CN109767439B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN109767439B CN109767439B CN201910021603.2A CN201910021603A CN109767439B CN 109767439 B CN109767439 B CN 109767439B CN 201910021603 A CN201910021603 A CN 201910021603A CN 109767439 B CN109767439 B CN 109767439B
- Authority
- CN
- China
- Prior art keywords
- image
- local
- window
- window size
- gray
- 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
- 230000002146 bilateral effect Effects 0.000 title claims abstract description 19
- 238000001514 detection method Methods 0.000 title claims abstract description 17
- 238000001914 filtration Methods 0.000 title claims abstract description 17
- 230000011218 segmentation Effects 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 17
- 230000001629 suppression Effects 0.000 claims abstract description 10
- 230000000694 effects Effects 0.000 claims description 8
- 238000009792 diffusion process Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了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。本方法通过局部标准差与全局标准差的比较,遍历得到整幅图像每个像素点的窗口尺寸,以此窗口尺寸作为多尺度灰度差异算子的初始窗口尺寸,阶梯式计算多个尺度下的不同区域的灰度均值,并最终得到多尺度灰度差异算子。在此基础上,进一步加权双边滤波算子。最后,结合全局阈值分割和局部阈值分割,实现对弱小目标的检测。该方法既很好的实现了对弱小目标的增强,又实现了对复杂背景的抑制,解决了长距离下目标信号过弱无法检测的问题。
Description
技术领域
本发明涉及到图像处理技术,具体指一种自适应窗口选择的多尺度灰度差异加权双边滤波的弱小目标检测方法,所述的弱小目标是信噪比大小为2以上的目标。
背景技术
空中运动的目标在天基下对其进行红外探测,存在探测距离远、背景起伏和云层遮挡等情况,且一般都存在目标信号非常弱,而背景起伏多变,异常复杂的情况。现阶段针对于红外弱小目标的检测主要是单一的实现目标增强或是背景抑制,这在一定程度上可以实现目标的检测,但是效果并不理想。因此,设计出一种既能实现目标增强又同时可以很好抑制背景的方法至关重要。
发明内容
为了克服上述现有技术的不足,本发明提供了一种自适应窗口选择的多尺度灰度差异加权双边滤波的弱小目标检测方法,该方法通过设定的初始窗口,计算对应初始窗口下的局部标准差与整幅图像的全局标准差,并将二者进行比较确定整幅图像每个像素点的窗口尺寸,并以此窗口尺寸作为多尺度灰度差异算子的初始窗口尺寸,阶梯式计算多个尺度下的不同区域的灰度均值,并将不同区域的灰度均值进行比较,最终得到多尺度灰度差异算子。在此基础上,在多尺度灰度差异算子上加权双边滤波算子。最后,结合全局阈值分割和局部阈值分割,实现对弱小目标的检测。本方法既很好的实现了对弱小目标的增强,又实现了对复杂背景的抑制。
本发明的上述目的是通过如下技术方案予以实现的:
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,其特征在于:包括如下步骤:
1、一种自适应窗口选择的多尺度灰度差异加权双边滤波的弱小目标检测方法,其特征在于:包括如下步骤:
(1)设定初始窗口大小为K个像素,K为奇整数,且K≥3,以此窗口大小扩展图像边缘,以达到最大窗尺寸;
(2)计算整个图像的全局标准差Stotal:
Stotal=std(Ωtotal)
其中,Ωtotal表示整幅图像区域;
(3)从上到下遍历整个图像,得到每个像素点的初始窗口大小区域的局部标准差Slocal:
Slocal=std(Ωlocal)
其中,Ωlocal表示窗口内的局部区域;
(4)将全局标准差与局部标准差进行比较,若:
Slocal>λStotal
满足条件,则确定此像素点的窗口大小为当前窗口,若不满足,则扩大窗口为K=(k+2x),其中x=1,2,3...,n,并重复步骤(3)和(4),直到满足步骤(4)时,x的值确定,则最终的窗口的尺寸确定为K,其中,λ是调节参数,取值为(0,1];(5)以步骤(4)中获得的窗口尺寸K作为初始扩散窗口N1,并以此向外进行(K+2p)的扩展,其中p=1,2,3,...,5,最大的邻域区为Nmax,计算p个区域的灰度均值
(6)对于图像I而言,第p级灰度差异GDp(x,y)在点(x,y)上可以表示为:
MSGD(x,y)=max(GD1(x,y),GD2(x,y),...,GDp(x,y))
(7)遍历图像,得到图像基于空间距离和灰度相似程度的双边滤波h(x,y):
其中,f(ξ,η)为固定窗口尺寸内的像素值,(ξ,η)为图像中的像素点,k(x,y)为归一化系数:
c(ξ,η,x,y)就是像元间欧式距离的高斯核函数,s(f(ξ,η,f(x,y)))是灰度值像素度核函数:
其中,σd为高斯距离系数,σs为高斯灰度相似度系数;
(8)将多尺度灰度差异MSGD(x,y)和双边滤波h(x,y)进行与运算,最终得到目标增强和背景抑制的作用;
(9)利用全局阈值分割和局部阈值分割相结合的方法,最终对弱小目标进行确定,其全局阈值分割TG表达式如下:
TG=t×ε×σ+m
其中,σ是背景抑制后的图像标准差,m是背景抑制后的图像均值,t是调节参数,取值范围为t∈(0,1),ε=(outmax-m)/σ,outmax是背景抑制后的最大值。局部阈值分割是将图像划分为N个区域,分别计算不同区域的分割阈值TL,采用的局部阈值分割公式与全局阈值分割公式一致。经过阈值分割后,最终得到目标检测的结果。。
与现有技术相比,本发明的有益效果是:
1.提出了一种自适应选择窗口的多尺度灰度差异方法,这种方法可以利用局部标准差和全局标准差确定窗口大小,再结合多尺度灰度差异实现对目标信号的增强,可以很好的处理信噪比大小为2以上的目标。
2.在自适应选择窗口的多尺度灰度差异的方法的基础上,加权双边滤波,并结合局部阈值分割和全局阈值分割,可以很好在抑制背景的同时增强目标,实现目标的检测。
附图说明
图1为本发明的实现流程框图;
图2为本发明中实例图像,其中(a)是原始输入图像,(b)是原始输入图像的三维视图;
图3为本发明中实例图像经过自适应窗口选择后每个像素点的窗口尺寸情况,其中图(a)是将像素点转换为一维向量的窗口大小情况,图(b)是与实际图像像素点相对应的窗口大小;
图4为本发明中实例图像经过多尺度灰度差异算子后目标增强的效果,其中图(a)是经过增强后的二维图像,图(b)是经过增强后的三维图像;
图5是本发明中实例图像经过多尺度灰度差异算子加权双边滤波算子后的结果图;
图6是本发明中实例图像经过全局阈值分割和局部阈值分割后的检测结果图。
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是为实现本发明的实现流程框图,该方法通过设定的初始窗口,计算对应初始窗口下的局部标准差与整幅图像的全局标准差,并将二者进行比较确定整幅图像每个像素点的窗口尺寸,并以此窗口尺寸作为多尺度灰度差异算子的初始窗口尺寸,阶梯式计算多个尺度下的不同区域的灰度均值,并将不同区域的灰度均值进行比较,最终得到多尺度灰度差异算子。在此基础上,在多尺度灰度差异算子上加权双边滤波算子。最后,结合全局阈值分割和局部阈值分割,实现对弱小目标的检测。本方法既很好的实现了对弱小目标的增强,又实现了对复杂背景的抑制。
图2是本发明中实例图像,其尺寸为320×256,其输入信杂比为4.57,背景为云背景,起伏较大,图(a)显示的是其二维视图,图(b)显示的是其在三维角度下的视图,可见目标是处于云背景之上的。
图3是图2中所示的实例图像,在设定初始窗口尺寸为3后,进行整幅图像遍历后,利用局部标准差自适应选择窗口大小后的各个像素最终确定的窗口大小的图像,图(a)显示的是将320×256延展为一维向量[81920,1]后其窗口尺寸的情况,图(b)显示的是原图像位置对应像素处的窗口尺寸,可以看到窗口尺寸的大小分别为3、5、7、9和11。
图4是经过图3自适应窗口选择后,将选择的窗口作为初始窗口,进行阶梯式的多尺度灰度差异的计算,获得了图像增强后的效果,图(a)显示的是二维效果的图像增强效果,图(b)显示的三维效果的图像增强的效果。
图5是经过图4中多尺度灰度差异算子计算后加权双边滤波的结果,图中选择的双边滤波窗口尺寸为3×3,σd高斯距离系数为0.8,σs高斯灰度相似度系数为0.6。
图6是经过图5的滤波处理后经过全局阈值分割和局部阈值分割得到的最终的检测结果,其分割的结果是在t=0.04时计算得到的分割阈值下得到的。
Claims (1)
1.一种自适应窗口的多尺度差异与双边滤波的目标检测方法,其特征在于包括如下步骤:
(1)设定初始窗口大小为K个像素,K为奇整数,且K≥3,以此窗口大小扩展图像边缘,以达到最大窗尺寸;
(2)计算整个图像的全局标准差Stotal:
Stotal=std(Ωtotal)
其中,Ωtotal表示整幅图像区域;
(3)从上到下遍历整个图像,得到每个像素点的初始窗口大小区域的局部标准差Slocal:
Slocal=std(Ωlocal)
其中,Ωlocal表示窗口内的局部区域;
(4)将全局标准差与局部标准差进行比较,若:
Slocal>λStotal
满足条件,则确定此像素点的窗口大小为当前窗口,若不满足,则扩大窗口为K=(k+2x),其中x=1,2,3...,n,并重复步骤(3)和(4),直到满足步骤(4)时,x的值确定,则最终的窗口的尺寸确定为K,其中,λ是调节参数,取值为(0,1];
(5)以步骤(4)中获得的窗口尺寸K作为初始扩散窗口N1,并以此向外进行(K+2p)的扩展,其中p=1,2,3,...,5,最大的邻域区为Nmax,计算p个区域的灰度均值
其中,Np表示差分的每个区域,表示Np中包含的像素个数,I(m,n)表示在区域Np中像素的灰度值,(m,n)表示图像中的像素点,计算最大邻域区Nmax的灰度均值
其中,表示Nmax区域包含像素的个数,I(s,t)为此区域中像素的灰度值,(s,t)为图像中的像素点;
(6)对于图像I而言,第p级灰度差异GDp(x,y)在点(x,y)上可以表示为:
其中,在此基础上,可以得到点(x,y)处的多尺度灰度差异为MSGD(x,y):
MSGD(x,y)=max(GD1(x,y),GD2(x,y),...,GDp(x,y))
(7)遍历图像,得到图像基于空间距离和灰度相似程度的双边滤波h(x,y):
其中,f(ξ,η)为固定窗口尺寸内的像素值,(ξ,η)为图像中的像素点,k(x,y)为归一化系数:
c(ξ,η,x,y)是像元间欧式距离的高斯核函数,s(f(ξ,η,f(x,y)))是灰度值像素度核函数:
其中,σd为高斯距离系数,σs为高斯灰度相似度系数;
(8)将多尺度灰度差异MSGD(x,y)和双边滤波h(x,y)进行与运算,最终得到目标增强和背景抑制的作用;
(9)利用全局阈值分割和局部阈值分割相结合的方法,最终对弱小目标进行确定,其全局阈值分割TG表达式如下:
TG=t×ε×σ+m
其中,σ是背景抑制后的图像标准差,m是背景抑制后的图像均值,t是调节参数,取值范围为t∈(0,1),ε=(outmax-m)/σ,outmax是背景抑制后的最大值;局部阈值分割是将图像划分为N个区域,分别计算不同区域的分割阈值TL,采用的局部阈值分割公式与全局阈值分割公式一致;经过阈值分割后,最终得到目标检测的结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910021603.2A CN109767439B (zh) | 2019-01-10 | 2019-01-10 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910021603.2A CN109767439B (zh) | 2019-01-10 | 2019-01-10 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109767439A CN109767439A (zh) | 2019-05-17 |
CN109767439B true CN109767439B (zh) | 2023-05-05 |
Family
ID=66453776
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910021603.2A Active CN109767439B (zh) | 2019-01-10 | 2019-01-10 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109767439B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110728635B (zh) * | 2019-09-10 | 2023-07-07 | 中国科学院上海技术物理研究所 | 一种暗弱目标的对比度增强方法 |
CN111199513B (zh) * | 2019-12-30 | 2024-03-26 | 上海联影智能医疗科技有限公司 | 图像处理方法、计算机设备和存储介质 |
CN111951299B (zh) * | 2020-07-01 | 2022-09-16 | 中国科学院上海技术物理研究所 | 一种红外空中目标检测方法 |
CN112598681A (zh) * | 2020-12-25 | 2021-04-02 | 北京环境特性研究所 | 一种基于多尺度最佳目标对比度的自适应目标检测方法 |
CN113205494B (zh) * | 2021-04-27 | 2022-05-13 | 武汉大学 | 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 |
CN113658191B (zh) * | 2021-07-05 | 2022-09-30 | 中国人民解放军火箭军工程大学 | 一种基于局部概率超图相异度量的红外弱小目标检测方法 |
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 |
CN113592914B (zh) * | 2021-09-28 | 2022-04-01 | 南京天朗防务科技有限公司 | 红外弱小飞行目标自适应检测跟踪方法、装置 |
CN114022433B (zh) * | 2021-10-28 | 2023-12-29 | 大连理工大学 | 碳纤维复合材料出口分层损伤鲁棒性视觉检测方法 |
CN115272871A (zh) * | 2022-09-27 | 2022-11-01 | 长春理工大学 | 一种天基背景下暗弱小目标检测方法 |
CN116205906B (zh) * | 2023-04-25 | 2023-07-18 | 青岛豪迈电缆集团有限公司 | 一种电缆内部生产异常无损检测方法 |
CN116309572B (zh) * | 2023-05-19 | 2023-07-21 | 无锡康贝电子设备有限公司 | 基于图像的数控机床组件智能识别方法 |
CN116433667B (zh) * | 2023-06-14 | 2023-08-11 | 山东德源电力科技股份有限公司 | 一种配电物联低压智能开关检测方法 |
CN116883370B (zh) * | 2023-07-18 | 2024-02-20 | 西藏净微检测技术有限公司 | 一种农产品外观质量检测系统 |
CN117196997B (zh) * | 2023-10-17 | 2024-02-02 | 辽宁工程技术大学 | 基于人工智能的三维矿震图像降噪优化方法 |
CN117252893B (zh) * | 2023-11-17 | 2024-02-23 | 科普云医疗软件(深圳)有限公司 | 一种乳腺癌病理图像的分割处理方法 |
CN117523589B (zh) * | 2023-12-29 | 2024-03-26 | 济宁职业技术学院 | 基于计算机视觉的图书信息自动检测方法 |
CN117952958B (zh) * | 2024-03-21 | 2024-06-07 | 陕西中环机械有限责任公司 | 基于机器学习的鼓形滤网智慧健康检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101882303A (zh) * | 2010-06-03 | 2010-11-10 | 董永平 | 一种自适应滤波器实现多波段图像自动分割的方法 |
CN106508046B (zh) * | 2011-12-28 | 2014-11-05 | 上海机电工程研究所 | 一种基于多尺度双边最优化的弱小目标检测方法 |
CN104156929A (zh) * | 2014-09-05 | 2014-11-19 | 西安电子科技大学 | 基于全局滤波的红外弱小目标背景抑制方法及其装置 |
CN104657945A (zh) * | 2015-01-29 | 2015-05-27 | 南昌航空大学 | 复杂背景下多尺度时空联合滤波的红外小目标检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8457429B2 (en) * | 2007-07-31 | 2013-06-04 | Hewlett-Packard Development Company, L.P. | Method and system for enhancing image signals and other signals to increase perception of depth |
-
2019
- 2019-01-10 CN CN201910021603.2A patent/CN109767439B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101882303A (zh) * | 2010-06-03 | 2010-11-10 | 董永平 | 一种自适应滤波器实现多波段图像自动分割的方法 |
CN106508046B (zh) * | 2011-12-28 | 2014-11-05 | 上海机电工程研究所 | 一种基于多尺度双边最优化的弱小目标检测方法 |
CN104156929A (zh) * | 2014-09-05 | 2014-11-19 | 西安电子科技大学 | 基于全局滤波的红外弱小目标背景抑制方法及其装置 |
CN104657945A (zh) * | 2015-01-29 | 2015-05-27 | 南昌航空大学 | 复杂背景下多尺度时空联合滤波的红外小目标检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109767439A (zh) | 2019-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN105976330B (zh) | 一种嵌入式雾天实时视频稳像方法 | |
CN108564549B (zh) | 一种基于多尺度稠密连接网络的图像去雾方法 | |
CN109100788B (zh) | 地震数据非局部均值去噪方法 | |
CN109712149B (zh) | 一种基于小波能量和模糊c均值的图像分割方法 | |
CN110580709A (zh) | 一种基于ViBe和三帧差分融合的目标检测方法 | |
CN107292834B (zh) | 红外图像细节增强方法 | |
CN107392095A (zh) | 一种基于掩码图像的红外弱小目标检测算法 | |
CN104200434B (zh) | 一种基于噪声方差估计的非局部均值图像去噪方法 | |
CN115359258B (zh) | 一种成分不确定度测量的弱小目标检测方法及系统 | |
CN112070717A (zh) | 基于图像处理的输电线路覆冰厚度检测方法 | |
CN110706208A (zh) | 一种基于张量均方最小误差的红外弱小目标检测方法 | |
CN103971345A (zh) | 一种基于改进双边滤波的图像去噪方法 | |
Gupta et al. | A noise robust edge detector for color images using hilbert transform | |
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 | |
CN112395944A (zh) | 基于加权的多尺度比差联合对比度红外小目标检测方法 | |
Wu et al. | Research on crack detection algorithm of asphalt pavement | |
CN108573236B (zh) | 基于离散分数布朗随机场的云天背景下红外弱小目标检测方法 | |
CN111461999A (zh) | 一种基于超像素相似性测量的sar图像相干斑抑制方法 | |
CN108428216B (zh) | 基于散布矩阵特征的二阶偏微分方程遥感图像去噪方法 | |
Wang et al. | Infrared image edge detection based on improved Canny algorithm | |
CN113792746B (zh) | 基于Yolo V3的探地雷达图像目标检测方法 | |
CN115147613A (zh) | 一种基于多向融合的红外小目标检测方法 | |
CN114998186A (zh) | 基于图像处理的铜始极片表面结疤缺陷检测方法及系统 | |
Ning et al. | Ship detection of infrared image in complex scene based on bilateral filter enhancement |
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 |