CN109410137A - 一种暗弱目标的探测方法 - Google Patents
一种暗弱目标的探测方法 Download PDFInfo
- Publication number
- CN109410137A CN109410137A CN201811182657.9A CN201811182657A CN109410137A CN 109410137 A CN109410137 A CN 109410137A CN 201811182657 A CN201811182657 A CN 201811182657A CN 109410137 A CN109410137 A CN 109410137A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- detection
- carried out
- segmentation
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 238000001914 filtration Methods 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 23
- 230000011218 segmentation Effects 0.000 claims abstract description 23
- 230000004927 fusion Effects 0.000 claims abstract description 10
- 230000008030 elimination Effects 0.000 claims abstract description 9
- 238000003379 elimination reaction Methods 0.000 claims abstract description 9
- 230000001186 cumulative effect Effects 0.000 claims description 12
- 238000009825 accumulation Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 230000002146 bilateral effect Effects 0.000 claims description 2
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 230000000877 morphologic effect Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 3
- 230000035945 sensitivity Effects 0.000 abstract description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000005764 inhibitory process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
Classifications
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral filtering
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
Abstract
本发明公开了一种暗弱目标的探测方法。本方法对图像进行弱响应消除,得到消除背景杂波弱响应的图像,将图像进行多尺度像元合并,对合并后的不同尺度下图像进行匹配滤波,匹配滤波后的图像进行阈值分割,分割后的结果进行融合,根据融合的结果进行连通域检测和局部非最大值抑制,并将最终结果作为输出完成暗弱目标的探测和提取。本方法通过时空域的多尺度能量收集,提高对暗弱目标的探测能力和灵敏度,解决长作用距离下的目标探测问题。
Description
技术领域
本发明涉及到图像处理技术,具体指一种多尺度融合的方法,特别是涉及到一种暗弱目标的探测方法,所述的暗弱目标的信噪比大小为2~3。
背景技术
对于远距离获取到的图像由于受到探测距离、背景起伏和云层遮挡等影响,其响应灰度值在图像中表现不明显;同时,受到噪声和盲元等过亮信号的干扰,很难将目标从复杂的背景中分离出来。但是暗弱目标检测的性能在一定程度上制约了搜索和跟踪领域的发展,因此,设计出适合于暗弱目标检测的方法至关重要。根据奈曼皮尔逊准则,在虚警率为10-5的情况下,信噪比在5.7以上其检测概率为90%。因此,大部分的对于暗弱目标的检测主要是基于此信噪比条件下,针对于更低信噪比的研究方法非常少见,因此有必要设计出一种可以在极低信噪比条件下对目标进行检测的方法。
发明内容
为了克服上述现有技术的不足,本发明提供了一种暗弱目标的探测方法,该方法通过获取图像传感器输出的灰度图像,对图像进行弱响应消除,得到消除背景杂波弱响应的图像,将图像进行多尺度像元合并,对合并后的不同尺度下图像进行匹配滤波,匹配滤波后的图像进行阈值分割,分割后的结果进行融合,根据融合的结果进行连通域检测和局部非最大值抑制,并将最终结果作为输出完成暗弱目标的探测和提取。本方法通过时空域的多尺度能量收集,提高对暗弱目标的探测能力和灵敏度,解决了长作用距离下的目标探测问题。
本发明的上述目的是通过如下技术方案予以实现的:
一种暗弱目标的探测方法,其特征在于:包括如下步骤:
(1)获取探测器输出的灰度视频图像,探测器类型为面阵型图像探测器,其输出帧频不低于30帧每秒;
(2)对图像进行弱响应消除,弱响应消除的方法包含背景抑制和噪声点抑制,其方法是最大中值滤波,形态学滤波,双边滤波中的一种或多种组合;
(3)对消除后的图像进行多尺度像元合并,此合并值是指将设置尺度参数内的局部空域图像进行累加作为该空域中心像素的响应值,合并所需的不同尺度参数根据所需要检测的目标特点和当前背景噪声情况进行事先设置,方法中相应使用的尺度为3,5或7;
(4)对合并后的不同尺度图像分别进行时域多帧累加,是指图像按照接收时间顺序连续多帧进行灰度值累加,累加所需的不同尺度参数根据所需要检测的目标特点和当前背景噪声情况进行事先设置,该方法中使用的多帧累加帧数为10帧;
(5)使用目标模板对累加后图像分别进行匹配滤波,此匹配滤波是指根据目标的先验形状设计不同形状、不同方向的目标模板,滤波模板根据所需要检测的目标特点和当前背景噪声情况进行事先设置,该方法中使用的目标模板为 8邻域下的4个方向的模板,M1为y轴正方向偏左45°,M2为y轴正方向,M3为 y轴正方向偏右45°,M4为y轴正方向的垂直方向,即x轴方向,其模板类型如下四种M1,M2,M3,M4:
(6)对滤波后的图像分别进行阈值分割,阈值分割算法是最大熵分割、恒虚警率分割或自适应阈值分割;
(7)对分割后的不同尺度图像进行融合,多尺度融合是指将不同尺度的图像上采样到相同分辨率下,该方法中采用的上采样尺度为2×2,然后所有的图像进行逻辑或操作;
(8)对融合后的图像进行连通域检测和局部非最大值抑制后将目标进行标注后输出。
与现有技术相比,本发明的有益效果是:
1.通过时空域的多尺度能量收集,提高对暗弱目标的探测能力和灵敏度,解决了长作用距离下的目标探测问题。
2.对于低信噪比的目标图像,只需使用简单的背景抑制算法即可有效检测,避免了复杂算法影响目标检测的实时性。
附图说明
图1为本发明的实现流程框图;
图2为本发明的图像传感器获取的含有目标的灰度图像;
图3为本发明的经过弱响应消除后的图像;
图4为本发明的经过多尺度合并后的图像,其中图(a)是3×3尺度合并的图像,图(b)是5×5尺度合并的图像,图(c)是7×7尺度合并的图像;
图5为本发明的经过多尺度十帧累加的图像,其中图(a)是3×3尺度十帧累加的图像,图(b)是5×5尺度十帧累加的图像,图(c)是7×7尺度十帧累加的图像;
图6为本发明的经过多尺度匹配滤波的图像,其中图(a)是3×3尺度匹配滤波的图像,图(b)是5×5尺度匹配滤波的图像,图(c)是7×7尺度匹配滤波的图像;
图7为本发明的经过多尺度阈值分割的图像,其中图(a)是3×3尺度阈值分割的图像,图(b)是5×5尺度阈值分割的图像,图(c)是7×7尺度阈值分割的图像;
图8为本发明的经过多尺度融合的图像;
图9为本发明的经过连通域检测和局部非最大值抑制后标注目标位置的图像。
具体实施方式
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详细地描述,显然,所描述的实施例仅仅是本发明一部分实施例,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。
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例并结合附图对本发明作进一步的详细描述:
图1是为实现本发明的具体方法流程图,首先通过获取图像传感器输出的灰度图像,对图像进行弱响应消除,得到消除背景杂波弱响应的图像,然后将弱响应消除后的图像进行多尺度像元合并,将合并后的不同尺度下图像进行匹配滤波,再将匹配滤波后的图像进行阈值分割,对阈值分割后的图像进行多尺度融合,根据融合的结果进行连通域检测和局部非最大值抑制,并将最终结果作为输出完成暗弱目标的探测和提取。
图2是从探测器处得到的灰度图像,其目标扩散尺寸为5×5,信噪比为3,能量集中度为0.16。
图3是利用图像的原均值和方差,对图像进行弱响应消除后得到的消除背景杂波弱响应的图像。
图4是图像3经过像元合并后的图像,其中(a)是通过3×3像元合并的结果,(b)是通过5×5像元合并的结果,(c)是通过7×7像元合并的结果。
图5是经过与图4相同处理后的十帧图像进行累加的结果,其中(a)是在 3×3像元合并后十帧图像累加的结果,(b)是在5×5像元合并后十帧图像累加的结果,(c)是在7×7像元合并后十帧图像累加的结果。
图6是在图5处理上的各尺度上的匹配滤波,其中匹配滤波采用的是5×5 尺度上在0°-180°上以45°为间隔的四个方向的匹配模板,(a)是在图5中 3×3尺度上的十帧累加后经过匹配滤波得到的图像,(b)是在图5中5×5尺度上的十帧累加后经过匹配滤波得到的图像,(c)是在图5中7×7尺度上的十帧累加后经过匹配滤波得到的图像。
图7是在对图6处理的基础上进行相应尺度上的阈值分割,(a)是对3×3匹配滤波图像进行阈值分割后的图像,(b)是对5×5匹配滤波图像进行阈值分割后的图像,(c)是对7×7匹配滤波图像进行阈值分割后的图像。
图8是经过图7中的三个尺度的阈值分割后,将三个尺度融合后得到的多尺度融合图像。
图9是根据图8中融合的结果进行连通域检测和局部非最大值抑制后,通过各尺度上的或操作确定目标位置,并标注目标位置的图像。
Claims (1)
1.一种暗弱目标的探测方法,其特征在于包括如下步骤:
(1)获取探测器输出的灰度视频图像,探测器类型为面阵型图像探测器,其输出帧频不低于30帧每秒;
(2)对图像进行弱响应消除,弱响应消除的方法包含背景抑制和噪声点抑制,其方法是最大中值滤波,形态学滤波,双边滤波中的一种或多种组合;
(3)对消除后的图像进行多尺度像元合并,此合并值是指将设置尺度参数内的局部空域图像进行累加作为该空域中心像素的响应值,合并所需的不同尺度参数根据所需要检测的目标特点和当前背景噪声情况进行事先设置,方法中相应使用的尺度为3,5或7;
(4)对合并后的不同尺度图像分别进行时域多帧累加,是指图像按照接收时间顺序连续多帧进行灰度值累加,累加所需的不同尺度参数根据所需要检测的目标特点和当前背景噪声情况进行事先设置,该方法中使用的多帧累加帧数为10帧;
(5)使用目标模板对累加后图像分别进行匹配滤波,此匹配滤波是指根据目标的先验形状设计不同形状、不同方向的目标模板,滤波模板根据所需要检测的目标特点和当前背景噪声情况进行事先设置,该方法中使用的目标模板为8邻域下的4个方向的模板,M1为y轴正方向偏左45°,M2为y轴正方向,M3为y轴正方向偏右45°,M4为y轴正方向的垂直方向,即x轴方向,其模板类型如下四种M1,M2,M3,M4:
(6)对滤波后的图像分别进行阈值分割,阈值分割算法是最大熵分割、恒虚警率分割或自适应阈值分割;
(7)对分割后的不同尺度图像进行融合,多尺度融合是指将不同尺度的图像上采样到相同分辨率下,该方法中采用的上采样尺度为2×2,然后所有的图像进行逻辑或操作;
(8)对融合后的图像进行连通域检测和局部非最大值抑制后将目标进行标注后输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811182657.9A CN109410137B (zh) | 2018-10-11 | 2018-10-11 | 一种暗弱目标的探测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811182657.9A CN109410137B (zh) | 2018-10-11 | 2018-10-11 | 一种暗弱目标的探测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109410137A true CN109410137A (zh) | 2019-03-01 |
CN109410137B CN109410137B (zh) | 2021-10-01 |
Family
ID=65467009
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811182657.9A Active CN109410137B (zh) | 2018-10-11 | 2018-10-11 | 一种暗弱目标的探测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109410137B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991313A (zh) * | 2019-11-28 | 2020-04-10 | 华中科技大学 | 一种基于背景分类的运动小目标检测方法和系统 |
CN112529810A (zh) * | 2020-12-15 | 2021-03-19 | 北京空间机电研究所 | 一种面阵凝视相机的探测信噪比提升方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070076917A1 (en) * | 2003-03-21 | 2007-04-05 | Lockheed Martin Corporation | Target detection improvements using temporal integrations and spatial fusion |
CN101408981A (zh) * | 2008-11-25 | 2009-04-15 | 中国电子科技集团公司第二十八研究所 | 一种红外弱小目标检测方法 |
CN102074022A (zh) * | 2011-01-10 | 2011-05-25 | 南京理工大学 | 一种基于红外图像的弱小运动目标检测方法 |
CN104299229A (zh) * | 2014-09-23 | 2015-01-21 | 西安电子科技大学 | 一种基于时空域背景抑制的红外弱小目标检测方法 |
CN105574855A (zh) * | 2015-12-10 | 2016-05-11 | 南京理工大学 | 云背景下基于模板滤波和虚警抑制的红外小目标检测方法 |
-
2018
- 2018-10-11 CN CN201811182657.9A patent/CN109410137B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070076917A1 (en) * | 2003-03-21 | 2007-04-05 | Lockheed Martin Corporation | Target detection improvements using temporal integrations and spatial fusion |
CN101408981A (zh) * | 2008-11-25 | 2009-04-15 | 中国电子科技集团公司第二十八研究所 | 一种红外弱小目标检测方法 |
CN102074022A (zh) * | 2011-01-10 | 2011-05-25 | 南京理工大学 | 一种基于红外图像的弱小运动目标检测方法 |
CN104299229A (zh) * | 2014-09-23 | 2015-01-21 | 西安电子科技大学 | 一种基于时空域背景抑制的红外弱小目标检测方法 |
CN105574855A (zh) * | 2015-12-10 | 2016-05-11 | 南京理工大学 | 云背景下基于模板滤波和虚警抑制的红外小目标检测方法 |
Non-Patent Citations (2)
Title |
---|
CHEN ZHONG等: "A Novel Spatial-temporal Detection Method of Dim Infrared Moving Small", 《INFRARED PHYSICS & TECHNOLOGY》 * |
陆福星等: "基于Top-hat变换的PM 模型弱小目标检测", 《系统工程与电子技术》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991313A (zh) * | 2019-11-28 | 2020-04-10 | 华中科技大学 | 一种基于背景分类的运动小目标检测方法和系统 |
CN110991313B (zh) * | 2019-11-28 | 2022-02-15 | 华中科技大学 | 一种基于背景分类的运动小目标检测方法和系统 |
CN112529810A (zh) * | 2020-12-15 | 2021-03-19 | 北京空间机电研究所 | 一种面阵凝视相机的探测信噪比提升方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109410137B (zh) | 2021-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nie et al. | An infrared small target detection method based on multiscale local homogeneity measure | |
CN108596169B (zh) | 基于视频流图像的分块信号转换与目标检测方法及装置 | |
CN102479383B (zh) | 椒盐噪声去除方法及装置 | |
CN104766079B (zh) | 一种远距离红外弱小目标检测方法 | |
CN104616303A (zh) | 一种基于紫外图像的水面溢油检测系统和方法 | |
CN107194946B (zh) | 一种基于fpga的红外显著物体检测方法 | |
CN112541486B (zh) | 基于改进Pixel分割的红外弱小目标检测算法 | |
CN109410137A (zh) | 一种暗弱目标的探测方法 | |
CN109460705A (zh) | 基于机器视觉的输油管道监控方法 | |
CN108491796B (zh) | 一种时域周期点目标检测方法 | |
CN103413138A (zh) | 一种红外图像序列中点目标检测方法 | |
CN108647693A (zh) | 一种基于二元显著性特征的海面红外目标检测方法 | |
CN106991682B (zh) | 自动港口货船的提取方法及装置 | |
CN108492320B (zh) | 一种基于并行处理的红外弱小目标检测方法 | |
CN109493365A (zh) | 一种弱小目标的跟踪方法 | |
Janoriya et al. | Critical review on edge detection techniques in spatial domain on low illumination images | |
Jia et al. | A two-step approach to see-through bad weather for surveillance video quality enhancement | |
CN115631114B (zh) | 基于时域剖面分析的暗弱动目标指示增强在轨处理方法 | |
Chaiyawatana et al. | Robust object detection on video surveillance | |
CN112634222A (zh) | 一种sar图像舰船目标检测方法 | |
CN112749714A (zh) | 一种单帧红外图像中多形态暗弱小目标检测方法 | |
CN111460916A (zh) | 基于隐马尔可夫模型的机场场面目标分割方法及系统 | |
CN105654068B (zh) | 一种基于分形理论的目标检测背景估计方法 | |
CN113284135B (zh) | 基于全局与局部上下文信息的sar舰船检测方法 | |
Arshad et al. | Adaptive real-time ship detection and tracking using morphological operations |
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 |