CN116363135B - 基于高斯相似度的红外目标检测方法、装置、介质和设备 - Google Patents
基于高斯相似度的红外目标检测方法、装置、介质和设备 Download PDFInfo
- Publication number
- CN116363135B CN116363135B CN202310637222.3A CN202310637222A CN116363135B CN 116363135 B CN116363135 B CN 116363135B CN 202310637222 A CN202310637222 A CN 202310637222A CN 116363135 B CN116363135 B CN 116363135B
- Authority
- CN
- China
- Prior art keywords
- gray
- similarity
- target pixel
- vector
- gaussian
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 93
- 239000013598 vector Substances 0.000 claims abstract description 108
- 239000011159 matrix material Substances 0.000 claims abstract description 47
- 238000001914 filtration Methods 0.000 claims abstract description 29
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 238000013507 mapping Methods 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims description 67
- 230000006870 function Effects 0.000 claims description 38
- 238000010276 construction Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000003384 imaging method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000003331 infrared imaging Methods 0.000 description 6
- 230000005855 radiation Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 230000001815 facial effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 2
- 230000000149 penetrating effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Photometry And Measurement Of Optical Pulse Characteristics (AREA)
Abstract
本发明公开基于高斯相似度的红外目标检测方法、装置、介质和设备,检测方法包括以下步骤:S1:获取待检测的热红外图像,得到灰度图像矩阵;S2:构建面核,并利用面核对灰度图像矩阵进行滤波,得到候选目标像素点集合;S3:将候选目标像素点集合映射至热红外图像中,对每个候选目标像素点构建纵向灰度分布向量和横向灰度分布向量;S4:构建得到高斯函数向量,基于高斯函数向量对每个候选目标像素点进行相似度分析,得到目标像素点集合;S5:基于目标像素点集合构建得到红外目标的检测图像。
Description
技术领域
本发明涉及计算机领域,具体为一种基于高斯相似度的红外目标检测方法、装置、介质和设备。
背景技术
与可见光成像探测和主动雷达成像探测相比,红外成像探测具有多项优势:可见光成像***易受光照强度的影响,无法在封闭空间或夜间等弱光条件下工作,而物体的红外辐射能量仅与物体温度和物质特性有关,因此红外成像不受光照强度的影响,可以在弱光环境下正常工作;此外,由于物体的红外辐射强度与温度息息相关,因此红外成像***能够感应温度的差异;主动雷达成像需要向外界主动发射电磁波,***工作时容易暴露自身或遭受电磁干扰,而红外成像探测属于被动探测技术,隐蔽性更强;可见光成像探测的穿透能力差,易受恶劣天气环境或物体遮挡等干扰因素的影响,主动雷达探测能力受限于当前雷达隐形技术的快速发展,而红外成像探测的穿透能力较强,抗干扰性好,且不受雷达隐形等多种伪装技术的影响。得益于上述优势,红外成像***在医学诊断分析、农业和工业监测、面部识别等民用领域已经取得了成功而广泛的应用,此外其在军事侦察、预警和制导等军事领域的应用价值更加显著,而红外搜索及跟踪(IRST)***是其中核心的组成部分之一。
红外小目标检测存在以下难点:1、目标尺寸小、信号强度弱。一般情况下,目标成像时和红外探测器的距离很远,使得目标在红外图像中的像素尺寸很小,不具备丰富的形状和纹理特征,使得传统的目标检测与跟踪算法不再适用;2、在远距离成像时,成像探测器接收到的目标红外辐射会受到大气、云雾等多种辐射源的干扰而产生严重的辐射能量衰减,造成目标在红外图像中的信号强度偏弱,像素亮度值偏低,甚至可能低于某些背景像素;3、探测场景复杂、背景杂波干扰严重。在多数应用场景中,如天空、陆地和海空等探测场景,探测器视场内会出现云层、房屋和海浪等信号强度较大的杂波背景,这些背景物体会表现出与红外小目标相似的对比度特性,容易形成算法的误检。
针对上述难点,尤其是背景复杂的红外小目标图像,红外图像包含多种杂波背景的红外小目标的检测,现有方法存在对红外小目标检测的高误检以及检测时间长的问题,因此,亟需提供一种有效红外小目标检测方法,以提高红外小目标检测准确率、降低误检率以及缩短检测时间。
发明内容
为克服上述现有技术的不足,本发明提供一种基于高斯相似度的红外目标检测方法、装置、介质和设备,用以解决上述技术问题中的至少一个。
基于本发明说明书的一方面,提供一种基于高斯相似度的红外目标检测方法,具体包括以下步骤:
S1:获取待检测的热红外图像,将热红外图像像素点的灰度值与像素点坐标位置进行对应排列,得到灰度图像矩阵;
S2:构建面核,并利用所述面核对灰度图像矩阵进行滤波,得到候选目标像素点集合;
Facet Kernel(面核)起源于Facet模型,假设某像素的灰度强度曲面可用一个二元三次多项式近似,但使用最小二乘法来逼近这个强度曲面,则会计算过于复杂。所以如果该强度曲面可以由一堆离散正交多项式线性组合而成,则计算起来会方便许多,使用离散正交多项式的线性组合就是为了简化计算,提升计算效率;
S3:将候选目标像素点集合映射至热红外图像中,对每个候选目标像素点进行如下处理:在热红外图像中以候选目标像素点为中心构建一个n×n矩形窗口,并基于n×n矩形窗口构建纵向灰度分布向量和横向灰度分布向量;
将候选目标像素点集合映射至红外图像中是指提取候选目标像素点在灰度图像矩阵中的位置坐标,将提取到的位置坐标作为像素点坐标,在热红外图像中根据像素点坐标提取对应的红外热图像中的像素点作为后续处理的候选目标像素点;
S4:从标准高斯曲线上对称截取高斯子曲线,基于高斯子曲线构建得到高斯函数向量,基于高斯函数向量对每个候选目标像素点进行相似度分析,得到目标像素点集合;所述相似度分析的具体方法如下:基于高斯函数向量计算得到候选目标像素点的横向灰度分布相似度和纵向灰度分布相似度,若候选目标像素点的横向灰度分布相似度大于等于相似度阈值且纵向灰度分布相似度大于相似度阈值,则将候选目标像素点认定为目标像素点;
S5:基于目标像素点集合构建得到红外目标的检测图像。
在上述技术方案中,采用面核对灰度图像矩阵进行卷积便可得到图像梯度图(即显著性图像),像素点的显著性高则说明该像素点可能为目标像素点,即视为候选目标像素点,
面核滤波其处理速度快,有较好的背景抑制和目标增强能力,在有较好候选目标检测能力的同时保证了算法的实时性。
在获得候选目标像素点后,采用高斯相似度确认目标像素点的原理为:热红外目标的灰度呈现出一种由点向四周发散逐渐衰减的特性,且呈现近似高斯分布的特征。因此观察热红外目标的横向和纵向的灰度分布,可以观察到其灰度分布都近似于高斯图像,在观察背景中的灰度分布,可能仅有一个方向的灰度分布呈现与高斯图像相似的特性或者两个方向都不满足灰度分布高斯图像的相似特性,非目标区域就不满足灰度分布的高斯图像相似性,于是利用目标和非目标区域的这一特性,选择高斯相似度对候选目标像素点进行判别。因此,在本发明提供的上述技术方案中采用高斯相似度分析即可判读候选目标像素点是否为目标像素点。
在获取到所有的目标像素点后,将基于目标像素点组合便可以得到热红外目标的检测图像。
进一步地,步骤S2中,得到候选目标像素点集合的方法为:
将灰度图像矩阵与面核进行卷积增强得到映射矩阵,判断映射矩阵中的元素是否大于等于阈值,若是,则元素对应的像素点为候选目标像素点,基于所有候选目标像素点构建得到候选目标像素点集合。
阈值的设定根据公式(1)进行计算得到:
,
式中:为阈值,/>为映射矩阵中元素的平均值,/>为映射矩阵中元素的标准差,为系数。
进一步地,所述步骤S4中,基于高斯子曲线构建得到高斯函数向量的方法如下:在高斯子曲线上沿横轴等间距的选取矩形窗口边长n,选取对应的点,并获取被选取点的纵坐标值,将获取得到的纵坐标值作为向量元素构建得到高斯函数向量。
高斯子曲线为一段连续的曲线,且高斯子曲线对称于标准高斯曲线的对称轴。
进一步地,所述横向灰度分布相似度的计算如公式(2)所示:
,
式中:为横向灰度分布相似度,/>为横向灰度分布向量中的元素,/>为选取的矩形窗口边长,/>为横向灰度向量中的元素均值,/>为高斯函数向量中的元素,/>为高斯函数向量中所有元素的平均值;
所述纵向灰度分布相似度的计算如公式(3)所示:
,
式中:为纵向灰度分布相似度,/>为纵向灰度分布向量中的元素,/>为纵向灰度向量中的元素均值。
进一步地,步骤S2中,在利用所述面核对灰度图像矩阵进行滤波前,还采用顺序统计滤波法去除灰度图像矩阵中的杂波突出点。
对灰度图像矩阵进行顺序统计滤波,去除杂波突出点,使得图片更加平滑,从而提升了面核滤波的准确性。
进一步地,步骤S3中,纵向灰度分布向量的构建过程为:获取n×n正方形窗口内沿正方形窗口纵轴分布的像素点的灰度值作为向量元素构建得到纵向灰度分布向量;横向灰度分布向量的构建过程为:获取n×n正方形窗口内沿正方形窗口横轴分布的灰度值作为向量元素构建得到横向灰度分布向量。
将沿纵轴分布的像素点的灰度值按顺序依次排列即可得到纵向灰度分布向量,以同样的方法即可获得横向灰度分布向量。
基于本发明说明书的另一方面,提供一种基于高斯相似度的红外目标检测装置,包括:
数据获取模块:用于获取待检测的热红外图像,并得到灰度图像矩阵;
筛选模块:用于构建面核,并利用所述面核对灰度图像矩阵进行滤波,得到候选目标像素点集合;
向量构建模块:用于构建得到横向灰度分布向量、纵向灰度分布向量和高斯函数向量;
相似度分析模块:用于对候选目标像素点进行相似度分析,得到目标像素点;
图像构建模块:用于基于目标像素点集合构建得到红外目标的检测图像。
进一步地,所述检测装置还包括去杂波模块,所述去杂波模块用于采用顺序统计滤波法对去除灰度图像矩阵中的杂波突出点。
在上述技术方案中,采用数据获取模块得到灰度图像矩阵,并基于筛选模块得到候选目标像素点,然后根据候选目标像素点的坐标位置采用向量构建模块构建横向灰度分布向量、纵向灰度分布向量和高斯函数向量,接着采用相似度分析模块基于横向灰度分布向量、纵向灰度分布向量和高斯函数向量分析得到目标像素点,最后采用图像构建模块基于目标像素点构建得到红外目标的检测图像。
进一步地,所述检测装置还包括去杂波模块,所述去杂波模块用于采用顺序统计滤波法对去除灰度图像矩阵中的杂波突出点。
基于本发明说明书的又一方面,提供一种计算机可读存储介质,所述存储介质上存储有计算机程序,其中所述计算机程序被处理器执行时,实现所述的基于高斯相似度的红外目标检测方法的步骤。
基于本发明说明书的又一方面,提供一种计算机设备,所述计算机设备包括处理器、存储器,以及存储在所述存储器上并可被所述处理器执行的计算机程序,其中所述计算机程序被所述处理器执行时,实现所述的基于高斯相似度的红外目标检测方法的步骤。
与现有技术相比,本发明的有益效果在于:
本发明提供的一种基于高斯相似度的红外目标检测方法,采用面核对灰度图像矩阵进行卷积便可得到图像梯度图,像素点的显著性高则说明该像素点可能为目标像素点,即视为候选目标像素点,然后对候选目标像素点进行高斯相似度分析确定目标像素点,最终根据目标像素点构建得到热红外目标的检测图像。本发明提供方法充分利用了红外目标在红外图像中灰度分布的高斯相似性,有效提升目标检测准确率,且面核滤波处理速度快,有较好的背景抑制和目标增强能力,在有较好候选目标检测能力的同时保证了算法的实时性;
本发明提供的一种基于高斯相似度的红外目标检测装置,采用数据获取模块得到灰度图像矩阵,并基于筛选模块得到候选目标像素点,然后根据候选目标像素点的坐标位置采用向量构建模块构建横向灰度分布向量、纵向灰度分布向量和高斯函数向量,接着采用相似度分析模块基于横向灰度分布向量、纵向灰度分布向量和高斯函数向量分析得到目标像素点,最后采用图像构建模块基于目标像素点构建得到红外目标的检测图像。本发明提供的装置具有较高的检测准确率和较好的检测实时性。
附图说明
图1为根据本发明实施例的检测方法流程图;
图2为根据本发明实施例的热红外目标的纵向灰度分布曲线和横向灰度分布曲线;
图3为根据本发明实施例的背景的纵向灰度分布曲线和横向灰度分布曲线
图4为根据本发明实施例的高斯子曲线示意图;
图5为根据本发明实施例的不同检测方法下的检测结果示意图;
图6为根据本发明实施例的不同检测方法下的又一检测结果示意图;
图7为根据本发明实施例的检测装置结构示意图。
具体实施方式
以下将结合附图对本发明各实施例的技术方案进行清楚、完整的描述,显然,所描述发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。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例,都属于本发明所保护的范围。
如图1所示,本实施例提供一种基于高斯相似度的红外目标检测方法,包括以下步骤:
S1:获取待检测的热红外图像Z,将热红外图像Z的像素点的灰度值与像素点坐标位置进行对应排列,得到大小为A×B的灰度图像矩阵X;
S2:采用顺序统计滤波法对去除灰度图像矩阵中的杂波突出点;顺序统计滤波具有处理速度快,从而增强检测的实时性,本实施例中顺序统计滤波的滤波窗口为:
,
顺利统计滤波就是将图像中大小为9个像素点中的除中心像素点外的非零像素值进行升序排列,取得除中心像素点外最大的灰度值,以获得去除杂波突出点的灰度图像矩阵。
构建面核,并利用所述面核对灰度图像矩阵进行滤波。
Facet Kernel(面核)起源于Facet 模型,假设某像素点的灰度强度曲面可用一个二元三次多项式近似,但使用最小二乘法来逼近这个强度曲面,则会计算过于复杂。所以如果该强度曲面可以由一堆离散正交多项式线性组合而成,则计算起来会方便许多。使用离散正交多项式的线性组合就是为了简化计算,提升计算效率。
本实施例采用5×5的Facet Kernel,即采用5×5的窗口进行滤波,首先设集合和/>,/>,/>,则对应的离散正交多项式分别为:
,
,
式中,为与/>对应的离散正交多项式集合,/>为整数自变量一,/>为与/>对应的离散正交多项式集合,/>为整数自变量二;
对于取得的的区域,忽略大于三阶的二维离散正交基/>表示为:
,
的区域中像素曲面函数/>为:
,
为所选窗口的位置坐标,其中基前系数/>为:
,
式中,代表的是/>位置的灰度值。
矩阵内量可以表示为:
,
因此,基前系数实际上可以由矩阵内量/>与/>卷积得到,表示为:
,
根据公式(7)和(8)可得窗口中心像素/>的梯度:
,
,
,
其中,和/>分别表示/>窗口中心像素/>的沿行方向和列方向的二阶偏导数。
和/>可以通过公式(10)计算/>后与/>卷积得到,故/>和/>可通过求解公式(14)和公式(15)得到:
,
,
,/>结构相同,只是转置,所以用/>去与/>卷积即可。因此便是Facet Kernel:
,
得到候选目标像素点集合;得到候选目标像素点集合的方法为:
将灰度图像矩阵与面核/>进行卷积增强得到映射矩阵/>:
,
判断映射矩阵中的元素是否大于等于阈值,若是,则元素对应的像素点为候选目标像素点,基于所有候选目标像素点构建得到候选目标像素点集合;
阈值的计算公式如下:
,
其中,和/>分别为/>的均值和标准差。本实施例经多次试验后,将系数/>设为4,试验得到最佳测试结果。
S3:将候选目标像素点集合映射至热红外图像中,对每个候选目标像素点进行如下处理:在热红外图像中以候选目标像素点为中心构建一个n×n(由于红外小目标的成像尺寸通常不超过80个像素,故n取值为9-15)矩形窗口,并基于n×n矩形窗口构建纵向灰度分布向量和横向灰度分布向量/>;
纵向灰度分布向量的构建过程为:获取n×n正方形窗口内沿正方形窗口纵轴分布的像素点的灰度值作为向量元素按顺序依次排列构建得到纵向灰度分布向量;横向灰度分布向量的构建过程为:获取n×n正方形窗口内沿正方形窗口横轴分布的灰度值作为向量元素按顺序依次排列构建得到横向灰度分布向量/>;
S4:从标准高斯曲线上对称截取高斯子曲线,基于高斯子曲线构建得到高斯函数向量;
由于热红外目标的大小并不是确定不变的,因此需要根据不同大小从标准高斯曲线上截取三种不同的高斯子曲线,如图4所示,高斯曲线沿横轴方向被划分成6个曲线段,分别为曲线段①(-2.58σ ~ -1.96σ),曲线段②(1.96σ ~ 2.58σ),曲线段③(-1.96σ ~ -σ),曲线段④(σ ~ 1.96σ),曲线段⑤(-σ ~0)和曲线段⑥(0~ σ),截取的三种不同的高斯子曲线分别为:第一高斯子曲线(包含曲线段⑤+曲线段⑥),第二高斯子曲线(包含曲线段⑤+曲线段⑥+曲线段④+曲线段③),第三高斯子曲线(包括曲线段⑤+曲线段⑥+曲线段④+曲线段③+曲线段①+曲线段②)。
高斯函数向量的构建方法如下:在每一种高斯子曲线情形下,从高斯子曲线上沿横轴等间距的选取矩形窗口边长n,选取对应的点,并获取被选取点的纵坐标值,将获取得到的纵坐标值作为向量元素构建得到高斯函数向量。
基于高斯函数向量对每个候选目标像素点进行相似度分析,得到目标像素点集合;热红外目标的灰度呈现出一种由点向四周发散逐渐衰减的特性,且呈现近似高斯分布的特征(如图2所示)。因此观察热红外目标的横向和纵向的灰度分布,可以观察到其灰度分布都近似于高斯图像,在观察背景中的灰度分布,可能仅有一个方向的灰度分布呈现与高斯图像相似的特性或者两个方向都不满足灰度分布高斯图像的相似特性(如图3所示),非目标区域就不满足灰度分布的高斯图像相似性,于是利用目标和非目标区域的这一特性,选择高斯相似度对候选目标像素点进行判别。
所述相似度分析的具体方法如下:基于高斯函数向量计算得到候选目标像素点的横向灰度分布相似度和纵向灰度分布向相似度,若候选目标像素点的横向灰度分布相似度大于等于相似度阈值且纵向灰度分布相似度大于相似度阈值,则将候选目标像素点认定为目标像素点;
所述横向灰度分布相似度的计算公式如下:
,
式中:为横向灰度分布相似度,/>为横向灰度分布向量/>中的元素,/>为选取的矩形窗口边长,/>为横向灰度向量中的元素均值,/>为高斯函数向量中的元素,/>为高斯函数向量中所有元素的平均值;
所述纵向灰度分布相似度的计算公式如公式(3)所示:
,
式中:为纵向灰度分布相似度,/>为纵向灰度分布向量/>中的元素,/>为纵向灰度向量中的元素均值。
本实施例中分别计算和三个高斯子曲线对应的三个高斯函数向量的相似度得到三个对应的横向灰度分布相似度/>(对应于第一高斯子曲线)、/>(对应于第二高斯子曲线)和/>(对应于第三高斯子曲线),分别计算/>和三个高斯子曲线对应的三个高斯函数向量的相似度得到三个对应的横向灰度分布相似度/>(对应于第一高斯子曲线)、/>(对应于第二高斯子曲线)和/>(对应于第三高斯子曲线)。
当相似度满足相似度阈值要求时,则认定候选目标像素点为目标像素点。采用公式(18)对目标像素点进行判定:
,
式中:为相似度阈值,/>是红外小目标检测的标签图,/>取1表示候选目标像素点(x、y)为目标像素点,/>取0表示为候选目标像素点(x、y)为非目标像素点。
S5:基于目标像素点集合构建得到红外目标的检测图像。
将与热红外图像Z进行点乘得到的目标检测结果图,如果为目标,则其灰度值为Z原始灰度值,表示为检测到为目标;否则其灰度值为0,表示背景,得到红外小目标检测结果图像。如公式(19)所示:
,
式中:是对应的像素点位置。
本实施例中,采用5组常用的红外小目标数据集(date1,date2,date3,MDFA和sirst)的图像进行识别,其中目标有飞机、汽车、船等,存在于不同复杂背景中。data1由599张分辨率为256×256像素的图像组成,背景为较为简单的天空背景,目标为两架飞机。data2由399张分辨率为256×256像素,带有沉重的云天背景杂波,目标为两架飞机。data3由499张分辨率为256×256像素的图像组成,包含复杂的农田树林背景,目标为一架飞机。MDFA由100张红外小目标图像组成,包含各种天然或合成的红外小目标。sirst由427张红外小目标图像组成,包括480个实例,这些图像大多只包含一个目标,少数包含多个目标。
分别采用FKRW(基于面核滤波和随机游走的红外小目标检测算法),IPI(基于红外补丁图像模型的红外小目标检测算法),NRAM(基于非凸秩近似的红外小目标检测算法),NOLC(基于具有Lp范数约束的非凸优化的红外小目标检测算法),Top-hat(顶帽滤波算法)和本发明提供的方法(proposed)对5组不同红外小目标数据集进行试验,其数据集检测时间、检测率(pd)以及FAR如表1所示,F1 Score如表2所示,其中:
,
,
。
红外小目标检测时间越短说明算法具有更高的实时性能和效率,能够在更短的时间内完成目标检测任务。pd表示检测率,检测率越高通常意味着算法在检测小目标方面的性能更好。FAR越低通常意味着算法在检测小目标方面的性能更好。F1分数的取值范围为0到1,其中1表示完美的检测效果,而0表示模型无法检测到目标。
表1 红外小目标检测指标对比表
表2 红外小目标检测F1 Score对比表
从表1和表2的数据可知,本发明的目标保证较高pd的同时有较低的FAR,F1 score也相对比较高,且其检测时间较其他指标相近的方法具有明显的优势,优于其他几种方法。
图5和图6是本实施例提供的检测方法和另外五种现有的检测方法检测得到的小目标图像,其中Image为原始热红外图像,Groundtruth是真实结果图。图5小目标为一架飞机,背景较为简单,空中和地面。图6小目标为一架飞机,背景较为复杂,有建筑物影响。
以上证实了本发明在红外图像中复杂背景中的小目标检测,可以利用顺序统计滤波去除杂波突出点,通过Facet Kernel提取出目标像素候选点,最后通过多情形高斯相似度对候选目标点进行进一步筛选,充分利用了目标在红外图像中灰度分布的高斯相似性,有效提升目标检测准确率,降低FAR,其在红外小目标检测上是可行。
如图7所示,本实施例还提供一种基于高斯相似度的红外目标检测装置,包括:
数据获取模块:用于获取待检测的热红外图像,并得到灰度图像矩阵;
杂波模块:用于采用顺序统计滤波法对去除灰度图像矩阵中的杂波突出点;
筛选模块:用于构建面核,并利用所述面核对灰度图像矩阵进行滤波,得到候选目标像素点;
向量构建模块:用于构建得到横向灰度分布向量、纵向灰度分布向量和高斯函数向量;具体用于完成如下步骤:将候选目标像素点集合映射至热红外图像中,对每个候选目标像素点进行如下处理:在热红外图像中以候选目标像素点为中心构建一个n×n矩形窗口,并基于n×n矩形窗口构建纵向灰度分布向量和横向灰度分布向量;
相似度分析模块:用于对候选目标像素点进行相似度分析,得到目标像素点;具体用于完成如下步骤:从标准高斯曲线上对称截取高斯子曲线,基于高斯子曲线构建得到高斯函数向量,基于高斯函数向量对每个候选目标像素点进行相似度分析,得到目标像素点集合;所述相似度分析的具体方法如下:基于高斯函数向量计算得到候选目标像素点的横向灰度分布相似度和纵向灰度分布向相似度,若候选目标像素点的横向灰度分布相似度大于等于相似度阈值且纵向灰度分布相似度大于相似度阈值,则将候选目标像素点认定为目标像素点;
图像构建模块:用于基于目标像素点集合构建得到红外目标的检测图像。
进一步地,所述筛选模块还用于完成以下步骤:将灰度图像矩阵与面核进行卷积增强得到映射矩阵,判断映射矩阵中的元素是否大于等于阈值,若是,则元素对应的像素点为候选目标像素点,基于所有候选目标像素点构建得到候选目标像素点集合。
进一步地,所述相似度分析模块还用于完成以下步骤:在高斯子曲线上沿横轴等间距的选取矩形窗口边长n,选取对应的点,并获取被选取点的纵坐标值,将获取得到的纵坐标值作为向量元素构建得到高斯函数向量。
进一步地,所述向量构建模块还用于完成以下步骤:获取n×n正方形窗口内沿正方形窗口纵轴分布的像素点的灰度值作为向量元素构建得到纵向灰度分布向量;获取n×n正方形窗口内沿正方形窗口横轴分布的灰度值作为向量元素构建得到横向灰度分布向量。
本实施例还提供一种计算机可读存储介质,所述存储介质上存储有计算机程序,其中所述计算机程序被处理器执行时,实现所述的基于高斯相似度的红外目标检测方法的步骤。
其中,所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元,例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备,例如所述计算机设备上配备的插接式硬盘,智能存储卡(SmartMediaCard,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。
本实施例还提供一种计算机设备,该计算机设备可以为工控机、服务器或计算机终端。
所述计算机设备包括处理器、存储器,以及存储在所述存储器上并可被所述处理器执行的计算机程序,其中所述计算机程序被所述处理器执行时,实现所述的基于高斯相似度的红外目标检测方法的步骤。
该计算机设备包括通过***总线连接的处理器、存储器和网络接口,其中,存储器可以包括非易失性存储介质和内存储器。
非易失性存储介质可存储操作***和计算机程序。该计算机程序包括程序指令,该程序指令被执行时,可使得处理器执行任意一种基于高斯相似度的红外目标检测方法。
处理器用于提供计算和控制能力,支撑整个计算机设备的运行。
内存储器为非易失性存储介质中的计算机程序的运行提供环境,该计算机程序被处理器执行时,可使得处理器执行任意一种基于高斯相似度的红外目标检测方法。
该网络接口用于进行网络通信,如发送分配的任务等。
应当理解的是,处理器可以是中央处理单元(Central Processing Unit,CPU),该处理器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)、现场可编程门阵列(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。其中,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。
其中,在一个实施例中,所述处理器用于运行存储在存储器中的计算机程序,以实现如下步骤:
S1:获取待检测的热红外图像,得到灰度图像矩阵;
S2:构建面核,并利用所述面核对灰度图像矩阵进行滤波,得到候选目标像素点集合;
S3:将候选目标像素点集合映射至热红外图像中,对每个候选目标像素点进行如下处理:在热红外图像中以候选目标像素点为中心构建一个n×n矩形窗口,并基于n×n矩形窗口构建纵向灰度分布向量和横向灰度分布向量;
S4:从标准高斯曲线上对称截取高斯子曲线,基于高斯子曲线构建得到高斯函数向量,基于高斯函数向量对每个候选目标像素点进行相似度分析,得到目标像素点集合;所述相似度分析的具体方法如下:基于高斯函数向量计算得到候选目标像素点的横向灰度分布相似度和纵向灰度分布向相似度,若候选目标像素点的横向灰度分布相似度大于等于相似度阈值且纵向灰度分布相似度大于相似度阈值,则将候选目标像素点认定为目标像素点;
S5:基于目标像素点集合构建得到红外目标的检测图像。
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;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:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部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实施例技术方案。
Claims (10)
1.基于高斯相似度的红外目标检测方法,其特征在于,包括以下步骤:
S1:获取待检测的热红外图像,得到灰度图像矩阵;
S2:构建面核,并利用所述面核对灰度图像矩阵进行滤波,得到候选目标像素点集合;
S3:将候选目标像素点集合映射至热红外图像中,对每个候选目标像素点进行如下处理:在热红外图像中以候选目标像素点为中心构建一个n×n矩形窗口,并基于n×n矩形窗口构建纵向灰度分布向量和横向灰度分布向量;
S4:从标准高斯曲线上对称截取高斯子曲线,基于高斯子曲线构建得到高斯函数向量,基于高斯函数向量对每个候选目标像素点进行相似度分析,得到目标像素点集合;所述相似度分析的具体方法如下:基于高斯函数向量计算得到候选目标像素点的横向灰度分布相似度和纵向灰度分布相似度,若候选目标像素点的横向灰度分布相似度大于等于相似度阈值且纵向灰度分布相似度大于相似度阈值,则将候选目标像素点认定为目标像素点;
S5:基于目标像素点集合构建得到红外目标的检测图像。
2.根据权利要求1所述的基于高斯相似度的红外目标检测方法,其特征在于,步骤S2中,得到候选目标像素点集合的方法为:
将灰度图像矩阵与面核进行卷积增强得到映射矩阵,判断映射矩阵中的元素是否大于等于阈值,若是,则元素对应的像素点为候选目标像素点,基于所有候选目标像素点构建得到候选目标像素点集合。
3.根据权利要求1所述的基于高斯相似度的红外目标检测方法,其特征在于,步骤S4中,基于高斯子曲线构建得到高斯函数向量的方法如下:在高斯子曲线上沿横轴等间距的选取矩形窗口边长,选取对应的点,并获取被选取点的纵坐标值,将获取得到的纵坐标值作为向量元素构建得到高斯函数向量。
4.根据权利要求3所述的基于高斯相似度的红外目标检测方法,其特征在于,所述横向灰度分布相似度的计算如公式(2)所示:
,
式中:为横向灰度分布相似度,/>为横向灰度分布向量中的元素,/>为选取的矩形窗口边长,/>为横向灰度向量中的元素均值,/>为高斯函数向量中的元素,/>为高斯函数向量中所有元素的平均值;
所述纵向灰度分布相似度的计算如公式(3)所示:
,
式中:为纵向灰度分布相似度,/>为纵向灰度分布向量中的元素,/>为纵向灰度向量中的元素均值。
5.根据权利要求1所述的基于高斯相似度的红外目标检测方法,其特征在于,步骤S2中,在利用所述面核对灰度图像矩阵进行滤波前,还采用顺序统计滤波法去除灰度图像矩阵中的杂波突出点。
6.根据权利要求1所述的基于高斯相似度的红外目标检测方法,其特征在于,步骤S3中,纵向灰度分布向量的构建过程为:获取n×n正方形窗口内沿正方形窗口纵轴分布的像素点的灰度值作为向量元素构建得到纵向灰度分布向量;横向灰度分布向量的构建过程为:获取n×n正方形窗口内沿正方形窗口横轴分布的灰度值作为向量元素构建得到横向灰度分布向量。
7.基于高斯相似度的红外目标检测装置,用于实现如权利要求1-6中任一项所述的基于高斯相似度的红外目标检测方法的步骤,其特征在于,包括:
数据获取模块:用于获取待检测的热红外图像,并得到灰度图像矩阵;
筛选模块:用于构建面核,并利用所述面核对灰度图像矩阵进行滤波,得到候选目标像素点集合;
向量构建模块:用于构建得到横向灰度分布向量、纵向灰度分布向量和高斯函数向量;
相似度分析模块:用于对候选目标像素点进行相似度分析,得到目标像素点;
图像构建模块:用于基于目标像素点集合构建得到红外目标的检测图像。
8.根据权利要求7所述的基于高斯相似度的红外目标检测装置,其特征在于,所述检测装置还包括去杂波模块,所述去杂波模块用于采用顺序统计滤波法对去除灰度图像矩阵中的杂波突出点。
9.一种计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,其中所述计算机程序被处理器执行时,实现如权利要求1至6中任一项所述的基于高斯相似度的红外目标检测方法的步骤。
10.一种计算机设备,其特征在于,所述计算机设备包括处理器、存储器,以及存储在所述存储器上并可被所述处理器执行的计算机程序,其中所述计算机程序被所述处理器执行时,实现如权利要求1至6中任一项所述的基于高斯相似度的红外目标检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310637222.3A CN116363135B (zh) | 2023-06-01 | 2023-06-01 | 基于高斯相似度的红外目标检测方法、装置、介质和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310637222.3A CN116363135B (zh) | 2023-06-01 | 2023-06-01 | 基于高斯相似度的红外目标检测方法、装置、介质和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116363135A CN116363135A (zh) | 2023-06-30 |
CN116363135B true CN116363135B (zh) | 2023-09-12 |
Family
ID=86934835
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310637222.3A Active CN116363135B (zh) | 2023-06-01 | 2023-06-01 | 基于高斯相似度的红外目标检测方法、装置、介质和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116363135B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567994A (zh) * | 2011-12-31 | 2012-07-11 | 南京理工大学 | 基于角点高斯特性分析的红外小目标检测方法 |
CN110288368A (zh) * | 2019-05-08 | 2019-09-27 | 江苏聚垚科技有限公司 | 一种区域化通过交通工具推送广告的方法 |
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 |
CN115409778A (zh) * | 2022-07-29 | 2022-11-29 | 南京航空航天大学 | 一种用于红外小目标背景抑制后图像的阈值分割方法 |
-
2023
- 2023-06-01 CN CN202310637222.3A patent/CN116363135B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567994A (zh) * | 2011-12-31 | 2012-07-11 | 南京理工大学 | 基于角点高斯特性分析的红外小目标检测方法 |
CN110288368A (zh) * | 2019-05-08 | 2019-09-27 | 江苏聚垚科技有限公司 | 一种区域化通过交通工具推送广告的方法 |
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 |
CN115409778A (zh) * | 2022-07-29 | 2022-11-29 | 南京航空航天大学 | 一种用于红外小目标背景抑制后图像的阈值分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116363135A (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103413151B (zh) | 基于图正则低秩表示维数约简的高光谱图像分类方法 | |
CN110555811A (zh) | 一种sar图像数据增强方法、装置及存储介质 | |
CN103839073B (zh) | 一种基于极化特征和近邻传播聚类的极化sar图像分类方法 | |
CN111666854B (zh) | 融合统计显著性的高分辨率sar影像车辆目标检测方法 | |
Ince et al. | Evolutionary RBF classifier for polarimetric SAR images | |
Xiang et al. | Adaptive superpixel generation for SAR images with linear feature clustering and edge constraint | |
CN111062321B (zh) | 一种基于深度卷积网络的sar检测方法及*** | |
CN107145831B (zh) | 基于矢量概率扩散和马尔科夫随机场高光谱影像分类方法 | |
Zhang et al. | Infrared small target detection via interpatch correlation enhancement and joint local visual saliency prior | |
CN109712149A (zh) | 一种基于小波能量和模糊c均值的图像分割方法 | |
CN111861905A (zh) | 基于Gamma-Lee滤波的SAR影像斑点噪声抑制方法 | |
CN110490848B (zh) | 红外目标检测方法、装置及计算机存储介质 | |
CN106874932A (zh) | 基于快速稀疏描述的sar目标型号识别方法 | |
Wang et al. | A deep deformable residual learning network for SAR image segmentation | |
Zhang et al. | Hawk‐eye‐inspired perception algorithm of stereo vision for obtaining orchard 3D point cloud navigation map | |
CN114373135A (zh) | 基于局部显著性特征度量的舰船目标检测方法 | |
CN112598032B (zh) | 面向红外图像对抗攻击的多任务防御模型构建方法 | |
CN108520255B (zh) | 一种红外弱小目标检测方法及装置 | |
Yuan et al. | Mslm-rf: A spatial feature enhanced random forest for on-board hyperspectral image classification | |
CN104166975A (zh) | 一种复杂环境下低空红外目标检测算法 | |
CN116363135B (zh) | 基于高斯相似度的红外目标检测方法、装置、介质和设备 | |
Zhang et al. | Learning nonlocal quadrature contrast for detection and recognition of infrared rotary-wing UAV targets in complex background | |
Nolan et al. | Performance estimation of SAR using NIIRS techniques | |
CN116030252A (zh) | 融合边缘信息的模糊迭代sar图像超像素分割方法 | |
JP2005208023A (ja) | 目標探知装置 |
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 |