CN106251344B - 一种基于视觉感受野的多尺度红外目标自适应检测方法 - Google Patents

一种基于视觉感受野的多尺度红外目标自适应检测方法 Download PDF

Info

Publication number
CN106251344B
CN106251344B CN201610595943.2A CN201610595943A CN106251344B CN 106251344 B CN106251344 B CN 106251344B CN 201610595943 A CN201610595943 A CN 201610595943A CN 106251344 B CN106251344 B CN 106251344B
Authority
CN
China
Prior art keywords
pixel
target
receptive field
image
formula
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
Application number
CN201610595943.2A
Other languages
English (en)
Other versions
CN106251344A (zh
Inventor
宋勇
赵尚男
赵宇飞
李云
郝群
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN201610595943.2A priority Critical patent/CN106251344B/zh
Publication of CN106251344A publication Critical patent/CN106251344A/zh
Application granted granted Critical
Publication of CN106251344B publication Critical patent/CN106251344B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06T2207/20004—Adaptive image processing
    • 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
    • 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
    • G06T2207/20228—Disparity calculation for image-based rendering

Landscapes

  • Image Analysis (AREA)

Abstract

本发明公开的一种基于视觉感受野的多尺度红外目标自适应检测方法，涉及多尺度红外目标自适应检测方法，属于计算机视觉技术领域。本发明利用边缘检测器计算差分算子计算出图像的梯度方向θ，得到各像素点的朝向信息分布图；根据红外图像中局部特征相似的背景信息进行局部背景预测；利用简单细胞感受野的数学模型Gabor滤波器对目标图像进行滤波处理，初步检测出目标，其中Gabor滤波器的方向参数θ由各像素点的朝向信息分布自适应确定；通过对各像素点灰度调节得到背景被抑制、目标被增强的图像，提高检测精度。本发明能够提高红外目标检测方法的鲁棒性、抗干扰能力及对不同尺度目标的适用性，且运算量小。

Description

一种基于视觉感受野的多尺度红外目标自适应检测方法
技术领域
本发明涉及一种多尺度红外目标自适应检测方法，具体涉及一种基于视觉感受野的多尺度红外目标自适应检测方法，属于计算机视觉技术领域。
背景技术
在红外目标检测领域，目前主要存在两个问题：(1)由于烟雾、云层、目标与载体的相对运动以及人为因素的干扰，导致红外图像中的背景杂波日益复杂。(2)一般情况下，当目标距离较远时表现为小目标，目标距离较近时表现为面目标。因此，为了在运动条件下对红外目标进行准确的识别与跟踪，红外目标检测算法需要同时适用于小目标和面目标。然而，目前常规的红外目标检测方法(如空域高通滤波方法、巴特沃斯频域滤波方法、形态学方法以及小波方法等)对于复杂背景条件下的目标检测能力十分有限。而人眼视觉系统具有极强的目标识别能力，可在复杂背景下分辨出不同尺度的目标。因此，将人眼的视觉机制应用到红外目标检测领域，有利于提高红外目标检测算法的抗干扰能力及对不同尺度目标的适用性。感受野是人眼视觉系统的重要区域。当它受到刺激时，能激活视觉系统与这个区域有联系的各层神经细胞的活动。感受野具有多种优良特性。例如：运动方向敏感性及边缘敏感性等。上述特性有利于解决复杂背景下的多尺度目标检测问题。
尽管已有的基于人眼视觉机制的目标检测算法在提高红外目标检测算法的鲁棒性、背景杂波和噪声抑制能力等方面取得了明显进步，但仍存在一定的局限性。例如：文献“Infrared dim target detection based on visual attention,InfraredPhys.Technol.55,513-521(2012)”提出了基于视觉注意机制的红外弱小红外目标检测方法，虽然检测精度和速度较高，但是该方法只适用于红外小目标，不能检测出面目标。文献“Small target detection utilizing robust methods of the human visual systemfor IRST,J Infrared Millim Terahertz Waves.30,994–1011(2009)”提出了基于人类视觉系统(Human Visual System,HVS)对比机制的目标检测方法虽然相对于传统的检测算法取得了一定的进展，但其检测复杂背景下的红外目标的鲁棒性较差。
发明内容
为解决复杂背景下多尺度红外目标的检测问题，本发明公开的一种基于视觉感受野的多尺度红外目标自适应检测方法，要解决的技术问题是提高红外目标检测方法的鲁棒性、抗干扰能力及对不同尺度目标的适用性。
本发明的目的是通过下述技术方案实现的。
本发明公开的一种基于视觉感受野的多尺度红外目标自适应检测方法，利用边缘检测器计算差分算子的方法，计算出图像的梯度方向θ，得到各像素点的朝向信息分布图。根据红外图像中局部特征相似的背景信息进行局部背景预测。利用简单细胞感受野的数学模型Gabor滤波器对目标图像进行滤波处理，初步检测出目标，Gabor滤波器滤波处理能够直接检测出弱小目标，能够检测出面目标轮廓，其中Gabor滤波器的方向参数θ由各像素点的朝向信息分布自适应确定，从而在无需计算多个朝向下的能量图，能够极大地降低计算量。通过对各像素点灰度调节实现对目标的进一步增强和背景的进一步抑制，从而得到背景被抑制、目标被增强的图像，提高检测精度。
本发明公开的一种基于视觉感受野的多尺度红外目标自适应检测方法，包括如下步骤：
步骤1：计算朝向信息分布图。
利用边缘检测器(如Roberts、Sobel和Prewitt边缘检测器)计算差分算子的方法计算图像各像素点的梯度方向θ，如公式(1)，得到各像素点的朝向信息分布图。
其中，沿x和y方向的偏导数fx和fy的表达式根据边缘检测器计算差分算子的方法而定。
所述的图像每点的梯度方向θ用于步骤3中Gabor滤波器方向参数的输入部分。
步骤2：局部背景预测，根据预测值判定预测点是背景或目标。
取以每个像素点为中心的M×M邻域，利用该邻域内像素点的平均值作为该中心像素的预测值，并计算出每点像素实际灰度值fin与预测值P(x,y)的残差C(x,y)。所述的C(x,y)的范围为：-1<C(x,y)<1，当0<C(x,y)<1时，说明该点灰度值大于其周围像素，该点是目标的概率较大；当-1<C(x,y)<0，说明该点灰度值小于其周围像素，该点是背景的概率较大。所述的局部背景预测值用于步骤4灰度调节的输入。
所述的残差C(x,y)通过公式(2)求得：
C(x,y)＝fin(x,y)-P(x,y) (2)
其中，fin为实际像素灰度值，P(x,y)为该点像素的预测值。
步骤3：通过Gabor滤波器滤波处理进行多尺度目标检测。
利用简单细胞感受野的数学模型Gabor滤波器对目标图像进行滤波处理，初步检测出目标，Gabor滤波器滤波处理能够直接检测出弱小目标，能够检测出面目标轮廓。其中Gabor滤波器的方向参数θ由各像素点的朝向信息分布自适应确定，从而在无需计算多个朝向下的能量图，能够极大地降低计算量。
Gabor滤波器滤波过程包括如下步骤：
步骤3.1：建立Gabor滤波器模板。
哺乳动物视皮层简单细胞感受野的数学模型用Gabor滤波器函数来描述，其中Gabor滤波器函数的表达式如公式(3)：
其中，σ2为空间方差，决定感受野的大小，f为感受野的最佳空间频率，λ为感受野长轴和短轴的比例常数，表示不同的感受野形式：时为对称型感受野，时为反对称型感受野，θ∈[0,π)为Gabor滤波器的方向参数，表示感受野的朝向。
对Gabor函数需要进行离散化获得N×N大小的滤波模板，滤波模板的方向参数由滤波模板的中心像素的梯度方向θ确定。所述的N根据滤波处理速度和精度而定。N越大，精度越高，即图像中目标的边缘更加突出，灰度表现力更好，但是处理速度变慢。
步骤3.2：利用滤波模板对图像进行卷积滤波处理。
利用卷积模板对图像中的各像素点进行滤波，滤波处理公式如公式(4)：
R(x,y)＝G(x,y)*I(x,y)＝∫∫G(x-xτ,y-yτ)I(xτ,yτ)dxτdyτ (4)
其中，I(x,y)为输入图像的灰度分布，R(x,y)为简单细胞感受野处理后的输出灰度分布，G(x,y)为Gabor函数。
步骤4：利用灰度调节进一步提高检测精度。
步骤2中计算出每点像素实际灰度值fin与预测值P(x,y)的残差C(x,y)，其中C(x,y)的范围为：-1<C(x,y)<1，当0<C(x,y)<1时，由于该点是目标的概率较大，则加以增强；当-1<C(x,y)<0，由于该点是背景的概率较大，则加以抑制，其中残差C(x,y)的绝对值大小与灰度值调节的程度成线性关系。所述的灰度值调节指增强灰度值或抑制灰度值。
而后将各像素点灰度值乘以自定义的调节因子α＝(1+K×C(x,y))进行灰度调节，其中K为调节权值，K的大小决定了对目标增强及背景抑制的缩放程度，K值越大，对目标的增强程度及背景的抑制程度越大，但是由于其背景预测具有一定的误差，因此为了避免误判，K值不能过大。利用调节因子α＝(1+K×C(x,y))进行灰度调节的过程如公式(5)所示：
Rout(x,y)＝(1+K·C(x,y))R(x,y)＝(1+K·C(x,y))G(x,y)*I(x,y) (5)
其中Rout(x,y)为灰度调节后的图像输出灰度分布，K为调节权值。
通过对各像素点灰度调节实现对目标的进一步增强和背景的进一步抑制，从而得到背景被抑制，目标被增强的图像，提高检测精度。
步骤1所述的边缘检测器可为Roberts、Sobel或Prewite边缘检测器，由于Sobel边缘检测器可抑制噪声，优选Sobel边缘检测器计算差分算子的方法来计算各像素点的梯度方向θ。
其中，Sobel边缘检测器沿x和y方向的偏导数fx和fy的表达式如公式(6)：
Prewite算子沿x和y方向的偏导数fx和fy的表达式如公式(7)：
Roberts算子沿x和y方向的偏导数fx和fy的表达式如公式(8)：
有益效果：
1、适用于复杂背景图像。本发明公开的一种基于视觉感受野的多尺度红外目标自适应检测方法，根据红外图像中局部特征相似的背景信息进行局部背景预测，并且根据预测结果进行灰度调节，从而对复杂的背景干扰尽可能地进行抑制，同时对检测出的目标加以增强。
2、具有目标适应性。本发明公开的一种基于视觉感受野的多尺度红外目标自适应检测方法，具有在复杂背景中随着输入信息(面积、亮度、朝向、对比度等)变化而进行自适应调节的能力，可有效提高目标检测系统的抗目标尺度变化能力以及抗背景杂波干扰的能力。
3、运算量小。本发明公开的一种基于视觉感受野的多尺度红外目标自适应检测方法，利用各像素点的朝向信息分布自适应地确定Gabor滤波器的方向参数，从而在无需计算多个朝向下的能量图，能够极大地降低计算量。
附图说明
图1为本发明的目标检测方法的流程；
图2为本发明的局部背景预测时每个像素的预测及判定过程；
图3为本发明的目标检测方法与现有方法的检测结果质量比较。
具体实施方式
为了更好的说明本发明的目的和优点，下面结合附图和实例对发明内容做进一步说明。
实施例1：
本实施例公开的一种基于视觉感受野的多尺度红外目标自适应检测方法，包括如下步骤：
步骤1：计算朝向信息分布图。
利用Sobel边缘检测器计算差分算子的方法，将图像中各像素的上、下、左、右四个邻域的灰度值进行加权，而后再通过差分计算图像的梯度方向θ，如公式(9)，得到各像素点的朝向信息分布图。
其中，Sobel边缘检测算子沿x和y方向的偏导数fx和fy的表达式如公式(10)：
所述的图像每点的梯度方向θ用于步骤3中Gabor滤波器方向参数的输入部分。
以像素点(8,9)和(126,189)为例来说明具体过程，在计算像素点(8,9)的朝向信息时，取以其为大小为5×5的邻域，根据公式(10)计算出水平方向的偏导数fx＝0.02745，垂直方向的偏导数fy＝－0.04314，则该点的朝向θ＝arctan(fy/fx)＝－57.53°；而计算像素点(126,189)时，计算出水平方向的偏导数fx＝－0.08627，垂直方向的偏导数fy＝－0.06275，则该点的朝向θ＝arctan(fy/fx)＝113.18°。同样，对每个像素点进行计算，可以得到整幅图像的朝向信息分布图。
步骤2：局部背景预测，根据预测值判定预测点是背景或目标。
局部背景预测的流程如图2所示。取以每个像素为中心的5×5邻域，利用该邻域内像素的平均值作为该中心像素的预测值，并计算出每点像素实际灰度值fin与预测值P(x,y)的残差C(x,y)。所述的C(x,y)的范围为：-1<C(x,y)<1，当0<C(x,y)<1时，说明该点灰度值大于其周围像素，该点是目标的概率较大；当-1<C(x,y)<0，说明该点灰度值小于其周围像素，该点是背景的概率较大。所述的局部背景预测值用于步骤4灰度调节的输入。
所述的残差C(x,y)通过公式(11)求得：
C(x,y)＝fin(x,y)-P(x,y) (11)
其中，fin为实际像素灰度值，P(x,y)为该点像素的预测值。
仍以像素点(8,9)和(126,189)为例来说明具体过程，像素点(8,9)的实际灰度值为0.5020，取以其为大小为5×5的邻域，其邻域中24个像素的平均灰度值为0.5844，二者的残差小于0，说明该点可能是背景，对其进行与其残差成正相关程度的抑制。而像素点(126,189)的实际灰度值为0.6353，取以其为大小为5×5的邻域，其邻域中24个像素的平均灰度值为0.63701，二者的残差小于0，依然对其进行与其残差成正相关程度的抑制。对每个像素点进行同样的计算，可以得到各像素点的预测值。
步骤3：通过Gabor滤波器滤波处理进行多尺度目标检测。
利用简单细胞感受野的数学模型Gabor滤波器对目标图像进行滤波处理，初步检测出目标，Gabor滤波器滤波处理能够直接检测出弱小目标，能够检测出面目标轮廓。其中Gabor滤波器的方向参数θ由各像素点的朝向信息分布自适应确定，从而在无需计算多个朝向下的能量图，能够极大地降低计算量。
Gabor滤波器滤波过程包括如下步骤：
步骤3.1：建立Gabor滤波器模板。
哺乳动物视皮层简单细胞感受野的数学模型可以用Gabor滤波器函数来描述，其中Gabor滤波器函数的表达式如公式(12)：
其中，σ2为空间方差，决定感受野的大小，f为感受野的最佳空间频率，λ为感受野长轴和短轴的比例常数，表示不同的感受野形式：时为对称型感受野，时为反对称型感受野，θ∈[0,π)为Gabor滤波器的方向参数，表示感受野的朝向。
对Gabor函数需要进行离散化获得5×5大小的滤波模板，滤波模板的方向参数由滤波模板的中心像素的梯度方向θ确定。所述的N根据滤波处理速度和精度而定。N越大，精度越高，也就是图像处理结果的边缘更加突出，灰度表现力更好，但是处理速度变慢。
步骤3.2：利用滤波模板对图像进行卷积滤波处理。
利用卷积模板对图像中的每点灰度值进行滤波，滤波处理公式如公式(13)：
R(x,y)＝G(x,y)*I(x,y)＝∫∫G(x-xτ,y-yτ)I(xτ,yτ)dxτdyτ (13)
其中，I(x,y)为输入图像的灰度分布，R(x,y)为简单细胞感受野处理后的输出灰度分布，G(x,y)为Gabor函数。
仍以像素点(8,9)和(126,189)为例来说明具体过程，由步骤1已经计算出像素点(8,9)的朝向θ＝－57.53°，则在进行滤波时首先构造大小为5×5，方向参数为－57.53°的Gabor滤波模板，而后利用改模板对以该点像素为中心的邻域实现卷积滤波，得到滤波之后的像素，经过滤波处理之后，像素点(8,9)的灰度值变成了0.0375；同样步骤，由步骤1已经计算出像素点(126,189)的朝向θ＝113.18°，根据该朝向确定滤波器的方向参数，而后进行卷积滤波，得到该像素点的灰度值为0.0072。对每个像素点进行计算，得到整幅图像的滤波处理结果。
步骤4：利用灰度调节进一步提高检测精度。
步骤2中计算出每点像素实际灰度值fin与预测值P(x,y)的残差C(x,y)，其中C(x,y)的范围为：-1<C(x,y)<1，当0<C(x,y)<1时，由于该点是目标的概率较大，则加以增强；当-1<C(x,y)<0，由于该点是背景的概率较大，则加以抑制，其中残差C(x,y)的绝对值大小与灰度值调节的程度成线性关系。所述的灰度值调节指增强灰度值或抑制灰度值。
而后将各像素点灰度值乘以自定义的调节因子α＝(1+K×C(x,y))进行灰度调节，其中K为调节权值，它的大小决定了对目标增强及背景抑制的缩放程度，K值越大，对目标的增强程度及背景的抑制程度越大，但是由于其背景预测具有一定的误差，因此为了避免误判，K值不能过大，根据多次实验分析最终选择经验值K＝10。利用调节因子α＝(1+K×C(x,y))进行灰度调节的过程如公式(14)所示：
Rout(x,y)＝(1+K·C(x,y))R(x,y)＝(1+K·C(x,y))G(x,y)*I(x,y) (14)
其中Rout(x,y)为灰度调节后的图像输出灰度分布，K为调节权值。
通过对各像素点灰度调节实现对目标的进一步增强和背景的进一步抑制，从而得到背景被抑制，目标被增强的图像，提高检测精度。
仍以像素点(8,9)和(126,189)为例来说明具体过程，对于像素点(8,9)，实际灰度值与其预测值的残差C(8,9)＝-0.0824，小于0，因此在滤波之后将该点像素乘以调节因子α＝(1+10×(-0.0824))＝0.176，从而使得该点像素被抑制，经过滤波和灰度调节之后，像素点(8,9)的灰度值变成了0.0066，可见该点几乎完全被抑制掉了；对于像素点(126,189)，实际灰度值与其预测值的残差C(8,9)＝-0.00171，小于0，因此在滤波之后将该点像素乘以调节因子α＝(1+10×(-0.00171))＝0.9829，从而使得该点像素被轻微地抑制，经过滤波和灰度调节之后，像素点(126,189)的灰度值变成了0.0071。同样，经过以上步骤之后，得到每个像素点的灰度值，从而实现了复杂背景下的目标检测。
图3为采用本发明方法和现有常规方法对红外目标图像(小目标和面目标)进行实际检测的效果图。其中图3(a)-(h)中的图像从左到右依次为原始目标图像、高通滤波、巴特沃斯滤波、小波分析、形态学方法和本发明方法的检测结果。从图中可以清楚看出，采用本发明方法检测出小目标及面目标的同时，最大程度地抑制背景杂波的干扰并且尽可能地保留小目标及面目标轮廓的完整性，其效果好于其他四种方法。
以上所述的具体描述，对发明的目的、技术方案和有益效果进行进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于视觉感受野的多尺度红外目标自适应检测方法，其特征在于：
包括如下步骤：
步骤1：计算朝向信息分布图；
利用边缘检测器计算差分算子的方法计算图像各像素点的梯度方向θ，如公式(1)，得到各像素点的朝向信息分布图；
其中，沿x和y方向的偏导数fx和fy的表达式根据边缘检测器计算差分算子的方法而定；
所述的图像每点的梯度方向θ用于步骤3中Gabor滤波器方向参数的输入部分；
步骤2：局部背景预测，根据预测值判定预测点是背景或目标；
取以每个像素点为中心的M×M邻域，利用该邻域内像素点的平均值作为该中心像素的预测值，并计算出每点像素实际灰度值fin与预测值P(x,y)的残差C(x,y)；所述的局部背景预测值用于步骤4灰度调节的输入；
所述的残差C(x,y)通过公式(2)求得，
C(x,y)＝fin(x,y)-P(x,y) (2)
其中，fin为实际像素灰度值，P(x,y)为该点像素的预测值；
步骤3：通过Gabor滤波器滤波处理进行多尺度目标检测；
利用简单细胞感受野的数学模型Gabor滤波器对目标图像进行滤波处理，初步检测出目标，Gabor滤波器滤波处理能够直接检测出弱小目标，能够检测出面目标轮廓；其中Gabor滤波器的方向参数θ由各像素点的朝向信息分布自适应确定；
步骤4：利用灰度调节进一步提高检测精度；
步骤2中计算出每点像素实际灰度值fin与预测值P(x,y)的残差C(x,y)，其中C(x,y)的范围为：-1<C(x,y)<1，当0<C(x,y)<1时，由于该点是目标的概率较大，则加以增强；当-1<C(x,y)<0，由于该点是背景的概率较大，则加以抑制，其中残差C(x,y)的绝对值大小与灰度值调节的程度成线性关系；所述的灰度值调节指增强灰度值或抑制灰度值；
而后将各像素点灰度值乘以自定义的调节因子α＝(1+K×C(x,y))进行灰度调节，其中K为调节权值；利用调节因子α＝(1+K×C(x,y))进行灰度调节的过程如公式(3)所示，
Rout(x,y)＝(1+K·C(x,y))R(x,y)＝(1+K·C(x,y))G(x,y)*I(x,y) (3)
其中Rout(x,y)为灰度调节后的图像输出灰度分布，K为调节权值；
通过对各像素点灰度调节实现对目标的进一步增强和背景的进一步抑制，从而得到背景被抑制、目标被增强的图像，提高检测精度。
2.如权利要求1所述的一种基于视觉感受野的多尺度红外目标自适应检测方法，其特征在于：
步骤3所述的Gabor滤波器滤波过程包括如下步骤：
步骤3.1：建立Gabor滤波器模板；
哺乳动物视皮层简单细胞感受野的数学模型用Gabor滤波器函数来描述，其中Gabor滤波器函数的表达式如公式(4)，
其中，σ2为空间方差，决定感受野的大小，f为感受野的最佳空间频率，λ为感受野长轴和短轴的比例常数，表示不同的感受野形式：时为对称型感受野，时为反对称型感受野，θ∈[0,π)为Gabor滤波器的方向参数，表示感受野的朝向；
对Gabor函数需要进行离散化获得N×N大小的滤波模板，滤波模板的方向参数由滤波模板的中心像素的梯度方向θ确定；
步骤3.2：利用滤波模板对图像进行卷积滤波处理；
利用卷积模板对图像中的各像素点进行滤波，滤波处理公式如公式(5)：
R(x,y)＝G(x,y)*I(x,y)＝∫∫G(x-xτ,y-yτ)I(xτ,yτ)dxτdyτ (5)
其中，I(x,y)为输入图像的灰度分布，R(x,y)为简单细胞感受野处理后的输出灰度分布，G(x,y)为Gabor函数。
3.如权利要求2所述的一种基于视觉感受野的多尺度红外目标自适应检测方法，其特征在于：所述的N根据滤波处理速度和精度而定；N越大，精度越高，即图像中目标的边缘更加突出，灰度表现力更好，但是处理速度变慢。
4.如权利要求1、2或3所述的一种基于视觉感受野的多尺度红外目标自适应检测方法，其特征在于：步骤4所述的K的大小决定了对目标增强及背景抑制的缩放程度，K值越大，对目标的增强程度及背景的抑制程度越大，但是由于其背景预测具有一定的误差，因此为了避免误判，K值不能过大。
5.如权利要求1、2或3所述的一种基于视觉感受野的多尺度红外目标自适应检测方法，其特征在于：步骤1所述的边缘检测器可为Roberts、Sobel或Prewite边缘检测器，由于Sobel边缘检测器可抑制噪声，优选Sobel边缘检测器计算差分算子的方法来计算各像素点的梯度方向θ；
其中，Sobel边缘检测器沿x和y方向的偏导数fx和fy的表达式如公式(6)，
Prewite算子沿x和y方向的偏导数fx和fy的表达式如公式(7)，
Roberts算子沿x和y方向的偏导数fx和fy的表达式如公式(8)；
CN201610595943.2A 2016-07-26 2016-07-26 一种基于视觉感受野的多尺度红外目标自适应检测方法 Active CN106251344B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610595943.2A CN106251344B (zh) 2016-07-26 2016-07-26 一种基于视觉感受野的多尺度红外目标自适应检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610595943.2A CN106251344B (zh) 2016-07-26 2016-07-26 一种基于视觉感受野的多尺度红外目标自适应检测方法

Publications (2)

Publication Number Publication Date
CN106251344A CN106251344A (zh) 2016-12-21
CN106251344B true CN106251344B (zh) 2019-02-01

Family

ID=57603691

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610595943.2A Active CN106251344B (zh) 2016-07-26 2016-07-26 一种基于视觉感受野的多尺度红外目标自适应检测方法

Country Status (1)

Country Link
CN (1) CN106251344B (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107633505A (zh) * 2017-08-24 2018-01-26 南京理工大学 一种基于目标灰度分布特性的飞机起落架检测方法
CN107578037B (zh) * 2017-09-27 2020-10-16 浙江工商大学 一种基于似物性估计的道线检测方法
CN107742302B (zh) * 2017-11-13 2019-12-31 广西科技大学 基于初级视皮层多尺度轮廓融合的轮廓检测方法
CN108596844A (zh) * 2018-04-12 2018-09-28 中国人民解放军陆军装甲兵学院 用于弹炮遥控武器站的背景抑制方法
CN108986092A (zh) * 2018-07-14 2018-12-11 深圳市唯特视科技有限公司 一种基于视觉域局部自适应的计算机视觉深度学习方法
CN109272489B (zh) * 2018-08-21 2022-03-29 西安电子科技大学 基于背景抑制与多尺度局部熵的红外弱小目标检测方法
CN111368585B (zh) * 2018-12-25 2023-04-21 中国科学院长春光学精密机械与物理研究所 一种弱小目标检测方法、检测系统、存储装置及终端设备
US11346938B2 (en) 2019-03-15 2022-05-31 Msa Technology, Llc Safety device for providing output to an individual associated with a hazardous environment
CN110738647B (zh) * 2019-10-12 2020-06-12 成都考拉悠然科技有限公司 融合多感受野特征映射与高斯概率模型的老鼠检测方法
CN111353400B (zh) * 2020-02-24 2024-04-02 南京航空航天大学 一种基于视觉测振的全场景振动强度图谱分析方法
CN112508923B (zh) * 2020-12-15 2023-06-23 广西科技大学 弱小目标检测方法
CN112862771A (zh) * 2021-01-29 2021-05-28 珠海迪沃航空工程有限公司 一种基于深度学习的飞机发动机叶片缺陷识别诊断系统及方法
CN113034533B (zh) * 2021-04-06 2022-05-20 电子科技大学 一种基于空时平稳性的红外小目标检测方法
CN113643315B (zh) * 2021-07-22 2023-08-15 武汉大学 一种基于自适应峰值梯度下降滤波器的红外小目标检测方法
CN114842363B (zh) * 2022-07-04 2022-10-18 南方电网科学研究院有限责任公司 一种数字孪生台区关键电力设备的识别方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104834915A (zh) * 2015-05-15 2015-08-12 中国科学院武汉物理与数学研究所 一种复杂云天背景下小红外目标检测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104834915A (zh) * 2015-05-15 2015-08-12 中国科学院武汉物理与数学研究所 一种复杂云天背景下小红外目标检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
An Infrared Small Target Detecting Algorithm Based on Human Visual System;JinHui Han 等;《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》;20160331;第13卷(第4期);第452-456页
一种基于背景预测及小波变换的红外弱小目标检测方法;刘宝生 等;《光学与光电技术》;20141231;第12卷(第6期);第21-24页
一种改进的自适应背景预测红外弱小目标检测算法;朱斌 等;《激光与红外》;20070731;第37卷(第7期);第683-686页

Also Published As

Publication number Publication date
CN106251344A (zh) 2016-12-21

Similar Documents

Publication Publication Date Title
CN106251344B (zh) 一种基于视觉感受野的多尺度红外目标自适应检测方法
Wang et al. Noise detection and image denoising based on fractional calculus
Amer et al. Edge detection methods
CN103984961B (zh) 一种用于检测车底异物的图像检测方法
Maini et al. Study and comparison of various image edge detection techniques
Shrivakshan et al. A comparison of various edge detection techniques used in image processing
Dhankhar et al. A review and research of edge detection techniques for image segmentation
CN109035152A (zh) 一种合成孔径雷达图像非局部均值滤波方法
Huang et al. A novel method for speckle noise reduction and ship target detection in SAR images
Narendra et al. Study and comparison of various image edge detection techniques used in quality inspection and evaluation of agricultural and food products by computer vision
CN113034452B (zh) 一种焊件轮廓检测方法
Yang et al. Research and analysis of Image edge detection algorithm Based on the MATLAB
Igbinosa Comparison of edge detection technique in image processing techniques
CN109636766A (zh) 基于边缘信息增强的偏振差分与光强图像多尺度融合方法
CN106780385B (zh) 一种基于湍流红外辐射模型的雾天降质图像清晰化方法
Kumar et al. A conventional study of edge detection technique in digital image processing
Nair et al. Fuzzy logic-based automatic contrast enhancement of satellite images of ocean
CN108550145A (zh) 一种sar图像质量评估方法和装置
CN116152115B (zh) 基于计算机视觉的垃圾图像去噪处理方法
CN109829858A (zh) 一种基于局部自适应阈值的船载雷达图像溢油监测方法
Hsieh et al. Fast and robust infrared image small target detection based on the convolution of layered gradient kernel
CN103020959A (zh) 一种基于引力模型的海洋锋信息提取方法
CN106056115B (zh) 一种非均匀背景下的红外小目标检测方法
Zhang et al. Infrared small dim target detection based on region proposal
Kekre et al. SAR Image Segmentation using co-occurrence matrix and slope magnitude

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