CN107563370A - 一种基于视觉注意机制的海上红外目标检测方法 - Google Patents

Abstract

本发明涉及一种基于视觉注意机制的海上红外目标检测方法，针对海上红外图像特点，引入基于视觉注意机制的目标检测算法，通过计算像素的显著值，确定目标在图像中的位置。首先提取红外图像边框作为背景像素，然后使用光栅扫描算法迭代更新背景点到像素点的所有路径中的最大最小像素值，获取辅助图。接着，根据辅助图计算路径代价获得显著图。以马氏距离作为图像与边框对比度图与上一步显著图相加，然后通过形态学闭运算、二值化操作获得目标区域位置。本发明根据像素特征获取目标显著性信息，极大的减少了海上小目标漏检率，并且能够有效的抑制海面波纹及天空云层引起的噪声，均匀突出目标，具有较高检测准确率。

Description

一种基于视觉注意机制的海上红外目标检测方法

技术领域

本发明属于计算机视觉图像处理方法，涉及一种基于视觉注意机制的海上红外目标检测方法。可以广泛应用于海面红外目标检测系统、空中目标检测系统。

背景技术

随着现代科学技术的持续发展，红外成像技术在精确制导、红外预警、红外搜索系统以及其他军用、民用领域中得到广泛应用，作为红外搜索与跟踪、红外预警、精确制导等应用的关键技术，红外目标检测技术已成为红外图像处理领域的研究热点。在现代军事战场上，红外目标检测系统依赖的是被动检测目标的红外辐射特性，其隐蔽性好，不受气候影响，可昼夜工作，且能够透过烟雾视觉等障碍进行目标探测成像并进行目标检测及定位处理，因此，红外目标检测技术具有极高的研究价值。而随着各国对海洋利益的日益重视，海上红外目标检测技术作为极有价值的研究课题，近年来在国内外受到广泛关注。

目前，红外目标检测方法主要依赖于目标所表现出的红外特性：飞机除了会反射外界红外线之外，其发动机、冷却窗、烟囱等还会向外发出热辐射，辐射强度越高，红外特征越明显，越易于识别。对于红外图像来说，若已知目标先验信息，则目前流行的目标检测方法主要有两类：一类是利用先验信息训练一个有多个弱分类器级联的集合分类器，然后利用这些弱分类器进行投票检测目标；另一类方法是利用先验信息找到目标与非目标之间的最佳分类线检测目标。但是上述方法对整幅区域进行检测较为耗时，且在复杂背景中，由于冗余信息的干扰，其检测稳定性有待提高，同时在大多数情况下，目标的先验信息未知，因此上述方法往往不能满足实际需求。通过对生物视觉的研究，发现如果目标检测系统能够精确地仿真生物视觉的注意机制，只对图像中可能存在感兴趣目标的显著区域进行关注，那么就可以提前舍弃图像中的冗余信息，使得目标检测系统具有更高效、精准的性能；另一方面仿真人类视觉的注意机制，可以仅利用目标在场景中的某类统计特性进行目标检测，而不需要目标先验信息。因此本项目在基于显著性检测的红外舰船检测技术上进行研究。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种基于视觉注意机制的海上红外目标检测方法，使用最小障碍距离计算红外图像的显著值，然后通过背景优化算法和二值化得到最终的目标区域。实验证明，该算法能在复杂海面环境下高效地检测出红外目标区域，具有较高的鲁棒性和准确性。

技术方案

一种基于视觉注意机制的海上红外目标检测方法，其特征在于步骤如下：

步骤1、获取红外图像背景像素，并确定图像像素到背景像素路径：首先对输入图像I重新调整图像大小，使其最大像素数不超过300，提取宽度为γ的边界区域作为背景像素；

所述γ的选择保证红外图像中的目标像素占比为30％～70％；

所述图像I上连接像素x和背景种子节点的路径π＝<π(0),...,π(k)>是以相邻4个元素连接的像素序列，k表示路径个数，相邻四对像素分别为像素x(i,j)的上(i,j+1)下(i,j-1)左(i-1,j)右(i+1,j)四个元素；

步骤2、获取红外图像的正向光栅扫描显著图：利用最小障碍距离MBD衡量图像像素与背景像素的对比度得到显著图，具体步骤为：

步骤2.1获取辅助图U和L：以正向扫描顺序，从上到下，从左到右的顺序遍历输入的红外图像I的每一个像素；通过扫描获取像素x及其邻域的像素值，根据四邻域结构，令y表示x的邻域像素，P(y)表示分配于y的一条从x到背景像素的路径，计算在路径下的最大像素值U(y)和最小像素值L(y)；

步骤2.2计算路径代价β_I(P_y(x))：路径代价通过追踪当前路径中最大最小像素值的辅助图U、L获得：

β_I(P_y(x))＝max{U(x),I(x)}-min{L(y),I(x)}

其中：P_y(x)表示P(y)·<y,x>，P(y)为经过像素y的一条路径，<y,x>表示x到y的代价，所以P(y)·<y,x>就表示x的一条附加代价<y,x>的路径；

步骤2.3计算MBD值D(x)：首先将MBD值初始化0或∞，最终该值将通过迭代x上的最小化路径代价获得，该值定义为：

步骤2.4比较MBD值与路径代价值的大小，如果β_I(P_y(x))＜D(x)，则重复以上步骤，直至得到每个像素的最大MBD值，并以此作为红外图像的显著图；

步骤3、获取红外图像的反向光栅扫描显著图：在获取正向光栅扫描方式计算得到的显著图后，通过反向光栅扫描算法重复计算红外图像的显著图；

即按照从下到上，从右到左的顺序遍历输入的红外图像I的每一个像素；按照步骤2中，路径代价、MBD值以及辅助图U、L的计算公式，在反向扫描顺序下进行更新，直到获取每个像素的最大MBD值；

在反向光栅扫描方法后，再交叉迭代进行正向光栅扫描算法和反向光栅扫描算法，直至每个像素的D(x)非负且不再变化，则该值作为最终MBD显著图中每个像素的MBD值；

步骤4、计算图像边界对比度图Image Boundary Contrast，IBM：

取图像边框并划分为上下左右四个区域k∈{1,2,3,4}，计算每个区域的平均灰度和协方差矩阵Q_k，则其IBM图通过下式确定：

根据式归一化U_k，使每个区域的距离值位于(0,1)区间，获得四个区域的U_k值后，通过求和并减去最大u_k值消除背景区域中目标占据比例较大的区域的影响，该过程通过下式表达：

最后再次归一化U，令其最大值为1；

步骤5：将MBD显著图B与IBM图U进行相加，得到最终红外图像I的显著图；通过形态学闭运算，对显著图先膨胀后腐蚀，并对最后结果二值化；

步骤6：对二值化区域进行标记，令连通区域像素标记为同一记号，计算这些区域面积，取面积最大区域以排除误检测区域，画出外包矩形框，即得到最终目标区域。

有益效果

本发明提出的一种基于视觉注意机制的海上红外目标检测方法，首先引入最小障碍距离(Minimum Barrier Distance,MBD)计算红外图像像素间灰度特征的对比度得到图像显著图；然后利用背景先验知识提取背景像素来对显著图进一步优化，解决因目标触及图像边界而造成的显著性降低的问题；最后通过将两种显著图进行融合，并设定阈值分割目标区域，即得到检测的目标。通过快速MBD算法进行显著性目标检测，更好地抑制了海面波纹及天空云层形成的噪声而将目标均匀检测出来，提高了检测的准确性、鲁棒性、实时性。

本发明优点在于：仿真人类视觉的注意机制，可以仅利用目标在场景中的某类统计特性进行目标检测，而不需要目标先验信息。首先引入最小障碍距离(MBD)计算红外图像像素间灰度特征的对比度，相较其他距离度量，可以更好地抑制海面波纹及天空云层形成的噪声而将目标均匀检测出来；然后利用背景先验知识对显著图进行优化，可以解决因目标触及图像边界而造成的显著性降低的问题。

附图说明

图1：本发明方法流程图

图2：快速MBD光栅扫描算法检测示意图

a)四邻域示意图；

b)光栅扫描算法加速示意图。

图3：实验所选取的海上红外目标图像显著性检测结果图

a)原始红外图像；

b)基于光栅扫描算法的MB距离图；

c)基于背景先验知识的IBM显著图优化后结果图。

图4：显著图后处理结果及目标位置检测图

a)显著图闭操作并二值化结果；

b)目标位置检测结果图。

具体实施方式

现结合实施例、附图对本发明作进一步描述：

用于实施的硬件环境是：Intel(R)Core(TM)i3-2350M CPU,4GB RAM,2.30GHz，运行的软件环境是：Mat1abR2012a和Win7 64位操作系统。我们用Matlab语言编程实现了本发明提出的新算法。采用包括海上红外船只图像进行实验，图像尺寸从384×288到3086×2865大小不等。

本发明具体实施如下：

步骤1获取红外图像背景像素，并确定图像像素到背景像素路径：首先对输入图像I重新调整图像大小，使其最大像素数不超过300,，提取宽度为γ的边界区域作为背景像素。考虑到红外图像中的目标像素占比为30％～70％，选择γ＝30宽度的区域。对于红外单通道图像I。图像I上连接像素x和背景种子节点的路径π＝<π(0),...,π(k)>是以相邻4个元素连接的像素序列，k表示路径个数，相邻四对像素分别为像素x(i,j)的上(i,j+1)下(i,j-1)左(i-1,j)右(i+1,j)四个元素。

步骤2获取红外图像的正向光栅扫描显著图。利用最小障碍距离(MBD)衡量图像像素与背景像素的对比度得到显著图。根据4邻域结构，正向扫描图像中像素，在每个像素x到背景像素的路径中，获取经过邻域像素y的路径P(y)上的最大像素值U(y)和最小像素值L(y)。选取每个像素到背景像素中的最大U和最小L作为两个辅助图计算路径代价值。如果该值小于初始MBD值D(y)，则继续扫描，重复比较来更新路径代价值和MBD值，直到MBD值达到最大，即得到红外图像的显著图。具体步骤为：

步骤2.1获取辅助图U和L

以正向扫描顺序，即以从上到下，从左到右的顺序遍历输入的红外图像I的每一个像素。通过扫描获取像素x及其邻域的像素值，根据四邻域结构，令y表示x的邻域像素，P(y)表示分配于y的一条从x到背景像素的路径，计算在路径下的最大像素值U(y)和最小像素值L(y)。

步骤2.2计算路径代价β_I(P_y(x))

路径代价可以通过追踪当前路径中最大最小像素值的辅助图U、L获得。

β_I(P_y(x))＝max{U(x),I(x)}-min{L(y),I(x)}

在这里，令P_y(x)表示P(y)·<y,x>。P(y)为经过像素y的一条路径，<y,x>表示x到y的代价，所以P(y)·<y,x>就表示x的一条附加代价<y,x>的路径。

步骤2.3计算MBD值D(x)

首先将MBD值初始化0或∞，最终该值将通过迭代x上的最小化路径代价获得，该值定义为：

步骤2.4比较MBD值与路径代价值的大小，如果β_I(P_y(x))＜D(x)，则重复以上步骤，直至得到每个像素的最大MBD值，并以此作为红外图像的显著图。

步骤3获取红外图像的反向光栅扫描显著图。在获取正向光栅扫描方式计算得到的显著图后，通过反向光栅扫描算法重复计算红外图像的显著图。即按照从下到上，从右到左的顺序遍历输入的红外图像I的每一个像素。按照步骤2中，路径代价、MBD值以及辅助图U、L的计算公式，在反向扫描顺序下进行更新，直到获取每个像素的最大MBD值。

在本次反向光栅扫描算法后，再交叉迭代进行正向光栅扫描算法和反向光栅扫描算法，直至每个像素的D(x)非负且不再变化，则该值作为最终MBD显著图中每个像素的MBD值。

步骤4计算图像边界对比度图(Image Boundary Contrast，IBM)

取图像边框并划分为上下左右四个区域k∈{1,2,3,4}，计算每个区域的平均灰度和协方差矩阵Q_k，则其IBM图通过下式确定：

根据式归一化U_k，使每个区域的距离值位于(0,1)区间，获得四个区域的U_k值后，通过求和并减去最大u_k值消除背景区域中目标占据比例较大的区域的影响，该过程通过下式表达：

最后再次归一化U，令其最大值为1。

步骤5将MBD显著图B与IBM图U进行相加，得到最终红外图像I的显著图。通过形态学闭运算，对显著图先膨胀后腐蚀，并对最后结果二值化。

步骤6对二值化区域进行标记，令连通区域像素标记为同一记号，计算这些区域面积，取面积最大区域以排除误检测区域，画出外包矩形框，即可得到最终目标区域。

Claims (1)

1.一种基于视觉注意机制的海上红外目标检测方法，其特征在于步骤如下：

步骤1、获取红外图像背景像素，并确定图像像素到背景像素路径：首先对输入图像I重新调整图像大小，使其最大像素数不超过300，提取宽度为γ的边界区域作为背景像素；

所述γ的选择保证红外图像中的目标像素占比为30％～70％；

所述图像I上连接像素x和背景种子节点的路径π＝<π(0),...,π(k)>是以相邻4个元素连接的像素序列，k表示路径个数，相邻四对像素分别为像素x(i,j)的上(i,j+1)下(i,j-1)左(i-1,j)右(i+1,j)四个元素；

步骤2、获取红外图像的正向光栅扫描显著图：利用最小障碍距离MBD衡量图像像素与背景像素的对比度得到显著图，具体步骤为：

步骤2.1获取辅助图U和L：以正向扫描顺序，从上到下，从左到右的顺序遍历输入的红外图像I的每一个像素；通过扫描获取像素x及其邻域的像素值，根据四邻域结构，令y表示x的邻域像素，P(y)表示分配于y的一条从x到背景像素的路径，计算在路径下的最大像素值U(y)和最小像素值L(y)；

步骤2.2计算路径代价β_I(P_y(x))：路径代价通过追踪当前路径中最大最小像素值的辅助图U、L获得：

β_I(P_y(x))＝max{U(x),I(x)}-min{L(y),I(x)}

其中：P_y(x)表示P(y)·<y,x>，P(y)为经过像素y的一条路径，<y,x>表示x到y的代价，所以P(y)·<y,x>就表示x的一条附加代价<y,x>的路径；

步骤2.3计算MBD值D(x)：首先将MBD值初始化0或∞，最终该值将通过迭代x上的最小化路径代价获得，该值定义为：

<mrow> <mi>D</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>&amp;LeftArrow;</mo> <mi>m</mi> <mi>i</mi> <mi>n</mi> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mi>D</mi> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mtd> </mtr> <mtr> <mtd> <msub> <mi>&amp;beta;</mi> <mi>I</mi> </msub> <mo>(</mo> <mi>P</mi> <mo>(</mo> <mi>y</mi> <mo>)</mo> <mo>&amp;CenterDot;</mo> <mo>&lt;</mo> <mi>y</mi> <mo>,</mo> <mi>x</mi> <mo>&gt;</mo> <mo>)</mo> </mtd> </mtr> </mtable> </mfenced> <mo>;</mo> </mrow>

步骤2.4比较MBD值与路径代价值的大小，如果β_I(P_y(x))＜D(x)，则重复以上步骤，直至得到每个像素的最大MBD值，并以此作为红外图像的显著图；

步骤3、获取红外图像的反向光栅扫描显著图：在获取正向光栅扫描方式计算得到的显著图后，通过反向光栅扫描算法重复计算红外图像的显著图；

即按照从下到上，从右到左的顺序遍历输入的红外图像I的每一个像素；按照步骤2中，路径代价、MBD值以及辅助图U、L的计算公式，在反向扫描顺序下进行更新，直到获取每个像素的最大MBD值；

在反向光栅扫描方法后，再交叉迭代进行正向光栅扫描算法和反向光栅扫描算法，直至每个像素的D(x)非负且不再变化，则该值作为最终MBD显著图中每个像素的MBD值；

步骤4、计算图像边界对比度图Image Boundary Contrast，IBM：

取图像边框并划分为上下左右四个区域k∈{1,2,3,4}，计算每个区域的平均灰度和协方差矩阵Q_k，则其IBM图通过下式确定：

<mrow> <msubsup> <mi>u</mi> <mi>k</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msubsup> <mo>=</mo> <msqrt> <mrow> <mo>(</mo> <msubsup> <mi>x</mi> <mi>k</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msubsup> <mo>-</mo> <mover> <mi>x</mi> <mo>&amp;OverBar;</mo> </mover> <mo>)</mo> <msup> <mi>Q</mi> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msup> <msup> <mrow> <mo>(</mo> <msubsup> <mi>x</mi> <mi>k</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msubsup> <mo>-</mo> <mover> <mi>x</mi> <mo>&amp;OverBar;</mo> </mover> <mo>)</mo> </mrow> <mi>T</mi> </msup> </mrow> </msqrt> <mo>.</mo> </mrow>

根据式归一化U_k，使每个区域的距离值位于(0,1)区间，获得四个区域的U_k值后，通过求和并减去最大u_k值消除背景区域中目标占据比例较大的区域的影响，该过程通过下式表达：

<mrow> <msup> <mi>u</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msup> <mo>=</mo> <mrow> <mo>(</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mn>4</mn> </munderover> <msubsup> <mi>u</mi> <mi>k</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msubsup> <mo>)</mo> </mrow> <mo>-</mo> <munder> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> <mi>k</mi> </munder> <msubsup> <mi>u</mi> <mi>k</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msubsup> </mrow>

最后再次归一化U，令其最大值为1；

步骤5：将MBD显著图B与IBM图U进行相加，得到最终红外图像I的显著图；通过形态学闭运算，对显著图先膨胀后腐蚀，并对最后结果二值化；

步骤6：对二值化区域进行标记，令连通区域像素标记为同一记号，计算这些区域面积，取面积最大区域以排除误检测区域，画出外包矩形框，即得到最终目标区域。