CN111723808A - 一种基于最大值背景预测的红外弱目标提取方法 - Google Patents
一种基于最大值背景预测的红外弱目标提取方法 Download PDFInfo
- Publication number
- CN111723808A CN111723808A CN202010386957.XA CN202010386957A CN111723808A CN 111723808 A CN111723808 A CN 111723808A CN 202010386957 A CN202010386957 A CN 202010386957A CN 111723808 A CN111723808 A CN 111723808A
- Authority
- CN
- China
- Prior art keywords
- background
- prediction
- point
- predicted
- image
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/2163—Partitioning the feature space
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于最大值背景预测的红外弱目标提取方法,方法包括以下步骤:一是建立基于背景预测的弱小目标检测方法,首先建立背景模型,然后得到阵中的背景点到预测点的几何距离的选取权值;二是利用最大值背景预测算法提取红外弱目标,将预测点周围的背景像素点以自身为中心划分为4个区域,以4个区域中的像素点分别对该点进行背景预测,然后取四个值其中的最大值作为最终的预测值。本发明提出了一中提取红外弱目标的方法,解决了复杂背景条件下,远距离对红外弱目标的识别的难题,具有较强的应用价值。
Description
技术领域
本发明涉及一种基于最大值背景预测的红外弱目标提取方法。属于光学测量领域。
背景技术
任何物体,只要其温度高于绝对零度,就能产生红外辐射,因此,可以通过接收物体的红外辐射对物体进行探测和测量,这种方法具有主动探测、全天候,虚警率低等优 点,红外探测技术有着很广泛的应用。由于各种客观条件限制,大多数情况下需要在尽 可能远的距离对目标进行识别、跟踪,远距离的红外弱目标提取是目前的难点。
目前常用的方法有以下,一是阈值分割算法,但是对于典型红外弱小目标图像,即使采用自适应阈值,也难以彻底将目标与图像四周的高亮区域的噪声图像分离出来;二 是传统的背景预测方法,该方法对于单一背景的图像是有效的,但是对于背景存在强烈 变化的图像处理效果并不好。
发明内容
本发明所要解决的技术问题是针对上述现有技术提供一种基于最大值背景预测的 红外弱目标提取方法,实现复杂背景条件下的红外弱目标提取。
本发明解决上述问题所采用的技术方案为:
一种基于最大值背景预测的红外弱目标提取方法,所述方法包括以下步骤:
步骤一、基于背景预测的弱小目标检测
1、基本的背景模型预测公式如下所示:
式中X0是输入图像;Y(m,n)为预测图像,m和n为预测点中心位置坐标;sj为区 域背景选取点的范围,l和k为区域背景内坐标;W为权重矩阵;k为权重矩阵的分 母系数。
2、预测图像与输入图像之间的残差图像为:
Z(m,n)=X(m,n)-Y(m,n) (2)
式中X(m,n)为输入图像,Y(m,n)是背景预测灰度值。
3、选取权值的公式如下:
Wj(l,k)=r(l,k)/∑∑r(l,k) (3)
式中r(l,k)为矩阵中的背景点到预测点的几何距离。
步骤二、最大值背景预测算法
1、将预测点周围的背景像素点以自身为中心划分为4个区域,这4个区域的背景预测值分别是:
2、以4个区域中的像素点分别对该点进行背景预测,然后取四个值其中的最大值作为最终的预测值,即:
Ymax=max{Y1(m,n),Y2(m,n),Y3(m,n),Y4(m,n)} (5)
这样可以保证背景中的灰度较高区域或灰度较低区域任何一个方向的边界上的点 都是利用它周围的较亮背景来预测,这样可以大大降低亮暗背景交界处检测的虚警概率, 从而提高算法的检测性能。
与现有技术相比,本发明的优点在于:
本发明是建立在区域背景预测的检测思想基础上,将预测点周围的背景像素点以自 身为中心划分为若干区域,以每个区域中的像素点分别对该点进行背景预测,将每个区域背景其中的最大值作为最终的预测值,然后将原始图像与预测图像进行减法运算,检 测出与背景相关性不好的目标图像,实现复杂背景条件下的红外弱目标提取。
附图说明
图1背景预测算法背景点示意图
图2传统背景预测算法图像效果对比图
图3经过背景预测算法的残差图像
图4最大值与传统背景预测的对比效果图。
图5为采用最大值背景预测算法处与基本背景预测算法处理结果进行比较结果示意图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
1、区域背景预测的检测思想,背景图像在某一区域位置是相关的,而目标的灰度信息与背景没有相关性,对背景图像进行预测,得到预测背景图像,然后将原始图像与 预测图像进行减法运算,则可以检测出与背景相关性不好的目标图像。
2、对于背景点的选取,一般来说选取的背景点数越多,预测的效果越好,但是同时也增加了运算量,通常选取7×7矩阵作为背景预测运算矩阵,如图1所示。
3、距离越近,权重越小;距离预测点距离越远,权重值越大。背景预测算法的矩 阵算子如下式:
4、对一幅天空背景图像进行分析,基于背景预测处理结果图2所示。(a)为未经预测的原始图像,(b)为经过预测运算后的图像,(c)为原图频谱的频谱幅值图像,(d)为预 测运算后的频谱幅值图像。通过频谱图像的对比,可以看出经过背景预测运算有效的降 低了原图像的高频噪声。
5、利用基本背景预测算法对图2进行处理后的结果如图3所示,图中圆圈所标注的位置为目标所在位置。
6、最大值背景预测算法,将预测点周围的背景像素点以自身为中心划分为4个区域。
最大值背景预测的矩阵算子形式如下:
7、原始图像如图4,采用最大值背景预测算法处与基本背景预测算法处理结果进行 比较结果如图5所示。
图5中(a)、(b)、(c)分别为采用最大值背景预测算法的预测图、残差图和目标提取图;图5(d)、(e)、(f)分别为采用基本背景预测算法的预测图、残差图和目标提取图。
图5中可以看出:利用基于最大值背景预测方法可以效地抑制复杂背景影像边缘的 干扰,提高目标的检测效果。
除上述实施例外,本发明还包括有其他实施方式,凡采用等同变换或者等效替换方 式形成的技术方案,均应落入本发明权利要求的保护范围之内。
Claims (1)
1.一种基于最大值背景预测的红外弱目标提取方法,其特征在于:所述方法包括以下步骤:
步骤一、基于背景预测的弱小目标检测
1)基本的背景模型预测公式如下所示:
式中X0是输入图像;Y(m,n)为预测图像,m和n为预测点中心位置坐标;sj为区域背景选取点的范围,l和k为区域背景内坐标;W为权重矩阵;k为权重矩阵的分母系数;
2)预测图像与输入图像之间的残差图像为:
Z(m,n)=X(m,n)-Y(m,n)
式中X(m,n)为输入图像,Y(m,n)是背景预测灰度值;
3)选取权值的公式如下:
Wj(l,k)=r(l,k)/∑∑r(l,k)
式中r(l,k)为矩阵中的背景点到预测点的几何距离;
步骤二、最大值背景预测算法
1)将预测点周围的背景像素点以自身为中心划分为4个区域,这4个区域的背景预测值分别是:
2)以4个区域中的像素点分别对该点进行背景预测,然后取四个值其中的最大值作为最终的预测值,即:
Ymax=max{Y1(m,n),Y2(m,n),Y3(m,n),Y4(m,n)}。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010386957.XA CN111723808B (zh) | 2020-08-18 | 2020-08-18 | 一种基于最大值背景预测的红外弱目标提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010386957.XA CN111723808B (zh) | 2020-08-18 | 2020-08-18 | 一种基于最大值背景预测的红外弱目标提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111723808A true CN111723808A (zh) | 2020-09-29 |
CN111723808B CN111723808B (zh) | 2022-10-18 |
Family
ID=72564483
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010386957.XA Active CN111723808B (zh) | 2020-08-18 | 2020-08-18 | 一种基于最大值背景预测的红外弱目标提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111723808B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112613524A (zh) * | 2020-10-30 | 2021-04-06 | 西安方元明科技股份有限公司 | 一种搜跟瞄转台图像处理系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732543A (zh) * | 2015-03-30 | 2015-06-24 | 中国人民解放军63655部队 | 一种沙漠戈壁背景下红外弱小目标快速检测方法 |
CN108682004A (zh) * | 2018-04-16 | 2018-10-19 | 华中科技大学 | 一种基于局部信息的复杂背景下红外弱小目标检测方法 |
CN110706208A (zh) * | 2019-09-13 | 2020-01-17 | 东南大学 | 一种基于张量均方最小误差的红外弱小目标检测方法 |
-
2020
- 2020-08-18 CN CN202010386957.XA patent/CN111723808B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732543A (zh) * | 2015-03-30 | 2015-06-24 | 中国人民解放军63655部队 | 一种沙漠戈壁背景下红外弱小目标快速检测方法 |
CN108682004A (zh) * | 2018-04-16 | 2018-10-19 | 华中科技大学 | 一种基于局部信息的复杂背景下红外弱小目标检测方法 |
CN110706208A (zh) * | 2019-09-13 | 2020-01-17 | 东南大学 | 一种基于张量均方最小误差的红外弱小目标检测方法 |
Non-Patent Citations (1)
Title |
---|
杨丽萍等: "一种新的背景预测方法在红外弱小目标检测中的应用", 《电子技术应用》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112613524A (zh) * | 2020-10-30 | 2021-04-06 | 西安方元明科技股份有限公司 | 一种搜跟瞄转台图像处理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111723808B (zh) | 2022-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Infrared small target detection by density peaks searching and maximum-gray region growing | |
CN107886498B (zh) | 一种基于星载图像序列的空间目标检测跟踪方法 | |
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 | |
CN115829883A (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN108876820B (zh) | 一种基于均值漂移的遮挡条件下移动目标追踪方法 | |
CN111553425B (zh) | 一种用于视觉定位的模板匹配lsp算法、介质和设备 | |
CN109801305B (zh) | 基于深度胶囊网络的sar图像变化检测方法 | |
CN110717934B (zh) | 一种基于strcf的抗遮挡目标跟踪方法 | |
CN107274410B (zh) | 自适应的人造目标恒虚警率检测方法 | |
CN107590496A (zh) | 复杂背景下红外小目标的关联检测方法 | |
CN111611907A (zh) | 一种图像增强的红外目标检测方法 | |
CN111754519A (zh) | 一种基于类激活映射的对抗防御方法 | |
CN111429485B (zh) | 基于自适应正则化和高信度更新的跨模态滤波跟踪方法 | |
CN111046800A (zh) | 一种基于低秩与稀疏分解的高光谱图像异常目标检测方法 | |
CN111723808B (zh) | 一种基于最大值背景预测的红外弱目标提取方法 | |
CN117314940B (zh) | 基于人工智能的激光切割零件轮廓快速分割方法 | |
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 | |
CN113902694A (zh) | 一种基于动静结合的目标检测方法 | |
CN111353496A (zh) | 一种红外弱小目标实时检测方法 | |
CN113096103A (zh) | 一种面向放空火炬的烟气智能影像感知方法 | |
CN112395944A (zh) | 基于加权的多尺度比差联合对比度红外小目标检测方法 | |
CN116543238A (zh) | 一种电缆绝缘层的图像检测方法 | |
CN110751671B (zh) | 一种基于核相关滤波与运动估计的目标跟踪方法 | |
CN112766109B (zh) | 一种红外弱小目标自适应检测方法 | |
CN115100068A (zh) | 一种红外图像校正方法 |
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 |