为优选的方案，步骤二具体为：
高阶累积量可以在时间域和空间域上有效积累目标能量，能较好地增强红外弱小目标，传统的M帧的高阶累积量模型为式(5)所示：
CMf＝E{F0(x，y，t1)+F0(x，y，t2)+…F0(x，y，tM)} (5)
其中，F0(x，y，t1)是背景抑制结果；t1＝1，2，…M代表红外图像的帧数；M是图像累积帧的数量；
在相邻帧的弱小目标的运动利用12模式来描述；前5帧是水平运动，中间5帧是垂直运动，最后2帧是对角线运动；
无论方向如何，目标总是在相邻帧邻域上不断地移动；因此，运动目标的能量累积通过在运动邻域中累加M连续图像帧的最大能量值来实现；弱小目标的运动能量累积可描述为式(6)-(7)所示：
其中，TP是弱小目标的运动模式；r是累积窗口的半径；fp(x，y，tM)是背景抑制后的序列图像；P0(x，y，tM)代表12种模式的tM帧的最大值；
结合式(5)～式(7)，则改进的M帧高阶累积量为式(8)所示：
CMf＝E{P0(x，y，t1)+P0(x，y，t2)+…P0(x，y，tM)} (8)
背景抑制结果中的所有目标的对比度均得到有效提高。
采用上述优选的方案，背景抑制结果中的所有目标的对比度均得到有效提高，部分干扰信息的强度被弱化，较好地保留目标强度。
作为优选的方案，步骤三具体为：
基于管道滤波技术，根据它的流水线性结构来过滤虚假信息，剔除虚假目标的过程为：
(3.1)若在t时间内有z帧序列图像，根据用户要求，设置相应的管道长；
(3.2)再对第一次进行管道内的图像完成8连通区域标记，并把它作为候选过滤对象；
(3.3)把上述步骤(3.2)中的区域所对应的质心作为管道中心，以计算该区域内存在的可疑目标数量如式(9)所示：
其中，(x0，y0)是候选区域的质心；l是管道长度；d是管道直径；i是进入管道的红外图像序列号；M是可疑目标的总量。
根据权利要求4的红外弱小目标检测方法，其特征在于，在步骤三中，管道的直径的计算过程如下：
(3.3.1)根据尺度空间理论可知，任意的图像均可根据尺度为σ的高斯核卷积来分解，如式(10)所示：
其中，f(x，y)是高阶累积量方法的增强图像；L(x，y，σ)为尺度图像；
(3.3.2)根据L(x，y，σ)，基于用高斯差分来构造微分尺度空间，如式(11)所示：
D(x，y，σ)＝L(x，y，nσ)-L(x，y，σ) (11)
其中，σ为尺度因子；L(x，y，nσ)是尺度因子为nσ的尺度空间，对于弱小目标而言，σ的最小值设置为0.5，n＝1.2；
(3.3.3)再引入高斯差分算法计算极值空间点；通过比较8个相邻像素点的中间层与其上下两层的9个像素点，找到其空间域和尺度域的所有相邻点的极值；再将这些极值点视为目标像素点，记录其尺度为σ所对应的空间坐标(x，y)，以此计算目标的直径，如式(12)所示：
(3.3.4)对于下一帧序列图像，执行步骤(3.3.1)～步骤(3.3.3)，将尺度为σi所对应的空间坐标(xi，yi)记录下，依据式(12)更新管道直径di。
采用上述优选的方案，经过改进的管道滤波处理后，虚假目标得到了充分抑制，弱小目标被准确识别出来，其对应的强度分布较为均匀，没有出现明显的杂波与固定噪声等信号。
作为优选的方案，红外弱小检测方法还包括步骤四，利用信杂比增益GSCR与背景抑制因子BSF评估红外目标检测精度，其计算模型如下式(13)所示：
其中，S为弱小目标的信号幅度；C代表背景的标准偏差；out，in分别代表输出、输入的红外图像。
采用上述优选的方案，可以更好的反映红外目标检测精度。
作为优选的方案，步骤四中，还利用ROCs曲线特性来量化，ROCs曲线的计算模型为式(14)所示：
其中，Pd为正确检测率；Fa为虚警率；True代表正确检测的数量；Tptal是弱小目标的数量；False代表误检数量；N-Total是红外图像所有的目标数量。
采用上述优选的方案，可以更好的反映红外目标检测精度。
附图说明
图1为本发明实施例提供的红外弱小目标检测方法的流程框图。
图2为不同背景抑制方法的测试结果对比图，具体为：
图2(a)为初始红外图像；
图2(b)为图2(a)的三维强度分布；
图2(c)为经过Top-Hat变换后的图像；
图2(d)为图2(c)三维强度分布；
图2(e)为经过未改进的边缘停止函数预测结果后的图像；
图2(f)为图2(e)三维强度分布；
图2(g)为经过本发明方法的背景抑制结果后的图像；
图2(h)为图2(g)三维强度分布。
图3为本发明实施例提供的弱小目标的运动模式图。
图4为基于改进的高阶累积模型的增强结果图，具体为：
图4(a)为经过改进的高阶累积方法的增强结果后的图像；
图4(b)为图4(a)的三维强度分布。
图5为基于改进的管道滤波的弱小目标检测结果图，具体为：
图5(a)为管道过滤模式示意图；
图5(b)为经过弱小目标检测结果后的图像；
图5(c)为图5(b)的三维强度分布。
图6为云层起伏背景下的三种算法对应的弱小目标检测结果图，具体为：
图6(a)为初始红外图像；
图6(b)为经过本发明方法的图像；
图6(c)为经过文献2方法的图像；
图6(d)为经过文献3方法的图像。
图7为复杂背景下的三种算法对应的弱小目标检测结果图，具体为：
图7(a)为初始红外图像；
图7(b)为经过本发明方法的图像；
图7(c)为经过文献2方法的图像；
图7(d)为经过文献3方法的图像。
图8为本发明方法、文献2方法以及文献3方法的ROC曲线测试图。
具体实施方式
下面结合附图详细说明本发明的优选实施方式。
为了达到本发明的目的，红外弱小目标检测方法的其中一些实施例中，红外弱小目标检测方法，包括以下步骤，如图1所示：
步骤一，基于各向异性边缘停止函数的背景抑制：根据红外图像的边缘停止函数，考虑弱小目标与背景的差异，构建各向异性背景抑制方案；
步骤二，基于时空高阶累积量方法的目标增强：基于传统的高阶累积量，考虑空域特性，利用弱小目标的运动能量来建立一种时空高阶累积量方案；
步骤三，基于改进的管道滤波的弱小目标检测：引入尺度空间理论，计算弱小目标的直径，改进管道滤波方案。
为了提高弱小目标的检测精度，本发明公开了一种基于时空高阶累积量与各向异性背景抑制的红外弱小目标检测方法，主要优势在三个方面：
(1)根据背景区域与真实目标的梯度值差异，改进了边缘停止函数，使其可以抑制红外图像中的杂波与噪声等背景干扰信息；
(2)联合弱小目标的空域特性与运动能量，对传统的高阶累积量予以改进，可突显出候选目标；
(3)将尺度空间引入到经典的管道滤波方法中，使其可以根据弱小目标尺寸的变化而调整管道直径，改善其适应性，提高检测精度。
为了进一步地优化本发明的实施效果，在另外一些实施方式中，其余特征技术相同，不同之处在于，在步骤一中，各向异性特征不仅可以平滑与稳定背景区域，而且还可以保持背景的边缘细节和突变区域。各向异性的扩散函数为：
其中，u为灰度图像；是图像u的梯度；为边缘停止函数；div为散度算子。
在式(1)中的边缘停止函数主要是根据不同方向的梯度关系来计算平滑因子：
其中，k是一个常量。
在红外图像中，平坦区域的梯度较小，因此值较大，需对此区域进行更加平滑的处理；而对于突变区域，其梯度较大，使得值较小，则无需对其进行平滑处理。因此，对于红外图像中不同的区域，需要根据不同方向上的目标区域与其他区域的特征差异来进行处理。若红外图像的梯度为f(i，j)，其真实目标所在的局部区域的梯度算子为：
其中，Up_Grad，Down_Grad，Left_Grad，Right_Grad分别是图像f(i，j)的上、下、左和右梯度。
如果采用初始的各向异性边缘停止函数的两个最小参数Minl，Min2对应的均值来对f(i，j)进行滤波处理，则稳定背景区域的参数值较大，而弱小目标区域的参数值较小，使其难以有效增强目标。相应的滤波函数为：
其中，“not”为求反逻辑运算。
不同方向上的稳定背景区域的梯度值较小，而弱小目标区域的梯度值较大，则其对应的边缘停止函数值变小，此时，若利用其来完成红外图像的滤波处理，会导致值变小。因此，为了有效增强弱小目标，弱化背景区域，本发明对边缘停止函数(式(15))进行改进，以充分抑制背景干扰信息：
最后，将式(2)代入到式(3)中，则基于式(4)，可计算不同方向上的2个最小参数Min1，Min2的均值，以完成红图像的滤波操作，获取背景抑制结果。
为了体现所提背景抑制方法的优势，本发明以经典的Top-Hat变换、未改进的各向异性边缘停止函数为对照组，以图2(a)为例，利用三者来过滤背景干扰信息，结果见图2(c)～2(h)。其中，初始红外图像的强度分布见图2(b)，其存在较多的杂波与噪声等干扰信息。依图可知，Top-Hat变换与未改进的各向异性边缘停止函数的背景抑制效果不佳，存在较多的虚假信息；而利用改进后的各向异性边缘停止函数可以较好地抑制背景中的干扰信息，相应的强度分布较为均匀，分布见图2(g)～(h)。
步骤二具体描述如下。
高阶累积量可以在时间域和空间域上有效积累目标能量，能较好地增强红外弱小目标。传统的M帧的高阶累积量模型为：
CMf＝E{F0(x，y，t1)+F0(x，y，t2)+…F0(x，y，tM)} (5)
其中，F0(x，y，t1)是背景抑制结果；t1＝1，2，…M代表红外图像的帧数；M是图像累积帧的数量。
但是，传统的高阶累积量模型只考虑了红外图像的时域特性，忽略了信号的空域特征，使其增强效果不佳。对此，本发明联合时域与空域特征来提高目标的增强效果。在相邻帧的弱小目标的运动可利用图3中的12模式来描述。前5帧是水平运动，中间5帧是垂直运动，最后2帧是对角线运动。但是，无论方向如何，目标总是在相邻帧邻域上不断地移动。因此，运动目标的能量累积可以通过在运动邻域中累加M连续图像帧的最大能量值来实现。弱小目标的运动能量累积可描述为：
其中，TP是弱小目标的运动模式，见图3；r是累积窗口的半径；fp(x，y，tM)是背景抑制后的序列图像；P0(x，y，tM)代表图3中的12种模式的tM帧的最大值。
结合式(5)～式(7)，则改进的M帧高阶累积量为：
CMf＝E{P0(x，y，t1)+P0(x，y，t2)+…P0(x，y，tM)} (8)
以图2(g)为例，利用式(8)对其处理后，结果见图4。依图可知，背景抑制结果中的所有目标的对比度均得到有效提高，部分干扰信息的强度被弱化，较好地保留目标强度，见图4(b)。
步骤三具体描述如下。
在图4(a)中，仍然存在少量的背景像素以及固定强噪声，单帧图像检测难以过滤这些虚假目标，对此，本发明根据真实目标的运动信息之间的差异来实现此目的，基于管道滤波技术，根据它的流水线性结构来过滤虚假信息，见图5(a)。其剔除虚假目标的过程为：
(3.1)若在t时间内有z帧序列图像，根据用户要求，设置相应的管道长。
(3.2)再对第一次进行管道内的图像完成8连通区域标记，并把它作为候选过滤对象；
(3.3)把步骤(3.2)中的区域所对应的质心作为管道中心，以计算该区域内存在的可疑目标数量：
其中，(x0，y0)是候选区域的质心；l是管道长度；d是管道直径；i是进入管道的红外图像序列号；M是可疑目标的总量。
管道滤波能够将红外背景中的固定强噪声等信息剔除，准确识别出真实的弱小目标检测。但是，其管道的直径是一个固定值，使其只能将尺寸小于管道直径的目标识别出来，缺乏适应性，不能随着弱小目标尺寸的变化而相应的调整。为此，本发明引入尺度空间理论来计算管道直径。其过程如下：
(3.3.1)根据尺度空间理论[12]可知，任意的图像均可根据尺度为σ的高斯核卷积来分解：
其中，f(x，y)是高阶累积量方法的增强图像；L(x，y，σ)为尺度图像。
(3.3.2)根据L(x，y，σ)，基于用高斯差分来构造微分尺度空间：
D(x，y，σ)＝L(x，y，nσ)-L(x，y，σ) (11)
其中，σ为尺度因子；L(x，y，nσ)是尺度因子为nσ的尺度空间，对于弱小目标而言，σ的最小值设置为0.5，n＝1.2。
(3.3.3)再引入高斯差分算法计算极值空间点。通过比较8个相邻像素点的中间层与其上下两层的9个像素点，可以找到其空间域和尺度域的所有相邻点的极值。再将这些极值点视为目标像素点，记录其尺度为σ所对应的空间坐标(x，y)，以此计算目标的直径：
(3.3.4)对于下一帧序列图像，执行步骤(3.3.1)～步骤(3.3.3)，将尺度为σi所对应的空间坐标(xi，yi)记录下，依据式(12)更新管道直径di。
以图4(a)为例，利用本发明改进的管道滤波对其完成准确检测，结果见图5(b)。由图可知，经过改进的管道滤波处理后，虚假目标得到了充分抑制，弱小目标被准确识别出来，其对应的强度分布较为均匀，没有出现明显的杂波与固定噪声等信号，见图5(c)。
为了体现本发明所提出方法的优势，采用MATLAB软件对其完成测试，同时，将当前检测精度较高的技术作为对照组，分别是文献2和文献3所提到的方法。关键参数为：n＝1.2，累积窗口的半径r＝0.8、k＝1.5。实验样本为图6(a)与图7(a)，评价指标为信杂比增益与ROC曲线。
由图6(a)可知，红外弱小目标的对比度较低，而背景中的云层起伏较大，其亮度与对比度较高，导致对其完成准确检测具有较大的挑战。同样，基于图7(a)可知，弱小目标可用的信息很少，对比度很低，且红外背景中具有噪声干扰，真实目标被云层中，人眼难以识别。随后，再根据所提技术、文献2和文献3算法的检测过程对其中的弱小目标完成目标识别，输出数据如图6、图7所示。
根据检测结果可知，对于复杂的红外背景干扰，本发明提出的方法可以充分过滤背景中存在的虚假信息准确地检测出真实的弱小目标，见图6(b)、图7(b)；文献2、文献3这两种技术虽然也过滤了背景中的大部分干扰信息，但是二者的检测结果中均有不同数量的伪目标，见图6(c)～图6(d)，以及图7(c)～图7(d)。尤其是面对图7(a)的检测，本发明的方法的优势更加明显，其仅残留少量的虚警，但是，文献2、文献3技术的检测结果中存在较多的虚假目标。原因是所提技术利用真实弱小目标与背景的差异来改进各向异性边缘的停止函数，可以充分抑制红外背景，并将弱小目标信号的空域特征融入到传统的高阶累积量方案中，使其综合了时域与空域特性，能够大幅提高候选目标的增强效果，再根据增强候选目标的像素点所对应的尺度空间来改进管道滤波方案，使其能够自适应于弱小目标尺度的变化，充分过滤残留虚假目标，保留真实弱小目标，从而提高了本发明方法的检测精度。而文献2则是利用局部区域相似度差异映射与传统的管道滤波来实现弱小目标检测，虽然局部区域相似度差异映射充分利用了目标与背景的差异，在一定程度上可以抑制背景中的大部分干扰信息，但是，其采用的管道滤波直径是固定的，使其难以过滤背景中的固定强噪声等干扰，导致其算法的检测精度不理想。文献3通过联合局部峰值检测与管道滤波来完成弱小目标检测，这种局部峰值检测充分利用了目标与背景的特征差异，可以较好地抑制背景，但是，对于目标特征比背景微弱时，容易将部分背景信息识别为真实目标，且采用的管道滤波直径是固定的，其只能将尺寸小于管道直径的目标识别出来，缺乏适应性。
为了客观评估本发明所提出的方法与文献2、文献3三者之间的差异，本发明文引入步骤四，引入信杂比增益GSCR(Signal to Clutter Rato Gain)、背景抑制因子[14]BSF(Background Suppression Factor)以及ROCs(Receiver operating characteristics)曲线特性来量化。其中，GSCR与BSF是当前评估红外目标检测精度的有效指标，其值越大，则表示精度越高，计算模型为：
其中，S为弱小目标的信号幅度；C代表背景的标准偏差；out，in分别代表输出、输入的红外图像。
另外，ROCs曲线的计算模型为：
其中，Pd为正确检测率；Fa为虚警率；True代表正确检测的数量；Total是弱小目标的数量；False代表误检数量；N-Total是红外图像所有的目标数量。
以图6(a)、图7(a)为样本，根据本发明的方法、文献2和文献3的检测结果，基于式(13)获取相应的GSCR与BSF值见表1。由表中数据可知，对两种复杂红外背景干扰，本发明的方法能够获得的GSCR与BSF值要显著高于文献2、文献3，分别为5.931、4.325，以及8.233、3.712；而文献2的GSCR与BSF值要略低于本发明的方法，对图6(a)、图7(a)，其值分别为5.267、3.652，以及7.804、3.179，文献3的GSCR与BSF值最小，分别为3.996、2.986，以及5.817、2.473。
表1不同方法的GSCR与BSF测试值
ROCs曲线可以更好地体现不同程度干扰下的弱小目标检测精度，为此，本发明设定相同的Fa，采集100幅不同的红外背景，将50个弱小目标与之合成，形成一组测试数据集，并利用本发明的方法、文献2和文献3对其实现检测，形成的ROCs曲线如图8所示。根据测试曲线可知，对于不同的虚警率Fa，所提技术对应的ROCs曲线特性更为理想，在任意的Fa下，均可获取更高的正确检测率，当虚警率为25％时，所提算法的正确检测率就达到了97.3％。而文献2、文献3两种技术的正确检测率都要略低于所提方法，当虚警率为25％时，二者的正确检测率分别为92.2％、59.7％。
为了改善红外弱小目标在复杂背景下的检测与识别性能，本发明通过改进传统的高阶累积量与构建各向异性背景抑制方案，提出了新的红外目标检测方法。
首先，根据红外图像的边缘停止函数，考虑弱小目标与背景的差异，构建各向异性背景抑制方案，以弱化背景干扰；随后，基于传统的高阶累积量，考虑空域特性，利用弱小目标的运动能量来建立一种时空高阶累积量方案，对背景抑制结果中的候选目标进行增强处理；最后，引入尺度空间理论，计算弱小目标的直径，以此改进了管道滤波方案，以充分消除伪目标，从而准确检测弱小目标。测试数据表明：相对于已有的红外目标检测方案，在噪声与杂波环境下，本发明可以准确地识别出真实目标，具有更高的信杂比增益与背景抑制因子，呈现出更好的ROC曲线。
本发明考虑红外背景与弱小目标区域的梯度差异，对传统的各向异性边缘停止函数完成改进，从多个方向来过滤红外背景，达到抑制背景信息的目的；将红外目标的运动能量特征引入到传统的高阶累积量方案中，显著提高候选目标的对比度，充分保留目标强度；同时，利用高斯差分尺度来改进管道滤波方案，使其对弱小目标尺寸具备自适应特性，从而提高了真实弱小目标的检测正确率。实验数据验证了所提检测算法的有效性与优异性。
对于本发明的优选实施方式，应当指出，对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
Claims (7)
1.红外弱小目标检测方法，其特征在于，包括以下步骤：
步骤一，基于各向异性边缘停止函数的背景抑制：根据红外图像的边缘停止函数，考虑弱小目标与背景的差异，构建各向异性背景抑制方案；
步骤二，基于时空高阶累积量方法的目标增强：基于传统的高阶累积量，考虑空域特性，利用弱小目标的运动能量来建立一种时空高阶累积量方案；
步骤三，基于改进的管道滤波的弱小目标检测：引入尺度空间理论，计算弱小目标的直径，改进管道滤波方案。
2.根据权利要求1所述的红外弱小目标检测方法，其特征在于，所述步骤一具体为：
各向异性特征不仅可以平滑与稳定背景区域，还可以保持背景的边缘细节和突变区域，各向异性的扩散函数为式(1)所示：
其中，u为灰度图像；是图像u的梯度；为边缘停止函数；div为散度算子；
在式(1)中的边缘停止函数如式(2)所示，根据不同方向的梯度关系来计算平滑因子：
其中，k是一个常量；
若红外图像的梯度为f(i，j)，其真实目标所在的局部区域的梯度算子为式(3)所示：
其中，Up_Grad，Down_Grad，Left_Grad，Right_Grad分别是图像f(i，j)的上、下、左和右梯度；
采用滤波函数对f(i，j)进行滤波处理，相应的滤波函数为式(4)所示：
将式(2)代入到式(3)中，则基于式(4)，可计算不同方向上的2个最小参数Min1，Min2的均值，以完成红图像的滤波操作，获取背景抑制结果。
3.根据权利要求2所述的红外弱小目标检测方法，其特征在于，所述步骤二具体为：
高阶累积量可以在时间域和空间域上有效积累目标能量，能较好地增强红外弱小目标，传统的M帧的高阶累积量模型为式(5)所示：
CMf＝E{F0(x，y，t1)+F0(x，y，t2)+…F0(x，y，tM)} (5)
其中，F0(x，y，t1)是背景抑制结果；t1＝1，2，...M代表红外图像的帧数；M是图像累积帧的数量；
在相邻帧的弱小目标的运动利用12模式来描述；前5帧是水平运动，中间5帧是垂直运动，最后2帧是对角线运动；
无论方向如何，目标总是在相邻帧邻域上不断地移动；因此，运动目标的能量累积通过在运动邻域中累加M连续图像帧的最大能量值来实现；弱小目标的运动能量累积可描述为式(6)-(7)所示：
其中，TP是弱小目标的运动模式；r是累积窗口的半径；fp(x，y，tM)是背景抑制后的序列图像；P0(x，y，tM)代表12种模式的tM帧的最大值；
结合式(5)～式(7)，则改进的M帧高阶累积量为式(8)所示：
CMf＝E{P0(x，y，t1)+P0(x，y，t2)+…P0(x，y，tM)} (8)
背景抑制结果中的所有目标的对比度均得到有效提高。
4.根据权利要求3所述的红外弱小目标检测方法，其特征在于，所述步骤三具体为：
基于管道滤波技术，根据它的流水线性结构来过滤虚假信息，剔除虚假目标的过程为：
(3.1)若在t时间内有z帧序列图像，根据用户要求，设置相应的管道长；
(3.2)再对第一次进行管道内的图像完成8连通区域标记，并把它作为候选过滤对象；
(3.3)把上述步骤(3.2)中的区域所对应的质心作为管道中心，以计算该区域内存在的可疑目标数量如式(9)所示：
其中，(x0，y0)是候选区域的质心；l是管道长度；d是管道直径；i是进入管道的红外图像序列号；M是可疑目标的总量。
5.根据权利要求4所述的红外弱小目标检测方法，其特征在于，在所述步骤三中，所述管道的直径的计算过程如下：
(3.3.1)根据尺度空间理论可知，任意的图像均可根据尺度为σ的高斯核卷积来分解，如式(10)所示：
其中，f(x，y)是高阶累积量方法的增强图像；L(x，y，σ)为尺度图像；
(3.3.2)根据L(x，y，σ)，基于用高斯差分来构造微分尺度空间，如式(11)所示：
D(x，y，σ)＝L(x，y，nσ)-L(x，y，σ) (11)
其中，σ为尺度因子；L(x，y，nσ)是尺度因子为nσ的尺度空间，对于弱小目标而言，σ的最小值设置为0.5，n＝1.2；
(3.3.3)再引入高斯差分算法计算极值空间点；通过比较8个相邻像素点的中间层与其上下两层的9个像素点，找到其空间域和尺度域的所有相邻点的极值；再将这些极值点视为目标像素点，记录其尺度为σ所对应的空间坐标(x，y)，以此计算目标的直径，如式(12)所示：
(3.3.4)对于下一帧序列图像，执行步骤(3.3.1)～步骤(3.3.3)，将尺度为σi所对应的空间坐标(xi，yi)记录下，依据式(12)更新管道直径di。
6.根据权利要求1-5任一项所述的红外弱小目标检测方法，其特征在于，所述红外弱小检测方法还包括步骤四，利用信杂比增益GSCR与背景抑制因子BSF评估红外目标检测精度，其计算模型如下式(13)所示：
其中，S为弱小目标的信号幅度；C代表背景的标准偏差；out，in分别代表输出、输入的红外图像。
7.根据权利要求6所述的红外弱小目标检测方法，其特征在于，所述步骤四中，还利用ROCs曲线特性来量化，ROCs曲线的计算模型为式(14)所示：
其中，Pd为正确检测率；Fa为虚警率；True代表正确检测的数量；Total是弱小目标的数量；False代表误检数量；N-Total是红外图像所有的目标数量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811343659.1A CN109523575A (zh) | 2018-11-12 | 2018-11-12 | 红外弱小目标检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811343659.1A CN109523575A (zh) | 2018-11-12 | 2018-11-12 | 红外弱小目标检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109523575A true CN109523575A (zh) | 2019-03-26 |
Family
ID=65776483
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811343659.1A Pending CN109523575A (zh) | 2018-11-12 | 2018-11-12 | 红外弱小目标检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109523575A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110111283A (zh) * | 2019-05-14 | 2019-08-09 | 武汉高德红外股份有限公司 | 一种复杂背景下红外疑似目标的提示方法及*** |
| CN110765631A (zh) * | 2019-10-31 | 2020-02-07 | 中国人民解放军95859部队 | 基于有效成像像素的红外辐射特性测量小目标判断方法 |
| CN111027496A (zh) * | 2019-12-16 | 2020-04-17 | 电子科技大学 | 基于空时联合局部对比度的红外弱小目标检测方法 |
| CN113343758A (zh) * | 2021-04-26 | 2021-09-03 | 西安卓越视讯科技有限公司 | 基于红外图像的远距离无人机小目标探测方法 |
| CN114693732A (zh) * | 2022-03-07 | 2022-07-01 | 四川大学华西医院 | 一种弱小目标检测与跟踪方法 |
| CN115908807A (zh) * | 2022-11-24 | 2023-04-04 | 中国科学院国家空间科学中心 | 一种弱小目标快速检测方法、***、计算机设备及介质 |
| CN116645580A (zh) * | 2023-06-05 | 2023-08-25 | 北京邮电大学 | 一种基于时空特征差异的红外弱小目标检测方法及装置 |
| CN117853411A (zh) * | 2023-12-01 | 2024-04-09 | 中国科学院国家空间科学中心 | 一种红外小目标检测方法及*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005069197A1 (en) * | 2003-12-31 | 2005-07-28 | Lockheed Martin Missiles & Fire Control | A method and system for adaptive target detection |
| CN102819740A (zh) * | 2012-07-18 | 2012-12-12 | 西北工业大学 | 一种单帧红外图像弱小目标检测和定位方法 |
| CN103761731A (zh) * | 2014-01-02 | 2014-04-30 | 河南科技大学 | 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 |
| CN106469313A (zh) * | 2016-09-30 | 2017-03-01 | 中国科学院光电技术研究所 | 一种管径自适应时空域滤波的弱小目标检测方法 |
| CN106780545A (zh) * | 2016-11-25 | 2017-05-31 | 中国科学院云南天文台 | 一种结合时空域的弱小目标能量累积增强方法 |
-
2018
- 2018-11-12 CN CN201811343659.1A patent/CN109523575A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005069197A1 (en) * | 2003-12-31 | 2005-07-28 | Lockheed Martin Missiles & Fire Control | A method and system for adaptive target detection |
| CN102819740A (zh) * | 2012-07-18 | 2012-12-12 | 西北工业大学 | 一种单帧红外图像弱小目标检测和定位方法 |
| CN103761731A (zh) * | 2014-01-02 | 2014-04-30 | 河南科技大学 | 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 |
| CN106469313A (zh) * | 2016-09-30 | 2017-03-01 | 中国科学院光电技术研究所 | 一种管径自适应时空域滤波的弱小目标检测方法 |
| CN106780545A (zh) * | 2016-11-25 | 2017-05-31 | 中国科学院云南天文台 | 一种结合时空域的弱小目标能量累积增强方法 |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110111283A (zh) * | 2019-05-14 | 2019-08-09 | 武汉高德红外股份有限公司 | 一种复杂背景下红外疑似目标的提示方法及*** |
| CN110765631A (zh) * | 2019-10-31 | 2020-02-07 | 中国人民解放军95859部队 | 基于有效成像像素的红外辐射特性测量小目标判断方法 |
| CN110765631B (zh) * | 2019-10-31 | 2023-03-14 | 中国人民解放军95859部队 | 基于有效成像像素的红外辐射特性测量小目标判断方法 |
| CN111027496A (zh) * | 2019-12-16 | 2020-04-17 | 电子科技大学 | 基于空时联合局部对比度的红外弱小目标检测方法 |
| CN113343758A (zh) * | 2021-04-26 | 2021-09-03 | 西安卓越视讯科技有限公司 | 基于红外图像的远距离无人机小目标探测方法 |
| CN113343758B (zh) * | 2021-04-26 | 2022-03-15 | 西安卓越视讯科技有限公司 | 基于红外图像的远距离无人机小目标探测方法 |
| CN114693732B (zh) * | 2022-03-07 | 2022-11-25 | 四川大学华西医院 | 一种弱小目标检测与跟踪方法 |
| CN114693732A (zh) * | 2022-03-07 | 2022-07-01 | 四川大学华西医院 | 一种弱小目标检测与跟踪方法 |
| CN115908807A (zh) * | 2022-11-24 | 2023-04-04 | 中国科学院国家空间科学中心 | 一种弱小目标快速检测方法、***、计算机设备及介质 |
| CN116645580A (zh) * | 2023-06-05 | 2023-08-25 | 北京邮电大学 | 一种基于时空特征差异的红外弱小目标检测方法及装置 |
| CN116645580B (zh) * | 2023-06-05 | 2023-11-14 | 北京邮电大学 | 一种基于时空特征差异的弱小目标检测方法及装置 |
| CN117853411A (zh) * | 2023-12-01 | 2024-04-09 | 中国科学院国家空间科学中心 | 一种红外小目标检测方法及*** |
| CN117853411B (zh) * | 2023-12-01 | 2024-07-05 | 中国科学院国家空间科学中心 | 一种红外小目标检测方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109523575A (zh) | 红外弱小目标检测方法 | |
| CN108009628B (zh) | 一种基于生成对抗网络的异常检测方法 | |
| CN105574855B (zh) | 云背景下基于模板滤波和虚警抑制的红外小目标检测方法 | |
| CN110119728A (zh) | 基于多尺度融合语义分割网络的遥感图像云检测方法 | |
| CN101655914B (zh) | 训练装置、训练方法及检测方法 | |
| CN105319537B (zh) | 基于空间相关性的航海雷达同频干扰抑制方法 | |
| CN102609701B (zh) | 基于最佳尺度的高分辨率合成孔径雷达遥感检测方法 | |
| CN109446917B (zh) | 一种基于级联霍夫变换的消失点检测方法 | |
| CN107657209B (zh) | 一种基于手指静脉图像质量的模板图像注册机制 | |
| Li et al. | Road lane detection with gabor filters | |
| CN104766079B (zh) | 一种远距离红外弱小目标检测方法 | |
| CN104077613A (zh) | 一种基于级联多级卷积神经网络的人群密度估计方法 | |
| CN104835178A (zh) | 一种低信噪比运动小目标的跟踪与识别的方法 | |
| CN104834915B (zh) | 一种复杂云天背景下小红外目标检测方法 | |
| CN103353989A (zh) | 基于先验和融合灰度与纹理特征的sar图像变化检测方法 | |
| CN105469428B (zh) | 一种基于形态学滤波和svd的弱小目标检测方法 | |
| CN109559273A (zh) | 一种面向车底图像的快速拼接方法 | |
| 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 | |
| CN106557740A (zh) | 一种遥感图像中油库目标的识别方法 | |
| CN103295221A (zh) | 模拟复眼视觉机制和偏振成像的水面目标运动检测方法 | |
| CN104680536A (zh) | 利用改进的非局部均值算法对sar图像变化的检测方法 | |
| CN103700109A (zh) | 基于多目标优化moea/d和模糊聚类的sar图像变化检测方法 | |
| CN109828275B (zh) | 一种零度层亮带的识别方法和*** | |
| Kang et al. | GuidedMixup: an efficient mixup strategy guided by saliency maps | |
| CN106780545A (zh) | 一种结合时空域的弱小目标能量累积增强方法 |
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: 20190326 |
|
| RJ01 | Rejection of invention patent application after publication |