CN104268852B - 红外序列图像中弱小目标的检测方法及其检测装置 - Google Patents
红外序列图像中弱小目标的检测方法及其检测装置 Download PDFInfo
- Publication number
- CN104268852B CN104268852B CN201410453241.1A CN201410453241A CN104268852B CN 104268852 B CN104268852 B CN 104268852B CN 201410453241 A CN201410453241 A CN 201410453241A CN 104268852 B CN104268852 B CN 104268852B
- Authority
- CN
- China
- Prior art keywords
- sequence image
- weak target
- infrared sequence
- infrared
- segmentation threshold
- 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.)
- Expired - Fee Related
Links
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
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种红外序列图像中弱小目标的检测方法,根据生成的随机投影空间采集低维小数据量图像信号根据马氏距离将采集到的低维小数据量图像信号中的单帧子图像分别与原始红外序列图像进行背景抑制和弱小目标信息保留的处理,根据处理后获得的红外序列图像选择分割阈值τ,根据所述分割阈值τ检测所述红外序列图像中的弱小目标;本发明还提供一种红外序列图像中弱小目标的检测方法,通过该方法降低了图像处理数据量,检测流程简单易实现,缩短了数据运算时间,同时能够显著提升相关检测系统的实时检测性能。
Description
技术领域
本发明属于红外图像处理技术领域,尤其涉及一种红外序列图像中弱小目标的检测方法及其检测装置。
背景技术
红外序列图像中弱小目标检测是红外目标自动识别领域中一项重要的研究课题。众所周知,在包含弱小目标的红外序列图像中,弱小目标一般呈现点状,仅占几个到十几个像素,并且通常处在云层、海面、海天线、地面等复杂背景环境下,因此弱小目标很容易被背景杂波所淹没,这为后续的目标跟踪等工作带来很大的困难和影响。
目前,针对红外序列图像中弱小目标检测问题,常规的处理方法是基于背景预测的经典滤波方法,如最大中值滤波,形态学Top-Hat滤波以及二维最小均方误差滤波等,这些滤波方法均能较好地抑制简单、平稳背景,突出弱小目标,但对于复杂多变的非平稳背景,这些方法对背景杂波的抑制效果往往不尽如人意,检测弱小目标的虚警概率均偏高。
现有技术还利用判别分析的思想来实现对背景杂波的抑制和弱小目标的提取的方法,对包含弱小目标的单帧红外图像进行多次各向异性非线性扩散后形成的多尺度图像序列采用RX算子判别来进行背景杂波的抑制和弱小目标的检测,但其形成的标量立方体数据量较大,存储空间占用率高,运算处理时间较长;对原始序列图像利用广义最大似然比准则进行判断后得到弱小目标运动轨迹,进而完成对复杂背景下弱小目标的检测,该方法直接对原始序列图像进行操作的,所以其数据计算量较大以及运算的复杂程度较高,检测所耗时间也相对较长,这将给红外预警系统带来数据处理和存储上的压力,降低了系统的实时检测性能;对单帧包含弱小目标的红外图像进行多尺度小波分解后将其所有子带图像组成数据立方体,然后利用RX判别算子进行背景杂波的抑制和弱小目标的提取,从而实现弱小目标检测的方法,此方法主要是针对单帧红外图像中弱小目标的检测问题提出的,其中待处理的数据立方体不仅数据量很大,需要占用大量存储空间,而且处理这些数据时计算复杂度也相应较高,对检测系统的设计与运行有较高的要求。
发明内容
为解决现有存在的技术问题,本发明实施例提供一种红外序列图像中弱小目标的检测方法及其检测装置,能够通过少量的数据处理实现红外序列图像中弱小目标的准确检测。
为达到上述目的,本发明实施例的技术方案是这样实现的:
本发明实施例提供一种红外序列图像中弱小目标的检测方法,该检测方法包括:根据生成的随机投影空间采集低维小数据量图像信号根据马氏距离将采集到的低维小数据量图像信号中的单帧子图像分别与原始红外序列图像进行背景抑制和弱小目标信息保留的处理,根据处理后获得的红外序列图像选择分割阈值τ,根据所述分割阈值τ检测所述红外序列图像中的弱小目标。
上述方案中,所述根据生成的随机投影空间采集低维小数据量图像信号为:
生成一个正交高斯随机矩阵R,根据生成的正交高斯随机矩阵R对包含红外弱小目标的序列图像数据I进行随机投影。
上述方案中,所述根据马氏距离将采集到的低维小数据量图像信号中的单帧子图像分别与原始红外序列图像进行背景抑制和弱小目标信息保留的处理为:根据公式将采集到的低维小数据量图像信号中的单帧子图像分别与原始红外序列图像进行背景抑制和弱小目标信息保留的处理;其中,和表示低维图像信号的均值与协方差,表示第m个子图像向量。
上述方案中,所述根据所述分割阈值τ检测红外序列图像中的弱小目标为:根据选择到的分割阈值τ对所述红外序列图像进行二值化处理,获得红外序列图像中弱小目标的检测结果。
本发明实施例还一种红外序列图像中弱小目标的检测装置,该检测装置包括:生成单元、确定单元、选择单元、检测单元。其中,
所述生成单元,用于根据生成的随机投影空间采集低维小数据量图像信号发送采集到的低维小数据量图像信号到确定单元;
所述确定单元,用于根据马氏距离将采集到的低维小数据量图像信号中的单帧子图像分别与原始红外序列图像进行背景抑制和弱小目标信息保留的处理,发送处理后获得的红外序列图像到选择单元;
所述选择单元,用于根据接收到的所述红外序列图像选择分割阈值τ,发送选择到的分割阈值τ到检测单元;
所述检测单元,用于根据接收到的分割阈值τ检测所述红外序列图像中的弱小目标。
上述方案中,所述生成单元,具体用于生成一个正交高斯随机矩阵R,根据生成的正交高斯随机矩阵R对包含红外弱小目标的序列图像数据I进行随机投影。
上述方案中,所述确定单元,具体用于根据公式将采集到的低维小数据量图像信号中的单帧子图像分别与原始红外序列图像进行背景抑制和弱小目标信息保留的处理,其中,和表示低维图像信号的均值与协方差,表示第m个子图像向量。
上述方案中,所述检测单元,具体用于根据选择到的分割阈值τ对红外序列图像进行二值化处理,获得红外序列图像中弱小目标的检测结果。
本发明实施例提供一种红外序列图像中弱小目标的检测方法及其检测装置,根据生成的随机投影空间采集低维小数据量图像信号根据马氏距离将采集到的低维小数据量图像信号中的单帧子图像分别与原始红外序列图像进行背景抑制和弱小目标信息保留的处理,根据处理后获得的红外序列图像选择分割阈值τ,根据所述分割阈值τ检测所述红外序列图像中的弱小目标;通过该方法降低了图像处理数据量,检测流程简单易实现,缩短了数据运算时间,同时能够显著提升相关检测系统的实时检测性能。
附图说明
图1为本发明的红外序列图像中弱小目标的检测方法的流程示意图;
图2为用于待检测的第1帧的红外序列图像;
图3为用于待检测的第25帧的红外序列图像;
图4为用于待检测的第50帧的红外序列图像;
图5为用于待检测的第75帧的红外序列图像;
图6为用于待检测的第100帧的红外序列图像;
图7为通过本发明检测在随机域内投影率为10%,确定马氏距离后的效果图;
图8为通过本发明检测在随机域内投影率为20%,确定马氏距离后的效果图;
图9为通过本发明检测在随机域内投影率为30%,确定马氏距离后的效果图;
图10为通过本发明检测在随机域内投影率为40%,确定马氏距离后的效果图;
图11为通过本发明检测在随机域内投影率为50%,确定马氏距离后的效果图;
图12是对图7采用分割阈值分割后获得的二值化检测效果图;
图13是对图8采用分割阈值分割后获得的二值化检测效果图;
图14是对图9采用分割阈值分割后获得的二值化检测效果图;
图15是对图10采用分割阈值分割后获得的二值化检测效果图;
图16是对图11采用分割阈值分割后获得的二值化检测效果图;
图17为本发明的红外序列图像中弱小目标的检测装置的结构示意图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明提供一种红外序列图像中弱小目标的检测方法,根据生成的随机投影空间采集低维小数据量图像信号根据马氏距离将采集到的低维小数据量图像信号中的单帧子图像分别与原始红外序列图像进行背景抑制和弱小目标信息保留的处理,根据处理后获得的红外序列图像选择分割阈值τ,根据所述分割阈值τ检测所述红外序列图像中的弱小目标。
本发明实施例提供一种红外序列图像中弱小目标的检测方法,如图1所示,该方法通过以下步骤实现:
步骤101:根据生成的随机投影空间采集低维小数据量图像信号
具体的,生成一个大小为K×N的正交高斯随机矩阵R,作为高维序列图像信号的随机投影空间。
包含红外弱小目标,大小为N×M2的高维序列图像I=[I1 I2…IN]T,其中,Ii(i=1,2,…N)是序列图像中单帧图像列向量化的形式,其大小为M2×1,共有N帧,然后根据上述生成的正交随机矩阵R对所述红外序列图像数据I进行随机投影,其表达式为:
即可完成对低维小数据量图像信号的采集。
步骤102:根据马氏距离将采集到的低维小数据量图像信号中的单帧子图像分别与原始红外序列图像进行背景抑制和弱小目标信息保留的处理。
具体的,对低维小数据量图像信号中的单帧子图像分别与原始红外序列图像进行背景抑制和弱小目标信息保留的处理,以辨别区分背景杂波信息与弱小目标信息,完成对背景杂波的抑制和弱小目标信息的保留。随机投影空间中马氏距离的表达式为:
其中,和表示低维图像信号的均值与协方差,表示第m个子图像向量。
马氏距离是一种有效衡量两个样本集之间相似度的计算方法,能够突出反映样本间的差异程度,且马氏距离不同于欧式距离,它是不受数据量纲变化的影响的,即对原始数据作线性变换后,其马氏距离是不变的。
本发明正是利用马氏距离这一特点,将原始大量数据变换到随机投影空间,再计算马氏距离来辨别区分背景信息与弱小目标信息,达到抑制背景杂波和保留目标信息的作用,同时有效降低了数据计算的复杂度,缩短了运行时间。
步骤103:根据处理后获得的红外序列图像选择分割阈值τ。
具体的,根据分割阈值τ的选取可表达式
选择分割阈值τ;进一步的,通过调节均值与方差的系数α和β选择到分割阈值τ,mean(·)和std(·)分别表示处理后图像的均值与方差。
步骤104:根据所述分割阈值τ检测所述红外序列图像中的弱小目标。
具体的,根据所述分割阈值τ对红外序列图像进行二值化处理,如下式所示:
即可获得对红外序列图像中弱小目标的检测结果图。
实验数据:
对本发明方法进行仿真实验,以图2~6示出的100帧原始序列图像为例进行说明,其中图2~6分别是原始序列图像中第1帧,第25帧,第50帧,第75帧和第100帧的图像,并用红色矩形框将图像中的弱小目标标出。图7~11所示,给出在随机投影空间内投影率分别为10%,20%,30%,40%,50%时,计算马氏距离后得到的效果图。图12~16是对图7~11所示的处理结果采用本发明得到的二值化检测效果图。从效果图中可见,随着投影率的不断增加,检测到弱小目标的运动轨迹愈加清晰。这一方面说明本发明方法对红外序列图像红外弱小目标检测性能的良好效力,另一方面说明对于大量序列图像数据信息,本发明方法不仅能够完成对高维数据的降维处理同时成功地从少量投影数据中检测出弱小目标,这些优良性能可极大地提高序列图像中弱小目标检测概率,降低虚警率。
表1列出了不同投影率下进行10次仿真实验的平均运行时间,投影率为100%时的运行时间可看作是对原始高维序列图像信号在原始空间中进行检测处理所花费的时间。
表1不同投影率下检测处理平均运行时间(s:秒)
从表1数据可知,本发明的方法可大大缩短运行处理时间,有效降低数据计算的复杂度,同时灵活可变的投影率也为检测效果的提升提供了一种可操作方式。
本发明实施例还提供一种红外序列图像中弱小目标的检测装置,如图17所示,该检测装置包括:生成单元1、确定单元2、选择单元3、检测单元4,其中,
生成单元1,根据生成的随机投影空间采集低维小数据量图像信号发送采集到的低维小数据量图像信号到确定单元2。
具体的,所述生成单元1生成一个大小为K×N的正交高斯随机矩阵R,作为高维序列图像信号的随机投影空间。
所述生成单元1采集包含红外弱小目标,大小为N×M2的高维序列图像I=[I1I2…IN]T,其中Ii(i=1,2,…N)是序列图像中单帧图像列向量化的形式,其大小为M2×1,共有N帧,然后根据上述生成的正交随机矩阵R对所述红外序列图像数据I进行随机投影,其表达式为:
即可完成对低维小数据量图像信号的采集。
所述确定单元2根据马氏距离将采集到的低维小数据量图像信号中的单帧子图像分别与原始红外序列图像进行背景抑制和弱小目标信息保留的处理,发送处理后获得的红外序列图像到选择单元3。
具体的,所述确定单元2对低维小数据量图像信号中的单帧子图像分别与原始红外序列图像进行背景抑制和弱小目标信息保留的处理,以辨别区分背景杂波信息与弱小目标信息,完成对背景杂波的抑制和弱小目标信息的保留。随机投影空间中马氏距离的表达式为:
其中,和表示低维图像信号的均值与协方差,表示第m个子图像向量。
所述选择单元3根据接收到的所述红外序列图像选择分割阈值τ,发送选择到的分割阈值τ到检测单元4。
具体的,所述选择单元3根据分割阈值τ的选取可表达式
选择合适的分割阈值τ;进一步的,所述选择单元3通过调节均值与方差的系数α和β选择到合适的分割阈值τ。
所述检测单元4,根据所述分割阈值τ检测所述红外序列图像中的弱小目标。
具体的,所述检测单元4根据所述分割阈值τ对红外序列图像进行二值化处理,如下式所示:
所述检测单元4即可获得对红外序列图像中弱小目标的检测结果图。
Claims (4)
1.一种红外序列图像中弱小目标的检测方法,其特征在于:该检测方法包括:根据生成的随机投影空间采集低维小数据量图像信号根据马氏距离将采集到的低维小数据量图像信号中的单帧子图像分别与原始红外序列图像进行背景抑制和弱小目标信息保留的处理,根据处理后获得的红外序列图像选择分割阈值τ,根据所述分割阈值τ检测所述红外序列图像中的弱小目标;
根据处理后获得的红外序列图像选择分割阈值τ,具体为:根据分割阈值τ的表达式选择分割阈值τ;进一步的,通过调节均值与方差的系数α和β选择到分割阈值τ,mean(·)和std(·)分别表示处理后图像的均值与方差;
所述根据生成的随机投影空间采集低维小数据量图像信号为:
生成一个正交高斯随机矩阵R,根据生成的正交高斯随机矩阵R对包含红外弱小目标的序列图像数据I进行随机投影;
所述根据马氏距离将采集到的低维小数据量图像信号中的单帧子图像分别与原始红外序列图像进行背景抑制和弱小目标信息保留的处理为:根据公式将采集到的低维小数据量图像信号中的单帧子图像分别与原始红外序列图像进行背景抑制和弱小目标信息保留的处理;其中,和表示低维图像信号的均值与协方差,表示第m个子图像向量。
2.根据权利要求1所述的红外序列图像中弱小目标的检测方法,其特征在于:所述根据所述分割阈值τ检测红外序列图像中的弱小目标为:根据选择到的分割阈值τ对所述红外序列图像进行二值化处理,获得红外序列图像中弱小目标的检测结果。
3.一种红外序列图像中弱小目标的检测装置,其特征在于:该检测装置包括:生成单元、确定单元、选择单元、检测单元,其中,
所述生成单元,用于根据生成的随机投影空间采集低维小数据量图像信号发送采集到的低维小数据量图像信号到确定单元;
所述确定单元,用于根据马氏距离将采集到的低维小数据量图像信号中的单帧子图像分别与原始红外序列图像进行背景抑制和弱小目标信息保留的处理,发送处理后获得的红外序列图像到选择单元;
所述选择单元,用于根据接收到的所述红外序列图像选择分割阈值τ,发送选择到的分割阈值τ到检测单元;根据处理后获得的红外序列图像选择分割阈值τ,具体为:根据分割阈值τ的表达式选择分割阈值τ;进一步的,通过调节均值与方差的系数α和β选择到分割阈值τ,mean(·)和std(·)分别表示处理后图像的均值与方差;
所述检测单元,用于根据接收到的分割阈值τ检测所述红外序列图像中的弱小目标;
所述生成单元,具体用于生成一个正交高斯随机矩阵R,根据生成的正交高斯随机矩阵R对包含红外弱小目标的序列图像数据I进行随机投影;
所述确定单元,具体用于根据公式将采集到的低维小数据量图像信号中的单帧子图像分别与原始红外序列图像进行背景抑制和弱小目标信息保留的处理;其中,和表示低维图像信号的均值与协方差,表示第m个子图像向量。
4.根据权利要求3所述的红外序列图像中弱小目标的检测装置,其特征在于:所述检测单元,具体用于根据选择到的分割阈值τ对红外序列图像进行二值化处理,获得红外序列图像中弱小目标的检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410453241.1A CN104268852B (zh) | 2014-09-05 | 2014-09-05 | 红外序列图像中弱小目标的检测方法及其检测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410453241.1A CN104268852B (zh) | 2014-09-05 | 2014-09-05 | 红外序列图像中弱小目标的检测方法及其检测装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104268852A CN104268852A (zh) | 2015-01-07 |
CN104268852B true CN104268852B (zh) | 2018-01-09 |
Family
ID=52160371
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410453241.1A Expired - Fee Related CN104268852B (zh) | 2014-09-05 | 2014-09-05 | 红外序列图像中弱小目标的检测方法及其检测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104268852B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105096333A (zh) * | 2015-09-06 | 2015-11-25 | 河海大学常州校区 | 一种森林火灾红外热成像图像分割方法 |
CN108230350A (zh) * | 2016-12-14 | 2018-06-29 | 贵港市瑞成科技有限公司 | 一种红外运动目标检测方法 |
CN109978851B (zh) * | 2019-03-22 | 2021-01-15 | 北京航空航天大学 | 一种红外视频空中弱小运动目标检测跟踪方法 |
CN112288778B (zh) * | 2020-10-29 | 2022-07-01 | 电子科技大学 | 一种基于多帧回归深度网络的红外小目标检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102324021B (zh) * | 2011-09-05 | 2013-03-13 | 电子科技大学 | 一种基于剪切波变换的红外弱小目标检测方法 |
CN102938151A (zh) * | 2012-11-22 | 2013-02-20 | 中国人民解放军电子工程学院 | 一种高光谱图像异常检测的方法 |
-
2014
- 2014-09-05 CN CN201410453241.1A patent/CN104268852B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN104268852A (zh) | 2015-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110084292B (zh) | 基于DenseNet和多尺度特征融合的目标检测方法 | |
US20230045519A1 (en) | Target Detection Method and Apparatus | |
CN106295502B (zh) | 一种人脸检测方法及装置 | |
CN102945378B (zh) | 一种基于监督方法的遥感图像潜在目标区域检测方法 | |
WO2017079522A1 (en) | Subcategory-aware convolutional neural networks for object detection | |
CN104268852B (zh) | 红外序列图像中弱小目标的检测方法及其检测装置 | |
CN105243154B (zh) | 基于显著点特征和稀疏自编码的遥感图像检索方法及系统 | |
CN107610177B (zh) | 一种同步定位与地图构建中确定特征点的方法和设备 | |
CN104361340A (zh) | 基于显著性检测和聚类的sar图像目标快速检测方法 | |
CN109087337B (zh) | 基于分层卷积特征的长时间目标跟踪方法及系统 | |
Ji et al. | Integrating visual selective attention model with HOG features for traffic light detection and recognition | |
CN110263712A (zh) | 一种基于区域候选的粗精行人检测方法 | |
CN114926747A (zh) | 一种基于多特征聚合与交互的遥感图像定向目标检测方法 | |
CN109086648A (zh) | 一种融合目标检测和特征匹配的目标跟踪方法 | |
CN113723157B (zh) | 一种农作物病害识别方法、装置、电子设备及存储介质 | |
CN102789578A (zh) | 基于多源目标特征支持的红外遥感图像变化检测方法 | |
CN117409190B (zh) | 一种实时红外图像目标检测方法、装置、设备及存储介质 | |
CN111798417A (zh) | 一种基于ssd遥感图像目标检测的方法及装置 | |
CN106778680A (zh) | 一种基于关键波段提取的高光谱图像波段选择方法及装置 | |
CN105354824A (zh) | 基于区域提取的双参数恒虚警检测方法 | |
CN103366373A (zh) | 基于模糊相容图的多时相遥感影像变化检测方法 | |
CN115062186B (zh) | 一种视频内容检索方法、装置、设备以及存储介质 | |
Cao et al. | Detection of microalgae objects based on the Improved YOLOv3 model | |
CN110866931B (zh) | 图像分割模型训练方法及基于分类的强化图像分割方法 | |
CN113743177A (zh) | 关键点检测方法、系统、智能终端和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180109 Termination date: 20180905 |
|
CF01 | Termination of patent right due to non-payment of annual fee |