CN111144226A - 一种基于海杂波曲率特性的海面红外小目标检测方法 - Google Patents
一种基于海杂波曲率特性的海面红外小目标检测方法 Download PDFInfo
- Publication number
- CN111144226A CN111144226A CN201911223465.2A CN201911223465A CN111144226A CN 111144226 A CN111144226 A CN 111144226A CN 201911223465 A CN201911223465 A CN 201911223465A CN 111144226 A CN111144226 A CN 111144226A
- Authority
- CN
- China
- Prior art keywords
- sea
- curvature
- sea surface
- infrared
- sea clutter
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Aiming, Guidance, Guns With A Light Source, Armor, Camouflage, And Targets (AREA)
Abstract
本发明提出了一种基于海杂波曲率特性的海面红外小目标检测方法,根据JONSWAP谱模型和Cox‑Munk理论建立红外海杂波模型;计算红外小目标与海杂波背景在不同方向上的曲率;根据红外海杂波在正交方向上的曲率特性;计算图像正交融合后的曲率图;对融合后的曲率图通过自适应阈值进行目标与背景的分割,将大于阈值的像素点作为目标区域。本发明精度高,可靠性好。
Description
技术领域
本发明属于目标检测技术领域,具体为一种基于海杂波曲率特性的海面红外小目标检测方法。
背景技术
在研究海面目标的红外辐射特性及成像时,海面背景的辐射是一个巨大的干扰源。因此,海面背景的辐射特性的研究对于红外仿真,红外目标检测与识别具有重要意义。随着红外成像系统的不断发展,对红外海洋背景特征的精确描述就显得至关重要。
传统的背景抑制方法主要是基于滤波器的方法,如最大中值/均值滤波器(Max-Median/Max-Mean)、形态滤波、利用数学形态学操作的Top-hat滤波器、小波滤波等等。这些方法通常耗时较少,并且在SCR(信号杂波比)高时表现良好。然而,当SCR低时,这些方法将导致较高的虚警率。2015年,ZHAO等将主曲率引入红外小目标检测中来,提出了主曲率函数滤波的检测算法,但是由于海面场景下背景的复杂度较高,该主曲率函数滤波算法的背景抑制效果并不明显。
发明内容
本发明的目的在于提出了一种基于海杂波曲率特性的海面红外小目标检测方法。
实现本发明目的的技术方案为:一种基于海杂波曲率特性的海面红外小目标检测方法,包括以下步骤:
步骤1、根据JONSWAP谱模型和Cox-Munk理论建立红外海杂波模型;
步骤2、计算红外小目标与海杂波背景在不同方向上的曲率;
步骤3、根据红外海杂波在正交方向上的曲率特性,步骤3、计算图像正交融合后的曲率图;
步骤4、对融合后的曲率图通过自适应阈值进行目标与背景的分割,将大于阈值的像素点作为目标区域。
优选地,建立红外海杂波模型,具体步骤为:
步骤1-1、根据JONSWAP谱模型得到三维海浪波幅,三维海浪波幅的表达式为:
其中,S(w)为一维海浪谱,εn是0~2π范围内的随机初相位,θn=n*Δθ,wn=w+(n+0.5)*Δw,Δw表示角频率间隔,Δθ表示方向间隔,w表示角频率;
步骤1-2、用各个海浪微面的法方量来描述海面微元的的斜率分量参数Sx和Sy,即:
步骤1-3、根据Cox-Munk模型确定海面反射率ρ,具体公式为:
步骤1-4、根据计算得到的海面反射率ρ(λ),得到红外海杂波的数学模型。
优选地,计算红外小目标与海杂波背景在不同方向上的曲率的具体方法为:
步骤2-1、利用facet模型对海面图像进行描述,具体表达式为:
式中,{Pi(r,c)}={1,r,c,r2-2,rc,c2-2,r3-(17/5)r,(r2-2)c,r(c2-2),c3-(17/5)c}为离散正交多项式基底,并且满足(r,c)∈R×C,其中Ki为组合系数,R和C是对称邻域内的索引集;
步骤2-2、结合方向导数的计算原理,计算像素(x0,y0)沿着方向向量l的一阶方向导数与二阶方向导数,即红外小目标与海杂波背景在不同方向上的曲率,具体为:
式中,β代表方向向量l与图像列方向的夹角。
优选地,计算图像正交融合后的曲率图的方法具体为:
步骤3-1、以图像的一阶方向导数F(x,y)中具有正数的点作为起始点,沿着求导方向计算N个点的一阶方向导数,确定起始点到第N个点中间是否过零点,得到图像中一阶导数过零点的区域;
步骤3-2、将二阶方向导数值为负数的点作为目标点候选区域,将二阶方向导数取绝对值,并将所有的绝对值归一化映射到(0,1)区间上,得到图像的方向曲率图;
步骤3-3、选取水平和垂直方向上的曲率进行两两融合,得到图像正交融合后的曲率图。
本发明与现有技术相比,其显著优点为:本发明通过建立红外海杂波模型,分析小目标和红外海杂波不同方向的曲率特性,可以有效检测强海杂波背景下小目标;本发明在数据处理上利用像素点进行计算,精度更高,得出的结果数据可靠性高。
下面结合说明书附图对本发明作进一步描述。
附图说明
图1为本发明的流程示意图。
图2为图像中随机位置在不同方向上的曲率示意图。
图3为图像中均匀分布的九个点在不同方向上的曲率示意图。
图4为各个算法在不同场景下的检测结果图。
图5为各个算法在不同场景下的ROC曲线图。
下面结合附图对本发明作进一步说明。
具体实施方式
如图1所示,一种基于海杂波曲率特性的海面红外小目标检测方法,包括以下步骤:
步骤1,根据JONSWAP谱模型和Cox-Munk理论建立红外海杂波模型,具体步骤为:
根据JONSWAP谱模型得到三维海浪波幅,三维海浪波幅的表达式为:
其中,S(w)为一维海浪谱,εn是0~2π范围内的随机初相位,θn=n*Δθ,wn=w+(n+0.5)*Δw,只需选择适当的角频率间隔Δw,方向间隔Δθ就能得到三维海浪波幅,w表示角频率。
用各个海浪微面的法方量来描述海面微元的的斜率分量参数Sx和Sy,即:
根据Cox-Munk模型确定海面反射率ρ,具体公式为:
根据计算得到的海面反射率ρ(λ),最终得到红外海杂波的数学模型,其表达式为:
其中,λ为波长,τ是海面与探测器间的大气透过率;ε是海面的发射率;Nb(Tsea)是海面温度的黑体辐射;ρ是海面的反射率;Nsky是天空辐射;Nsun是太阳辐射;NA是探测器和海面之间的大气路径辐射。
步骤2,计算红外小目标与海杂波背景在不同方向上的曲率特性。
利用facet模型对海面图像进行描述,具体表达式为:
式中,{Pi(r,c)}={1,r,c,r2-2,rc,c2-2,r3-(17/5)r,(r2-2)c,r(c2-2),c3-(17/5)c}为离散正交多项式基底,并且满足(r,c)∈R×C,其中Ki为组合系数,R和C是对称邻域内的索引集,其中R={-2,-1,0,1,2},C={-2,-1,0,1,2},Ki具体为Ki(x,y)=f(x+r,y+c)*Wi,i=2,3,…,10,其中:
结合方向导数的计算原理,计算像素(x0,y0)沿着方向向量l的一阶方向导数与二阶方向导数,即红外小目标与海杂波背景在不同方向上的曲率,具体为:
式中,β代表方向向量l与图像列方向的夹角。利用上述红外海杂波模型构建了一幅300×300的红外海杂波图像,如图2所示,首先在图像中随机选取一点(180,240),接着如图3所示在图像中以九宫格的形式均匀选取九个点,计算其与y轴夹角为0°~360°的360种不同方向曲线的曲率,分析红外海杂波图像在不同方向上的曲率特性。
步骤3,计算图像正交融合后的曲率图。
首先,以图像的一阶方向导数F(x,y)中具有正数的点作为起始点,沿着求导方向计算N个点的一阶方向导数,确定起始点到第N个点中间是否过零点,确定方式为:
F(data)·F(data+i)<0,(i=N,N-1,…,1)
式中,F(data)表示一阶导数值,F(data+i)表示沿着求导方向之后点的一阶方向导数值。N的大小由目标大小确定,一般取3≤N≤5。得到图像中一阶导数过零点的区域后,当一阶导数为零时,曲率就等于二阶导数。对于亮目标处其二阶方向导数值为一个负峰值,因此只取二阶方向导数值为负数的值,即将滤波结果大于0的值全部置为0,再对上一步处理之后的结果取绝对值,并将所有的值归一化映射到(0,1)区间上,最终得到了图像的方向曲率图。
进一步,考虑到目标与海杂波背景在各方向曲率上的区别,目标在空间上的任意方向的曲率均较大,海杂波背景在特定方向的曲率值较小甚至趋近于零,为了抑制这些背景,选取水平和垂直方向上的曲率进行两两融合,即:
步骤4,对融合后的曲率图通过自适应阈值进行目标与背景的分割。
进一步地,步骤4中,为了获取最终的目标区域,采用自适应阈值的方式进行图像分割,保留图像中曲率大于阈值的像素点,该点即为目标点。自适应阈值的求取公式为:
T=μ+kσ
式中,T表示阈值,μ为曲率图的均值,σ为曲率图的方差,k为系数。如图4所示,通过对比各个算法在不同场景下的检测结果,可以看出本发明所用算法检测结果最好。
从表1,表2中可以看出我们可以注意到,所本发明提出的方法在包括LSBRG和BSF的定量评估指标的结果值方面提供了最佳目标增强和背景杂波抑制性能。
表1
表2
根据图5的不同算法在各个场景下的ROC曲线图,可以看出本发明提出的方法在相同的虚警率下均得到了较高的检测率,且曲线更加贴近纵轴、曲线下方的面积也比其它几种方法更大,因此本发明提出的方法具有比其他方法更好的性能,本发明对于不同强度的海杂波背景下的小目标具有良好的检测效果和一定的鲁棒性。本发明精度高,可靠性好。
Claims (9)
1.一种基于海杂波曲率特性的海面红外小目标检测方法,其特征在于,包括以下步骤:
步骤1、根据JONSWAP谱模型和Cox-Munk理论建立红外海杂波模型;
步骤2、计算红外小目标与海杂波背景在不同方向上的曲率;
步骤3、根据红外海杂波在正交方向上的曲率特性,步骤3、计算图像正交融合后的曲率图;
步骤4、对融合后的曲率图通过自适应阈值进行目标与背景的分割,将大于阈值的像素点作为目标区域。
2.根据权利要求1所述基于海杂波曲率特性的海面红外小目标检测方法,其特征在于,建立红外海杂波模型,具体步骤为:
步骤1-1、根据JONSWAP谱模型得到三维海浪波幅,三维海浪波幅的表达式为:
其中,S(w)为一维海浪谱,εn是0~2π范围内的随机初相位,θn=n*Δθ,wn=w+(n+0.5)*Δw,Δw表示角频率间隔,Δθ表示方向间隔,w表示角频率;
步骤1-2、用各个海浪微面的法方量来描述海面微元的的斜率分量参数Sx和Sy,即:
步骤1-3、根据Cox-Munk模型确定海面反射率ρ,具体公式为:
步骤1-4、根据计算得到的海面反射率ρ(λ),得到红外海杂波的数学模型。
4.根据权利要求1所述基于海杂波曲率特性的海面红外小目标检测方法,其特征在于,计算红外小目标与海杂波背景在不同方向上的曲率的具体方法为:
步骤2-1、利用facet模型对海面图像进行描述,具体表达式为:
式中,{Pi(r,c)}={1,r,c,r2-2,rc,c2-2,r3-(17/5)r,(r2-2)c,r(c2-2),c3-(17/5)c}为离散正交多项式基底,并且满足(r,c)∈R×C,其中Ki为组合系数,R和C是对称邻域内的索引集;
步骤2-2、结合方向导数的计算原理,计算像素(x0,y0)沿着方向向量l的一阶方向导数与二阶方向导数,即红外小目标与海杂波背景在不同方向上的曲率,具体为:
式中,β代表方向向量l与图像列方向的夹角。
6.根据权利要求1所述基于海杂波曲率特性的海面红外小目标检测方法,其特征在于,计算图像正交融合后的曲率图的方法具体为:
步骤3-1、以图像的一阶方向导数F(x,y)中具有正数的点作为起始点,沿着求导方向计算N个点的一阶方向导数,确定起始点到第N个点中间是否过零点,得到图像中一阶导数过零点的区域;
步骤3-2、将二阶方向导数值为负数的点作为目标点候选区域,将二阶方向导数取绝对值,并将所有的绝对值归一化映射到(0,1)区间上,得到图像的方向曲率图;
步骤3-3、选取水平和垂直方向上的曲率进行两两融合,得到图像正交融合后的曲率图。
7.根据权利要求6所述基于海杂波曲率特性的海面红外小目标检测方法,其特征在于,确定起始点到第N个点中间是否过零点确的具体公式为:
F(data)·F(data+i)<0,(i=N,N-1,...,1)
式中,F(data)表示一阶导数值,F(data+i)表示沿着求导方向之后点的一阶方向导数值。
9.根据权利要求6所述基于海杂波曲率特性的海面红外小目标检测方法,其特征在于,自适应阈值的确定公式为:
T=μ+kσ
式中,T表示阈值,μ为曲率图的均值,σ为曲率图的方差,k为系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911223465.2A CN111144226A (zh) | 2019-12-03 | 2019-12-03 | 一种基于海杂波曲率特性的海面红外小目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911223465.2A CN111144226A (zh) | 2019-12-03 | 2019-12-03 | 一种基于海杂波曲率特性的海面红外小目标检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111144226A true CN111144226A (zh) | 2020-05-12 |
Family
ID=70517550
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911223465.2A Withdrawn CN111144226A (zh) | 2019-12-03 | 2019-12-03 | 一种基于海杂波曲率特性的海面红外小目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111144226A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114745046A (zh) * | 2022-03-16 | 2022-07-12 | 中国科学院西安光学精密机械研究所 | 一种分析从随机波动海面出射激光光束指向偏差的方法 |
-
2019
- 2019-12-03 CN CN201911223465.2A patent/CN111144226A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114745046A (zh) * | 2022-03-16 | 2022-07-12 | 中国科学院西安光学精密机械研究所 | 一种分析从随机波动海面出射激光光束指向偏差的方法 |
CN114745046B (zh) * | 2022-03-16 | 2023-09-01 | 中国科学院西安光学精密机械研究所 | 一种分析从随机波动海面出射激光光束指向偏差的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101258668B1 (ko) | 한반도 통합형 기상 레이더 품질 관리 시스템 및 그 방법 | |
US8885962B1 (en) | Realtime long range imaging scatter reduction | |
Nguyen et al. | Stereographic methods for cloud base height determination using two sky imagers | |
CN109767439A (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 | |
Yang et al. | Infrared small maritime target detection based on integrated target saliency measure | |
CN103761731A (zh) | 一种基于非下采样轮廓波变换的红外空中小目标检测方法 | |
CN104330767A (zh) | 基于相位模糊数搜索与最小二乘拟合的干涉仪测向方法 | |
CN105023254B (zh) | 一种合成孔径雷达图像的高度重建方法 | |
CN111369600B (zh) | 一种基于参照物的激光雷达点云数据配准方法 | |
CN107632964A (zh) | 一种平面地磁异常场向下延拓递归余弦变换法 | |
Xue et al. | Airborne optical polarization imaging for observation of submarine Kelvin wakes on the sea surface: Imaging chain and simulation | |
CN114373130A (zh) | 一种天基红外暗弱小运动目标检测方法 | |
CN111681272A (zh) | 一种基于奇异性功率谱的sar图像处理方法 | |
CN111144226A (zh) | 一种基于海杂波曲率特性的海面红外小目标检测方法 | |
Barbaresco et al. | Doppler spectrum segmentation of radar sea clutter by mean-shift and information geometry metric | |
CN105528760B (zh) | 一种基于热红外数据的云边缘高度匹配方法和系统 | |
Tian et al. | Joint spatio-temporal features and sea background prior for infrared dim and small target detection | |
Zhang et al. | Reconstruction of large complex sand-wave bathymetry with adaptive partitioning combining satellite imagery and sparse multi-beam data | |
CN109613489B (zh) | 一种基于模糊函数地貌特征的雷达信号分选方法 | |
Lin et al. | A new pattern for detection of streak-like space target from single optical images | |
CN113205564A (zh) | 一种sar智能目标边缘重构方法 | |
Li et al. | Polarization filtering for automatic image dehazing based on contrast enhancement | |
CN113673385B (zh) | 基于红外图像的海面舰船检测方法 | |
Zhang et al. | Style transformation-based change detection using adversarial learning with object boundary constraints | |
Labunets et al. | Structural analysis of transient characteristics of 3D objects in a monostatic optical location system |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200512 |
|
WW01 | Invention patent application withdrawn after publication |