CN109872347A - 基于时空特性红外弱小目标检测方法 - Google Patents
基于时空特性红外弱小目标检测方法 Download PDFInfo
- Publication number
- CN109872347A CN109872347A CN201910209056.0A CN201910209056A CN109872347A CN 109872347 A CN109872347 A CN 109872347A CN 201910209056 A CN201910209056 A CN 201910209056A CN 109872347 A CN109872347 A CN 109872347A
- Authority
- CN
- China
- Prior art keywords
- target
- suspicious object
- gray
- suspicious
- space
- 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.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种基于时空特性红外弱小目标检测方法,包括:获取目标红外图像的高频分量滤波图,由高频分量滤波图确定多个可疑目标;对每个可疑目标依次利用灰阶分布九宫格进行邻域能量空间分布特性的计算,再进行纹理梯度分布特性计算,再由可疑目标的方位俯仰尺度比及目标饱和度进行判断,最后进行目标时间域分布特性的判断,逐步剔除可疑目标中的伪目标,最后确定真实目标。本发明方法能够有效排除弱小目标背景中的云层干扰、地物干扰和探测器噪声干扰等,从而可靠地确定真实目标,可极大降低目标探测的虚警率,提高检测概率。
Description
技术领域
本发明涉及弱小目标的检测技术领域,尤其涉及一种基于时空特性红外弱小目标检测方法。
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。
在实际应用中,要求探测系统应尽可能发现远距离目标。由于远距离目标在视场中非常弱小,且背景复杂,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,因此,如何从众多干扰源中剔除伪目标,获得真实目标,成为红外图像处理的难题。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,因此提高检测概率、降低虚警率,具有重要意义。
目前,红外弱小目标检测主要为先滤波预处理检测出疑似目标,再对疑似目标进行确认,剔除虚假目标,进而获得真实目标。剔除虚假目标的方式主要有:目标信噪比、目标尺度和目标的时空相关性。上述剔除虚假目标的方式,当存在云层、地物等干扰时,无法实现对干扰的有效排除。
因此,针对以上不足,需要提供一种能够有效排除云层及地物干扰的弱小目标检测方法,以能够有效剔除虚警,进而检测出真实目标。
发明内容
本发明要解决的技术问题在于,针对现有技术中红外弱小目标的检测方法,在存在云层及地物等干扰时,无法有效排除干扰的缺陷,提供一种基于时空特性红外弱小目标检测方法。
为了解决上述技术问题,本发明提供了一种基于时空特性红外弱小目标检测方法,包括:获取目标红外图像的高频分量滤波图,由高频分量滤波图确定多个可疑目标;
对每个可疑目标依次利用灰阶分布九宫格进行邻域能量空间分布特性的计算,再进行纹理梯度分布特性计算,再由可疑目标的方位俯仰尺度比及目标饱和度进行判断,最后进行目标时间域分布特性的判断,逐步剔除可疑目标中的伪目标,最后确定真实目标。
在根据本发明所述的基于时空特性红外弱小目标检测方法中,所述高频分量滤波图通过对采集的目标红外图像进行最大最小滤波,去除平缓背景后获取。
在根据本发明所述的基于时空特性红外弱小目标检测方法中,所述利用灰阶分布九宫格进行邻域能量空间分布特性的计算方法包括:
针对每个可疑目标,由高频分量滤波图确定可疑目标的型心、方位尺寸及俯仰尺寸,然后在目标红外图像的相应位置以型心为中心,以当前可疑目标为中间分格,建立九宫格;分别计算九宫格中每个小分格图像的灰度均值和灰度方差,当可疑目标的八个邻域中满足预设能量空间分布要求的领域小于六个,则判定为伪目标。
在根据本发明所述的基于时空特性红外弱小目标检测方法中,通过计算九宫格中每个小分格图像的灰度均值和灰度方差,判定伪目标的方法包括:
首先确定真实目标:
∑(gray_diffi)>=6,
∑(deta_diffi)>=6,
式中gray_diffi表示八邻域中第i个小分格图像的灰度均值与可疑目标所在小分格图像的灰度均值的大小关系,当可疑目标所在小分格图像的灰度均值大于第i个小分格图像的灰度均值,则gray_diffi为1,否则为0,mean5表示可疑目标所在小分格图像的灰度均值,meani表示每个邻域小分格图像的灰度均值,i=1,2,3,4,6,7,8,9;deta_diff表示八邻域中第i个小分格图像的灰度方差与可疑目标所在小分格图像的灰度方差的大小关系,当可疑目标所在小分格图像的灰度方差大于第i个小分格图像的灰度方差,则deta_diff为1,否则为0;deta5表示可疑目标所在小分格图像的灰度方差,detai表示八个邻域小分格图像的灰度方差;
对于满足上式的可疑目标,初步判定为真实目标,不满足上式的可疑目标则判定为伪目标,剔除。
在根据本发明所述的基于时空特性红外弱小目标检测方法中,对可疑目标进行纹理梯度分布特性计算的方法包括:
计算可疑目标的纹理梯度分布,将纹理梯度分布不满足高斯分布的可疑目标判断为伪目标,剔除。
在根据本发明所述的基于时空特性红外弱小目标检测方法中,对可疑目标进行纹理梯度分布特性计算的方法还包括:
通过以下公式判断可疑目标的纹理梯度分布是否满足高斯分布:
G1=abs[8*f(x,y)-f(x-1,y-1)-f(x,y-1)-f(x+1,y-1)-f(x-1,y)-f(x+1,y)-f(x-1,y+1)-f(x,y+1)-f(x+1,y+1)]/8;
G2=abs[16*f(x,y)-f(x-2,y-2)-f(x-1,y-2)-f(x,y-2)-f(x+1,y-2)-f(x+2,y-2)-f(x-2,y-1)-f(x+2,y-1)-f(x-2,y)-f(x+2,y)-f(x-2,y+1)-f(x+2,y+1)-f(x-2,y+2)-f(x-1,y+2)-f(x,y+2)-f(x+1,y+2)-f(x+2,y+2)]/16;
式中f(x,y)是可疑目标图像(x,y)坐标处的灰度值,G1是可疑目标中心点坐标与内圈像素的平均差值;G2是可疑目标中心点坐标与外圈像素的平均差值;当G2大于G1时,可疑目标的纹理梯度分布满足高斯分布。
在根据本发明所述的基于时空特性红外弱小目标检测方法中,由可疑目标的方位俯仰尺度比及目标饱和度进行判断的方法包括:
将方位俯仰尺度比大于6:1的可疑目标判定为伪目标,剔除;
再将目标饱和度小于0.25的可疑目标判定为伪目标,剔除。
在根据本发明所述的基于时空特性红外弱小目标检测方法中,所述目标饱和度θ的计算方法包括:
θ=s/(x0*y0),
式中s是可疑目标的面积,x0是可疑目标外接矩形的长度,y0是可疑目标外接矩形的宽度。
在根据本发明所述的基于时空特性红外弱小目标检测方法中,进行目标时间域分布特性的判断的方法包括:
对可疑目标前一时刻和当前时刻的目标特性进行判断,若有超过预期数目的目标特性发生突变,则判定为伪目标,剔除。
在根据本发明所述的基于时空特性红外弱小目标检测方法中,所述目标特性包括可疑目标外接矩形的长度、可疑目标外接矩形的宽度、可疑目标的面积、可疑目标亮度、可疑目标方位速度和可疑目标俯仰速度。
实施本发明的基于时空特性红外弱小目标检测方法,具有以下有益效果:本发明方法为了在存在云层、地物及探测器噪声干扰时,依然能有效地捕捉到真实目标,首先通过目标的高频分量滤波图确定可能存在的可疑目标;然后主要通过对可疑目标的纹理特征和目标邻域能量空间分布特性进行分析,剔除虚假目标;最后针对时域,根据目标特性在短时间内的关联性确定真实目标。
本发明方法充分利用了目标的各种特性对可疑目标进行分析处理,能够有效排除弱小目标背景中的云层干扰、地物干扰或探测器噪声干扰等,从而可靠地确定真实目标,可极大降低目标探测的虚警率,提高检测概率。
附图说明
图1为根据本发明的基于时空特性红外弱小目标检测方法的示例性流程图;
图2为根据本发明的探测目标的目标红外图像示意图;
图3为对图2进行处理后获得的高频分量滤波图;
图4为进行邻域能量空间分布特性计算的九宫格示意图;
图5为真实目标的纹理梯度分布示意图。
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。
具体实施方式一、本发明提供了一种基于时空特性红外弱小目标检测方法,结合图1至图5所示,包括:
获取目标红外图像的高频分量滤波图,由高频分量滤波图确定多个可疑目标;
对每个可疑目标依次利用灰阶分布九宫格进行邻域能量空间分布特性的计算,再进行纹理梯度分布特性计算,再由可疑目标的方位俯仰尺度比及目标饱和度进行判断,最后进行目标时间域分布特性的判断,逐步剔除可疑目标中的伪目标,最后确定真实目标。
本实施方式中,获取目标红外图像的高频分量滤波图是为了确定目标红外图像中的所有可疑点作为可疑目标;然后对每个可疑目标依次进行分析判断,通过空间域对目标真伪的判断,使用原始目标红外图像中的相应位置;通过时间域对目标真伪的判断,使用高频分量滤波图中的相应位置。通过逐级去除伪目标的方式,最后确定真实目标。
本实施方式基于目标红外图像中的目标特性,采用了与现有技术不同的图像处理手段来判定图像中的真实目标,实现了对目标背景中干扰的有效排除,有利于更准确的定位目标红外图像中的真实目标。
进一步,结合图2和图3所示,所述高频分量滤波图通过对采集的目标红外图像进行最大最小滤波,去除平缓背景后获取。
本实施方式的高频分量滤波图包含了目标和干扰噪声的信息。由所述高频分量滤波图中可以得到所有可疑目标或者云层边缘等的高频分量。
再进一步,结合图4所示,所述利用灰阶分布九宫格进行邻域能量空间分布特性的计算方法包括:
针对每个可疑目标,由高频分量滤波图确定可疑目标的型心、方位尺寸及俯仰尺寸,然后在目标红外图像的相应位置以型心为中心,以当前可疑目标为中间分格,建立九宫格;分别计算九宫格中每个小分格图像的灰度均值和灰度方差,当可疑目标的八个邻域中满足预设能量空间分布要求的领域小于六个,则判定为伪目标。
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,在滤波后目标保持完整,仍为点状目标。对于真实目标来说,其所在九宫格的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方位俯仰尺度信息,然后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。如图4所示,图中数字表示九宫格的顺序数,5号区域表示可疑目标所处的位置,其他数字区域是非目标的背景区域。
根据高频分量滤波图,能够计算出所有可疑目标的型心O。
再进一步,通过计算九宫格中每个小分格图像的灰度均值和灰度方差,判定伪目标的方法包括:
首先确定真实目标:
∑(gray_diffi)>=6,
∑(deta_diffi)>=6,
式中gray_diffi表示八邻域中第i个小分格图像的灰度均值与可疑目标所在小分格图像的灰度均值的大小关系,当可疑目标所在小分格图像的灰度均值大于第i个小分格图像的灰度均值,则gray_diffi为1,否则为0,mean5表示可疑目标所在小分格图像的灰度均值,meani表示每个邻域小分格图像的灰度均值,i=1,2,3,4,6,7,8,9;deta_diff表示八邻域中第i个小分格图像的灰度方差与可疑目标所在小分格图像的灰度方差的大小关系,当可疑目标所在小分格图像的灰度方差大于第i个小分格图像的灰度方差,则deta_diff为1,否则为0;deta5表示可疑目标所在小分格图像的灰度方差,detai表示八个邻域小分格图像的灰度方差;
对于满足上式的可疑目标,初步判定为真实目标,不满足上式的可疑目标则判定为伪目标,剔除。
分别计算九宫格中每个小分格图像的灰度均值和灰度方差,当满足上述公式时,可确定当前可疑目标为真实目标,否则为伪目标。本实施方式中,为了满足一定的余量,当八个领域中有六个领域满足要求,即可认为满足能量空间分布特性。
所述九宫格中每个小分格的方位俯仰尺寸分别由目标的方位尺寸及俯仰尺寸决定。
下面对可疑目标的纹理梯度分布特性进行分析:
再进一步,结合图5所示,对可疑目标进行纹理梯度分布特性计算的方法包括:
计算可疑目标的纹理梯度分布,将纹理梯度分布不满足高斯分布的可疑目标判断为伪目标,剔除。对可疑目标进行纹理梯度分布特性的计算,使用原始目标红外图像中的相应位置。
一般来说,空中弱小目标呈点状分布,其能量从中心向边缘逐渐递减,能量在红外图像上的表现形式为灰度。如图5所示,对于真实目标来说,会呈现图5中所示的由真实目标中心向外边缘逐渐递减的灰度分布,也就是说,其灰阶分布呈同心圆由中心向边缘递减,为满足高斯分布。而对于云层干扰造成的可疑目标,其呈细长条带状分布,梯度分布不满足高斯分布。因此,可在纹理梯度分布的环节,将云层干扰形成的可疑目标有效地剔除。本实施方式中,对目标的内在纹理进行分析,能有效剔除虚警,从而确定真实目标。图5中,外围的矩形框表示目标红外图像,小的矩形框表示目标的外接矩形。
计算可疑目标的梯度分布,如下面2个公式。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。真实目标的纹理分布示意图如图5,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。
再进一步,对可疑目标进行纹理梯度分布特性计算的方法还包括:
通过以下公式判断可疑目标的纹理梯度分布是否满足高斯分布:
G1=abs[8*f(x,y)-f(x-1,y-1)-f(x,y-1)-f(x+1,y-1)-f(x-1,y)-f(x+1,y)-f(x-1,y+1)-f(x,y+1)-f(x+1,y+1)]/8;
G2=abs[16*f(x,y)-f(x-2,y-2)-f(x-1,y-2)-f(x,y-2)-f(x+1,y-2)-f(x+2,y-2)-f(x-2,y-1)-f(x+2,y-1)-f(x-2,y)-f(x+2,y)-f(x-2,y+1)-f(x+2,y+1)-f(x-2,y+2)-f(x-1,y+2)-f(x,y+2)-f(x+1,y+2)-f(x+2,y+2)]/16;
式中f(x,y)是可疑目标图像(x,y)坐标处的灰度值,G1是可疑目标中心点坐标与内圈像素的平均差值;G2是可疑目标中心点坐标与外圈像素的平均差值;当G2大于G1时,可疑目标的纹理梯度分布满足高斯分布。
再进一步,由可疑目标的方位俯仰尺度比及目标饱和度进行判断的方法包括:
将方位俯仰尺度比大于6:1的可疑目标判定为伪目标,剔除;
再将目标饱和度小于0.25的可疑目标判定为伪目标,剔除。
对于飞机类或导弹类的真实目标来说,其方位俯仰比通常满足一定要求。当目标距离较远时,成像为点圆状或者椭圆状分布。以可疑目标外接矩形的长度和宽度作为目标的方位俯仰尺度,经过大量的数据统计,真实目标的方位俯仰尺度比小于或等于6:1,当方位俯仰尺度比大于6:1时,可以确定为噪声或者云层干扰。
目标饱和度可以定义为目标所占像素的个数和目标方位俯仰尺度乘积之比。
再进一步,所述目标饱和度θ的计算方法包括:
θ=s/(x0*y0),
式中s是可疑目标的面积,x0是可疑目标外接矩形的长度,y0是可疑目标外接矩形的宽度。
对于真实目标,呈现为圆状目标,呈凸型分布,因此经过大量数据统计,其目标饱和度θ不小于0.25;当目标饱和度θ小于0.25时,即判定为伪目标。
下面对目标的时间域分布特性进行分析:
再进一步,进行目标时间域分布特性的判断的方法包括:
对可疑目标前一时刻和当前时刻的目标特性进行判断,若有超过预期数目的目标特性发生突变,则判定为伪目标,剔除。通过时间域对可疑目标真伪的判断,使用高频分量滤波图中的相应位置。
所述预期数目根据实际需要设定。
再进一步,所述目标特性包括可疑目标外接矩形的长度、可疑目标外接矩形的宽度、可疑目标的面积、可疑目标亮度、可疑目标方位速度和可疑目标俯仰速度。
本实施方式中,针对时域,多帧累计,基于目标特性在短时间内具有的关联性,进行真实目标的判断。
作为示例,当真实目标第一次被确定时,目标的特性为T1(X,Y,w,h,s,gray,v1,v2);其中X为目标方位坐标,Y为目标俯仰坐标,w为目标宽度,h为目标高度,s为目标面积,gray为目标亮度,v1为目标方位速度,v2为目标俯仰速度。下一时刻目标的特性为T2(x,y,w,h,s,gray,v1,v2),若两个时刻探测到的为同一真实目标,应满足目标位置不发生突变,即在X和Y坐标值不发生突变的前提下,目标的其他特性保持一定的相关性。例如,当abs[X(t)-X(t-1)]>10或者abs[Y(t)-Y(t-1)]>10时,则认为X和Y坐标值发生突变;其中X(t)和Y(t)是当前时刻目标在平面直角坐标系中的位置,X(t-1)和Y(t-1)是前一时刻目标在平面直角坐标系中的位置。对于目标的相关性,例如,针对目标的另外6个自身性状,采用至少满足4个相近原则。即将目标前一时刻与下一时刻的w、h、s、gray、v1和v2进行一一比对,如果达到3个的性状发生突变,则非同一个目标。
另外,选定5个时刻的目标特性数据,若超过2个时刻发现目标偏离轨迹,则认为目标丢失。
对本发明的效果进行验证:
本发明方法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。
针对真实目标,采用本发明方法分析了100个目标及其八邻域空间的灰度均值和灰度方差,都满足本发明中灰度均值和灰度方差的判定公式;针对虚假目标,采用本发明方法对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,均不满足本发明中灰度均值和灰度方差的判定公式。
为了进一步降低虚警率,进行灰度均值和灰度方差分析后,再对目标纹理梯度分布特性进行分析。分析结果表明,对于所述100个目标均满足高斯分布;而对于100个负样本,有3个满足高斯分布,97个不满足高斯分布,因此可以进一步降低虚警率,提高检测概率。
再进一步针对目标饱和度和目标方位俯仰尺度比进行判断,所述100个目标均满足要求;100个负样本,有1个满足,99个不满足,因此利用该目标特性,可以进一步降低虚警率,提高检测概率。
再针对目标时间域分析探测器噪声等,若目标的出现具有随机性,例如连续5帧图像,最多只出现目标2次,则认为是伪目标,可进一步剔除。
具体实施例:实施本发明方法的具体设备,其图像信号处理器硬件平台可以采用TI公司生产的TMS320C6455DSP构建,并采用C语言编程实现。可将预先编写好的C语言程序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。具体流程如图1所示。
针对纯空中背景,首先对可疑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。
通过对目标邻域能量空间分布特性进行分析后,剔除了一部分伪目标,对剩下的可疑目标,使用目标纹理梯度分布特性进行分析。空中的弱小目标,在探测器上成像均为点晕状分布,目标中心处为能量的最大值处,能量从中心向边缘递减,满足高斯分布要求。因此对可疑目标进行灰度梯度计算,目标灰度由中心向边缘递减,梯度分布应满足同心环分布。计算目标的梯度分布,如候选目标不满足该分布,则为虚假目标,将其剔除;满足高斯分布,即为真实目标。
通过使用目标饱和度和目标方位俯仰尺度比限定准则,在空间域上进一步降低虚警率。
针对目标的6个自身性状,采用至少满足4个相近原则。即前一时刻和当前时刻目标宽度,目标高度,目标面积、目标亮度、目标方位速度和目标俯仰速度一一比对,如达到3个性状发生突变,则非同一个目标。选连续5个时刻,如超过2个时刻发现目标偏离轨迹,则认为目标丢失。
综上所述,本发明首先对可疑目标的纹理特征和邻域能量空间分布特性进行分析,即从空域对候选目标进行分析;空域分析后,对剩下的可疑目标,使用多帧累计,从时域相关性上进一步去伪存真,能够有效降低虚警率,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 (10)
1.一种基于时空特性红外弱小目标检测方法,其特征在于包括:
获取目标红外图像的高频分量滤波图,由高频分量滤波图确定多个可疑目标;
对每个可疑目标依次利用灰阶分布九宫格进行邻域能量空间分布特性的计算,再进行纹理梯度分布特性计算,再由可疑目标的方位俯仰尺度比及目标饱和度进行判断,最后进行目标时间域分布特性的判断,逐步剔除可疑目标中的伪目标,最后确定真实目标。
2.根据权利要求1所述的基于时空特性红外弱小目标检测方法,其特征在于:所述高频分量滤波图通过对采集的目标红外图像进行最大最小滤波,去除平缓背景后获取。
3.根据权利要求1或2所述的基于时空特性红外弱小目标检测方法,其特征在于:所述利用灰阶分布九宫格进行邻域能量空间分布特性的计算方法包括:
针对每个可疑目标,由高频分量滤波图确定可疑目标的型心、方位尺寸及俯仰尺寸,然后在目标红外图像的相应位置以型心为中心,以当前可疑目标为中间分格,建立九宫格;分别计算九宫格中每个小分格图像的灰度均值和灰度方差,当可疑目标的八个邻域中满足预设能量空间分布要求的领域小于六个,则判定为伪目标。
4.根据权利要求3所述的基于时空特性红外弱小目标检测方法,其特征在于:通过计算九宫格中每个小分格图像的灰度均值和灰度方差,判定伪目标的方法包括:
首先确定真实目标:
∑(gray_diffi)>=6,
∑(deta_diffi)>=6,
式中gray_diffi表示八邻域中第i个小分格图像的灰度均值与可疑目标所在小分格图像的灰度均值的大小关系,当可疑目标所在小分格图像的灰度均值大于第i个小分格图像的灰度均值,则gray_diffi为1,否则为0,mean5表示可疑目标所在小分格图像的灰度均值,meani表示每个邻域小分格图像的灰度均值,i=1,2,3,4,6,7,8,9;deta_diff表示八邻域中第i个小分格图像的灰度方差与可疑目标所在小分格图像的灰度方差的大小关系,当可疑目标所在小分格图像的灰度方差大于第i个小分格图像的灰度方差,则deta_diff为1,否则为0;deta5表示可疑目标所在小分格图像的灰度方差,detai表示八个邻域小分格图像的灰度方差;
对于满足上式的可疑目标,初步判定为真实目标,不满足上式的可疑目标则判定为伪目标,剔除。
5.根据权利要求1至4中任一项所述的基于时空特性红外弱小目标检测方法,其特征在于:对可疑目标进行纹理梯度分布特性计算的方法包括:
计算可疑目标的纹理梯度分布,将纹理梯度分布不满足高斯分布的可疑目标判断为伪目标,剔除。
6.根据权利要求5所述的基于时空特性红外弱小目标检测方法,其特征在于:
对可疑目标进行纹理梯度分布特性计算的方法还包括:
通过以下公式判断可疑目标的纹理梯度分布是否满足高斯分布:
G1=abs[8*f(x,y)-f(x-1,y-1)-f(x,y-1)-f(x+1,y-1)-f(x-1,y)-f(x+1,y)-f(x-1,y+1)-f(x,y+1)-f(x+1,y+1)]/8;
G2=abs[16*f(x,y)-f(x-2,y-2)-f(x-1,y-2)-f(x,y-2)-f(x+1,y-2)-f(x+2,y-2)-f(x-2,y-1)-f(x+2,y-1)-f(x-2,y)-f(x+2,y)-f(x-2,y+1)-f(x+2,y+1)-f(x-2,y+2)-f(x-1,y+2)-f(x,y+2)-f(x+1,y+2)-f(x+2,y+2)]/16;
式中f(x,y)是可疑目标图像(x,y)坐标处的灰度值,G1是可疑目标中心点坐标与内圈像素的平均差值;G2是可疑目标中心点坐标与外圈像素的平均差值;当G2大于G1时,可疑目标的纹理梯度分布满足高斯分布。
7.根据权利要求1至6中任一项所述的基于时空特性红外弱小目标检测方法,其特征在于:由可疑目标的方位俯仰尺度比及目标饱和度进行判断的方法包括:
将方位俯仰尺度比大于6:1的可疑目标判定为伪目标,剔除;
再将目标饱和度小于0.25的可疑目标判定为伪目标,剔除。
8.根据权利要求7所述的基于时空特性红外弱小目标检测方法,其特征在于:所述目标饱和度θ的计算方法包括:
θ=s/(x0*y0),
式中s是可疑目标的面积,x0是可疑目标外接矩形的长度,y0是可疑目标外接矩形的宽度。
9.根据权利要求1至8中任一项所述的基于时空特性红外弱小目标检测方法,其特征在于:
进行目标时间域分布特性的判断的方法包括:
对可疑目标前一时刻和当前时刻的目标特性进行判断,若有超过预期数目的目标特性发生突变,则判定为伪目标,剔除。
10.根据权利要求9所述的基于时空特性红外弱小目标检测方法,其特征在于:所述目标特性包括可疑目标外接矩形的长度、可疑目标外接矩形的宽度、可疑目标的面积、可疑目标亮度、可疑目标方位速度和可疑目标俯仰速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910209056.0A CN109872347A (zh) | 2019-03-19 | 2019-03-19 | 基于时空特性红外弱小目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910209056.0A CN109872347A (zh) | 2019-03-19 | 2019-03-19 | 基于时空特性红外弱小目标检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109872347A true CN109872347A (zh) | 2019-06-11 |
Family
ID=66920937
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910209056.0A Pending CN109872347A (zh) | 2019-03-19 | 2019-03-19 | 基于时空特性红外弱小目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109872347A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112489034A (zh) * | 2020-12-14 | 2021-03-12 | 广西科技大学 | 基于时域信息特征空间背景建模方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108520255A (zh) * | 2018-04-20 | 2018-09-11 | 北京环境特性研究所 | 一种红外弱小目标检测方法及装置 |
-
2019
- 2019-03-19 CN CN201910209056.0A patent/CN109872347A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108520255A (zh) * | 2018-04-20 | 2018-09-11 | 北京环境特性研究所 | 一种红外弱小目标检测方法及装置 |
Non-Patent Citations (4)
Title |
---|
孙越娇 等: "基于多源遥感卫星的海面舰船目标检测方法", 《激光与红外》 * |
张晟翀 等: "低空背景下红外目标提取跟踪算法研究", 《激光与红外》 * |
易翔 等: "基于多特征的快速红外弱小目标检测算法", 《光子学报》 * |
黄成 等: "干扰条件下的红外目标检测方法研究", 《航空兵器》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112489034A (zh) * | 2020-12-14 | 2021-03-12 | 广西科技大学 | 基于时域信息特征空间背景建模方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Konstantinou et al. | Adaptive computer vision-based 2D tracking of workers in complex environments | |
CN107451999B (zh) | 基于图像识别的异物检测方法和装置 | |
US20150023559A1 (en) | Image Processing Apparatus and Method | |
CN109740445B (zh) | 一种变尺寸的红外弱小目标检测方法 | |
CN109978851A (zh) | 一种红外视频空中弱小运动目标检测跟踪方法 | |
CN110400294B (zh) | 一种红外目标探测系统及探测方法 | |
CN109859247B (zh) | 近地面场景红外小目标检测方法 | |
US20020071595A1 (en) | Image processing apparatus and method | |
EP1105842B1 (en) | Image processing apparatus | |
CN112364865B (zh) | 一种复杂场景中运动小目标的检测方法 | |
CN108986130A (zh) | 一种空中背景下的红外弱小目标检测方法 | |
CN108038856B (zh) | 基于改进多尺度分形增强的红外小目标检测方法 | |
CN113030973A (zh) | 一种场面监视雷达信号处理系统及方法 | |
CN108647693A (zh) | 一种基于二元显著性特征的海面红外目标检测方法 | |
CN108520255A (zh) | 一种红外弱小目标检测方法及装置 | |
CN109461171B (zh) | 基于多通道改进DoG滤波的红外弱小目标检测算法 | |
CN109872347A (zh) | 基于时空特性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 | |
Jiang et al. | An infrared small target detection algorithm based on peak aggregation and Gaussian discrimination | |
CN108765456A (zh) | 基于直线边缘特征的目标跟踪方法、系统 | |
CN112435249A (zh) | 一种基于周扫红外搜索系统的动态小目标检测方法 | |
Zhang et al. | Infrared small dim target detection based on region proposal | |
CN117075112A (zh) | 一种方位角航迹匹配的无人艇雷达光电融合方法 | |
CN109544574B (zh) | 基于全固态vts雷达的目标提取方法 | |
CN110827257B (zh) | 一种嵌入式机载红外图像视觉导航定位方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190611 |
|
RJ01 | Rejection of invention patent application after publication |