CN110929574A - 一种红外弱小目标快速检测方法 - Google Patents

一种红外弱小目标快速检测方法 Download PDF

Info

Publication number
CN110929574A
CN110929574A CN201910998142.4A CN201910998142A CN110929574A CN 110929574 A CN110929574 A CN 110929574A CN 201910998142 A CN201910998142 A CN 201910998142A CN 110929574 A CN110929574 A CN 110929574A
Authority
CN
China
Prior art keywords
spectrum
infrared
image
sliding window
map
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
Application number
CN201910998142.4A
Other languages
English (en)
Inventor
姚瑶
陆保国
张广庆
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.)
CETC 28 Research Institute
Original Assignee
CETC 28 Research Institute
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 CETC 28 Research Institute filed Critical CETC 28 Research Institute
Priority to CN201910998142.4A priority Critical patent/CN110929574A/zh
Publication of CN110929574A publication Critical patent/CN110929574A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种红外弱小目标快速检测方法，包括：获取包含红外弱小目标的三通道彩色RGB图像，转换为灰度图像后进行分形特征提取，得到分形系数显著图；将灰度图像进行快速傅里叶变换，得到相位谱和幅度谱；将幅度谱进行滑动窗口均值滤波后进行显著性谱残差操作得到残差图；将残差图与相位谱进行傅里叶反变换，得到谱残差显著图；将红外谱残差显著图与分形系数显著图进行归一化加权融合得到融合显著图，对融合显著图进行二值化，最终得到红外弱小目标显著图。采用前述方法可有效提升目标检测的正确率，并能避免噪声信息的误检，提升检测速度，从而实现红外弱小目标检测。

Description

一种红外弱小目标快速检测方法
技术领域
本发明涉及基于计算机视觉(Computer Vision，CV)的图像检测技术领域，尤其涉及一种红外弱小目标快速检测方法。
背景技术
红外热成像具有强抗干扰特性，并且可以在超远距离下进行全天候的成像工作。这两项重要的特性，使得红外热成像成为武器制导以及实时监控等军事领域中不可或缺的技术，可用于超远距离发现敌军飞行目标。但是，在红外图像目标检测中，一些有挑战性的问题仍然亟需解决，在超远距离下，由于红外热成像的物理特性以及光学特性，红外目标成像面积过小并且存在光学噪声。通常情况下，由于分辨率限制，红外设备成像清晰度也无法达到普通光学镜头的成像效果。由于输入信号的低信噪比，低分辨率的红外弱小目标图像存在大量噪声干扰，导致常规目标检测手段失效。因此，在红外弱小目标检测中，发明一种有效的红外弱小目标检测方法非常重要。
现有通过抑制红外图像背景进行小目标检测方法中，一类主要的方法是传统滤波器方法。滤波器的选择上又可以分为线性滤波器以及非线性滤波器。传统的线性滤波器方法优点是原理简单，实现方便，缺点是容易丢失边缘信息，近几年已较少使用。另一种是非线性滤波方法，非线性滤波方法可以较好的保留边缘信息，提取到更多的图像特征细节，但是非线性滤波器滤波速度较慢，检测效率较低。近几年比较常用的有基于统计的中值滤波，小波分解等等。中值滤波对窗口内的像素进行排列，对窗口内中值以外的其他值进行中值滤波。中值滤波可以保留窗口内较低维度的特征，保证了在空间维度发生变换的情况下的滤波器性能。小波分解是基于傅里叶变换的一种频域变换方式，分解基变为小波基，可以提取更高维度的图像特征，目前小波分解也广泛应用于红外图像处理中，包括红外图像融合以及红外目标检测。
发明内容
针对红外弱小目标检测困难的问题，本发明提出了一种红外弱小目标快速检测方法，该方法采用多通道频谱分析的方法进行红外目标检测，从而能保证***的实时性和准确性不受影响。
本发明提供的一种红外弱小目标快速检测方法，包括：
步骤1，获取包含红外弱小目标的三通道彩色RGB图像，将所述三通道彩色RGB图像转换为灰度图像；
步骤2，将所述灰度图像进行分形特征提取，得到分形系数显著图；
步骤3，将所述灰度图像进行快速傅里叶变换，得到相位谱和幅度谱；
步骤4，将所述幅度谱进行滑动窗口均值滤波，将滑动窗口均值滤波后的图像进行显著性谱残差操作，得到残差图；
步骤5，将所述残差图与相位谱进行傅里叶反变换，得到谱残差显著图；
步骤6，将所述红外谱残差显著图与分形系数显著图进行归一化加权融合得到融合显著图，对所述融合显著图进行二值化，得到红外弱小目标显著图。
进一步地，在一种实现方式中，所述步骤1包括：
步骤1-1，获取包含红外弱小目标的三通道彩色RGB图像I(x,y,z)，其中，x表示当前维度下的横坐标，y表示当前维度下的纵坐标，z表示三通道彩色RGB图像的三个维度；
步骤1-2，按照以下公式，将所述三通道彩色RGB图像I(x,y,z)转换为灰度图像G(x,y)：
Figure BDA0002240392010000021
其中，z取值为1，2和3，z＝1代表三通道彩色RGB图像中的红色通道，z＝2代表三通道彩色RGB图像中的绿色通道，z＝3代表三通道彩色RGB图像中的蓝色通道。
进一步地，在一种实现方式中，所述步骤2，包括：
步骤2-1，在所述灰度图像G(x,y)中选择尺寸为3*3的滑动窗口，所述滑动窗口内的像素表示为A1...A9；
通过R/S分析法提取分形特征，得到尺寸为w*w的滑动窗口内所有像素的平均值Ew：
Figure BDA0002240392010000031
其中，w为滑动窗口的高度与宽度，i为滑动窗口内像素坐标的位置，Ai为滑动窗口内的像素，i取值为1～w*w的正整数；
步骤2-2，根据以下公式，对所述尺寸为w*w的滑动窗口内的像素计算获得离差X(i,w)、极差Rw和偏差Sw：
所述离差X(i,w)表示尺寸为w*w的滑动窗口内每个像素Ai偏离平均值Ew的大小：
X(i,w)＝|Ai-Ew|
所述极差Rw表示离差X(i,w)中的最大值和最小值之差：
Rw＝maxX(i,w)-minX(i,w)
所述偏差Sw表示在尺寸为w*w的滑动窗口内，像素Ai与离差X(i,w)的均值的偏差值：
Figure BDA0002240392010000032
其中，EXw表示在所述尺寸为w*w的滑动窗口内离差X(i,w)的均值：
Figure BDA0002240392010000033
步骤2-3，结合所述离差X(i,w)，极差Rw以及偏差Sw，计算所述尺寸为w*w的滑动窗口内的赫斯特指数H：
H＝ln(Rw+1)/ln(Sw+1)
步骤2-4，根据以下公式，计算所述灰度图像G(x,y)表面的分形维数D，所述分形维数D即分形系数显著图：
D＝DT+1-H
其中，DT是灰度图像G(x,y)表面的拓扑维数，DT＝2。
进一步地，在一种实现方式中，所述步骤3包括：对所述灰度图像G(x,y)进行快速傅里叶变换，对所述灰度图像G(x,y)进行傅里叶变换后获得相位谱P(f)以及幅度谱A(f)：
Figure BDA0002240392010000044
Figure BDA0002240392010000045
其中，
Figure BDA0002240392010000042
表示取模运算，
Figure BDA0002240392010000043
表示取相位运算。
进一步地，在一种实现方式中，所述步骤4，包括：
步骤4-1，根据以下公式，对所述幅度谱A(f)进行对数操作，获得对数幅度谱L(f)：
L(f)＝log(A(f))
步骤4-2，根据以下公式，对所述对数幅度谱L(f)进行滑动均值滤波，获得滑动均值滤波后的幅度谱B(f)：
B(f)＝hn(f)*L(f)
其中，hn(f)为均值滤波器，n表示滑动窗口大小，h3(f)为滑动窗口大小为3的三阶滑动均值滤波器，
Figure BDA0002240392010000041
步骤4-3，根据以下公式，获取所述幅度谱A(f)中不平滑的部分，即不平滑的幅度谱R(f)：
R(f)＝L(f)-B(f)。
进一步地，在一种实现方式中，所述步骤5包括：根据以下公式，对所述不平滑的幅度谱R(f)与相位谱P(f)中的相位信息进行傅里叶反变换，获得谱残差显著图S(x,y)：
S(x,y)＝g(x,y)*ifft[exp(R(f)+P(f))]2
其中，g(x,y)为高斯低通滤波器，
Figure BDA0002240392010000051
进一步地，在一种实现方式中，所述步骤6包括：
所述融合显著图表示为：
F(x,y)＝c1D+c2S(x,y)
其中，c1表示分形维数D的系数，c2表示谱残差显著图S(x,y)的系数，c1+c2＝1，c1与c2均为取值0～1的小数；
对所述融合显著图取二值化阈值，得到结合幅度谱显著图以及分形系数显著图的红外弱小目标的显著图。
本发明是一种检测红外弱小目标的方法，它不仅能够有效检测到信噪比低的红外弱小目标，而且还能保持红外目标检测的准确率和检测速度。通过多通道的频谱残差分析，通过分形特征提取以及快速傅里叶变换的双通道谱残差(SR)分析提取大量红外背景中显著的目标部分，生成红外图像的显著图，完成弱小目标的显著检测。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例部分提供的一种红外弱小目标的快速检测方法的工作流程示意图；
图2a是本发明实施例部分提供的一种红外弱小目标的快速检测方法中包含红外弱小目标的三通道彩色RGB图像；
图2b是本发明实施例部分提供的一种红外弱小目标的快速检测方法获得的图像分形系数图；
图2c是本发明实施例部分提供的一种红外弱小目标的快速检测方法获得的红外图像残差图；
图2d是本发明实施例部分提供的一种红外弱小目标的快速检测方法获得的最终检测效果图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明实施例公开一种红外弱小目标的快速检测方法，本方法应用于对于大片的红外背景图像，如海洋或天空的图像中的红外弱小目标的检测。该应用场景的特点是由于红外背景面积较大，而待检测目标较小，人眼无法准确识别，在实际应用场景中往往需要迅速检测到红外弱小目标，本发明可以在确保准确性的前提下提高检测的速度，可广泛应用于军事，交通等应用场景。
如图1所示，本发明实施例提出一种红外弱小目标快速检测方法，包括：
步骤1，获取包含红外弱小目标的三通道彩色RGB图像，将所述三通道彩色RGB图像转换为灰度图像；
步骤2，将所述灰度图像进行分形特征提取，得到分形系数显著图；
步骤3，将所述灰度图像进行快速傅里叶变换，得到相位谱和幅度谱；
步骤4，将所述幅度谱进行滑动窗口均值滤波，将滑动窗口均值滤波后的图像进行显著性谱残差操作，得到残差图；
步骤5，将所述残差图与相位谱进行傅里叶反变换，得到谱残差显著图；
步骤6，将所述谱残差显著图与分形系数显著图进行归一化加权融合得到融合显著图，对所述融合显著图进行二值化，得到红外弱小目标显著图。
本发明是一种检测红外弱小目标的方法，它不仅能够有效检测到信噪比低的红外弱小目标，而且还能保持红外目标检测的准确率和检测速度。通过多通道的频谱残差分析，通过分形特征提取以及快速傅里叶变换的双通道谱残差(SR)分析提取大量红外背景中显著的目标部分，生成红外图像的显著图，完成弱小目标的显著检测。
本实施例所述的一种红外弱小目标快速检测方法中，所述步骤1包括：
步骤1-1，获取包含红外弱小目标的三通道彩色RGB图像I(x,y,z)，其中，x表示当前维度下的横坐标，y表示当前维度下的纵坐标，z表示三通道彩色RGB图像的三个维度；
步骤1-2，按照以下公式，将所述三通道彩色RGB图像I(x,y,z)转换为灰度图像G(x,y)：
Figure BDA0002240392010000071
其中，z取值为1，2和3，z＝1代表三通道彩色RGB图像中的红色通道，z＝2代表三通道彩色RGB图像中的绿色通道，z＝3代表三通道彩色RGB图像中的蓝色通道。
本实施例所述的一种红外弱小目标快速检测方法中，所述步骤2，包括：
步骤2-1，在所述灰度图像G(x,y)中选择尺寸为3*3的滑动窗口，所述滑动窗口内的像素表示为A1...A9；本实施例中，根据红外弱小目标普遍较小的特性，选择尺寸为3*3的滑动窗口。
通过R/S分析法提取分形特征，得到尺寸为w*w的滑动窗口内所有像素的平均值Ew：
Figure BDA0002240392010000072
其中，w为滑动窗口的高度与宽度，i为滑动窗口内像素坐标的位置，Ai为滑动窗口内的像素，i取值为1～w*w的正整数；
步骤2-2，根据以下公式，对所述尺寸为w*w的滑动窗口内的像素计算获得离差X(i,w)、极差Rw和偏差Sw：
所述离差X(i,w)表示尺寸为w*w的滑动窗口内每个像素Ai偏离平均值Ew的大小：
X(i,w)＝|Ai-Ew|
所述极差Rw表示离差X(i,w)中的最大值和最小值之差：
Rw＝maxX(i,w)-minX(i,w)
所述偏差Sw表示在尺寸为w*w的滑动窗口内，像素Ai与离差X(i,w)的均值的偏差值：
Figure BDA0002240392010000081
其中，EXw表示在所述尺寸为w*w的滑动窗口内离差X(i,w)的均值：
Figure BDA0002240392010000082
步骤2-3，结合所述离差X(i,w)，极差Rw以及偏差Sw，计算所述尺寸为w*w的滑动窗口内的赫斯特指数H：
H＝ln(Rw+1)/ln(Sw+1)
步骤2-4，根据以下公式，计算所述灰度图像G(x,y)表面的分形维数D，所述分形维数D即分形系数显著图，即红外图像在分形特征的显著图：
D＝DT+1-H
其中，DT是灰度图像G(x,y)表面的拓扑维数，DT＝2。
本实施例所述的一种红外弱小目标快速检测方法中，所述步骤3包括：对所述灰度图像G(x,y)进行快速傅里叶变换，对所述灰度图像G(x,y)进行傅里叶变换后获得相位谱P(f)以及幅度谱A(f)：
Figure BDA0002240392010000083
Figure BDA0002240392010000084
其中，
Figure BDA0002240392010000085
表示取模运算，
Figure BDA0002240392010000086
表示取相位运算。本实施例中，快速傅里叶变换是一种常见的提取图像频谱的方法，通过快速傅里叶变换可以有效提取图像幅度谱。
本实施例所述的一种红外弱小目标快速检测方法中，所述步骤4，包括：
步骤4-1，根据以下公式，对所述幅度谱A(f)进行对数操作，获得对数幅度谱L(f)：
L(f)＝log(A(f))
步骤4-2，根据以下公式，对所述对数幅度谱L(f)进行滑动均值滤波，获得滑动均值滤波后的幅度谱B(f)：
B(f)＝hn(f)*L(f)
其中，hn(f)为均值滤波器，n表示滑动窗口大小，h3(f)为滑动窗口大小为3的三阶滑动均值滤波器，
Figure BDA0002240392010000091
步骤4-3，根据以下公式，获取所述幅度谱A(f)中不平滑的部分，即不平滑的幅度谱R(f)：
R(f)＝L(f)-B(f)。
本实施例中，所述不平滑的幅度谱R(f)即红外弱小目标图像在幅度谱上的显著部分，即幅度谱与平滑后的幅度谱的残差。
本实施例所述的一种红外弱小目标快速检测方法中，所述步骤5包括：根据以下公式，对所述不平滑的幅度谱R(f)与相位谱P(f)中的相位信息进行傅里叶反变换，获得谱残差显著图S(x,y)：
S(x,y)＝g(x,y)*ifft[exp(R(f)+P(f))]2
其中，g(x,y)为高斯低通滤波器，
Figure BDA0002240392010000092
本实施例所述的一种红外弱小目标快速检测方法中，所述步骤6包括：
所述融合显著图表示为：
F(x,y)＝c1D+c2S(x,y)
其中，c1表示分形维数D的系数，c2表示谱残差显著图S(x,y)的系数，c1+c2＝1，c1与c2均为取值0～1的小数；
对所述融合显著图取二值化阈值，得到结合幅度谱显著图以及分形系数显著图的红外弱小目标的显著图。本实施例中，合适的二值化阈值大于0.5即可。
具体的，如图2a所示，为本发明实施例提供的包含红外弱小目标的三通道彩色RGB图像，在该图中红外弱小目标被云层遮挡，很难通过常规的图像目标检测方法进行检测；
如图2b所示，为根据本发明实施例所提供的红外弱小目标快速检测方法获得的图像分形系数图，由于云层和红外弱小目标的分形系数不同，肉眼可明显看出红外弱小目标的位置；
如图2c所示，为根据本发明实施例所提供的红外弱小目标快速检测方法获得的红外图像残差图，图像的谱残差可清晰看到比较平滑的背景谱被过滤掉，留下较为不平滑的红外弱小目标谱；
如图2d所示，为根据本发明实施例所提供的红外弱小目标快速检测方法获得的最终检测效果图，由于本发明对目标显著性检测较好，选取二值化阈值为0.8，矩形框内表示检测到的红外弱小目标的位置信息。可以看到本方案在实际应用场景下，对红外弱小目标的检测准确率高，误检率低。
当输入包含红外弱小目标的图像分辨率为256*256，尺寸为3的滑动均值滤波器更适合于红外弱小目标的检测，因此选取尺寸为3的滑动均值滤波器进行红外目标检测。仿真结果表明，本发明在保证目标检测有效性的同时，可以保证检测速度不受影响，同时避免噪声误检，从而提升***的可靠性。
以上所述为本发明的较佳实施例而已，但本发明不应该局限于该实施例和附图所公开的内容。所以凡是不脱离本发明所公开的精神下完成的等效或修改，都落入本发明保护的范围。
具体实现中，本发明还提供一种计算机存储介质，其中，该计算机存储介质可存储有程序，该程序执行时可包括本发明提供的一种红外弱小目标的快速检测方法的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(英文：read-onlymemory，简称：ROM)或随机存储记忆体(英文：random access memory，简称：RAM)等。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中各个实施例之间相同相似的部分互相参见即可。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例中的说明即可。
以上所述的本发明实施方式并不构成对本发明保护范围的限定。

Claims (7)

1.一种红外弱小目标快速检测方法，其特征在于，包括：
步骤1，获取包含红外弱小目标的三通道彩色RGB图像，将所述三通道彩色RGB图像转换为灰度图像；
步骤2，将所述灰度图像进行分形特征提取，得到分形系数显著图；
步骤3，将所述灰度图像进行快速傅里叶变换，得到相位谱和幅度谱；
步骤4，将所述幅度谱进行滑动窗口均值滤波，将滑动窗口均值滤波后的图像进行显著性谱残差操作，得到残差图；
步骤5，将所述残差图与相位谱进行傅里叶反变换，得到谱残差显著图；
步骤6，将所述谱残差显著图与分形系数显著图进行归一化加权融合得到融合显著图，对所述融合显著图进行二值化，得到红外弱小目标显著图。
2.根据权利要求1所述的一种红外弱小目标快速检测方法，其特征在于，所述步骤1包括：
步骤1-1，获取包含红外弱小目标的三通道彩色RGB图像I(x,y,z)，其中，x表示当前维度下的横坐标，y表示当前维度下的纵坐标，z表示三通道彩色RGB图像的三个维度；
步骤1-2，按照以下公式，将所述三通道彩色RGB图像I(x,y,z)转换为灰度图像G(x,y)：
Figure FDA0002240390000000011
其中，z取值为1，2和3，z＝1代表三通道彩色RGB图像中的红色通道，z＝2代表三通道彩色RGB图像中的绿色通道，z＝3代表三通道彩色RGB图像中的蓝色通道。
3.根据权利要求1所述的一种红外弱小目标快速检测方法，其特征在于，所述步骤2，包括：
步骤2-1，在所述灰度图像G(x,y)中选择尺寸为3*3的滑动窗口，所述滑动窗口内的像素表示为A1...A9；
通过R/S分析法提取分形特征，得到尺寸为w*w的滑动窗口内所有像素的平均值Ew：
Figure FDA0002240390000000021
其中，w为滑动窗口的高度与宽度，i为滑动窗口内像素坐标的位置，Ai为滑动窗口内的像素，i取值为1～w*w的正整数；
步骤2-2，根据以下公式，对所述尺寸为w*w的滑动窗口内的像素计算获得离差X(i,w)、极差Rw和偏差Sw：
所述离差X(i,w)表示尺寸为w*w的滑动窗口内每个像素Ai偏离平均值Ew的大小：
X(i,w)＝|Ai-Ew|
所述极差Rw表示离差X(i,w)中的最大值和最小值之差：
Rw＝maxX(i,w)-minX(i,w)
所述偏差Sw表示在尺寸为w*w的滑动窗口内，像素Ai与离差X(i,w)的均值的偏差值：
Figure FDA0002240390000000022
其中，EXw表示在所述尺寸为w*w的滑动窗口内离差X(i,w)的均值：
Figure FDA0002240390000000023
步骤2-3，结合所述离差X(i,w)，极差Rw以及偏差Sw，计算所述尺寸为w*w的滑动窗口内的赫斯特指数H：
H＝ln(Rw+1)/ln(Sw+1)
步骤2-4，根据以下公式，计算所述灰度图像G(x,y)表面的分形维数D，所述分形维数D即分形系数显著图：
D＝DT+1-H
其中，DT是灰度图像G(x,y)表面的拓扑维数，DT＝2。
4.根据权利要求1所述的一种红外弱小目标快速检测方法，其特征在于，所述步骤3包括：对所述灰度图像G(x,y)进行快速傅里叶变换，获得相位谱P(f)以及幅度谱A(f)：
Figure FDA0002240390000000031
Figure FDA0002240390000000032
其中，
Figure FDA0002240390000000033
表示取模运算，
Figure FDA0002240390000000034
表示取相位运算。
5.根据权利要求1所述的一种红外弱小目标快速检测方法，其特征在于，所述步骤4，包括：
步骤4-1，根据以下公式，对所述幅度谱A(f)进行对数操作，获得对数幅度谱L(f)：
L(f)＝log(A(f))
步骤4-2，根据以下公式，对所述对数幅度谱L(f)进行滑动均值滤波，获得滑动均值滤波后的幅度谱B(f)：
B(f)＝hn(f)*L(f)
其中，hn(f)为均值滤波器，n表示滑动窗口大小，h3(f)为滑动窗口大小为3的三阶滑动均值滤波器，
Figure FDA0002240390000000035
步骤4-3，根据以下公式，获取所述幅度谱A(f)中不平滑的部分，即不平滑的幅度谱R(f)：
R(f)＝L(f)-B(f)。
6.根据权利要求1所述的一种红外弱小目标快速检测方法，其特征在于，所述步骤5包括：根据以下公式，对所述不平滑的幅度谱R(f)与相位谱P(f)中的相位信息进行傅里叶反变换，获得谱残差显著图S(x,y)：
S(x,y)＝g(x,y)*ifft[exp(R(f)+P(f))]2
其中，g(x,y)为高斯低通滤波器，
Figure FDA0002240390000000041
7.根据权利要求1所述的一种红外弱小目标快速检测方法，其特征在于，所述步骤6包括：
所述融合显著图表示为：
F(x,y)＝c1D+c2S(x,y)
其中，c1表示分形维数D的系数，c2表示谱残差显著图S(x,y)的系数，c1+c2＝1，c1与c2均为取值0～1的小数；
对所述融合显著图取二值化阈值，得到结合幅度谱显著图以及分形系数显著图的红外弱小目标的显著图。
CN201910998142.4A 2019-10-21 2019-10-21 一种红外弱小目标快速检测方法 Pending CN110929574A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910998142.4A CN110929574A (zh) 2019-10-21 2019-10-21 一种红外弱小目标快速检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910998142.4A CN110929574A (zh) 2019-10-21 2019-10-21 一种红外弱小目标快速检测方法

Publications (1)

Publication Number Publication Date
CN110929574A true CN110929574A (zh) 2020-03-27

Family

ID=69849315

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910998142.4A Pending CN110929574A (zh) 2019-10-21 2019-10-21 一种红外弱小目标快速检测方法

Country Status (1)

Country Link
CN (1) CN110929574A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111222511A (zh) * 2020-04-13 2020-06-02 中山大学 一种红外无人机目标检测方法及***
CN111968109A (zh) * 2020-09-02 2020-11-20 中国科学院长春光学精密机械与物理研究所 多传感器自主跟踪中的数据融合方法、装置、设备及介质
CN114037820A (zh) * 2021-11-05 2022-02-11 北京环境特性研究所 一种基于多特征融合的红外弱小多目标的检测方法和装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160189349A1 (en) * 2014-12-30 2016-06-30 Huazhong University Of Science And Technology De-noising system for romote images of ground buildings using spetrum constraints and de-noising method thereof
CN106845457A (zh) * 2017-03-02 2017-06-13 西安电子科技大学 基于谱残差与模糊聚类的红外弱小目标检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160189349A1 (en) * 2014-12-30 2016-06-30 Huazhong University Of Science And Technology De-noising system for romote images of ground buildings using spetrum constraints and de-noising method thereof
CN106845457A (zh) * 2017-03-02 2017-06-13 西安电子科技大学 基于谱残差与模糊聚类的红外弱小目标检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
姚瑶: "基于时空显著性的红外目标检测与跟踪方法研究", 《中国优秀博硕士学位论文全文数据库（硕士）信息科技辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111222511A (zh) * 2020-04-13 2020-06-02 中山大学 一种红外无人机目标检测方法及***
CN111222511B (zh) * 2020-04-13 2020-07-24 中山大学 一种红外无人机目标检测方法及***
CN111968109A (zh) * 2020-09-02 2020-11-20 中国科学院长春光学精密机械与物理研究所 多传感器自主跟踪中的数据融合方法、装置、设备及介质
CN111968109B (zh) * 2020-09-02 2022-07-08 中国科学院长春光学精密机械与物理研究所 多传感器自主跟踪中的数据融合方法、装置、设备及介质
CN114037820A (zh) * 2021-11-05 2022-02-11 北京环境特性研究所 一种基于多特征融合的红外弱小多目标的检测方法和装置

Similar Documents

Publication Publication Date Title
Ahmed Comparative study among Sobel, Prewitt and Canny edge detection operators used in image processing
CN109919870B (zh) 一种基于bm3d的sar图像相干斑抑制方法
CN110929574A (zh) 一种红外弱小目标快速检测方法
CN104978715A (zh) 一种基于滤波窗口及参数自适应的非局部均值图像去噪方法
Shi et al. Single image dehazing in inhomogeneous atmosphere
CN107403134B (zh) 基于局部梯度三边的图域多尺度红外弱小目标检测方法
CN109118453B (zh) 一种背景抑制的图像处理方法
CN110378902B (zh) 一种高噪声背景下的划痕检测方法
CN103295225B (zh) 弱光照条件下的列车转向架边缘检测方法
CN108614998B (zh) 一种单像素红外目标检测方法
Hsieh et al. Fast and robust infrared image small target detection based on the convolution of layered gradient kernel
Nevriyanto et al. Image enhancement using the image sharpening, contrast enhancement, and Standard Median Filter (Noise Removal) with pixel-based and human visual system-based measurements
KR20140109801A (ko) 3d이미지 품질을 향상시키는 방법과 장치
CN113436216B (zh) 基于Canny算子的电气设备红外图像边缘检测方法
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***
CN117218026B (zh) 一种红外图像增强方法及装置
CN107610056B (zh) 基于全变分的混合加权维纳滤波图像去噪方法
CN106778822B (zh) 基于漏斗变换的图像直线检测方法
WO2024016632A1 (zh) 亮点定位方法、亮点定位装置、电子设备及存储介质
Wu et al. Research on crack detection algorithm of asphalt pavement
CN111461999A (zh) 一种基于超像素相似性测量的sar图像相干斑抑制方法
Xiao et al. Underwater image classification based on image enhancement and information quality evaluation
CN114429593A (zh) 基于快速导向滤波的红外小目标检测方法及其应用
Xiong et al. Research on an Edge Detection Algorithm of Remote Sensing Image Based on Wavelet Enhancement and Morphology.
CN114155174A (zh) 基于融合直方图分层和非线性导数的边缘检测算法

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: No.1 Lingshan South Road, Qixia District, Nanjing, Jiangsu Province, 210000

Applicant after: THE 28TH RESEARCH INSTITUTE OF CHINA ELECTRONICS TECHNOLOGY Group Corp.

Address before: 210007 No. 1 East Garden Street, Qinhuai District, Jiangsu, Nanjing

Applicant before: THE 28TH RESEARCH INSTITUTE OF CHINA ELECTRONICS TECHNOLOGY Group Corp.

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200327