CN107590496A - 复杂背景下红外小目标的关联检测方法 - Google Patents
复杂背景下红外小目标的关联检测方法 Download PDFInfo
- Publication number
- CN107590496A CN107590496A CN201710844008.XA CN201710844008A CN107590496A CN 107590496 A CN107590496 A CN 107590496A CN 201710844008 A CN201710844008 A CN 201710844008A CN 107590496 A CN107590496 A CN 107590496A
- Authority
- CN
- China
- Prior art keywords
- target
- small
- image
- infrared
- detection method
- 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
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种复杂背景下红外小目标的关联检测方法,其特征步骤为1、分析灰色关联度与边缘定位加权的关联,研究自适应变分耦合的非均匀性校正方法,以降低图像鬼影效应,提高细节辨识度;2、分析目标尺寸与多尺度灰度差异极值的关联,研究多尺度灰度差异极值加权的局部图像熵增强方法,以增强图像局部对比度,突出小目标;3、分析场景分割阈值与目标轨迹复杂度的关联,研究时空域轨迹搜索的红外小目标检测技术,以自适应检测不同尺度的小目标。本发明丰富了小目标检测技术。该小目标的关联检测方法对提高实战系统的生存、反击及攻击能力,进而把握战场控制权,具有重要的应用价值与现实意义。
Description
技术领域
本发明涉及红外图像自适应变分耦合的非均匀性校正技术、红外图像预处理技术、以及小目标轨迹搜索技术,具体涉及在复杂背景下红外小目标的关联检测方法。
背景技术
本发明的背景技术涉及三个关键步骤与方法:研究自适应变分耦合的非均匀性校正方法、研究多尺度灰度差异极值加权的局部图像熵增强方法、研究时空域轨迹关联的小目标检测方法。
自适应变分耦合的非均匀性校正方法:
由于红外系统成像引入的非均匀性是影响红外成像质量的重要因素,使探测器输出的图像不能真实反映入射的场景信息。研究自适应变分耦合的非均匀性校正方法来减少固定图案噪声和提高细节辨识度。
多尺度灰度差异极值加权的局部图像熵增强方法:
由于小目标强度的衰减与大强度背景的存在,使目标常淹没在背景杂波中,引起目标信杂比低,不利于后续小目标的检测与跟踪。研究多尺度灰度差异极值加权的局部图像熵增强方法来保持小目标轮廓和突出小目标。
时空域轨迹关联的小目标检测方法:
由于场景图像的灰度分布非平稳和不均匀,小目标的数目未知性和尺寸变化性及小目标运动轨迹的不确定性,极易造成小目标的误检、漏检现象。研究时空域轨迹关联的小目标检测方法来稳健检测不同尺寸小目标。
发明内容
本发明的目的在于提供复杂背景下红外小目标的关联检测方法,分析灰色关联度与边缘定位加权的关联,以降低图像鬼影效应,提高细节辨识度;分析目标尺寸与多尺度灰度差异极值的关联,以增强局部对比度,突出小目标;以及研究时空域轨迹搜索的红外小目标检测技术,以自适应检测不同尺度的小目标。
通过研究自适应变分耦合的非均匀性校正方法、多尺度灰度差异极值加权的局部图像熵增强方法与时空域轨迹关联的小目标检测方法,识别小目标。本发明需要解决的关键科学问题如下:
(1)采用图像变分方法处理红外图像非均匀性问题使之既要突出边缘纹理细节又要去除固定图案噪声,以避免边缘和非边缘相邻区域且灰度值相近的像素点因变分演化产生较大差异的结果。因此,度量图像像素隶属边缘或非边缘区域程度成为拟解决的关键科学问题。该度量必须满足单调性以保证其对边缘信号的响应在边缘区域大于在非边缘区域和连续性以保证当从边缘区域过渡到非边缘区域,其数值是连续变化的。
(2)采用局部图像熵方法抑制背景杂波使之既要平滑结构化背景又要增强突变的目标信号,以避免与邻域背景杂波灰度近似的不同尺度小目标边缘模糊甚至被滤除,而影响后续的目标单帧检测及序列检测。因此,描述与目标尺寸关联的多尺度灰度差异极值成为拟解决的关键科学问题。该度量必须增强目标信杂比和保护目标的完整性以保证与目标大小接近。
(3)采用自适应阈值分割二值化处理与潜在目标标记方法关系到小目标检测的可靠性和高效性,以避免杂波伪目标对小目标检测的干扰。因此,度量与图像背景复杂度关联的阈值成为拟解决的关键科学问题。若阈值过大,就会滤除小目标,导致检测概率减小;阈值过小,就会引入过多的噪声点,导致虚警率增大,为小目标的确定带来困难。
本发明解决其技术问题所采用的技术方案为:复杂背景下红外小目标的关联检测方法,本发明的方法包括以下主要步骤:
(1)引入图像像素平滑调和度与像素灰色关联度,构建全变分正则化项和描述图像变化趋势相似度的趋势保真项,采用Split-Bregman迭代方法降低计算复杂度。
(2)引人多尺度灰度差异算子和局部图像熵算子,然后通过点积运算获取加权局部图像熵,通过一系列邻域空间变化,根据不同窗口取得一系列灰度差异,然后从中取出最大值,则该最大值求解所对应窗口尺寸与目标尺寸一致,从而保持目标轮廓的完整性。
(3)引入自适应阈值分割再聚类方法滤掉了图像中大部分低频信息以及大部分非目标高频点及噪声点,再结合相邻连续帧波门域小目标运动的连续性与邻近性原则,采用目标轨迹关联检测小目标。
本发明的优点是:(1)提出了自适应变分耦合的红外图像非均匀性校正方法,针对红外系统成像的非均匀性引入的固定图案噪声问题,分析场景灰色关联度与边缘定位加权的关联,提出自适应变分耦合的红外图像非均匀性校正方法,实现边缘的保护和噪声的去除,提高图像校正精度。
(2)提出时空域轨迹关联的小目标检测方法,针对场景灰度空域分布和小目标运动的不确定性引发的小目标漏检、误检问题,分析场景分割阈值与目标轨迹复杂度的关联,提出时空域轨迹关联的小目标检测方法,凸现及自适应检测不同尺寸小目标,增强小目标检测的稳健性。
附图说明
图1为本发明的红外小目标关联检测技术的研究方案;
图2为本发明的自适应变分耦合的非均匀性校正研究方法;
图3为本发明多尺度灰度差异极值加权的局部图像熵增强研究方法;
图4为本发明中时空域轨迹关联的小目标检测研究方法。
具体实施方式
本发明采用如图1所示的复杂背景下红外小目标关联检测技术的研究方案,其具体实施步骤如下:
(1)针对红外图像条纹非均匀性的几何特征,使自适应变分耦合方式既能约束图像水平方向的梯度,又能保护图像垂直方向的梯度,通过Split-Bregman迭代最小化变分模型,以降低计算复杂度。该研究方法如图2所示,建立自适应变分耦合模型,该模型的第一项是全变分正则化项,第二项描述图像变化趋势的相似度,称为趋势保真项,满足凸函数特性,其如式(1)所示。
其中
因此,
其中Gσ表示尺度为σ的高斯核函数,表示梯度,I0为校正前图像,I为校正后图像,λ为拉格朗日算子;α、β描述图像区域隶属边缘纹理还是平坦区域的程度,若在边缘处α趋近1,β趋近0,正则化项发挥主要扩散作用,能较好地保护边缘纹理细节,若在平坦区域α趋近0,β趋近1,趋势保真项发挥主要作用,去除平坦区域的噪声,满足0≤α≤1,0≤β≤1且α+β=1。
该模型无论是在图像的平坦区域还是边缘区域,由于趋势保真项的第一项是一个各向同性的扩散函数,保真项起到平滑噪声的作用。若校正结果是分段常数且分段常数区域趋势保真项值变大会反作用于图像的分段结果,使图像变成平滑函数,抑制图像的块状效应、条带噪声。
传统变分模型的最优化求解是通过先导出Euler-Lagrange扩散方程,然后用最陡梯度法进行寻优求解。该方法计算量大,计算复杂度高。为此,引入Split-Bregman迭代算法,通过算子分离转化成带约束条件的优化问题,然后将约束条件转化为罚函数加到目标函数中,从而又将带约束的优化问题转化为一系列的无约束优化子问题来求解,以提高最优化求解收敛速度。
引入辅助变量迭代参数w及添加罚函数项,将式(2)调整为式(3)。
通过Bregman迭代,Split-Bregman方法描述如式(4)所示。
(2)对于红外图像的背景而言,纹理特征是确定的。当图像中出现目标时,图像的纹理特征被破坏,引起局部纹理特征的强烈变化。利用小目标红外图像的内在特点,提出多尺度灰度差异算子和局部图像熵算子,然后通过点积运算获取加权局部图像熵,从而抑制背景杂波,增强不同尺寸小目标。该研究方法如图3所示,多尺度灰度差异算子用于描述图像在一系列邻域尺度空间的目标与背景的灰度差异值。若红外图像I任意像素(x0,y0),灰度为I(x0,y0),设置其最大邻域空间Ωmax,大小为Lmax×Lmax,定义像素(x0,y0)的一系列邻域空间Ωl,且l∈K,K={l|(2·l+1)≤Lmax}和(2·l+1)×(2·l+1)尺寸,则像素(x0,y0)的多尺度灰度差异算子如式(5)所示:
其中NΩl、NΩmax分别表示邻域Ωl、Ωmax内的像素数目。当邻域空间尺寸窗口与目标尺寸窗口一致,多尺度灰度差异算子获得极值。
将多尺度灰度差异算子模板在图像上从左到右、从上到下移动,通过极值求解获得多尺度灰度差异图。
对于红外图像I任意像素(x0,y0),设置其邻域空间Θ,m×n尺寸,则像素(x0,y0)的局部图像熵算子定义如下:
其中ε是很小的正常数。
当局部图像熵算子模板在图像上从左到右、从上到下移动,将获得局部图像熵图。然后,D和E进行点积运算,以获得加权局部图像熵图H,达到抑制红外图像背景和增强不同尺度小目标的目的,其数学表达如式(7)所示。
(3)采用自适应阈值分割再聚类方法滤掉了图像中大部分低频信息以及大部分非目标高频点及噪声点,得到潜在目标点。再结合相邻连续帧波门域小目标运动的连续性与邻近性原则,采用目标轨迹关联检测小目标。该研究方法如图4所示,图像经背景抑制后,采用自适应阈值分割再聚类,滤掉了大部分低频信息以及图像中的大部分非目标高频点及噪声,降低目标的检测干扰。自适应阈值T确定方法如式(8)所示。
T=γσ+mm (8)
其中γ与图像信噪比相关,σ为加权局部图像熵图H的标准差,mm为H的均值。
经阈值T分割提取出的目标点中可能仍包含高频噪声,对二值图像的每一个像素邻域进行统计,进一步剔除噪声。即若任意像素(x0,y0)在其3×3邻域内包含3个以上像素点大于给定阈值T则认为该点是属于潜在目标点,反之认为是噪声点而去除,其统计度量值通过式(9)得到,潜在目标点的判定由式(9)决定。为此,采用自适应阈值分割再聚类方法,减少假目标点集,以利于后续小目标轨迹搜索。
其中
则
为降低帧图像目标检测范围,提高目标区域的快速搜索,采用相邻多帧图像目标波门域联合搜索的预检测算法。具体的思路为:在潜在目标集合的波门区域寻求质心点迹,从而作为当前帧的目标点迹;然后,在相邻连续帧内,判断当前帧质心点迹在邻域波门能否检测出疑似点迹,以避免在大量无关区域搜索目标。由于小目标在帧间的运动具有连续性而噪声点不具有该性质的特点,若没有在邻域范围内检测到疑似点迹,则当前帧的质心点迹判定为假目标而去除;反之,判为小目标。
尽管小目标运动的不确定性现象,但是移动目标具有按照自己的轨迹变动且在相邻帧内具有连续性的特性,因此,根据相邻帧波门域目标点迹的运动方向,判定目标间的彼此对应关系,从而检测与识别不同小目标。
Claims (4)
1.复杂背景下红外小目标的关联检测方法,其特征是方法步骤如下:
(1)分析灰色关联度与边缘定位加权的关联,研究自适应变分耦合的非均匀性校正方法,将空间迭代形式转化为时间递推,以滤除固定图案噪声且提高校正收敛速度;
(2)分析目标尺寸与多尺度灰度差异极值的关联,研究具有良好泛化能力的红外图像预处理方法,以增强目标和保持目标尺寸的完整性;
(3)分析场景分割阈值与目标轨迹复杂度的关联,研究时空域轨迹搜索的红外小目标检测技术,抑制虚假目标点集,减少目标轨迹搜索范围,以提高小目标检测率。
2.根据权利要求1所述的一种复杂背景下红外小目标的关联检测方法,其特征在于:所述自适应变分耦合的红外图像非均匀性校正,该非均匀性校正模型引入图像像素平滑调和度与像素灰色关联度,构建全变分正则化项和描述图像变化趋势相似度的趋势保真项,采用Split-Bregman迭代方法降低计算复杂度,实现既能约束图像水平方向的梯度,又能保护图像垂直方向的梯度。
3.根据权利要求1所述的一种复杂背景下红外小目标的关联检测方法,其特征在于:所述多尺度灰度差异极值加权的局部图像熵增强,该局部图像熵增强方法引人多尺度灰度差异算子和局部图像熵算子,然后通过点积运算获取加权局部图像熵,从而抑制背景杂波,增强不同尺寸小目标。
4.根据权利要求1所述的一种复杂背景下红外小目标的关联检测方法,其特征在于:所述时空域轨迹搜索的红外小目标检测技术,该红外小目标检测技术采用自适应阈值分割再聚类方法滤除图像中大部分低频信息以及大部分非目标高频点及噪声点,再结合相邻连续帧波门域小目标运动的连续性与邻近性原则,寻求质心点迹,判断当前帧质心点迹在邻域波门能否检测出疑似点迹,以避免在大量无关区域搜索目标,若在邻域范围内未检测到疑似点迹,则当前帧的质心点迹判定为假目标而去除,反之,判定为小目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710844008.XA CN107590496A (zh) | 2017-09-18 | 2017-09-18 | 复杂背景下红外小目标的关联检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710844008.XA CN107590496A (zh) | 2017-09-18 | 2017-09-18 | 复杂背景下红外小目标的关联检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107590496A true CN107590496A (zh) | 2018-01-16 |
Family
ID=61048319
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710844008.XA Pending CN107590496A (zh) | 2017-09-18 | 2017-09-18 | 复杂背景下红外小目标的关联检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107590496A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109272489A (zh) * | 2018-08-21 | 2019-01-25 | 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 |
CN110033474A (zh) * | 2019-01-30 | 2019-07-19 | 西安天伟电子系统工程有限公司 | 目标检测方法、装置、计算机设备和存储介质 |
CN110084833A (zh) * | 2019-04-25 | 2019-08-02 | 北京计算机技术及应用研究所 | 一种基于自适应邻域判决技术的红外运动目标检测方法 |
CN111862006A (zh) * | 2020-06-30 | 2020-10-30 | 北京北方智图信息技术有限公司 | 一种小型飞行器的探测方法及装置 |
CN112288778A (zh) * | 2020-10-29 | 2021-01-29 | 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 |
CN112435249A (zh) * | 2020-11-30 | 2021-03-02 | 天津津航技术物理研究所 | 一种基于周扫红外搜索系统的动态小目标检测方法 |
CN112650146A (zh) * | 2020-12-18 | 2021-04-13 | 国家机床质量监督检验中心 | 一种数控机床多工况下故障诊断优化方法、系统及设备 |
CN113781368A (zh) * | 2021-11-12 | 2021-12-10 | 国科天成科技股份有限公司 | 基于局部信息熵的红外成像装置 |
CN117541495A (zh) * | 2023-09-04 | 2024-02-09 | 长春理工大学 | 一种自动优化模型权重的图像条纹去除方法、装置及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268844A (zh) * | 2014-10-17 | 2015-01-07 | 中国科学院武汉物理与数学研究所 | 一种基于加权局部图像熵的小目标红外图像处理方法 |
CN104657945A (zh) * | 2015-01-29 | 2015-05-27 | 南昌航空大学 | 复杂背景下多尺度时空联合滤波的红外小目标检测方法 |
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 |
CN105869156A (zh) * | 2016-03-25 | 2016-08-17 | 中国科学院武汉物理与数学研究所 | 一种基于模糊距离的红外小目标检测方法 |
CN106709497A (zh) * | 2016-11-16 | 2017-05-24 | 北京理工大学 | 一种基于pcnn的红外运动弱小目标检测方法 |
-
2017
- 2017-09-18 CN CN201710844008.XA patent/CN107590496A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268844A (zh) * | 2014-10-17 | 2015-01-07 | 中国科学院武汉物理与数学研究所 | 一种基于加权局部图像熵的小目标红外图像处理方法 |
CN104657945A (zh) * | 2015-01-29 | 2015-05-27 | 南昌航空大学 | 复杂背景下多尺度时空联合滤波的红外小目标检测方法 |
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 |
CN105869156A (zh) * | 2016-03-25 | 2016-08-17 | 中国科学院武汉物理与数学研究所 | 一种基于模糊距离的红外小目标检测方法 |
CN106709497A (zh) * | 2016-11-16 | 2017-05-24 | 北京理工大学 | 一种基于pcnn的红外运动弱小目标检测方法 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109272489A (zh) * | 2018-08-21 | 2019-01-25 | 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 |
CN110033474A (zh) * | 2019-01-30 | 2019-07-19 | 西安天伟电子系统工程有限公司 | 目标检测方法、装置、计算机设备和存储介质 |
CN110033474B (zh) * | 2019-01-30 | 2021-09-03 | 西安天伟电子系统工程有限公司 | 目标检测方法、装置、计算机设备和存储介质 |
CN110084833A (zh) * | 2019-04-25 | 2019-08-02 | 北京计算机技术及应用研究所 | 一种基于自适应邻域判决技术的红外运动目标检测方法 |
CN111862006A (zh) * | 2020-06-30 | 2020-10-30 | 北京北方智图信息技术有限公司 | 一种小型飞行器的探测方法及装置 |
CN112288778A (zh) * | 2020-10-29 | 2021-01-29 | 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 |
CN112435249B (zh) * | 2020-11-30 | 2024-04-16 | 天津津航技术物理研究所 | 一种基于周扫红外搜索系统的动态小目标检测方法 |
CN112435249A (zh) * | 2020-11-30 | 2021-03-02 | 天津津航技术物理研究所 | 一种基于周扫红外搜索系统的动态小目标检测方法 |
CN112650146A (zh) * | 2020-12-18 | 2021-04-13 | 国家机床质量监督检验中心 | 一种数控机床多工况下故障诊断优化方法、系统及设备 |
CN112650146B (zh) * | 2020-12-18 | 2021-11-19 | 国家机床质量监督检验中心 | 一种数控机床多工况下故障诊断优化方法、系统及设备 |
CN113781368A (zh) * | 2021-11-12 | 2021-12-10 | 国科天成科技股份有限公司 | 基于局部信息熵的红外成像装置 |
CN113781368B (zh) * | 2021-11-12 | 2022-01-21 | 国科天成科技股份有限公司 | 基于局部信息熵的红外成像装置 |
CN117541495A (zh) * | 2023-09-04 | 2024-02-09 | 长春理工大学 | 一种自动优化模型权重的图像条纹去除方法、装置及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107590496A (zh) | 复杂背景下红外小目标的关联检测方法 | |
CN106127148B (zh) | 一种基于机器视觉的手扶电梯乘客异常行为检测方法 | |
CN108805904B (zh) | 一种基于卫星序列图像的运动舰船检测与跟踪方法 | |
CN108629775A (zh) | 一种热态高速线材表面图像处理方法 | |
CN104657945A (zh) | 复杂背景下多尺度时空联合滤波的红外小目标检测方法 | |
CN108876820B (zh) | 一种基于均值漂移的遮挡条件下移动目标追踪方法 | |
CN102598057A (zh) | 自动对象识别、然后根据对象形状进行对象跟踪的方法和系统 | |
TWI415032B (zh) | Object tracking method | |
CN106204570B (zh) | 一种基于非因果分数阶梯度算子的角点检测方法 | |
CN108154087A (zh) | 一种基于特征匹配的红外人体目标检测跟踪方法 | |
CN107609571B (zh) | 一种基于lark特征的自适应目标跟踪方法 | |
CN110400294B (zh) | 一种红外目标探测系统及探测方法 | |
Lian et al. | A novel method on moving-objects detection based on background subtraction and three frames differencing | |
CN109754440A (zh) | 一种基于全卷积网络和均值漂移的阴影区域检测方法 | |
CN105405138A (zh) | 基于显著性检测的水面目标跟踪方法 | |
CN111091111A (zh) | 一种车底危险目标识别方法 | |
CN108647693B (zh) | 一种基于二元显著性特征的海面红外目标检测方法 | |
Fu et al. | Infrared sea-sky line detection utilizing self-adaptive Laplacian of Gaussian filter and visual-saliency-based probabilistic Hough transform | |
CN113205494B (zh) | 基于自适应尺度图像块加权差测量的红外小目标检测方法和系统 | |
CN111428573A (zh) | 一种复杂背景下的红外弱小目标检测虚警抑制方法 | |
CN108765463B (zh) | 一种结合区域提取与改进纹理特征的运动目标检测方法 | |
CN109102520A (zh) | 基于模糊均值聚类与卡尔曼滤波跟踪相结合的运动目标检测方法 | |
CN108205814B (zh) | 彩色图像的黑白轮廓生成方法 | |
CN111192280A (zh) | 一种基于局部特征的视盘边缘检测方法 | |
CN114926524B (zh) | 一种用于提高烟幕红外有效遮蔽面积测量精度的方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180116 |
|
WD01 | Invention patent application deemed withdrawn after publication |