CN107403134B - 基于局部梯度三边的图域多尺度红外弱小目标检测方法 - Google Patents

基于局部梯度三边的图域多尺度红外弱小目标检测方法 Download PDF

Info

Publication number
CN107403134B
CN107403134B CN201710391310.4A CN201710391310A CN107403134B CN 107403134 B CN107403134 B CN 107403134B CN 201710391310 A CN201710391310 A CN 201710391310A CN 107403134 B CN107403134 B CN 107403134B
Authority
CN
China
Prior art keywords
scale
local
graph
band
frequency
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
CN201710391310.4A
Other languages
English (en)
Other versions
CN107403134A (zh
Inventor
秦翰林
曾庆杰
李佳
吴金莎
梁瑛
杨硕闻
延翔
王婉婷
程文雄
王春妹
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.)
Xidian University
Original Assignee
Xidian University
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 Xidian University filed Critical Xidian University
Priority to CN201710391310.4A priority Critical patent/CN107403134B/zh
Publication of CN107403134A publication Critical patent/CN107403134A/zh
Application granted granted Critical
Publication of CN107403134B publication Critical patent/CN107403134B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于局部梯度三边的图域多尺度红外弱小目标检测方法，该方法为：将含弱小目标的红外图像转化成以节点和其边权关系为表示方式的局部梯度三边图信号；其次，根据图拉普拉斯矩阵的多尺度变换对局部梯度三边图信号进行多尺度分解，获得图信号在不同尺度下的低高频子带；再次，根据图信号的边权关系对每个尺度的高频子带进行局部加权，并取其中值作为新的中心节点系数，然后对局部加权后的高频子带作乘性融合；最后，对乘性融合后的高频子带进行自适应阈值分割，确定目标空间位置，输出检测结果。

Description

基于局部梯度三边的图域多尺度红外弱小目标检测方法
技术领域
本发明属于红外图像处理领域，具体涉及一种基于局部梯度三边的图域多尺度红外弱小目标检测方法。
背景技术
红外弱小目标检测技术是红外成像探测领域中一项极为重要的关键技术，被广泛应用于自动目标识别中。当目标距离红外成像探测系统较远时，目标在所获得的红外图像中不仅没有明显的形状、结构、纹理等特征信息，而且成像面积相对较小，在图像中仅占几个至十几个像素。此外，成像环境的复杂恶劣性和探测器件性能的局限性，使得红外图像通常呈现低对比度、低信噪比、边缘模糊等欠佳的视觉效果；因此，如何从像质较差、信噪比有限、背景干扰复杂的红外图像中稳定有效地检测出弱小目标成为红外成像探测领域的主要技术难点。
针对复杂背景下红外弱小目标检测难问题，国内外科研学者已经开展了诸多研究工作，按所处理对象的不同，可将单帧弱小目标检测方法分为基于背景预测的间接检测法和基于目标特征的直接提取法；基于背景预测的检测方法通常采用性能较好的滤波器或滤波算子来对背景成分进行预测估计，通过尽可能多地从原始图像中提取背景杂波成分来间接分离出弱小目标；常用的经典方法有最大均值/中值滤波、形态学Top-Hat滤波、二维最小均方误差滤波TDLMS等，这些滤波方法的特点是设计简单，易于实现，不足之处在于对非平稳背景的自适应能力较差。
近年来，利用目标局部特性直接提取弱小目标的方法受到广大研究学者的青睐，受人类视觉系统机制的启示，Chen等提出一种基于目标与背景局部对比度差异的弱小目标检测方法，通过对输入图像建立对应局部对比度映射图，将目标与背景的局部强度差异放大，然后选择阈值来提取弱小目标；虽然这类方法检测效果良好，具有一定的鲁棒性，但对于处理存在高亮度、强边缘成分的复杂背景，仍会有较高的虚警率。
发明内容
鉴于此，本发明的主要目的在于提供一种基于局部梯度三边的图域多尺度红外弱小目标检测方法。
为达到上述目的，本发明的技术方案是这样实现的：
本发明实施例提供一种基于局部梯度三边的图域多尺度红外弱小目标检测方法，该方法为：将含弱小目标的红外图像转化成以节点和其边权关系为表示方式的局部梯度三边图信号；其次，根据图拉普拉斯矩阵的多尺度变换对局部梯度三边图信号进行多尺度分解，获得图信号在不同尺度下的低高频子带；再次，根据图信号的边权关系对每个尺度的高频子带进行局部加权，并取其中值作为新的中心节点系数，然后对局部加权后的高频子带作乘性融合；最后，对乘性融合后的高频子带进行自适应阈值分割，确定目标空间位置，输出检测结果。
上述方案中，所述将含弱小目标的红外图像
Figure GDA0001438941700000021
转化成以节点和其边权关系为表示方式的局部梯度三边图信号
Figure GDA0001438941700000022
具体为：
(一)生成以局部平均梯度表示目标和边缘信息的节点
Figure GDA0001438941700000023
具体方法是在原始图像
Figure GDA0001438941700000024
的局部窗口内计算中心像素对邻域像素的平均梯度，并将该梯度像素点作为窗口的中心节点。按此方式遍历整幅图像，获得表示目标和边缘信息的节点，
Figure GDA0001438941700000025
Figure GDA0001438941700000026
式中，Ωk×k表示大小为k×k的局部窗口，I(i,j)和I(p,q)分别表示窗口内中心位置(i,j)和位置(p,q)处的像素灰度，
Figure GDA0001438941700000027
为窗口内中心位置(i,j)的平均梯度，
Figure GDA0001438941700000039
表示具有图像位置(i,j)处梯度值sij的节点，共N个；
(二)生成基于局部三边因子的节点间相邻关系边权
Figure GDA0001438941700000031
设计一个同时考虑强度、梯度和距离的三边因子来衡量窗口内中心节点与近邻节点间的相似性，确定二者的边权关系；而对于窗口外的节点则令边权为零，
Figure GDA0001438941700000032
式中，
Figure GDA00014389417000000314
表示中心节点
Figure GDA00014389417000000312
与节点
Figure GDA00014389417000000313
之间的边权，
Figure GDA0001438941700000033
表示大小为l×l的局部窗口，Ws、W▽和Wd分别为三边因子中强度、梯度和距离的贡献权值，其具体表达式为
Ws＝exp(-|sxy-smn|) (4)
Figure GDA0001438941700000034
Wd＝exp(-(|x-m|+|y-n|)) (6)
式中，|·|表示取绝对值，τ为预设的梯度阈值。
上述方案中，所述根据图拉普拉斯矩阵的多尺度变换对局部梯度三边图信号进行多尺度分解，获得图信号在不同尺度下的低高频子带，具体为：
在图的谱域内，设计一族基于图拉普拉斯矩阵的低通和带通变换函数来实现对图信号的多尺度分解，具体表达如下：
Figure GDA0001438941700000035
式中，
Figure GDA0001438941700000036
为节点
Figure GDA00014389417000000315
处的低通尺度函数，作用是在预设尺度下将图信号中的低频信息分离出来，具体通过一个对图拉普拉斯矩阵
Figure GDA0001438941700000037
作用的低通核h(·)实现，
Figure GDA00014389417000000311
为尺度t下节点
Figure GDA00014389417000000316
处的带通函数，作用是对尺度t下图信号的高频信息进行分解，具体通过一个对线性扩大的图拉普拉斯矩阵
Figure GDA0001438941700000038
作用的带通核g(·)实现，
Figure GDA00014389417000000310
则表示在节点
Figure GDA0001438941700000049
处其值为1，在其他节点处其值为0；
根据式(4)给出的图的谱域多尺度变换函数，将所述生成的局部梯度三边图信号f进行多尺度分解，获得其变换系数，
Figure GDA0001438941700000041
式中，
Figure GDA00014389417000000410
为图信号f的低频子带系数，
Figure GDA00014389417000000414
为图信号f在尺度t下的高频子带系数，<*，*>为内积算子。
上述方案中，所述根据图信号的边权关系对每个尺度的高频子带进行局部加权，并取其中值作为新的中心系数，然后对局部加权后的高频子带作乘性融合，具体为：
(一)对各个高频子带系数进行修正，令其负系数值为零，以排除相应背景成分的干扰；
Figure GDA0001438941700000042
式中，
Figure GDA00014389417000000412
为尺度t下节点
Figure GDA00014389417000000411
的高频子带系数，表示修正前后的系数；
(二)根据图信号的边权关系
Figure GDA00014389417000000416
对高频子带H进行局部加权，并取其中值作为新的中心系数，
Figure GDA0001438941700000043
式中，
Figure GDA0001438941700000044
表示局部窗口
Figure GDA0001438941700000045
的中心节点
Figure GDA00014389417000000415
的融合后尺度t下新的高频系数，median(·)为求取中值的函数，
Figure GDA00014389417000000413
和wxy-mn分别表示局部窗口中节点
Figure GDA0001438941700000046
的高频系数和与中心节点
Figure GDA0001438941700000047
之间的边权关系；
(三)对新的各尺度高频子带进行乘性融合，达到增强目标信息，抑制残余高频背景成分的目的：
Figure GDA0001438941700000048
式中，Rfused为融合增强后的结果，尺度t取{1,2,…,K}，表示共有K个高频子带。
上述方案中，所述对乘性融合后的高频子带进行自适应阈值分割，确定目标空间位置，输出检测结果，具体为
Figure GDA0001438941700000051
式中，Rout为输出的二值化检测结果，T为自适应阈值，其选取规则为
T＝min(Rfused)+γ·(max(Rfused)-min(Rfused))γ∈[1/2,4/5] (13)
式中，γ为阈值的自适应调节因子，并给出了其取值范围，min(·)和max(·)分别为求取最小值和最大值函数。
与现有技术相比，本发明的有益效果：
(1)本发明将传统以像素灰度为表示方式的红外图像转化成以节点和其边权关系为表示的图信号，通过对生成的图信号进行图域的多尺度分解来实现红外弱小目标检测，对平稳/非平稳背景均具有良好的适应性，可大大降低检测虚警率；
(2)本发明将原始图像的局部平均梯度像素点作为节点，其优势在于不仅有效保护目标信息在局部区域的能量最大化，抑制灰度平稳变化的背景成分；同时可使强边缘背景成分平滑化；
(3)本发明设计一个同时考虑强度、梯度和距离的三边因子来确定中心节点与近邻节点间的边权关系，从而生成具有适应于弱小目标检测的图信号，为后续多尺度分解形成有利条件；
(4)本发明采用基于图拉普拉斯矩阵的多尺度变换来对局部梯度三边图信号进行图域的多尺度分解，使目标和边缘背景成分得到有效分离；
(5)本发明对图信号的各尺度高频子带进行局部加权，并取其中值作为新的中心节点系数，然后将各高频子带作乘性融合，从而使目标信息得到增强，残余背景成分被抑制。
附图说明
图1为本发明的整体流程图。
图2为本发明两组仿真实验所选取的场景及其三维强度图，其中(a1)和(a2)是原始图像，(b1)和(b2)是相应的三维强度图；
图3为仿真实验1中几种方法的目标检测结果及其三维图；(a)和(e)最大均值方法处理结果及其三维图；(b)和(f)Top-hat方法处理结果及其三维图；(c)和(g)TDLMS方法处理结果及其三维图；(d)和(h)本发明方法处理结果及其三维图；
图4为仿真实验2中几种方法的目标检测结果及其三维图；(a)和(e)最大均值方法处理结果及其三维图；(b)和(f)Top-hat方法处理结果及其三维图；(c)和(g)TDLMS方法处理结果及其三维图；(d)(和h)本发明方法处理结果及其三维图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例提供一种基于局部梯度三边的图域多尺度红外弱小目标检测方法，将含弱小目标的红外图像转化成以节点和其边权关系为表示方式的局部梯度三边图信号；其次，根据图拉普拉斯矩阵的多尺度变换对局部梯度三边图信号进行多尺度分解，获得图信号在不同尺度下的低高频子带；再次，根据图信号的边权关系对每个尺度的高频子带进行局部加权，取其中值作为新的中心节点系数，然后对局部加权后的高频子带作乘性融合，达到目标信息被增强，残余背景成分被抑制的效果；最后，选取自适应阈值进行分割，确定目标空间位置，输出检测结果。
本发明方法的步骤具体如下：
步骤一：将复杂背景中含弱小目标的二维像素图像
Figure GDA0001438941700000061
转化成表示目标和边缘信息的节点及其边权关系的图信号
Figure GDA0001438941700000071
此过程主要包含两部分：
(1)生成以局部平均梯度表示目标和边缘信息的节点
Figure GDA0001438941700000072
具体方法是在原始图像
Figure GDA0001438941700000073
的局部窗口内计算中心像素对邻域像素的平均梯度，并将该梯度像素点作为窗口的中心节点。按此方式遍历整幅图像，获得表示目标和边缘信息的节点，
Figure GDA0001438941700000078
Figure GDA0001438941700000074
式中，Ωk×k表示大小为k×k的局部窗口，I(i,j)和I(p,q)分别表示窗口内中心位置(i,j)和位置(p,q)处的像素灰度，
Figure GDA0001438941700000075
为窗口内中心位置(i,j)的平均梯度，
Figure GDA00014389417000000712
表示具有图像位置(i,j)处梯度值sij的节点，共N个；
(2)生成基于局部三边因子的节点间相邻关系边权
Figure GDA0001438941700000079
为了准确描述
Figure GDA00014389417000000710
中各节点间的边权关系，假设只有在局部窗口内中心节点和近邻节点才可能存在相互连接的边，并具有一定权值，而对窗口外的节点则不存在边权关系。基于此，设计一个同时考虑强度、梯度和距离的三边因子来衡量窗口内中心节点与近邻节点间的相似性，确定二者的边权关系；而对于窗口外的节点则令边权为零，
Figure GDA0001438941700000076
式中，
Figure GDA00014389417000000715
表示中心节点
Figure GDA00014389417000000713
与节点
Figure GDA00014389417000000714
之间的边权，
Figure GDA00014389417000000711
表示大小为l×l的局部窗口，Ws、W▽和Wd分别为三边因子中强度、梯度和距离的贡献权值，其具体表达式为
Ws＝exp(-|sxy-smn|) (4)
Figure GDA0001438941700000077
Wd＝exp(-(|x-m|+|y-n|)) (6)
式中，|·|表示取绝对值，τ为预设的梯度阈值。
步骤二：对生成的局部梯度三边图信号f采用基于图拉普拉斯矩阵的多尺度变换进行分解，使表示目标和边缘的节点得到有效分离，获得图信号的高低频子带；
在图的谱域内，设计一族基于图拉普拉斯矩阵的低通和带通变换函数来实现对图信号的多尺度分解，具体表达如下：
Figure GDA0001438941700000081
式中，
Figure GDA0001438941700000082
为节点
Figure GDA0001438941700000088
处的低通尺度函数，作用是在预设尺度下将图信号中的低频信息分离出来，具体通过一个对图拉普拉斯矩阵
Figure GDA0001438941700000083
作用的低通核h(·)实现，
Figure GDA0001438941700000089
为尺度t下节点
Figure GDA00014389417000000810
处的带通函数，作用是对尺度t下图信号的高频信息进行分解，具体通过一个对线性扩大的图拉普拉斯矩阵
Figure GDA0001438941700000084
作用的带通核g(·)实现，
Figure GDA00014389417000000811
则表示在节点
Figure GDA00014389417000000812
处其值为1，在其他节点处其值为0；
利用式(4)给出的图的谱域多尺度变换函数，可将步骤一中生成的局部梯度三边图信号f进行多尺度分解，获得其变换系数，
Figure GDA0001438941700000085
式中，
Figure GDA0001438941700000086
为图信号f的低频子带系数，
Figure GDA0001438941700000087
为图信号f在尺度t下的高频子带系数，<*，*>为内积算子；
步骤三：利用图信号的边权关系对每个尺度的高频子带进行局部加权，取其中值作为新的中心节点系数，再对新的高频子带作乘性融合，从而达到增强目标信息，抑制残余高频背景成分的目的，实现对目标的融合增强；
在图的谱域对图信号进行多尺度分解后，具备高频特性的目标节点信息将处于高频子带H中，且对应系数较大，而绝大部分边缘背景信息则留在低频子带，从而有效地将目标和背景分离；但多尺度分解会导致目标能量的分散化，使目标信息分布于不同尺度的高频子带中。因此，为了强化目标信息，同时考虑抑制残余高频背景成分，利用图信号的边权关系对每个尺度的高频子带进行局部加权，并取其中值作为新的中心节点系数，再对新的各尺度高频子带作乘性融合，从而达到增强目标信息，抑制残余高频背景成分的目的，实现对目标的融合增强。具体过程如下：
(1)首先，对各个高频子带系数进行修正，令其负系数值为零(由于负系数通常对应背景成分)，以排除相应背景成分的干扰；
Figure GDA0001438941700000091
式中，
Figure GDA0001438941700000092
为尺度t下节点
Figure GDA0001438941700000093
的高频子带系数。(考虑到与融合后的系数进行区分，同时避免增加多个表示符号，故这里用
Figure GDA0001438941700000094
统一表示修正前后的系数)
(2)利用图信号的边权关系
Figure GDA00014389417000000914
对高频子带H进行局部加权，并取其中值作为新的中心节点系数，
Figure GDA0001438941700000095
式中，
Figure GDA0001438941700000096
表示局部窗口
Figure GDA0001438941700000097
的中心节点
Figure GDA0001438941700000098
的融合后尺度t下新的高频系数，median(·)为求取中值的函数，
Figure GDA0001438941700000099
和wxy-mn分别表示局部窗口中节点
Figure GDA00014389417000000910
的高频系数和与中心节点
Figure GDA00014389417000000911
之间的边权关系。
(3)对新的高频子带进行乘性融合，达到增强目标信息，抑制残余高频背景成分的目的，
Figure GDA00014389417000000912
式中，Rfused为融合增强后的结果，尺度t取{1,2,…,K}，表示共有K个高频子带。
步骤四：选取自适应阈值进行二值分割，提取弱小目标，输出检测结果；
Figure GDA00014389417000000913
式中，Rout为输出的二值化检测结果，T为自适应阈值，其选取规则为
T＝min(Rfused)+γ·(max(Rfused)-min(Rfused))γ∈[1/2,4/5] (13)
式中，γ为阈值的自适应调节因子，并给出了其取值范围，min(·)和max(·)分别为求取最小值和最大值函数。
本发明的效果可通过两组仿真实验具体说明，并选取几种经典单帧弱小目标检测方法，包括最大均值、形态学Top-Hat算子和TDLMS等作性能对比。
仿真实验1：如图2(a1)所示，选取一幅薄云层、亮目标和背景的真实红外弱小目标图像，其大小为128×128，利用本发明和对比方法对其进行仿真实验。
如图3所示，给出了本发明方法和对比方法的检测结果以及对应的三维强度图。从图中可以看出，本发明方法的检测性能明显优于其他检测方法，其中图(a)为最大均值滤波方法的检测效果，最大均值的选取使得目标信息缺失，位置不明确；图(b)为Top-hat算子的检测结果，较好地保留了目标信息，但云层的背景的边缘成分也大量存在；图(c)TDLMS滤波方法的检测结果，同样存在大量的云层边缘背景成分；图(d)为本发明方法的检测结果，目标清晰可见，同时基本观察不到背景成分，体现出良好的检测性能。
仿真实验2：如图2(a2)所示，选取一幅厚云层、弱目标和暗背景的真实红外弱小目标图像，其大小为128×128，利用本发明和对比方法对其进行仿真实验。
如图4所示，给出了本发明方法和对比方法的检测结果以及对应的三维强度图。从图中可以看出，本发明方法的检测性能明显优于其他检测方法，其中图(a)为最大均值滤波方法的检测效果，由于目标能量较弱，几乎被背景杂波淹没，所以最大均值方法很难保留到目标信息，目标会同背景一样被抑制；图(b)为Top-hat算子的检测结果，保留到了目标信息，但也存在一些较亮的云层边缘成分，目标并不清晰可见；图(c)TDLMS滤波方法的检测结果，比Top-hat效果略差，云层边缘背景成分大量存在；图(d)为本发明方法的检测结果，边缘背景成分被较好地抑制，弱目标信息得到增强，位置明确，体现出更优的性能。
此外，为进一步说明本发明的优越性和先进性，采用红外弱小目标检测方法中常用的客观评价指标——背景抑制因子BSF来定量比较不同方法对弱小目标增强性能的优劣。BSF的值越大，说明对应方法保持目标成分信息和抑制背景杂波成分的能力越强。从表1可见，本发明方法的BSF数值明显大于其他对比方法，客观地反映出本发明方法对背景杂波成分更优的抑制能力，有效实现对红外弱小目标的检测。
表1 BSF评价因子比较
Figure GDA0001438941700000111
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。

Claims (4)

1.一种基于局部梯度三边的图域多尺度红外弱小目标检测方法，其特征在于，该方法为：将含弱小目标的红外图像转化成以节点和其边权关系为表示方式的局部梯度三边图信号；其次，根据图拉普拉斯矩阵的多尺度变换对局部梯度三边图信号进行多尺度分解，获得图信号在不同尺度下的低高频子带；再次，根据图信号的边权关系对每个尺度的高频子带进行局部加权，并取其中值作为新的中心节点系数，然后对局部加权后的高频子带作乘性融合；最后，对乘性融合后的高频子带进行自适应阈值分割，确定目标空间位置，输出检测结果；所述将含弱小目标的红外图像
Figure FDA0003495819670000011
转化成以节点和其边权关系为表示方式的局部梯度三边图信号
Figure FDA0003495819670000012
具体为：
(一)生成以局部平均梯度表示目标和边缘信息的节点
Figure FDA0003495819670000013
具体方法是在原始图像
Figure FDA0003495819670000014
的局部窗口内计算中心像素对邻域像素的平均梯度，并将该梯度像素点作为窗口的中心节点，按此方式遍历整幅图像，获得表示目标和边缘信息的节点，
Figure FDA0003495819670000015
Figure FDA0003495819670000016
式中，Ωk×k表示大小为k×k的局部窗口，I(i,j)和I(p,q)分别表示窗口内中心位置(i,j)和位置(p,q)处的像素灰度，
Figure FDA0003495819670000017
为窗口内中心位置(i,j)的平均梯度，
Figure FDA0003495819670000018
表示具有图像位置(i,j)处梯度值sij的节点，共N个；
(二)生成基于局部三边因子的节点间相邻关系边权
Figure FDA0003495819670000019
设计一个同时考虑强度、梯度和距离的三边因子来衡量窗口内中心节点与近邻节点间的相似性，确定二者的边权关系；而对于窗口外的节点则令边权为零，
Figure FDA00034958196700000110
式中，
Figure FDA0003495819670000021
表示中心节点
Figure FDA0003495819670000022
与节点
Figure FDA0003495819670000023
之间的边权，
Figure FDA0003495819670000024
表示大小为l×l的局部窗口，Ws、
Figure FDA0003495819670000025
和Wd分别为三边因子中强度、梯度和距离的贡献权值，其具体表达式为
Ws＝exp(-|sxy-smn|) (4)
Figure FDA0003495819670000026
Wd＝exp(-(|x-m|+|y-n|)) (6)
式中，|·|表示取绝对值，τ为预设的梯度阈值。
2.根据权利要求1所述的一种基于局部梯度三边的图域多尺度红外弱小目标检测方法，其特征在于，所述根据图拉普拉斯矩阵的多尺度变换对局部梯度三边图信号进行多尺度分解，获得图信号在不同尺度下的低高频子带，具体为：
在图的谱域内，设计一族基于图拉普拉斯矩阵的低通和带通变换函数来实现对图信号的多尺度分解，具体表达如下：
Figure FDA0003495819670000027
式中，
Figure FDA0003495819670000028
为节点
Figure FDA0003495819670000029
处的低通尺度函数，作用是在预设尺度下将图信号中的低频信息分离出来，具体通过一个对图拉普拉斯矩阵
Figure FDA00034958196700000210
作用的低通核h(·)实现，
Figure FDA00034958196700000211
为尺度t下节点
Figure FDA00034958196700000212
处的带通函数，作用是对尺度t下图信号的高频信息进行分解，具体通过一个对线性扩大的图拉普拉斯矩阵
Figure FDA00034958196700000213
作用的带通核g(·)实现，
Figure FDA00034958196700000214
则表示在节点
Figure FDA00034958196700000215
处其值为1，在其他节点处其值为0；
根据式(7)给出的图的谱域多尺度变换函数，将所述生成的局部梯度三边图信号f进行多尺度分解，获得其变换系数，
Figure FDA00034958196700000216
式中，
Figure FDA00034958196700000217
为图信号f的低频子带系数，
Figure FDA00034958196700000218
为图信号f在尺度t下的高频子带系数，<*，*>为内积算子。
3.根据权利要求2所述的一种基于局部梯度三边的图域多尺度红外弱小目标检测方法，其特征在于，所述根据图信号的边权关系对每个尺度的高频子带进行局部加权，并取其中值作为新的中心系数，然后对局部加权后的高频子带作乘性融合，具体为：
(一)对各个高频子带系数进行修正，令其负系数值为零，以排除相应背景成分的干扰；
Figure FDA0003495819670000031
式中，
Figure FDA0003495819670000032
为尺度t下节点
Figure FDA0003495819670000033
的高频子带系数，表示修正前后的系数；
(二)根据图信号的边权关系
Figure FDA0003495819670000034
对高频子带H进行局部加权，并取其中值作为新的中心系数，
Figure FDA0003495819670000035
式中，
Figure FDA0003495819670000036
表示局部窗口
Figure FDA0003495819670000037
的中心节点
Figure FDA0003495819670000038
的融合后尺度t下新的高频系数，median(·)为求取中值的函数，
Figure FDA0003495819670000039
和wxy-mn分别表示局部窗口中节点
Figure FDA00034958196700000310
的高频系数和与中心节点
Figure FDA00034958196700000311
之间的边权关系；
(三)对新的各尺度高频子带进行乘性融合，达到增强目标信息，抑制残余高频背景成分的目的：
Figure FDA00034958196700000312
式中，Rfused为融合增强后的结果，尺度t取{1,2,…,K}，表示共有K个高频子带。
4.根据权利要求3所述的一种基于局部梯度三边的图域多尺度红外弱小目标检测方法，其特征在于，所述对乘性融合后的高频子带进行自适应阈值分割，确定目标空间位置，输出检测结果，具体为
Figure FDA0003495819670000041
式中，Rout为输出的二值化检测结果，T为自适应阈值，其选取规则为
T＝min(Rfused)+γ·(max(Rfused)-min(Rfused))γ∈[1/2,4/5] (13)
式中，γ为阈值的自适应调节因子，并给出了其取值范围，min(·)和max(·)分别为求取最小值和最大值函数。
CN201710391310.4A 2017-05-27 2017-05-27 基于局部梯度三边的图域多尺度红外弱小目标检测方法 Active CN107403134B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710391310.4A CN107403134B (zh) 2017-05-27 2017-05-27 基于局部梯度三边的图域多尺度红外弱小目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710391310.4A CN107403134B (zh) 2017-05-27 2017-05-27 基于局部梯度三边的图域多尺度红外弱小目标检测方法

Publications (2)

Publication Number Publication Date
CN107403134A CN107403134A (zh) 2017-11-28
CN107403134B true CN107403134B (zh) 2022-03-11

Family

ID=60404879

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710391310.4A Active CN107403134B (zh) 2017-05-27 2017-05-27 基于局部梯度三边的图域多尺度红外弱小目标检测方法

Country Status (1)

Country Link
CN (1) CN107403134B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108665435B (zh) * 2018-01-08 2021-11-02 西安电子科技大学 基于拓扑-图切融合优化的多谱段红外图像背景抑制方法
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
CN108765324A (zh) * 2018-05-16 2018-11-06 上海爱优威软件开发有限公司 一种基于红外的图像处理方法及系统
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
CN110047045B (zh) * 2019-04-10 2023-05-23 新疆大学 去除遥感图像中薄云的方法及装置
CN111696096B (zh) * 2020-06-12 2023-04-07 中山大学 一种基于成像特性的空间弱小多目标检测方法及系统
CN113421205B (zh) * 2021-07-16 2022-11-15 合肥工业大学 一种结合红外偏振成像的小目标检测方法
CN114155426B (zh) * 2021-12-13 2023-08-15 中国科学院光电技术研究所 一种基于局部多向梯度信息融合的弱小目标检测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102063707A (zh) * 2011-01-05 2011-05-18 西安电子科技大学 基于均值漂移的灰关联红外成像目标分割方法
CN102222322A (zh) * 2011-06-02 2011-10-19 西安电子科技大学 基于多尺度非局部均值的红外图像背景抑制方法
CN102789641A (zh) * 2012-07-16 2012-11-21 北京市遥感信息研究所 基于图拉普拉斯的高光谱图像和红外图像融合方法
CN103700064A (zh) * 2013-12-01 2014-04-02 北京航空航天大学 基于热核金字塔的各向异性小波图像处理方法
CN104050638A (zh) * 2014-06-12 2014-09-17 杭州电子科技大学 一种结合尺度优选的显著法红外小目标增强方法
CN106508046B (zh) * 2011-12-28 2014-11-05 上海机电工程研究所 一种基于多尺度双边最优化的弱小目标检测方法
CN106548153A (zh) * 2016-10-27 2017-03-29 杭州电子科技大学 基于多尺度变换下图结构的视频异常检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102063707A (zh) * 2011-01-05 2011-05-18 西安电子科技大学 基于均值漂移的灰关联红外成像目标分割方法
CN102222322A (zh) * 2011-06-02 2011-10-19 西安电子科技大学 基于多尺度非局部均值的红外图像背景抑制方法
CN106508046B (zh) * 2011-12-28 2014-11-05 上海机电工程研究所 一种基于多尺度双边最优化的弱小目标检测方法
CN102789641A (zh) * 2012-07-16 2012-11-21 北京市遥感信息研究所 基于图拉普拉斯的高光谱图像和红外图像融合方法
CN103700064A (zh) * 2013-12-01 2014-04-02 北京航空航天大学 基于热核金字塔的各向异性小波图像处理方法
CN104050638A (zh) * 2014-06-12 2014-09-17 杭州电子科技大学 一种结合尺度优选的显著法红外小目标增强方法
CN106548153A (zh) * 2016-10-27 2017-03-29 杭州电子科技大学 基于多尺度变换下图结构的视频异常检测方法

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
A multiscale pyramid transform for graph signals;David I Shuman等;《EEE Transactions on Signal Processing》;20160315;第2119-2134页 *
Infrared Image Enhancement Based on Multiscale Bilateral Detail Decomposition;Qing-jie ZENG等;《2016 International Conference on Electrical Engineering and Automation (ICEEA 2016)》;20161231;第1-5页 *
Multiscale facet model for infrared small target detection;Changcai Yang等;《Infrared Physics & Technology》;20140805;第67卷;第202-209页 *
Multiscale random projection based background suppression of infrared small target image;Hanlin Qin等;《Infrared Physics & Technology》;20151130;第73卷;第255-262页 *
Robust Infrared Maritime Target Detection Based on Visual Attention and Spatiotemporal Filtering;Lili Dong等;《IEEE Transactions on Geoscience and Remote Sensing》;20170217;第55卷(第5期);第3037-3050页 *
图像多尺度邻域距离分解及其应用;赵恒军;《中国优秀博硕士学位论文全文数据库(博士) 信息科技辑》;20140215(第02期);第I138-24页 *
多尺度各向异性扩散方程的红外弱小目标检测算法;周慧鑫等;《光子学报》;20150930;第44卷(第9期);第0910002-1-0910002-5页 *
海空背景下红外小目标检测算法;魏颖等;《红外与激光工程》;20030430;第32卷(第2期);第153-156页 *
视频运动目标跟踪与异常检测的研究;沈佳;《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》;20170415(第04期);第I138-361页 *

Also Published As

Publication number Publication date
CN107403134A (zh) 2017-11-28

Similar Documents

Publication Publication Date Title
CN107403134B (zh) 基于局部梯度三边的图域多尺度红外弱小目标检测方法
Wang et al. Single image dehazing based on the physical model and MSRCR algorithm
CN109272489B (zh) 基于背景抑制与多尺度局部熵的红外弱小目标检测方法
CN104899866B (zh) 一种智能化的红外小目标检测方法
CN103369209B (zh) 视频降噪装置及方法
CN105976330B (zh) 一种嵌入式雾天实时视频稳像方法
CN106960428A (zh) 可见光和红外双波段图像融合增强方法
CN109447073B (zh) 一种基于张量鲁棒主成分分析的红外弱小目标检测方法
CN107507209B (zh) 极化sar图像的素描图提取方法
CN104834915B (zh) 一种复杂云天背景下小红外目标检测方法
CN103761731A (zh) 一种基于非下采样轮廓波变换的红外空中小目标检测方法
CN108647693B (zh) 一种基于二元显著性特征的海面红外目标检测方法
CN110163818A (zh) 一种用于海事无人机的低照度视频图像增强方法
CN106846289A (zh) 一种基于显著性迁移与细节分类的红外光强与偏振图像融合方法
CN110660065B (zh) 一种红外故障检测识别算法
CN103679173A (zh) 图像显著区域检测方法
CN102222322A (zh) 基于多尺度非局部均值的红外图像背景抑制方法
CN109961408B (zh) 基于nsct和块匹配滤波的光子计数图像去噪方法
Li et al. A small target detection algorithm in infrared image by combining multi-response fusion and local contrast enhancement
Dong et al. Infrared target detection in backlighting maritime environment based on visual attention model
CN114612359A (zh) 基于特征提取的可见光与红外图像融合方法
CN104036461B (zh) 一种基于联合滤波的红外复杂背景抑制方法
CN106886747A (zh) 一种基于扩展小波变换的复杂背景下舰船检测方法
CN110351453A (zh) 一种计算机视频数据处理方法
CN108614998B (zh) 一种单像素红外目标检测方法

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