CN111368585A - 一种弱小目标检测方法、检测***、存储装置及终端设备 - Google Patents

一种弱小目标检测方法、检测***、存储装置及终端设备 Download PDF

Info

Publication number
CN111368585A
CN111368585A CN201811591910.6A CN201811591910A CN111368585A CN 111368585 A CN111368585 A CN 111368585A CN 201811591910 A CN201811591910 A CN 201811591910A CN 111368585 A CN111368585 A CN 111368585A
Authority
CN
China
Prior art keywords
image
weak
information processing
extracting
domain channel
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.)
Granted
Application number
CN201811591910.6A
Other languages
English (en)
Other versions
CN111368585B (zh
Inventor
张新
赵尚男
王灵杰
吴洪波
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.)
Changchun Institute of Optics Fine Mechanics and Physics of CAS
Original Assignee
Changchun Institute of Optics Fine Mechanics and 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 Changchun Institute of Optics Fine Mechanics and Physics of CAS filed Critical Changchun Institute of Optics Fine Mechanics and Physics of CAS
Priority to CN201811591910.6A priority Critical patent/CN111368585B/zh
Publication of CN111368585A publication Critical patent/CN111368585A/zh
Application granted granted Critical
Publication of CN111368585B publication Critical patent/CN111368585B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T5/00—Image enhancement or restoration
    • G06T5/10—Image enhancement or restoration using non-spatial domain filtering
    • 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
    • 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
    • G06V10/443—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 by matching or filtering
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20064—Wavelet transform [DWT]
    • 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)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种弱小目标检测方法、检测***、存储装置及终端设备，所述弱小目标检测方法包括：获取图像；对所述图像进行初级信息处理，初步检测出弱小目标；而后，对于初级信息处理后的图像，在空域通道和频域通道分别提取出其结构分量特征和高频分量特征；将所述结构分量特征和所述高频分量特征整合为输出图像特征；根据所述输出图像特征提取出弱小目标。本发明增强了杂波抑制能力的同时也提高了检测效果的优异度。

Description

一种弱小目标检测方法、检测***、存储装置及终端设备
技术领域
本发明属于红外图像目标检测与跟踪领域，尤其涉及一种弱小目标检测方法、检测***、存储装置及终端设备。
背景技术
随着红外成像技术的广泛应用，红外目标检测与跟踪技术在交通、医疗、安防及军事等领域得到了广泛应用。而红外目标检测与跟踪领域存在的主要问题有：(1)目标弱小。当目标在图像中的尺寸低于9×9像素，且目标与背景的信噪比低于4dB时，目标则被视为弱小目标。弱小目标与周围背景的对比度较低，不具备形状特征，很难从复杂的背景中检测出来。(2)背景复杂。一方面，由于烟雾、云层、目标与载体的相对运动以及人为因素的干扰，导致红外图像中出现噪声、模糊、阴影等，从而使得红外背景杂波日益复杂。
基于上述问题，目前常规的红外目标检测方法有空域高通滤波方法、巴特沃斯频域滤波方法、最大均值滤波方法、形态学方法等，但对于复杂背景条件下的弱小目标检测能力有限。另外，随着神经科学及脑科学的发展，针对复杂背景下红外目标检测问题，将人类视觉特征整合机制应用到红外目标检测领域，有利于提高红外弱小目标检测算法的抗干扰能力。且人类视觉信息处理具有既平行又串行的特点，同时视觉信息的整合机制是个多级同步的过程，视觉信息被分为形状、空间频率、方向和对比度等特征分别处理，而后再整合起来形成完整的视知觉。人类视觉***(Human Visual System,HVS)在红外目标检测领域的应用取得了一系列成果，已有的基于HVS机制(如：侧抑制、感受野、脉冲发放机制)的目标检测算法虽在提高红外目标检测算法的鲁棒性、背景杂波和噪声抑制能力等方面取得了明显进步，但在杂波抑制能力、检测效果、鲁棒性和目标适应性等方面仍存在着一定的局限性。
发明内容
有鉴于此，本发明提供了弱小目标的检测方法、检测***、存储装置及终端设备，以解决现有技术中杂波抑制能力、检测效果、鲁棒性方面存在局限性的问题。
本发明第一方面提供了一种弱小目标的检测方法，应用于红外图像领域，所述方法包括：
S1、获取图像；
S2、对所述图像进行初级信息处理，初步检测出弱小目标；
S3、对于初级信息处理后的图像，在空域通道和频域通道分别提取出其结构分量特征和高频分量特征；
S4、将所述结构分量特征和所述高频分量特征整合为输出图像特征；
S5、根据所述输出图像特征提取所述弱小目标。
进一步的，所述图像为红外图像。
进一步的，所述初级信息处理的方法为：采用视网膜神经节细胞感受野的DOG模型对所述图像进行初级信息处理。
进一步的，所述步骤S2包括：
建立视网膜神经细胞感受野的DOG模型滤波器模板；
利用所述滤波器模板对所述图像进行滤波处理，初步获得所述弱小目标。
进一步的，利用所述滤波器模板对所述图像中的各像素点通过卷积运算进行滤波处理。
进一步的，所述DOG模型如下公式
Figure BDA0001920471810000021
其中，(x,y)为所述图像中任一点的坐标，σ1为决定所述滤波器低截止频率的高斯函数的均方差，σ2为决定所述滤波器高截止频率的高斯函数的均方差。
进一步的，利用所述滤波器模板对所述图像中的各像素点通过卷积运算进行滤波处理。
进一步的，所述利用所述滤波器模板对所述图像中的各像素点通过卷积运算进行滤波处理采用的公式为：
Figure BDA0001920471810000031
其中，R(x,y)为输出图像的灰度分布，DOG(x,y)为DOG模型函数，I(x,y)为输入图像的灰度分布，M和N分别为图像中水平方向和垂直方向的像素数量，xτ和yτ分别为所述图像滤波过程中任一点的坐标。
进一步的，所述步骤S3包括：
对于初级信息处理后的图像，在空域通道和频域通道分别提取出其结构分量特征和高频分量特征；
其中，在空域通道，根据所述进行初级信息处理后的图像构造二阶微分Hessian矩阵，提取出所述图像在空域通道的所述结构分量特征；
在频域通道，根据所述进行初级信息处理后的图像进行小波变换，提取出所述图像在频域通道的所述高频分量特征。
进一步的，所述根据所述进行初级信息处理后的图像构造二阶微分Hessian矩阵的方法为：
根据所述进行初级信息处理后的图像各像素点信息，利用如下公式构造二阶微分Hessian矩阵：
Figure BDA0001920471810000032
其中，Dxx(x,y)为水平方向的二阶微分算子，Dyy(x,y)为垂直方向的二阶微分算子，Dxy(x,y)为45°方向的二阶微分算子。
进一步的，所述根据所述进行初级信息处理后的图像各像素点信息构造二阶微分Hessian矩阵之后，还包括：
根据所述二阶微分Hessian矩阵的特征值计算二阶微分Hessian矩阵的直迹Tr_H与行列式Det_H，再利用所述直迹Tr_Hu与行列式Det_H判断图像中的局部极值，所述判断方法为：
根据Dxx(x,y)和Det_H进行局部极值的判定，若Det_H＞0且Dxx(x0,y0)＜0，则点(x0,y0)为局部极大值点，即图像中的点目标；若Det_H＞0且Dxx(x0,y0)＞0，则该(x0,y0)为局部极小值点；若Det_H＜0，则该(x0,y0)为鞍点；若Det_H＜0，则点(x0,y0)为临界点。
最后，提取出空域通道的结构分量特征，利用如下公式可提取出含有弱小目标的结构分量特征。
Figure BDA0001920471810000041
其中，Q(x,y)是结构分量特征图像的灰度值。
进一步的，在频域通道，利用小波变换，提取出所述图像的高频分量特征包括：
根据所述进行初级信息处理后的图像频域利用小波变换进行二级分解得到小波变换系数向量，将小波变换系数向量中的近似系数矩阵设为0，再计算所述小波变换系数向量的反变换，根据所述反变换的绝对值提取出所述弱小目标的所述高频分量特征。
进一步的，所述步骤S4包括：
将空域通道的结构分量特征和频域通道的高频分量特征进行点乘整合，以获得所述输出图像特征。
本发明第二方面提供了一种弱小目标检测***，应用于红外图像领域，所述***包括：
图像模块，用于读取或获取图像；
信息处理模块，用于对所述图像进行初级信息处理，初步检测出弱小目标；
特征提取模块，用于对所述进行初级信息处理后的图像，在空域通道和频域通道分别提取出其结构分量特征和高频分量特征，并将所述结构分量特征和所述高频分量特征整合为输出图像特征，据此提取所述弱小目标；
所述图像处理模块和所述信息处理模块电连接，所述信息处理模块和所述特征提取模块电连接。
本发明第三方面提供了一种存储装置，包括：
软件单元和存储单元；
所述软件单元用于执行如上所述的任何一步骤中的弱小目标检测方法；
所述存储单元用于存储所述软件单元。
本发明第四方面提供了一种终端设备，包括存储单元、处理器以及存储在所述存储单元并在所述处理器上运行的软件程序，所述处理器执行所述软件程序时实现如上所述任何一步骤中的弱小目标检测方法。
本发明与现有技术相比存在的有益效果是：
本发明首先利用DOG模型对图像进行初级信息处理，初步滤除了部分背景杂波；而后，在空域通道，根据二阶微分Hessian矩阵的直迹Tr_H与行列式Det_H对图像的灰度分布进行了判断，根据判断结果提取出含有弱小目标的结构分量特征；在频域通道，根据所述进行初级信息处理后的图像信息利用小波变换进行二级分解得到小波变换系数向量，将小波变换系数向量中的近似系数矩阵设为0，再计算所述小波变换系数向量的反变换，根据所述反变换的绝对值提取出含有弱小目标的所述高频分量特征。进而分别在空域和频域通道再次抑制了复杂背景杂波，增强了杂波抑制能力。
本发明基于人类视觉特征整合机制的优良特性，将该机制模拟及改进，应用于复杂背景下的弱小目标检测。首先，利用视网膜感受野的数学模型(DOG模型)对红外图像进行初级信息处理，初步检测出弱小目标。而后，分为空域和频域两个通道分别提取出含有弱小目标的结构特征和高频分量特征。最后，将空域通道与频域通道的分量特征整合，提取出复杂背景下的弱小目标。因此，该方法不仅可将背景杂波充分抑制，还可将弱小目标进行增强，检测效果良好。
本发明公开的一种基于视觉特征整合的弱小目标检测方法、弱小目标检测***、存储装置及终端设备，无需阈值调节，性能稳定，鲁棒性强，对含有空中、海面或地面等背景的图像皆适用。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的弱小目标检测方法的第一实施例的流程示意图；
图2是本发明实施例提供的弱小目标检测方法第二实施例的细化流程示意图；
图3是本发明实施例提供的弱小目标检测方法与5种现有方法的检测结果对比图；
图4是本发明实施例提供的弱小目标检测***的模块示意图；
图5是本发明实施例提供的存储装置的模块示意图；
图6是本发明实施例提供的终端设备的模块示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
本发明实施例中，首先，利用视网膜神经节细胞感受野的数学模型DOG(Different-of-Gaussian)对红外图像进行初级信息处理，初步检测出弱小目标。而后，对于初级信息处理后的图像，在空域通道和频域通道分别提取出其结构分量特征和高频分量特征。具体地，在空域通道，利用所述初级信息处理后图像各像素点的信息构造二阶微分Hessian矩阵，计算Hessian矩阵的直迹与行列式进行局部极值的判定，进而提取出含有弱小目标的结构分量特征；在频域通道，利用小波变换对所述初级信息处理后的图像频域进行二级分解，进而提取出含有弱小目标的高频分量特征。最后，将空域通道与频域通道的分量特征整合，提取出复杂背景下的弱小目标。由于本发明首先利用DOG模型对图像进行初级信息处理，初步滤除了部分背景杂波；进一步的，分为空域和频域两个通道分别提取出含有弱小目标的结构特征和高频分量特征，可以再次抑制复杂背景杂波，并且还可将弱小目标进行增强，检测效果好。并且本发明实施例无需阈值调节，性能稳定，鲁棒性强，对含有空中、海面或地面等背景的图像皆适用。
在本发明实施例中，流程的执行主体为终端设备，该终端设备包括但不限于笔记本电脑、计算机、服务器、平板电脑以及智能手机等具有模型建立、数据处理功能的终端设备。特别地，该终端设备执行本发明实施中的流程时能够运行大型的模拟软件并用于为弱小目标检测结果的展示。本发明实施例的终端设备为Inter(R)CPU 2.7GHz、4.00G的PC机，且此PC机上运行有MATLAB2012b平台。
图1为本发明的弱小目标检测方法第一实施例的流程示意图，详述如下：
S1，获取图像。
在本实施例中，终端设备主动获取或拍摄红外图像并存储于PC机内部，实验图像为目标尺寸小于9×9像素、信噪比小于4dB以及对比度小于15％的原始图像。
S2，对上述原始图像进行初级信息处理，初步检测出弱小目标。
在本实施例中，利用视网膜神经节细胞感受野的数学模型(DOG模型)对上述红外图像进行初级信息处理，初步检测出弱小目标。首先，建立DOG滤波器模板，需要说明的是，视网膜神经节细胞呈现同心圆颉颃式感受野，其数学模型用DOG模型来表示，其中DOG模型的函数表达形式为：
Figure BDA0001920471810000081
其中，(x,y)为所述图像中任一点的坐标，σ1为决定所述滤波器低截止频率的高斯函数的均方差，σ2为决定所述滤波器高截止频率的高斯函数的均方差。
其次，对DOG函数需要进行离散化获得N×N大小的滤波模板，所述的N根据滤波处理速度和精度而定。N越大，精度越高，即图像中的高频点更加突出，灰度表现力更好，但处理速度会变慢。最后，利用滤波模板对图像进行滤波处理，具体的，利用卷积模板对上述红外图像各像素点进行滤波获取图像信息，初步检测出弱小目标，采取的公式为：
Figure BDA0001920471810000082
其中，R(x,y)为输出图像的灰度分布，DOG(x,y)为DOG模型函数，I(x,y)为输入图像的灰度分布，M和N分别为上述红外图像中水平方向和垂直方向的像素数量，xτ和yτ分别为所述图像滤波过程中任一点的坐标。
S3，对于初级信息处理后的图像，在空域通道和频域通道分别提取出其结构分量特征和高频分量特征。
本发明实施例中，通过空域和频域两个通道分别提取出含有弱小目标的结构分量特征和高频分量特征。在空域通道，构造二阶微分Hessian矩阵，提取出所述图像的结构分量特征；在频域通道，利用小波变换，提取出所述图像的高频分量特征。
S4，将所述结构分量特征和所述高频分量特征整合为输出图像特征。
在本发明实施例中，将步骤S3中获得的含有弱小目标的结构分量特征和步骤S3中获得的含有弱小目标的高频分量特征进行点乘整合以获得输出图像特征。
S5，根据所述输出图像特征提取所述弱小目标。
在本发明实施例中，根据步骤S4中的输出图像特征，提取出复杂背景下的弱小目标。
图2给出了本发明实施例弱小目标检测方法第二实施例的细化流程示意图。参考图2，基于图1实施例，本实施例提供了的一种弱小目标检测方法，具体详述如下：
步骤S1，获取图像；步骤S2，对上述原始图像进行初级信息处理，初步检测出弱小目标。具体实施例与上述第一实施例中采取的技术方案一致，不再赘述。
S3，对于初级信息处理后的图像，在空域通道和频域通道分别提取出其结构分量特征和高频分量特征。
具体的，通过空域频道提取出所述弱小目标的结构分量特征的具体步骤包括：
S301，构造二阶微分Hessian矩阵。
本发明实施例中，根据步骤S2中进行初级信息处理后图像的各点信息构造二阶微分Hessian矩阵，所采取的公式为：
Figure BDA0001920471810000091
其中，Dxx(x,y)为水平方向的二阶微分算子，Dyy(x,y)为垂直方向的二阶微分算子，Dxy(x,y)为45°方向的二阶微分算子。
S302，计算二阶微分Hessian矩阵的直迹Tr_H与行列式Det_H。
本发明实施例中，计算Hessian矩阵的直迹Tr_H与行列式Det_H采取的公式为：
Figure BDA0001920471810000092
其中，λ1和λ2是Hessian矩阵的特征值。
S303，利用所述直迹Tr_Hu与行列式Det_H判断图像中的局部极值。
利用所述直迹Tr_Hu与行列式Det_H判断图像中的局部极值，所述判断方法为：
根据Dxx(x,y)和Det_H进行局部极值的判定，若Det_H＞0且Dxx(x0,y0)＜0，则点(x0,y0)为局部极大值点，即图像中的点目标；若Det_H＞0且Dxx(x0,y0)＞0，则该(x0,y0)为局部极小值点；若Det_H＜0，则该(x0,y0)为鞍点；若Det_H＜0，则点(x0,y0)为临界点。
S304，提取出弱小目标的结构分量特征的灰度值。
具体的，利用如下公式计算弱小目标的结构分量特征的灰度值：
Figure BDA0001920471810000101
其中，Q(x,y)为弱小目标的结构分量特征图像的灰度值。
具体的，通过频域频道提取出所述进行初级信息处理后图像的高频分量特征的具体步骤包括：
S311，利用小波变换进行二级分解。
本发明实施例中，利用小波变换对步骤S2中获得的图像进行二级分解，分解后所述进行初级信息处理后图像的小波变换系数向量包括：一个近似系数矩阵和2组行、列、对角线细节系数矩阵，其中近似系数矩阵代表图像的低频背景部分，行、列、对角线细节系数矩阵代表图像的高频部分。进一步的，本实施例中选择sym4小波对上述图像的频域进行二级分解，需要说明的是，所述小波变换中的小波类型可为也可为haar、sym或db等小波族中的小波。
S312，将小波变换系数向量中的近似系数矩阵设置为0。
S313，计算小波变换系数向量的反变换，取其绝对值。
具体的，根据步骤S312中的近似系数矩阵计算小波变换系数向量的反变换，取其绝对值。
S314，提取出弱小目标的高频分量特征。
根据步骤S313中的绝对值获得含有弱小目标的高频分量特征图像F(x,y)。
S4，将结构分量特征和所述高频分量特征整合为输出图像特征。
本发明实施例中，将步骤S3中获得的含有弱小目标的结构分量特征和步骤S3中获得的含有弱小目标的高频分量特征进行点乘获得输出图像特征采用的公式为：
Out(x,y)＝Q(x,y)·F(x,y)
其中，Out(x,y)为最终输出图像。
S5，根据所述输出图像特征提取所述弱小目标。
图3示出了本发明实施例中弱小目标检测方法与5种现有方法的检测结果对比图。
其中，图(a)-(f)中的图像从左到右依次为原始图像、形态学方法、Max-mean(最大均值滤波方法)、Max-median(最大中值滤波方法)、TDLMS(二维最小均方差法)、基于侧抑制的目标检测方法和本发明方法的检测结果。从图中可以看出，采用本发明方法可较好地抑制背景杂波的干扰，在原始图像的目标信号非常微弱的情况下，其检测性能仍表现良好，其效果优于其他5种对比方法。
图4示出了本发明实施例提供的弱小目标检测***100的模块示意图。
具体的，本***100包括：图像模块1，用于读取或获取图像；信息处理模块2用于对所述图像进行初级信息处理，初步检测出弱小目标；特征提取模块3，作用于初级信息处理后的图像，在空域通道和频域通道分别提取出其结构分量特征和高频分量特征，并将上述结构分量特征和所述高频分量特征整合为输出图像特征，据此提取所述弱小目标；图像处理模块1和信息处理模块2电连接，信息处理模块2和特征提取模块3电连接。
图5示出了本发明实施例提供的存储装置200的模块示意图。
具体的，本装置200包括软件单元201和存储单元202，所述软件单元201即为实现上述图1、图2实施例提供的弱小目标检测方法而设定；所述存储单元201可以为内存，也可以是DRAM颗粒、NAND颗粒等能够存放电子数据的存储介质。所述软件单元201优先存储在存储单元，也可以其它形式例如以烧录的形式集成于存储装置200中，本存储装置200可以方便的实现弱小目标检测功能。
需要说明的是，首先，本存储装置200中的软件单元201能够被计算机或者其它具有运算/计算功能的设备正确读取。当然，本存储装置200可以为只读模式，也可以是可读、可写模式，此种情况可以是一块包含了上述软件单元201的寻常存储装置，用户也可以同步存储其他数据在所述存储单元202。例如可以是目前通常使用的智能存储卡(Smart MediaCard,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)，固态存储硬盘(SolidState Drive，SSD)。有选的，为了确保本存储装置200的安全性和可靠性，优选本存储装置200为只读装置。
示例性的，所述软件单元201可以是加密状态，计算机或者其它具有运算/计算功能的设备对其进行读取时，需要用户输入口令密码进行验证，验证成功后所述计算机或者其它具有运算/计算功能才能正确读取所述软件201，并运行实现上述弱小目标的检测。有选的，所述软件单元201中的软件程序也可以是开源代码，便于本领域技术人员不断修改、完善上述程序以更快、更优的速度实现上述图1、图2实施例中所述的弱小目标检测方法。
图6示出了本发明实施例提供的终端设备300的模块示意图。
具体的，本终端设备300包括：处理器303、存储单元302以及存储在所述存储单元302中并可在所述处理器303上运行的软件程序301，例如可以是实现检测弱小目标方法的软件程序。所述处理器303执行所述软件程序301时实现上述所有弱小目标检测实施例中的方法，例如图1所示的步骤S1至S5。或者，所述处理器303执行所述软件程序301时实现上述检测***100实施例中各模块/单元的功能，例如图4所示模块1至3的功能。
示例性的，所述软件机程序301可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储单元302中，并由所述处理器303执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列软件程序指令段，该指令段用于描述所述软件程序301在所述弱小目标检测***100和所述终端设备300中的执行过程。例如，所述软件程序301可以被分割成图像模块、信息处理模块、特征提取模块(虚拟检测***中的模块)，各模块具体功能如下：
图像模块，用于读取或获取图像；信息处理模块，用于对所述图像进行初级信息处理，初步检测出弱小目标；特征提取模块，用于初级信息处理后的图像，在空域通道和频域通道分别提取出其结构分量特征和高频分量特征，并将上述结构分量特征和所述高频分量特征整合为输出图像特征，据此提取所述弱小目标。
所述终端设备300可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端300设备可包括，但不仅限于，处理器303、存储单元302。本领域技术人员可以理解，图6仅仅是终端设备300的示例，并不构成对终端设备300的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备6还可以包括输入输出设备、网络接入设备、总线等。
所述处理器303可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储单元302可以是所述终端设备300的内部存储单元，例如终端设备300的硬盘或内存。所述存储单元302也可以是所述终端设备300的外部存储设备，例如所述终端设备上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储单元302还可以既包括所述终端设备6的内部存储单元也包括外部存储设备。所述存储单元302用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储单元302还可以用于暂时地存储计算过程中的数据或者缓存数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的吗哦快及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所述的弱小目标检测方法、检测***、存储装置、终端设备优先应用于红外图像领域，并不是说一定不适用于其它类型的图像中的弱小目标的检测，也就是说，在本领域技术人员没有做出创造性劳动的情况下将上述检测方法、存储装置、终端设备用于对灰度图像、普通图像进行的弱小目标检测仍落入到本专利的保护范围之内。并且，本发明所揭露的方法、***、存储装置及终端设备，也可以通过其它的方式实现。例如，以上所描述的***实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离模块说明的单元可以是或者也可以不是物理上分开的，既可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (9)

1.一种弱小目标检测方法，应用于红外图像领域，其特征在于，所述方法包括：
S1、获取图像；
S2、对所述图像进行初级信息处理，初步检测出弱小目标；
S3、对于初级信息处理后的图像，在空域通道和频域通道分别提取出其结构分量特征和高频分量特征；
S4、将所述结构分量特征和所述高频分量特征整合为输出图像特征；
S5、根据所述输出图像特征提取所述弱小目标。
2.如权利要求1所述的弱小目标检测方法，其特征在于，采用视网膜神经节细胞感受野的DOG模型对所述图像中的各像素点通过卷积运算进行初级信息处理以初步检测出弱小目标。
3.如权利要求1所述的弱小目标检测方法，其特征在于，所述对于初级信息处理后的图像，在所述空域通道构造二阶微分Hessian矩阵，提取出所述图像的所述结构分量特征；
对于初级信息处理后的图像，在所述频域通道，利用小波变换，提取出所述图像的所述高频分量特征。
4.如权利要求3所述的弱小目标检测方法，其特征在于，所述在空域通道，构造二阶微分Hessian矩阵，提取出所述图像的结构分量特征，还包括：
根据所述二阶微分Hessian矩阵的特征值计算二阶微分Hessian矩阵的直迹Tr_H与行列式Det_H；
利用所述直迹Tr_Hu与行列式Det_H判断图像中的局部极值，进而提取出空域通道的结构分量特征。
5.如权利要求3所述的弱小目标检测方法，其特征在于，在频域通道，利用小波变换，提取出所述图像的高频分量特征包括：
根据所述初级信息处理后的图像利用小波变换进行二级分解得到小波变换系数向量，将小波变换系数向量中的近似系数矩阵设为0，计算所述小波变换系数向量的反变换，根据所述反变换的绝对值提取出所述弱小目标的所述高频分量特征。
6.如权利要求1所述的弱小目标检测方法，其特征在于，将所述空域通道的所述结构分量特征和所述频域通道的所述高频分量特征进行点乘整合，以获得所述输出图像特征。
7.一种弱小目标检测***，应用于红外图像领域，其特征在于，所述***包括：
图像模块，用于读取或获取图像；
信息处理模块，用于对所述图像进行初级信息处理，初步检测出弱小目标；
特征提取模块，用于初级信息处理后的图像，在空域通道和频域通道分别提取出其结构分量特征和高频分量特征，并将所述结构分量特征和所述高频分量特征整合为输出图像特征，据此提取所述弱小目标；
所述图像处理模块和所述信息处理模块电连接，所述信息处理模块和所述特征提取模块电连接。
8.一种存储装置，其特征在于，包括：
软件单元和存储单元；
所述软件单元用于实现如权利要求1-6任一项所述的弱小目标检测方法；
所述存储单元用于存储所述软件单元。
9.一种终端设备，包括存储单元、处理器以及存储在所述存储单元并在所述处理器上运行的软件程序，其特征在于，所述处理器执行所述软件程序时实现如权利要求1-6任一项所述的弱小目标检测方法。
CN201811591910.6A 2018-12-25 2018-12-25 一种弱小目标检测方法、检测***、存储装置及终端设备 Active CN111368585B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811591910.6A CN111368585B (zh) 2018-12-25 2018-12-25 一种弱小目标检测方法、检测***、存储装置及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811591910.6A CN111368585B (zh) 2018-12-25 2018-12-25 一种弱小目标检测方法、检测***、存储装置及终端设备

Publications (2)

Publication Number Publication Date
CN111368585A true CN111368585A (zh) 2020-07-03
CN111368585B CN111368585B (zh) 2023-04-21

Family

ID=71211369

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811591910.6A Active CN111368585B (zh) 2018-12-25 2018-12-25 一种弱小目标检测方法、检测***、存储装置及终端设备

Country Status (1)

Country Link
CN (1) CN111368585B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114595735A (zh) * 2020-11-20 2022-06-07 中移动信息技术有限公司 一种用户检测方法、装置、设备及计算机存储介质

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101201937A (zh) * 2007-09-18 2008-06-18 上海医疗器械厂有限公司 基于小波重构与分解的数字图像增强方法及其装置
US20120294502A1 (en) * 2010-02-11 2012-11-22 Heang-Ping Chan Methods for Microalification Detection of Breast Cancer on Digital Tomosynthesis Mammograms
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
CN103234969A (zh) * 2013-04-12 2013-08-07 江苏大学 一种基于机器视觉的织物纬密度测量新方法
CN103700113A (zh) * 2012-09-27 2014-04-02 中国航天科工集团第二研究院二O七所 一种下视复杂背景弱小运动目标检测方法
CN104036523A (zh) * 2014-06-18 2014-09-10 哈尔滨工程大学 一种基于SURF特征的改进Mean Shift的目标跟踪方法
CN104299229A (zh) * 2014-09-23 2015-01-21 西安电子科技大学 一种基于时空域背景抑制的红外弱小目标检测方法
CN104679895A (zh) * 2015-03-18 2015-06-03 成都影泰科技有限公司 一种医学影像数据存储方法
US20160005171A1 (en) * 2013-02-27 2016-01-07 Hitachi, Ltd. Image Analysis Device, Image Analysis System, and Image Analysis Method
US20160224868A1 (en) * 2015-01-29 2016-08-04 Yahoo! Inc. Object detection in images
CN106251344A (zh) * 2016-07-26 2016-12-21 北京理工大学 一种基于视觉感受野的多尺度红外目标自适应检测方法
US20170061236A1 (en) * 2015-09-02 2017-03-02 Apple Inc. Detecting keypoints in image data
CN106600564A (zh) * 2016-12-23 2017-04-26 潘敏 一种新型图像增强方法
CN107220948A (zh) * 2017-05-23 2017-09-29 长春工业大学 一种视网膜图像增强的方法
CN107403134A (zh) * 2017-05-27 2017-11-28 西安电子科技大学 基于局部梯度三边的图域多尺度红外弱小目标检测方法
CN107507122A (zh) * 2017-08-22 2017-12-22 吉林大学 基于nsct和sift的立体图像零水印方法
CN107886101A (zh) * 2017-12-08 2018-04-06 北京信息科技大学 一种基于rgb‑d的场景三维特征点高效提取方法

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101201937A (zh) * 2007-09-18 2008-06-18 上海医疗器械厂有限公司 基于小波重构与分解的数字图像增强方法及其装置
US20120294502A1 (en) * 2010-02-11 2012-11-22 Heang-Ping Chan Methods for Microalification Detection of Breast Cancer on Digital Tomosynthesis Mammograms
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
CN103700113A (zh) * 2012-09-27 2014-04-02 中国航天科工集团第二研究院二O七所 一种下视复杂背景弱小运动目标检测方法
US20160005171A1 (en) * 2013-02-27 2016-01-07 Hitachi, Ltd. Image Analysis Device, Image Analysis System, and Image Analysis Method
CN103234969A (zh) * 2013-04-12 2013-08-07 江苏大学 一种基于机器视觉的织物纬密度测量新方法
CN104036523A (zh) * 2014-06-18 2014-09-10 哈尔滨工程大学 一种基于SURF特征的改进Mean Shift的目标跟踪方法
CN104299229A (zh) * 2014-09-23 2015-01-21 西安电子科技大学 一种基于时空域背景抑制的红外弱小目标检测方法
US20160224868A1 (en) * 2015-01-29 2016-08-04 Yahoo! Inc. Object detection in images
CN104679895A (zh) * 2015-03-18 2015-06-03 成都影泰科技有限公司 一种医学影像数据存储方法
US20170061236A1 (en) * 2015-09-02 2017-03-02 Apple Inc. Detecting keypoints in image data
CN106251344A (zh) * 2016-07-26 2016-12-21 北京理工大学 一种基于视觉感受野的多尺度红外目标自适应检测方法
CN106600564A (zh) * 2016-12-23 2017-04-26 潘敏 一种新型图像增强方法
CN107220948A (zh) * 2017-05-23 2017-09-29 长春工业大学 一种视网膜图像增强的方法
CN107403134A (zh) * 2017-05-27 2017-11-28 西安电子科技大学 基于局部梯度三边的图域多尺度红外弱小目标检测方法
CN107507122A (zh) * 2017-08-22 2017-12-22 吉林大学 基于nsct和sift的立体图像零水印方法
CN107886101A (zh) * 2017-12-08 2018-04-06 北京信息科技大学 一种基于rgb‑d的场景三维特征点高效提取方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CHANDAKA SHRAVANI等: "Feature Extraction and Matching using Gabor wavelets and Hessian detector", pages 297 - 300 *
罗晓清等: "应用多特征的红外弱小目标检测", 《计算机工程与应用》, vol. 47, no. 32, 31 December 2011 (2011-12-31), pages 12 - 13 *
赵耀: "红外弱小目标检测算法研究", no. 7, pages 138 - 1126 *
邓亚平: "基于人类视觉机制的红外弱小目标检测", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 6, 15 June 2017 (2017-06-15), pages 138 - 1266 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114595735A (zh) * 2020-11-20 2022-06-07 中移动信息技术有限公司 一种用户检测方法、装置、设备及计算机存储介质

Also Published As

Publication number Publication date
CN111368585B (zh) 2023-04-21

Similar Documents

Publication Publication Date Title
Han et al. Underwater image processing and object detection based on deep CNN method
CN108805023B (zh) 一种图像检测方法、装置、计算机设备及存储介质
CN109919870B (zh) 一种基于bm3d的sar图像相干斑抑制方法
DE112016006873T5 (de) Erfassung von Menschen in Bildern unter Verwendung von Tiefeninformationen
CN112883918B (zh) 人脸检测方法、装置、终端设备及计算机可读存储介质
CN111340109A (zh) 图像匹配方法、装置、设备及存储介质
CN103279957A (zh) 一种基于多尺度特征融合的遥感图像感兴趣区域提取方法
CN110825900A (zh) 特征重构层的训练方法、图像特征的重构方法及相关装置
CN111091075A (zh) 人脸识别方法、装置、电子设备及存储介质
CN111368717A (zh) 视线确定方法、装置、电子设备和计算机可读存储介质
Zhang et al. Dual-channel multi-task CNN for no-reference screen content image quality assessment
CN112150371A (zh) 图像降噪方法、装置、设备及存储介质
CN111882565B (zh) 一种图像二值化方法、装置、设备及存储介质
CN110782406A (zh) 一种基于信息蒸馏网络的图像去噪方法及装置
CN111127358B (zh) 图像处理方法、装置及存储介质
WO2022199395A1 (zh) 人脸活体检测方法、终端设备及计算机可读存储介质
CN115512258A (zh) 一种视频图像的脱敏方法、装置、终端设备和存储介质
CN113228105A (zh) 一种图像处理方法、装置和电子设备
CN110751667A (zh) 基于人类视觉***的复杂背景下红外弱小目标检测方法
CN110929574A (zh) 一种红外弱小目标快速检测方法
CN111368585B (zh) 一种弱小目标检测方法、检测***、存储装置及终端设备
CN112364807B (zh) 图像识别方法、装置、终端设备及计算机可读存储介质
CN106778822B (zh) 基于漏斗变换的图像直线检测方法
CN109934777B (zh) 图像局部不变特征提取方法、装置、计算机设备及存储介质
CN111639555A (zh) 一种指静脉图像噪声精确提取和自适应滤波去噪方法及装置

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