CN117078663A - 一种基于背景感知的弱小目标检测方法 - Google Patents
一种基于背景感知的弱小目标检测方法 Download PDFInfo
- Publication number
- CN117078663A CN117078663A CN202311321437.0A CN202311321437A CN117078663A CN 117078663 A CN117078663 A CN 117078663A CN 202311321437 A CN202311321437 A CN 202311321437A CN 117078663 A CN117078663 A CN 117078663A
- Authority
- CN
- China
- Prior art keywords
- image
- value
- background
- pixel
- weak
- 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
- 230000008447 perception Effects 0.000 title claims abstract description 10
- 238000001514 detection method Methods 0.000 title abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000001914 filtration Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000013459 approach Methods 0.000 claims description 3
- 230000000087 stabilizing effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 230000035945 sensitivity 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
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
本发明公开了一种基于背景感知的弱小目标检测方法,其包括:对待检测图像进行预处理,以得到滤波图像,对滤波图像进行基于总变分迭代的曲率滤波处理,得到背景估计图像;根据滤波图像和背景估计图像,得到待检测的弱小目标。本发明的背景图像更加准确,目标检测结果更好。
Description
技术领域
本发明涉及弱小目标检测技术领域,特别是一种基于背景感知的弱小目标检测方法。
背景技术
红外探测器是被动接收目标的热辐射进行成像,具有隐蔽性好、定位精度高、抗干扰能力强等优点,已成为当前光电探测***发展的主流方向。在实际应用环境中,红外图像往往会面临复杂的背景及远距离弱小目标的难题。为了使装备有足够的反应时间,往往要求探测***能够在较远的距离尽早发现目标。此时,目标的成像面积非常小,表现为弱小目标,甚至是极小目标。这时的目标信号强度低,完全没有形状、纹理信息,极易受到背景噪声干扰,甚至淹没在背景中。红外探测***在生活中已经得到大量使用,实践表明,复杂背景下弱小目标检测技术是实现目标自动跟踪识别的重要前提,其性能指标直接决定***的灵敏度和探测距离,是红外搜索与跟踪***智能化光电信息处理的一项核心技术。
由于场景的复杂度直接影响目标检测的难度,因此对于红外弱小目标检测,不仅要注重目标特性的研究,还要考虑背景的抑制。目前常用的背景抑制方法主要包括帧间对消处理和自适应背景估计两类。帧间对消处理主要用在相机固定或运动目标检测的情况,但是容易造成匹配不准确和目标拖影的现象。自适应背景估计方法则侧重于目标及背景的特征研究,通过空间滤波算法获得背景的形态、起伏等特性,然后进行差分处理。这种方法符合人类视觉对运动目标的感知原理,是当前计算机视觉研究的重要发展方向,也是提高红外弱小目标检测技术切实可行的一条技术路径。
发明内容
鉴于此,本发明提供一种基于背景感知的弱小目标检测方法,以解决上述技术问题。
本发明公开了一种基于背景感知的弱小目标检测方法,其包括:
步骤1:对待检测图像进行预处理,以得到滤波图像,
步骤2:对滤波图像重复进行基于总变分迭代的曲率滤波处理,得到背景估计图像;
步骤3:根据滤波图像和背景估计图像,得到待检测的弱小目标。
进一步地,所述步骤1包括:
步骤11:计算T1时间内像素点的核密度估计,若其概率分布大于预设阈值,则该像素点属于盲元点;预设阈值由待检测图像的背景数据统计得到;
步骤12:通过用每个盲元点的预设邻域点的均值代替其值,最终得到滤波图像。
进一步地,所述像素点的灰度值的核密度估计为:
其中,为核密度估计,/>为当前像素点,N为T1时间内的像素点数,/>为N个像素点中第i个的灰度值,/>为带宽值,取相邻两帧像素灰度值差值绝对值的均值。
进一步地,所述步骤2包括:
将滤波图像划分为多个集合,循环对每个集合的像素的灰度值用最小投影算子进行更新,以降低其总变分曲率,最终使正则化因子收敛,使变分模型总能量趋近稳定,从而实现背景估计。
进一步地,所述最小投影算子的计算方法为:
输入:
找到,使得/>
输出:
其中,表示坐标为/>的像素点的灰度值,其中,/>表示坐标为/>的像素点的灰度值,/>表示8个曲率投影距离绝对值中的最小值。
进一步地,所述步骤3包括:
步骤31:将滤波图像与背景估计图像进行差分处理,得到差分图像;
步骤32:通过阈值分割方法,从差分图像中分割出最终的弱小目标。
进一步地,所述步骤32中阈值分割方法中采用的阈值的计算公式为:
式中,为差分图像中所有灰度值大于0的像素的均值,/>为差分图像的方差,为常数。
进一步地,在差分图像中,若像素灰度值大于时,则其为候选目标;
删掉候选目标中像素点小于2的目标,以得到最终的弱小目标。
由于采用了上述技术方案,本发明具有如下的优点:采用基于总变分迭代的曲率滤波,在图像上重复迭代这种滤波器可以依次降低正则化能量。所设计的最小投影算子,考虑了不同梯度方向的曲率变化,可以更好地保留图像背景的细节。另外,计算方法简单,可以快速实现收敛计算。通过准确的背景估计计算,对弱小目标检测的效果更好。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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实施例中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本发明实施例的一种基于背景感知的弱小目标检测方法的流程示意图;
图2为本发明实施例的图像像素集分解示意图;
图3为本发明实施例的输入图像示意图;
图4为本发明实施例的背景估计图像示意图;
图5为本发明实施例的目标检测结果示意图。
具体实施方式
结合附图和实施例对本发明作进一步说明,显然,所描述的实施例仅是本发明实施例一部分实施例,而不是全部的实施例。本领域普通技术人员所获得的所有其他实施例,都应当属于本发明实施例保护的范围。
参见图1,本发明提供了一种基于背景感知的弱小目标检测方法的实施例,其包括:
首先进行滤波处理,去除盲元点;然后通过总变分曲率滤波处理,得到背景估计图像;将红外图像与得到的背景图像进行差分处理,得到差分图像,最后进行阈值分割,进行目标检测处理,得到目标检测结果。本发明实施例涉及的目标检测***及装置见图2,结合附图,本发明具体实施过程包括以下步骤:
步骤1、对输入图像A进行基于核密度估计的时域滤波处理,去除盲元点;输入图像可参见图3所示;
首先,计算第t帧灰度值的核密度估计计算方法为
其次,计算T1时间内像素点的概率分布,若P大于阈值th,则该点属于盲元;阈值th由图像背景数据统计得到(本发明中T取值为11帧,th取值为0.6)。
最后,用盲元点4邻域点的均值代替盲元点的值,得到滤波图像B。
步骤2、对滤波图像B进行基于总变分迭代的曲率滤波处理,得到背景估计图像C;背景估计图像可参见图4所示;
先将图像划分为4个集合,如附图2所示,即黑色圆圈、黑色三角形、白色圆圈和白色三角形;
再对每种集合像素的灰度值用最小投影算子进行更新,以降低其总变分曲率,循环这一过程使正则化因子收敛,从而使变分模型总能量趋近稳定,从而实现背景估计。
其中,本发明实施例中最小投影算子的计算方法为:
输入:
找到,使得/>
输出:
其中,表示坐标为/>的像素点的灰度值,其中,/>表示坐标为/>的像素点的灰度值,/>表示8个曲率投影距离绝对值中的最小值。
步骤3、将滤波图像B与背景估计图像C进行差分处理,得到差分图像D:
步骤4、通过阈值分割方法,从差分图像D中分割出最终的弱小目标。阈值计算公式为:
式中,为图像D中所有灰度值大于0的像素的均值,/>为图像D的方差,/>为常数(/>的取值范围为2到5)。当目标图像中像素灰度值大于/>时为候选目标,最后删掉候选目标中像素点小于2的目标。目标检测结果可参见图5所示。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (8)
1.一种基于背景感知的弱小目标检测方法,其特征在于,包括:
步骤1:对待检测图像进行预处理,以得到滤波图像,
步骤2:对滤波图像重复进行基于总变分迭代的曲率滤波处理,得到背景估计图像;
步骤3:根据滤波图像和背景估计图像,得到待检测的弱小目标。
2.根据权利要求1所述的方法,其特征在于,所述步骤1包括:
步骤11:计算T1时间内像素点的核密度估计,若其概率分布大于预设阈值,则该像素点属于盲元点;预设阈值由待检测图像的背景数据统计得到;
步骤12:通过用每个盲元点的预设邻域点的均值代替其值,最终得到滤波图像。
3.根据权利要求2所述的方法,其特征在于,所述像素点的灰度值的核密度估计为:
其中,为核密度估计,/>为当前像素点,N为T1时间内的像素点数,/>为N个像素点中第i个的灰度值,/>为带宽值,取相邻两帧像素灰度值差值绝对值的均值。
4.根据权利要求1所述的方法,其特征在于,所述步骤2包括:
将滤波图像划分为多个集合,循环对每个集合的像素的灰度值用最小投影算子进行更新,以降低其总变分曲率,最终使正则化因子收敛,使变分模型总能量趋近稳定,从而实现背景估计。
5.根据权利要求4所述的方法,其特征在于,所述最小投影算子的计算方法为:
输入:
找到,使得/>
输出:
其中,表示坐标为/>的像素点的灰度值,/>表示8个曲率投影距离绝对值中的最小值。
6.根据权利要求1所述的方法,其特征在于,所述步骤3包括:
步骤31:将滤波图像与背景估计图像进行差分处理,得到差分图像;
步骤32:通过阈值分割方法,从差分图像中分割出最终的弱小目标。
7.根据权利要求6所述的方法,其特征在于,所述步骤32中阈值分割方法中采用的阈值的计算公式为:
式中,为差分图像中所有灰度值大于0的像素的均值,/>为差分图像的方差,/>为常数。
8.根据权利要求7所述的方法,其特征在于,在差分图像中,若像素灰度值大于时,则其为候选目标;
删掉候选目标中像素点小于2的目标,以得到最终的弱小目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311321437.0A CN117078663A (zh) | 2023-10-13 | 2023-10-13 | 一种基于背景感知的弱小目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311321437.0A CN117078663A (zh) | 2023-10-13 | 2023-10-13 | 一种基于背景感知的弱小目标检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117078663A true CN117078663A (zh) | 2023-11-17 |
Family
ID=88719741
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311321437.0A Pending CN117078663A (zh) | 2023-10-13 | 2023-10-13 | 一种基于背景感知的弱小目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117078663A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102393913A (zh) * | 2011-10-31 | 2012-03-28 | 北京航空航天大学 | 一种基于光谱指纹特征的弱小目标精确跟踪方法 |
CN107610159A (zh) * | 2017-09-03 | 2018-01-19 | 西安电子科技大学 | 基于曲率滤波和时空上下文的红外弱小目标跟踪方法 |
CN108682004A (zh) * | 2018-04-16 | 2018-10-19 | 华中科技大学 | 一种基于局部信息的复杂背景下红外弱小目标检测方法 |
CN109345472A (zh) * | 2018-09-11 | 2019-02-15 | 重庆大学 | 一种复杂场景的红外运动小目标检测方法 |
CN111008585A (zh) * | 2019-11-29 | 2020-04-14 | 西安电子科技大学 | 基于自适应分层高分辨sar图像的舰船目标检测方法 |
CN112802020A (zh) * | 2021-04-06 | 2021-05-14 | 中国空气动力研究与发展中心计算空气动力研究所 | 基于图像修补和背景估计的红外弱小目标检测方法 |
CN114359076A (zh) * | 2021-12-22 | 2022-04-15 | 武汉科技大学 | 一种基于图像边缘指示函数的自适应加权高斯曲率滤波方法 |
CN116167944A (zh) * | 2023-03-07 | 2023-05-26 | 中南大学 | 分段线性图像边缘保持的全弯曲滤波方法、装置及*** |
CN116485834A (zh) * | 2023-05-11 | 2023-07-25 | 中国人民解放***箭军工程大学 | 红外弱小目标检测方法、装置、设备和介质 |
US20230289979A1 (en) * | 2020-11-13 | 2023-09-14 | Zhejiang University | A method for video moving object detection based on relative statistical characteristics of image pixels |
CN116805327A (zh) * | 2023-07-07 | 2023-09-26 | 中国人民解放军国防科技大学 | 一种基于动态卷积核的红外小目标跟踪方法 |
-
2023
- 2023-10-13 CN CN202311321437.0A patent/CN117078663A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102393913A (zh) * | 2011-10-31 | 2012-03-28 | 北京航空航天大学 | 一种基于光谱指纹特征的弱小目标精确跟踪方法 |
CN107610159A (zh) * | 2017-09-03 | 2018-01-19 | 西安电子科技大学 | 基于曲率滤波和时空上下文的红外弱小目标跟踪方法 |
CN108682004A (zh) * | 2018-04-16 | 2018-10-19 | 华中科技大学 | 一种基于局部信息的复杂背景下红外弱小目标检测方法 |
CN109345472A (zh) * | 2018-09-11 | 2019-02-15 | 重庆大学 | 一种复杂场景的红外运动小目标检测方法 |
CN111008585A (zh) * | 2019-11-29 | 2020-04-14 | 西安电子科技大学 | 基于自适应分层高分辨sar图像的舰船目标检测方法 |
US20230289979A1 (en) * | 2020-11-13 | 2023-09-14 | Zhejiang University | A method for video moving object detection based on relative statistical characteristics of image pixels |
CN112802020A (zh) * | 2021-04-06 | 2021-05-14 | 中国空气动力研究与发展中心计算空气动力研究所 | 基于图像修补和背景估计的红外弱小目标检测方法 |
CN114359076A (zh) * | 2021-12-22 | 2022-04-15 | 武汉科技大学 | 一种基于图像边缘指示函数的自适应加权高斯曲率滤波方法 |
CN116167944A (zh) * | 2023-03-07 | 2023-05-26 | 中南大学 | 分段线性图像边缘保持的全弯曲滤波方法、装置及*** |
CN116485834A (zh) * | 2023-05-11 | 2023-07-25 | 中国人民解放***箭军工程大学 | 红外弱小目标检测方法、装置、设备和介质 |
CN116805327A (zh) * | 2023-07-07 | 2023-09-26 | 中国人民解放军国防科技大学 | 一种基于动态卷积核的红外小目标跟踪方法 |
Non-Patent Citations (4)
Title |
---|
李翱翔: "复杂地面背景下的弱小目标检测方法研究", 中国优秀硕士学位论文全文数据库 信息科技辑, no. 04, pages 25 - 41 * |
王军;姜志;孙慧婷;张新;何昕;: "基于噪声方差估计的红外弱小目标检测与跟踪方法", 光电子・激光, no. 03, pages 81 - 89 * |
王恒慧: "基于深度学习的红外弱小目标检测算法研究综述", 激光与红外, pages 1274 - 1279 * |
田岳鑫等: "核密度估计时-空域滤波红外背景抑制方法", 强激光与粒子束, no. 05, pages 27 - 32 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107369159B (zh) | 基于多因素二维灰度直方图的阈值分割方法 | |
CN109086724B (zh) | 一种加速的人脸检测方法及存储介质 | |
CN115841434B (zh) | 一种用于气体浓度分析的红外图像增强方法 | |
CN104835145B (zh) | 基于自适应Codebook背景模型的前景检测方法 | |
CN110047055B (zh) | 一种红外图像细节增强及去噪方法 | |
CN112070717B (zh) | 基于图像处理的输电线路覆冰厚度检测方法 | |
CN112561899A (zh) | 电力巡检图像识别方法 | |
CN112364865A (zh) | 一种复杂场景中运动小目标的检测方法 | |
CN111260686B (zh) | 自适应余弦窗抗遮挡多特征融合的目标跟踪方法及*** | |
Pan et al. | Single-image dehazing via dark channel prior and adaptive threshold | |
Zhang et al. | A Detection Method with Anti-interference for Infrared Maritime Small Target | |
CN112288780B (zh) | 多特征动态加权的目标跟踪算法 | |
CN113592750A (zh) | 一种基于梯度直方图的红外增强方法 | |
Jiang et al. | An infrared small target detection algorithm based on peak aggregation and Gaussian discrimination | |
Zhang et al. | Dehazing with improved heterogeneous atmosphere light estimation and a nonlinear color attenuation prior model | |
Jung et al. | Multispectral fusion of rgb and nir images using weighted least squares and convolution neural networks | |
CN115393406B (zh) | 一种基于孪生卷积网络的图像配准方法 | |
CN117078663A (zh) | 一种基于背景感知的弱小目标检测方法 | |
CN114554188A (zh) | 基于图像传感器像素阵列的手机摄像头检测方法及装置 | |
Xiao et al. | Underwater image classification based on image enhancement and information quality evaluation | |
Yuanyuan et al. | Infrared small dim target detection using local contrast measure weighted by reversed local diversity | |
Liu et al. | Lane line detection based on OpenCV | |
Feng et al. | An improved vibe algorithm of moving target extraction for night infrared surveillance video | |
CN114648564B (zh) | 用于非稳态目标的可见光和红外图像优化配准方法及*** | |
Zheng et al. | Welding seam image dust removal algorithm based on fusion of dual-scale dark channel and bright channel |
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 |