CN115731174A - 基于图像信息熵和多尺度局部对比度量的红外小目标检测方法及装置 - Google Patents
基于图像信息熵和多尺度局部对比度量的红外小目标检测方法及装置 Download PDFInfo
- Publication number
- CN115731174A CN115731174A CN202211429559.7A CN202211429559A CN115731174A CN 115731174 A CN115731174 A CN 115731174A CN 202211429559 A CN202211429559 A CN 202211429559A CN 115731174 A CN115731174 A CN 115731174A
- Authority
- CN
- China
- Prior art keywords
- image
- local
- information entropy
- prior
- local contrast
- 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
Images
Landscapes
- Photometry And Measurement Of Optical Pulse Characteristics (AREA)
Abstract
本发明涉及红外图像处理领域,公开了一种基于图像信息熵和多尺度局部对比度量的红外小目标检测方法及装置。包括:(1)构建局部加权信息熵算子,获得原始红外图像的局部加权信息熵图像;(2)利用加权信息熵图像和结构张量理论,构造背景先验和目标先验,获得局部显著性先验;(3)利用原始热红外图像设计局部对比度系数,获得多尺度局部对比度图像;(4)利用多尺度局部对比度图像和对应的结构张量,设计信息过滤器;(5)融合局部显著性先验和信息过滤器,实现红外小目标的检测。本发明综合利用了加权图像熵算子、多尺度局部对比度量以及结构张量理论,能够有效抑制背景,增强目标,提升红外小目标的检测性能。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种基于图像信息熵和多尺度局部对比度量的红外小目标检测方法及装置。
背景技术
近年来,红外搜索与跟踪***(IRST)在许多民用和军事领域中得到了广泛应用。作为红外搜索与跟踪***的重要部分,红外小目标检测在预警、精确制导、远程目标探测中发挥着重要作用。由于远距离成像使得小目标通常缺乏具体的形状、纹理细节和其他结构信息,呈现出点状特征,并且在整个图像中像素空间占比小。同时,受到复杂背景、杂波和大气辐射等影响,背景中会出现类目标物体,容易形成算法误检,并且图像信杂比较低,目标甚至被背景淹没,并且建筑物等干扰也会对红外小目标检测产生不良影响。因此,如何在复杂背景下抑制杂波,增强目标,实现红外弱小目标的精确检测是当前面临的挑战。
自20世纪80年代以来,国内外学者提出了许多红外小目标检测与跟踪方法,可划分为两大类:检测前跟踪(Track Before Detect,TBD)和跟踪前检测(Detect BeforeTrack,DBT)。DBT方法是以单帧图像作为处理对象,获得单帧图像的目标检测结果,再结合时域信息预测并跟踪目标的运动轨迹,故DBT算法又可称为单帧检测算法。基于DBT的检测方法大致可分为三类:基于背景抑制,基于人类视觉***(human visual system-based,HVS)模型和基于低秩稀疏表示的方法。DBT方法能以较低的计算复杂度、较高的检测精度增强单帧图像中的小目标,实现小目标检测。然而,DBT方法忽略了图像序列中的时间信息,仅使用图像空间信息较难区分复杂背景中的目标和非目标。随着红外成像技术的发展,研究人员开始关注红外图像序列中携带的潜在信息,如时间特征,越来越多的DBT方法被提出。与DBT的检测策略不同,TBD假设目标的运动轨迹具有连续性,由目标的运动特性来预测所有潜在目标的当前运动状态,并利用某种判别条件和当前帧中的目标状态,判决潜在轨迹的可靠性,由此完成所有图像帧上的小目标检测,常见的TBD方法包括粒子滤波、动态规划等,但是基于多帧的检测算法计算复杂度较高、硬件需求大。
随着深度学习的快速发展,越来越多的研究人员提出了基于深度学习的红外小目标检测模型。与传统的检测方法不同,基于深度学习的检测方法以数据驱动的方式学习红外小目标表示,可以分为基于检测的方法和基于像素级分割的方法。作为一种数据驱动的方法,大量的训练数据对于特征提取和学习至关重要。然而,大批量红外图像数据的标注成本过高。此外,尽管算法性能不断提高,但深层特征损失的现象仍然存在,导致算法对不断变化的场景的鲁棒性较差,跨层融合甚至可能降低检测性能。目前依旧缺乏在复杂背景和低信噪比条件下取得较好检测效果的基于深度学习的红外小目标检测算法。
发明内容
针对现有技术中的不足,本发明的目的是提供一种基于图像信息熵和多尺度局部对比度量的红外小目标检测方法及装置,充分利用图像信息熵可以反映灰度分布空间特征的特点,并且信息熵图像能突出原图中信息量丰富的区域,抑制信息量单一的区域,通过红外图像的信息熵图像而非原始红外图像,更有效地提取红外图像中局部显著性先验。考虑到局部对比度度量可以突显差异对比较强的区域,尤其是目标区域和线性边缘区域等显著区域,通过设计多尺度局部对比度图像,在此基础上构造信息过滤器,用于滤除局部显著性先验的无效信息,增强有效的目标先验,实现红外小目标检测。
为实现上述目的,本发明提供了如下技术方案:
本发明一方面公开了基于图像信息熵和多尺度局部对比度量的红外小目标检测方法,其特征在于,包括如下步骤:
步骤1):构建局部加权信息熵算子E(·),获取能反映热红外图像信息量的局部加权信息熵图像E;
步骤2):利用原始热红外图像的局部加权信息熵图像E,计算结构张量Jι,并构造背景先验wbp和目标先验wtp,通过目标先验和背景先验的调和平均完成局部显著性先验Wl的构造;
步骤3):利用原始热红外图像,通过以像素点(x,y)为中心的邻域和与该邻域相邻的方形环区域的像素平均值,计算局部对比度系数c(x,y),获得多尺度局部对比度图像F(x,y);
步骤4):利用多尺度局部对比度图像和对应的结构张量,构造边缘加权矩阵Wedge和点加权矩阵Wpoint,设计信息过滤器Wfilter;
步骤5):融合局部显著性先验Wl和信息过滤器Wfilter,对红外小目标进行检测。
本发明还公开了一种实施所述方法的基于图像信息熵和多尺度局部对比度量的红外小目标检测装置,其包括:
局部加权信息熵算子构建模块,用于获取原热红外图像的局部加权信息熵图像,所述局部加权信息熵图像用于局部显著性先验生成模块中图像特征区域提取;
局部显著性先验生成模块,用于图像特征区域提取并构建目标先验和背景先验,利用目标先验和背景先验的调和平均获得红外图像的局部显著性先验;
多尺度局部对比度图像生成模块,用于局部对比度系数设计,获得的多尺度局部对比度图像用于信息过滤器构建模块中信息过滤器的构造;
信息过滤器构建模块,利用多尺度局部对比度图像,构造边缘加权矩阵和点加权矩阵,进而构造信息过滤器用于过滤局部显著性先验的无效信息;
目标检测模块,用于融合局部显著性先验和信息过滤器,进行红外小目标检测;
目标检测结果输出模块,用于输出红外小目标检测结果图。
本发明的有益效果在于:
1)本发明充分利用小目标的结构特性以及图像信息熵可以反映图像中灰度分布空间特征的优势,设计了改进的加权图像信息熵算子。获得的加权信息熵图像可以突出原图中信息量丰富的区域(如,角点和边缘区域),抑制信息量单一的区域(如,平面区域)。进而,通过加权信息熵图像的结构张量区分图像中的平坦区域、边缘区域与角点区域,提取得到局部显著性先验,且优于利用原图提取得到的局部显著性先验。
2)本发明充分考虑了局部对比度度量可以突显差异对比较强的区域,尤其是目标区域和线性边缘区域等显著区域,设计了多尺度局部对比度图像。为了进一步抑制局部显著性先验中因为强边缘等结构产生的无效显著性先验,利用多尺度局部对比度图像构造了高效的信息过滤器,在抑制由背景中强边缘等线性结构产生的无效先验的同时,增强了有效的目标先验,提高了检测器的背景抑制能力和目标增强能力。
附图说明
图1为本发明热红外图像小目标检测方法实施例的总体流程图;
图2为本发明红外小目标检测装置的结构示意图;
图3为实验测试用热红外图像序列的示例帧图像;
图4为示例帧的局部加权熵图像;
图5a、图5b和图5c均为红外图像用不同方法检测后的小目标检测结果对比图和对应的三维灰度可视化图像。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合具体的实施例详细说明本发明。下面描述了具体实施例以简化本发明。但是需要认识到,本发明不局限于所说明的实施例,并且在不脱离基本原理的前提下,本发明的各种修改是可能的,这些等价形式同样落于本申请所附权利要求书所限定的范围。
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。基于本发明中的实施例,本领域普通技术人员在没有做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。
如图1所示,为本发明的基于图像信息熵和多尺度局部对比度量的红外小目标检测方法在本实施例的基本步骤流程图,主要包括:
步骤1:构建局部加权信息熵算子E(·),获取能反映热红外图像信息量的局部加权信息熵图像E;
本实施例中,对于以(x,y)为中心的7×7大小的邻域M,其含有m种不同的像素值fi(i=1,2,…,m),对应的概率密度函数为Pi(i=1,2,…,m),将邻域M中的灰度值差异量|fi-f(x,y)|4,(i=1,2,…,m)作为权值,对邻域M的信息熵进行加权,该加权信息熵算子e(·)为:
通过引入局部标准偏差σstd(x,y)来衡量邻域M中图像纹理的均匀程度,增强目标显著性并抑制边缘结构,最终设计的局部加权信息熵算子E(·)如下:
其中,f(i,j)表示位置(i,j)处的灰度值,ε1为10-2,防止分母为零;
由此获取能反映热红外图像信息量的局部加权信息熵图像E。
步骤2:利用原始热红外图像的局部加权信息熵图像E,计算结构张量Jι,并构造背景先验wbp和目标先验wtp,通过目标先验和背景先验的调和平均完成局部显著性先验Wl的构造;
计算局部加权信息熵图像E的结构张量Jι如下:
其中,Gι是方差为ι的高斯核函数,本例中是标准差为3,尺寸为3×3的高斯核函数,Eσ是方差为σ的高斯平滑过滤器,本例中,Eσ是标准差为3,尺寸为3×3的高斯平滑过滤器,“*”是二维卷积算子,是克罗内克积,▽是梯度算子,并且
局部加权信息熵图像E的结构张量Jι含有两个特征值λ1和λ2,可用于刻画E中的图像结构特征:i)边缘,λ1>>λ2≈0;ii)角点,λ1≥λ2>>0;iii)平面,λ1≈λ2≈0;进而构造背景先验wbp=max(λ1,λ2)和目标先验ε2=10-4。通过目标先验和背景先验的调和平均获得局部显著性先验Wl′,并对其进行归一化:
其中,ε2和ε3为正常数,防止分母为零,wmin和wmax分别为Wl′的最小值和最大值。
步骤3:利用原始热红外图像,通过以像素点(x,y)为中心的邻域和与该邻域相邻的方形环区域的像素平均值,计算局部对比度系数c(x,y),获得多尺度局部对比度图像F(x,y)。
定义邻域Ωg为以像素点(x,y)为中心,大小为(2g+1)×(2g+1)的邻域,计算公式为:
Ωg={(u,v)|max(|u-x|,|v-y|)≤g} (6)
其中,g表示邻域边长系数;
得到像素点(x,y)处的邻域Ωg以及与该邻域相邻的n个相邻方形环区域的灰度均值ci,i=0,1,…,n:
其中,f(u,v)表示像素点(u,v)处的灰度值,Ng表示邻域Ωg中的像素总数,(u,v)∈Ωg表示像素点(u,v)属于邻域Ωg,(u,v)∈Ri表示像素点(u,v)属于第i个方形环,即,(u,v)∈Ωg+i且
由此,构造多尺度局部对比度图像F(x,y)为:
F(x,y)=f(x,y)c(x,y) (9)
其中,c(x,y)是像素点(x,y)的局部对比度系数。
步骤4:利用多尺度局部对比度图像和对应的结构张量,构造边缘加权矩阵Wedge和点加权矩阵Wpoint,设计信息过滤器Wfilter;
具体的,多尺度局部对比度图像F(x,y)中每个像素点(x,y)的结构张量Jι′的特征值为λ1′,λ2′,则行列式为Φd=λ1′λ2′,迹记为Φt=λ1′+λ2′;考虑到图像中角点/平面区域的结构张量的行列式和迹都较大/小,线性边缘区域对应的行列式较小,迹较大,可表示为:
其中,Φt(x,y)表示像素点(x,y)处的结构张量的迹,Φd(x,y)表示像素点(x,y)处的结构张量的行列式,d2≥d1,并且t1,t2,d1,d2为阈值,且满足:
为进一步增强点特征目标并抑制线特征的强边缘,构造边缘加权矩阵Wedge和点加权矩阵Wpoint:
利用边缘加权矩阵Wedge和点加权矩阵Wpoint设计的先验信息过滤器Wfilter为:
Wfilter=Wedge(x,y)+γWpoint(x,y) (15)
其中,γ为权重系数。
步骤5:融合局部显著性先验Wl和信息过滤器Wfilter,对红外小目标进行检测。
所述的步骤5)中,通过融合局部显著性先验Wl和信息过滤器Wfilter获得红外小目标检测结果图T:
T=Wl·Wfilter=Wl·(Wedge+γWpoint) (16)。
与前述的一种基于图像信息熵和多尺度局部对比度量的红外小目标检测方法的实施例相对应,本发明还提供了一种基于图像信息熵和多尺度局部对比度量的红外小目标检测装置的实施例。
图2为根据一示例性实施例示出的一种基于图像信息熵和多尺度局部对比度量的红外小目标检测装置的框图,如图2所示,该装置包括:
局部加权信息熵算子构建模块,用于获取原始红外图像的局部加权信息熵图像,所述局部加权信息熵图像用于局部显著性先验生成模块中图像特征区域提取;
局部显著性先验生成模块,用于图像特征区域提取并构建目标先验和背景先验,利用目标先验和背景先验的调和平均获得红外图像的局部显著性先验;
多尺度局部对比度图像生成模块,用于局部对比度设计,获得的多尺度局部对比度图像用于信息过滤器构建模块构建信息过滤器;
信息过滤器构建模块,利用多尺度局部对比度图像,构造边缘加权矩阵和点加权矩阵,进而构造信息过滤器,用于过滤局部显著性先验的无效信息;
目标检测模块,用于融合局部显著性先验和信息过滤器,实现小目标检测;
目标检测结果输出模块,用于输出红外小目标检测结果图。
在本发明的一项具体实施中,还包括应用扩展模块,其用于使用图像信息熵和多尺度局部对比度量来进行红外小目标检测与跟踪。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,装置中的各个模块是一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块可以结合或者可以集成到另一个单元。另一点,所显示或讨论的模块之间的连接可以是通过一些接口进行通信连接,可以是电性或其它的形式。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。下面以公开的真实热红外图像序列为例说明具体的实施方式,以体现本发明的技术效果,实施例中具体步骤不再赘述。
实施例
本发明实施例所示的附图说明,可使本发明的目的、技术方案及优点介绍得更加清楚明白。应当说明,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。凡在本发明提供的方法思路和原则之内所作的等同替换、改进等,均应包含在本发明的保护范围之内。
接下来以公开的红外图像序列为研究对象,开展红外小目标检测算法验证。为了从定性角度和定量角度评估小目标检测结果,分别采用小目标检测的直观结果图和3D-ROC评价指标体系包括AUCTD,AUCBS,AUCSNPR,AUCTDBS和AUCODP等,从目标检测能力、背景抑制能力以及检测器有效性等角度全面评估小目标检测结果,具体定义如下:
AUC(D,F)表示(PD,PF)曲线的AUC值,表征检测器的有效性,
AUC(D,F)∈[0,1]
AUC(D,τ)表示(PD,τ)曲线的AUC值,表征检测器的目标检测能力,
AUC(D,τ)∈[0,1]
AUC(F,τ)表示(PD,τ)曲线的AUC值,表征检测器的背景抑制能力,
AUC(F,τ)∈[0,1]
AUCTD表示检测器的联合检测能力,
AUCTD=AUC(D,F)+AUC(D,τ))∈[0,2]
AUCBS表示检测器的联合背景抑制能力,
AUCBS=AUC(D,F)-AUC(F,τ))∈[-1,1]
AUCTDBS表示检测器的目标检测与背景抑制综合能力,
AUCTDBS=AUC(D,τ)-AUC(F,τ))∈[-1,1]
AUCSNPR表示检测器的信噪比,
AUCODP表示检测器的总检测概率,
AUCODP=AUC(D,F)+AUC(D,τ)-AUC(F,τ)∈[-1,2]
总体上,3D-ROC评价指标体系的划分方式如下:
(i)目标检测能力(TD):AUC(D,τ),AUCTD;
(ii)背景抑制能力(BS):AUC(F,τ),AUCBS,AUCSNPR;
(iii)检测器有效性:AUC(D,F),AUCTDBS,AUCODP。
对于一公开的真实的含100帧图像热红外图像序列,其特征表现为:背景中飞行器运动缓慢,目标-背景的局部对比度较低,且背景中包含疑似目标物和许多线性边缘结构,图像尺寸为256×256。红外图像序列的示例帧如图3所示,对应的局部加权熵图像如图4所示,目标和边缘等显著性区域可以突显出来。表1为热红外图像序列采用TLLCM,IPI,NRAM,NIRPS,RIPT,LogTFNN,WSNM-STIPT,ASTTV-NTLA和所提出方法进行小目标检测结果的量化指标,粗体和下划线数值分别表示对应的最优AUC结果的和次优AUC结果。
表1热红外图像采用TLLCM,IPI,NRAM,NIRPS,RIPT,LogTFNN,WSNM-STIPT,ASTTV-NTLA和提出方法的检测结果的量化指标
方法 | AUC<sub>(D,F)</sub> | AUC<sub>(D,τ)</sub> | AUC<sub>(F,τ)</sub> | AUC<sub>TD</sub> | AUC<sub>BS</sub> | AUC<sub>SNPR</sub> | AUC<sub>TDBS</sub> | AUC<sub>ODP</sub> |
本发明 | 1.0000 | 1.0000 | 0.0051 | 2.0000 | 0.9949 | 1.9636e2 | 0.9949 | 1.9949 |
TLLCM | 0.9981 | 0.3513 | 0.0055 | 1.3494 | 0.9926 | 6.4188e1 | 0.3458 | 1.3439 |
IPI | 1.0000 | 1.0000 | 0.0762 | 2.0000 | 0.9238 | 1.3118e1 | 0.9238 | 1.9238 |
NRAM | 1.0000 | 0.9988 | 0.0055 | <u>1.9988</u> | 0.9945 | 1.8171e2 | 0.9933 | 1.9933 |
NIRPS | <u>0.9984</u> | 0.5097 | 0.0071 | 1.5081 | 0.9913 | 7.2256e1 | 0.5026 | 1.5010 |
RIPT | 1.0000 | 1.0000 | 0.0057 | 2.0000 | 0.9943 | 1.7439e2 | <u>0.9943</u> | <u>1.9943</u> |
LogTFNN | 1.0000 | <u>0.9993</u> | 0.0137 | 1.9993 | 0.9863 | 7.2988e1 | 0.9856 | 1.9856 |
WSNM-STIPT | 1.0000 | 0.9610 | <u>0.0053</u> | 1.9610 | <u>0.9947</u> | <u>1.8295e2</u> | 0.9557 | 1.9557 |
ASTTV-NTLA | 1.0000 | 0.9970 | 0.0683 | 1.9970 | 0.9317 | 1.4602e1 | 0.9287 | 1.9287 |
图5a、图5b、图5c为热红外图像序列采用TLLCM,IPI,NRAM,NIRPS,RIPT,LogTFNN,WSNM-STIPT,ASTTV-NTLA和本发明所提出方法进行检测的小目标检测结果对比图和对应的三维灰度可视化图像,可以看出,NIRPS和LogTFNN等对比算法容易受到边缘的影响,具有较高的虚警,所提出的方法不仅目标检测性能较好,且背景抑制能力优异。从表1所示的8个评价指标的量化检测结果可以看出,本发明提出的方法在8个3D-ROC衍生评价指标均优于对比方法,反映出所提出算法的目标检测能力、背景抑制能力和检测器有效性都优于已有的先进的小目标检测算法。综合定性分析和定量分析可知,本发明中提出的热红外小目标检测方法具有优异的热红外小目标检测能力,其目标增强能力与背景抑制能力都具有显著的优越性。
本发明实施例所示的附图说明,可使本发明的目的、技术方案及优点介绍得更加清楚明白。应当说明,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。凡在本发明提供的方法思路和原则之内所作的等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.基于图像信息熵和多尺度局部对比度量的红外小目标检测方法,其特征在于,包括如下步骤:
步骤1):构建局部加权信息熵算子E(·),获取能反映热红外图像信息量的局部加权信息熵图像E;
步骤2):利用原始热红外图像的局部加权信息熵图像E,计算结构张量Jι,并构造背景先验wbp和目标先验wtp,通过目标先验和背景先验的调和平均完成局部显著性先验Wl的构造;
步骤3):利用原始热红外图像,通过以像素点(x,y)为中心的邻域和与该邻域相邻的方形环区域的像素平均值,计算局部对比度系数c(x,y),获得多尺度局部对比度图像F(x,y);
步骤4):利用多尺度局部对比度图像和对应的结构张量,构造边缘加权矩阵Wedge和点加权矩阵Wpoint,设计信息过滤器Wfilter;
步骤5):融合局部显著性先验Wl和信息过滤器Wfilter,对红外小目标进行检测。
2.根据权利要求1所述的基于图像信息熵和多尺度局部对比度量的红外小目标检测方法,其特征在于,所述的步骤1)具体为:
对于以(x,y)为中心的N×N大小的邻域M,其含有m种不同的灰度值fi,i=1,2,…,m,对应的概率密度函数为Pi,i=1,2,…,m,将邻域M中的灰度值差异量|fi-f(x,y)|n作为权值,n表示所定义的指数系数,对以(x,y)为中心的邻域M的信息熵进行加权,该加权信息熵算子e(·)为:
通过引入局部标准偏差σstd(x,y)来衡量邻域M中图像纹理的均匀程度,增强目标显著性并抑制边缘结构,最终设计的局部加权信息熵算子E(·)如下:
其中,f(i,j)表示位置(i,j)处的灰度值,ε1为正常数,防止分母为零;
由此获取能反映热红外图像信息量的局部加权信息熵图像E。
3.根据权利要求1所述的基于图像信息熵和多尺度局部对比度量的红外小目标检测方法,其特征在于,所述的步骤2)具体为:
计算局部加权信息熵图像E的结构张量Jι如下:
局部加权信息熵图像E的结构张量Jι含有两个特征值λ1和λ2,可用于刻画E中的图像结构特征:i)边缘,λ1>>λ2≈0;ii)角点,λ1≥λ2>>0;iii)平面,λ1≈λ2≈0;进而构造背景先验wbp=max(λ1,λ2)和目标先验通过目标先验和背景先验的调和平均获得局部显著性先验Wl′,并对其进行归一化:
其中,ε2和ε3为正常数,防止分母为零,wmin和wmax分别为Wl′的最小值和最大值。
4.根据权利要求1所述的基于图像信息熵和多尺度局部对比度量的红外小目标检测方法,其特征在于,所述的步骤3)具体为:
定义邻域Ωg为以像素点(x,y)为中心,大小为(2g+1)×(2g+1)的邻域,计算公式为:
Ωg={(u,v)|max(|u-x|,|v-y|)≤g} (6)
其中,g表示邻域边长系数;
得到像素点(x,y)处的邻域Ωg以及与该邻域相邻的n个相邻方形环区域的灰度均值ci,i=0,1,…,n:
其中,f(u,v)表示像素点(u,v)处的灰度值,Ng表示邻域Ωg中的像素总数,(u,v)∈Ωg表示像素点(u,v)属于邻域Ωg,(u,v)∈Ri表示像素点(u,v)属于第i个方形环,即,(u,v)∈Ωg+i且
由此,构造多尺度局部对比度图像F(x,y)为:
F(x,y)=f(x,y)c(x,y) (9)
其中,c(x,y)是像素点(x,y)的局部对比度系数。
5.根据权利要求1所述的基于图像信息熵和多尺度局部对比度量的红外小目标检测方法,其特征在于,所述的步骤4)具体为:
多尺度局部对比度图像F(x,y)中每个像素点(x,y)的结构张量Jι′的特征值为λ1′,λ2′,则行列式为Φd=λ1′λ2′,迹记为Φt=λ1′+λ2′;考虑到图像中角点/平面区域的结构张量的行列式和迹都较大/小,线性边缘区域对应的行列式较小,迹较大,可表示为:
其中,Φt(x,y)表示像素点(x,y)处的结构张量的迹,Φd(x,y)表示像素点(x,y)处的结构张量的行列式,d2≥d1,并且t1,t2,d1,d2为阈值,且满足:
为进一步增强点特征目标并抑制线特征的强边缘,构造边缘加权矩阵Wedge和点加权矩阵Wpoint:
利用边缘加权矩阵Wedge和点加权矩阵Wpoint设计的先验信息过滤器Wfilter为:
Wfilter=Wedge(x,y)+γWpoint(x,y) (15)
其中,γ为权重系数。
6.根据权利要求1所述的基于图像信息熵和多尺度局部对比度量的红外小目标检测方法,其特征在于,所述的步骤5)中,通过融合局部显著性先验Wl和信息过滤器Wfilter获得红外小目标检测结果图T:
T=Wl·Wfilter=Wl·(Wedge+γWpoint) (16)。
7.一种实施权利要求1所述方法的基于图像信息熵和多尺度局部对比度量的红外小目标检测装置,其特征在于,包括:
局部加权信息熵算子构建模块,用于获取原热红外图像的局部加权信息熵图像,所述局部加权信息熵图像用于局部显著性先验生成模块中图像特征区域提取;
局部显著性先验生成模块,用于图像特征区域提取并构建目标先验和背景先验,利用目标先验和背景先验的调和平均获得红外图像的局部显著性先验;
多尺度局部对比度图像生成模块,用于局部对比度系数设计,获得的多尺度局部对比度图像用于信息过滤器构建模块中信息过滤器的构造;
信息过滤器构建模块,利用多尺度局部对比度图像,构造边缘加权矩阵和点加权矩阵,进而构造信息过滤器用于过滤局部显著性先验的无效信息;
目标检测模块,用于融合局部显著性先验和信息过滤器,进行红外小目标检测;
目标检测结果输出模块,用于输出红外小目标检测结果图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211429559.7A CN115731174A (zh) | 2022-11-15 | 2022-11-15 | 基于图像信息熵和多尺度局部对比度量的红外小目标检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211429559.7A CN115731174A (zh) | 2022-11-15 | 2022-11-15 | 基于图像信息熵和多尺度局部对比度量的红外小目标检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115731174A true CN115731174A (zh) | 2023-03-03 |
Family
ID=85295849
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211429559.7A Pending CN115731174A (zh) | 2022-11-15 | 2022-11-15 | 基于图像信息熵和多尺度局部对比度量的红外小目标检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115731174A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116843584A (zh) * | 2023-09-01 | 2023-10-03 | 浙江鼎立实业有限公司 | 一种图像数据优化增强方法 |
CN117557788A (zh) * | 2024-01-12 | 2024-02-13 | 国研软件股份有限公司 | 一种基于运动预测的海上目标检测方法及*** |
-
2022
- 2022-11-15 CN CN202211429559.7A patent/CN115731174A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116843584A (zh) * | 2023-09-01 | 2023-10-03 | 浙江鼎立实业有限公司 | 一种图像数据优化增强方法 |
CN116843584B (zh) * | 2023-09-01 | 2023-11-07 | 浙江鼎立实业有限公司 | 一种图像数据优化增强方法 |
CN117557788A (zh) * | 2024-01-12 | 2024-02-13 | 国研软件股份有限公司 | 一种基于运动预测的海上目标检测方法及*** |
CN117557788B (zh) * | 2024-01-12 | 2024-03-26 | 国研软件股份有限公司 | 一种基于运动预测的海上目标检测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115731174A (zh) | 基于图像信息熵和多尺度局部对比度量的红外小目标检测方法及装置 | |
Fang et al. | Infrared small UAV target detection based on residual image prediction via global and local dilated residual networks | |
CN104834915B (zh) | 一种复杂云天背景下小红外目标检测方法 | |
CN104574393A (zh) | 一种三维路面裂缝图像生成***和方法 | |
Sun et al. | Global Mask R-CNN for marine ship instance segmentation | |
Nyaruhuma et al. | Verification of 2D building outlines using oblique airborne images | |
Fang et al. | Infrared small UAV target detection based on depthwise separable residual dense network and multiscale feature fusion | |
Luo et al. | IMNN-LWEC: A novel infrared small target detection based on spatial–temporal tensor model | |
Liu et al. | Infrared small target detection utilizing halo structure prior-based local contrast measure | |
CN110738688A (zh) | 一种新的红外超弱运动目标检测方法 | |
CN111311611A (zh) | 一种实时三维大场景多对象实例分割的方法 | |
CN110298271A (zh) | 基于关键点检测网络和空间约束混合模型的海水区域检测方法 | |
Guo et al. | An anchor-free network with density map and attention mechanism for multiscale object detection in aerial images | |
CN114549642B (zh) | 一种低对比度红外弱小目标检测方法 | |
CN115527050A (zh) | 图像特征匹配方法、计算机设备和可读存储介质 | |
Isaac-Medina et al. | Multi-view object detection using epipolar constraints within cluttered x-ray security imagery | |
CN112329764A (zh) | 一种基于tv-l1模型的红外弱小目标检测方法 | |
CN117789198B (zh) | 基于4d毫米波成像雷达实现点云退化检测的方法 | |
Dai et al. | Oamatcher: An overlapping areas-based network for accurate local feature matching | |
CN113569720B (zh) | 一种舰船检测方法、***及装置 | |
CN106570889A (zh) | 一种检测红外视频中弱小目标的方法 | |
Liu et al. | A multi-scale feature pyramid SAR ship detection network with robust background interference | |
CN113011359B (zh) | 一种基于图像的同时检测平面结构和生成平面描述的方法及应用 | |
Zhao et al. | Infrared small target detection using local component uncertainty measure with consistency assessment | |
Zou et al. | Sonar Image Target Detection for Underwater Communication System Based on Deep Neural Network. |
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 |