CN112529896A - 基于暗通道先验的红外小目标检测方法及*** - Google Patents
基于暗通道先验的红外小目标检测方法及*** Download PDFInfo
- Publication number
- CN112529896A CN112529896A CN202011548661.XA CN202011548661A CN112529896A CN 112529896 A CN112529896 A CN 112529896A CN 202011548661 A CN202011548661 A CN 202011548661A CN 112529896 A CN112529896 A CN 112529896A
- Authority
- CN
- China
- Prior art keywords
- dark channel
- significance
- map
- scale
- image
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 39
- 238000013507 mapping Methods 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 238000001228 spectrum Methods 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000002834 transmittance Methods 0.000 claims description 9
- 230000002708 enhancing effect Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 5
- 239000003086 colorant Substances 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 230000004927 fusion Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
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
- G06T5/90—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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于暗通道先验的红外小目标检测方法及***，属于红外目标检测技术领域，首先，采用暗通道先验方法预处理待检测的图像，生成显著性映射图；然后，将预处理后的显著性映射图，根据尺度划分策略，进行特征匹配，获取多尺度显著图；最后，采用定义局部信息熵的灰度差值和最大值作为判断标准，对多尺度显著图进行最优尺度选择，识别出小目标。本发明使用暗通道先验的方法对图片进行预处理，既能较精确地检测单个显著性目标，也能较精确地检测多个显著性目标；经过预处理的图片其显著性增强，然后根据特殊的特征匹配算法，获得了精确匹配的多尺度显著图，获得了可靠、稳定、准确的红外小目标检测结果。
Description
技术领域
本发明涉及红外目标检测技术领域，具体涉及一种基于暗通道先验的红外小目标检测方法及***。
背景技术
在红外制导***技术中，红外小目标检测一直是一个具有挑战性的问题。小目标往往淹没在低信噪比、低对比度的复杂背景中。此外，红外小目标由于在大气中成像距离较远，往往特征不显著，亮度不确定，强度较弱。
目前，传统的红外小目标检测方法可以分为两类:单帧检测和顺序检测。如帧间差分、光流法、三维方向滤波、贝叶斯理论等序列检测方法，在目标对相邻帧的形状和位置具有先验知识的情况下，效果较好。典型的单帧图像检测方法，如最大均值和最大中值滤波、二维最小均方滤波、背景回归估计、形态学方法、双边滤波等，都能有效检测简单背景下的目标，且速度快、初始化时间短。但是，当小目标被淹没在高度异质背景的红外场景中时，上述单帧检测和顺序检测算法都不能得到可靠、稳定、准确的小目标检测结果。
近年来，矩阵分解和特征检测方法在单帧红外图像检测中具有明显的优势。对于典型的矩阵分解方法，采用基于凸优化的鲁棒主成分分析方法，从原始红外图像中准确分离出前景目标矩阵和背景矩阵。红外斑图infrared patch-image(IPI)模型将传统的图像模型概括为一种新的基于局部patch构建的patch-image模型。IPI模型的核心思想是将红外图像分割为patch-image模型，通过稳定主成分分析将前景目标矩阵与背景矩阵分离，最终重建图像。然而，由于IPI模型中基于l1范数的稀疏性测度的缺陷，使得目标在强噪声环境下仍保留了部分背景剩余边缘。
发明内容
本发明的目的在于提供一种可较精确地检测单个或多个显著性目标、获得精确匹配的多尺度显著图的基于暗通道先验的红外小目标检测方法及***，以解决上述背景技术中存在的至少一项技术问题。
为了实现上述目的，本发明采取了如下技术方案：
一方面，本发明提供一种基于暗通道先验的红外小目标检测方法，包括以下步骤：
步骤S110：采用暗通道先验方法预处理待检测的图像，生成显著性映射图；
步骤S120：将预处理后的显著性映射图，根据尺度划分策略，进行特征匹配，获取多尺度显著图；
步骤S130：采用定义局部信息熵的灰度差值和最大值作为判断标准，对多尺度显著图进行最优尺度选择，识别出小目标。
优选的，所述步骤S110具体包括：
根据RGB-D图像的颜色显著性和深度显著性，将待检测的图像生成初始显著性映射图；结合中心偏置显著性和暗通道先验，将待检测的图像生成中心暗通道映射图；将初始显著性映射图与中心暗通道映射图融合，生成最终的显著性映射图。
优选的，生成初始显著性映射图具体包括：
通过K-means算法将图像根据颜色分割为多个区域；
根据待映射区域与另一个区域在颜色空间中的欧式距离，以及待映射区域的颜色空间加权项，确定待映射区域的颜色显著性；
根据待映射区域与另一个区域在深度空间中的欧式距离，以及待映射区域的深度空间加权项，确定待映射区域的深度显著性；
为颜色显著性和深度显著性分配中心偏置和深度的权重，结合高斯归一化，获得待映射区域的初始显著性映射图。
优选的，生成中心暗通道映射图具体包括：
对待检测的图像，基于每个像素到图像中心距离的显著性，结合基于聚类边界种子构造的全局颜色区分矩阵和空间距离矩阵，将每个像素显集成到基于背景的图像中，得到中心偏置显著性图；
对待检测的图像进行暗通道先验，获得暗通道先验透射率图；
结合图像中前景和背景的不同透射率，从中心偏置显著性图的背景中区分出显著的物体，进行显著性检测，得到中心暗通道映射图。
优选的，生成最终的显著性映射图包括：
使用否定操作增强前缘区域的突出度，进行深度线索的增强；
基于结合中心显著性和暗通道先验，进行中央暗信道先验的增强；
用初始显著性值融合深度线索和中央暗通道先验，并进行更新，获得最终的显著性值。
优选的，所述步骤S120具体包括：
将感兴趣的小区域采用信息熵的计算，确定基于局部信息熵的最优尺度选择机制，使用不同尺度的高斯核函数来得到不同尺度的显著性映射；
基于不同尺度的显著性映射，以线性尺度空间表示为参考，生成单参数光滑谱族；给定目标前景矩阵，确定其对数幅谱和原始相位谱；将对数幅谱与一系列高斯核函数进行卷积，得到光滑对数振幅谱；
将得到的光滑对数振幅谱与原始相位谱结合计算傅里叶反变换，得到显著性映射。
优选的，所述步骤S130具体包括：
根据图像中像素点的信息熵，将像素点附近的局部区域的像素值投影到多个区间上，确定像素值的概率最高的区间，获得比例尺图；
在选择突出区域时，首先遍历所有比例尺地图中最大像素点，以最大像素点为中心，定义多个相邻点，计算相邻点的像素值的均值，得到最优比例尺图，完成最优尺度选择。
第二方面，本发明提供一种基于暗通道先验的红外小目标检测***，该***包括：
预处理模块，用于采用暗通道先验方法预处理待检测的图像，生成显著性映射图；
匹配模块，用于将预处理后的显著性映射图，根据尺度划分策略，进行特征匹配，获取多尺度显著图；
识别模块，用于采用定义局部信息熵的灰度差值和最大值作为判断标准，对多尺度显著图进行最优尺度选择，识别出小目标。
第三方面，本发明提供一种计算机设备，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行如上所述的方法。
第四方面，本发明提供一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的方法。
本发明有益效果：使用暗通道先验的方法对图片进行预处理，既能较精确地检测单个显著性目标，也能较精确地检测多个显著性目标；经过预处理的图片其显著性增强，然后根据特殊的特征匹配算法，获得了精确匹配的多尺度显著图，获得了可靠、稳定、准确的红外小目标检测结果。
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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获得其他的附图。
图1为本发明实施例所述的暗通道先验方法流程示意图。
图2为本发明实施例所述的特征匹配方法流程示意图。
图3为本发明实施例所述的最优尺度选择方法流程示意图。
具体实施方式
下面详细叙述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。
还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件和/或它们的组。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
为便于理解本发明，下面结合附图以具体实施例对本发明作进一步解释说明，且具体实施例并不构成对本发明实施例的限定。
本领域技术人员应该理解，附图只是实施例的示意图，附图中的部件并不一定是实施本发明所必须的。
实施例1
本发明实施例1提供一种基于暗通道先验的红外小目标检测***，该***包括：预处理模块，用于采用暗通道先验方法预处理待检测的图像，生成显著性映射图；匹配模块，用于将预处理后的显著性映射图，根据尺度划分策略，进行特征匹配，获取多尺度显著图；识别模块，用于采用定义局部信息熵的灰度差值和最大值作为判断标准，对多尺度显著图进行最优尺度选择，识别出小目标。
在本实施例1中，基于上述基于暗通道先验的红外小目标检测***，实现了基于暗通道先验的红外小目标检测方法，该检测方法的实现包括如下步骤：步骤S110：采用暗通道先验方法预处理待检测的图像，生成显著性映射图；步骤S120：将预处理后的显著性映射图，根据尺度划分策略，进行特征匹配，获取多尺度显著图；步骤S130：采用定义局部信息熵的灰度差值和最大值作为判断标准，对多尺度显著图进行最优尺度选择，识别出小目标。
在本实施例1中，所述步骤S110具体包括：
根据RGB-D图像的颜色显著性和深度显著性，将待检测的图像生成初始显著性映射图；结合中心偏置显著性和暗通道先验，将待检测的图像生成中心暗通道映射图；将初始显著性映射图与中心暗通道映射图融合，生成最终的显著性映射图。
其中，生成初始显著性映射图具体包括：
通过K-means算法将图像根据颜色分割为多个区域；
根据待映射区域与另一个区域在颜色空间中的欧式距离，以及待映射区域的颜色空间加权项，确定待映射区域的颜色显著性；
根据待映射区域与另一个区域在深度空间中的欧式距离，以及待映射区域的深度空间加权项，确定待映射区域的深度显著性；
为颜色显著性和深度显著性分配中心偏置和深度的权重，结合高斯归一化，获得待映射区域的初始显著性映射图。
生成中心暗通道映射图具体包括：
对待检测的图像，基于每个像素到图像中心距离的显著性，结合基于聚类边界种子构造的全局颜色区分矩阵和空间距离矩阵，将每个像素显集成到基于背景的图像中，得到中心偏置显著性图；
对待检测的图像进行暗通道先验，获得暗通道先验透射率图；
结合图像中前景和背景的不同透射率，从中心偏置显著性图的背景中区分出显著的物体，进行显著性检测，得到中心暗通道映射图。
生成最终的显著性映射图包括：
使用否定操作增强前缘区域的突出度，进行深度线索的增强；
基于结合中心显著性和暗通道先验，进行中央暗信道先验的增强；
用初始显著性值融合深度线索和中央暗通道先验，并进行更新，获得最终的显著性值。
在本实施例1中，所述步骤S120具体包括：
将感兴趣的小区域采用信息熵的计算，确定基于局部信息熵的最优尺度选择机制，使用不同尺度的高斯核函数来得到不同尺度的显著性映射；
基于不同尺度的显著性映射，以线性尺度空间表示为参考，生成单参数光滑谱族；给定目标前景矩阵，确定其对数幅谱和原始相位谱；将对数幅谱与一系列高斯核函数进行卷积，得到光滑对数振幅谱；
将得到的光滑对数振幅谱与原始相位谱结合计算傅里叶反变换，得到显著性映射。
在本实施例1中，所述步骤S130具体包括：
根据图像中像素点的信息熵，将像素点附近的局部区域的像素值投影到多个区间上，确定像素值的概率最高的区间，获得比例尺图；
在选择突出区域时，首先遍历所有比例尺地图中最大像素点，以最大像素点为中心，定义多个相邻点，计算相邻点的像素值的均值，得到最优比例尺图，完成最优尺度选择。
实施例2
本发明实施例2提供一种基于暗通道先验的红外小目标检测方法。首先，使用暗通道先验预处理背景复杂的图片，包括：根据RGB-D图像的颜色显著性图和深度显著性图生成初始显著性图；根据中心显著性和暗通道先验生成一个中心-暗通道图；将初始显著性映射与中心暗通道映射融合，生成最终显著性映射。然后，将预处理后的显著性图片做特征匹配，包括：根据尺度划分策略，获取精确匹配的多尺度显著图。最后，进行最优尺度选择，包括：用定义局部信息熵的灰度差值和最大值作为最优尺度选择的判断标准识别出小目标。
如图1所示，本实施例2中，暗通道先验的方法，具体包括如下步骤：
步骤(1)：根据RGB-D图像的颜色显著性图和深度显著性图生成初始显著性图。步骤(2)：根据中心显著性和暗通道先验生成一个中心-暗通道图。步骤(3)：将初始显著性映射与中心暗通道映射融合，生成最终显著性映射。
在本实施例2中，根据RGB-D图像的颜色显著性图和深度显著性图生产初始显著性图的具体步骤包括：
步骤(1-1)：显著图初始化：分别从原始图像和深度映射图像中提取颜色和深度特征来初始化显著性映射。
步骤(2-1)：根据中心显著性和暗通道先验生成一个中心-暗通道图。
步骤(3-1)：基于更新融合的显著细化算法:基于初始化的显著性映射，我们利用更新的融合来细化显著性映射。更新的融合包括深度提示、中央暗通道先验和更新的基于增强的融合。
其中，步骤(1-1)具体包括：
步骤(1-1-1):通过K-means算法将图像根据颜色分割为K个区域，其公式为：
其中，Sc(rk)表示区域k的颜色显著性，k∈[1,k]。rk和ri分别代表区域k和i。Dc(rk,ri)表示Lab颜色空间中区域k和i之间的欧式距离。Pi表示区域与全像的面积比，Wd(rk)表示区域k的空间加权项。如下式所示：
与颜色显著性相似，定义深度显著性为：
其中，Sd(rk)为深度显著性。Dd(rk,ri)是区域k与i在深度空间中的欧氏距离。
步骤(1-1-2)：在大多数情况下，突出的物体总是位于图像的中心或靠近相机中心。因此，在本实施例2中，为颜色和深度图像都分配了中心偏置和深度的权重。区域k的权值为：
式中，G( )为高斯归一化，||·||表示欧几里得距离。Pk是k区域的位置，Po是这张地图的中心位置。Nk表示k区域的像素个数，DW(dk)为深度权值，如下所示：DW(dk)＝(max{d}-dk)u；其中max{d}表示图像的最大深度。区域k的深度值是一个固定的深度图，该深度图由u确定：
其中，min{d}表示图像的最小深度。
然后，区域k的初始显著性值由下式计算:
S1(rk)＝G(Sc(rk)Wcd(rk)+Sd(rk)Wcd(rk))。
步骤(2-1)具体包括：
步骤(2-1-1)：中心先验：根据认知神经科学，人眼利用中央窝来定位物体，使其清晰可见。因此，大多数相机拍摄的图像总是将突出的物体定位在中心附近。基于每个像素到图像中心距离的显著性图比以往许多显著性模型都能更好地预测显著性物体。基于聚类边界种子构造全局颜色区分矩阵和空间距离矩阵，并将其集成到基于背景的地图中。从而消除图像边缘的影响，提高中心目标的精度。将得到的这个中心偏置显著性图表示为Scsp。
步骤(2-1-2)：暗通道先验：暗原色先验是一种常用的先验，广泛应用于图像去雾领域。它是基于户外无雾图像的统计。暗信道可以检测到最模糊不透明的区域，提高了大气光的估计。
步骤(2-1-3)：受暗道先验的启发，前景和背景有不同的透射率，因此，可以从背景中区分出显著的物体。将该理论应用于显著性检测领域，将暗信道先验的透射率图表示为Sdcp。一般图像的最小强度值应该很低。
形式上，对于图像J，定义：
其中，
Jc是J的一个颜色通道，Ω(x)是x的本地中心块，Jdar是J的暗通道，根据实验的黑暗通道的黑暗通道处理一般图像，黑暗通道图像往往是零，如下式：
通过该式计算估计的传输值；
其中Ic为I的彩色通道，I为带有雾的图像。Ac是全局光，对于大多数图像来说是恒定的。图像的透射率是暗通道结果的反向值。因为靠近相机的物体有较少的摄影雾，前景部分将是haze_free部分和黑暗通道结果趋向于零。
步骤(3-1)具体包括：
步骤(3-1-1)：基于深度线索的增强。深度线索使突出的物体突出：
步骤(3-1-2)：基于中央暗信道先验的增强。结合中心显著性和暗通道先验来增强最终显著性结果，结果如下:
Scdcp(rk)＝Norm(Scsp(rk))Norm(Sdcp(rk))。
步骤(3-1-3)：更新的融合增强。用初始显著性值融合深度线索和基于中央暗通道先验的增强，如下所示：
其中，S(rk)为融合增强的显著性值，S1(rk)为初始显著性值。
为了细化显著性结果，将融合增强的显著性值更新为如下公式：
Sf(rk)是指最终的显著性值。
如图2所示，在本实施例2中，预处理后的显著性图片做特征匹配的方法具体包括如下步骤：
步骤(1)：使用不同尺度的高斯核函数来得到不同尺度的显著性映射。针对高斯核函数的最优尺度因子选择问题，提出基于局部信息熵的最优尺度选择机制。该机制满足了红外小目标、的特点，将信息熵的计算局限于感兴趣的小区域，而不需要遍历所有完整的比标图。高斯核是唯一能产生多尺度空间的核。
步骤(2)：以线性尺度空间表示为参考，生成了一个单参数光滑谱族，其参数依赖于高斯核的尺度。ISSS(improved spectrum scale Space改进的谱尺度空间)算法的具体过程如下。给定目标前景矩阵I(x,y)，其对数幅谱IA(u,v)和相位谱IP(u,v)表示如下：
IA(u,v)＝log|fft(I(x,y))|
IP(u,v)＝angle(fft(I(x,y)))
将尺度空间Φ(u,v；k)定义为IA(u,v)与一系列高斯核函数的卷积：
Φ(u,v；k)＝g(u,v；δ)*IA(u,v)
式中，g(u,v；δ)是高斯核，其标准差σ与尺度因子q有关：
将高斯核函数的尺度参数参数的阶跃值设为不规则值。当q值较小时，高斯核函数的标准差自适应变化较慢，当q值较大时，径向谱变化较快。这种精细的尺度划分策略有利于为小目标选择合适、准确的高斯核。不同类型的显著区要求不同的滤波尺寸。具有统一图案的大背景区域需要适当的尺度来平滑用于抑制的幅值。过多的小尺度或大尺度选择可能会导致背景区域被抑制得不够充分，或只导致突出的区域边缘被突出显示。
当使用小的核时，大的面积是突出的。利用大尺度核检测长程或富纹理的目标。在天空中飞行的红外小目标通常被归为远程目标，像素点较少；因此，选择最优显著性映射需要一个精细的标度划分策略。将得到的光滑对数振幅谱Φ(u,v；k)与原始相位谱IP(u,v)结合计算傅里叶反变换，得到显著性映射Sk(x,y)：Sk(x,y)＝ifft{exp(Φ(u,v；k)+i·Ip(u,v))}。
如图3所示，在本实施例2中，最优尺度选择时，用定义局部信息熵的灰度差值和最大值作为最优尺度选择的判断标准识别出小目标，具体包括如下步骤：
步骤(1)：信息熵常被用作***信息量的定量指标。因此，它可以进一步作为***方程优化或参数选择的准则。在相对简单的背景中，高亮的目标可以改变整个图像的信息熵。相比之下，对于弱小的红外目标，其对整个图像信息熵的贡献不显著。在适当的巩膜图中，感兴趣的区域被突出，而其他部分被最大程度地抑制。对于大目标的显著性检测，最小图像信息熵可以很好地选择最优显著性映射，但不适用于极小尺寸的红外目标。小目标对局部显著区的信息熵评价影响不大。信息熵是一个局部概念，对于图像中的一个像素点，信息熵H(x,y)定义如下：
其中，∧(x,y)表示像素点(x,y)附近的局部区域，将该局部区域的像素值投影到K个区间上，Pb(x,y)表示像素值在b区间内的概率。局部信息熵值高，表示该区域信息丰富，包含小目标的概率高。在最优比例尺图中，目标显著性优于背景杂波，同时背景往往表现出一定的空间相似性。
步骤(2)：在选择突出区域时，首先遍历所有比例尺地图中最大像素点Lk：Lk＝max(Sk(x,y)) k＝1,2...,K
其中，K在288×384的原始图像中设为16。以该点为中心，定义8个相邻点为bk，计算其8个邻域的像素值的均值mk如下：
mk＝argmax{H(Vk)}Vk＝Bk+Lk；
其中Lk表示最大像素点，Bk表示相邻8个像素点。
实施例4
本发明实施例4提供一种计算机设备，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行基于暗通道先验的红外小目标检测方法，该方法包括：
步骤S110：采用暗通道先验方法预处理待检测的图像，生成显著性映射图；步骤S120：将预处理后的显著性映射图，根据尺度划分策略，进行特征匹配，获取多尺度显著图；步骤S130：采用定义局部信息熵的灰度差值和最大值作为判断标准，对多尺度显著图进行最优尺度选择，识别出小目标。
实施例5
本发明实施例5提供一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现基于暗通道先验的红外小目标检测方法，该方法包括：
步骤S110：采用暗通道先验方法预处理待检测的图像，生成显著性映射图；步骤S120：将预处理后的显著性映射图，根据尺度划分策略，进行特征匹配，获取多尺度显著图；步骤S130：采用定义局部信息熵的灰度差值和最大值作为判断标准，对多尺度显著图进行最优尺度选择，识别出小目标。
综上所述，本发明实施例所述的
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本发明公开的技术方案的基础上，本领域技术人员在不需要付出创造性劳动即可做出的各种修改或变形，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于暗通道先验的红外小目标检测方法，其特征在于，包括：
步骤S110：采用暗通道先验方法预处理待检测的图像，生成显著性映射图；
步骤S120：将预处理后的显著性映射图，根据尺度划分策略，进行特征匹配，获取多尺度显著图；
步骤S130：采用定义局部信息熵的灰度差值和最大值作为判断标准，对多尺度显著图进行最优尺度选择，识别出小目标。
2.根据权利要求1所述的基于暗通道先验的红外小目标检测方法，其特征在于，所述步骤S110具体包括：
根据RGB-D图像的颜色显著性和深度显著性，将待检测的图像生成初始显著性映射图；结合中心偏置显著性和暗通道先验，将待检测的图像生成中心暗通道映射图；将初始显著性映射图与中心暗通道映射图融合，生成最终的显著性映射图。
3.根据权利要求2所述的基于暗通道先验的红外小目标检测方法，其特征在于，生成初始显著性映射图具体包括：
通过K-means算法将图像根据颜色分割为多个区域；
根据待映射区域与另一个区域在颜色空间中的欧式距离，以及待映射区域的颜色空间加权项，确定待映射区域的颜色显著性；
根据待映射区域与另一个区域在深度空间中的欧式距离，以及待映射区域的深度空间加权项，确定待映射区域的深度显著性；
为颜色显著性和深度显著性分配中心偏置和深度的权重，结合高斯归一化，获得待映射区域的初始显著性映射图。
4.根据权利要求3所述的基于暗通道先验的红外小目标检测方法，其特征在于，生成中心暗通道映射图具体包括：
对待检测的图像，基于每个像素到图像中心距离的显著性，结合基于聚类边界种子构造的全局颜色区分矩阵和空间距离矩阵，将每个像素显集成到基于背景的图像中，得到中心偏置显著性图；
对待检测的图像进行暗通道先验，获得暗通道先验透射率图；
结合图像中前景和背景的不同透射率，从中心偏置显著性图的背景中区分出显著的物体，进行显著性检测，得到中心暗通道映射图。
5.根据权利要求4所述的基于暗通道先验的红外小目标检测方法，其特征在于，生成最终的显著性映射图包括：
使用否定操作增强前缘区域的突出度，进行深度线索的增强；
基于结合中心显著性和暗通道先验，进行中央暗信道先验的增强；
用初始显著性值融合深度线索和中央暗通道先验，并进行更新，获得最终的显著性值。
6.根据权利要求1所述的基于暗通道先验的红外小目标检测方法，其特征在于，所述步骤S120具体包括：
将感兴趣的小区域采用信息熵的计算，确定基于局部信息熵的最优尺度选择机制，使用不同尺度的高斯核函数来得到不同尺度的显著性映射；
基于不同尺度的显著性映射，以线性尺度空间表示为参考，生成单参数光滑谱族；给定目标前景矩阵，确定其对数幅谱和原始相位谱；将对数幅谱与一系列高斯核函数进行卷积，得到光滑对数振幅谱；
将得到的光滑对数振幅谱与原始相位谱结合计算傅里叶反变换，得到显著性映射。
7.根据权利要求1所述的基于暗通道先验的红外小目标检测方法，其特征在于，所述步骤S130具体包括：
根据图像中像素点的信息熵，将像素点附近的局部区域的像素值投影到多个区间上，确定像素值的概率最高的区间，获得比例尺图；
在选择突出区域时，首先遍历所有比例尺地图中最大像素点，以最大像素点为中心，定义多个相邻点，计算相邻点的像素值的均值，得到最优比例尺图，完成最优尺度选择。
8.一种基于暗通道先验的红外小目标检测***，其特征在于，包括：
预处理模块，用于采用暗通道先验方法预处理待检测的图像，生成显著性映射图；
匹配模块，用于将预处理后的显著性映射图，根据尺度划分策略，进行特征匹配，获取多尺度显著图；
识别模块，用于采用定义局部信息熵的灰度差值和最大值作为判断标准，对多尺度显著图进行最优尺度选择，识别出小目标。
9.一种计算机设备，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，其特征在于：所述处理器调用所述程序指令执行如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011548661.XA CN112529896A (zh) | 2020-12-24 | 2020-12-24 | 基于暗通道先验的红外小目标检测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011548661.XA CN112529896A (zh) | 2020-12-24 | 2020-12-24 | 基于暗通道先验的红外小目标检测方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112529896A true CN112529896A (zh) | 2021-03-19 |
Family
ID=74976192
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011548661.XA Pending CN112529896A (zh) | 2020-12-24 | 2020-12-24 | 基于暗通道先验的红外小目标检测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112529896A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113409082A (zh) * | 2021-06-18 | 2021-09-17 | 湖南快乐阳光互动娱乐传媒有限公司 | 一种互动广告投放方法、***、服务器和客户端 |
| CN115393579A (zh) * | 2022-10-27 | 2022-11-25 | 长春理工大学 | 一种基于加权块对比度的红外小目标检测方法 |
| CN115861988A (zh) * | 2023-03-01 | 2023-03-28 | 四川省农业机械研究设计院 | 一种基于rgb区分度的茶叶采摘方法和*** |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107292318A (zh) * | 2017-07-21 | 2017-10-24 | 北京大学深圳研究生院 | 基于中心暗通道先验信息的图像显著性物体检测方法 |
| CN109741293A (zh) * | 2018-11-20 | 2019-05-10 | 武汉科技大学 | 显著性检测方法及装置 |
| CN109816641A (zh) * | 2019-01-08 | 2019-05-28 | 西安电子科技大学 | 基于多尺度形态学融合的加权局部熵红外小目标检测方法 |
| CN111260624A (zh) * | 2020-01-15 | 2020-06-09 | 陕西师范大学 | 一种基于特征匹配和尺度选择策略的多尺度红外小目标的探测方法 |
-
2020
- 2020-12-24 CN CN202011548661.XA patent/CN112529896A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107292318A (zh) * | 2017-07-21 | 2017-10-24 | 北京大学深圳研究生院 | 基于中心暗通道先验信息的图像显著性物体检测方法 |
| CN109741293A (zh) * | 2018-11-20 | 2019-05-10 | 武汉科技大学 | 显著性检测方法及装置 |
| CN109816641A (zh) * | 2019-01-08 | 2019-05-28 | 西安电子科技大学 | 基于多尺度形态学融合的加权局部熵红外小目标检测方法 |
| CN111260624A (zh) * | 2020-01-15 | 2020-06-09 | 陕西师范大学 | 一种基于特征匹配和尺度选择策略的多尺度红外小目标的探测方法 |
Non-Patent Citations (3)
| Title |
|---|
| CHUNBIAO ZHU ETC.: ""An Innovative Salient Object Detection Using Center-Dark Channel Prior"", 《PROCEEDINGS OF THE IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION》 * |
| KAIMING HE ETC.: ""Single Image Haze Removal Using Dark Channel Prior"", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACNINE INTELLIGENCE》 * |
| YAO QIN ETC.: ""Saliency detection via Cellular Automata"", 《IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113409082A (zh) * | 2021-06-18 | 2021-09-17 | 湖南快乐阳光互动娱乐传媒有限公司 | 一种互动广告投放方法、***、服务器和客户端 |
| CN115393579A (zh) * | 2022-10-27 | 2022-11-25 | 长春理工大学 | 一种基于加权块对比度的红外小目标检测方法 |
| CN115393579B (zh) * | 2022-10-27 | 2023-02-10 | 长春理工大学 | 一种基于加权块对比度的红外小目标检测方法 |
| CN115861988A (zh) * | 2023-03-01 | 2023-03-28 | 四川省农业机械研究设计院 | 一种基于rgb区分度的茶叶采摘方法和*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US12020474B2 (en) | Image processing apparatus, image processing method, and non-transitory computer-readable storage medium | |
| Zeng et al. | Deep surface normal estimation with hierarchical rgb-d fusion | |
| Rahtu et al. | Segmenting salient objects from images and videos | |
| CN112529896A (zh) | 基于暗通道先验的红外小目标检测方法及*** | |
| US9042662B2 (en) | Method and system for segmenting an image | |
| Lindeberg | Scale selection | |
| CN111079556A (zh) | 一种多时相无人机视频图像变化区域检测及分类方法 | |
| CN112052831B (zh) | 人脸检测的方法、装置和计算机存储介质 | |
| CN112926410A (zh) | 目标跟踪方法、装置、存储介质及智能视频*** | |
| JP7142420B2 (ja) | 画像処理装置、学習方法、学習済モデル、画像処理方法 | |
| Hasinoff | Saturation (imaging) | |
| Huang et al. | Removing reflection from a single image with ghosting effect | |
| Tangsakul et al. | Single image haze removal using deep cellular automata learning | |
| Radolko et al. | Dataset on underwater change detection | |
| Tan | Specularity, specular reflectance | |
| Fisher | Subpixel estimation | |
| AU2018202801A1 (en) | Method, apparatus and system for producing a foreground map | |
| Trongtirakul et al. | Transmission map optimization for single image dehazing | |
| CN112132753A (zh) | 多尺度结构引导图像的红外图像超分辨率方法及*** | |
| Langmann et al. | Comparison of depth super-resolution methods for 2D/3D images | |
| Cao et al. | Depth image vibration filtering and shadow detection based on fusion and fractional differential | |
| Tunali et al. | Fast semi-automatic target initialization based on visual saliency for airborne thermal imagery | |
| Schneider | Shape from silhouette | |
| Fu et al. | Adaptive Multi-Level Region Merging for Salient Object Detection. | |
| Shotton et al. | Semantic image segmentation: Traditional approach |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210319 |