CN111696096B - 一种基于成像特性的空间弱小多目标检测方法及*** - Google Patents

一种基于成像特性的空间弱小多目标检测方法及*** Download PDF

Info

Publication number
CN111696096B
CN111696096B CN202010538024.8A CN202010538024A CN111696096B CN 111696096 B CN111696096 B CN 111696096B CN 202010538024 A CN202010538024 A CN 202010538024A CN 111696096 B CN111696096 B CN 111696096B
Authority
CN
China
Prior art keywords
target
image
pixel value
point
local maximum
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
CN202010538024.8A
Other languages
English (en)
Other versions
CN111696096A (zh
Inventor
张小虎
林彬
甘叔玮
王杰
杨夏
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.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen University
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 Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN202010538024.8A priority Critical patent/CN111696096B/zh
Publication of CN111696096A publication Critical patent/CN111696096A/zh
Application granted granted Critical
Publication of CN111696096B publication Critical patent/CN111696096B/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
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • 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]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • 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
    • G06T2207/20032—Median filtering

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)

Abstract

本发明公开一种基于成像特性的空间弱小多目标检测方法，首先通过中值滤波来平滑图像的噪声；再通过卷积操作寻找图像的高亮区域以获得所有局部最大像素值点；然后根据局部最大像素值点在卷积图像中的分布特征，设定多个子图半径，以局部最大像素值点为中心按子图半径在卷积图像内提取多个子图，构建与子图相同尺度且满足高斯分布的核函数；接着计算目标特性参数，通过该目标特性参数可准确提取各个局部最大像素值点的特征；最后根据目标特性参数，计算局部最大像素值点的MLTC值，根据MLTC值，确定待检测图像中的目标点，并根据MLTC值剔除所述目标点中的重复目标点，获得待检测图像中的空间弱小目标，该方法可实现高数量、高精度的目标检测，检测过程简单高效。

Description

一种基于成像特性的空间弱小多目标检测方法及***
技术领域
本发明涉及空间探测感知技术领域，尤其是一种基于成像特性的空间弱小多目标检测方法及***。
背景技术
随着空间技术的发展，全球空间优势争夺激烈，空间态势感知作为开展各类空间活动的基础能力，已经引起了高度关注，空间态势感知是指通过情报收集、目标监视、环境监测等手段获取空间目标活动的基础情况，支持自身飞行安全和空间控制任务，为卫星侦查、导弹预警、空间飞行物监测等其他空间行动提供相应的数据支持，而空间目标探测与识别又是其中的重中之重。
空间目标的探测和识别就是利用各种手段来获取目标的特征和信息来判定目标的属性、类型、位置、威胁等。弱小目标的检测与识别是其中的难点问题。在远距离大视场成像***中，目标等成像对象在成像图像中只占有极少数量的像素。目标大小亮度跨度极大，且没有结构以及纹理信息。同时，成像***内的噪声和背景杂波干扰较强，目标信号较弱，容易被强噪声背景所淹没，因此，弱小目标的检测相较于大目标的检测存在诸多难点。
现有的研究主要是两种思路。第一类，抑制背景，增强目标；这一类思路包含了一些早期的方法，如top-hat、max-mean和max-median、二维最小均方(TDLMS)等；第二类，人类视觉***(HVS)；人类视觉***的许多特征包括大小适应过程、对比机制、多分辨率表征和注意转移机制已经被广泛研究，其中，局部对比图(LCM)、多尺度检测相对局部对比度测度(RLCM)和邻域显著性映射(NSM)对比机制等起着重要作用。现有的这些思路大多强调目标相对于背景的显著性，而不是目标本身的特点；其次，基于机器学习的方法需要足够的训练数据来估计背景或检测目标，而实际工程中很难保证数据的通用性和有效性。
发明内容
本发明提供一种基于成像特性的空间弱小多目标检测方法及***，用于克服现有技术中通用性、有效性较差等缺陷。
为实现上述目的，本发明提出一种基于成像特性的空间弱小多目标检测方法，包括：
获取带有多个空间弱小目标的待检测图像；
对所述待检测图像进行中值滤波，获得平滑图像；
根据预先设置的卷积核对所述平滑图像进行卷积处理，获得卷积图像内的局部最大像素值点；
根据所述局部最大像素值点在所述卷积图像中的分布特征，设定多个子图半径，以所述局部最大像素值点为中心按所述子图半径在所述卷积图像内提取多个子图，构建与所述子图相同尺度且满足高斯分布的核函数；
根据所述核函数以及所述局部最大像素值点，确定所述子图的目标特性参数中的能量响应度、能量集中度，以及根据所述子图，确定所述目标特性参数中的能量转移度；
根据所述目标特性参数，计算局部最大像素值点的MLTC值，根据所述MLTC值，确定所述子图中的目标点，并根据所述MLTC值剔除所述目标点中的重复目标点，获得所述待检测图像中的空间弱小目标。
为实现上述目的，本发明还提出基于成像特性的空间弱小多目标检测***，包括：
图像获取模块，用于获取带有多个空间弱小目标的待检测图像；
滤波模块，用于对所述待检测图像进行中值滤波，获得平滑图像；
卷积模块，用于根据预先设置的卷积核对所述平滑图像进行卷积处理，获得卷积图像内的局部最大像素值点；
核函数构建模块，用于根据所述局部最大像素值点在所述卷积图像中的分布特征，设定多个子图半径，以所述局部最大像素值点为中心按所述子图半径在所述卷积图像内提取多个子图，构建与所述子图相同尺度且满足高斯分布的核函数；
目标特性参数计算模块，用于根据所述核函数以及所述局部最大像素值点，确定所述子图的目标特性参数中的能量响应度、能量集中度，以及根据所述子图，确定所述目标特性参数中的能量转移度；
目标检测模块，用于根据所述目标特性参数，计算局部最大像素值点的MLTC值，根据所述MLTC值，确定所述子图中的目标点，并根据所述MLTC值剔除所述目标点中的重复目标点，获得所述待检测图像中的空间弱小目标。
为实现上述目的，本发明还提出一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述所述方法的步骤。
与现有技术相比，本发明的有益效果有：
本发明提供的基于成像特性的空间弱小多目标检测方法首先通过中值滤波来平滑图像的噪声；再通过卷积操作寻找图像的高亮区域，从而快速找到图像中的所有局部最大像素值点，后续的目标特性参数计算以及目标检测只需在局部最大像素值点所在的区域进行而不需要全图去计算和检测，大大提高了本发明检测方法的效率；然后根据局部最大像素值点在卷积图像中的分布特征，设定多个子图半径，以局部最大像素值点为中心按子图半径在卷积图像内提取多个子图，构建与所述子图相同尺度且满足高斯分布的核函数，构建的核函数是从目标本身的特性出发，由于空间弱小目标的分布是基本满足高斯分布的，因此该核函数也基本满足高斯分布的，同时不同子图半径的设计可保证对局部最大像素值点特征提取的准确性，使得本发明的方法更加精确；接着计算目标特性参数，通过该目标特性参数可准确提取图像中各个局部最大像素值点的特征；最后根据目标特性参数，计算局部最大像素值点的MLTC值，根据MLTC值，确定待检测图像中的目标点，并根据MLTC值剔除所述目标点中的重复目标点，从而准确获得待检测图像中的空间弱小目标。本发明提供的检测方法从目标本身的特性出发受成像环境影响小，同时该方法实现高数量、高精度的目标检测，且检测过程简单高效。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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的前提下，还可以根据这些附图示出的结构获得其他的附图。
图1为本发明提供的基于成像特性的空间弱小多目标检测方法流程图。
图2为本发明中带有多个空间弱小目标的图像；
图3为本发明中中值滤波前后对比图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
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清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，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作出创造性劳动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。
另外，本发明各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
本发明提出一种基于成像特性的空间弱小多目标检测方法，如图1所示，包括：
101：获取带有多个空间弱小目标的待检测图像；
带有多个空间弱小目标的图像通过高分辨率的天文望远镜采集，如图2所示。
102：对待检测图像进行中值滤波，获得平滑图像；
中值滤波是一种非线性平滑技术，将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值，如图3所示，其中，a为中值滤波前的图像，b为中值滤波后的图像，c为中值滤波前的三维视图，d为中值滤波后的三维视图。
103：根据预先设置的卷积核对平滑图像进行卷积处理，获得卷积图像内的局部最大像素值点；
卷积核可以是任何的形状和大小，拥有一个单独定义出来的参考点，称为锚点(anchor point)。多数情况下，选择将核设定为一个大小为n×n的中间带有参考点的正方形或者圆盘。
局部最大像素值点是指在卷积前后像素值不变的像素点。
104：根据局部最大像素值点在卷积图像中的分布特征，设定多个子图半径，以局部最大像素值点为中心按子图半径在卷积图像内提取多个子图，构建与子图相同尺度且满足高斯分布的核函数；
分布特征是指局部最大像素值点在卷积图像中的分布情况，设计的子图半径需保证在该子图半径范围内没有与位于中心位置的局部最大像素值点不相邻的其他局部最大像素值点，可能存在与位于中心位置的局部最大像素值点相邻的其他局部最大像素值点。
核函数可以将数据映射到无穷维，也叫做径向基函数(RadialBasis Function简称RBF)，是某种沿径向对称的标量函数。
105：根据核函数以及局部最大像素值点，确定子图的目标特性参数中的能量响应度、能量集中度，以及根据子图，确定目标特性参数中的能量转移度；
能量响应度是指子图经过核函数的响应值，用于反映子图与核函数的相似度。当子图中的局部最大像素值点与核函数尺度越匹配时，图像的能量响应度值越大。
能量集中度是指子图中能量的集中程度。当子图相应的能量越集中于中心(即局部最大像素值点)，子图的能量集中度值越大。
能量转移度是指子图中在能量传递的方向上能量传递的速率。
106：根据目标特性参数，计算局部最大像素值点的MLTC值，根据MLTC值，确定子图中的目标点，并根据MLTC值剔除目标点中的重复目标点，获得待检测图像中的空间弱小目标。
MLTC值，multi-scale local target characteristic，多尺度局部目标特征值。
目标点是指MLTC值不为零的点；
重复目标点是指在子图中存在的多个目标点中除MLTC值最大的目标点外其他的目标点。
本发明提供的基于成像特性的空间弱小多目标检测方法首先通过中值滤波来平滑图像的噪声；再通过卷积操作寻找图像的高亮区域，从而快速找到图像中的所有局部最大像素值点，后续的目标特性参数计算以及目标检测只需在局部最大像素值点所在的区域进行而不需要全图去计算和检测，大大提高了本发明检测方法的效率；然后根据局部最大像素值点在卷积图像中的分布特征，设定多个子图半径，以局部最大像素值点为中心按子图半径在卷积图像内提取多个子图，构建与所述子图相同尺度且满足高斯分布的核函数，构建的核函数是从目标本身的特性出发，由于空间弱小目标的分布是基本满足高斯分布的，因此该核函数也基本满足高斯分布的，同时不同子图半径的设计可保证对局部最大像素值点特征提取的准确性，使得本发明的方法更加精确；接着计算目标特性参数，通过该目标特性参数可准确提取图像中各个局部最大像素值点的特征；最后根据目标特性参数，计算局部最大像素值点的MLTC值，根据MLTC值，确定待检测图像中的目标点，并根据MLTC值剔除所述目标点中的重复目标点，从而准确获得待检测图像中的空间弱小目标。本发明提供的检测方法从目标本身的特性出发受成像环境影响小，同时该方法实现高数量、高精度的目标检测，且检测过程简单高效。
在其中一个实施例中，对于步骤102，对待检测图像进行中值滤波，获得平滑图像的步骤，包括：
201：选择模板；
模板可以选择大小为n×n的二维模板。
也可以直接用卷积核对待检测图像进行中值滤波。
202：在待检测图像内等间距滑动模板，并将模板内所有像素点的像素值进行升序或降序排列，获得像素值序列；
203：选取像素值序列中的中值，并用中值替换模板范围内待检测图像中心点的像素值，获得平滑图像。
中心点通常指图像的正中心位置。
在某个实施例中，平滑图像为：
G(x,y)＝median(t(x,y)(x,y)∈S)(13)
式中，G(x,y)表示平滑图像的像素值；t(x,y)表示平滑图像中像素点(x,y)的像素值；S表示模板范围。
在下一个实施例中，对于步骤103，根据预先设置的卷积核对平滑图像进行卷积处理，获得卷积图像内的局部最大像素值点的步骤，包括：
选择方形卷积核；
根据方形卷积核对所述平滑图像进行卷积处理，获得卷积图像内的局部最大像素值点为：
Figure BDA0002537754320000081
式中，dst(x,y)表示卷积操作后图像中像素点(x,y)的像素值；src(x,y)表示平滑图像中像素点(x,y)的像素值；x'和y'分别表示沿x轴以及y轴方向偏移的大小；k表示卷积核的尺寸。
在另一个实施例中，对于步骤104，根据局部最大像素值点在卷积图像中的分布特征，设定多个子图半径，以局部最大像素值点为中心按子图半径在卷积图像内提取多个子图，构建与子图相同尺度且满足高斯分布的核函数的步骤，包括：
401：根据局部最大像素值点在卷积图像中的分布特征，设定多个子图半径；
子图半径可以为1或2，也可以为其他值。当半径为1时，子图的大小为3×3。
402：以局部最大像素值点为中心按子图半径在卷积图像内提取多个子图；
403：根据空间弱小目标的在空间的位置分布特性，构建与子图相同尺度且满足高斯分布的核函数：
Figure BDA0002537754320000091
式中，g(x,y)表示像素点(x,y)的灰度值；σ为方差，
Figure BDA0002537754320000092
(x0,y0)为核函数中心；k表示卷积核的尺寸。
在本实施例中，对局部最大像素值点的分布进行分析，记Z＝X2+Y2，局部最大像素值点的分布函数为：
FZ(z)＝P(Z≤z)＝P(X2+Y2≤z)(14)
式中，FZ(z)、P(Z≤z)无特殊含义，仅用于表示分布。
当z≤0时，显然有FZ(z)＝0；当z＞0时，有：
Figure BDA0002537754320000101
所以，Z的分布函数为：
Figure BDA0002537754320000102
易知，FZ(+∞)＝2π，那么有：
Figure BDA0002537754320000103
即98.8％的能量集中在距离中心(局部最大像素值点)3σ的范围。因此，为了生成与尺度相匹配的核函数，利用该性质对σ进行估算，
Figure BDA0002537754320000104
k表示卷积核的尺寸。
在下一个实施例中，对于步骤105，根据核函数以及局部最大像素值点，确定子图的目标特性参数中的能量响应度的步骤，包括：
501：为了适用于不同的信噪比的空间弱小目标，减少光照条件带来的影响，对子图进行归一化处理，获得归一化图像为：
Figure BDA0002537754320000105
式中，fnorm(x,y)表示归一化图像中像素点(x,y)的像素值；f(x,y)表示子图中像素点(x,y)的像素值；
502：为了能量响应度能够更好地反映高斯函数的特性，根据归一化图像内各点与局部最大像素值点的距离，设计权重函数为：
Figure BDA0002537754320000111
式中，ω(x,y)表示权重函数；
Figure BDA0002537754320000112
表示势能函数，
Figure BDA0002537754320000113
α表示指数参数；d(x,y)表示归一化图像内各点与局部最大像素值点的距离；(x0,y0)表示局部最大像素值点；
503：当子图通过不同尺度的核函数时响应值有所区别，为了合理地对比同一中心不同尺度下的响应度，根据归一化图像、权重函数和核函数，获得能量响应度为：
Figure BDA0002537754320000114
式中，ER表示能量响应度。
在另一实施例中，对于步骤105，根据核函数以及局部最大像素值点，确定子图的目标特性参数中能量集中度的步骤，包括：
601：对子图进行归一化处理，获得归一化图像为：
Figure BDA0002537754320000115
式中，fnorm(x,y)表示归一化图像中像素点(x,y)的像素值；f(x,y)表示子图中像素点(x,y)的像素值；
602：根据归一化图像内各点与局部最大像素值点的距离，设计权重函数为：
Figure BDA0002537754320000121
式中，ω(x,y)表示权重函数；
Figure BDA0002537754320000122
表示势能函数，
Figure BDA0002537754320000123
α表示指数参数；d(x,y)表示归一化图像内各点与局部最大像素值点的距离；(x0,y0)表示局部最大像素值点；
603：根据归一化图像、权重函数和核函数，获得能量集中度为：
Figure BDA0002537754320000124
式中，EC表示能量集中度；Ssub表示在子图中距离局部最大像素值点2σ的子区域；σ表示方差。
在下一个实施例中，对于步骤105，不均匀的噪音或杂散的灯光也可能导致高ER和EC，从而导致错误的判断。目标区域(即字图内)的梯度通常指向中心，而噪声或杂散光区域的梯度不固定。因此，能量传递的方向是需要考虑的另一个重要因素。
根据子图，确定目标特性参数中的能量转移度的步骤，包括：
701：根据子图中能量传递的方向，构建子图中像素点的梯度为：
Figure BDA0002537754320000125
式中，
Figure BDA0002537754320000126
表示梯度值；Gx和Gy分别表示在x轴和y轴上的梯度值；
702：当目标位于子图的中心时，半径范围内的像素梯度将指向处于理想状态的图像的中心。然而，由于非空间目标表面的形状、速度和反射点数等因素的影响，在实际中存在一定的偏差，但大多数像素点的梯度仍然遵循这一规律。为了更好地确定方向，根据空间弱小目标的形状、速度和反射点数等因素，定义梯度的方向、理想方向以及方向与理想方向的角度分别为：
Figure BDA0002537754320000131
Figure BDA0002537754320000132
φdiff(x,y)＝min(|φ(x,y)-φideal(x,y)|,2π-|φ(x,y)-φideal(x,y)|)  (10)
式中，φ(x,y)表示梯度的方向；φideal(x,y)表示梯度的理想方向；φdiff(x,y)表示方向与理想方向的角度；
703：根据方向与理想方向的角度，获得能量转移度为：
Figure BDA0002537754320000133
式中，ET(x,y)表示能量转移度；D(x,y)表示偏差判断；Tφ表示偏差阈值，范围在22.5到45之间。
在另一个实施例中，对于步骤106，根据目标特性参数，计算局部最大像素值点的MLTC值，根据MLTC值，确定子图中的目标点，并根据MLTC值剔除目标点中的重复目标点，获得待检测图像中的空间弱小目标的步骤，包括：
801：根据目标特性参数，计算局部最大像素值点的MLTC值为：
Figure BDA0002537754320000141
式中，
Figure BDA0002537754320000142
表示同一局部最大像素值点不同半经子图的多尺度局部目标特征值，σj表示子图半径；MLTC(xi,yi)表示局部最大像素值点的多尺度局部目标特征值；
Figure BDA0002537754320000143
和
Figure BDA0002537754320000144
分别表示能量响应度阈值、能量集中度阈值和能量转移度阈值；n表示局部最大像素值点的数量；m表示子图半径数量；r(xi,yi)表示局部最大像素值点的多尺度局部目标特征值对应的子图半径；σ表示方差。
子图半径σj需保证在该子图半径范围内没有与位于中心位置的局部最大像素值点不相邻的其他局部最大像素值点，可能存在与位于中心位置的局部最大像素值点相邻的其他局部最大像素值点。
802：根据MLTC值，确定子图中的目标点；
如果某个点的MLTC值大于零，则该点将被视为目标点，该目标点的半径是其获得最大响应的刻度。
803：并根据MLTC值，若非零局部最大像素值点对应的子图半径范围内存在≥2个的目标点，则选择MLTC值最大的目标点作为空间弱小目标，其余目标点作为重复目标点并剔除所述重复目标点，获得图像中的空间弱小目标。
值得注意的是，如果子图中位于中心位置的局部最大像素值点的归一化值不为1，则子图中可能覆盖多个局部最大像素值点，这将影响子图的分布。因此需要进行重复目标点的剔除。
剔除重复目标点是指将重复目标点位置的MLTC值及r值置0。
本发明提出一种基于成像特性的空间弱小多目标检测***，包括：
图像获取模块，用于获取带有多个空间弱小目标的待检测图像；
滤波模块，用于对所述待检测图像进行中值滤波，获得平滑图像；
卷积模块，用于根据预先设置的卷积核对所述平滑图像进行卷积处理，获得卷积图像内的局部最大像素值点；
核函数构建模块，用于根据所述局部最大像素值点在所述卷积图像中的分布特征，设定多个子图半径，以所述局部最大像素值点为中心按所述子图半径在所述卷积图像内提取多个子图，构建与所述子图相同尺度且满足高斯分布的核函数；
目标特性参数计算模块，用于根据所述核函数以及所述局部最大像素值点，确定所述子图的目标特性参数中的能量响应度、能量集中度，以及根据所述子图，确定所述目标特性参数中的能量转移度；
目标检测模块，用于根据所述目标特性参数，计算局部最大像素值点的MLTC值，根据所述MLTC值，确定所述子图中的目标点，并根据所述MLTC值剔除所述目标点中的重复目标点，获得所述待检测图像中的空间弱小目标。
本发明提出一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述所述方法的步骤。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。

Claims (9)

1.一种基于成像特性的空间弱小多目标检测方法，其特征在于，包括：
获取带有多个空间弱小目标的待检测图像；
对所述待检测图像进行中值滤波，获得平滑图像；
根据预先设置的卷积核对所述平滑图像进行卷积处理，获得卷积图像内的局部最大像素值点；
根据所述局部最大像素值点在所述卷积图像中的分布特征，设定多个子图半径，以所述局部最大像素值点为中心按所述子图半径在所述卷积图像内提取多个子图，构建与所述子图相同尺度且满足高斯分布的核函数；
根据所述核函数以及所述局部最大像素值点，确定所述子图的目标特性参数中的能量响应度、能量集中度，以及根据所述子图，确定所述目标特性参数中的能量转移度；
根据所述目标特性参数，计算局部最大像素值点的MLTC值，根据所述MLTC值，确定所述子图中的目标点，并根据所述MLTC值剔除所述目标点中的重复目标点，获得所述待检测图像中的空间弱小目标，包括：
根据所述目标特性参数，计算局部最大像素值点的MLTC值为：
Figure FDA0004051824600000011
Figure FDA0004051824600000012
r(xi,yi)＝2σ
(12)式中，
Figure FDA0004051824600000013
表示同一局部最大像素值点不同半经子图的多尺度局部目标特征值，σj表示子图半径；MLTC(xi,yi)表示局部最大像素值点的多尺度局部目标特征值；
Figure FDA0004051824600000021
和
Figure FDA0004051824600000022
分别表示能量响应度阈值、能量集中度阈值和能量转移度阈值；n表示局部最大像素值点的数量；m表示子图半径数量；r(xi,yi)表示局部最大像素值点的多尺度局部目标特征值对应的子图半径；σ表示方差；
根据所述MLTC值，确定所述子图中的目标点；
并根据所述MLTC值，若非零局部最大像素值点对应的子图半径范围内存在≥2个的目标点，则选择MLTC值最大的目标点作为空间弱小目标，其余目标点作为重复目标点并剔除所述重复目标点，获得所述图像中的空间弱小目标。
2.如权利要求1所述的基于成像特性的空间弱小多目标检测方法，其特征在于，对所述待检测图像进行中值滤波，获得平滑图像的步骤，包括：
选择模板；
在所述待检测图像内等间距滑动所述模板，并将所述模板内所有像素点的像素值进行升序或降序排列，获得像素值序列；
选取所述像素值序列中的中值，并用所述中值替换所述模板范围内待检测图像中心点的像素值，获得平滑图像。
3.如权利要求1所述的基于成像特性的空间弱小多目标检测方法，其特征在于，根据预先设置的卷积核对所述平滑图像进行卷积处理，获得卷积图像内的局部最大像素值点的步骤，包括：
选择方形卷积核；
根据所述方形卷积核对所述平滑图像进行卷积处理，获得卷积图像内的局部最大像素值点为：
Figure FDA0004051824600000031
式中，dst(x,y)表示卷积操作后图像中像素点(x,y)的像素值；src(x,y)表示平滑图像中像素点(x,y)的像素值；x'和y'分别表示沿x轴以及y轴方向偏移的大小；k表示卷积核的尺寸。
4.如权利要求1所述的基于成像特性的空间弱小多目标检测方法，其特征在于，根据所述局部最大像素值点在所述卷积图像中的分布特征，设定多个子图半径，以所述局部最大像素值点为中心按所述子图半径在所述卷积图像内提取多个子图，构建与所述子图相同尺度且满足高斯分布的核函数的步骤，包括：
根据所述局部最大像素值点在所述卷积图像中的分布特征，设定多个子图半径；
以所述局部最大像素值点为中心按所述子图半径在所述卷积图像内提取多个子图；
根据空间弱小目标的在空间的位置分布特性，构建与所述子图相同尺度且满足高斯分布的核函数为：
Figure FDA0004051824600000032
式中，g(x,y)表示像素点(x,y)的灰度值；σ为方差，
Figure FDA0004051824600000033
为核函数中心；k表示卷积核的尺寸。
5.如权利要求1所述的基于成像特性的空间弱小多目标检测方法，其特征在于，根据所述核函数以及所述局部最大像素值点，确定所述子图的目标特性参数中的能量响应度的步骤，包括：
对所述子图进行归一化处理，获得归一化图像为：
Figure FDA0004051824600000041
式中，fnorm(x,y)表示归一化图像中像素点(x,y)的像素值；f(x,y)表示子图中像素点(x,y)的像素值；
根据所述归一化图像内各点与局部最大像素值点的距离，设计权重函数为：
Figure FDA0004051824600000042
式中，ω(x,y)表示权重函数；
Figure FDA0004051824600000043
表示势能函数，
Figure FDA0004051824600000044
α表示指数参数；d(x,y)表示归一化图像内各点与局部最大像素值点的距离；(x0,y0)表示局部最大像素值点；
根据所述归一化图像、所述权重函数和所述核函数，获得能量响应度为：
Figure FDA0004051824600000045
式中，ER表示能量响应度。
6.如权利要求5所述的基于成像特性的空间弱小多目标检测方法，其特征在于，根据所述核函数以及所述局部最大像素值点，确定所述子图的目标特性参数中能量集中度的步骤，包括：
对所述子图进行归一化处理，获得归一化图像为：
Figure FDA0004051824600000051
式中，fnorm(x,y)表示归一化图像中像素点(x,y)的像素值；f(x,y)表示子图中像素点(x,y)的像素值；
根据所述归一化图像内各点与局部最大像素值点的距离，设计权重函数为：
Figure FDA0004051824600000052
式中，ω(x,y)表示权重函数；
Figure FDA0004051824600000053
表示势能函数，
Figure FDA0004051824600000054
α表示指数参数；d(x,y)表示归一化图像内各点与局部最大像素值点的距离；(x0,y0)表示局部最大像素值点；
根据所述归一化图像、所述权重函数和所述核函数，获得能量集中度为：
Figure FDA0004051824600000055
式中，EC表示能量集中度；Ssub表示在子图中距离局部最大像素值点2σ的子区域；σ表示方差。
7.如权利要求6所述的基于成像特性的空间弱小多目标检测方法，其特征在于，根据所述子图，确定所述目标特性参数中的能量转移度的步骤，包括：
根据所述子图中能量传递的方向，构建所述子图中像素点的梯度为：
Figure FDA0004051824600000061
式中，
Figure FDA0004051824600000062
表示梯度值；Gx和Gy分别表示在x轴和y轴上的梯度值；
根据空间弱小目标的形状、速度和反射点数，定义所述梯度的方向、理想方向以及方向与理想方向的角度分别为：
Figure FDA0004051824600000063
Figure FDA0004051824600000064
φdiff(x,y)＝min(|φ(x,y)-φideal(x,y)|,2π-|φ(x,y)-φideal(x,y)|)    (10)
式中，φ(x,y)表示梯度的方向；φideal(x,y)表示梯度的理想方向；φdiff(x,y)表示方向与理想方向的角度；
根据所述方向与理想方向的角度，获得能量转移度为：
Figure FDA0004051824600000065
式中，ET(x,y)表示能量转移度；D(x,y)表示偏差判断；Tφ表示偏差阈值。
8.一种基于成像特性的空间弱小多目标检测***，其特征在于，包括：
图像获取模块，用于获取带有多个空间弱小目标的待检测图像；
滤波模块，用于对所述待检测图像进行中值滤波，获得平滑图像；
卷积模块，用于根据预先设置的卷积核对所述平滑图像进行卷积处理，获得卷积图像内的局部最大像素值点；
核函数构建模块，用于根据所述局部最大像素值点在所述卷积图像中的分布特征，设定多个子图半径，以所述局部最大像素值点为中心按所述子图半径在所述卷积图像内提取多个子图，构建与所述子图相同尺度且满足高斯分布的核函数；
目标特性参数计算模块，用于根据所述核函数以及所述局部最大像素值点，确定所述子图的目标特性参数中的能量响应度、能量集中度，以及根据所述子图，确定所述目标特性参数中的能量转移度；
目标检测模块，用于根据所述目标特性参数，计算局部最大像素值点的MLTC值，根据所述MLTC值，确定所述子图中的目标点，并根据所述MLTC值剔除所述目标点中的重复目标点，获得所述待检测图像中的空间弱小目标，包括：
根据所述目标特性参数，计算局部最大像素值点的MLTC值为：
Figure FDA0004051824600000071
Figure FDA0004051824600000072
r(xi,yi)＝2σ
(12)式中，
Figure FDA0004051824600000073
表示同一局部最大像素值点不同半经子图的多尺度局部目标特征值，σj表示子图半径；MLTC(xi,yi)表示局部最大像素值点的多尺度局部目标特征值；
Figure FDA0004051824600000081
和
Figure FDA0004051824600000082
分别表示能量响应度阈值、能量集中度阈值和能量转移度阈值；n表示局部最大像素值点的数量；m表示子图半径数量；r(xi,yi)表示局部最大像素值点的多尺度局部目标特征值对应的子图半径；σ表示方差；
根据所述MLTC值，确定所述子图中的目标点；
并根据所述MLTC值，若非零局部最大像素值点对应的子图半径范围内存在≥2个的目标点，则选择MLTC值最大的目标点作为空间弱小目标，其余目标点作为重复目标点并剔除所述重复目标点，获得所述图像中的空间弱小目标。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1～7中任一项所述方法的步骤。
CN202010538024.8A 2020-06-12 2020-06-12 一种基于成像特性的空间弱小多目标检测方法及*** Active CN111696096B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010538024.8A CN111696096B (zh) 2020-06-12 2020-06-12 一种基于成像特性的空间弱小多目标检测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010538024.8A CN111696096B (zh) 2020-06-12 2020-06-12 一种基于成像特性的空间弱小多目标检测方法及***

Publications (2)

Publication Number Publication Date
CN111696096A CN111696096A (zh) 2020-09-22
CN111696096B true CN111696096B (zh) 2023-04-07

Family

ID=72480682

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010538024.8A Active CN111696096B (zh) 2020-06-12 2020-06-12 一种基于成像特性的空间弱小多目标检测方法及***

Country Status (1)

Country Link
CN (1) CN111696096B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1570957A (zh) * 2004-05-13 2005-01-26 上海交通大学 对空成像起伏背景条件下红外弱小目标的检测方法
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

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1570957A (zh) * 2004-05-13 2005-01-26 上海交通大学 对空成像起伏背景条件下红外弱小目标的检测方法
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

Also Published As

Publication number Publication date
CN111696096A (zh) 2020-09-22

Similar Documents

Publication Publication Date Title
Jovančević et al. Automated exterior inspection of an aircraft with a pan-tilt-zoom camera mounted on a mobile robot
CN102236794B (zh) 3d场景中3d对象的识别和姿态确定
CN106529559A (zh) 一种指针式圆形多仪表盘实时读数识别方法
CN103136525B (zh) 一种利用广义Hough变换的异型扩展目标高精度定位方法
Shi et al. A visual circle based image registration algorithm for optical and SAR imagery
CN111476159A (zh) 一种基于双角回归的检测模型训练、检测方法及装置
CN102494663A (zh) 摆动喷管的摆动角度的测量***及摆动角度的测量方法
Li et al. Space target detection in complicated situations for wide-field surveillance
KR20180127567A (ko) 무인항공기 영상 자동 기하보정을 위한 처리시스템
CN103049905A (zh) 利用单演信号三分量的合成孔径雷达图像配准方法
Chen et al. Detecting maneuvering target accurately based on a two-phase approach from remote sensing imagery
CN112990168B (zh) 一种违法用地监测方法及***
CN110390338A (zh) 一种基于非线性引导滤波与比率梯度的sar高精度匹配方法
Wang et al. A novel approach for multiscale lunar crater detection by the use of path-profile and isolation forest based on high-resolution planetary images
CN111696096B (zh) 一种基于成像特性的空间弱小多目标检测方法及***
CN112150522A (zh) 遥感图像的配准方法、装置、设备、存储介质及***
Yang et al. Fast and accurate vanishing point detection in complex scenes
CN116091804B (zh) 一种基于相邻帧构型匹配的恒星抑制方法
CN107765257A (zh) 一种基于反射强度辅助外部校准的激光探测与测量方法
CN109470269B (zh) 空间目标测量机构的标定方法、标定设备及标定***
CN115205558B (zh) 一种具有旋转和尺度不变性的多模态影像匹配方法及装置
CN108805186B (zh) 一种基于多维显著特征聚类的sar图像圆形油库检测方法
CN111089586A (zh) 一种基于多帧累加算法的全天时星敏感器星点提取方法
CN115100446A (zh) 一种sar与可见光遥感图像匹配的相似性度量方法
Liu et al. Fast stitching of UAV images based on improved SURF algorithm

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