CN111783656A - 一种基于统计特性预分割的自适应红外小目标检测方法 - Google Patents
一种基于统计特性预分割的自适应红外小目标检测方法 Download PDFInfo
- Publication number
- CN111783656A CN111783656A CN202010619554.5A CN202010619554A CN111783656A CN 111783656 A CN111783656 A CN 111783656A CN 202010619554 A CN202010619554 A CN 202010619554A CN 111783656 A CN111783656 A CN 111783656A
- Authority
- CN
- China
- Prior art keywords
- image
- sub
- images
- pixels
- interest
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 51
- 230000011218 segmentation Effects 0.000 title claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000009826 distribution Methods 0.000 claims description 40
- 238000012545 processing Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 238000012216 screening Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 9
- 230000007123 defense Effects 0.000 description 5
- 238000003331 infrared imaging Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000035899 viability Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种基于统计特性预分割的自适应红外小目标检测算法,法包括:(1)红外图像均等分割及扩充;(2)统计特性差异性算法筛选兴趣区域;(3)阈值迭代计算范围内由高到低自适应计算阈值;(4)根据阈值二值化图像;(5)匹配原图像重构并输出重构后的图像。本申请发明能提前滤出非目标像素点,减小计算总量,达到初步筛选兴趣区域、减少系统总检测时间的效果;根据目标的灰度值较高确定阈值迭代计算范围,并由高到低自适应计算,减少算法迭代次数;算法鲁棒性强,自适应计算阈值可适用于不同复杂程度的海空背景下红外小目标检测,且对单目标、多目标均能精准检测,有效提高检测率、降低虚警率,可广泛应用于小目标检测领域。
Description
技术领域
本发明涉及红外小目标检测领域,尤其涉及一种基于统计特性预分割的自适应红外小目标检测方法。
背景技术
海洋经济已成为国民经济增长的新的重要途径,海上极端灾害天气、海上运输安全维护及海上救援水平是影响海洋经济发展的重要因素,对目标的检测与识别是维持海洋经济秩序的重要保障。现代国防领域中,海洋局势愈发复杂,海军战备力量在国防领域中扮演着至关重要的角色,对敌方目标的识别检测效率是海防的基础战力和制胜点。传统目标检测技术包括雷达技术、微光成像技术和红外成像技术。雷达技术具有探测距离远、不受光线影响等优点,但容易受到海面各种回波和大气噪声的影响,且对生物体信号感知能力较弱;微光成像技术的成像原理简单、应用成本低,但在夜晚或自然光弱时被动工作,目标与背景之间的反差小,难以识别导致检测率低;红外成像技术具有隐蔽性好、抗干扰能力强、造价低和穿透力强等多种优点,但该技术应用时容易受到海天线、云层等背影因素干扰。
在红外小目标检测领域中,为了实现检测率高、虚警率低、检测时间短、适应性强等关键技术目标,在红外成像技术的基础上研发先进算法提供了最优方法。经典的红外小目标检测算法已经过多年发展,可大体分为多帧连续图像的检测前追踪(TBD)和单帧图像的跟踪前检测(DBT)两类算法,DBT类算法因其算法简单、检测时间短得到广泛应用。经典的DBT类算法中,最大中值滤波、数学形态学Top-hat变换、OTSU阈值分割算法应用较为广泛,但应用在海空背景时,最大中值滤波算法因易受到海杂波、海天线及云层信息干扰,Top-hat变换算法因小目标几乎没有纹理、结构特征而无法提取小目标有效信息,OTSU阈值分割算法适应性较差导致无法有效分离目标和背景信息。
海空背景下小目标检测性能主要受背景信息、噪声及小目标自身性质影响。远距离下目标在灰度图像中所占像素数比例不超过0.12%,尺寸小且无明显的结构纹理特征;背景信息极其复杂,包含海天线、复杂云层、海杂波等,容易淹没目标且图像信噪比较低;红外成像系统及大气噪声产生的像素点与小目标接近,极易对小目标的检测率造成影响。因此经典的红外小目标检测方法具有适应性差、抗干扰能力差以及检测性能低等劣势。综上所述,进一步提高目标检测率、降低虚警率、缩短检测时间仍是该领域学者的研究重点。
发明内容
本申请发明针对解决海空背景下目标尺寸小且无明显结构纹理特征、易受海杂波及海空线等背景干扰、易受红外成像系统及大气噪声影响等关键科学问题,为实现降低背景及噪声的影响从而提升检测性能、提升算法鲁棒性、提高实时性为海防战斗做基础、控制设备成本、提升生存能力等关键技术目标,提出了一种基于统计特性预分割的自适应红外小目标检测算法。该算法预先通过目标与背景的灰度值分布直方图统计分布的差异性将二者分割,再对兴趣子图像进行自适应检测精准提取小目标,最后将兴趣子图像与背景区域匹配重构得到最终检测结果。具体实施步骤为:
步骤一:将大小为x×y的红外图像转化成灰度图像,均等划分成大小为x×y/3的三部分,从左至右分别为a1、a2、a3子图像,若图像无法均匀分割成三部分则需在划分前做扩充处理,其中x×y表示原始图像大小,x表示图像纵向像素数,y表示图像横向像素数;
步骤二:对步骤一处理后得到的三个子图像分别进行灰度值分布统计,根据各子图像灰度值分布统计特性的差异性计算得到兴趣子图像;
步骤三:确定二值化阈值;
(3.1)分别计算3个子图像的最大灰度值记为m1、m2、m3,取三者中的最小值记为m,计算包含小目标的兴趣子图像灰度值的最大值,记为d;
(3.2)设定小目标阈值cmin,设定Th=d-N(Th>m-1,N为迭代次数),计算包含小目标的兴趣子图像中,灰度值大于Th的像素个数c,迭代计算Th,使得满足c≥cmin的Th记为二值化阈值t;
步骤四:根据步骤三中确定的二值化阈值t,将各子图像进行二值化处理成二值化图像,按照步骤一中的分割次序进行逆操作,重新组合成与原图尺寸相等的二值化图像,输出检测结果。
本发明的有益效果在于:
本方法提前滤出非目标像素点,减小计算总量,达到初步筛选兴趣子图像、减少系统总检测时间的效果;根据目标的灰度值较高确定阈值迭代计算范围,并由高到低自适应计算,减少算法迭代次数;算法鲁棒性强,自适应计算阈值可适用于不同复杂程度的海空背景下红外小目标检测,且对单目标、多目标均能精准检测,有效提高检测率、降低虚警率,可广泛应用于小目标检测领域,本方法具有检测率高、虚警率低、检测时间短的高性能指标,对单目标、多目标及不同复杂程度背景的检测抗干扰性能突出、自适应性能良好,应用范围广泛。
附图说明
图1是本发明的整体工作流程图;
图2是本发明预处理部分的工作流程图;
图3(a)是第一种扩充方式示意图;
图3(b)是第二种扩充方式示意图;
图4是差异性算法确认兴趣子图像流程图;
图5是确定二值化阈值的流程图;
图6是将三个二值化子图像匹配重构成一幅图的示意图;
图7(a)是简单海空背景条件下的原始红外图像;
图7(b)是图7(a)经列扩充后的图像;
图7(c)是图7(b)分割后的子图像a1对应的直方图及其拟合结果;
图7(d)是图7(b)分割后的子图像a2对应的直方图及其拟合结果;
图7(e)是图7(b)分割后的子图像a3对应的直方图及其拟合结果;
图7(f)是筛选出的图7(b)分割得到子图像中的兴趣子图像;
图7(g)是图7(b)分割得到子图像中的兴趣子图像的二值化图像;
图7(h)是图7(a)对应的检测结果;
图8(a)是中等复杂海空背景下原始红外图像;
图8(b)是图8(a)经列扩充后的图像;
图8(c)是图8(b)分割后的子图像a1对应的直方图及其拟合结果;
图8(d)是图8(b)分割后的子图像a2对应的直方图及其拟合结果;
图8(e)是图8(b)分割后的子图像a3对应的直方图及其拟合结果;
图8(f)是筛选出的图8(b)分割得到子图像中的兴趣子图像;
图8(g)是图8(b)分割得到子图像中的兴趣子图像的二值化图像;
图8(h)是图8(a)对应的检测结果;
图9(a)是复杂海空背景下原始红外图像;
图9(b)是图9(a)分割后的子图像a1对应的直方图及其拟合结果;
图9(c)是图9(a)分割后的子图像a2对应的直方图及其拟合结果;
图9(d)是图9(a)分割后的子图像a3对应的直方图及其拟合结果;
图9(e)是筛选出的图9(a)分割得到子图像中的兴趣子图像兴趣子图像;
图9(f)是图9(a)分割得到子图像中的兴趣子图像的二值化图像;
图9(g)是图9(a)对应的检测结果。
具体实施方式
下面结合附图和实施例对本发明所提方法进行进一步详细说明。以下实施例用于说明本申请,但不用来限制本申请的范围。
依照图1至图6,图中S1表示“步骤一”,S2表示“步骤二”,S3表示“步骤三”,S4表示“步骤四”,本发明实现步骤如下:
步骤一:将大小为x×y的红外图像转化成灰度图像,均等划分为大小为x×(y/3)的三部分,从左至右分别为a1、a2、a3子图像,若图像无法均匀分割成三部分则需要在划分前做扩充处理,其中x×y表示原始图像大小,x表示图像纵向像素数,y表示图像横向像素数;
(1.1)载入原始红外图像,其大小为x×y;
(1.2)若原图像可均等列分割,则直接分割为x×(y/3)的三部分;若y/3计算结果的余数为1时,采用如图3(a)所示的扩充方式,即在原图像左侧扩充大小为x×1的一列像素,且扩充列像素与原图像第一列像素的灰度值相等,再进行均等分割;若y/3计算结果的余数为2时,采用如图3(b)所示的扩充方式,即在原图像左右两侧分别扩充大小为x×1的一列像素,左侧扩充列像素与原图像第一列像素的灰度值相等,右侧扩充列像素与原图像尾列像素的灰度值相等,再进行均等分割。
步骤二:对步骤一处理后的子图像分别进行灰度值分布统计,并进行统计分布模型的拟合,根据分布类型的差异性计算得到兴趣子图像;
(2.1)对各子图像分别绘制灰度值分布直方图,引入典型统计分布模型(如高斯分布、对数-正态分布、瑞利分布、伽马分布等)与各子图像的灰度值分布直方图拟合判断其遵循的典型统计分布模型;
(2.2)若有两个子图像对应同一个典型统计分布模型,则这两个子图像为非兴趣子图像,即其不包含小目标,剩余的那个子图像为兴趣子图像,即其包含待检测的小目标;
(2.3)若三个子图像分别对应一种典型统计分布模型,则按如下差异性算法确认兴趣子图像:
(2.3.1)分别计算子图像中灰度值的最大值,a1子图像灰度值的最大值记为m1、a2子图像灰度值的最大值记为m2、a3子图像灰度值的最大值记为m3;取m1、m2、m3中的最小值作为阈值m,求出子图像中的高灰度值(即灰度值大于阈值m)的像素数,a1子图像高灰度值像素数记为j1、a2子图像高灰度值像素数记为j2、a3子图像高灰度值像素数记为j3,取j1、j2、j3中三者像素数最大值为j;
(2.3.2)设定小目标阈值cmin,本例中设为9,将j与j1、j2、j3进行匹配,确定最大值j来源于哪个子图像,若j不少于9,则j对应的子图像即为兴趣子图像。
步骤三:确定二值化阈值,输入兴趣子图像,计算兴趣子图像灰度最大值及目标分割的自适应阈值;
(3.1)因前面步骤已经计算了3个子图像的最大灰度值并记为m1、m2、m3,本步骤直接调用(若前述步骤未计算,则本步骤需要计算),并计算出包含小目标的兴趣子图像灰度值的最大值,记为d;
(3.2)因前面步骤已经设定了小目标阈值cmin=9,本步骤直接调用即可(若前序步骤没有设定,则本步骤需要设定),设Th=d-N(Th>m-1,N为迭代次数),统计兴趣子图像中灰度值大于等于Th的像素个数c,迭代计算Th,使c≥cmin成立时的Th记为二值化阈值t,若不满足此条件则继续迭代计算直至满足条件为止;
步骤四:通过步骤三计算得到的二值化阈值t对兴趣子图像进行二值化处理,将非兴趣子图像也一并进行二值化处理,将3个二值化处理后的子图像进行重新组合,得到最终检测结果;具体地:
(4.1)利用二值化阈值t对经兴趣子图像的每个像素遍历检测,二值化处理得到检测结果flag(i',j'),计算方式为:
其中t表示自适应阈值,T(i',j')表示兴趣子图像中的像素,flag(i',j')表示检测结果,且i'∈x,j'∈y。二值化图像中像素值仅有两种可能:0或者1,0表示黑,1表示白。
(4.2)令非兴趣子图像所有像素点的像素值均为0;
(4.3)对三个二值化子图像进行图像重构,将三个子图像视为由像素点构成的矩阵,分别为A1、A2、A3,三个矩阵块的大小均为x×y/3,为了得到最终检测结果,将三个矩阵进行重构合并为一个矩阵A,矩阵大小为x×y,故可得到重构图像A=[A1A2A3],其中x×y表示灰度图像大小,同时为矩阵大小,x表示图像纵向像素数,同时为矩阵的行数,y表示图像横向像素数,同时为矩阵的列数,A为重构图像矩阵;
(4.4)若原图像经过扩充,则需对图像重构结果去除扩充部分,保证检测结果大小与原图像大小相同。
本发明的效果可通过以下仿真进一步说明:
(1)图像参数:
简单海空背景下原图:大小大小为280×228;中等复杂海空背景下原图:大小大小为320×196;极其复杂海空背景下原图:大小大小为300×216。
(2)仿真结果:
图7(a)~图7(h)是简单海空背景下红外小目标图像的系列仿真图像,图7(a)为原图像,图7(b)扩充后的图像,其大小为281×228。图7(c)至图7(e)分别是子图像a1、a2、a3的直方图拟合结果,a2、a3子图像的直方图拟合满足对数-正态分布模型,无明显的拖尾现象;a1子图像的直方图拟合满足伽马分布模型,且拖尾现象明显。可以说明背景部分和目标部分的统计分布模型有所差异,背景部分分布模型基本一致。图7(f)为统计模型差异性算法分割的兴趣子图像,图7(g)为对兴趣子图像经二值化阈值处理后的二值化图像,图7(h)为经图像重构后的图像,重构图像与原图像大小匹配。
图8(a)~图8(h)是中等复杂海空背景下红外小目标图像的系列仿真图像,图8(a)为原图像,图8(b)扩充后的图像,其大小为320×196。图8(c)至图8(e)分别是子图像a1、a2、a3的直方图拟合结果,a1、a3子图像的直方图拟合满足对数-正态分布模型,无明显的拖尾现象;a2子图像的直方图拟合满足伽马分布模型,且拖尾现象明显。其余仿真与简单海空背景下的方针步骤与结果基本一致。
图9(a)~图9(g)是极其复杂海空背景下红外小目标图像的系列仿真图像,图9(a)为原图像,其大小为300×216。图9(b)至图9(d)分别是子图像a1、a2、a3的直方图拟合结果,a1、a3子图像的直方图拟合满足对数-正态分布模型,无明显的拖尾现象;a2子图像的直方图拟合满足伽马分布模型,且拖尾现象明显。由于原图像大小刚好满足均分尺寸,不需扩充处理及去除扩充处理步骤,其余仿真与简单海空背景下的方针步骤与结果基本一致。
综上所述,本实施例提出了一种基于统计特性预分割的自适应检测算法。所申请算法能提前滤出非目标像素点,减小计算总量,达到初步筛选兴趣子图像、减少系统总检测时间的效果;所申请算法适应性强、抗干扰能力强,二值化阈值可适用于不同复杂程度的海空背景下红外小目标检测,且对单目标、多目标均能精准检测,有效提高检测率、降低虚警率。针对国防、海上救援等领域,本发明方法有较大应用价值,可广泛应用。
本领域技术人员可以理解,在本申请具体实施方式的上述方法中,各步骤的序号大小并不意味着执行顺序的先后,各步骤的执行顺序应以其功能和内在逻辑确定,而不应对本申请具体实施方式的实施过程构成任何限定。
最后应说明的是,以上实施例仅用以描述本发明的技术方案而不是对本技术方法进行限制,本发明在应用上可以延伸为其他的修改、变化、应用和实施例,并且因此认为所有这样的修改、变化、应用、实施例都在本发明的精神和教导范围内。
Claims (4)
1.一种基于统计特性预分割的自适应红外小目标检测算法,其特征在于:
步骤一:将输入图像转化成灰度图像,均等分割为3个子图像;
步骤二:对3个子图像进行灰度值分布统计,根据各子图像灰度值分布统计特性的差异性计算得到兴趣子图像;
步骤三:确定二值化阈值:
(3.1)分别计算3个子图像的最大灰度值记为m1、m2、m3,取三者中的最小值记为m,计算包含小目标的兴趣子图像灰度值的最大值,记为d;
(3.2)设定小目标阈值cmin,设定Th=d-N(Th>m-1,N为迭代次数),计算包含小目标的兴趣子图像中,灰度值大于Th的像素个数c,迭代计算Th,使得满足c≥cmin的Th记为二值化阈值t;
步骤四:根据步骤三中确定的二值化阈值t,将各子图像进行二值化处理成二值化图像,按照步骤一中的分割次序进行逆操作,重新组合成与原图尺寸相等的二值化图像,输出检测结果。
2.根据权利要求1所述基于统计特性预分割的自适应红外小目标检测算法,其特征在于,所述步骤一中将图像均等分割为3个子图像具体步骤如下:
(1.1)载入尺寸为x×y的红外图像,x表示图像纵向像素数,y表示图像横向像素数;
(1.2)若原图像可均等列分割,则直接将原图像分割成尺寸为x×(y/3)的三个子图像;若y/3计算结果的余数为1,在原图像左侧先扩充尺寸为x×1的列像素;若y/3计算结果的余数为2时,在原图像左右两侧先分别扩充尺寸为x×1的列像素,扩充列与临近原图像相邻像素点灰度值相等,分割后得到的三个子区域图像从左至右分别记为a1、a2、a3。
3.根据权利要求1所述基于统计特性预分割的自适应红外小目标检测算法,其特征在于,所述步骤二,具体如下:
(2.1)对各子图像分别绘制灰度值分布直方图,分别与典型统计分布模型进行拟合,判断各子图像的灰度值分布直方图所遵循的典型统计分布模型,所述典型统计分布模型包括高斯分布、对数-正态分布、瑞利分布、伽马分布;
(2.2)有两个子图像对应的典型统计分布模型所对应的子图像为非兴趣子图像,剩余的子图像为兴趣子图像;
(2.3)若三个子图像分别对应一种典型统计分布模型,则按如下方法确认兴趣子图像:
(2.3.1)求出子图像中的灰度值大于阈值m的高灰度值像素数量,a1、a2、a3区域高灰度值像素数分别记为j1、j2、j3,取j1、j2、j3中的最大值记为j;
(2.3.2)若j不少于小目标阈值cmin,则高灰度值像素数量为j的子图像为兴趣子图像。
4.根据权利要求1所述算法,其特征在于,所述步骤四中的图像匹配重构方法如下:
(4.1)利用步骤三计算得到的二值化阈值Th对兴趣子图像的每个像素进行遍历处理,得到检测结果flag(i',j'),计算公式下:
其中t表示二值化阈值,T(i',j')表示兴趣子图像中的像素,flag(i',j')表示检测结果,且i'∈x,j'∈y;
(4.2)对无目标区域图像进行二值化处理,令无目标区域所有像素点的像素值均为0;
(4.3)将二值化处理后的子图像进行图像重构,将三个子图像视为由像素点构成的矩阵分别记为A1、A2、A3,三个矩阵的大小均为x×(y/3),将三个矩阵重构合并为一个矩阵A,矩阵大小为x×y,得到重构图像A=[A1A2A3],其中x×y表示灰度图像尺寸,同时也为矩阵大小,x表示图像的纵向像素数,同时为矩阵A的行数,y表示图像横向像素数,同时为矩阵A的列数;
(4.4)若原图像经过扩充处理,则需对图像重构结果按照原图像扩充处理的步骤进行逆向处理,去除扩充部分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010619554.5A CN111783656B (zh) | 2020-06-30 | 2020-06-30 | 一种基于统计特性预分割的自适应红外小目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010619554.5A CN111783656B (zh) | 2020-06-30 | 2020-06-30 | 一种基于统计特性预分割的自适应红外小目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111783656A true CN111783656A (zh) | 2020-10-16 |
CN111783656B CN111783656B (zh) | 2024-03-08 |
Family
ID=72760128
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010619554.5A Active CN111783656B (zh) | 2020-06-30 | 2020-06-30 | 一种基于统计特性预分割的自适应红外小目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111783656B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112749620A (zh) * | 2020-11-25 | 2021-05-04 | 中国电子科技集团公司第十一研究所 | 一种目标检测方法、装置及可读存储介质 |
CN113269793A (zh) * | 2021-05-13 | 2021-08-17 | 华中农业大学 | 一种基于红外图像的水稻植株分割方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101604383A (zh) * | 2009-07-24 | 2009-12-16 | 哈尔滨工业大学 | 一种基于红外图像的海上目标检测方法 |
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 |
CN102074022A (zh) * | 2011-01-10 | 2011-05-25 | 南京理工大学 | 一种基于红外图像的弱小运动目标检测方法 |
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 |
WO2013102797A1 (en) * | 2012-01-06 | 2013-07-11 | Aselsan Elektronik Sanayi Ve Ticaret Anonim Sirketi | System and method for detecting targets in maritime surveillance applications |
CN104504686A (zh) * | 2014-12-04 | 2015-04-08 | 哈尔滨工程大学 | 一种采用局部自适应阈值分割的高光谱图像异常探测方法 |
CN104599273A (zh) * | 2015-01-22 | 2015-05-06 | 南京理工大学 | 基于小波多尺度交叉运算的海空背景红外小目标检测方法 |
CN104657980A (zh) * | 2014-12-24 | 2015-05-27 | 江南大学 | 一种改进的基于Meanshift的多通道图像分割算法 |
CN104809444A (zh) * | 2015-05-06 | 2015-07-29 | 西安电子科技大学 | 基于张量扩展的半脊方向滤波器红外小目标识别方法 |
KR101827889B1 (ko) * | 2017-04-03 | 2018-02-09 | 대구대학교 산학협력단 | 지역적 대비차 계산 방법을 이용한 실시간 소형 표적 검출방법 |
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 |
-
2020
- 2020-06-30 CN CN202010619554.5A patent/CN111783656B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101604383A (zh) * | 2009-07-24 | 2009-12-16 | 哈尔滨工业大学 | 一种基于红外图像的海上目标检测方法 |
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 |
CN102074022A (zh) * | 2011-01-10 | 2011-05-25 | 南京理工大学 | 一种基于红外图像的弱小运动目标检测方法 |
WO2013102797A1 (en) * | 2012-01-06 | 2013-07-11 | Aselsan Elektronik Sanayi Ve Ticaret Anonim Sirketi | System and method for detecting targets in maritime surveillance applications |
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 |
CN104504686A (zh) * | 2014-12-04 | 2015-04-08 | 哈尔滨工程大学 | 一种采用局部自适应阈值分割的高光谱图像异常探测方法 |
CN104657980A (zh) * | 2014-12-24 | 2015-05-27 | 江南大学 | 一种改进的基于Meanshift的多通道图像分割算法 |
CN104599273A (zh) * | 2015-01-22 | 2015-05-06 | 南京理工大学 | 基于小波多尺度交叉运算的海空背景红外小目标检测方法 |
CN104809444A (zh) * | 2015-05-06 | 2015-07-29 | 西安电子科技大学 | 基于张量扩展的半脊方向滤波器红外小目标识别方法 |
KR101827889B1 (ko) * | 2017-04-03 | 2018-02-09 | 대구대학교 산학협력단 | 지역적 대비차 계산 방법을 이용한 실시간 소형 표적 검출방법 |
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 (6)
Title |
---|
HE DENG等: "A Multiscale Fuzzy Metric for Detecting Small Infrared Targets Against Chaotic Cloudy/Sea-Sky Backgrounds", 《IEEE TRANSACTIONS ON CYBERNETICS》, vol. 49, no. 5, pages 1694 - 1707, XP011713098, DOI: 10.1109/TCYB.2018.2810832 * |
LI SHAOYI等: "Spatio-Temporal Saliency Fusion Based Small Infrared Moving Target Detection Under Sea-Sky Background", 《2019 19TH INTERNATIONAL CONFERENCE ON CONTROL,AUTOMATION AND SYSTEMS》, pages 1492 - 1497 * |
SHENGXIANG QI等: "A fast-saliency method for real-time infrared small target detection", 《INFRARED PHYSICS & TECHNOLOGY》, vol. 77, pages 440 - 450, XP029651879, DOI: 10.1016/j.infrared.2016.06.026 * |
付文宇: "海空背景下红外小目标检测方法研究", 《中国优秀硕士学位论文全文数据库(信息科技辑)》, no. 4, pages 135 - 33 * |
刘博文等: "基于空间分布与统计特性的海面远景目标检测方法", 《海洋科学》, vol. 42, no. 1, pages 88 - 92 * |
李立芳等: "海空背景下电影经纬仪中目标红外图像特性分析", 《影像技术》, vol. 29, no. 2, pages 69 - 71 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112749620A (zh) * | 2020-11-25 | 2021-05-04 | 中国电子科技集团公司第十一研究所 | 一种目标检测方法、装置及可读存储介质 |
CN113269793A (zh) * | 2021-05-13 | 2021-08-17 | 华中农业大学 | 一种基于红外图像的水稻植株分割方法 |
CN113269793B (zh) * | 2021-05-13 | 2022-02-08 | 华中农业大学 | 一种基于红外图像的水稻植株分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111783656B (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Han et al. | Underwater image processing and object detection based on deep CNN method | |
CN109934200B (zh) | 一种基于改进M-Net的RGB彩色遥感图像云检测方法及系统 | |
CN109117802B (zh) | 面向大场景高分遥感影像的舰船检测方法 | |
CN110866455B (zh) | 一种路面水体检测方法 | |
CN113222824B (zh) | 一种红外图像超分辨率及小目标检测方法 | |
CN111783656B (zh) | 一种基于统计特性预分割的自适应红外小目标检测方法 | |
CN114972107A (zh) | 基于多尺度堆叠式注意力网络的低照度图像增强方法 | |
CN115082672A (zh) | 一种基于边界框回归的红外图像目标检测方法 | |
CN116596792B (zh) | 一种面向智能船舶的内河雾天场景恢复方法、系统及设备 | |
CN115063318A (zh) | 自适应频率分解的低光照图像增强方法与相关设备 | |
Li et al. | Densely connected network for impulse noise removal | |
Yaohua et al. | A SAR oil spill image recognition method based on densenet convolutional neural network | |
CN102750675A (zh) | 一种斑点噪声污染图像的非局部均值滤波方法 | |
CN111767856B (zh) | 基于灰度值统计分布模型的红外小目标检测算法 | |
CN112613354A (zh) | 一种基于稀疏降噪自编码器的异质遥感图像变化检测方法 | |
CN108038872B (zh) | 一种基于动静态目标检测与实时压缩感知追踪研究方法 | |
CN111461999A (zh) | 一种基于超像素相似性测量的sar图像相干斑抑制方法 | |
CN105551029A (zh) | 一种多光谱遥感图像舰船检测方法 | |
CN113780301B (zh) | 防御对抗攻击的自适应去噪机器学习应用方法 | |
CN115861669A (zh) | 一种基于聚类思想的红外弱小目标检测方法 | |
CN110211124B (zh) | 一种基于MobileNetV2的红外成像结冰湖泊检测方法 | |
CN115205227A (zh) | 一种基于变化检测的sar图像阴影区域检测方法 | |
CN113496159B (zh) | 一种多尺度卷积与动态权重代价函数的烟尘目标分割方法 | |
CN113963178A (zh) | 地空背景下红外弱小目标检测方法、装置、设备及介质 | |
Hong-juan et al. | A novel image de-noising algorithm combined PCNN with morphology |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20240129 Address after: 150000 145 Nantong street, Nangang District, Harbin, Heilongjiang. Applicant after: HARBIN ENGINEERING University Country or region after: China Address before: No. 108 Shengtai Road, Zhaoyuan City, Yantai City, Shandong Province, 264000 Applicant before: Harbin Engineering Advanced Technology Research Institute (Zhaoyuan) Co.,Ltd. Country or region before: China |
|
GR01 | Patent grant | ||
GR01 | Patent grant |