CN108062523B - 一种红外远小目标检测方法 - Google Patents

Abstract

本发明揭示了一种红外远小目标检测方法，包括稀疏残差计算步骤、结构相似性计算步骤、通过线性关系将稀疏残差和结构相似性信息融合，最终得到检测成像。本发明利用加权稀疏残差模型来重构远小目标，其次，通过区域协方差来分析目标和背景区域的结构相似性，最后将稀疏残差模型和结构相似性特征融合，有效地检测出实际目标并且排除虚假目标。对比以往的红外远小目标检测方法，本发明方法能够在复杂场景下对感兴趣的目标进行更加有效地检测。

Description

一种红外远小目标检测方法

技术领域

本发明涉及一种目标检测方法，尤其涉及一种红外远小目标检测方法，属于红外目标检测的技术领域。

背景技术

在计算机视觉和军事领域，红外远小目标检测是一个重要的研究热点。随着红外成像技术的发展，红外传感器已经可以获得高分辨率图像，从而为目标检测技术奠定了基础。但是在复杂的场景下，红外远小目标检测技术仍然面临着很大的挑战。文献一(Tom,Victor T.,Peli,Tamar.,Leung,May and Bondaryk,Joseph E.:’Morphology-basedalgorithm for point target detection in infraredbackgrounds’,Proc.SPIE,1993,pp.2-11)提出基于形态学的top-hot滤波器方法。文献二(Yang,L.,Yang,J and Yang,K.:’Adaptive detection for infrared smalltarget under sea-sky complexbackground’,Electronics Letters,2004,40(17),pp.1083-1085)采用自适应巴特沃斯高通滤波器。文献三(Gu,Yanfeng.,Wang,Chen.,Liu,BaoXue and Zhang,Ye.:’A kernel-basednonparametric regression method for clutter removal in infraredsmalltargetdetection applications’,Geoscience and Remote Sensing Letters,2010,7(3),pp.469-473)通过基于核函数的非参数回归方法实现背景预测和远小目标检测。文献四(Bae,Tae-Wuk.,Zhang,Fei and Kweon,In-So.:’Edge directional 2DLMSfilter for infrared small target detection’,Infrared Physics&Technology,2012,55(1),pp.137-145)采用边缘方向信息的最小均方滤波器。文献五(Li,Li.,Li,Hui.,Li,Tian and Gao,Feng.:’Infrared small target detectionin compressive domain’,Electronics Letters,2014,50(7),pp.510-512)提出一种新颖的基于压缩感知的红外远小目标检测方法。尽管如此，针对复杂场景下的红外远小目标检测问题仍然没有有效地解决方案。

发明内容

本发明的目的是解决上述现有技术的不足，复杂场景下红外远小目标检测仍然存在较大问题，提供一种红外远小目标检测方法。

为了达到上述目的，本发明所采用的技术方案为：

一种红外远小目标检测方法，包括如下步骤：

步骤一，稀疏残差计算步骤，

利用SLIC算法将红外图像分割成若干个区域块，

每个区域块用p＝{x,y,lu,g_x,g_y}表示，

其中，lu是亮度信息，g_x，g_y是梯度信息，x，y是像素点坐标，

红外图像表示为P＝[p₁,p₂,...,p_N]，N是区域块的数目，

从P中抽取出图像的边界分割块d作为基，构建背景模板集D＝[d₁,d₂,...,d_M]，

M是边界分割块的数目；

对分割图像进行编码，

λ是归一化参数，ω_i是分割块d_i的权值，

P(d_i)代表d_i的领域分割块，权值ω_i用来计算边界分割块d_i与其领域的相似性，

计算每一个分割块的正则化重建残差，

步骤二：结构相似性计算步骤，

记F为输入图像I的特征图像，Γ是一个映射函数，通过映射变换F＝Γ(I)将输入图像I中的每个像素映射为一个k维的特征向量，F中的一个区域q_i能够用一个k×k的协方差矩阵

表示，

其中q_u，u＝1,...,n表示区域q中k维的特征向量，μ代表这些特征向量的均值，

通过两个区域的协方差计算结构的相似性，

步骤三：通过线性关系将稀疏残差和结构相似性信息融合得到最终的检测表达式，

其中

t是融合的信息个数，S^t表示稀疏残差和结构相似性信息，

计算目标检测的结果

其中S_max是S的最大值，ε＝0.6为阈值。

本发明的有益效果主要体现在：

利用加权稀疏残差模型来重构远小目标，其次，通过区域协方差来分析目标和背景区域的结构相似性，最后将稀疏残差模型和结构相似性特征融合，有效地检测出实际目标并且排除虚假目标。对比以往的红外远小目标检测方法，本发明方法能够在复杂场景下对感兴趣的目标进行更加有效地检测。

附图说明

图1是本发明一种红外远小目标检测方法的原理示意图。

图2是采用本发明方法成像与传统成像的效果对比图。

具体实施方式

本发明提供一种红外远小目标检测方法。以下结合附图对本发明技术方案进行详细描述，以使其更易于理解和掌握。

目标与背景区域之间存在一些不同的表现形式，通常图像的边界被认为是背景区域，所以可以从图像的边界构建出背景的模板，那么通过稀疏表示的残差模型重建整幅图像。

本发明一种红外远小目标检测方法，如图1流程所示。

具体地，获取一幅红外图像，利用SLIC(Achanta,R.S,A.,Smith,K.,Lucchi,A.,Fua,P.,and

Lsstrunk,S.:‘SLIC Superpixels Compared to State-of-the-ArtSuperpixel Methods’,IEEE Trans.Pattern Anal.Mach.Intell.,2012,34,pp.2274-2282)算法将红外图像分割成多个区域块，每个分割块用p＝{x,y,lu,g_x,g_y}表示，lu是亮度信息，g_x，g_y是梯度信息，x，y是像素点坐标。所以整幅红外图像表示为P＝[p₁,p₂,...,p_N]，N是分块的数目。再从P中抽取出图像的边界分割块d作为基，构建背景模板集D＝[d₁,d₂,...,d_M]，M是边界分割块的数目。基于相同的背景模板基，计算目标区域和背景区域的稀疏残差，那么稀疏残差越大目标出现的可能性也越大。对分割图像进行编码定义，

λ是归一化参数，ω_i是分割块d_i的权值，

P(d_i)代表d_i的领域分割块。权值ω_i用来计算分割块d_i与其领域的相似性。大的权值ω_i将对非零输入α_i起抑制作用，当权值ω_i很小时，将α_i置零。对于背景模板，权值ω_i应该与图像的边界分割块的相似性成比例。最后计算每一个分割块的正则化重建残差，

通过正则化稀疏残差可以很容易地实现对目标区域的粗略检测。重建残差越大意味着该区域与背景区域的相似度越低，目标区域的可能性也就越大。

步骤二：通常，目标与背景区域总是具有不同的结构信息。本发明方法通过区域协方差来比较目标与背景区域的结构差异。记F为输入图像I的特征图像，那么F＝Γ(I)，Γ是一个映射函数，它将输入图像I中的每个像素映射为一个k维的特征向量。F中的一个区域q_i能够用一个k×k大小的协方差矩阵

表示，

其中q_u，u＝1,...,n表示区域q中k维的特征向量，μ代表这些特征向量的均值。本发明方法中取k＝5个特征(如x,y,lu,g_x,g_y)构建区域特征。通过两个区域的协方差计算结构的相似性，

计算两个协方差的相似性。协方差矩阵可以更好的描述图像的结构信息，有效地检测目标和背景区域的差异。与背景区域相比，含有目标区域的G值更高。

步骤三：通过线性关系将稀疏残差和结构相似性信息融合得到最终的检测表达式，

其中

t是融合的信息个数，S^t表示稀疏残差和结构相似性信息。本发明方法使用最小二乘估计(leastsquare estimator)学习模型计算线性系数，具体的求解方法为条件随机场(conditional random field)。最终，通过设置一个阈值来判断目标检测的结果，

其中S_max是S的最大值，ε＝0.6为阈值。

如图2所示，是采用本发明方法成像与传统成像的效果对比图，其中Inputs为原始输入红外图像，TH为top-hat滤波器检测方法成像，CD为压缩感知检测方法成像，Ours为本方法成像，A1～A4为四组对比。

通过以上描述可以发现，本发明一种红外远小目标检测方法，利用加权稀疏残差模型来重构远小目标，其次，通过区域协方差来分析目标和背景区域的结构相似性，最后将稀疏残差模型和结构相似性特征融合，有效地检测出实际目标并且排除虚假目标。对比以往的红外远小目标检测方法，本发明方法能够在复杂场景下对感兴趣的目标进行更加有效地检测。

以上对本发明的技术方案进行了充分描述，需要说明的是，本发明的具体实施方式并不受上述描述的限制，本领域的普通技术人员依据本发明的精神实质在结构、方法或功能等方面采用等同变换或者等效变换而形成的所有技术方案，均落在本发明的保护范围之内。

Claims (1)

1.一种红外远小目标检测方法，包括如下步骤：

步骤一，稀疏残差计算步骤

利用SLIC算法将红外图像分割成若干个区域块，

每个区域块用p＝{x,y,lu,g_x,g_y}表示，

其中，lu是亮度信息，g_x，g_y是梯度信息，x，y是像素点坐标，

红外图像表示为P＝[p₁,p₂,...,p_N]，N是区域块的数目，

从P中抽取出图像的边界分割块d作为基，构建背景模板集D＝[d₁,d₂,...,d_M]，

M是边界分割块的数目；

对分割图像进行编码，

λ是归一化参数，ω_i是分割块d_i的权值，

P(d_i)代表d_i的领域分割块，权值ω_i用来计算边界分割块d_i与其领域的相似性，

计算每一个分割块的正则化重建残差，

步骤二：结构相似性计算步骤

记F为输入图像I的特征图像，Γ是一个映射函数，通过映射变换F＝Γ(I)将输入图像I中的每个像素映射为一个k维的特征向量，F中的一个区域q_u能够用一个k×k的协方差矩阵

表示，

其中q_u，u＝1,...,n表示区域q中k维的特征向量，μ代表区域q中k维的特征向量的均值，

通过两个区域的协方差计算结构的相似性，

步骤三：通过线性关系将稀疏残差和结构相似性信息融合得到最终的检测表达式，

其中

t是融合的信息个数，S^t表示稀疏残差和结构相似性信息，

计算目标检测的结果

其中S_max是S的最大值，ε＝0.6为阈值。

Images