CN111428573A - 一种复杂背景下的红外弱小目标检测虚警抑制方法 - Google Patents

一种复杂背景下的红外弱小目标检测虚警抑制方法 Download PDF

Info

Publication number
CN111428573A
CN111428573A CN202010134129.7A CN202010134129A CN111428573A CN 111428573 A CN111428573 A CN 111428573A CN 202010134129 A CN202010134129 A CN 202010134129A CN 111428573 A CN111428573 A CN 111428573A
Authority
CN
China
Prior art keywords
neighborhood
window
candidate target
vector
trace
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
Application number
CN202010134129.7A
Other languages
English (en)
Other versions
CN111428573B (zh
Inventor
朱伟
翟尚礼
赵春光
杜瀚宇
白俊奇
苗锋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Laisi Electronic Equipment Co ltd
Original Assignee
Nanjing Laisi Electronic Equipment Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Laisi Electronic Equipment Co ltd filed Critical Nanjing Laisi Electronic Equipment Co ltd
Priority to CN202010134129.7A priority Critical patent/CN111428573B/zh
Publication of CN111428573A publication Critical patent/CN111428573A/zh
Application granted granted Critical
Publication of CN111428573B publication Critical patent/CN111428573B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种复杂背景下的红外弱小目标检测虚警抑制方法，主要解决现有弱小目标检测技术中检测虚警率过高、检测鲁棒性低问题。包括如下步骤：1)首先对原始红外图像进行图像预处理，获取背景抑制图像；2)根据候选目标点迹向量位置信息进行目标点迹重映射，采用限定邻域最大值搜索方法生成候选目标点迹窗口；3)分别计算候选目标点迹窗口的相关菱形邻域、圆形邻域特征参数和邻域信噪比参数；4)依次对所有候选目标点迹窗口的邻域特征参数和邻域信噪比参数进行自适应阈值判断，实现虚警抑制后的弱小目标点迹提取。本发明可以用于目标搜索、远程监视、侦察告警等领域，红外弱小目标检测性能优异。

Description

一种复杂背景下的红外弱小目标检测虚警抑制方法
技术领域
本发明涉及数字图像处理技术领域，尤其涉及一种复杂背景下的红外弱小目标检测虚警抑制方法。
背景技术
红外弱小目标检测是远程光电搜索系统中一项重要技术，由于红外传感器在成像过程中易受到外界环境、天气、传感器噪声等影响，且在远距离获取红外图像时，背景相对较为复杂，特别是在云雨杂波、地物杂波等场景下，如何有效试试检测出真实红外弱小目标成为远程光电系统中的关键。红外弱小目标的特征表现像素点尺寸低于3×3，纹理特征信息缺失，图像信噪比低，小目标提取方法更多关注提高目标检测概率，导致在搜索系统中提取的虚警较高，从而带来观察员观察难度高、空情发现不及时，因此研究红外弱小目标检测如何抑制虚警具有很高的研究价值。
方义强等人在“一种基于方差标记的形态学红外弱小目标检测算法”中提出利用局部方差对红外图像像素点进行分类，剔除分类非目标像素，执行TOP-Hat变换，但是方差分类与选择计算复杂度高，分类准确率不高。王露等人在“基于对比度和梯度分布的红外弱小目标检测”中提出利用多尺度局部对比度机制增强图像，再利用局部梯度分布信息进行判别剔除伪区域，可显著降低虚警，但是分割阈值的选取受限于场景，鲁棒性难以保证。管学伟等人在专利“一种远距离红外弱小目标检测方法”中提出一种基于局部背景的目标检测算法，采用局部背景预测和虚假目标剔除等技术，降低了目标检测虚警率，该方法在复杂背景中效果较差，难以适应云、地物杂波下小目标检测。
发明内容
针对现有的技术的不足之处，本发明为解决现有光电搜索系统中的红外弱小目标检测虚警率高和鲁棒性差的问题，提出了一种复杂背景下的红外弱小目标检测虚警抑制方法，该方法计算复杂度较低且易于工程上实现。
本发明提供的一种复杂背景下的红外弱小目标检测虚警抑制方法包括以下步骤：
步骤1，输入原始红外图像和候选目标点迹向量，对原始红外图像f(x,y)采用相关邻域滤波进行图像预处理操作，得到背景抑制图像B(x,y)；
步骤2，生成候选目标点迹窗口图像；
步骤3，分别计算候选目标点迹窗口图像的相关菱形邻域特征参数、圆形邻域特征参数和邻域信噪比参数；
步骤4，依次对所有候选目标点迹窗口图像的菱形邻域特征参数、圆形邻域特征参数和邻域信噪比参数进行自适应阈值判断，实现虚警抑制后的小目标点迹提取。
步骤1包括：为克服地物杂波、环境光照等影响，采用如下公式进行相关邻域滤波：
Figure BDA0002396729690000021
其中，参数z1,z2,z3,z4计算公式如下：
z1＝mid[f(x-N:x+N,y)]
z2＝mid[f(x,y-N:y+N)]
z3＝mid[diag(f(x+N:x-N,y-N:y+N),1)]
z4＝mid[diag(f(x+N:x-N,y-N:y+N),2)]
其中，x,y分别为像素水平坐标和垂直坐标，max为向量取最大值操作，min为向量取最小值操作，mid为向量取中值操作，diag为向量取对角线操作，N为相关邻域模板尺寸大小。
步骤2包括：
对候选目标点迹向量Vp0(n，loc)的点迹中心像素位置信息(x0,y0)映射到背景抑制图像B(x,y)中心像素位置B(x0,y0)，在B(x0,y0)中心像素周围取M×M窗口区域得到窗口图像B0(x,y)，M一般取值为9，计算窗口图像B0(x,y)灰度最大值像素点位置B0(xmax,ymax)，并以B0(xmax,ymax)为窗口中心重新扩展M×M窗口区域，得到调整后的候选目标窗口图像B1(x,y)，依次完成对候选目标点迹向量Vp(n，loc)进行上述限定区域的最大值搜索映射生成候选目标点迹窗口Wp(n，rec)，最大值搜索映射方法使得小目标中心位置更能有效表示中心目标点信号幅度特征，相对比现有技术中采用目标质心或形心对目标位置表达更适用于目标窗口尺寸小于3×3的小目标，显著提高目标检测的鲁棒性。其中候选目标点迹向量Vp(n，loc)包括点迹序号、点迹中心像素水平与垂直位置，所述候选目标点迹窗口Wp(n，rec)包括点迹序号、点迹窗口左上角水平与垂直位置坐标、窗口宽度、窗口高度。
步骤3中，所述计算候选目标窗口图像的相关菱形邻域特征参数，包括：
定义目标窗口图像B1(x,y)中位置(x0，y0)构成的像素点为B1(x0,y0)，像素点B1(x0,y0)相关菱形一阶邻域特征向量是：
[B1(x0-1,y0)，B1(x0+1,y0)，B1(x0,y0-1)，B1(x0,y0+1)]
像素点B1(x,y)相关菱形二阶邻域特征向量是：
[B1(x0+2,y0)，B1(x0-2,y0)，B1(x0-1,y0-1)，B1(x0-1,y0+1)
B1(x0+1,y0-1)，B1(x0+1,y0+1)，B1(x0,y0-2)，B1(x0,y0+2)]
分别计算候选目标窗口图像的相关菱形一阶邻域特征向量的均值LM1、二阶邻域特征向量的均值LM2，再计算得到相关菱形邻域特征参数S1：
S1＝LM1/LM2。
步骤3中，所述计算候选目标窗口图像的相关圆形邻域特征参数，包括：
像素点B1(x0,y0)的相关圆形一阶邻域特征向量是：
[B1(x0-1,y0-1)，B1(x0,y0-1)，B1(x0+1,y0-1)，B1(x0-1,y0)
B1(x0+1,y0)，B1(x0-1,y0+1)，B1(x0,y0+1)，B1(x0+1,y0+1)]
像素点B1(x0,y0)的相关圆形二阶邻域特征向量是：
[B1(x0-2,y0-2)，B1(x0-1,y0-2)，B1(x0,y0-2)，B1(x0+1,y0-2)，
B1(x0+2,y0-2)，B1(x0-2,y0-1)，B1(x0+2,y0-1)，B1(x0-2,y0)，
B1(x0+2,y0)，B1(x0-2,y0+1)，B1(x0+2,y0+1)，B1(x0-2,y0+2)，
B1(x0-1,y0+2)，B1(x0,y0+2)，B1(x0+1,y0+2)，B1(x0+2,y0+2)]
分别计算候选目标窗口图像的相关圆形一阶邻域特征向量的均值CM1、二阶邻域特征向量的均值CM2，再计算得到相关圆形邻域特征参数S2：
S2＝CM1/CM2。
所述相关菱形邻域特征、相关圆形邻域特征刻画小目标的高斯信号凸包特性，解决现有技术中仅使用4邻域或8邻域对目标特征描述不精确问题。
步骤3中，所述计算候选目标窗口图像的邻域信噪比参数，包括：
以像素点B1(x0,y0)为中心，中心窗口模板尺寸为T×T，T一般取值为3，计算得到中心窗目标灰度均值GM：
GM＝med(B1(x0-T:x0+T,y0-T:y0+T)
其中，med为向量取均值操作；
计算像素点B1(x0,y0)为中心候选目标窗口图像的背景灰度均值BM、标准差BSTD：
BM＝med[B1(x0-M:x0+M,y0-M:y0+M)-B1(x0-T:x0+T,y0-T:y0+T)]
BSTD＝std[B1(x0-M:x0+M,y0-M:y0+M)-B1(x0-T:x0+T,y0-T:y0+T)]
其中med为向量取均值操作，M为候选目标窗口的模板尺寸大小，std为向量取标准差操作；
计算得到候选目标窗口的邻域信噪比LQ：
Figure BDA0002396729690000041
所述邻域信噪比特征能有效刻画小目标的幅度、信号区域噪声特性，精细化描述图像信号特性是降低复杂背景特别是云、地物、海杂波等下目标检测虚警概率的有效途径。
步骤4中，对邻域特征参数和邻域信噪比参数进行自适应阈值判断：
F＝S1＞U1&&S2＞U2&&LQ＞U3
其中，U1、U2、U3分别为相关菱形邻域特征参数阈值、相关圆形邻域特征参数阈值、邻域信噪比参数阈值，若参数F＝1，则判定候选目标为真目标；若参数F＝0，则剔除当前候选目标，实现虚警抑制后的小目标点迹提取。
步骤4中，对邻域特征参数和邻域信噪比参数进行自适应阈值判断中，相关菱形邻域特征参数阈值U1的计算方法为：
U1＝med(B1(x0-3:x0+3,y0-3:y0+3))/med(B(x,y))
其中med为向量取均值操作，B1(x0-3:x0+3,y0-3:y0+3)为像素点B1(x0,y0)为中心构建的3×3窗口向量。
步骤4中，对邻域特征参数和邻域信噪比参数进行自适应阈值判断中，相关圆形邻域特征参数阈值U2的计算方法为：
U2＝med(B1(x0-3:x0+3,y0-3:y0+3))/med(B1(x,y))
其中，B1(x0-3:x0+3,y0-3:y0+3)为像素点B1(x0,y0)为中心构建的3×3窗口向量。
步骤4中，对邻域特征参数和邻域信噪比参数进行自适应阈值判断中，邻域信噪比参数阈值U3的计算方法为：
Figure BDA0002396729690000051
其中，std为向量取标准差操作。
所述相关菱形邻域特征、相关圆形邻域特征和邻域信噪比参数阈值采用对候选目标窗口进行自动计算阈值参数，克服现有技术手段中人工选取阈值仅能适用单一场景，对复杂场景更具有通用性、鲁棒性。
有益效果：本发明公开一种复杂背景下的红外弱小目标检测虚警抑制的方法，解决了光电搜索系统中弱小目标提取虚警率高和鲁棒性低的问题。为克服杂波及环境光照对小目标影响，提出相关邻域滤波实现背景抑制，利用候选目标点迹位置信息重新映射与调整得到候选目标窗口图像，创新地提出候选目标窗口图像的相关菱形邻域、圆形邻域和邻域信噪比特征，更精确描述复杂背景下的弱小目标信号特性，通过自适应阈值判断实现虚警抑制后的小目标点迹提取。本发明在复杂云背景和地物背景下进行验证测试，对虚假弱小目标抑制效果明显，平均单帧处理时间低于30ms，虚警率降低15％，充分验证了本发明的有效性。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述和/或其他方面的优点将会变得更加清楚。
图1是根据本发明方法的流程图。
图2是相关菱形邻域特征示意图。
图3是相关圆形邻域特征示意图。
图4是候选点迹检测结果。
图5是虚警抑制后的目标检测点迹结果。
具体实施方式
结合图1所示，根据本发明的实施例，一种复杂背景下的红外弱小目标检测虚警抑制方法包括以下步骤：
步骤1，对原始红外图像f(x,y)，采用相关邻域滤波的方法进行背景抑制得到背景抑制图像B(x,y)。
所述相关邻域滤波方法为：
Figure BDA0002396729690000061
其中，参数z1,z2,z3,z4计算公式如下：
z1＝mid[f(x-N:x+N,j)]
z2＝mid[f(x,y-N:y+N)]
z3＝mid[diag(f(x+N:x-N,y-N:y+N),1)]
z4＝mid[diag(f(x+N:x-N,y-N:y+N),2)]
其中，x,y分别为像素水平坐标和垂直坐标，max为向量取最大值操作，min为向量取最小值操作，mid为向量取中值操作，diag为向量取对角线操作，N为相关邻域模板尺寸大小，N一般取值为5。
步骤2，对候选目标点迹向量Vp(n，loc)依次进行目标点迹重映射，采用限定邻域最大值搜索方法生成候选目标点迹窗口Wp(n，rec)。
所述限定邻域最大值搜索方法为：对候选目标点迹Vp0(n，loc)的点迹中心像素位置信息(x0,y0)映射到背景抑制图像B(x,y)中心像素位置B(x0,y0)，在B(x0,y0)中心像素周围取9×9窗口区域得到窗口图像B0(x,y)，计算窗口图像B0(x,y)灰度最大值像素点位置B0(xmax,ymax)，并以B0(xmax,ymax)为窗口中心重新扩展9×9窗口区域，得到调整后的候选目标窗口图像B1(x,y)，依次完成对候选目标点迹向量Vp(n，loc)进行上述限定区域的最大值搜索映射生成候选目标点迹窗口Wp(n，rec)。其中候选目标点迹向量Vp(n，loc)包括点迹序号、点迹中心像素水平与垂直位置，候选目标点迹窗口Wp(n，rec)包括点迹序号、点迹窗口左上角水平与垂直位置坐标、窗口宽度、窗口高度。
步骤3，分别计算候选目标窗口图像的相关菱形邻域、圆形邻域特征参数和邻域信噪比参数。
步骤3-1，如图2，所述计算候选目标窗口图像的相关菱形邻域特征参数步骤包括：
定义目标窗口图像B1(x,y)的某一像素点B1(x0,y0)，像素点B1(x0,y0)相关菱形一阶邻域特征向量是：
[B1(x0-1,y0)，B1(x0+1,y0)，B1(x0,y0-1)，B1(x0,y0+1)]
像素点B1(x,y)相关菱形二阶邻域特征向量是：
[B1(x0+2,y0)，B1(x0-2,y0)，B1(x0-1,y0-1)，B1(x0-1,y0+1)
B1(x0+1,y0-1)，B1(x0+1,y0+1)，B1(x0,y0-2)，B1(x0,y0+2)]
分别计算候选目标窗口图像的相关菱形一阶、二阶邻域特征向量的均值LM1、LM2，再计算得到相关菱形邻域特征参数S1：
S1＝LM1/LM2。
步骤3-2，如图3，所述计算候选目标窗口图像的相关圆形邻域特征参数步骤包括：
像素点B1(x0,y0)的相关圆形一阶邻域特征向量是：
[B1(x0-1,y0-1)，B1(x0,y0-1)，B1(x0+1,y0-1)，B1(x0-1,y0)
B1(x0+1,y0)，B1(x0-1,y0+1)，B1(x0,y0+1)，B1(x0+1,y0+1)]
像素点B1(x0,y0)的相关圆形二阶邻域特征向量是：
[B1(x0-2,y0-2)，B1(x0-1,y0-2)，B1(x0,y0-2)，B1(x0+1,y0-2)，
B1(x0+2,y0-2)，B1(x0-2,y0-1)，B1(x0+2,y0-1)，B1(x0-2,y0)，
B1(x0+2,y0)，B1(x0-2,y0+1)，B1(x0+2,y0+1)，B1(x0-2,y0+2)，
B1(x0-1,y0+2)，B1(x0,y0+2)，B1(x0+1,y0+2)，B1(x0+2,y0+2)]
分别计算候选目标窗口图像的相关圆形一阶、二阶邻域特征向量的均值CM1、CM2，再计算得到相关圆形邻域特征参数S2：
S2＝CM1/CM2。
步骤3-3，所述计算候选目标窗口图像的邻域信噪比参数步骤包括：
以像素点B1(x0,y0)为中心，中心窗口模板尺寸为3×3，计算得到中心窗目标灰度均值GM：
GM＝med(B1(x0-3:x0+3,y0-3:y0+3)
其中，med为向量取均值操作；
计算像素点B1(x0,y0)为中心候选目标窗口图像的背景灰度均值BM、标准差BSTD：
BM＝med[B1(x0-9:x0+9,y0-9:y0+9)-B1(x0-3:x0+3,y0-3:y0+3)]
BSTD＝std[B1(x0-9:x0+9,y0-9:y0+9)-B1(x0-3:x0+3,y0-3:y0+3)]
其中med为向量取均值操作，std为向量取标准差操作；
计算得到候选目标窗口的邻域信噪比LQ：
Figure BDA0002396729690000081
步骤4，计算相关菱形邻域特征参数阈值U1、相关圆形邻域特征参数阈值U2、邻域信噪比参数阈值U3，对邻域特征参数S1、S2和邻域信噪比参数LQ进行自适应阈值判断得到综合权值F，若F＝1，则判定候选目标为真目标；若F＝0，则剔除当前候选目标。依次对所有候选目标点迹窗口进行上述判断，实现虚警抑制后的小目标点迹提取。
所述具体计算方法为：
U1＝med(B1(x0-3:x0+3,y0-3:y0+3))/med(B(x,y))
U2＝med(B1(x0-3:x0+3,y0-3:y0+3))/med(B1(x,y))
Figure BDA0002396729690000091
F＝S1＞U1&&S2＞U2&&LQ＞U3
其中med为向量取均值操作，std为向量取标准差操作，B1(x0-3:x0+3,y0-3:y0+3)为像素B1(x0,y0)为中心构建的3×3窗口向量，B(x,y)为背景抑制图像，B1(x,y)为候选目标窗口图像。如图4、图5所示，相对比原始目标检测效果，对天空云背景场景经过虚警抑制后能显著剔除虚假目标，且对小目标位置定位更加精准，经实验验证所提方法的有效性。
本发明提供了一种复杂背景下的红外弱小目标检测虚警抑制方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims (10)

1.一种复杂背景下的红外弱小目标检测虚警抑制方法，其特征在于，包括如下步骤：
步骤1，输入原始红外图像和候选目标点迹向量，对原始红外图像f(x,y)采用相关邻域滤波进行图像预处理操作，得到背景抑制图像B(x,y)；
步骤2，生成候选目标点迹窗口图像；
步骤3，分别计算候选目标点迹窗口图像的相关菱形邻域特征参数、圆形邻域特征参数和邻域信噪比参数；
步骤4，依次对所有候选目标点迹窗口图像的菱形邻域特征参数、圆形邻域特征参数和邻域信噪比参数进行自适应阈值判断，实现虚警抑制后的弱小目标点迹提取。
2.如权利要求1所述的方法，其特征在于，步骤1包括：采用如下公式进行相关邻域滤波：
Figure FDA0002396729680000011
其中，参数z1,z2,z3,z4计算公式如下：
z1＝mid[f(x-N:x+N,y)]
z2＝mid[f(x,y-N:y+N)]
z3＝mid[diag(f(x+N:x-N,y-N:y+N),1)]
z4＝mid[diag(f(x+N:x-N,y-N:y+N),2)]
其中，x,y分别为像素水平坐标和垂直坐标，max为向量取最大值操作，min为向量取最小值操作，mid为向量取中值操作，diag为向量取对角线操作，N为相关邻域模板尺寸大小。
3.如权利要求2所述的方法，其特征在于，步骤2包括：
对候选目标点迹向量
Figure FDA0002396729680000012
的点迹中心像素位置信息(x0,y0)映射到背景抑制图像B(x,y)中心像素位置B(x0,y0)，在B(x0,y0)中心像素周围取M×M窗口区域得到窗口图像B0(x,y)，计算窗口图像B0(x,y)灰度最大值像素点位置B0(xmax,ymax)，并以B0(xmax,ymax)为窗口中心重新扩展M×M窗口区域，得到调整后的候选目标窗口图像B1(x,y)，依次完成对候选目标点迹向量Vp(n，loc)进行上述限定区域的最大值搜索映射生成候选目标点迹窗口Wp(n，rec)，其中候选目标点迹向量Vp(n，loc)包括点迹序号、点迹中心像素水平与垂直位置，所述候选目标点迹窗口Wp(n，rec)包括点迹序号、点迹窗口左上角水平与垂直位置坐标、窗口宽度、窗口高度。
4.如权利要求3所述的方法，其特征在于，步骤3中，所述计算候选目标窗口图像的相关菱形邻域特征参数，包括：
定义目标窗口图像B1(x,y)中位置(x0，y0)构成的像素点为B1(x0,y0)，像素点B1(x0,y0)相关菱形一阶邻域特征向量是：
[B1(x0-1,y0)，B1(x0+1,y0)，B1(x0,y0-1)，B1(x0,y0+1)]
像素点B1(x,y)相关菱形二阶邻域特征向量是：
[B1(x0+2,y0)，B1(x0-2,y0)，B1(x0-1,y0-1)，B1(x0-1,y0+1)
B1(x0+1,y0-1)，B1(x0+1,y0+1)，B1(x0,y0-2)，B1(x0,y0+2)]
分别计算候选目标窗口图像的相关菱形一阶邻域特征向量的均值LM1、二阶邻域特征向量的均值LM2，再计算得到相关菱形邻域特征参数S1：
S1＝LM1/LM2。
5.如权利要求4所述的方法，其特征在于，步骤3中，所述计算候选目标窗口图像的相关圆形邻域特征参数，包括：
像素点B1(x0,y0)的相关圆形一阶邻域特征向量是：
[B1(x0-1,y0-1)，B1(x0,y0-1)，B1(x0+1,y0-1)，B1(x0-1,y0)
B1(x0+1,y0)，B1(x0-1,y0+1)，B1(x0,y0+1)，B1(x0+1,y0+1)]
像素点B1(x0,y0)的相关圆形二阶邻域特征向量是：
[B1(x0-2,y0-2)，B1(x0-1,y0-2)，B1(x0,y0-2)，B1(x0+1,y0-2)，
B1(x0+2,y0-2)，B1(x0-2,y0-1)，B1(x0+2,y0-1)，B1(x0-2,y0)，
B1(x0+2,y0)，B1(x0-2,y0+1)，B1(x0+2,y0+1)，B1(x0-2,y0+2)，
B1(x0-1,y0+2)，B1(x0,y0+2)，B1(x0+1,y0+2)，B1(x0+2,y0+2)]
分别计算候选目标窗口图像的相关圆形一阶邻域特征向量的均值CM1、二阶邻域特征向量的均值CM2，再计算得到相关圆形邻域特征参数S2：
S2＝CM1/CM2。
6.如权利要求5所述的方法，其特征在于，步骤3中，所述计算候选目标窗口图像的邻域信噪比参数，包括：
以像素点B1(x0,y0)为中心，中心窗口模板尺寸为T×T，计算得到中心窗目标灰度均值GM：
GM＝med(B1(x0-T:x0+T,y0-T:y0+T)
其中，med为向量取均值操作；
计算像素点B1(x0,y0)为中心候选目标窗口图像的背景灰度均值BM、标准差BSTD：
BM＝med[B1(x0-M:x0+M,y0-M:y0+M)-B1(x0-T:x0+T,y0-T:y0+T)]
BSTD＝std[B1(x0-M:x0+M,y0-M:y0+M)-B1(x0-T:x0+T,y0-T:y0+T)]
其中med为向量取均值操作，M为候选目标窗口的模板尺寸大小，std为向量取标准差操作；
计算得到候选目标窗口的邻域信噪比LQ：
Figure FDA0002396729680000031
7.如权利要求6所述的方法，其特征在于，步骤4中，对邻域特征参数和邻域信噪比参数进行自适应阈值判断：
F＝S1＞U1&&S2＞U2&&LQ＞U3
其中，U1、U2、U3分别为相关菱形邻域特征参数阈值、相关圆形邻域特征参数阈值、邻域信噪比参数阈值，若参数F＝1，则判定候选目标为真目标；若参数F＝0，则剔除当前候选目标，实现虚警抑制后的小目标点迹提取。
8.如权利要求7所述的方法，其特征在于，步骤4中，对邻域特征参数和邻域信噪比参数进行自适应阈值判断中，相关菱形邻域特征参数阈值U1的计算方法为：
U1＝med(B1(x0-3:x0+3,y0-3:y0+3))/med(B(x,y))
其中med为向量取均值操作，B1(x0-3:x0+3,y0-3:y0+3)为像素B1(x0,y0)为中心构建的3×3窗口向量。
9.如权利要求8所述的方法，其特征在于，步骤4中，对邻域特征参数和邻域信噪比参数进行自适应阈值判断中，相关圆形邻域特征参数阈值U2的计算方法为：
U2＝med(B1(x0-3:x0+3,y0-3:y0+3))/med(B1(x,y))
其中，B1(x0-3:x0+3,y0-3:y0+3)为像素B1(x0,y0)为中心构建的3×3窗口向量。
10.如权利要求9所述的方法，其特征在于，步骤4中，对邻域特征参数和邻域信噪比参数进行自适应阈值判断中，邻域信噪比参数阈值U3的计算方法为：
Figure FDA0002396729680000041
其中，std为向量取标准差操作。
CN202010134129.7A 2020-03-02 2020-03-02 一种复杂背景下的红外弱小目标检测虚警抑制方法 Active CN111428573B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010134129.7A CN111428573B (zh) 2020-03-02 2020-03-02 一种复杂背景下的红外弱小目标检测虚警抑制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010134129.7A CN111428573B (zh) 2020-03-02 2020-03-02 一种复杂背景下的红外弱小目标检测虚警抑制方法

Publications (2)

Publication Number Publication Date
CN111428573A true CN111428573A (zh) 2020-07-17
CN111428573B CN111428573B (zh) 2021-06-25

Family

ID=71547378

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010134129.7A Active CN111428573B (zh) 2020-03-02 2020-03-02 一种复杂背景下的红外弱小目标检测虚警抑制方法

Country Status (1)

Country Link
CN (1) CN111428573B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112487918A (zh) * 2020-11-25 2021-03-12 天津津航技术物理研究所 一种红外图像小目标检测方法
CN113111878A (zh) * 2021-04-30 2021-07-13 中北大学 一种复杂背景下的红外弱小目标检测方法
CN113866742A (zh) * 2021-12-03 2021-12-31 南京楚航科技有限公司 一种4d毫米波雷达点云处理和目标分类的方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1514408A (zh) * 2002-09-12 2004-07-21 上海交通大学 复杂背景条件下红外弱小目标的检测与跟踪方法
CN101303732A (zh) * 2008-04-11 2008-11-12 西安交通大学 基于车载单目相机的运动目标感知与告警方法
CN101408981A (zh) * 2008-11-25 2009-04-15 中国电子科技集团公司第二十八研究所 一种红外弱小目标检测方法
CN101630404A (zh) * 2009-07-30 2010-01-20 上海交通大学 弱小目标二维图片噪声滤除中的匹配滤波方法
CN101882314A (zh) * 2010-07-20 2010-11-10 上海交通大学 基于超完备稀疏表示的红外小目标检测方法
CN103700113A (zh) * 2012-09-27 2014-04-02 中国航天科工集团第二研究院二O七所 一种下视复杂背景弱小运动目标检测方法
CN103760553A (zh) * 2013-12-04 2014-04-30 南京鹏力系统工程研究所 一种基于雷达视频的浮标定位及浮标丢失告警的方法
CN104766334A (zh) * 2015-04-21 2015-07-08 西安电子科技大学 红外弱小目标检测跟踪方法及其装置
CN106998472A (zh) * 2017-03-31 2017-08-01 华中科技大学 一种保持目标信息的压缩方法和系统
CN109375185A (zh) * 2018-10-12 2019-02-22 中国电子科技集团公司第十四研究所 一种基于二值图像连通域面积测量的点迹滤波技术
CN109492543A (zh) * 2018-10-18 2019-03-19 广州市海林电子科技发展有限公司 红外图像的小目标检测方法与系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1514408A (zh) * 2002-09-12 2004-07-21 上海交通大学 复杂背景条件下红外弱小目标的检测与跟踪方法
CN101303732A (zh) * 2008-04-11 2008-11-12 西安交通大学 基于车载单目相机的运动目标感知与告警方法
CN101408981A (zh) * 2008-11-25 2009-04-15 中国电子科技集团公司第二十八研究所 一种红外弱小目标检测方法
CN101630404A (zh) * 2009-07-30 2010-01-20 上海交通大学 弱小目标二维图片噪声滤除中的匹配滤波方法
CN101882314A (zh) * 2010-07-20 2010-11-10 上海交通大学 基于超完备稀疏表示的红外小目标检测方法
CN103700113A (zh) * 2012-09-27 2014-04-02 中国航天科工集团第二研究院二O七所 一种下视复杂背景弱小运动目标检测方法
CN103760553A (zh) * 2013-12-04 2014-04-30 南京鹏力系统工程研究所 一种基于雷达视频的浮标定位及浮标丢失告警的方法
CN104766334A (zh) * 2015-04-21 2015-07-08 西安电子科技大学 红外弱小目标检测跟踪方法及其装置
CN106998472A (zh) * 2017-03-31 2017-08-01 华中科技大学 一种保持目标信息的压缩方法和系统
CN109375185A (zh) * 2018-10-12 2019-02-22 中国电子科技集团公司第十四研究所 一种基于二值图像连通域面积测量的点迹滤波技术
CN109492543A (zh) * 2018-10-18 2019-03-19 广州市海林电子科技发展有限公司 红外图像的小目标检测方法与系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
SUYOG D等: "Max-Mean and Max-Median filters for detection of small-target", 《SPIE》 *
杜瀚宇等: "基于复合算子的红外复原图像弱小目标检测算法", 《指挥信息系统与技术》 *
王洋: "一种基于模板匹配的交通标志识别方法", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
盖芳钦等: "卫星红外图像点目标检测预处理", 《激光与红外》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112487918A (zh) * 2020-11-25 2021-03-12 天津津航技术物理研究所 一种红外图像小目标检测方法
CN113111878A (zh) * 2021-04-30 2021-07-13 中北大学 一种复杂背景下的红外弱小目标检测方法
CN113111878B (zh) * 2021-04-30 2022-03-18 中北大学 一种复杂背景下的红外弱小目标检测方法
CN113866742A (zh) * 2021-12-03 2021-12-31 南京楚航科技有限公司 一种4d毫米波雷达点云处理和目标分类的方法
CN113866742B (zh) * 2021-12-03 2022-02-22 南京楚航科技有限公司 一种4d毫米波雷达点云处理和目标分类的方法

Also Published As

Publication number Publication date
CN111428573B (zh) 2021-06-25

Similar Documents

Publication Publication Date Title
CN109272489B (zh) 基于背景抑制与多尺度局部熵的红外弱小目标检测方法
CN111428573B (zh) 一种复杂背景下的红外弱小目标检测虚警抑制方法
CN111582089B (zh) 基于卫星红外与可见光图像的海上目标信息融合方法
CN110349207B (zh) 一种复杂环境下的视觉定位方法
CN109460764B (zh) 一种结合亮度特征与改进帧间差分法的卫星视频船舶监测方法
CN107767400B (zh) 基于层次化显著性分析的遥感图像序列动目标检测方法
CN109740445B (zh) 一种变尺寸的红外弱小目标检测方法
CN108229342B (zh) 一种海面舰船目标自动检测方法
CN110490904B (zh) 一种弱小目标检测与跟踪方法
Lipschutz et al. New methods for horizon line detection in infrared and visible sea images
CN107392095A (zh) 一种基于掩码图像的红外弱小目标检测算法
Petraglia et al. Pipeline tracking and event classification for an automatic inspection vision system
Fu et al. Infrared sea-sky line detection utilizing self-adaptive Laplacian of Gaussian filter and visual-saliency-based probabilistic Hough 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
CN111428624B (zh) 一种光学遥感图像在轨舰船目标检测方法
CN112435249B (zh) 一种基于周扫红外搜索系统的动态小目标检测方法
CN114140484A (zh) 一种基于光电传感器的高鲁棒性海天线提取方法
CN104408432B (zh) 一种基于直方图修正的红外图像目标检测方法
CN113673385A (zh) 基于红外图像的海面舰船检测方法
CN115511804A (zh) 一种基于管道自适应滤波的海上红外弱小目标检测方法
CN112164097B (zh) 一种船舶视频检测样本采集方法
CN112348853B (zh) 基于红外显著性特征融合的粒子滤波跟踪的方法
CN112816956A (zh) 一种获取雷达目标信息的方法和装置
Faramarzi et al. Infrared dim and small targets detection based on multi-scale local contrast measure utilizing efficient spatial filters
CN112329796A (zh) 基于视觉显著性的红外成像卷云检测方法和装置

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