CN108986130B - 一种空中背景下的红外弱小目标检测方法 - Google Patents
一种空中背景下的红外弱小目标检测方法 Download PDFInfo
- Publication number
- CN108986130B CN108986130B CN201810768557.8A CN201810768557A CN108986130B CN 108986130 B CN108986130 B CN 108986130B CN 201810768557 A CN201810768557 A CN 201810768557A CN 108986130 B CN108986130 B CN 108986130B
- Authority
- CN
- China
- Prior art keywords
- filter
- representing
- local contrast
- scale
- image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000001514 detection method Methods 0.000 claims abstract description 25
- 230000011218 segmentation Effects 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000001629 suppression Effects 0.000 abstract description 4
- 230000002401 inhibitory effect Effects 0.000 abstract description 2
- 238000011160 research Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种空中背景下的红外弱小目标检测方法。本发明针对红外图像,首先利用多方向高提升滤波器对目标区进行提升;再在特定方向上计算多尺度局部差分图,抑制云杂波干扰同时提升算法的鲁棒性;然后根据特定方向的多尺度局部差分图计算该方向的局部对比图;再利用所有方向的局部对比图在对应像素上取最小值得到HB‑MLCMD响应图;最后Otsu算法阈值分割输出最终的检测结果。该方法考虑到了多个方向上的云层杂波干扰,因此有着性能良好的抑制云杂波效果,有效降低弱小目标检测的虚警率,提高算法鲁棒性。并且该方法支持并行运算,有较高的实时性。
Description
技术领域
本发明涉及红外图像处理及目标检测领域,具体涉及一种空中背景下的红外弱小目标检测方法。
背景技术
近年来,红外小目标检测作为关键技术已被广泛应用于早期预警系统,精确制导武器,导弹跟踪系统和海事监视系统等领域。空中目标是指高度约10~100km之间的各种类型的分飞行器(如飞机和战术导弹等)。一方面,由于探测距离远,空中背景下的红外图像中目标主要集中在一个小的灰点,缺乏明显的形状和纹理特征;另一方面,空中背景下的红外小目标被复杂的云层杂波包围,目标与其周围背景杂波之间的对比度通常很低。因此,这些影响使得空中背景下的红外小目标检测成为具有挑战性的任务。目前,已经提出了许多用于红外小目标检测的最新方法。但是,当面临混乱的背景时,这些方法不能很好地发挥作用。因此,临近空间或对空探测系统中的红外弱小目标检测领域受到了很多关注。
在国外,对红外弱小目标检测的主要研究机构有美国的海军实验室、空军实验室、NASA以及加利福尼亚大学应用数学中心等。许多国际刊物也经常刊登一些红外弱小目标检测技术的研究成果。国际光学工程学会(SPIE)从1989年开始,几乎每年都会举办有关弱小目标检测技术的国际会议,研讨弱小目标检测技术的最新研究成果。
在国内,我国在弱小目标检测技术方面进行了大量的投入,已初具规模,但仍然与国外最先进的技术差距较大。国内在弱小目标检测方面的相关研究机构有很多,其中研究的重点集中在红外预警系统、机载前下视系统对地面及低空目标的监测、红外制导等领域。一些国内期刊也经常发表一些与弱小目标监测相关的研究成果。
在实际应用中,当前最先进的小目标检测方法可以简单地分为两类:跟踪前检测(TBD)方法和检测前跟踪(DBT)方法。TBD方法通常处理多个帧来估计目标,同时需要事先知道目标。三维匹配(定向)滤波器能够以恒定速度检测运动目标,这需要关于目标形状和速度的知识。提出了三维双向滤波器和改进的三维方向滤波器,以提高检测弱目标的能力。这些方法需要关于最大目标速度的先验知识。此外,已经提出了基于修改的偏微分方程或支持向量机的一些方法,其中背景被抑制在单个图像中,然后通过使用多帧累积或自相关来删除虚警。
与TBD方法相比,DBT方法具有几个优点,例如更短的计算时间和更少的假设和先验知识要求。因此,这种方法已经引起了很多关注。这种方法可以有效的抑制背景,提亮目标。诸如顶帽法,中值滤波法,最大均值法和最大中值法方法被广泛用于减少背景杂波、突出目标。然而,顶帽法对噪声敏感。还有基于人类视觉系统的一系列方法,该系统认为人类能够发觉图像中的弱小目标是由于目标周围的局部对比度,而不是目标区域的亮度。其中有代表性的有局部对比方法(LCM)、快速显著性方法、高斯差分方法、局部相关对比方法等。但是局部对比方法运算复杂度很高,处理速度慢。而且这些方法在处理复杂背景时不能很好的压制背景,从而导致虚警率较高、鲁棒性比较差。
发明内容
本发明针对红外成像系统背景云层杂波多变、弱小目标面积小、信噪比低等难题,本发明提供一种空中背景下的红外弱小目标检测方法。
为了解决上述技术问题,本发明采用如下技术方案:
一种空中背景下的红外弱小目标检测方法,包括如下步骤:
步骤1:输入一幅大小为m×n的待处理红外图像;
步骤2:构造八方向的高提升滤波器和多尺度局部对比度滤波器;
步骤3:根据高提升滤波器对红外图像在八个方向分别进行高提升处理,得到IIHBFi∈Rm×n,i=1,2,…,8,并根据多尺度局部对比度滤波器分别计算在八个方向的局部对比图Ci∈Rm×n,i=1,2,…,8;
步骤4:取所有局部对比图中每个位置的像素的最小值,生成基于高提升的多方向多尺度的局部对比图HB-MLCMD∈Rm×n;
步骤5:对步骤4得到的局部对比图HB-MLCMD∈Rm×n进行阈值分割,得到二值图并输出检测结果。
具体地,所述步骤2的具体为:
构造了如下所示的八个方向的滤波器Filter(2n+1,2n+1),滤波器的尺寸为[2n+1,2n+1],n={0,1,2,…}:
上述公式中,i和j表示当前像素位置的行数和列数;
高提升滤波器H=Filter(rh,rh),其中,rh表示滤波器的行尺寸和列尺寸;
具体地,所述步骤3的具体步骤为:
步骤3.1:根据如下公式,对输入红外图像I(x,y)在各个方向上进行平滑处理:
Imi=Hi*I (24)
步骤3.2:根据如下公式,对图像在各个方向上进行高提升滤波:
其中,I0代表原始图像,Imi代表在第i个方向上均值滤波得到的平滑图像,IIHBFi表示在第i个方向上的高提升图像;
步骤3.3:定义目标区域和背景区域,两个区域有同一中心;
步骤3.4:局部差分图的计算公式如下:
步骤3.5:根据如下公式计算局部对比图Ci:
具体地,所述步骤4的具体步骤为:
根据公式:
用C值代替当前像素值,生成基于高提升的多尺度多方向的局部对比图。
优选地,所述步骤5中阈值分割的算法为OTSU算法。
采用上述方案后,本发明的有益效果如下:
本发明考虑到了多个方向上的杂波干扰,因此有着非常优秀的抑制杂波的效果,有效的降低了虚警率,提高了算法鲁棒性。并且该方法支持并行运算,有较高的实时性。
附图说明
图1为本发明的一种空中背景下的红外弱小目标检测方法的流程图;
图2为本发明实施例中提出的r=5时八方向滤波器示意图;
图3为本发明实施例一采用的红外图像;
图4为本发明实施例一在H1高提升滤波的处理结果;
图5为本发明实施例一在方向i=1时的局部对比图;
图6为本发明实施例一的HB-MLCMD图;
图7为本发明实施例一的红外弱小目标检测结果;
图8为本发明在一个序列中的ROC曲线对比;
图9为本发明在一个序列中的SCR Gain和BSF对比。
具体实施方式
下面将结合附图及具体实施方式对本发明作进一步的描述。
如图1所示,本发明的一种空中背景下的红外弱小目标检测方法,包括如下步骤:
步骤1:输入一幅大小为m×n的待处理红外图像I(x,y);
构造如下所示的八个方向的滤波器Filter(2n+1,2n+1),滤波器的尺寸为[2n+1,2n+1],n={0,1,2,…}:
上述公式中,i和j表示当前像素位置的行数和列数;高提升滤波器H=Filter(rh,rh),其中,rh表示滤波器的行尺寸和列尺寸;多尺度局部对比度滤波器包括背景区域滤波器和目标区域滤波器两个部分,其中背景区域滤波器Sb=Filter(rb,rb),rb表示背景区域的尺寸,目标区域滤波器rk表示目标区域的尺寸。
步骤3:对红外图像I(x,y)在第i个方向进行高提升处理,得到IIHBFi∈Rm×n,i=1,2,…,8,并计算局部对比图Ci∈Rm×n,i=1,2,…,8;具体步骤包括:
步骤3.1:根据如下公式,对输入红外图像I(x,y)在第i个方向上进行平滑处理:
Imi=Hi*I (9)
步骤3.2:根据如下公式,对图像在第i个方向上进行高提升滤波:
其中,I0代表原始图像,Imi代表在第i个方向上均值滤波得到的平滑图像,IIHBFi表示在第i个方向上的高提升图像。
步骤3.3:定义目标区域和背景区域,两个区域有同一中心,并且目标区域半径大于背景区域半径,目标区域指内框中的部分,背景区域指外框与内框的中间部分;
步骤3.4:局部差分图的计算公式如下
步骤3.5:局部对比图计算公式如下:
步骤4:根据步骤3的结果在八个方向的局部对比图的每个像素位置取最小值,生成基于高提升的多尺度多方向局部对比图HB-MLCMD∈Rm×n;
根据公式:
用C值代替当前像素值,生成多尺度多方向的局部对比(HB-MLCMD)图。
步骤5:对局部对比图HB-MLCMD∈Rm×n进行阈值分割,得到二值图并输出检测结果;具体包括:
步骤5.1:阈值计算方式:OTSU算法;
步骤5.2:将HB-MLCMD图进行阈值分割并输出结果。
实施例一
步骤1:输入一幅大小为m×n的待处理红外图像I(x,y),如图3所示;
如图2所示,构造如下所示的八个方向的滤波器Filter(2n+1,2n+1),滤波器的尺寸为[2n+1,2n+1],n={0,1,2,…}:
上述公式中,i和j表示当前像素位置的行数和列数;高提升滤波器H=Filter(rh,rh),其中,rh表示滤波器的行尺寸和列尺寸。多尺度局部对比度滤波器包括背景区域滤波器和目标区域滤波器两个部分,其中背景区域滤波器Sb=Filter(rb,rb),目标区域多尺度滤波器在本实施例中,高提升滤波器直径rh=5,背景区域滤波器直径rb=15,目标区域多尺度滤波器直径rk=3,5,7,9,K=4。
步骤3:对红外图像I(x,y)在第i个方向进行高提升处理,得到IIHBFi∈Rm×n,i=1,2,…,8,并计算局部对比图Ci∈Rm×n,i=1,2,…,8;
步骤3.1:根据如下公式,对输入红外图像I(x,y)在第i个方向上进行平滑处理:
Imi=Hi*I (9)
步骤3.2:根据如下公式,对图像在第i个方向上进行高提升滤波:
其中,I0代表原始图像,Imi代表在第i个方向上均值滤波得到的平滑图像,IIHBFi表示在第i个方向上的高提升图像。图4展示了方向i=1时的高提升结果。
步骤3.3:定义目标区域和背景区域,两个区域有同一中心,并且目标区域半径大于背景区域半径,目标区域指内框中的部分,背景区域指外框与内框的中间部分;
步骤3.4:局部差分图的计算公式如下
步骤3.5:局部对比图计算公式如下:
步骤4:根据步骤3的结果在八个方向的局部对比图的每个像素位置取最小值,生成基于高提升的多尺度多方向局部对比图HB-MLCMD∈Rm×n;
根据公式:
用C值代替当前像素值,生成多尺度多方向的局部对比(HB-MLCMD)图,如图6所示。
步骤5:对局部对比图HB-MLCMD∈Rm×n进行阈值分割,得到二值图并输出检测结果;
步骤5.1:阈值计算方式:OTSU算法;
步骤5.2:将HB-MLCMD图进行阈值分割并输出结果,如图7所示。
本发明针对红外图像,首先利用多方向高提升滤波器对目标区域进行提升;再在特定方向上计算多尺度局部差分图,抑制杂波干扰同时提升算法的鲁棒性;然后根据特定方向的多尺度局部差分图计算该方向的局部对比图;再利用所有方向的局部对比图在对应像素上取最小值得到HB-MLCMD图;最后阈值分割输出最终的检测结果。如图8为本方法与五种传统方法在ROC曲线方面的对比,图例中的数字表示ROC曲线下的面积(auc)。如图可知本方法的auc是最大的,因此检测效果要优于传统算法。同时如图9展示了本方法在信号杂波增益(SCR Gain)和背景压制因子(BSF)方面与传统算法的比较,每一组示例左边为SCRGain,右边为BSF。显然,本方法在这两个参数上显著的优于传统算法,因此有着更优秀的压制背景杂波的能力。由于考虑到了多个方向上的杂波干扰,因此本方法有着非常优秀的抑制杂波的效果,有效的降低了虚警率,提高了算法鲁棒性。并且该方法支持并行运算,有较高的实时性。
以上所述,仅为本发明的优选实施方式,但本发明的保护范围并不局限于此,任何技术人员在本发明所揭露的技术范围内,可不经过创造劳动想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权力要求书所限定的保护范围为准。
Claims (3)
1.一种空中背景下的红外弱小目标检测方法,其特征在于,包括如下步骤:
步骤1:输入一幅大小为m×n的待处理红外图像;
步骤2:构造八方向的高提升滤波器和多尺度局部对比度滤波器;
步骤3:根据高提升滤波器对红外图像在八个方向分别进行高提升处理,得到IIHBFi∈Rm ×n,i=1,2,…,8,并根据多尺度局部对比度滤波器分别计算在八个方向的局部对比图Ci∈Rm×n,i=1,2,…,8;
步骤4:取所有局部对比图中每个位置的像素的最小值,生成基于高提升的多方向多尺度的局部对比图HB-MLCMD∈Rm×n;
步骤5:对步骤4得到的局部对比图HB-MLCMD∈Rm×n进行阈值分割,得到二值图并输出检测结果;
具体地:所述步骤2的具体为:
构造了如下所示的八个方向的滤波器Filter(2n+1,2n+1),滤波器的尺寸为[2n+1,2n+1],n={0,1,2,…}:
上述公式中,i和j表示当前像素位置的行数和列数;
高提升滤波器H=Filter(rh,rh),其中,rh表示滤波器的行尺寸和列尺寸;
所述步骤3的具体步骤为:
步骤3.1:根据如下公式,对输入红外图像I(x,y)在各个方向上进行平滑处理:
Imi=Hi*I (9)
步骤3.2:根据如下公式,对图像在各个方向上进行高提升滤波:
其中,I0代表原始图像,Imi代表在第i个方向上均值滤波得到的平滑图像,IIHBFi表示在第i个方向上的高提升图像;
步骤3.3:定义目标区域和背景区域,两个区域有同一中心;
步骤3.4:局部差分图的计算公式如下:
步骤3.5:根据如下公式计算局部对比图Ci:
3.根据权利要求1所述的一种空中背景下的红外弱小目标检测方法,其特征在于,所述步骤5中阈值分割的算法为OTSU算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810768557.8A CN108986130B (zh) | 2018-07-13 | 2018-07-13 | 一种空中背景下的红外弱小目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810768557.8A CN108986130B (zh) | 2018-07-13 | 2018-07-13 | 一种空中背景下的红外弱小目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108986130A CN108986130A (zh) | 2018-12-11 |
CN108986130B true CN108986130B (zh) | 2022-06-10 |
Family
ID=64537187
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810768557.8A Active CN108986130B (zh) | 2018-07-13 | 2018-07-13 | 一种空中背景下的红外弱小目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108986130B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109740445B (zh) * | 2018-12-13 | 2023-05-23 | 天津津航技术物理研究所 | 一种变尺寸的红外弱小目标检测方法 |
CN110135312B (zh) * | 2019-05-06 | 2022-05-03 | 电子科技大学 | 一种基于分级lcm的快速小目标检测方法 |
CN110796687B (zh) * | 2019-10-30 | 2022-04-01 | 电子科技大学 | 天空背景红外成像多目标跟踪方法 |
CN111626138B (zh) * | 2020-04-30 | 2023-09-08 | 南京理工大学 | 复杂地面背景下多尺度弱小目标实时检测系统及方法 |
CN111784743B (zh) * | 2020-07-03 | 2022-03-29 | 电子科技大学 | 一种红外弱小目标检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ZA793670B (en) * | 1978-07-21 | 1980-08-27 | Pall Corp | Box filter |
CN104809697A (zh) * | 2015-03-13 | 2015-07-29 | 哈尔滨工程大学 | 一种改进的高提升滤波快速海雾图像增强方法 |
CN107368792A (zh) * | 2017-06-29 | 2017-11-21 | 广州智慧城市发展研究院 | 一种基于滤波器以及主干边缘的指静脉识别方法及系统 |
-
2018
- 2018-07-13 CN CN201810768557.8A patent/CN108986130B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ZA793670B (en) * | 1978-07-21 | 1980-08-27 | Pall Corp | Box filter |
CN104809697A (zh) * | 2015-03-13 | 2015-07-29 | 哈尔滨工程大学 | 一种改进的高提升滤波快速海雾图像增强方法 |
CN107368792A (zh) * | 2017-06-29 | 2017-11-21 | 广州智慧城市发展研究院 | 一种基于滤波器以及主干边缘的指静脉识别方法及系统 |
Non-Patent Citations (2)
Title |
---|
A Scaled Multi Gradient Edge Detection Algorithm for Infrared Image Detection;Qiang Gao 等;《2017 IEEE》;20170609;第Ⅱ节 * |
High-Boost-Based Multiscale Local Contrast Measure for Infrared Small Target Detection;Yafei Shi 等;《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》;20180131;第Ⅱ,Ⅲ节 * |
Also Published As
Publication number | Publication date |
---|---|
CN108986130A (zh) | 2018-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108986130B (zh) | 一种空中背景下的红外弱小目标检测方法 | |
CN109767439B (zh) | 一种自适应窗口的多尺度差异与双边滤波的目标检测方法 | |
CN109740445B (zh) | 一种变尺寸的红外弱小目标检测方法 | |
CN109903372A (zh) | 深度图超分辨率补全方法及高质量三维重建方法与系统 | |
CN107392095A (zh) | 一种基于掩码图像的红外弱小目标检测算法 | |
CN108038856B (zh) | 基于改进多尺度分形增强的红外小目标检测方法 | |
CN110555868A (zh) | 一种复杂地面背景下运动小目标检测方法 | |
CN112418090B (zh) | 一种天空背景下红外弱小目标实时检测方法 | |
CN107610159A (zh) | 基于曲率滤波和时空上下文的红外弱小目标跟踪方法 | |
CN109002777B (zh) | 一种面向复杂场景的红外小目标检测方法 | |
CN115359258B (zh) | 一种成分不确定度测量的弱小目标检测方法及系统 | |
CN114549642B (zh) | 一种低对比度红外弱小目标检测方法 | |
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 | |
CN117095029B (zh) | 空中飞行小目标检测方法及装置 | |
CN114937007B (zh) | 一种基于角点特征的无人机视觉着陆跑道起始线检测方法 | |
Wang et al. | A moving target detection and localization strategy based on optical flow and pin-hole imaging methods using monocular vision | |
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 | |
CN115797769A (zh) | 基于红外特性及空时显著性的红外弱小目标检测方法 | |
CN112257505B (zh) | 一种应用于红外全景系统的虚假目标识别方法及存储介质 | |
Zhao et al. | Point target detection in space-based infrared imaging system based on multi-direction filtering fusion | |
Pan et al. | Correlation tracking algorithm based on adaptive template update | |
CN113160332A (zh) | 一种基于双目视觉的多目标识别与定位方法 | |
Kobayashi et al. | Noise reduction of segmented images by spatio-temporal morphological operations | |
CN111508003A (zh) | 一种红外小目标检测跟踪及识别方法 | |
CN113870308B (zh) | 一种螺旋梯度优化估计的弱小目标检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |