CN110751667A - 基于人类视觉系统的复杂背景下红外弱小目标检测方法 - Google Patents
基于人类视觉系统的复杂背景下红外弱小目标检测方法 Download PDFInfo
- Publication number
- CN110751667A CN110751667A CN201910875030.XA CN201910875030A CN110751667A CN 110751667 A CN110751667 A CN 110751667A CN 201910875030 A CN201910875030 A CN 201910875030A CN 110751667 A CN110751667 A CN 110751667A
- Authority
- CN
- China
- Prior art keywords
- image
- sub
- block
- lcm
- infrared
- 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
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于人类视觉系统的红外弱小目标检测方法,首先对红外图像进行预处理,通过中值滤波去除红外图像中的孤立噪声点;其次对处理后的图像进行高斯函数差分滤波处理,抑制图像中大面积高亮区域;最后,通过改进的基于局部对比度方法去除高亮边缘区域,实现对复杂背景下红外弱小目标的检测。本发明可用于对红外图像中的弱小目标进行检测,具有检测率高、虚警率低、鲁棒性好、运行时间短的特点。
Description
技术领域
本发明涉及图像处理技术领域,具体地说是涉及复杂背景下红外图像处理技术领域中的一种基于人类视觉系统的红外弱小目标检测方法。
背景技术
弱小目标的检测与追踪一向是红外探测系统的核心技术之一,广泛地应用于精确制导、远程预警等各个领域。但由于红外图像本身具有低对比度、低信噪比和缺乏细节等特点,弱小目标由于成像距离和大气程辐射而存在纹理形状信息缺失、亮度低和成像面积小等问题,且复杂背景造成光源、云层建筑物等高亮边缘等高疑似目标较多,这些问题给复杂背景下红外弱小目标检测算法的研究造成了不小的挑战。
现有的红外弱小目标检测技术主要分为跟踪前检测与检测前跟踪两大类。其中跟踪前检测又分为三大类:第一类是基于滤波的方法,主要是通过滤波抑制背景,再将处理后的图像与原图像差分得到待检测目标,最终通过阈值分割得到检测结果。常见的典型方法有:高通滤波、中值滤波和最大值滤波、TDLMS(二维最小均方)滤波、小波滤波等。第二类是基于人类视觉系统的方法,主要通过模拟人眼捕捉目标时的局部对比度机制和自适应尺度匹配机制来完成算法,常见的典型方法有:DoG(高斯函数差分)滤波器、LoG(高斯-拉普拉斯)滤波器、Gabor(盖博)滤波等。
检测前跟踪通常对多帧图像目标的疑似轨迹进行跟踪,其主要研究跟踪算法,相比于跟踪前检测算法其针对信噪比低的目标检测效果更好,但实时性较差。常见的典型算法有:匹配滤波器、多维假设检验、动态规划等。
近年来随着机器学习领域的兴起,计算机视觉领域知识如神经网络更多地被应用于弱小目标检测领域,但这类方法模型训练复杂度高、所需训练集数据量较大、实时性较差,有一定的局限。
综上所述,尽管目前存在大量的红外弱小目标检测算法,但这些算法在实际应用中背景复杂情况下检测效果并不尽如人意,更存在着鲁棒性差、实时性低、实验环境单一等问题。因此,复杂背景下的红外弱小目标处理算法研究仍有较大的发展改善空间。
发明内容
本发明的目的是克服了现有技术中的复杂背景下红外弱小目标检测算法鲁棒性较差、实时性较低、算法复杂度较高等不足,提出了一种基于人类视觉系统的红外弱小目标检测方法,可广泛应用于复杂背景下红外图像中弱小目标检测,有效提高检测算法的准确率、实时性和鲁棒性等性能指标。
为了解决上述现有算法中普遍存在的技术问题,本发明的技术方案是:首先对红外图像进行中值滤波处理,然后用DoG算子进行滤波;然后将图像分割为若干个子块,再将子块均分为9部分,根据中心部分的灰度值和子块周围的像素灰度值为依据,选择是否对该子块进行局部对比度计算;经由局部对比度计算处理后的图像进行阈值分割,最终得到红外弱小目标的具体位置。其具体步骤为:
步骤1:输入大小为M×N待测红外图像I,图像I内像素点坐标记为(xI,yI);
步骤2:将输入图像I进行中值滤波处理,处理后得到图像Iin;
步骤3:对处理后的红外图像Iin通过DoG算子进行滤波处理,处理后得到图像IDoG;
步骤4:对处理后的红外图像IDoG进行LCM算法处理,算法具体步骤如下:
步骤4.1:将图像IDoG中满足 的像素点构成的图像块分割为3K×3K大小的子块V,其余像素点的灰度值均置为0,K取10,子块V再被均等分割为9个K×K大小的子块,中心子块记为v0,其他8个子块依次标号为v1,v2,v3,……,v7,v8,9个子块的平均灰度值依次为v0内所有像素点灰度值中最大值为Ln;
步骤4.2:分割出一个以子块v0为中心的5K×5K大小的子块w,w所包含的V区域内的像素灰度值置为0,对该子块进行二值化处理后得到子块wbw,wbw平均灰度值记为mean(wbw);
步骤4.3:当Ln大于阈值Th1,mean(wbw)小于阈值Th2时,继续步骤4.4和步骤4.5,否则子块V内所有像素灰度值置为0,Th1取100,Th2取1×10-5;
步骤4.6:以一定的步长在红外图像IDoG内选择子块V,直至整幅图像遍历结束,最终处理后得到图像ILCM,其像素点坐标记为(xLCM,yLCM),像素点对应灰度值记为ILCM(xLCM,yLCM),其满足:
步骤5:对图像ILCM进行归一化处理,处理后得到图像Ifinal;
步骤6:对图像Ifinal进行二值化处理,处理后得到图像Iout;
步骤7:对图像Iout连通区域的重心进行标记,此即为红外弱小目标所在的位置。
进一步的实施方案中,所述一种基于人类视觉系统的复杂背景下红外弱小目标检测方法,其特征在于:步骤2中中值滤波使用3×3矩阵。
进一步的实施方案中,所述一种基于人类视觉系统的复杂背景下红外弱小目标检测方法,其特征在于:步骤3中DoG算子具体形式为:
其中σ1为2,σ2为10,大小为5×5,则矩阵为:
与现有技术相比,本发明的有益效果是:
将DoG算子与LCM算法相结合,克服了DoG滤波算子无方向性和LCM算法逐像素计算实时性较差的缺点;
利用红外弱小目标属于高频成分的特性,经由DoG算子滤波后目标灰度值得到增强,此时仅选择中心亮度较大的子块进行LCM计算可以显著增强算法实时性;
利用红外弱小目标周围高频成分较少的孤立性,通过计算周围高频像素点占比并选择占比较低的子块进行LCM计算可以进一步增强算法实时性,更显著降低算法虚警率。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述或附加的方面和优点结合下面附图对实施例的描述将变得明显和容易理解,其中:
图1为红外弱小目标检测的基本流程图。
图2为改进的LCM算法中子块w、子块V及子块v0示意图。
图3为LCM算法滑动窗口即子块V遍历图像IDoG示意图。
图4为本文算法处理结果图,其中图(1)为原始红外图像I,图(2)为DoG滤波后图像IDoG,图(3)为改进的LCM算法处理后图像ILCM,图(4)为本发明算法检测结果图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述:
本发明提出了一种基于人类视觉系统的红外弱小目标检测方法,可广泛应用于复杂背景下红外图像中弱小目标检测,能有效提高检测算法的准确率、实时性和鲁棒性等性能指标。
实现本发明的技术思路是:首先对红外图像进行中值滤波处理,然后用DoG算子进行滤波;然后将图像分割为若干个子块,再将子块均分为9部分,根据中心部分的灰度值和子块周围的像素灰度值为依据,选择是否对该子块进行局部对比度计算;经由局部对比度计算处理后的图像进行阈值分割,最终得到红外弱小目标的具体位置。
参照图1,本发明实现的步骤如下:
步骤1:输入大小为M×N待测红外图像I,图像I内像素点坐标记为(xI,yI);
步骤2:将输入图像I进行中值滤波处理,处理后得到图像Iin;
步骤3:对处理后的红外图像Iin通过DoG算子进行滤波处理,处理后得到图像IDoG;
步骤4:对处理后的红外图像IDoG进行LCM算法处理,算法具体步骤如下:
步骤4.1:将图像IDoG中满足 的像素点构成的图像块分割为3K×3K大小的子块V,其余像素点的灰度值均置为0,K取10,子块V再被均等分割为9个K×K大小的子块,中心子块记为v0,其他8个子块依次标号为v1,v2,v3,……,v7,v8,9个子块的平均灰度值依次为v0内所有像素点灰度值中最大值为Ln;
步骤4.2:分割出一个以子块v0为中心的5K×5K大小的子块w,w所包含的V区域内的像素灰度值置为0,对该子块进行二值化处理后得到子块wbw,wbw平均灰度值记为mean(wbw);
步骤4.3:当Ln大于阈值Th1,mean(wbw)小于阈值Th2时,继续步骤4.4和步骤4.5,否则子块V内所有像素灰度值置为0,Th1取100,Th2取1×10-5;
步骤4.5:利用Ln和mmax运算得到值cn替代子块v0内所有像素灰度值,其中子块V内其他区域像素灰度值置为0;
步骤4.6:以一定的步长在红外图像IDoG内选择子块V,直至整幅图像遍历结束,最终处理后得到图像ILCM,其像素点坐标记为(xLCM,yLCM),像素点对应灰度值记为ILCM(xLCM,yLCM),其满足:
步骤5:对图像ILCM进行归一化处理,处理后得到图像Ifinal;
步骤6:对图像Ifinal进行二值化处理,处理后得到图像Iout;
步骤7:对图像Iout连通区域的重心进行标记,此即为红外弱小目标所在的位置。
进一步的实施方案中,所述一种基于人类视觉系统的复杂背景下红外弱小目标检测方法,其特征在于:步骤2中中值滤波使用3×3矩阵。
进一步的实施方案中,所述一种基于人类视觉系统的复杂背景下红外弱小目标检测方法,其特征在于:步骤3中DoG算子具体形式为:
其中σ1为2,σ2为10,大小为5×5,则矩阵为:
上述仅本发明较佳可行的实施例,并非因此局限本发明保护范围,依照上述实施例所作各种变形或套用均在此技术方案保护范围之内。
Claims (2)
1.一种基于人类视觉系统的复杂背景下红外弱小目标检测方法,其特征在于包含以下步骤:
步骤1:输入大小为M×N待测红外图像I,图像I内像素点坐标记为(xI,yI);
步骤2:将输入图像I进行中值滤波处理,处理后得到图像Iin;
步骤3:对处理后的红外图像Iin通过DoG算子进行滤波处理,处理后得到图像IDoG;
步骤4:对处理后的红外图像IDoG进行LCM算法处理,算法具体步骤如下:
步骤4.1:将图像IDoG中满足 的像素点构成的图像块分割为3K×3K大小的子块V,其余像素点的灰度值均置为0,K取10,子块V再被均等分割为9个K×K大小的子块,中心子块记为v0,其他8个子块依次标号为v1,v2,v3,……,v7,v8,9个子块的平均灰度值依次为v0内所有像素点灰度值中最大值为Ln;
步骤4.2:分割出一个以子块v0为中心的5K×5K大小的子块w,w所包含的V区域内的像素灰度值置为0,对该子块进行二值化处理后得到子块wbw,wbw平均灰度值记为mean(wbw);
步骤4.3:当Ln大于阈值Th1,mean(wbw)小于阈值Th2时,继续步骤4.4和步骤4.5,否则子块V内所有像素灰度值置为0,Th1取100,Th2取1×10-5;
步骤4.6:以一定的步长在红外图像IDoG内选择子块V,直至整幅图像遍历结束,最终处理后得到图像ILCM,其像素点坐标记为(xLCM,yLCM),像素点对应灰度值记为ILCM(xLCM,yLCM),其满足:
步骤5:对图像ILCM进行归一化处理,处理后得到图像Ifinal;
步骤6:对图像Ifinal进行二值化处理,处理后得到图像Iout;
步骤7:对图像Iout连通区域的重心进行标记,此即为红外弱小目标所在的位置。
2.根据权利要求1所述一种基于人类视觉系统的复杂背景下红外弱小目标检测方法,其特征在于:步骤3中所述的DoG算子矩阵为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910875030.XA CN110751667B (zh) | 2019-09-17 | 2019-09-17 | 基于人类视觉系统的复杂背景下红外弱小目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910875030.XA CN110751667B (zh) | 2019-09-17 | 2019-09-17 | 基于人类视觉系统的复杂背景下红外弱小目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110751667A true CN110751667A (zh) | 2020-02-04 |
CN110751667B CN110751667B (zh) | 2023-09-15 |
Family
ID=69276521
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910875030.XA Active CN110751667B (zh) | 2019-09-17 | 2019-09-17 | 基于人类视觉系统的复杂背景下红外弱小目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110751667B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111709885A (zh) * | 2020-04-29 | 2020-09-25 | 李武周 | 一种基于感兴趣区域和图像标记的红外弱小目标增强方法 |
CN113361321A (zh) * | 2021-04-21 | 2021-09-07 | 中山大学 | 一种红外小目标检测方法及装置 |
CN115170523A (zh) * | 2022-07-14 | 2022-10-11 | 哈尔滨工业大学 | 一种基于局部对比度的低复杂度红外弱小目标检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325446A (zh) * | 2018-09-19 | 2019-02-12 | 电子科技大学 | 一种基于加权截断核范数的红外弱小目标检测方法 |
CN109461171A (zh) * | 2018-09-21 | 2019-03-12 | 西安电子科技大学 | 基于多通道改进DoG滤波的红外弱小目标检测算法 |
CN110135312A (zh) * | 2019-05-06 | 2019-08-16 | 电子科技大学 | 一种基于分级lcm的快速小目标检测方法 |
-
2019
- 2019-09-17 CN CN201910875030.XA patent/CN110751667B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325446A (zh) * | 2018-09-19 | 2019-02-12 | 电子科技大学 | 一种基于加权截断核范数的红外弱小目标检测方法 |
CN109461171A (zh) * | 2018-09-21 | 2019-03-12 | 西安电子科技大学 | 基于多通道改进DoG滤波的红外弱小目标检测算法 |
CN110135312A (zh) * | 2019-05-06 | 2019-08-16 | 电子科技大学 | 一种基于分级lcm的快速小目标检测方法 |
Non-Patent Citations (1)
Title |
---|
YAO QIN ET AL.: ""Effective Infrared Small Target Detection Utilizing a Novel Local Contrast Method"" * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111709885A (zh) * | 2020-04-29 | 2020-09-25 | 李武周 | 一种基于感兴趣区域和图像标记的红外弱小目标增强方法 |
CN113361321A (zh) * | 2021-04-21 | 2021-09-07 | 中山大学 | 一种红外小目标检测方法及装置 |
CN113361321B (zh) * | 2021-04-21 | 2022-11-18 | 中山大学 | 一种红外小目标检测方法及装置 |
CN115170523A (zh) * | 2022-07-14 | 2022-10-11 | 哈尔滨工业大学 | 一种基于局部对比度的低复杂度红外弱小目标检测方法 |
CN115170523B (zh) * | 2022-07-14 | 2023-05-05 | 哈尔滨工业大学 | 一种基于局部对比度的低复杂度红外弱小目标检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110751667B (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Review of video and image defogging algorithms and related studies on image restoration and enhancement | |
CN107563433B (zh) | 一种基于卷积神经网络的红外小目标检测方法 | |
CN113065558A (zh) | 一种结合注意力机制的轻量级小目标检测方法 | |
CN111079556A (zh) | 一种多时相无人机视频图像变化区域检测及分类方法 | |
CN109684922B (zh) | 一种基于卷积神经网络的多模型对成品菜的识别方法 | |
CN104899866B (zh) | 一种智能化的红外小目标检测方法 | |
CN103942557B (zh) | 一种煤矿井下图像预处理方法 | |
CN109948566B (zh) | 一种基于权重融合与特征选择的双流人脸反欺诈检测方法 | |
CN110619352A (zh) | 基于深度卷积神经网络的典型红外目标分类方法 | |
CN110751667B (zh) | 基于人类视觉系统的复杂背景下红外弱小目标检测方法 | |
CN106815819B (zh) | 多策略粮虫视觉检测方法 | |
CN109389609B (zh) | 基于fart神经网络的交互自反馈红外目标检测方法 | |
CN109360179B (zh) | 一种图像融合方法、装置及可读存储介质 | |
CN110415208A (zh) | 一种自适应目标检测方法及其装置、设备、存储介质 | |
CN110135312B (zh) | 一种基于分级lcm的快速小目标检测方法 | |
CN108614998B (zh) | 一种单像素红外目标检测方法 | |
CN110660065A (zh) | 一种红外故障检测识别算法 | |
Zhao et al. | An adaptation of CNN for small target detection in the infrared | |
CN111027564A (zh) | 基于深度学习一体化的低照度成像车牌识别方法及装置 | |
Babu et al. | An efficient image dahazing using Googlenet based convolution neural networks | |
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 | |
CN109815784A (zh) | 一种基于红外热像仪的智能分类方法、系统及存储介质 | |
CN106778822B (zh) | 基于漏斗变换的图像直线检测方法 | |
CN113962900A (zh) | 复杂背景下红外弱小目标检测方法、装置、设备及介质 | |
CN112163606B (zh) | 基于块对比度加权的红外小目标检测的方法 |
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 |