CN113888428A - 一种基于局部对比度的红外弱小目标检测方法及装置 - Google Patents

一种基于局部对比度的红外弱小目标检测方法及装置 Download PDF

Info

Publication number
CN113888428A
CN113888428A CN202111141973.3A CN202111141973A CN113888428A CN 113888428 A CN113888428 A CN 113888428A CN 202111141973 A CN202111141973 A CN 202111141973A CN 113888428 A CN113888428 A CN 113888428A
Authority
CN
China
Prior art keywords
image
points
point
cluster
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
Application number
CN202111141973.3A
Other languages
English (en)
Inventor
陈延真
井世丽
成妍妍
王禄禄
吴盼良
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hebei Hanguang Heavy Industry Ltd
Original Assignee
Hebei Hanguang Heavy Industry Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hebei Hanguang Heavy Industry Ltd filed Critical Hebei Hanguang Heavy Industry Ltd
Priority to CN202111141973.3A priority Critical patent/CN113888428A/zh
Publication of CN113888428A publication Critical patent/CN113888428A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G06T5/70—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06T5/90—
    • 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
    • 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

Abstract

本发明提供一种基于局部对比度的红外弱小目标检测方法及装置，所述方法包括设置一个滑动窗口，由该滑动窗口从左至右、自上而下遍历图像I(x,y)，将图像I(x,y)划分为个彼此不重叠的图像块，计算图像块的响应值；计算图像I(x,y)中每个像素点的对比度，将所述图像I(x,y)中的每个像素点的灰度值替换为对比度，得到对比度图；基于所述对比度图，获取显著图；获取目标检测阈值Th；基于所述目标检测阈值Th，将所述显著图转化为二值图像，并从二值图像中获得原始点集points；对所述原始点集points进行聚类分析，根据聚类结果获得目标的位置和尺寸。该方法能够提高目标检测的正确率。

Description

一种基于局部对比度的红外弱小目标检测方法及装置
技术领域
本发明属于目标检测领域，尤其涉及一种基于局部对比度的红外弱小目标检测方法及装置。
背景技术
随着红外成像技术的发展，红外成像处理系统已得到广泛使用，红外目标检测作为其中的一项关键技术，近年来得到了快速发展。目标在远距离成像时，若目标面积小、强度弱，噪声干扰较大，会导致图像的信噪比低，因此复杂背景下的红外弱小目标检测是一个具有极大挑战的研究课题。检测的目的就是要剔除虚假目标，保留真实目标。
目前，红外弱小目标检测算法一般可分为两类：单帧检测算法和多帧检测算法。单帧检测算法主要是利用单帧图像中目标位置和背景位置对应灰度值之间的差异，对目标进行增强以及对背景进行抑制，提取出可疑目标，进而检测出真实目标，该方法耗时长，虚警率高；单帧检测算法包括峰值检测法、全局门限法、纹理分析法、形态学法、小波分析法等。多帧检测算法主要是利用序列图像中目标运动时域空间的特性以及目标运动的连续性和一致性，来实现对弱小目标的检测。多帧检测算法主要包括差分法、多级假设检验法、动态规划法、灰度累积法以及光流法等。
除了以上方法，近年来，将人眼视觉特征引入到红外弱小目标检测方法中。这些视觉特征主要包括对比度机制、多分辨率表示、尺度适应过程，其中对比度机制主要是通过显著性计量方法将目标图像的显著图提取，然后进一步对目标进行确认。Qi等人提出了基于方向显著性检测方法，该方法首先基于小面模型求出图像的二阶方向导数，在此基础上经过傅里叶变换，运用相位谱的显著性检测分离出小目标。Chen等人提出了一种基于目标局部对比度(LCM)的检测方法。该方法在多个不同尺度下通过寻找中心与局部邻域的对比度最大值来检测小目标。传统LCM算法通过计算局部对比度能增强图像信杂比，提高了检测效率。但对于具有复杂背景的图像，算法的背景抑制效果并不明显。并且对于图像中存在的一些灰度较大的噪声，算法也提高了它们的对比度，这对于检测性能有很大影响，例如提高了检测的虚警率。另外，不同尺度下的重复计算虽能提高图像信杂比，但提升效果不明显，与此同时却大大增加了检测所需时间。
发明内容
为解决上述技术问题，本发明提出了一种基于局部对比度的红外弱小目标检测方法及装置，所述方法及装置，用于解决现有技术的检测效率低、虚警率高的技术问题。
根据本发明的第一方面，提供一种基于局部对比度的红外弱小目标检测方法，所述方法包括以下步骤：
步骤S101：设置一个尺寸为n×n的滑动窗口，n为奇数；由该滑动窗口从左至右、自上而下遍历图像I(x,y)，将图像I(x,y)划分为Num个彼此不重叠的图像块Iblock，1≤block≤Num，x为图像I(x,y)水平X方向的像素坐标，y为图像I(x,y)垂直Y方向的像素坐标，G(x,y)为图像在(x,y)坐标的灰度值；计算各图像块Iblock的均值，由该图像块的均值作为该图像块的响应值mnum；
步骤S102：计算图像I(x,y)中每个像素点的对比度，将所述图像I(x,y)中的每个像素点的灰度值替换为对比度，得到对比度图C(x,y)；
步骤S103：基于所述对比度图C(x,y)，获取显著图S(x,y)，
S(x,y)＝C(x,y)-I(x,y)；
步骤S104：获取目标检测阈值Th，Th＝μs+k×σs，
其中，μs是显著度图S(x,y)的均值，σs是显著度图S(x,y)的标准差；k为分割系数；
步骤S105：基于所述目标检测阈值Th，将所述显著图S(x,y)转化为二值图像B(x,y)，并从二值图像中获得原始点集points，points＝{(xi,yi)|i＝0,1,2,…,N-1}，所述原始点为二值图像B(x,y)中非零像素点，xi为原始点集points中第i个原始点水平X方向的坐标，yi为原始点集points中第i个原始点垂直Y方向的坐标，N为原始点集points的个数；
Figure BDA0003284280840000031
步骤S106：对所述原始点集points进行聚类分析，根据聚类结果获得目标的位置和尺寸。
根据本发明第二方面，提供一种基于局部对比度的红外弱小目标检测装置，所述装置包括：
响应值计算模块：配置为设置一个尺寸为n×n的滑动窗口，n为奇数；由该滑动窗口从左至右、自上而下遍历图像I(x,y)，将图像I(x,y)划分为Num个彼此不重叠的图像块Iblock，1≤block≤Num，x为图像I(x,y)水平X方向的像素坐标，y为图像I(x,y)垂直Y方向的像素坐标，G(x,y)为图像在(x,y)坐标的灰度值；计算各图像块Iblock的均值，由该图像块的均值作为该图像块的响应值mnum；
对比度图获取模块：配置为计算图像I(x,y)中每个像素点的对比度，将所述图像I(x,y)中的每个像素点的灰度值替换为对比度，得到对比度图C(x,y)；
显著图获取模块：配置为基于所述对比度图C(x,y)，获取显著图S(x,y)，
S(x,y)＝C(x,y)-I(x,y)；
检测阈值获取模块：配置为获取目标检测阈值Th，Th＝μs+k×σs，
其中，μs是显著度图S(x,y)的均值，σs是显著度图S(x,y)的标准差；k为分割系数；
二值图像获取模块：配置为基于所述目标检测阈值Th，将所述显著图S(x,y)转化为二值图像B(x,y)，并从二值图像中获得原始点集points，points＝{(xi,yi)|i＝0,1,2,…,N-1}，所述原始点为二值图像B(x,y)中非零像素点，xi为原始点集points中第i个原始点水平X方向的坐标，yi为原始点集points中第i个原始点垂直Y方向的坐标，N为原始点集points的个数；
Figure BDA0003284280840000041
聚类分析模块：配置为对所述原始点集points进行聚类分析，根据聚类结果获得目标的位置和尺寸。
根据本发明第三方面，提供一种基于局部对比度的红外弱小目标检测系统，包括：
处理器，用于执行多条指令；
存储器，用于存储多条指令；
其中，所述多条指令，用于由所述存储器存储，并由所述处理器加载并执行如前所述的基于局部对比度的红外弱小目标检测方法。
根据本发明第四方面，提供一种计算机可读存储介质，所述存储介质中存储有多条指令；所述多条指令，用于由处理器加载并执行如前所述的基于局部对比度的红外弱小目标检测方法。
根据本发明的上述方案，在充分考虑红外成像特点的情况下，结合目标对比度信息与显著度图的特点，应用到红外目标检测。首先利用红外目标区域与周围背景的对比度特性对原始图像进行预处理操作，增强目标对比度，抑制背景噪声；然后，利用滑动窗口遍历图像所有的像素点，将图像划分为若干个小块，并通过中心块与领域块的对比度将图像中每个像素点替换得到对比度图；然后，通过对比度图和原始图像的差分运算计算获得目标的显著度图，并根据统计学的3σ准则，并通过自适应阈值分割法分离出小目标，将显著度图转换为二值图像；最后，对二值图像中提取出目标点集，使用密度聚类算法进行聚类分析，根据聚类结果结合峰值特性去除虚假目标，计算得到目标的位置和大小，从而完成红外目标检测功能，提高目标检测的正确率。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明提供如下附图进行说明。在附图中：
图1为本发明一个实施方式的基于局部对比度的红外弱小目标检测方法流程图；
图2为本发明一个实施方式的滑动窗口示意图；
图3为本发明一个实施方式的对比度示意图；
图4为本发明一个实施方式显著度示意图；
图5为本发明一个实施方式的二值图像示意图；
图6为本发明一个实施方式的聚类示意图；
图7为本发明一个实施方式的基于局部对比度的红外弱小目标检测装置结构示意图。
具体实施方式
首先结合图1说明本发明一个实施方式的基于局部对比度的红外弱小目标检测方法流程，所述方法包括以下步骤：
步骤S101：设置一个尺寸为n×n的滑动窗口，n为奇数；由该滑动窗口从左至右、自上而下遍历图像I(x,y)，将图像I(x,y)划分为Num个彼此不重叠的图像块Iblock，1≤block≤Num，x为图像I(x,y)水平X方向的像素坐标，y为图像I(x,y)垂直Y方向的像素坐标，G(x,y)为图像在(x,y)坐标的灰度值；计算各图像块Iblock的均值，由该图像块的均值作为该图像块的响应值mnum；
步骤S102：计算图像I(x,y)中每个像素点的对比度，将所述图像I(x,y)中的每个像素点的灰度值替换为对比度，得到对比度图C(x,y)；
步骤S103：基于所述对比度图C(x,y)，获取显著图S(x,y)，
S(x,y)＝C(x,y)-I(x,y)；
步骤S104：获取目标检测阈值Th，Th＝μs+k×σs，
其中，μs是显著度图S(x,y)的均值，σs是显著度图S(x,y)的标准差；k为分割系数；
步骤S105：基于所述目标检测阈值Th，将所述显著图S(x,y)转化为二值图像B(x,y)，并从二值图像中获得原始点集points，points＝{(xi,yi)|i＝0,1,2,…,N-1}，所述原始点为二值图像B(x,y)中非零像素点，xi为原始点集points中第i个原始点水平X方向的坐标，yi为原始点集points中第i个原始点垂直Y方向的坐标，N为原始点集points的个数；
Figure BDA0003284280840000061
步骤S106：对所述原始点集points进行聚类分析，根据聚类结果获得目标的位置和尺寸。
所述步骤S101：计算图像块Iblock的均值，由该图像块的均值作为该图像块的响应值mnum，其中：
Figure BDA0003284280840000071
其中，u为图像I(x,y)中水平方向的像素坐标，v为图像I(x,y)中垂直方向的像素坐标，I(u,v)为图像I(x,y)在坐标(u,v)处的灰度值，u0block为图像块Iblock中心在图像I(x,y)中水平方向的像素坐标，v0block为图像块Iblock中心在图像I(x,y)中垂直方向的像素坐标；
本实施例中，如图2所示，滑动窗口的尺寸为3×3，滑动窗口遍历图像后，将图像I(x,y)划分为若干个图像块，每个图像块包含3×3个子块，每个子块对应若干像素点。图像块之间不具重合的像素。
所述步骤S102：计算图像I(x,y)中每个像素点的对比度，将所述图像I(x,y)中的每个像素点的灰度值替换为对比度，得到对比度图C(x,y)，其中：
通过遍历整幅图像的方式计算原始图像中每个像素点的对比度。
Figure BDA0003284280840000072
mcentre为中心块的均值，Ln表示中心块的亮度最大值，mΔ表示所有邻域块的均值；所述中心块为所有图像块中处于中心位置的图像块，领域块为围绕中心块的图像块。
本实施例中，对比度图如图3所示。在滑动窗口遍历图像所有像素点后，将图像中每个像素点替换得到对比度图，有利于准确检测出目标，提高检测率并降低虚警率。
所述步骤S103：基于所述对比度图C(x,y)，获取显著图S(x,y)，
S(x,y)＝C(x,y)-I(x,y)
显著图如图4所示，本实施例中，能够进一步提高图像的信杂比。
所述步骤S104：获取目标检测阈值Th，Th＝μs+k×σs，
其中，μs是显著度图S(x,y)的均值，σs是显著度图S(x,y)的标准差；k为分割系数，一般取值为3～5。
所述步骤S105：基于所述目标检测阈值Th，将所述显著图S(x,y)转化为二值图像B(x,y)，并从二值图像中获得原始点集points，points＝{(xi,yi)|i＝0,1,2,…,N-1}，所述原始点为二值图像B(x,y)中非零像素点，xi为原始点集points中第i个原始点水平X方向的坐标，yi为原始点集points中第i个原始点垂直Y方向的坐标，N为原始点集points的个数；
Figure BDA0003284280840000081
原始点集points包括二值图像B(x,y)中所有非0像素点的坐标。
本实施例中，二值图如图5所示。
所述步骤S106：对所述原始点集points进行聚类分析，根据聚类结果获得目标的位置和尺寸，所述聚类分析的步骤包括：
步骤S1061：遍历points集合中的所有点，计算每个点的邻域密度，邻域范围为n×n，记为density＝{ds}，1≤s≤pnum，其中ds为points集合中第s个点的邻域密度，pnum为points集合中点的数目；
Figure BDA0003284280840000082
其中，p、q分别为二值图像B中像素水平方向和垂直方向的坐标，(p0,q0)为集合points中第s个点的坐标。
步骤S1062：若points集合中的点不为空，进入步骤S1063；否则，形成一个新的类簇集合L＝{lt|t＝0,1,2,…,Ln-1}，其中t为第t个类簇，Ln为集合L中类簇的个数；lt为第t个类簇的分类结果，进入步骤S1064；
步骤S1063：将points集合中的点作为候选点，任意选取一个候选点，遍历points集合中的所有点，计算points集合中各点与选取的所述候选点的欧式距离，将距离小于阈值的点划分为同一类簇，并分配类别编号；将该同一类簇对应的点从points集合中删除；进入步骤S1062；
聚类结果如图6所示。
步骤S1064：遍历所有类簇L，统计每一个类簇的所有点集，分别计算每一个类簇的水平X方向、垂直Y方向的坐标，从而获得目标在各个类簇中水平X方向的尺寸stX和垂直Y方向的尺寸stY；
Figure BDA0003284280840000091
其中，Xtmax为第t个类簇中水平X方向的最大坐标值，Xtmin为第t个类簇中水平X方向的最小坐标值，Ytmax为第t个类簇中垂直Y方向的最大坐标值，Ytmin为第t个类簇中垂直Y方向的最小坐标值。
步骤S1065：计算每一个类簇的中心，包括：
Figure BDA0003284280840000092
Figure BDA0003284280840000093
其中，xt0为第t个类簇水平X方向的中心点坐标，yt0为第t个类簇垂直Y方向的中心点坐标，density(s)为第t个类簇中第s个点的密度，Ltx(s)为第t个类簇中第s个点水平X方向的坐标，Lty(s)为第t个类簇中第s个点垂直Y方向的坐标。
所述根据聚类结果获得目标的位置和尺寸，其中：每个类簇对应一个目标。每个类簇都是一个单独的目标，如果图像中只有一个目标，那么聚类结果就只有一个类簇；反之，聚类结果将会有多个类簇。
本发明实施例进一步给出一种基于局部对比度的红外弱小目标检测装置，如图7所示，所述装置包括：
响应值计算模块：配置为设置一个尺寸为n×n的滑动窗口，n为奇数；由该滑动窗口从左至右、自上而下遍历图像I(x,y)，将图像I(x,y)划分为Num个彼此不重叠的图像块Iblock，1≤block≤Num，x为图像I(x,y)水平X方向的像素坐标，y为图像I(x,y)垂直Y方向的像素坐标，G(x,y)为图像在(x,y)坐标的灰度值；计算各图像块Iblock的均值，由该图像块的均值作为该图像块的响应值mnum；
对比度图获取模块：配置为计算图像I(x,y)中每个像素点的对比度，将所述图像I(x,y)中的每个像素点的灰度值替换为对比度，得到对比度图C(x,y)；
显著图获取模块：配置为基于所述对比度图C(x,y)，获取显著图S(x,y)，
S(x,y)＝C(x,y)-I(x,y)；
检测阈值获取模块：配置为获取目标检测阈值Th，Th＝μs+k×σs，
其中，μs是显著度图S(x,y)的均值，σs是显著度图S(x,y)的标准差；k为分割系数；
二值图像获取模块：配置为基于所述目标检测阈值Th，将所述显著图S(x,y)转化为二值图像B(x,y)，并从二值图像中获得原始点集points，points＝{(xi,yi)|i＝0,1,2,…,N-1}，所述原始点为二值图像B(x,y)中非零像素点，xi为原始点集points中第i个原始点水平X方向的坐标，yi为原始点集points中第i个原始点垂直Y方向的坐标，N为原始点集points的个数；
Figure BDA0003284280840000101
聚类分析模块：配置为对所述原始点集points进行聚类分析，根据聚类结果获得目标的位置和尺寸。
本发明实施例进一步给出一种基于局部对比度的红外弱小目标检测系统，包括：
处理器，用于执行多条指令；
存储器，用于存储多条指令；
其中，所述多条指令，用于由所述存储器存储，并由所述处理器加载并执行如前所述的基于局部对比度的红外弱小目标检测方法。
本发明实施例进一步给出一种计算机可读存储介质，所述存储介质中存储有多条指令；所述多条指令，用于由处理器加载并执行如前所述的基于局部对比度的红外弱小目标检测方法。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机装置(可以是个人计算机，实体机服务器，或者网络云服务器等，需安装Windows或者Windows Server操作系统)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (6)

1.一种基于局部对比度的红外弱小目标检测方法，其特征在于，所述方法包括以下步骤：
步骤S101：设置一个尺寸为n×n的滑动窗口，n为奇数；由该滑动窗口从左至右、自上而下遍历图像I(x,y)，将图像I(x,y)划分为Num个彼此不重叠的图像块Iblock，1≤block≤Num，x为图像I(x,y)水平X方向的像素坐标，y为图像I(x,y)垂直Y方向的像素坐标，G(x,y)为图像在(x,y)坐标的灰度值；计算各图像块Iblock的均值，由该图像块的均值作为该图像块的响应值mnum；
步骤S102：计算图像I(x,y)中每个像素点的对比度，将所述图像I(x,y)中的每个像素点的灰度值替换为对比度，得到对比度图C(x,y)；
步骤S103：基于所述对比度图C(x,y)，获取显著图S(x,y)，
S(x,y)＝C(x,y)-I(x,y)；
步骤S104：获取目标检测阈值Th，Th＝μs+k×σs，
其中，μs是显著度图S(x,y)的均值，σs是显著度图S(x,y)的标准差；k为分割系数；
步骤S105：基于所述目标检测阈值Th，将所述显著图S(x,y)转化为二值图像B(x,y)，并从二值图像中获得原始点集points，points＝{(xi,yi)|i＝0,1,2,...,N-1}，所述原始点为二值图像B(x,y)中非零像素点，xi为原始点集points中第i个原始点水平X方向的坐标，yi为原始点集points中第i个原始点垂直Y方向的坐标，N为原始点集points的个数；
Figure FDA0003284280830000011
步骤S106：对所述原始点集points进行聚类分析，根据聚类结果获得目标的位置和尺寸。
2.如权利要求1所述的基于局部对比度的红外弱小目标检测方法，其特征在于，所述步骤S104：获取目标检测阈值Th，Th＝μs+k×σs，其中，μs是显著度图S(x,y)的均值，σs是显著度图S(x,y)的标准差；k为分割系数，取值为3-5。
3.如权利要求2所述的基于局部对比度的红外弱小目标检测方法，其特征在于，所述步骤S106：对所述原始点集points进行聚类分析，根据聚类结果获得目标的位置和尺寸，所述聚类分析的步骤包括：
步骤S1061：遍历points集合中的所有点，计算每个点的邻域密度，邻域范围为n×n，记为density＝{ds}，1≤s≤pnum，其中ds为points集合中第s个点的邻域密度，pnum为points集合中点的数目；
Figure FDA0003284280830000021
其中，p、q分别为二值图像B中像素水平方向和垂直方向的坐标，(p0,q0)为集合points中第s个点的坐标。
步骤S1062：若points集合中的点不为空，进入步骤S1063；否则，形成一个新的类簇集合L＝{lt|t＝0,1,2,...,Ln-1}，其中t为第t个类簇，Ln为集合L中类簇的个数；lt为第t个类簇的分类结果，进入步骤S1064；
步骤S1063：将points集合中的点作为候选点，任意选取一个候选点，遍历points集合中的所有点，计算points集合中各点与选取的所述候选点的欧式距离，将距离小于阈值的点划分为同一类簇，并分配类别编号；将该同一类簇对应的点从points集合中删除；进入步骤S1062；
步骤S1064：遍历所有类簇L，统计每一个类簇的所有点集，分别计算每一个类簇的水平X方向、垂直Y方向的坐标，从而获得目标在各个类簇中水平X方向的尺寸stX和垂直Y方向的尺寸stY；
Figure FDA0003284280830000022
其中，Xtmax为第t个类簇中水平X方向的最大坐标值，Xtmin为第t个类簇中水平X方向的最小坐标值，Ytmax为第t个类簇中垂直Y方向的最大坐标值，Ytmin为第t个类簇中垂直Y方向的最小坐标值；
步骤S1065：计算每一个类簇的中心，包括：
Figure FDA0003284280830000031
Figure FDA0003284280830000032
其中，xt0为第t个类簇水平X方向的中心点坐标，yt0为第t个类簇垂直Y方向的中心点坐标，density(s)为第t个类簇中第s个点的密度，Ltx(s)为第t个类簇中第s个点水平X方向的坐标，Lty(s)为第t个类簇中第s个点垂直Y方向的坐标。
4.一种基于局部对比度的红外弱小目标检测装置，其特征在于，所述装置包括：
响应值计算模块：配置为设置一个尺寸为n×n的滑动窗口，n为奇数；由该滑动窗口从左至右、自上而下遍历图像I(x,y)，将图像I(x,y)划分为Num个彼此不重叠的图像块Iblock，1≤block≤Num，x为图像I(x,y)水平X方向的像素坐标，y为图像I(x,y)垂直Y方向的像素坐标，G(x,y)为图像在(x,y)坐标的灰度值；计算各图像块Iblock的均值，由该图像块的均值作为该图像块的响应值mnum；
对比度图获取模块：配置为计算图像I(x,y)中每个像素点的对比度，将所述图像I(x,y)中的每个像素点的灰度值替换为对比度，得到对比度图C(x,y)；
显著图获取模块：配置为基于所述对比度图C(x,y)，获取显著图S(x,y)，
S(x,y)＝C(x,y)-I(x,y)；
检测阈值获取模块：配置为获取目标检测阈值Th，Th＝μs+k×σs，
其中，μs是显著度图S(x,y)的均值，σs是显著度图S(x,y)的标准差；k为分割系数；
二值图像获取模块：配置为基于所述目标检测阈值Th，将所述显著图S(x,y)转化为二值图像B(x,y)，并从二值图像中获得原始点集points，points＝{(xi,yi)|i＝0,1,2,...,N-1}，所述原始点为二值图像B(x,y)中非零像素点，xi为原始点集points中第i个原始点水平X方向的坐标，yi为原始点集points中第i个原始点垂直Y方向的坐标，N为原始点集points的个数；
Figure FDA0003284280830000041
聚类分析模块：配置为对所述原始点集points进行聚类分析，根据聚类结果获得目标的位置和尺寸。
5.一种计算机可读存储介质，所述存储介质中存储有多条指令；所述多条指令，用于由处理器加载并执行如权利要求1-3中任一项所述的基于局部对比度的红外弱小目标检测方法。
6.一种计算机可读存储介质，所述存储介质中存储有多条指令；所述多条指令，用于由处理器加载并执行如权利要求1-3中任一项所述的基于局部对比度的红外弱小目标检测方法。
CN202111141973.3A 2021-09-28 2021-09-28 一种基于局部对比度的红外弱小目标检测方法及装置 Pending CN113888428A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111141973.3A CN113888428A (zh) 2021-09-28 2021-09-28 一种基于局部对比度的红外弱小目标检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111141973.3A CN113888428A (zh) 2021-09-28 2021-09-28 一种基于局部对比度的红外弱小目标检测方法及装置

Publications (1)

Publication Number Publication Date
CN113888428A true CN113888428A (zh) 2022-01-04

Family

ID=79007337

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111141973.3A Pending CN113888428A (zh) 2021-09-28 2021-09-28 一种基于局部对比度的红外弱小目标检测方法及装置

Country Status (1)

Country Link
CN (1) CN113888428A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115861309A (zh) * 2023-02-22 2023-03-28 和普威视光电股份有限公司 红外弱小目标检测mpcm加速方法、装置、终端及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115861309A (zh) * 2023-02-22 2023-03-28 和普威视光电股份有限公司 红外弱小目标检测mpcm加速方法、装置、终端及介质
CN115861309B (zh) * 2023-02-22 2023-06-16 和普威视光电股份有限公司 红外弱小目标检测mpcm加速方法、装置、终端及介质

Similar Documents

Publication Publication Date Title
Ye et al. Dynamic texture based smoke detection using Surfacelet transform and HMT model
CN107358258B (zh) 基于nsct双cnn通道和选择性注意机制的sar图像目标分类
Zhang et al. A dense u-net with cross-layer intersection for detection and localization of image forgery
CN1564600A (zh) 动态场景下的运动物体检测方法
CN112329764A (zh) 一种基于tv-l1模型的红外弱小目标检测方法
CN114724218A (zh) 视频检测方法、装置、设备及介质
CN113888428A (zh) 一种基于局部对比度的红外弱小目标检测方法及装置
CN112686122B (zh) 人体及影子的检测方法、装置、电子设备、存储介质
CN110910497B (zh) 实现增强现实地图的方法和系统
CN110490210B (zh) 一种基于紧致通道间t采样差分的彩色纹理分类方法
CN112232249A (zh) 一种基于深度特征的遥感图像变化检测方法及装置
Elashry et al. Feature matching enhancement using the graph neural network (gnn-ransac)
CN105574880A (zh) 基于指数矩像素分类的彩色图像分割方法
Yang et al. Contrast limited adaptive histogram equalization for an advanced stereo visual slam system
CN107085725B (zh) 一种通过基于自适应码本的llc聚类图像区域的方法
CN110910332B (zh) 一种视觉slam系统动态模糊处理方法
Zhu et al. Recaptured image forensics based on local ternary count of high order prediction error
CN113378837A (zh) 车牌遮挡识别方法、装置、电子设备和存储介质
Lyu Research on subway pedestrian detection algorithm based on big data cleaning technology
CN112967321A (zh) 运动目标的检测方法、装置、终端设备及存储介质
Rai et al. A Thorough Investigation on Image Forgery Detection.
Komorkiewicz et al. Foreground object features extraction with GLCM texture descriptor in FPGA
Yu et al. Improved MB-LBP feature extraction algorithm based on reduced-dimensional HOG
Bei et al. An Improved ORB Algorithm for Feature Extraction and Homogenization Algorithm
Lv et al. Saliency detection via fusing color contrast and hash fingerprint

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