CN108520255B - 一种红外弱小目标检测方法及装置 - Google Patents
一种红外弱小目标检测方法及装置 Download PDFInfo
- Publication number
- CN108520255B CN108520255B CN201810359993.XA CN201810359993A CN108520255B CN 108520255 B CN108520255 B CN 108520255B CN 201810359993 A CN201810359993 A CN 201810359993A CN 108520255 B CN108520255 B CN 108520255B
- Authority
- CN
- China
- Prior art keywords
- target
- gray
- image
- boundary
- ground object
- 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
Links
Images
Classifications
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/143—Sensing or illuminating at different wavelengths
Abstract
本发明涉及数据处理技术领域,提供了一种红外弱小目标检测方法及装置,该方法包括:使用最大最小滤波方法对采集的红外图像进行预处理,获得红外图像中高频分量;采用灰度投影方法结合最大类间方差法,对预处理后的红外图像中的天地分界线进行检测;根据天地分界线的检测结果去除地物目标;对去除地物目标之后的图像进行邻域能量空间分布特性分析以删除虚假目标。该装置包括:预处理单元、分界线检测单元、地物区域删除单元和邻域空间分析单元。本方案能够有效地排除地物复杂背景的干。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种红外弱小目标检测方法及装置。
背景技术
红外成像目标探测技术因实时性好、隐蔽性强以及抗干扰能力强等特点,被广泛应用于精确制导、探测告警等武器装备系统中。
实际应用中,要求探测系统应尽可能发现远距离目标,此时目标在视场中非常弱小,且复杂背景下,如云层干扰、地物干扰等,目标与背景的对比度低,背景中的干扰物极多,如何从众多干扰源中剔除伪目标,检测出真实目标,仍是图像处理需要攻克的难题。同时全空域搜索检测出目标,是后续对目标进行跟踪打击的前提与基础,提高检测概率,降低虚警率,具有重要意义。
当前国内外红外弱小目标检测主要方式为先滤波预处理,检测出疑似目标,后对疑似目标进行确认,剔除虚假目标,进而获得真实目标。剔除虚假目标主要方式有,目标信噪比、目标尺度和目标的时空相关性。这几种剔除虚假目标的方式,当空中存在云层干扰或者存在地物背景干扰时,无法剔除虚假目标,进而干扰了真实目标的检测。
发明内容
本发明要解决的技术问题在于,针对现有技术中弱小目标检测技术无法有效排除干扰的缺陷,提供了一种红外弱小目标检测方法及装置。
为了解决上述技术问题,本发明提供了一种红外弱小目标检测方法,包括:
使用最大最小滤波方法对采集的红外图像进行预处理,获得红外图像中高频分量;
采用灰度投影方法结合最大类间方差法,对预处理后的红外图像中的天地分界线进行检测;
根据天地分界线的检测结果去除地物目标;
对去除地物目标之后的图像进行邻域能量空间分布特性分析以删除虚假目标。
可选地,所述方法还包括:在进行邻域能量空间分布特性分析后,再进行目标纹理梯度分布特性分析以进一步删除虚假目标。
可选地,所述对预处理后的红外图像中的天地分界线位置进行检测,包括:
将所述预处理后的红外图像沿水平方向求灰度均值,得到与俯仰坐标有关的灰度分布;
采用最大类间方差法基于所述灰度分布确定行灰度投影峰值位置对应的行数作为天地分界线的位置。
可选地,所述根据天地分界线的检测结果去除地物目标,包括:
在检测到天地分界线时,根据行灰度投影峰值位置对应的行数确定地物目标估计区域,并在所述预处理后的红外图像中进行删除;
或者,
在未检测到天地分界线时,将所述预处理后的红外图像直接输出提供给后续步骤进行邻域能量空间分布特性分析。
可选地,所述根据行灰度投影峰值位置对应的行数确定地物目标估计区域,包括:
将根据行灰度投影峰值位置对应的行数下方的区域作为所述地物目标估计区域;
将根据行灰度投影峰值位置对应的行数加上预设的冗余行数作为边界行数,并将所述边界行数下方的区域作为所述地物目标估计区域。
可选地,所述预设的冗余行数为5。
可选地,所述对去除地物目标之后的图像进行邻域能量空间分布特性分析以删除虚假目标,包括:
计算所述去除地物目标之后的图像中候选目标的型心o,候选目标的方位俯仰尺寸,然后在原图相应位置计算九宫格灰阶分布,其中计算九个小格图像的灰度均值和灰度方差,每个小格的长宽根据候选目标的方位俯仰尺寸确定;
根据九个小格图像的灰度均值和灰度方差判断是否同时满足以下公式,是则确认当前候选目标为真实目标,否则认为虚假目标进行删除:
∑(gray_diffi)>=7;
∑(deta_diffi)>=7;
可选地,所述进行目标纹理梯度分布特性分析以进一步删除虚假目标,包括:
选择sobel算子,计算候选目标的梯度分布;
判断候选目标的梯度分布是否满足高斯分布,是则为真实目标,否则为虚假目标进行删除。
本发明还提供了一种红外弱小目标检测装置,包括:预处理单元、分界线检测单元、地物区域删除单元和邻域空间分析单元;
所述预处理单元,用于使用最大最小滤波方法对采集的红外图像进行预处理,获得红外图像中高频分量;
所述分界线检测单元,用于采用灰度投影方法结合最大类间方差法,对所述预处理单元预处理后的红外图像中的天地分界线进行检测;
所述地物区域删除单元,用于根据所述分界线检测单元获取到的天地分界线的检测结果去除地物目标;
所述邻域空间分析单元,用于对所述地物区域删除单元去除地物目标之后的图像进行邻域能量空间分布特性分析以删除虚假目标。
可选地,所述装置还包括:目标纹理分析单元,用于在邻域空间分析单元进行邻域能量空间分布特性分析后,再进行目标纹理梯度分布特性分析以进一步删除虚假目标。
可选地,所述分界线检测单元,用于执行如下操作:
将所述预处理后的红外图像沿水平方向求灰度均值,得到与俯仰坐标有关的灰度分布;
采用最大类间方差法基于所述灰度分布确定行灰度投影峰值位置对应的行数作为天地分界线的位置。
可选地,所述地物区域删除单元,用于执行如下操作:
在检测到天地分界线时,根据行灰度投影峰值位置对应的行数确定地物目标估计区域,并在所述预处理后的红外图像中进行删除;
或者,
在未检测到天地分界线时,将所述预处理后的红外图像直接输出提供给后续步骤进行邻域能量空间分布特性分析。
可选地,所述地物区域删除单元执行的所述根据行灰度投影峰值位置对应的行数确定地物目标估计区域,包括以下操作:
将根据行灰度投影峰值位置对应的行数下方的区域作为所述地物目标估计区域;
将根据行灰度投影峰值位置对应的行数加上预设的冗余行数作为边界行数,并将所述边界行数下方的区域作为所述地物目标估计区域。所述预设的冗余行数为5。
可选地,所述邻域空间分析单元,用于执行如下操作:
计算所述去除地物目标之后的图像中候选目标的型心o,候选目标的方位俯仰尺寸,然后在原图相应位置计算九宫格灰阶分布,其中计算九个小格图像的灰度均值和灰度方差,每个小格的长宽根据候选目标的方位俯仰尺寸确定;
根据九个小格图像的灰度均值和灰度方差判断是否同时满足以下公式,是则确认当前候选目标为真实目标,否则认为虚假目标进行删除:
∑(gray_diffi)>=7;
∑(deta_diffi)>=7;
可选地,所述目标纹理分析单元,用于执行如下操作:
选择sobel算子,计算候选目标的梯度分布;
判断候选目标的梯度分布是否满足高斯分布,是则为真实目标,否则为虚假目标进行删除。
实施本发明实施例提供的红外弱小目标检测方法及装置,至少具有如下有益效果:
1、本发明对采集的红外数据,使用最大最小滤波,去除平缓背景,获得图像中高频分量,随后采用灰度投影算法,找出天地分界线,根据天地分界线的检测结果去除地物目标,如对分界线以下部分,不进行检测,如此极大地排除了地物复杂背景的干扰。
2、本发明通过对目标邻域能量空间分布特性进行分析后,剔除了一部分虚假目标,对剩下的候选目标,可以使用目标纹理梯度分布特性进行分析,进一步降低虚警率,提高检测概率。
3、本发明可以在检测到天地分界线时,对天地分界线的位置进行调整,保证一定的冗余量,以避免误判,提供目标识别的准确性。
4、本发明充分分析了弱小目标在探测器中成像近似为点源目标,滤波后目标保持完整,而对于空中的干扰源云层,成像形状各异,滤波后可以得到云层的强边缘,形状不规则,因此可以利用滤波图得到可疑目标的位置与长宽尺度信息,然后在原图中对应位置计算可疑目标和邻域的整体灰阶分布九宫格,对可疑目标进行剔伪。
5、本发明分析了空中弱小目标呈点状分布,其能量从中心向边缘递减,因此灰阶分布也应呈同心圆由中心向边缘递减,故而在目标纹理梯度分布特性分析中通过判断目标梯度是否满足高斯分布,从而准确识别真实目标。
附图说明
图1是本发明实施例一所提供红外弱小目标检测方法的流程图;
图2是低空目标的红外图像;
图3是最大最小滤波预处理后得到的高频分量图;
图4是计算的灰度投影曲线图;
图5为九宫格示意图;
图6是本发明实施例五所提供红外弱小目标检测方法的流程图;
图7为目标的纹理分布示意图;
图8是本发明实施例六所提供红外弱小目标检测装置的示意图;
图9是本发明实施例七所提供红外弱小目标检测装置的示意图。
图中:801:预处理单元;802:分界线检测单元;803:地物区域删除单元;804:邻域空间分析单元;805:目标纹理分析单元。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
如图1所示,本发明实施例提供的红外弱小目标检测方法,可以包括以下步骤:
步骤S101:使用最大最小滤波方法对采集的红外图像进行预处理,获得红外图像中高频分量;
步骤S102:采用灰度投影方法结合最大类间方差法,对预处理后的红外图像中的天地分界线进行检测;
步骤S103:根据天地分界线的检测结果去除地物目标;
步骤S104:对去除地物目标之后的图像进行邻域能量空间分布特性分析以删除虚假目标。
本发明实施例提供的红外弱小目标检测方法,对采集的红外数据,使用最大最小滤波,去除平缓背景,获得图像中高频分量,目标和干扰噪声即为高频分量。随后采用灰度投影算法,找出天地分界线,根据天地分界线的检测结果去除地物目标,再针对剩余图像的候选目标进行特性分析,获得真实目标。
实施例二
在实施例一所提供红外弱小目标检测方法的基础上,步骤S102中对预处理后的红外图像中的天地分界线位置进行检测的过程,具体可以通过如下方式实现:
首先,将步骤S101预处理后的红外图像沿水平方向求灰度均值,得到与俯仰坐标有关的灰度分布;
随后,采用最大类间方差法基于所述灰度分布确定行灰度投影峰值位置对应的行数作为天地分界线的位置。
当针对低空或者超低空目标,如直升机,图像中不仅有真实目标,也会出现地物伪目标,如地面的人、车,地面的灌木等。由于地物极其复杂,干扰源类别和数目繁多,如此则很难判断目标的真伪。因此需要寻找天地的分界线,将天地分界线以下的候选目标直接删除。图2是低空目标的红外图像。图3是步骤S101最大最小滤波预处理后得到的高频分量图。图4是步骤S102中计算的灰度投影曲线图。图4中横轴为行数,纵轴为该行像素的灰度和投影值。由图4可以看出,曲线右侧有一个明显尖峰,即为天地分界线位置,使用最大类间方差法,即可得出天地分界线准确位置,即为行灰度投影峰值位置对应的行数400。
实施例三
在实施例二所提供红外弱小目标检测方法的基础上,步骤S103中根据天地分界线的检测结果去除地物目标的过程,具体可以通过如下方式实现:
在检测到天地分界线时,根据行灰度投影峰值位置对应的行数确定地物目标估计区域,并在所述预处理后的红外图像中进行删除;或者,在未检测到天地分界线时,则说明图像为纯天空背景,将所述预处理后的红外图像直接输出提供给后续步骤进行邻域能量空间分布特性分析。
该实施例中可以通过两种方式根据行灰度投影峰值位置对应的行数确定地物目标估计区域:
A1、将根据行灰度投影峰值位置对应的行数下方的区域作为所述地物目标估计区域。例如,直接将图3中行数400下方的区域即401~480作为地物目标估计区域,在红外图像中进行删除,只保留行像素1~400的图片区域。
A2、将根据行灰度投影峰值位置对应的行数加上预设的冗余行数作为边界行数,并将所述边界行数下方的区域作为所述地物目标估计区域。优选地,所述预设的冗余行数为5行。将求出的天地分界线的行数减去5,作为边界行数,并将所述边界行数下方的区域作为所述地物目标估计区域。如将图3中行数405下方的区域即406~480作为地物目标估计区域,在红外图像中进行删除,只保留行像素1~405的图片区域。
因此,本发明可以针对纯空中背景,干扰源为云层,使用特性分析,对候选目标进行分析,剔除虚假目标,获得真实目标;针对低空背景中的地物干扰,找到天地分界线,对天地分界线以下部分,视为地物,屏蔽该区域,对天地分界线以上部分,采用与纯空中背景相同的方式,实现真实目标的检测。
并且,在本发明的优选实施例中,可以在检测到天地分界线时,对天地分界线的位置进行调整,保证一定的冗余量,以避免误判,提供目标识别的准确性。
实施例四
在实施例一至三所提供红外弱小目标检测方法的基础上,步骤S104对去除地物目标之后的图像进行邻域能量空间分布特性分析以删除虚假目标的过程,具体可以通过如下方式实现:
B1:计算所述去除地物目标之后的图像(即滤波后图像)中候选目标的型心o,候选目标的方位俯仰尺寸w,h,然后在原图(即滤波前图像)相应位置计算九宫格灰阶分布,其中计算九个小格图像的灰度均值和灰度方差,每个小格的长宽根据候选目标的方位俯仰尺寸确定;例如,每个小格的长宽分别取w/3和h/3。
B2、根据九个小格图像的灰度均值和灰度方差判断是否同时满足以下公式(1)和(2),是则确认当前候选目标为真实目标,否则认为虚假目标进行删除:
∑(gray_diffi)>=7;(1)
∑(deta_diffi)>=7;(2)
mean5为九个小格的图像里中间格的灰度均值,meani为第i格的灰度均值,i=1,2,…,9,分别代表9个小格的编号;deta5为中间格的灰度方差,detai为第i格的灰度方差。
本发明通过最大最小滤波后,可以去除红外图像中平缓背景,得到目标或者云层边缘等高频分量。通过先验信息可知,弱小目标在探测器中成像近似为点源目标,滤波后目标保持完整,仍为点状目标,八邻域区域的灰阶分布与目标区域相比,灰度均值和灰度方差都小于目标区域。对于空中的干扰源云层,成像形状各异,滤波后可以得到云层的强边缘,形状不规则,极大概率不满足该特性。因此可以利用滤波图得到可疑目标的位置与长宽尺度信息,然后在原图中对应位置计算可疑目标和邻域的整体灰阶分布九宫格,对可疑目标进行剔伪。图5为九宫格示意图。
实施例五
在实施例四所提供红外弱小目标检测方法的基础上,还包括在进行邻域能量空间分布特性分析后,再进行目标纹理梯度分布特性分析以进一步删除虚假目标。
如图6所示,该实施例提供的红外弱小目标检测方法,可以包括以下步骤:
步骤S601:使用最大最小滤波方法对采集的红外图像进行预处理,获得红外图像中高频分量;
步骤S602:采用灰度投影方法结合最大类间方差法,对预处理后的红外图像中的天地分界线进行检测;该步骤已在实施例二中进行详细描述,在此不再赘述。
步骤S603:判断是否找到天地分界线,是则转步骤S604去除地物目标;否则转步骤S605;
步骤S604:根据天地分界线的检测结果去除地物目标;该步骤已在实施例三中进行详细描述,在此不再赘述。
步骤S605:对去除地物目标之后的图像进行邻域能量空间分布特性分析以删除虚假目标;该步骤已在实施例四中进行详细描述,在此不再赘述。
步骤S606:进行目标纹理梯度分布特性分析以进一步删除虚假目标。
上述步骤S606中所述进行目标纹理梯度分布特性分析以进一步删除虚假目标的过程,具体可以通过以下方式实现:
C1、选择sobel算子,计算候选目标的梯度分布;
C2、判断候选目标的梯度分布是否满足高斯分布,是则为真实目标,否则为虚假目标进行删除。
空中弱小目标呈点状分布,能量从中心向边缘递减,能量在图像上的表现形式为灰度,因此灰阶分布也应呈同心圆由中心向边缘递减,满足高斯分布。对于云层目标,为细长条带状分布,梯度分布不满足高斯分布。因此本发明选择sobel算子,计算目标的梯度分布,如公式3到公式4,取Gx和Gy的最大值,即为目标的梯度。如计算得到的目标梯度分布满足高斯分布,则为真实目标,否则为云层干扰,剔除虚假目标。目标的纹理分布示意图如图7,颜色越深代表灰阶越高,灰阶呈现高斯状分布,由目标中心向边缘递减。
Gx=G1-G2 (5)
G1=f(x-1,y+1)+2f(x,y+1)+f(x+1,y+1) (6)
G2=f(x-1,y-1)+2f(x,y-1)+f(x+1,y-1) (7)
Gy=G3-G4 (8)
G3=f(x-1,y+1)+2f(x+1,y)+f(x+1,y+1) (9)
G4=f(x-1,y-1)+2f(x,y-1)+f(x-1,y+1) (10)
上式中f()表示对应像素坐标的灰度值。
实施例六
如图8所示,本发明实施例提供的红外弱小目标检测装置,可以包括:预处理单元801、分界线检测单元802、地物区域删除单元803和邻域空间分析单元804;
预处理单元801,用于使用最大最小滤波方法对采集的红外图像进行预处理,获得红外图像中高频分量;该预处理单元801执行的操作与前述步骤S101相同,在此不再进行赘述;
分界线检测单元802,用于采用灰度投影方法结合最大类间方差法,对所述预处理单元801预处理后的红外图像中的天地分界线进行检测;该分界线检测单元802执行的操作与前述步骤S102相同,在此不再进行赘述;
地物区域删除单元803,用于根据所述分界线检测单元802获取到的天地分界线的检测结果去除地物目标;该地物区域删除单元803执行的操作与前述步骤S103相同,在此不再进行赘述;
邻域空间分析单元804,用于对所述地物区域删除单元803去除地物目标之后的图像进行邻域能量空间分布特性分析以删除虚假目标。该邻域空间分析单元804执行的操作与前述步骤S104相同,在此不再进行赘述。
实施例七
在实施例六所提供红外弱小目标检测装置的基础上,如图9所示,该装置还包括:目标纹理分析单元805,用于在邻域空间分析单元804进行邻域能量空间分布特性分析后,再进行目标纹理梯度分布特性分析以进一步删除虚假目标。该目标纹理分析单元805执行的操作与前述步骤S606相同,在此不再进行赘述。
另外需要说明的是,本发明实施例提供的红外弱小目标检测装置,可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。从硬件层面而言,优选地,本发明的图像信号处理器硬件平台采用TI公司生产的TMS320C6455DSP构建,并采用TMS320C6455DSP专用C语言编程实现,经编译后固化在图像信号处理器硬件上,加电后DSP自动加载程序运行。以软件实现为例,如图8和9所示,作为一个逻辑意义上的装置,是通过其所在设备的CPU将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。
综上所述,本发明实施例提供的红外弱小目标检测方法及装置,主要针对的是空中红外弱小目标的检测,由于目标非常弱小,因此极易受到背景噪声的干扰。为了能从众多干扰源中获得真实目标,需要分析真实目标特性,剔除虚假目标。因此,本发明首先使用灰度投影算法结合最大类间方差法,对天地分界线进行检测。天空背景相对干净,地物背景非常复杂,因此灰度投影在水平方向上具有明显的单峰性。通过对40张超低空红外图像进行分析,均能很好找到地物分界线。找到地物分界线后,对分界线以下部分,不进行检测,如此则极大得排除了地物复杂背景的干扰。
针对纯空中背景,首先对疑似目标的八邻域空间进行分析,空中目标,如飞机、无人机和导弹类目标,对目标区域以及其八邻域空间进行灰度均值和灰度的方差进行计算,目标的灰度均值和方差都大于其邻域区域。当某一候选目标不满足这一判断标准,则该候选目标为云层干扰或者探测器噪声,将其剔除。本发明针对真实目标,分析了100个目标及其八邻域空间的灰度均值和灰度方差,都满足公式(1)和(2),针对虚假目标,对100个负样本进行分析,负样本包括云层、路灯、树枝和电线杆等,均不满足公式(1)和(2)。
通过对目标邻域能量空间分布特性进行分析后,剔除了一部分虚假目标,对剩下的候选目标,可以使用目标纹理梯度分布特性进行分析。本发明对目标纹理梯度分布特性进行分析,100个真实目标均满足高斯分布;100个负样本,有3个满足,97个不满足,利用该目标特性,可以进一步降低虚警率,提高检测概率。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种红外弱小目标检测方法,其特征在于,包括:
使用最大最小滤波方法对采集的红外图像进行预处理,获得红外图像中高频分量;
采用灰度投影方法结合最大类间方差法,对预处理后的红外图像中的天地分界线进行检测;
根据天地分界线的检测结果去除地物目标;
对去除地物目标之后的图像进行邻域能量空间分布特性分析以删除虚假目标;
所述对去除地物目标之后的图像进行邻域能量空间分布特性分析以删除虚假目标,包括:
计算所述去除地物目标之后的图像中候选目标的型心o,候选目标的方位俯仰尺寸,然后在原图相应位置计算九宫格灰阶分布,其中计算九个小格图像的灰度均值和灰度方差,每个小格的长宽根据候选目标的方位俯仰尺寸确定;
根据九个小格图像的灰度均值和灰度方差判断是否同时满足以下公式,是则确认当前候选目标为真实目标,否则认为虚假目标进行删除:
∑(gray_diffi)>=7;
∑(deta_diffi)>=7;
所述方法还包括:在进行邻域能量空间分布特性分析后,再进行目标纹理梯度分布特性分析以进一步删除虚假目标;
所述进行目标纹理梯度分布特性分析以进一步删除虚假目标,包括:
选择sobel算子,计算候选目标的梯度分布;
判断候选目标的梯度分布是否满足高斯分布,是则为真实目标,否则为虚假目标进行删除。
2.根据权利要求1所述的方法,其特征在于,所述对预处理后的红外图像中的天地分界线位置进行检测,包括:
将所述预处理后的红外图像沿水平方向求灰度均值,得到与俯仰坐标有关的灰度分布;
采用最大类间方差法基于所述灰度分布确定行灰度投影峰值位置对应的行数作为天地分界线的位置。
3.根据权利要求2所述的方法,其特征在于,所述根据天地分界线的检测结果去除地物目标,包括:
在检测到天地分界线时,根据行灰度投影峰值位置对应的行数确定地物目标估计区域,并在所述预处理后的红外图像中进行删除;
或者,
在未检测到天地分界线时,将所述预处理后的红外图像直接输出提供给后续步骤进行邻域能量空间分布特性分析。
4.根据权利要求3所述的方法,其特征在于,所述根据行灰度投影峰值位置对应的行数确定地物目标估计区域,包括:
将根据行灰度投影峰值位置对应的行数下方的区域作为所述地物目标估计区域;
或者,
将根据行灰度投影峰值位置对应的行数加上预设的冗余行数作为边界行数,并将所述边界行数下方的区域作为所述地物目标估计区域。
5.根据权利要求4所述的方法,其特征在于,所述预设的冗余行数为5。
6.一种红外弱小目标检测装置,其特征在于,至少包括:预处理单元、分界线检测单元、地物区域删除单元和邻域空间分析单元;
所述预处理单元,用于使用最大最小滤波方法对采集的红外图像进行预处理,获得红外图像中高频分量;
所述分界线检测单元,用于采用灰度投影方法结合最大类间方差法,对所述预处理单元预处理后的红外图像中的天地分界线进行检测;
所述地物区域删除单元,用于根据所述分界线检测单元获取到的天地分界线的检测结果去除地物目标;
所述邻域空间分析单元,用于对所述地物区域删除单元去除地物目标之后的图像进行邻域能量空间分布特性分析以删除虚假目标;
所述邻域空间分析单元,用于执行如下操作:
计算所述去除地物目标之后的图像中候选目标的型心o,候选目标的方位俯仰尺寸,然后在原图相应位置计算九宫格灰阶分布,其中计算九个小格图像的灰度均值和灰度方差,每个小格的长宽根据候选目标的方位俯仰尺寸确定;
根据九个小格图像的灰度均值和灰度方差判断是否同时满足以下公式,是则确认当前候选目标为真实目标,否则认为虚假目标进行删除:
∑(gray_diffi)>=7;
∑(deta_diffi)>=7;
目标纹理分析单元,用于在邻域空间分析单元进行邻域能量空间分布特性分析后,再进行目标纹理梯度分布特性分析以进一步删除虚假目标;
所述目标纹理分析单元,用于执行如下操作:
选择sobel算子,计算候选目标的梯度分布;
判断候选目标的梯度分布是否满足高斯分布,是则为真实目标,否则为虚假目标进行删除。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810359993.XA CN108520255B (zh) | 2018-04-20 | 2018-04-20 | 一种红外弱小目标检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810359993.XA CN108520255B (zh) | 2018-04-20 | 2018-04-20 | 一种红外弱小目标检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108520255A CN108520255A (zh) | 2018-09-11 |
CN108520255B true CN108520255B (zh) | 2021-03-23 |
Family
ID=63429915
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810359993.XA Active CN108520255B (zh) | 2018-04-20 | 2018-04-20 | 一种红外弱小目标检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108520255B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109872347A (zh) * | 2019-03-19 | 2019-06-11 | 北京环境特性研究所 | 基于时空特性红外弱小目标检测方法 |
CN111444785B (zh) * | 2020-03-12 | 2023-08-01 | 南京莱斯电子设备有限公司 | 一种基于局部邻域特征的红外地物检测方法 |
CN111222511B (zh) * | 2020-04-13 | 2020-07-24 | 中山大学 | 一种红外无人机目标检测方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102222216A (zh) * | 2011-06-02 | 2011-10-19 | 天津理工大学 | 基于手指纹络生物特征的身份识别系统 |
CN103514587A (zh) * | 2013-09-24 | 2014-01-15 | 北京环境特性研究所 | 基于海天分界线检测的舰载稳像方法 |
-
2018
- 2018-04-20 CN CN201810359993.XA patent/CN108520255B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102222216A (zh) * | 2011-06-02 | 2011-10-19 | 天津理工大学 | 基于手指纹络生物特征的身份识别系统 |
CN103514587A (zh) * | 2013-09-24 | 2014-01-15 | 北京环境特性研究所 | 基于海天分界线检测的舰载稳像方法 |
Non-Patent Citations (2)
Title |
---|
A Modified Canny Algorithm for Detecting Sky-Sea Line in Infrared Images;Jun-wei Lu et al;《Sixth International Conference on Intelligent Systems Design and Applications》;20061018;第2卷;第289-294页 * |
海天背景下的空中红外弱小目标检测技术研究;李义;《中国优秀硕士学位论文全文数据库 信息科技辑》;20130215(第02期);第三章,第4.2.1,4.3小节,图4-6,4-1,4-2(a)(b) * |
Also Published As
Publication number | Publication date |
---|---|
CN108520255A (zh) | 2018-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108197604A (zh) | 基于嵌入式设备的快速人脸定位跟踪方法 | |
CN111666944B (zh) | 一种红外弱小目标检测方法及装置 | |
CN109086724B (zh) | 一种加速的人脸检测方法及存储介质 | |
CN108520255B (zh) | 一种红外弱小目标检测方法及装置 | |
CN112102409B (zh) | 目标检测方法、装置、设备及存储介质 | |
CN111598952B (zh) | 一种多尺度合作靶标设计与在线检测识别方法及系统 | |
Li et al. | Road lane detection with gabor filters | |
CN106910204B (zh) | 一种对海面船只自动跟踪识别的方法和系统 | |
Cheng et al. | Building boundary extraction from high resolution imagery and lidar data | |
CN110428442B (zh) | 目标确定方法、目标确定系统和监控安防系统 | |
CN115049700A (zh) | 一种目标检测方法及装置 | |
CN108052887A (zh) | 一种融合slam/gnss信息的疑似违法用地自动识别系统及方法 | |
CN110660065B (zh) | 一种红外故障检测识别算法 | |
CN111488808B (zh) | 基于交通违法图像数据的车道线检测方法 | |
CN112101374B (zh) | 基于surf特征检测和isodata聚类算法的无人机障碍物检测方法 | |
JP2000207693A (ja) | 車載用障害物検出装置 | |
CN112329764A (zh) | 一种基于tv-l1模型的红外弱小目标检测方法 | |
CN112288682A (zh) | 基于图像配准的电力设备缺陷定位方法 | |
CN111275733A (zh) | 基于深度学习目标检测技术实现多艘船舶快速跟踪处理的方法 | |
CN112465867B (zh) | 一种基于卷积神经网络的红外点目标实时检测跟踪方法 | |
CN113379639B (zh) | 一种复杂环境中红外目标抗干扰检测跟踪方法 | |
CN110827257B (zh) | 一种嵌入式机载红外图像视觉导航定位方法 | |
CN110322508B (zh) | 一种基于计算机视觉的辅助定位方法 | |
CN113962900A (zh) | 复杂背景下红外弱小目标检测方法、装置、设备及介质 | |
Zhou et al. | Research on improved hough algorithm and its application in lunar crater |
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 |