CN108898573B - 基于多方向环形梯度法的红外小目标快速提取方法 - Google Patents

基于多方向环形梯度法的红外小目标快速提取方法 Download PDF

Info

Publication number
CN108898573B
CN108898573B CN201810367621.1A CN201810367621A CN108898573B CN 108898573 B CN108898573 B CN 108898573B CN 201810367621 A CN201810367621 A CN 201810367621A CN 108898573 B CN108898573 B CN 108898573B
Authority
CN
China
Prior art keywords
sub
annular
area
region
target
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
CN201810367621.1A
Other languages
English (en)
Other versions
CN108898573A (zh
Inventor
邵晓鹏
李庆辉
王博洋
孙帅
陈星�
李拓
李召
赵小明
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 CN201810367621.1A priority Critical patent/CN108898573B/zh
Publication of CN108898573A publication Critical patent/CN108898573A/zh
Application granted granted Critical
Publication of CN108898573B publication Critical patent/CN108898573B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/11Region-based segmentation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/136Segmentation; Edge detection involving thresholding
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10048Infrared image

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于多方向环形梯度法的红外小目标快速提取方法,包括以下步骤:S1、选取待检测目标图像,根据待检测目标图像中的目标单元大小确定模板,将模板对应到待检测目标图像的检测窗口,其中模板为大小为M*M像素的窗口,其中M≤20;S2、将模板由内向外依次划分为第一环形区域、第二环形区域、第三环形区域,并且使得第二环形区域至少包含8个子像素;S3、将第二环形区域分割为8块连续的第一子区域,对应的,将第三环形区域分割为8块连续的第二子区域;S4、分别计算并对比第一环形区域、第一子区域、第二子区域内子像素的平均亮度值,判断模板对应的检测窗口是否存在目标单元。本发明方法能够提升检测准确度和检测效率。

Description

基于多方向环形梯度法的红外小目标快速提取方法
技术领域
本发明属于红外图像处理领域,具体涉及一种基于多方向环形梯度法的红外小目标快速提取方法。
背景技术
红外目标检测是计算机视觉中的一项重要分支。人类对红外目标检测技术的研究最初来源于对响尾蛇捕食机制的研究。响尾蛇的视觉系统非常迟钝,几乎对可见光刺激没有任何反应。但是由于响尾蛇对红外热源非常敏感,因此它可以很容易地捕获食物。响尾蛇的热源敏感器位于眼睛和鼻孔之间,该敏感器在收集小动物的热信号后,将其传递给大脑,之后大脑控制响尾蛇获取食物。受此启发,在20世纪40年代,人们研制出一种空对空导弹,它的红外敏感元件的材料使用硫化铅,对飞机的尾焰发射的红外辐射线非常敏感。当导弹上红外敏感器接收到红外辐射线后,在控制系统引导下对飞机尾部进行攻击。从此,世界各国都开始对红外目标检测技术进行研究。红外目标检测技术主要利用背景和目标之间的红外辐射差异来进行目标进行检测。红外目标检测系统是一种基于被动探测技术的光机电一体化系统,它具有隐蔽性好、抗干扰能力强等优点,被广泛地应用于红外告警和精确制导等武器装备系统中。对于军事领域而言,复杂背景下高效、鲁棒、可靠的小目标检测的研究是一项非常的技术,进行小目标检测和跟踪技术的研究对于提高在未来战争中的预警及反击能力具有很高的军事价值。除了军事领域,红外弱小目标的检测还可应用于工业控制、医疗事业、交通安全等民用领域。例如在医疗领域,如果能很好的利用红外检测技术及早的发现弱小病理细胞,进而及时治疗,则将会避免很多人间悲剧。在交通安全领域,如果能不受外在背景,天气的影响,自动检测跟踪感兴趣目标,则对人类的发展有划时代的意义。
在现有方案提出的一种基于多向梯度特征的红外目标检测方法中,红外图像的背景主要是大面积缓慢变化的低频成分。例如云、山、海面、船只和建筑物等,在空间上往往呈大面积的连续分布状态,在红外辐射的强度上也呈渐变过渡状态,从而使得背景红外图像在图像灰度空间分布上具有较大的相关性。红外小目标背景灰度对比度较低,且几何尺寸较小。目标的几何尺寸小到无法提取任何形状信息,通常只是一个亮点或亮斑,可利用的目标检测信息通常仅包括其灰度和运动信息。该算法以目标像素和背景像素的灰度梯度为基础,目标在红外图像中具有全向梯度特征,因此可根据该特征实现目标的检测。
在单帧图像中,定义待检测点和参考点之间的梯度为:
g(x,y,Δx,Δy)=f(x,y,k)-f(x+Δx,y+Δy)
式中(x,y)为待检点坐标;Δx,Δy分别为参考点与待检测点的坐标差。在待检测点周围8方向上选取8个参考点,分别记作f1,f2,f3,f4,f5,f6,f7,f8,用中心区域的f0分别与8方向的灰度值作差,求出8个方向的梯度差,计算可能出现以下几种情况:
1)若8个方向上的梯度值均较小,则认为该像素点为背景点;
2)若8个方向上的梯度值均较大,则认为该像素点为目标点;
3)若8个方向上的梯度值部分较大,则认为该像素点为背景的边缘,非目标像素点。
然而,该算法采用简单的多向梯度特征算法提取目标像素,在复杂背景下,疑似目标点很容易满足8方向的梯度条件,造成虚警率非常的高;其次检测效果非常依赖于模板算子的大小,单一的模板算子太大会造成目标的丢失,太小则会很容易将小块突出背景也识别为目标,造成误检,并且模板的选取过分依赖于目标的大小。
发明内容
为了解决现有技术中存在的上述问题,本发明提供了一种检测准确度高、检测效率高的基于多方向环形梯度法的红外小目标快速提取方法。本发明要解决的技术问题通过以下技术方案实现:
本发明实施例提供了一种基于多方向环形梯度法的红外小目标快速提取方法,包括以下步骤:
S1、选取待检测目标图像,根据所述待检测目标图像中的目标单元大小确定模板,将所述模板对应到待检测目标图像的检测窗口,其中所述模板为大小为M*M像素的窗口,其中M≤20;
S2、将所述模板由内向外依次划分为第一环形区域、第二环形区域、第三环形区域,并且使得所述第二环形区域至少包含8个子像素;
S3、将所述第二环形区域分割为8块连续的第一子区域,对应的,将所述第三环形区域分割为8块连续的第二子区域;
S4、分别计算并对比所述第一环形区域、所述第一子区域、第二子区域内子像素的平均亮度值,判断所述模板对应的检测窗口是否存在目标单元;
S5、根据所述模板循环遍历所述待检测目标图像,并对应执行所述步骤S2-S4,确定所述待检测目标图像中的所有目标单元。
在一个具体实施例中,所述步骤S1还包括:
当判断所述目标单元大小大于M时,通过降采样算法对所述待检测目标图像进行等比例缩小,使得缩小后的待检测目标图像中的目标单元大小小于或等于M。
在一个具体实施例中,根据所述模板循环遍历所述待检测目标图像为:以1像素为步长,横向或纵向移动所述模板,遍历每个所述检测窗口。
在一个具体实施例中,所述步骤S4包括:
S401、计算第一环形区域的平均亮度值m0、第一子区域中第i块区域的平均亮度值mi
S402、对比所述第一环形区域的平均亮度值m0和所述第一子区域中第i块区域的平均亮度值mi,得到第一亮度变化比值rate0i
S403、记录所述第一亮度变化比值rate0i大于第一预定亮度阈值R0i的数量个数n01
S404、当判断n01大于第一预定个数阈值N01时,判断该检测窗口存在目标单元,其中1≤i≤8。
在一个具体实施例中,所述第一亮度变化比值rate0i的计算公式为:
Figure GDA0001721205460000041
其中,m0为第一环形区域的平均亮度值,mi为第一子区域中第i块区域的平均亮度值。
在一个具体实施例中,所述步骤S4包括:
S411、计算第一环形区域的平均亮度值m0、第二子区域中第j块区域的平均亮度值mj
S412、对比所述第一环形区域的平均亮度值m0和所述第二子区域中第j块区域的平均亮度值mj,得到第二亮度变化比值rate0j
S413、记录所述第二亮度变化比值rate0j大于第二预定亮度阈值R0j的数量个数n02
S414、当判断n02大于第二预定个数阈值N02时,判断该检测窗口存在目标单元,其中1≤j≤8。
在一个具体实施例中,所述第二亮度变化比值rate0j的计算公式为:
Figure GDA0001721205460000051
其中,m0为第一环形区域的平均亮度值,mj为第二子区域中第j块区域的平均亮度值。
在一个具体实施例中,所述步骤S4包括:
S421、计算第一子区域中第i块区域的平均亮度值mi、第二子区域中第j块区域的平均亮度值mj
S422、对比所述第一子区域中第i块区域的平均亮度值mi和所述第二子区域中第j块区域的平均亮度值mj,得到第三亮度变化比值rateij
S423、记录所述第三亮度变化比值rateij大于第三预定亮度阈值Rij的数量个数n12
S424、当判断n12大于第三预定个数阈值N12时,判断该检测窗口存在目标单元,其中1≤i≤8,1≤j≤8。
在一个具体实施例中,所述第三亮度变化比值rateij的计算公式为:
Figure GDA0001721205460000052
其中,mi为第一子区域中第i块区域的平均亮度值,mj为第二子区域中第j块区域的平均亮度值。
与现有技术相比,本发明的有益效果:
1、本发明的基于多方向环形梯度法的红外小目标快速提取方法通过设置三个环形梯度,并对环形梯度内的子区域的平均亮度值两两对比,只需要对比很少的次数就能够得到准确的目标检测信息,提升了检测准确度和检测效率。
2、本发明的基于多方向环形梯度法的红外小目标快速提取方法对于较大的目标,通过降采样的方案对图片进行降维压缩,使得降维后的目标大小满足本发明的模板,克服了现有技术中模板的选择过分依赖目标大小的问题,使图像适配模板而不是模板适配图像。
附图说明
图1为本发明实施例提供的一种基于多方向环形梯度法的红外小目标快速提取方法流程图;
图2为本发明实施例提供的7*7模板的分块示意图;
图3为本发明实施例提供的11*11模板的分块示意图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述,但本发明的实施方式不限于此。
实施例一
请参见图1,图1为本发明实施例提供的一种基于多方向环形梯度法的红外小目标快速提取方法流程图,该方法应用于图像处理领域,用于在一幅图像中准确的寻找到预定目标,其中,该图像可以是红外图像,也可以是其他非红外图像,该方法包括以下步骤:
S1、选取待检测目标图像,根据所述待检测目标图像中的目标单元大小确定模板,将所述模板对应到待检测目标图像的检测窗口,其中所述模板为大小为M*M像素的窗口,其中M≤20;
S2、将所述模板由内向外依次划分为第一环形区域、第二环形区域、第三环形区域,并且使得所述第二环形区域至少包含8个子像素;
S3、将所述第二环形区域分割为8块连续的第一子区域,对应的,将所述第三环形区域分割为8块连续的第二子区域;
S4、分别计算并对比所述第一环形区域、所述第一子区域、第二子区域内子像素的平均亮度值,判断所述模板对应的检测窗口是否存在目标单元;
S5、根据所述模板循环遍历所述待检测目标图像,并对应执行所述步骤S2-S4,确定所述待检测目标图像中的所有目标单元。
其中,待检测目标图像即为需要寻找目标的原始图像,目标单元即为待寻找的目标,一般的待检测目标图像的像素大小一般较大,例如是一幅天空图片,目标单元的像素较小,例如是天空中的飞机,比如,待检测目标图像为200*200,目标单元可能只是10*10,当然,一幅图像中可能不止一个目标单元,本实施例就是去寻找待检测目标图像中的所有目标单元。
模板即为本实施例中计算的依据,只有模板的大小大于目标单元的大小时,模板才能至少覆盖该目标单元,才能使目标单元的边界都处于模板内,从而获取准确的数据,检测窗口为模板对应的待检测区域,例如模板大小为7*7,那么检测窗口的大小也为7*7,模板覆盖该检测窗口对该窗口内的子像素进行检测。
由于模板过大可能导致计算效率大大降低,因此本实施例模板的大小最大为20*20。
在一个实例中,以一幅200*200像素的图片为例,目标单元大小为6*6,选取7*7的模板进行计算。
将该7*7模板进行环形分割,如图2所示,第一环形区域0中的包含9个子像素,第二环形区域包含16个子像素,第三环形区域包含24个子像素,其中对第二环形区域进行分割,得到8块连续的第一子区域(参见图2中标号1-8),对第三环形区域进行分割,得到8块连续的第二子区域(参见图2中标号9-16),每个子区域的像素数量根据该环形区域的像素总数确定,子区域均分分配或非均匀分配。
为了更清楚的进行说明,再次以11*11模板进行举例。
将该11*11模板进行环形分割,如图3所示,第一环形区域0中的包含9个子像素,第二环形区域包含40个子像素,第三环形区域包含72个子像素,其中对第二环形区域进行分割,得到8块连续的第一子区域(参见图3中标号1-8),对第三环形区域进行分割,得到8块连续的第二子区域(参见图3中标号9-16),每个子区域的像素数量根据该环形区域的像素总数确定,子区域均分分配或非均匀分配。
在一个具体实施例中,根据所述模板循环遍历所述待检测目标图像为:以1像素为步长,横向或纵向移动所述模板,遍历每个所述检测窗口。
由于检测目标图像较大,为了遍历到每一块区域,因此需要进行循环遍历,例如如果第一次计算中,模板设置在图像的左上角,每计算一次结果,则将模板依次右移或下移一个像素的步长,再次进行计算,直到使模板覆盖计算完所有的图像区域。
在一个具体实施例中,所述步骤S1还包括:
当判断所述目标单元大小大于M时,通过降采样算法对所述待检测目标图像进行等比例缩小,使得缩小后的待检测目标图像中的目标单元大小小于或等于M。
由于目标单元可能比较大,因此进行降采样算法进行处理就能够满足本方案的模板需要,克服现有技术中模板过渡依赖目标单元大小的缺点,使目标单元去适配模板,例如,在一幅图像中,目标单元尺寸为68*68,远远大于本发明的17*17的模板,因此,通过降采样,压缩图像的长宽为原始的1/4,即缩小原图像16倍,最终得到的目标尺寸也对应的等比例缩小为17*17像素,满足计算要求。
现有的基于多方向梯度特征的目标检测效果非常依赖于模板算子的大小,单一的模板算子太大会造成目标的丢失,太小则会很容易将小块突出背景也识别为目标,造成误检。模板的选取过分依赖于目标的大小。
本发明的基于多方向环形梯度法的红外小目标快速提取方法对于较大的目标,通过降采样的方案对图片进行降维压缩,使得降维后的目标大小满足本发明的模板,克服了现有技术中模板的选择过分依赖目标大小的问题,使图像适配模板而不是模板适配图像。
实施例二
本实施例包括实施例1中的内容,还包括,所述步骤S4包括:
S401、计算第一环形区域的平均亮度值m0、第一子区域中第i块区域的平均亮度值mi
S402、对比所述第一环形区域的平均亮度值m0和所述第一子区域中第i块区域的平均亮度值mi,得到第一亮度变化比值rate0i
S403、记录所述第一亮度变化比值rate0i大于第一预定亮度阈值R0i的数量个数n01
S404、当判断n01大于第一预定个数阈值N01时,判断该检测窗口存在目标单元,其中1≤i≤8。
在一个具体实施例中,所述第一亮度变化比值rate0i的计算公式为:
Figure GDA0001721205460000091
其中,m0为第一环形区域的平均亮度值,mi为第一子区域中第i块区域的平均亮度值。
参考图2或图3的实例,即依次对比0和1、0和2…0和8,计算8次。
在一个具体实施例中,所述步骤S4包括:
S411、计算第一环形区域的平均亮度值m0、第二子区域中第j块区域的平均亮度值mj
S412、对比所述第一环形区域的平均亮度值m0和所述第二子区域中第j块区域的平均亮度值mj,得到第二亮度变化比值rate0j
S413、记录所述第二亮度变化比值rate0j大于第二预定亮度阈值R0j的数量个数n02
S414、当判断n02大于第二预定个数阈值N02时,判断该检测窗口存在目标单元,其中1≤j≤8。
在一个具体实施例中,所述第二亮度变化比值rate0j的计算公式为:
Figure GDA0001721205460000101
其中,m0为第一环形区域的平均亮度值,mj为第二子区域中第j块区域的平均亮度值。
参考图2或图3的实例,即依次对比0和9、0和10…0和16,计算8次。
在一个具体实施例中,所述步骤S4包括:
S421、计算第一子区域中第i块区域的平均亮度值mi、第二子区域中第j块区域的平均亮度值mj
S422、对比所述第一子区域中第i块区域的平均亮度值mi和所述第二子区域中第j块区域的平均亮度值mj,得到第三亮度变化比值rateij
S423、记录所述第三亮度变化比值rateij大于第三预定亮度阈值Rij的数量个数n12
S424、当判断n12大于第三预定个数阈值N12时,判断该检测窗口存在目标单元,其中1≤i≤8,1≤j≤8。
在一个具体实施例中,所述第三亮度变化比值rateij的计算公式为:
Figure GDA0001721205460000111
其中,mi为第一子区域中第i块区域的平均亮度值,mj为第二子区域中第j块区域的平均亮度值。
参考图2或图3的实例,即依次对比1和9、2和10…8和16,计算8次。
在优选的实施方式中,同时满足上述条件认为检测窗口存在目标单元,
即,同时满足n01>N01,n02>N02,n12>N12
本发明的基于多方向环形梯度法的红外小目标快速提取方法通过设置三个环形梯度,并对环形梯度内的子区域的平均亮度值两两对比,只需要对比24次就能够得到准确的目标检测信息,提升了检测准确度和检测效率。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。

Claims (9)

1.一种基于多方向环形梯度法的红外小目标快速提取方法,其特征在于,包括以下步骤:
S1、选取待检测目标图像,根据所述待检测目标图像中的目标单元大小确定模板,将所述模板对应到待检测目标图像的检测窗口,其中所述模板为大小为M*M像素的窗口,其中M≤20;
S2、将所述模板由内向外依次划分为第一环形区域、第二环形区域、第三环形区域,并且使得所述第二环形区域至少包含8个子像素;
S3、将所述第二环形区域分割为8块连续的第一子区域,对应的,将所述第三环形区域分割为8块连续的第二子区域;
S4、分别计算并对比所述第一环形区域、所述第一子区域、所述第二子区域内子像素的平均亮度值,判断所述模板对应的检测窗口是否存在目标单元;
S5、根据所述模板循环遍历所述待检测目标图像,并对应执行所述步骤S2-S4,确定所述待检测目标图像中的所有目标单元。
2.根据权利要求1所述的基于多方向环形梯度法的红外小目标快速提取方法,其特征在于,所述步骤S1还包括:
当判断所述目标单元大小大于M*M时,通过降采样算法对所述待检测目标图像进行等比例缩小,使得缩小后的待检测目标图像中的目标单元大小小于或等于M*M。
3.根据权利要求1所述的基于多方向环形梯度法的红外小目标快速提取方法,其特征在于,根据所述模板循环遍历所述待检测目标图像为:以1像素为步长,横向或纵向移动所述模板,遍历每个所述检测窗口。
4.根据权利要求1所述的基于多方向环形梯度法的红外小目标快速提取方法,其特征在于,所述步骤S4包括:
S401、计算第一环形区域的平均亮度值m0、第一子区域中第i块区域的平均亮度值mi
S402、对比所述第一环形区域的平均亮度值m0和所述第一子区域中第i块区域的平均亮度值mi,得到第一亮度变化比值rate0i
S403、记录所述第一亮度变化比值rate0i大于第一预定亮度阈值R0i的数量个数n01
S404、当判断n01大于第一预定个数阈值N01时,判断该检测窗口存在目标单元,其中1≤i≤8。
5.根据权利要求4所述的基于多方向环形梯度法的红外小目标快速提取方法,其特征在于,所述第一亮度变化比值rate0i的计算公式为:
Figure FDA0001637622900000021
其中,m0为第一环形区域的平均亮度值,mi为第一子区域中第i块区域的平均亮度值。
6.根据权利要求1所述的基于多方向环形梯度法的红外小目标快速提取方法,其特征在于,所述步骤S4包括:
S411、计算第一环形区域的平均亮度值m0、第二子区域中第j块区域的平均亮度值mj
S412、对比所述第一环形区域的平均亮度值m0和所述第二子区域中第j块区域的平均亮度值mj,得到第二亮度变化比值rate0j
S413、记录所述第二亮度变化比值rate0j大于第二预定亮度阈值R0j的数量个数n02
S414、当判断n02大于第二预定个数阈值N02时,判断该检测窗口存在目标单元,其中1≤j≤8。
7.根据权利要求6所述的基于多方向环形梯度法的红外小目标快速提取方法,其特征在于,所述第二亮度变化比值rate0j的计算公式为:
Figure FDA0001637622900000031
其中,m0为第一环形区域的平均亮度值,mj为第二子区域中第j块区域的平均亮度值。
8.根据权利要求1所述的基于多方向环形梯度法的红外小目标快速提取方法,其特征在于,所述步骤S4包括:
S421、计算第一子区域中第i块区域的平均亮度值mi、第二子区域中第j块区域的平均亮度值mj
S422、对比所述第一子区域中第i块区域的平均亮度值mi和所述第二子区域中第j块区域的平均亮度值mj,得到第三亮度变化比值rateij
S423、记录所述第三亮度变化比值rateij大于第三预定亮度阈值Rij的数量个数n12
S424、当判断n12大于第三预定个数阈值N12时,判断该检测窗口存在目标单元,其中1≤i≤8,1≤j≤8。
9.根据权利要求8所述的基于多方向环形梯度法的红外小目标快速提取方法,其特征在于,所述第三亮度变化比值rateij的计算公式为:
Figure FDA0001637622900000032
其中,mi为第一子区域中第i块区域的平均亮度值,mj为第二子区域中第j块区域的平均亮度值。
CN201810367621.1A 2018-04-23 2018-04-23 基于多方向环形梯度法的红外小目标快速提取方法 Active CN108898573B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810367621.1A CN108898573B (zh) 2018-04-23 2018-04-23 基于多方向环形梯度法的红外小目标快速提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810367621.1A CN108898573B (zh) 2018-04-23 2018-04-23 基于多方向环形梯度法的红外小目标快速提取方法

Publications (2)

Publication Number Publication Date
CN108898573A CN108898573A (zh) 2018-11-27
CN108898573B true CN108898573B (zh) 2021-11-02

Family

ID=64342334

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810367621.1A Active CN108898573B (zh) 2018-04-23 2018-04-23 基于多方向环形梯度法的红外小目标快速提取方法

Country Status (1)

Country Link
CN (1) CN108898573B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113643315B (zh) * 2021-07-22 2023-08-15 武汉大学 一种基于自适应峰值梯度下降滤波器的红外小目标检测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102254181A (zh) * 2011-07-06 2011-11-23 天津工业大学 多阶微分环形模板匹配跟踪方法
CN103208097A (zh) * 2013-01-29 2013-07-17 南京理工大学 图像多方向形态结构分组的主分量分析协同滤波方法
US8724850B1 (en) * 2011-06-21 2014-05-13 The United States Of America As Represented By The Secretary Of The Navy Small object detection using meaningful features and generalized histograms
CN104899866A (zh) * 2015-05-05 2015-09-09 河南三联网络技术有限公司 一种智能化的红外小目标检测方法
CN105184804A (zh) * 2015-10-12 2015-12-23 上海海大技术转移有限公司 基于机载红外相机航拍图像的海面小目标检测方法
CN105427286A (zh) * 2015-11-06 2016-03-23 中国电子科技集团公司第二十八研究所 一种基于灰度和梯度分割的红外目标检测方法
CN106980862A (zh) * 2017-03-17 2017-07-25 湘潭大学 一种圆形图像识别特征提取方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8724850B1 (en) * 2011-06-21 2014-05-13 The United States Of America As Represented By The Secretary Of The Navy Small object detection using meaningful features and generalized histograms
CN102254181A (zh) * 2011-07-06 2011-11-23 天津工业大学 多阶微分环形模板匹配跟踪方法
CN103208097A (zh) * 2013-01-29 2013-07-17 南京理工大学 图像多方向形态结构分组的主分量分析协同滤波方法
CN104899866A (zh) * 2015-05-05 2015-09-09 河南三联网络技术有限公司 一种智能化的红外小目标检测方法
CN105184804A (zh) * 2015-10-12 2015-12-23 上海海大技术转移有限公司 基于机载红外相机航拍图像的海面小目标检测方法
CN105427286A (zh) * 2015-11-06 2016-03-23 中国电子科技集团公司第二十八研究所 一种基于灰度和梯度分割的红外目标检测方法
CN106980862A (zh) * 2017-03-17 2017-07-25 湘潭大学 一种圆形图像识别特征提取方法及系统

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
An Anisotropic Detection Method of Dim-small Infrared Targets;Zhang qiang等;《Proceedings of SPIE》;20111208;第8003卷;第8003M-1-8003M-6页 *
一种改进的多向梯度红外小目标检测方法;徐胜航;《光学与光电技术》;20120430;第10卷(第2期);第89-92页 *
基于分类的红外云层背景弱小目标检测方法;李欣等;《光学学报》;20091130;第29卷(第11期);第3036-3042页 *
基于多向梯度背景预测的红外目标检测算法;李晓龙等;《现代电子技术》;20100615;第33卷(第12期);第103-106、110页 *
基于多方向梯度和形态学算法的红外弱小目标检测;李飞等;《光电技术应用》;20141031;第29卷(第5期);第38-41页 *
基于多步长梯度特征的红外弱小目标检测算法;万明等;《光学学报》;20111031;第31卷(第10期);第1011001-1-1011001-6页 *
基于局部均值的红外小目标检测算法;刘运龙等;《红外与激光工程》;20130331;第43卷(第3期);第814-822页 *
基于形态滤波与梯度检测的红外弱点目标检测技术研究;吴荣华等;《红外技术》;20070430;第29卷(第4期);第234-238页 *
序列图像的目标识别方法;修春波;《计算机工程与应用》;20071231;第43卷(第33期);第41-42、68页 *

Also Published As

Publication number Publication date
CN108898573A (zh) 2018-11-27

Similar Documents

Publication Publication Date Title
Song et al. Power line detection from optical images
Fernández-Caballero et al. Real-time human segmentation in infrared videos
US9031285B2 (en) Detection of floating objects in maritime video using a mobile camera
Liu et al. A contrario comparison of local descriptors for change detection in very high spatial resolution satellite images of urban areas
CN108731587A (zh) 一种基于视觉的无人机动态目标跟踪与定位方法
US10043279B1 (en) Robust detection and classification of body parts in a depth map
Lipschutz et al. New methods for horizon line detection in infrared and visible sea images
Jiang et al. Multiple pedestrian tracking using colour and motion models
CN111027496A (zh) 基于空时联合局部对比度的红外弱小目标检测方法
CN109697428B (zh) 基于rgb_d和深度卷积网络的无人机识别定位系统
KR20180096101A (ko) 지능형 적외선 대역 영상 융합 장치 및 방법
CN108986130A (zh) 一种空中背景下的红外弱小目标检测方法
CN107045630B (zh) 一种基于rgbd的行人检测和身份识别方法及系统
Khandhediya et al. Human detection for night surveillance using adaptive background subtracted image
CN108898573B (zh) 基于多方向环形梯度法的红外小目标快速提取方法
Lee et al. Infrared small target detection algorithm using an augmented intensity and density-based clustering
CN107145820B (zh) 基于hog特征和fast算法的双眼定位方法
Stets et al. Comparing spectral bands for object detection at sea using convolutional neural networks
Hashmani et al. A survey on edge detection based recent marine horizon line detection methods and their applications
CN109961637A (zh) 基于多子图融合与显著性分析的车辆检测装置及系统
CN116740988A (zh) 可见光和热成像相机的全时段桥梁自适应防船撞预警方法
CN108985216B (zh) 一种基于多元logistic回归特征融合的行人头部检测方法
Hadi et al. Fusion of thermal and depth images for occlusion handling for human detection from mobile robot
Yang et al. Method for building recognition from FLIR images
Shimizu et al. Development of a person-searching algorithm using an omnidirectional camera and LiDAR for the Tsukuba challenge

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