CN110728635B - 一种暗弱目标的对比度增强方法 - Google Patents

一种暗弱目标的对比度增强方法 Download PDF

Info

Publication number
CN110728635B
CN110728635B CN201910850365.6A CN201910850365A CN110728635B CN 110728635 B CN110728635 B CN 110728635B CN 201910850365 A CN201910850365 A CN 201910850365A CN 110728635 B CN110728635 B CN 110728635B
Authority
CN
China
Prior art keywords
local
feature
image
dark
pixel
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
Application number
CN201910850365.6A
Other languages
English (en)
Other versions
CN110728635A (zh
Inventor
陈忻
饶鹏
谢婧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Institute of Technical Physics of CAS
Original Assignee
Shanghai Institute of Technical Physics of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Institute of Technical Physics of CAS filed Critical Shanghai Institute of Technical Physics of CAS
Priority to CN201910850365.6A priority Critical patent/CN110728635B/zh
Publication of CN110728635A publication Critical patent/CN110728635A/zh
Application granted granted Critical
Publication of CN110728635B publication Critical patent/CN110728635B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种暗弱目标的对比度增强方法。首先获取图像传感器连续输出的每一帧灰度图像，提取每一个像素的所在的局部特征，构建每个像素的局部特征向量。完成所有像素的计算得到图像的局部特征向量图，对局部特征向量图进行池化操作。将序列图像的前后帧特征向量图进行局部相似度计算，根据相似度进行局部特征概率累积，每连续处理N帧后输出一次增强图像。本方法通过局部特征对暗弱目标进行多维度表达、目标概率弥散、匹配累积降低了随机分布的时空噪声，提高暗弱目标在图像中的对比度，显著提高了对暗弱目标的发现能力。

Description

一种暗弱目标的对比度增强方法
技术领域：
本发明属于红外图像处理技术领域，涉及一种暗弱目标的对比度增强方法，特别适合应用于对红外图像的低信噪比目标检测过程中的图像预处理增强。
背景技术：
由于红外成像***具有作用距离远，成像精度高，被动成像等特点，其被广泛应用于各类目标的探测跟踪。低信噪比暗弱目标检测一直是红外图像处理领域的难题。由于红外探测***一般作用距离较远，目标到达探测***的能量很弱，且在像面上往往只占据一个或者几个像素，没有固定几何形态，没有纹理信息，给目标检测带来很大困难。同时由于红外图像的背景杂波和探测噪声的存在，导致目标点淹没在图像噪声中，给目标检测带来干扰。
目前针对红外小目标检测的方法主要有两种：(1)通过对图像进行滤波等预处理，对背景杂波噪声进行抑制后再进行目标检测，以达到抑制虚警的目的；(2)通过进行多帧能量积累提高对比度之后再进行目标检测；(3)对图像序列的目标进行运动轨迹的预测关联，以实现低信噪比下小目标的检测。(1)(3)方法的主要目的集中在降低虚警率，对暗弱目标的检测来说并没有起到良好的改善作用；(2)对于运动速度较慢的目标效果良好，对于运动速度较快的暗弱目标效果较差。因此有必要研究出针对暗弱目标检测的对比度增强方法，提高信噪比，以便于暗弱目标的检测。
发明内容：
为了克服上述现有技术的不足，本发明提供了一种暗弱目标的对比度增强方法，该方法利用局部特征提取对每个像素进行多维表达，通过特征池化实现目标的概率弥散、匹配累积降低了随机分布的时空噪声，提高暗弱目标在图像中的对比度，提高了对暗弱目标的发现能力。
本发明的上述目的是通过如下技术方案予以实现的：
1、一种暗弱目标的对比度增强方法，其特征在于：包括如下步骤：
(1)根据暗弱目标与杂波背景的数据或者先验信息设计特征提取器与特征评分器；其中暗弱目标与杂波背景的数据是成像波段相同、分辨率接近的传感器所拍摄的图像；拍摄背景类型与实际应当保持一致；所述先验信息为目标与背景的空间分布模型与或可以表征目标的典型信息：目标的强度、尺寸、能量集中度、形状、速度、背景强度；所述特征提取器可利用先验知识进行人工设计也可以通过数据进行无监督的机器学习设计，机器学习的方法主要有稀疏编码、支持向量机和深度神经网络；特征评分器可以利用先验知识进行人工设计也可以通过数据进行无监督的机器学习设计，机器学习的方法主要有稀疏编码、支持向量机和深度神经网络；
(2)获取图像传感器输出序列图像，图像传感器的为面阵凝视型,响应谱段不限，输出帧频不低于30帧每秒；
(3)利用特征提取器对图像中每个像素的局部特征进行提取；每个像素的局部特征是将每个像素为中心的W1·W1窗口邻域进行切片提取，提取该切片中的局部特征,其中W1为窗口宽度，由人工进行设置；
(4)对局部特征进行池化操作，得到局部特征图；局部特征池化是指每W2·W2窗口邻域内选择局部评分最高像素的特征作为该邻域块的输出,其中W2为窗口宽度，由人工进行设置；
(5)当前帧的局部特征图与前一帧的局部特征累积图进行邻域相似度匹配，并计算更新局部特征的概率累积；前后帧邻域相似度匹配是指将计算前一帧特征累积图FAIn-1与当前帧局部特征图FIn相同位置W3·W3邻域内像素局部特征的相似程度，其中W3为匹配窗口范围，由人工进行设置,相似度的评价为:
Figure BDA0002196682420000031
其中n为当前帧号，x1、y1为累积图的像素位置，x2、y2为当前帧局部特征图的位置，M为当前已累积的帧数；与局部特征最相似的像素进行特征累积，完成特征累积图FAIn更新，其中a，b为累积系数，a+b＝1；
FAIn＝a·FAIn-1+b·FIn
(6)每进行N帧图像的局部特征累积后进行特征评分输出，完成图像增强输出，其中N为累积帧数，可事先设置；其中增强图像指将局部特征图每个像素的特征评分作为图像响应输出。
与现有技术相比，本发明的有益效果是
1.通过局部特征对目标进行表征，通过序列图像相似像素特征累积，对时空噪声进行抑制，实现暗弱目标的对比度增强。
2.通过局部池化降低图像匹配运算量，提高了图像增强的运算效率与运动目标的适应性，便于硬件实现，实时增强。
附图说明
图1为本发明的实现流程框图；
图2为本发明原始图像；
图3为本发明增强后图像；
图4为本发明对不同信噪比目标的增强曲线。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行详细地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
人工选择局部特征，选择局部最大值、局部均值，局部能量集中度；
人工选择评分器为加权累加器，对三个特征值进行加权累加，权重系数分别为[0.3，0.4，0.3]；
图像分辨率256×256，设置W1＝9，W2＝5，W3＝3，a＝0.8，b＝0.2，N＝8；原始图像如图2所述，按照所述方法流程进行增强后结果如图3所述，对不同信噪比的暗弱目标进行增强绘制本方法对比度增益曲线如图4所示。

Claims (1)

1.一种暗弱目标的对比度增强方法，其特征在于包括如下步骤：
(1)根据暗弱目标与杂波背景的数据或者先验信息设计特征提取器与特征评分器；其中暗弱目标与杂波背景的数据是成像波段相同、分辨率接近的传感器所拍摄的图像；拍摄背景类型与实际应当保持一致；所述先验信息为目标与背景的空间分布模型与或可以表征目标的典型信息：目标的强度、尺寸、能量集中度、形状、速度、背景强度；所述特征提取器利用先验知识进行人工设计或者通过数据进行无监督的机器学习设计，机器学习的方法有稀疏编码、支持向量机和深度神经网络；特征评分器利用先验知识进行人工设计或者通过数据进行无监督的机器学习设计，机器学习的方法有稀疏编码、支持向量机和深度神经网络；
(2)获取图像传感器输出序列图像，图像传感器的为面阵凝视型,响应谱段不限，输出帧频不低于30帧每秒；
(3)利用特征提取器对图像中每个像素的局部特征进行提取；每个像素的局部特征是将每个像素为中心的W1·W1窗口邻域进行切片提取，提取该切片中的局部特征,其中W1为窗口宽度，由人工进行设置；
(4)对局部特征进行池化操作，得到局部特征图；局部特征池化是指每W2·W2窗口邻域内选择局部评分最高像素的特征作为该邻域的输出,其中W2为窗口宽度，由人工进行设置；
(5)当前帧的局部特征图与前一帧的局部特征累积图进行邻域相似度匹配，并计算更新局部特征的概率累积；前后帧邻域相似度匹配是指将计算前一帧特征累积图FAIn-1与当前帧局部特征图FIn相同位置W3·W3邻域内像素局部特征的相似程度，其中W3为匹配窗口范围，由人工进行设置,相似度的评价为:
Figure FDA0004165613060000021
其中n为当前帧号，x1、y1为累积图的像素位置，x2、y2为当前帧局部特征图的位置，M为当前已累积的帧数；与局部特征最相似的像素进行特征累积，完成特征累积图FAIn更新，其中a，b为累积系数，a+b＝1；
FAIn＝a·FAIn-1+b·FIn；
(6)每进行N帧图像的局部特征累积后进行特征评分输出，完成图像增强输出，其中N为累积帧数，可事先设置；其中图像增强指将局部特征图每个像素的特征评分作为图像响应输出。
CN201910850365.6A 2019-09-10 2019-09-10 一种暗弱目标的对比度增强方法 Active CN110728635B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910850365.6A CN110728635B (zh) 2019-09-10 2019-09-10 一种暗弱目标的对比度增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910850365.6A CN110728635B (zh) 2019-09-10 2019-09-10 一种暗弱目标的对比度增强方法

Publications (2)

Publication Number Publication Date
CN110728635A CN110728635A (zh) 2020-01-24
CN110728635B true CN110728635B (zh) 2023-07-07

Family

ID=69218047

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910850365.6A Active CN110728635B (zh) 2019-09-10 2019-09-10 一种暗弱目标的对比度增强方法

Country Status (1)

Country Link
CN (1) CN110728635B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4999711A (en) * 1988-07-01 1991-03-12 U.S. Philips Corp. Digital method of modifying an image contrast so as to retain imaging of small objects
CN101567087A (zh) * 2009-05-25 2009-10-28 北京航空航天大学 复杂天空背景下红外序列图像弱小目标检测与跟踪方法
CN101930072A (zh) * 2010-07-28 2010-12-29 重庆大学 基于多特征融合的红外弱小运动目标航迹起始方法
CN106204476A (zh) * 2016-06-27 2016-12-07 中国矿业大学 一种低照度彩色图像增强方法
CN106709426A (zh) * 2016-11-29 2017-05-24 上海航天测控通信研究所 基于红外遥感图像的舰船目标检测方法
CN107481210A (zh) * 2017-08-03 2017-12-15 北京长峰科威光电技术有限公司 基于细节的局部选择性映射的红外图像增强方法
CN108257155A (zh) * 2018-01-17 2018-07-06 中国科学院光电技术研究所 一种基于局部和全局耦合的扩展目标稳定跟踪点提取方法
CN109767439A (zh) * 2019-01-10 2019-05-17 中国科学院上海技术物理研究所 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
CN110163235A (zh) * 2018-10-11 2019-08-23 腾讯科技（深圳）有限公司 图像增强模型的训练、图像增强方法、装置和存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4999711A (en) * 1988-07-01 1991-03-12 U.S. Philips Corp. Digital method of modifying an image contrast so as to retain imaging of small objects
CN101567087A (zh) * 2009-05-25 2009-10-28 北京航空航天大学 复杂天空背景下红外序列图像弱小目标检测与跟踪方法
CN101930072A (zh) * 2010-07-28 2010-12-29 重庆大学 基于多特征融合的红外弱小运动目标航迹起始方法
CN106204476A (zh) * 2016-06-27 2016-12-07 中国矿业大学 一种低照度彩色图像增强方法
CN106709426A (zh) * 2016-11-29 2017-05-24 上海航天测控通信研究所 基于红外遥感图像的舰船目标检测方法
CN107481210A (zh) * 2017-08-03 2017-12-15 北京长峰科威光电技术有限公司 基于细节的局部选择性映射的红外图像增强方法
CN108257155A (zh) * 2018-01-17 2018-07-06 中国科学院光电技术研究所 一种基于局部和全局耦合的扩展目标稳定跟踪点提取方法
CN110163235A (zh) * 2018-10-11 2019-08-23 腾讯科技（深圳）有限公司 图像增强模型的训练、图像增强方法、装置和存储介质
CN109767439A (zh) * 2019-01-10 2019-05-17 中国科学院上海技术物理研究所 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

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
J.L.Wang.Fusion of infrared and visible light images based on region feature similarity.《Optics and PRecision Engineering》.2012,263-271页. *
Taobei Xue et al.A neighboring structure reconstructed matching algorithm based on LARK feature.《Infrared Physics & Technology》.2015,第73卷8-18页. *
祁伟.基于仿生视觉计算模型的红外图像理解.《中国博士学位论文全文数据库信息科技辑》.2017,第2018年卷(第07期),I138-64. *
肖宁等.多特征差异决策耦合Top-Hat变换的红外目标检测.《光电工程》 .2016,第43卷(第12期),110-118页. *

Also Published As

Publication number Publication date
CN110728635A (zh) 2020-01-24

Similar Documents

Publication Publication Date Title
CN109753903B (zh) 一种基于深度学习的无人机检测方法
CN109767439B (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
CN103533214B (zh) 一种基于卡尔曼滤波和双边滤波的视频实时去噪方法
CN110490904B (zh) 一种弱小目标检测与跟踪方法
CN104504652A (zh) 一种快速有效保留边缘及方向特征的图像去噪方法
CN112070717B (zh) 基于图像处理的输电线路覆冰厚度检测方法
CN105913404A (zh) 基于帧累积的低照度成像方法
CN106886747B (zh) 一种基于扩展小波变换的复杂背景下舰船检测方法
CN112686304A (zh) 一种基于注意力机制以及多尺度特征融合的目标检测方法、设备及存储介质
CN111709888B (zh) 一种基于改进的生成对抗网络的航拍图像去雾方法
CN104899842B (zh) 用于远距离线结构光图像的排序自适应极值中值滤波方法
CN111915558B (zh) 一种高压输电线销钉状态检测方法
CN111707998B (zh) 一种基于连通区域特征的海面漂浮小目标检测方法
CN114549642B (zh) 一种低对比度红外弱小目标检测方法
CN108508425A (zh) 一种雷达近地背景噪声下基于邻域特征的前景目标检测方法
CN106780545A (zh) 一种结合时空域的弱小目标能量累积增强方法
CN110047041A (zh) 一种空—频域联合的交通监控视频去雨方法
CN110728635B (zh) 一种暗弱目标的对比度增强方法
CN107748885B (zh) 一种对模糊字符进行识别的方法
CN109285148B (zh) 基于重加权低秩和增强稀疏的红外弱小目标检测方法
CN112764005A (zh) 一种结合形态学滤波的Gm-APD激光雷达低信噪比回波数据重构方法
CN109410137B (zh) 一种暗弱目标的探测方法
CN115601301B (zh) 鱼类表型特征测量方法、***、电子设备及存储介质
CN115393406B (zh) 一种基于孪生卷积网络的图像配准方法
CN116468980A (zh) 深度融合边缘细节与深层特征的红外小目标检测方法及装置

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