CN110223344B - 一种基于形态学和视觉注意机制的红外小目标检测方法 - Google Patents
一种基于形态学和视觉注意机制的红外小目标检测方法 Download PDFInfo
- Publication number
- CN110223344B CN110223344B CN201910474487.XA CN201910474487A CN110223344B CN 110223344 B CN110223344 B CN 110223344B CN 201910474487 A CN201910474487 A CN 201910474487A CN 110223344 B CN110223344 B CN 110223344B
- Authority
- CN
- China
- Prior art keywords
- mean
- matrix
- image
- area
- brightness
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 16
- 230000007246 mechanism Effects 0.000 title claims abstract description 9
- 230000000007 visual effect Effects 0.000 title claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 19
- 230000000877 morphologic effect Effects 0.000 claims abstract description 9
- 230000002708 enhancing effect Effects 0.000 claims abstract description 8
- 239000010902 straw Substances 0.000 claims abstract description 4
- 238000001914 filtration Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 5
- 230000002093 peripheral effect Effects 0.000 claims description 4
- 235000000391 Lepidium draba Nutrition 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000009191 jumping Effects 0.000 claims 1
- 238000010606 normalization Methods 0.000 claims 1
- 238000007781 pre-processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明属于目标检测技术领域,具体涉及一种基于形态学和视觉注意机制的红外小目标检测方法。本发明包括以下步骤:利用形态学方法进行图像增强;利用利用高斯差分DoG滤波器对增强后图像进行处理;将高斯滤波后的目标周围区域分为A0、A1和A2三部分,并统计各区域之间的亮度关系,如果其像素亮度关系满足草帽型分布,则将该区域标记为候选目标区域,并记录区域的大小;根据A0、A1、A2之间的亮度关系以及A0区域的大小,对候选区域做进一步增强处理;经过上述处理之后,将图像矩阵亮度最大值的位置记作红外小目标位置。本发明能够自动判别红外小目标的大小,在增强小目标的同时抑制复杂背景杂波干扰。
Description
技术领域
本发明属于目标检测技术领域,具体涉及一种基于形态学和视觉注意机制的红外小目标检测方法。
背景技术
由于环境场景复杂、地域跨度大、远距离成像等原因往往使得采集的红外图像目标具有如下特点:目标尺寸小、缺乏纹理和形状信息、易受背景干扰,易被杂波淹没,红外图像目标的尺寸通常小于80个像素。因此,亟需研究复杂背景下红外弱小目标的有效检测技术。
红外小目标检测通常包括预处理阶段和目标检测阶段。预处理方法分为基于背景特性的图像预处理和基于目标特性的图像预处理。其中基于背景特性的预处理方法具体主要包括空域滤波、时域滤波及变换域滤波。基于目标特性的图像预处理方法包括奇异值分解、小波变换和自适应滤波技术等。在单帧图像预处理完成后,采用最大类间方差法、直方图阈值法、迭代法、最大熵法等阈值分割算法分离目标和背景。随着技术不断发展,数学形态学理论、模糊理论、遗传算法等也广泛应用于红外小目标检测领域。
虽然研究者提出了众多红外小目标检测技术,但是现有方法仍然不能很好地从复杂背景中检测出红外小目标。
发明内容
本发明的目的在于解决现有方法不能很好地从复杂背景中检测出红外小目标的问题,为此,本发明提出一种基于形态学和视觉注意机制的红外小目标检测方法。本发明首先使用形态学方法和高斯差分DoG滤波对小目标进行初步增强;然后根据视觉注意机制进一步增强小目标,使得小目标成为图像中最显著的区域。该方法能够有效检测红外弱小目标。
本发明的目的是这样实现的:
一种基于形态学和视觉注意机制的红外小目标检测方法,包括以下步骤:
(1)利用形态学方法进行图像增强;
(2)利用利用高斯差分DoG滤波器对增强后的图像进行处理;
(3)将高斯滤波后的目标周围区域分为A0、A1和A2三部分,并统计各区域之间的亮度关系,如果其像素亮度关系满足草帽型分布,则将该区域标记为候选目标区域,并记录区域的大小;
(4)根据A0、A1、A2之间的亮度关系以及A0区域的大小,对候选区域做进一步增强处理;
(5)经过上述处理之后,将图像矩阵亮度最大值的位置记作红外小目标位置。
本发明的有益效果在于:
a.自动判别红外小目标的大小;
b.增强小目标的同时抑制复杂背景杂波干扰。
附图说明
图1为本发明区域划分图;
图2为本发明实验结果图,其中图2(a)为一幅包含红外小目标的原始图像,图2(b)为原始图像的灰度分布图,图2(c)为使用本方法增强后的图像灰度分布图。
具体实施方式
下面结合附图对本发明进一步详细说明。
设I为含有红外小目标的图像矩阵,其尺寸为H×W像素,I(i,j)表示(i,j)位置处图像的亮度。本发明的具体实现步骤如下:
步骤1,对图像I作形态学白顶帽变换和形态学黑顶帽变换,分别得到变换后的图像矩阵WT和BT。
步骤2,根据下式计算矩阵ef。
ef(i,j)=a×I(i,j)+β×WT(i,j)-y×BT(i,j)
其中,α,β,γ为正数,且α≤1,β≥1,γ≥1,i=1,2,···,H,j=1,2,···,W。
步骤3,令矩阵ef的均值为Th。
步骤4,取出矩阵ef中大于Th的元素组成矩阵Tar,取出矩阵ef中小于Th的元素组成矩阵Bac。
步骤5,根据下式计算新阈值Tn:
其中,meanup和meandown分别为矩阵Tar和矩阵Bac的均值,diff=meanup-meandown
f(diff)=log10(10+ε×diff),ε是与图像均值有关的参数,取值范围为[0,10]。
步骤6,判断Th和Tn是否相等,如果不相等则令Th=Tn,并跳转到步骤4。若相等,则继续进行步骤7。
步骤7,根据下式计算经过DoG增强之后的图像矩阵ism0:
ism0=G(Tar,0.5)-G(Tar,1)
其中,G(Tar,a)表示对图像Tar做高斯滤波,参数a为标准差。
步骤8,按照下式计算阈值th:
th=mu0+std0
其中,mu0和std0分别为图像矩阵ism0的均值和标准差。
步骤9,遍历图像ism0,找到候选目标区域。设点(r,c)为当前被遍历的像素位置,且r=1,2...,H,c=1,2,...W。按照图1进行区域划分,具体的候选目标区域计算方法如下:
1)令L=1,2,...5。A0表示以(r,c)为中心的目标区域,其大小为(2L+1)×(2L+1);A1为与A0区域相邻1个像素的外围区域;A2为与A1相邻1个像素的外围区域。
2)统计各区域的亮度均值。令meanA0,meanA1和meanA2分别为区域A0、A1和A2的像素亮度均值。
3)若meanA0>meanA2,且meanA2>meanA1,则标记以(r,c)为中心的(2L+1)×(2L+1)区域为候选目标区域。
步骤10,对于各个候选目标区域,考察其相对应的A2区域,统计A2中像素值大于meanA0的元素的个数,并令其为d02。
步骤11,对于各个候选目标区域,考察其相对应的A2区域和A1区域,比较A2与A1行向相邻或者列向相邻元素的亮度值,并统计A2中元素亮度值大于A1中对应元素亮度值的元素个数,并令其为d12。
步骤12,根据以下公式对d02和d12做归一化处理。
d02=d02/(8×L+28)
d12=d12/(8×L+12)
步骤13,若d02>0.9且d12>0.5,则按照下式计算最终的增强图像矩阵iFinal:
否则按照下式计算增强图像矩阵iFinal。
iFinal(r,c)=min(d02,d12)2×ism0(r,c)×Tar(r,c)
其中,max(.)为取最大值函数,min(.)为取最小值函数。
步骤14,利用下式对图像矩阵iFinal做进一步增强。
iFinal(i,j)=iFinal(i,j)×iFinal(i,j)
其中,i=1,2,…,H,j=1,2,…,W。
步骤15,矩阵iFinal中亮度值最大的像素即为小目标。
实验结果如图2所示,图2(a)显示了一幅包含红外小目标的原始图像,图2(b)显示原始图像的灰度分布图,图2(c)显示用本方法增强后的图像灰度分布图。比较图2(b)和图2(c)可知,本方法可以检测出复杂背景下的红外小目标。
本发明属于目标检测技术领域,具体涉及一种基于形态学和视觉注意机制的红外小目标检测方法。本发明主要包括以下步骤:利用形态学方法进行图像增强;利用利用高斯差分DoG滤波器对增强后的图像进行处理;将高斯滤波后的目标周围区域分为A0、A1和A2三部分,并统计各区域之间的亮度关系,如果其像素亮度关系满足草帽型分布,则将该区域标记为候选目标区域,并记录区域的大小;根据A0、A1、A2之间的亮度关系以及A0区域的大小,对候选区域做进一步增强处理;经过上述处理之后,将图像矩阵亮度最大值的位置记作红外小目标位置。本发明能够自动判别红外小目标的大小,在增强小目标的同时抑制复杂背景杂波干扰。
Claims (1)
1.一种基于形态学和视觉注意机制的红外小目标检测方法,其特征在于:利用形态学方法进行图像增强,利用高斯差分DoG滤波器对增强后图像进行处理;将高斯滤波后的目标周围区域分为A0、A1和A2三部分,并统计各区域之间的亮度关系,如果其像素亮度关系满足草帽型分布,则将该区域标记为候选目标区域,并记录区域的大小;根据A0、A1、A2之间的亮度关系以及A0区域的大小,对候选区域做进一步增强处理;经过上述处理之后,将图像矩阵亮度最大值的位置记作红外小目标位置;
具体包括以下步骤:
步骤1:对含有红外小目标的图像矩阵I作形态学白顶帽变换和形态学黑顶帽变换,分别得到变换后的图像矩阵WT和BT;
步骤2:计算矩阵ef;
ef(i,j)=α×I(i,j)+β×WT(i,j)-γ×BT(i,j)
其中,α、β、γ为正数,且α≤1,β≥1,γ≥1,i=1,2,···,H,j=1,2,···,W;I为含有红外小目标的图像矩阵,其尺寸为H×W像素,I(i,j)表示(i,j)位置处图像的亮度;
步骤3:令矩阵ef的均值为Th;
步骤4:取出矩阵ef中大于Th的元素组成矩阵Tar,取出矩阵ef中小于Th的元素组成矩阵Bac;
步骤5:计算新阈值Tn;
其中,meanup和meandown分别为矩阵Tar和矩阵Bac的均值;diff=meanup-meandown;f(diff)=log10(10+ε×diff);ε是与图像均值有关的参数;
步骤6:判断Th和Tn是否相等,如果不相等则令Th=Tn,并跳转到步骤4;若相等,则继续进行步骤7;
步骤7:计算经过DoG增强之后的图像矩阵ism0;
ism0=G(Tar,0.5)-G(Tar,1)
其中,G(Tar,a)表示对图像Tar做高斯滤波;参数a为标准差;
步骤8:计算阈值th:
th=mu0+std0
其中,mu0和std0分别为图像矩阵ism0的均值和标准差;
步骤9:遍历图像ism0,找到候选目标区域;设点(r,c)为当前被遍历的像素位置,且r=1,2,…,H;c=1,2,…W,具体的候选目标区域计算方法为:
步骤9.1:令L=1,2,…5,A0表示以(r,c)为中心的目标区域,其大小为(2L+1)×(2L+1);A1为与A0区域相邻1个像素的外围区域;A2为与A1相邻1个像素的外围区域;
步骤9.2:统计各区域的亮度均值,令meanA0,meanA1和meanA2分别为区域A0、A1和A2的像素亮度均值;
步骤9.3:若meanA0>meanA2,且meanA2>meanA1,则标记以(r,c)为中心的(2L+1)×(2L+1)区域为候选目标区域;
步骤10:对于各个候选目标区域,考察其相对应的A2区域,统计A2中像素值大于meanA0的元素的个数,并令其为d02;
步骤11:对于各个候选目标区域,考察其相对应的A2区域和A1区域,比较A2与A1行向相邻或者列向相邻元素的亮度值,并统计A2中元素亮度值大于A1中对应元素亮度值的元素个数,并令其为d12;
步骤12:对d02和d12做归一化处理;
d02=d02/(8×L+28)
d12=d12/(8×L+12)
步骤13:若d02>0.9且d12>0.5,则否则,iFinal(r,c)=min(d02,d12)2×ism0(r,c)×Tar(r,c);其中,max(.)为取最大值函数;min(.)为取最小值函数;
步骤14:对图像矩阵iFinal做进一步增强;
iFinal(i,j)=iFinal(i,j)×iFinal(i,j)
步骤15:矩阵iFinal中亮度值最大的像素即为小目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910474487.XA CN110223344B (zh) | 2019-06-03 | 2019-06-03 | 一种基于形态学和视觉注意机制的红外小目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910474487.XA CN110223344B (zh) | 2019-06-03 | 2019-06-03 | 一种基于形态学和视觉注意机制的红外小目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110223344A CN110223344A (zh) | 2019-09-10 |
CN110223344B true CN110223344B (zh) | 2023-09-29 |
Family
ID=67819427
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910474487.XA Active CN110223344B (zh) | 2019-06-03 | 2019-06-03 | 一种基于形态学和视觉注意机制的红外小目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110223344B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934870B (zh) * | 2019-01-30 | 2021-11-30 | 西安天伟电子系统工程有限公司 | 目标检测方法、装置、设备、计算机设备和存储介质 |
CN111767856B (zh) * | 2020-06-29 | 2023-11-10 | 烟台哈尔滨工程大学研究院 | 基于灰度值统计分布模型的红外小目标检测算法 |
CN111833319A (zh) * | 2020-07-02 | 2020-10-27 | 南京工程学院 | 一种基于红外视频的退役动力锂电池热点自动检测方法 |
CN113591579B (zh) * | 2021-06-28 | 2024-02-13 | 河北师范大学 | 基于注意机制卷积神经网络的显著性目标检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102819740A (zh) * | 2012-07-18 | 2012-12-12 | 西北工业大学 | 一种单帧红外图像弱小目标检测和定位方法 |
CN104036461A (zh) * | 2014-06-10 | 2014-09-10 | 河南科技大学 | 一种基于联合滤波的红外复杂背景抑制方法 |
KR101533925B1 (ko) * | 2014-05-20 | 2015-07-03 | 한양대학교 에리카산학협력단 | 적외선 영상에서 소형 표적 검출 방법 및 그 장치 |
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 |
CN106952246A (zh) * | 2017-03-14 | 2017-07-14 | 北京理工大学 | 基于视觉注意特性的可见光红外图像增强彩色融合方法 |
CN107563370A (zh) * | 2017-07-07 | 2018-01-09 | 西北工业大学 | 一种基于视觉注意机制的海上红外目标检测方法 |
CN109816641A (zh) * | 2019-01-08 | 2019-05-28 | 西安电子科技大学 | 基于多尺度形态学融合的加权局部熵红外小目标检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9147260B2 (en) * | 2010-12-20 | 2015-09-29 | International Business Machines Corporation | Detection and tracking of moving objects |
-
2019
- 2019-06-03 CN CN201910474487.XA patent/CN110223344B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102819740A (zh) * | 2012-07-18 | 2012-12-12 | 西北工业大学 | 一种单帧红外图像弱小目标检测和定位方法 |
KR101533925B1 (ko) * | 2014-05-20 | 2015-07-03 | 한양대학교 에리카산학협력단 | 적외선 영상에서 소형 표적 검출 방법 및 그 장치 |
CN104036461A (zh) * | 2014-06-10 | 2014-09-10 | 河南科技大学 | 一种基于联合滤波的红外复杂背景抑制方法 |
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 |
CN106952246A (zh) * | 2017-03-14 | 2017-07-14 | 北京理工大学 | 基于视觉注意特性的可见光红外图像增强彩色融合方法 |
CN107563370A (zh) * | 2017-07-07 | 2018-01-09 | 西北工业大学 | 一种基于视觉注意机制的海上红外目标检测方法 |
CN109816641A (zh) * | 2019-01-08 | 2019-05-28 | 西安电子科技大学 | 基于多尺度形态学融合的加权局部熵红外小目标检测方法 |
Non-Patent Citations (7)
Title |
---|
Jufeng Zhao,et al..Real-time automatic small target detection using saliency extraction and morphological theory.《Optics and Laser Technology》.2012,第47卷全文. * |
Xin Wang,et al..Infrared dim target detection based on visul attention.《Infrared Physics and Technology》.2012,第55卷(第6期),全文. * |
丁春云 ; 王敏 ; .基于视觉注意机制的红外小目标检测算法.华中科技大学学报(自然科学版).第43卷(S1),全文. * |
基于目标、背景比例的灰度图像自动阈值选取方法;郑丽颖等;《应用技术》;第37卷(第2期);全文 * |
红外单帧图像弱小目标检测技术综述;王好贤;董衡;周志权;;《激光与光电子学进展》(第8期);全文 * |
薛松等.基于局部峰值的红外弱小目标快速检测.《光子学报》.2013,第42卷(第2期),第229页. * |
邓亚平等.基于视觉注意机制的红外弱小目标检测.《华中科技大学(自然科学版)》.第43卷(S1),第182页. * |
Also Published As
Publication number | Publication date |
---|---|
CN110223344A (zh) | 2019-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110223344B (zh) | 一种基于形态学和视觉注意机制的红外小目标检测方法 | |
CN110415208B (zh) | 一种自适应目标检测方法及其装置、设备、存储介质 | |
CN110782477A (zh) | 基于序列图像的运动目标快速检测方法、计算机视觉系统 | |
CN109978848B (zh) | 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法 | |
CN108109159B (zh) | 一种基于hessian矩阵和区域增长相结合的视网膜血管分割系统 | |
CN111259925B (zh) | 基于k均值聚类和宽度突变算法的田间麦穗计数方法 | |
CN109272461A (zh) | 基于中值滤波和全局直方图的红外图像增强方法 | |
CN110455201B (zh) | 基于机器视觉的茎秆作物高度测量方法 | |
CN115049834B (zh) | 基于夜间灯光数据与高分辨率影像的城市建成区提取方法 | |
Chitra et al. | A survey on image analysis techniques in agricultural product | |
CN116524224A (zh) | 一种基于机器视觉的烤后烟叶类型检测方法及系统 | |
CN109801235B (zh) | 一种绿萝叶片病害原因检测方法及装置 | |
CN117575953B (zh) | 一种高分辨率林业遥感图像细节增强方法 | |
CN115018785A (zh) | 基于视觉振频识别的提升钢丝绳张力检测方法 | |
Fazli et al. | A novel retinal vessel segmentation based on local adaptive histogram equalization | |
CN112163606B (zh) | 基于块对比度加权的红外小目标检测的方法 | |
Zhu et al. | Corn leaf diseases diagnostic techniques based on image recognition | |
Di et al. | The research on the feature extraction of sunflower leaf rust characteristics based on color and texture feature | |
Mustaghfirin et al. | The comparison of iris detection using histogram equalization and adaptive histogram equalization methods | |
Xu et al. | Computer assistance image processing spores counting | |
CN110647843B (zh) | 一种人脸面部图像处理方法 | |
Zhang et al. | Algorithm for segmentation of whitefly images based on DCT and region growing | |
CN107944426B (zh) | 基于纹理滤波和二维光谱特征空间判别相结合的小麦叶片白粉病斑标记方法 | |
CN112070095A (zh) | 一种基于物联网技术的胡柚病虫害监测方法 | |
Hou et al. | Research on tumor image segmentation in medical imaging based on extremum adaptive median filtering |
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 |