CN112418090A - 一种天空背景下红外弱小目标实时检测方法 - Google Patents
一种天空背景下红外弱小目标实时检测方法 Download PDFInfo
- Publication number
- CN112418090A CN112418090A CN202011322138.5A CN202011322138A CN112418090A CN 112418090 A CN112418090 A CN 112418090A CN 202011322138 A CN202011322138 A CN 202011322138A CN 112418090 A CN112418090 A CN 112418090A
- Authority
- CN
- China
- Prior art keywords
- value
- pixel
- weak
- gradient
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000011897 real-time detection Methods 0.000 title claims abstract description 11
- 238000001514 detection method Methods 0.000 claims abstract description 53
- 238000004364 calculation method Methods 0.000 claims abstract description 26
- 238000001914 filtration Methods 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 230000005855 radiation Effects 0.000 claims description 5
- 238000005315 distribution function Methods 0.000 claims description 4
- 239000004576 sand Substances 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 5
- 239000000284 extract Substances 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000003331 infrared imaging Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000004870 electrical engineering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/30—Noise filtering
-
- 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)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种红外弱小目标检测方法,具体涉及一种天空背景下红外弱小目标实时检测方法。本发明的目的是解决现有天空背景下红外弱小目标检测中存在若采用基于序列的检测方法,计算复杂,难以实现实时应用,若采用基于单帧的检测方法,对比度检测精度容易受到杂波影响,在低信杂比场景下的弱小目标检测性能较差,且稀疏问题优化求解计算复杂,无法在工程上进行实时应用的技术问题,提供一种天空背景下红外弱小目标实时检测方法。该方法通过差分高斯滤波器提取占像元总数预定比例的像元作为备选目标,再通过将备选目标的局部对比度和梯度信息相结合的方法,增强目标,抑制背景杂波和噪声干扰,实现快速、高性能地实时检测弱小目标。
Description
技术领域
本发明涉及一种红外弱小目标检测方法,具体涉及一种天空背景下红外弱小目标实时检测方法。
背景技术
红外搜索与跟踪***(infrared searching and tracking,IRST)广泛应用于安防和搜救等领域,红外弱小目标检测性能决定了***的作用距离,因此是红外搜索与跟踪***的关键技术之一。根据国际光电工程学会(SPIE)定义,把红外图像中占据像元数量小于9×9的目标定义为小目标。在天基、空基红外预警***中,由于作用距离较远,目标尺寸通常为3×3,甚至更小,且云层及杂波的干扰很强,使得目标检测难度较大。
根据调研国内外研究机构和学者对天空背景下的红外弱小目标检测技术的研究情况,目前主流的检测方法可分为两大类:基于序列的检测方法和基于单帧的检测方法。其中,基于序列的检测方法精度高,但计算复杂,现有的技术难以在IRST***中实现实时应用;而基于单帧的检测方法比基于序列的检测方法计算量更低,因此,目前IRST***中的目标检测方法多采用基于单帧的检测方法。现有单帧检测方法主要通过不同尺度下的局部对比度、稀疏问题优化求解等思路实现目标检测,基于对比度方法的检测精度容易受到杂波影响,在低信杂比(signal-to-clutter ratio,SCR)场景下的弱小目标检测性能较差;稀疏问题优化求解能适应低信杂比场景,但计算复杂无法在工程上进行实时应用。
综上所述,研究实时红外弱小目标检测方法,对于提高红外搜索与跟踪***的作用距离和性能有重要的价值。
发明内容
本发明的目的是解决现有天空背景下红外弱小目标检测中存在若采用基于序列的检测方法,计算复杂,难以实现实时应用,若采用基于单帧的检测方法,对比度检测精度容易受到杂波影响,在低信杂比场景下的弱小目标检测性能较差,且稀疏问题优化求解计算复杂,无法在工程上进行实时应用的技术问题,提供一种天空背景下红外弱小目标实时检测方法。
为解决上述技术问题,本发明提供的技术解决方案如下:
本发明提供一种天空背景下红外弱小目标实时检测方法,其特殊之处在于,包括以下步骤:
1)利用等效差分高斯滤波公式(2)逐像元处理天空背景下包含尺寸小于9×9的红外弱小目标的输入图像Iin,得到滤波结果ID;
DoG(i,j,σ1,σ2)=DoG(i,j,σ1,σt)+DoG(i,j,σt,σ2), (2)
其中,(i,j)是像元坐标,σ1和σ2均是高斯函数的标准差参数,σ1=1.07,σ2=2.71;
2)利用灰度强度计算滤波结果ID的累积分布函数,利用累积分布函数计算占总像元预定比例且灰度值最大的像元的阈值;
3)根据阈值分割滤波结果ID,生成二值化的掩模IM,遍历掩模IM中所有非0像元并生成其尺度因子s;
4)根据步骤1)所得滤波结果ID与步骤3)所得掩模IM和尺度因子s计算对比度图IC;根据输入图像Iin、掩模IM和尺度因子s计算梯度图IG;计算对比度图IC和梯度图IG的乘积IS作为探测结果;
5)对探测结果IS进行迭代分割,输出二值化图像IB,二值化图像IB即为红外弱小目标的最终图像,其中取值为1的像元代表探测到的弱小目标,取值为0的像元代表背景。
进一步地,步骤3)的具体步骤如下:
3.1)根据阈值分割滤波结果ID,生成二值化的掩模IM;
3.2)遍历掩模IM中由非0像元组成的全部连通区域和独立非0像元,对独立非0像元直接生成其尺度因子s,对每个连通区域用全1矩阵进行卷积计算,生成该连通区的尺度因子s,同一个连通区域内像元的尺度因子s相同;
3.3)以当前遍历到的像元为中心,目标区域大小为s×s,局部背景区域大小为3s×3s,s为步骤3.2)所得尺度因子s。
进一步地,步骤4)的具体步骤如下:
4.1)根据公式(3)计算当前像元的局部对比度:
其中,μt为滤波结果ID中以像元(i,j)为中心的目标区域内所有像元的均值,μb和σb分别为以像元(i,j)为中心的局部背景区域内所有像元的均值和标准差;
4.2)把以像元(i,j)为中心、大小为3s×3s的区域划分成四个象限,计算当前像元在四个象限分别的梯度GQ1,GQ2,GQ3和GQ4;
4.3)根据公式(8)计算当前像元的局部梯度值:
其中,为GQ1,GQ2,GQ3和GQ4的均值,和为惩罚因子;令代表每个象限的梯度索引差,惩罚因子为四个象限梯度索引差的总和;惩罚因子为二值化参数,当四个象限最大梯度方向一致,或有至少两个象限主方向的梯度为负值时,取值为0;其他情况下取值均为1;
4.4)根据IS(i,j)=IC(i,j)×IG(i,j),计算当前像元的探测结果IS;
4.5)重复步骤3.2)至步骤4.4),完成对掩模IM内所有非0像元的遍历,得到掩模IM内所有非0像元的探测结果Is。
进一步地,步骤3.2)中所述对每个连通区域用全1矩阵进行卷积计算,生成该连通区的尺度因子s的具体步骤如下:
设全1矩阵的尺寸为n×n,n的取值由3开始依次增加;当卷积得到的矩阵中最大元素大于n×(n-1)时,对n加1后再次进行卷积计算,根据n的取值得到像元的尺度因子s,当n≤3时,令s=3;当n为奇数且n>3时,令s=n,当n为偶数且n>3时,令s=n+1。
进一步地,步骤4.2)中所述计算当前像元在四个象限分别的梯度GQ1,GQ2,GQ3和GQ4的具体步骤如下:
分别对每个象限进行八个方向梯度滤波,八个方向梯度滤波输出为矩阵,用Sij表示,其中i取值范围为1~4,分别代表第一、二、三和四象限;j代表方向,取值范围为1~8,分别代表0°、45°、90°、135°、180°、225°、270°和315°;按照弱小目标能量及辐射分布从四周向中心变高的特性,四个象限的主要方向依次定义为225°、315°、45°和135°;利用主要方向和两个临近方向的梯度算子滤波结果计算梯度,计算公式如下:
GQ1=0.5×S16+0.25×S15+0.25×S17 (4)
GQ2=0.5×S28+0.25×S21+0.25×S27 (5)
GQ3=0.5×S32+0.25×S31+0.25×S33 (6)
GQ4=0.5×S44+0.25×S43+0.25×S45 (7)。
进一步地,步骤5)为:
将探测结果IS中非0像元的取值和索引分别定义为VS和VI,找出探测结果IS中取值的最大点Vmax,判断其是否符合预设目标检测规则,若符合,则分割选取VS中对应的像元及坐标,清零该像元的数值,输出坐标至二值化图像IB,对IB中对应坐标的数值置1,如此迭代判断直至剩余像元中没有符合预设目标检测规则的像元为止,得到红外弱小目标的最终图像。
进一步地,步骤5)具体为:
5.1)将探测结果IS中非0像元的取值和索引分别定义为VS和VI,计算VS的均值μS;
5.2)找出探测结果IS中VS的最大值并定义为Vmax,并设立标志flag=1,判断flag是否=1,若flag≠1,则迭代分割结束;若flag=1,则计算VS中最大值并定义为Vmax,计算VS中所有非0像元的均值μ和方差σ;
5.3)判断Vmax是否≥α×μS,若Vmax≥α×μS,则返回当前最大值对应的索引和坐标,分割选取VS中对应的像元及坐标,清零该像元的数值,输出坐标至后续输出的二值化图像IB,对IB中对应坐标的数值置1,返回步骤5.2);若否,则继续判断Vmax是否≥μ+β×σ,若Vmax≥μ+β×σ,则返回当前最大值对应的索引和坐标,分割选取VS中对应的像元及坐标,清零该像元的数值,输出坐标至后续输出的二值化图像IB,对IB中对应坐标的数值置1,返回步骤5.2);若否,则令flag=0,返回步骤5.2);
5.4)重复步骤5.2)至步骤5.3),直至得到红外弱小目标的最终图像;
其中,参数α和β的取值范围均为2~5,α取值受信噪比影响,β用于平衡误判和漏判。
进一步地,步骤2)中,所述预定比例为0.2%-0.5%,可以只针对极少的像元进行后处理计算,快速满足实时化工程应用的需求。
本发明相比现有技术具有的有益效果如下:
本发明提供的天空背景下红外弱小目标的实时检测方法,是一种基于局部对比度和局部梯度的红外图像处理技术,利用远距离红外成像***中光学***传递函数效应类似于一个二维低通滤波器和目标辐射的散射效应(目标在图像上表现出为一个弥散斑,其能量和梯度从四周到中间逐渐增强的特征)区分小目标和背景噪声及干扰,通过差分高斯滤波器提取占像元总数预定比例的像元作为备选目标,再通过将备选目标的局部对比度和梯度信息相结合的方法,增强目标,抑制背景杂波和噪声干扰,实现实时、快速、高性能地检测红外弱小目标。
附图说明
图1为本发明天空背景下红外弱小目标实时检测方法的流程图;
图2为本发明实施例步骤3.3)和步骤4.2)中的计算区域示意图及梯度算子示意,其中,a为计算区域示意图,b至i为计算区域的八个梯度算子示意;
图3为本发明实施例步骤4.3)中的惩罚因子计算示例,其中,a为第一象限(同图2a所示的主方向225°)在4种不同情况下的梯度索引差;b为惩罚因子为二值化参数取值过程中四个象限最大梯度方向一致的示意图,此时取值为0;c为惩罚因子为二值化参数取值过程中,四个象限的主方向有至少两个的梯度取值为负时的示意图,此时取值为0;
图4为本发明实施例步骤5)中的流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步地说明。
本发明提供的天空背景下红外弱小目标的实时检测方法,远距离红外成像***中光学***传递函数效应类似于一个低通滤波器,再加上目标辐射的散射效应,目标在图像上表现出为一个弥散斑,其能量和梯度从四周到中间逐渐增强,可以利用这个效应区别小目标和背景噪声及干扰。本发明利用红外弱小目标的能量分布特性、光学***和红外图像的特征,利用差分高斯滤波器(Difference of Gaussian,DOG)提取占像元总数0.2%的像元作为备选目标,再通过将备选目标的局部对比度和梯度信息相结合的方法,增强目标,抑制背景杂波和噪声干扰,实现快速、高性能地实时检测弱小目标。
一种天空背景下红外弱小目标实时检测方法,如图1所示,包括以下步骤:
1)差分高斯滤波器的公式(1)为:
其中,(i,j)是像元坐标,σ1和σ2均是高斯函数的标准差参数,当σ2/σ1=1.6时,差分高斯滤波器可以视为拉普拉斯滤波器(Laplacian of Gaussian,LoG)的近似,得到等效差分高斯滤波公式(2),在σ2=1.6×σt=1.6×1.6×σ1的情况下可以视为两个拉普拉斯滤波器级联,利用等效差分高斯滤波公式(2)逐像元处理天空背景下包含尺寸小于9×9的红外弱小目标的输入图像Iin,得到滤波结果ID;
DoG(i,j,σ1,σ2)=DoG(i,j,σ1,σt)+DoG(i,j,σt,σ2), (2)
拉普拉斯滤波器非常适用于斑点检测(弱小目标可视为斑点),当目标尺寸为时,滤波器输出局部极值。对于尺寸小于3×3的弱小目标,因为弥散效应可视为3×3目标处理,因此σ1的取值为由于弱小目标一般小于9×9,而标准差取值小范围波动对差分高斯滤波器处理结果影响很小,σ2的取值为σ2=1.6×1.6×σ1=2.71;
2)利用灰度强度计算滤波结果ID的累积分布函数(cumulative distributionfunction,CDF),利用累积分布函数计算占总像元0.2%且灰度值最大的像元的阈值;
3)根据阈值分割滤波结果ID,生成二值化的掩模IM(其中包含0像元和非0像元,非0像元为1像元),遍历掩模IM中所有非0像元并生成其尺度因子s,用于引导步骤4)的处理范围;
具体步骤如下:
3.1)根据阈值分割滤波结果ID,生成二值化的掩模IM;
3.2)遍历掩模IM中由非0像元组成的全部连通区域和独立非0像元,对独立非0像元直接生成其尺度因子s,对每个连通区域用全1矩阵进行卷积计算,生成该连通区的尺度因子s,同一个连通区域内像元的尺度因子s相同;
所述对每个连通区域用全1矩阵进行卷积计算,生成该连通区的尺度因子s的具体步骤如下:
设全1矩阵的尺寸为n×n,n的取值由3开始依次增加;当卷积得到的矩阵中最大元素大于n×(n-1)时,对n加1后再次进行卷积计算,根据n的取值得到像元的尺度因子s,当n≤3时,令s=3;当n为奇数且n>3时,令s=n,当n为偶数且n>3时,令s=n+1;
3.3)每个像元的计算所涉及的局部区域及梯度算子示意如图2所示,以当前遍历到的像元为中心,目标区域大小为s×s,局部背景区域大小为3s×3s,s为步骤3.2)所得尺度因子s;
4)根据步骤1)所得滤波结果ID与步骤3)所得掩模IM和尺度因子s计算对比度图IC;根据输入图像Iin、掩模IM和尺度因子s计算梯度图IG;计算对比度图IC和梯度图IG的乘积IS作为探测结果也即,由掩模IM引导,对IM中的非零像元依次进行遍历,计算对比度、梯度、探测结果;
具体步骤如下:
4.1)根据公式(3)计算当前像元的局部对比度:
其中,μt为滤波结果ID中以像元(i,j)为中心的目标区域内所有像元的均值,μb和σb分别为以像元(i,j)为中心的局部背景区域内所有像元的均值和标准差,目标区域和背景区域示意图如图2所示;
4.2)把以像元(i,j)为中心、大小为3s×3s的区域划分成四个象限,计算当前像元在四个象限分别的梯度GQ1,GQ2,GQ3和GQ4;
所述计算当前像元在四个象限分别的梯度GQ1,GQ2,GQ3和GQ4的具体步骤如下:
分别对每个象限进行八个方向梯度滤波,八个方向梯度滤波输出为矩阵,用Sij表示,其中i取值范围为1~4,分别代表第一、二、三和四象限;j代表方向,取值范围为1~8,分别代表0°、45°、90°、135°、180°、225°、270°和315°;按照弱小目标能量及辐射分布从四周向中心变高的特性,四个象限的主要方向依次定义为225°、315°、45°和135°;利用主要方向和两个临近方向的梯度算子滤波结果计算梯度,计算公式如下:
GQ1=0.5×S16+0.25×S15+0.25×S17, (4)
GQ2=0.5×S28+0.25×S21+0.25×S27, (5)
GQ3=0.5×S32+0.25×S31+0.25×S33, (6)
GQ4=0.5×S44+0.25×S43+0.25×S45. (7);
4.3)根据公式(8)计算当前像元的局部梯度值:
其中,为GQ1,GQ2,GQ3和GQ4的均值,和为惩罚因子;令代表每个象限的梯度索引差,惩罚因子为四个象限梯度索引差的总和,图3为惩罚因子计算示例,其中,a为第一象限(同图2a所示的主方向225°)在4种不同情况下的梯度索引差;b为惩罚因子为二值化参数取值过程中四个象限最大梯度方向一致的示意图,此时取值为0;c为惩罚因子为二值化参数取值过程中,四个象限的主方向有至少两个的梯度取值为负时的示意图,此时取值为0;其他情况下取值均为1;
4.4)根据IS(i,j)=IC(i,j)×IG(i,j),计算当前像元的探测结果IS;
4.5)按照掩模IM的指引,重复步骤3.2)至步骤4.4),完成对掩模IM内所有非0像元的遍历,得到掩模IM内所有非0像元的探测结果Is;
5)对探测结果IS进行迭代分割,输出二值化图像IB,二值化图像IB即为红外弱小目标的最终图像,其中的取值为1的像元代表探测到的弱小目标,取值为0的像元代表背景。
步骤5)为:
将探测结果IS中非0像元的取值和索引分别定义为VS和VI,找出探测结果IS中取值的最大点Vmax,判断其是否符合预设目标检测规则,若符合,则分割选取VS中对应的像元及坐标,清零该像元的数值,输出坐标至二值化图像IB,对IB中对应坐标的数值置1,如此迭代判断直至剩余像元中没有符合预设目标检测规则的像元为止,得到红外弱小目标的最终图像。
迭代分割算法的流程图如图4所示,步骤5)具体为:
5.1)将探测结果IS中非0像元的取值和索引分别定义为VS和VI,计算VS的均值μS;
5.2)找出探测结果IS中VS的最大值并定义为Vmax,并设立标志flag=1,判断flag是否=1,若flag≠1,则迭代分割结束;若flag=1,则计算VS中最大值并定义为Vmax,计算VS中所有非0像元的均值μ和方差σ;
5.3)判断Vmax是否≥α×μS,若Vmax≥α×μS,则返回当前最大值对应的索引和坐标,分割选取VS中对应的像元及坐标,清零该像元的数值,输出坐标至后续输出的二值化图像IB,对IB中对应坐标的数值置1,返回步骤5.2);若否,则继续判断Vmax是否≥μ+β×σ,若Vmax≥μ+β×σ,则返回当前最大值对应的索引和坐标,分割选取VS中对应的像元及坐标,清零该像元的数值,输出坐标至后续输出的二值化图像IB,对IB中对应坐标的数值置1,返回步骤5.2);若否,则令flag=0,返回步骤5.2);
5.4)重复步骤5.2)至步骤5.3),直至得到红外弱小目标的最终图像;
其中,参数α和β的取值范围均为2~5,α取值受信噪比影响,β用于平衡误判和漏判。
由于只对0.2%的像元做后续处理,采用本发明所提出的方法处理一张320×256分辨率的红外图像的时间约为12ms,如果采用GPU进行加速及优化则运行时间还可以再大幅减少,完全能满足实时化工程应用的需求。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制,对于本领域的普通专业技术人员来说,可以对前述各实施例所记载的具体技术方案进行修改,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所保护技术方案的范围。
Claims (8)
1.一种天空背景下红外弱小目标实时检测方法,其特征在于,包括以下步骤:
1)利用等效差分高斯滤波公式(2)逐像元处理天空背景下包含尺寸小于9×9的红外弱小目标的输入图像Iin,得到滤波结果ID;
DoG(i,j,σ1,σ2)=DoG(i,j,σ1,σt)+DoG(i,j,σt,σ2), (2)
其中,(i,j)是像元坐标,σ1和σ2均是高斯函数的标准差参数,σ1=1.07,σ2=2.71;
2)利用灰度强度计算滤波结果ID的累积分布函数,利用累积分布函数计算占总像元预定比例且灰度值最大的像元的阈值;
3)根据阈值分割滤波结果ID,生成二值化的掩模IM,遍历掩模IM中所有非0像元并生成其尺度因子s;
4)根据步骤1)所得滤波结果ID与步骤3)所得掩模IM和尺度因子s计算对比度图IC;根据输入图像Iin、掩模IM和尺度因子s计算梯度图IG;计算对比度图IC和梯度图IG的乘积IS作为探测结果;
5)对探测结果IS进行迭代分割,输出二值化图像IB,二值化图像IB即为红外弱小目标的最终图像,其中取值为1的像元代表探测到的弱小目标,取值为0的像元代表背景。
2.根据权利要求1所述的天空背景下红外弱小目标实时检测方法,其特征在于,步骤3)的具体步骤如下:
3.1)根据阈值分割滤波结果ID,生成二值化的掩模IM;
3.2)遍历掩模IM中由非0像元组成的全部连通区域和独立非0像元,对独立非0像元直接生成其尺度因子s,对每个连通区域用全1矩阵进行卷积计算,生成该连通区的尺度因子s,同一个连通区域内像元的尺度因子s相同;
3.3)以当前遍历到的像元为中心,目标区域大小为s×s,局部背景区域大小为3s×3s,s为步骤3.2)所得尺度因子s。
3.根据权利要求2所述的天空背景下红外弱小目标实时检测方法,其特征在于,步骤4)的具体步骤如下:
4.1)根据公式(3)计算当前像元的局部对比度:
其中,μt为滤波结果ID中以像元(i,j)为中心的目标区域内所有像元的均值,μb和σb分别为以像元(i,j)为中心的局部背景区域内所有像元的均值和标准差;
4.2)把以像元(i,j)为中心、大小为3s×3s的区域划分成四个象限,计算当前像元在四个象限分别的梯度GQ1,GQ2,GQ3和GQ4;
4.3)根据公式(8)计算当前像元的局部梯度值:
其中,为GQ1,GQ2,GQ3和GQ4的均值,和为惩罚因子;令代表每个象限的梯度索引差,惩罚因子为四个象限梯度索引差的总和;惩罚因子为二值化参数,当四个象限最大梯度方向一致,或有至少两个象限主方向的梯度为负值时,取值为0;其他情况下取值均为1;
4.4)根据IS(i,j)=IC(i,j)×IG(i,j),计算当前像元的探测结果IS;
4.5)重复步骤3.2)至步骤4.4),完成对掩模IM内所有非0像元的遍历,得到掩模IM内所有非0像元的探测结果Is。
4.根据权利要求3所述的天空背景下红外弱小目标实时检测方法,其特征在于,步骤3.2)中所述对每个连通区域用全1矩阵进行卷积计算,生成该连通区的尺度因子s的具体步骤如下:
设全1矩阵的尺寸为n×n,n的取值由3开始依次增加;当卷积得到的矩阵中最大元素大于n×(n-1)时,对n加1后再次进行卷积计算,根据n的取值得到像元的尺度因子s,当n≤3时,令s=3;当n为奇数且n>3时,令s=n,当n为偶数且n>3时,令s=n+1。
5.根据权利要求4所述的天空背景下红外弱小目标实时检测方法,其特征在于,步骤4.2)中所述计算当前像元在四个象限分别的梯度GQ1,GQ2,GQ3和GQ4的具体步骤如下:
分别对每个象限进行八个方向梯度滤波,八个方向梯度滤波输出为矩阵,用Sij表示,其中i取值范围为1~4,分别代表第一、二、三和四象限;j代表方向,取值范围为1~8,分别代表0°、45°、90°、135°、180°、225°、270°和315°;按照弱小目标能量及辐射分布从四周向中心变高的特性,四个象限的主要方向依次定义为225°、315°、45°和135°;利用主要方向和两个临近方向的梯度算子滤波结果计算梯度,计算公式如下:
GQ1=0.5×S16+0.25×S15+0.25×S17 (4)
GQ2=0.5×S28+0.25×S21+0.25×S27 (5)
GQ3=0.5×S32+0.25×S31+0.25×S33 (6)
GQ4=0.5×S44+0.25×S43+0.25×S45 (7)。
6.根据权利要求5所述的天空背景下红外弱小目标实时检测方法,其特征在于,步骤5)为:
将探测结果IS中非0像元的取值和索引分别定义为VS和VI,找出探测结果IS中取值的最大点Vmax,判断其是否符合预设目标检测规则,若符合,则分割选取VS中对应的像元及坐标,清零该像元的数值,输出坐标至二值化图像IB,对IB中对应坐标的数值置1,如此迭代判断直至剩余像元中没有符合预设目标检测规则的像元为止,得到红外弱小目标的最终图像。
7.根据权利要求6所述的天空背景下红外弱小目标实时检测方法,其特征在于,步骤5)具体为:
5.1)将探测结果IS中非0像元的取值和索引分别定义为VS和VI,计算VS的均值μS;
5.2)找出探测结果IS中VS的最大值并定义为Vmax,并设立标志flag=1,判断flag是否=1,若flag≠1,则迭代分割结束;若flag=1,则计算VS中最大值并定义为Vmax,计算VS中所有非0像元的均值μ和方差σ;
5.3)判断Vmax是否≥α×μS,若Vmax≥α×μS,则返回当前最大值对应的索引和坐标,分割选取VS中对应的像元及坐标,清零该像元的数值,输出坐标至后续输出的二值化图像IB,对二值化图像IB中对应坐标的数值置1,返回步骤5.2);若否,则继续判断Vmax是否≥μ+β×σ,若Vmax≥μ+β×σ,则返回当前最大值对应的索引和坐标,分割选取VS中对应的像元及坐标,清零该像元的数值,输出坐标至后续输出的二值化图像IB,对IB中对应坐标的数值置1,返回步骤5.2);若否,则令flag=0,返回步骤5.2);
5.4)重复步骤5.2)至步骤5.3),直至得到红外弱小目标的最终图像;
其中,参数α和β的取值范围均为2~5,α取值受信噪比影响,β用于平衡误判和漏判。
8.根据权利要求1所述的天空背景下红外弱小目标实时检测方法,其特征在于:步骤2)中,所述预定比例为0.2%-0.5%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011322138.5A CN112418090B (zh) | 2020-11-23 | 2020-11-23 | 一种天空背景下红外弱小目标实时检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011322138.5A CN112418090B (zh) | 2020-11-23 | 2020-11-23 | 一种天空背景下红外弱小目标实时检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112418090A true CN112418090A (zh) | 2021-02-26 |
CN112418090B CN112418090B (zh) | 2023-05-05 |
Family
ID=74777343
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011322138.5A Active CN112418090B (zh) | 2020-11-23 | 2020-11-23 | 一种天空背景下红外弱小目标实时检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112418090B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113111883A (zh) * | 2021-03-23 | 2021-07-13 | 浙江大华技术股份有限公司 | 车牌检测方法、电子设备及存储介质 |
CN113822352A (zh) * | 2021-09-15 | 2021-12-21 | 中北大学 | 基于多特征融合的红外弱小目标检测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101706843A (zh) * | 2009-11-16 | 2010-05-12 | 杭州电子科技大学 | 一种乳腺cr图像交互式读片方法 |
US20130114912A1 (en) * | 2010-04-26 | 2013-05-09 | Robert Bosch Gmbh | Detection and/or enhancement of contrast differences in digital image data |
CN106096610A (zh) * | 2016-06-13 | 2016-11-09 | 湖北工业大学 | 一种基于支持向量机的文档图像二值化方法 |
CN106251365A (zh) * | 2016-07-22 | 2016-12-21 | 北京邮电大学 | 多曝光视频融合方法及装置 |
CN107590512A (zh) * | 2017-08-30 | 2018-01-16 | 深圳市华汉伟业科技有限公司 | 一种模板匹配中参数的自适应方法和*** |
CN111126494A (zh) * | 2019-12-25 | 2020-05-08 | 中国科学院自动化研究所 | 基于各向异性卷积的图像分类方法及*** |
CN111179260A (zh) * | 2019-12-31 | 2020-05-19 | 三峡大学 | 基于多尺度Hessian矩阵滤波的陶瓷瓦表面裂纹检测方法 |
CN111242864A (zh) * | 2020-01-12 | 2020-06-05 | 杭州电子科技大学 | 一种基于Gabor纹理约束的手指静脉图像修复方法 |
-
2020
- 2020-11-23 CN CN202011322138.5A patent/CN112418090B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101706843A (zh) * | 2009-11-16 | 2010-05-12 | 杭州电子科技大学 | 一种乳腺cr图像交互式读片方法 |
US20130114912A1 (en) * | 2010-04-26 | 2013-05-09 | Robert Bosch Gmbh | Detection and/or enhancement of contrast differences in digital image data |
CN106096610A (zh) * | 2016-06-13 | 2016-11-09 | 湖北工业大学 | 一种基于支持向量机的文档图像二值化方法 |
CN106251365A (zh) * | 2016-07-22 | 2016-12-21 | 北京邮电大学 | 多曝光视频融合方法及装置 |
CN107590512A (zh) * | 2017-08-30 | 2018-01-16 | 深圳市华汉伟业科技有限公司 | 一种模板匹配中参数的自适应方法和*** |
CN111126494A (zh) * | 2019-12-25 | 2020-05-08 | 中国科学院自动化研究所 | 基于各向异性卷积的图像分类方法及*** |
CN111179260A (zh) * | 2019-12-31 | 2020-05-19 | 三峡大学 | 基于多尺度Hessian矩阵滤波的陶瓷瓦表面裂纹检测方法 |
CN111242864A (zh) * | 2020-01-12 | 2020-06-05 | 杭州电子科技大学 | 一种基于Gabor纹理约束的手指静脉图像修复方法 |
Non-Patent Citations (2)
Title |
---|
XIONG B ET AL: "《Local Gradient Field Feature Contrast Measure for Infrared Small Target Detection》", 《IEEE》 * |
王露等: "《基于对比度和梯度分布的红外弱小目标检测》", 《上海航天》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113111883A (zh) * | 2021-03-23 | 2021-07-13 | 浙江大华技术股份有限公司 | 车牌检测方法、电子设备及存储介质 |
CN113822352A (zh) * | 2021-09-15 | 2021-12-21 | 中北大学 | 基于多特征融合的红外弱小目标检测方法 |
CN113822352B (zh) * | 2021-09-15 | 2024-05-17 | 中北大学 | 基于多特征融合的红外弱小目标检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112418090B (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nasiri et al. | Infrared small target enhancement based on variance difference | |
CN111666944B (zh) | 一种红外弱小目标检测方法及装置 | |
CN110110675B (zh) | 一种融合边缘信息的小波域分形红外卷云检测方法 | |
CN109859247B (zh) | 近地面场景红外小目标检测方法 | |
Sharma et al. | Different techniques of edge detection in digital image processing | |
CN112418090A (zh) | 一种天空背景下红外弱小目标实时检测方法 | |
CN110415208A (zh) | 一种自适应目标检测方法及其装置、设备、存储介质 | |
CN110135312B (zh) | 一种基于分级lcm的快速小目标检测方法 | |
Shokhan | An efficient approach for improving canny edge detection algorithm | |
Han et al. | A method based on multi-convolution layers joint and generative adversarial networks for vehicle detection | |
CN103077499B (zh) | 基于相似块的sar图像预处理方法 | |
Dehghani et al. | Small target detection and tracking based on the background elimination and Kalman filter | |
CN114549642B (zh) | 一种低对比度红外弱小目标检测方法 | |
Li et al. | Automatic infrared ship target segmentation based on structure tensor and maximum histogram entropy | |
Wu et al. | Research on morphological wavelet operator for crack detection of asphalt pavement | |
CN116682024A (zh) | 一种基于四波段遥感影像的快速云检测方法 | |
Huang et al. | Infrared small target detection with directional difference of Gaussian filter | |
CN114972400A (zh) | 基于频域残差分析的红外弱小目标检测方法 | |
Vignesh et al. | Performance and Analysis of Edge detection using FPGA Implementation | |
Lin et al. | A new pattern for detection of streak-like space target from single optical images | |
Mingjun et al. | Research on technologies of underwater feature extraction and target location based on binocular vision | |
Hongsheng et al. | Fringe center extraction for free surface measurement based on r channel | |
Ning et al. | Ship detection of infrared image in complex scene based on bilateral filter enhancement | |
Wang et al. | A spatially correlated fractional integral-based method for denoising geiger-mode avalanche photodiode light detection and ranging depth images | |
O'Riordan et al. | A comparitive study of Image Filters and Machine Learning for use in Machined Part Recognition |
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 |