CN111951299B - 一种红外空中目标检测方法 - Google Patents
一种红外空中目标检测方法 Download PDFInfo
- Publication number
- CN111951299B CN111951299B CN202010623580.5A CN202010623580A CN111951299B CN 111951299 B CN111951299 B CN 111951299B CN 202010623580 A CN202010623580 A CN 202010623580A CN 111951299 B CN111951299 B CN 111951299B
- Authority
- CN
- China
- Prior art keywords
- slice
- local
- value
- sub
- target
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 18
- 230000011218 segmentation Effects 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims abstract description 5
- 238000009825 accumulation Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 8
- 238000001914 filtration Methods 0.000 description 7
- 230000001629 suppression Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/215—Motion-based segmentation
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
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
本发明公开了一种红外空中目标检测方法。根据目标大小在图像中设置尺寸为目标尺寸3倍的局部切片,局部切片从左至右,自顶向下移动。将切片均分为9块子切片,中间的子切片用名称表示。统计局部切片的均值、标准差和子切片目标能量等局部统计值,计算局部统计值对比度。定义红外小目标的能量集中度,计算出子切片的能量集中度。将局部统计值对比度与能量集中度的乘积赋予局部切片的中心点,获得图像矩阵I_map。最后设置自适应分割阈值实现I_map的二值化,确定目标位置。本方法通过定义局部统计值对比度和能量集中度,实现红外空中目标检测,结构简单,降低了红外空中目标检测的处理复杂度和硬件实现的资源需求,有效提高了目标检测的效率。
Description
技术领域:
本发明属于图像处理技术领域,主要内容为针对低对信杂比图像中的空中 目标检测算法,特别适合在红外遥感图像中对复杂背景下的空中目标进行背景 抑制和目标增强,提升信杂比,实现对目标的高精度检测。
背景技术:
当空中目标与红外探测器之间的距离达到数十甚至数百公里时,由于红外 遥感的分辨率较低以及大气干扰,光学散射和衍射等因素的影响,空中目标在 红外图像中多表现小尺寸和能量弱的特点,符合红外弱小目标的标准。能量弱 意味着目标和背景之间的对比度不够明显,而小尺寸意味着目标没有一定的形 状和纹理特征。另外,在实际应用场景中,红外图像的背景由云,天空,海洋 和各种随机噪声组成,这些复杂的因素都被称为背景杂波,可以很容易地将红 外小目标浸没。由于上述原因,实现对以空中目标为主的红外弱小目标远距离 检测仍然是一项艰巨的任务。
对背景的滤波是早期红外弱小目标检测方法中必要的步骤。例如最大值- 中值滤波或最大值-均值滤波、中值滤波和Top-hat等算法,这些方法很容易 实现,但会削弱目标信号,从而导致丢失实际目标。此外,基于频域滤波的方 法,例如高通滤波(HP)算法和小波变换算法,通过抑制图像中的高频分量来抑 制背景。但是,这些方法仅在背景简单的情况下有效,同时硬件实现难度大而 且资源消耗大。
此后,受人类视觉系统(HVS)的启发,2014年有学者提出了局部对比度(LCM)的方法,并在此后相关学者提出了许多基于LCM的新方法。LCM通过增强 目标和抑制背景增强目标与背景的对比度从而突出目标,此方法原理简单且容 易硬件实现。但是LCM的缺点比较明显,LCM会增强目标的邻域和高灰度值背 景,导致了虚警率的增加。因此一些算法在不断改进LCM表征方式的同时,也 结合了一些抑制背景的方法,例如比率差分联合局部对比度和多方向二维最小 均方滤波法(RDLCM-MDTDLMS)、局部差分度量法(WLDM)、多尺度局部对比度 和多尺度梯度一致性法(MCLC-MGC)、新型局部对比度方法(NLCM)和水平-垂 直多尺度灰度差分加权滤波法(HV-MSGDBF)等,上述方法通过构造更复杂的 运算核虽然具有良好的检测性能,但会增加计算资源和处理时间,从而降低了 实时性能。
此外,还有基于其他不同理论的算法。例如基于奇异值分解(SVD)的方 法和基于低秩稀疏表示(LRSR)的方法,它们具有较高的检测率,但具有较高的 虚警率因为此类算法对高频区域较为敏感。同时,基于深度学习的检测方法是 热门研究方向,但是测试样本的缺乏和巨大的计算量仍然是需要解决的问题。
综上,当前主要的红外弱小目标检测算法还存在虚警率高和硬件实现难度 大的不足之处。虚警率高的原因在于算法对于变化剧烈的背景抑制能力差,而 硬件实现难度大的原因在于算法通过构造维度更高的运算核去提取目标特征, 导致运算量增大,资源消耗增加。因此在本发明所提的基于局部统计值对比度 和能量集中度(LSVC-ECD)的红外弱小目标检测方法在红外空中目标检测领域 具有重要的意义。
发明内容:
为了克服上述现有技术的不足,本发明提供了一种高精度并易于硬件实现 的红外空中目标检测方法,以解决上述虚警率高和硬件实现难度大的问题,主 要特点为基于局部统计值对比度和能量集中度。该方法在局部切片中统计切片 的均值、标准差和目标能量等统计值进而算出局部统计值对比度,实现对噪声 和变化较缓的背景的抑制,同时增强目标;然后通过计算中心子切片区域的能 量集中度抑制变化较为剧烈的背景,有效降低虚警率,最后实现对目标的精确 检测。
本发明的上述目的是通过如下技术方案予以实现的:
1、一种红外小目标检测方法,其特征在于局部统计值对比度和能量集中 度的联合,包括如下步骤:
(1)在原始红外图像中以任一像素点(x,y)为中心,根据目标大小设置局部切 片slice,并将切片均分为9个子切片,中心子切片以slice0表示,其余子切片从 左至右自顶向下分别用slice1~slice8表示;slice和slice0内各个点的位置分布分 别位于点(x,y)的邻域Ωslice和内;
Ωslice={(i,j)|max(|i-x|,|j-y|)≤1.5l-0.5},l=3,5,7,9 (1)
其中(i,j)为局部切片slice内部任意像素点位置,(g,h)为局部子切片slice0内部 任意像素点坐标,l为目标尺寸,由原始图像中的实际目标尺寸而定;
(2)计算中心点为(x,y)的局部切片slice的平均值sl_m(x,y)和标准差 sl_std(x,y),在局部切片中,Ibk(x,y)用局部切片的均值sl_m(x,y)表示;
其中I(i,j)表示局部切片slice内点(i,j)处的灰度值;
(3)减背景,生成以像素点(x,y)为中心的子切片S0,S0中各个点的值S0(g,h) 由公式(5)求得,则此时点(x,y)的值用Star(x,y)表示;
其中slice0(g,h)表示局部子切片slice0内点(g,h)处的灰度值;
(4)进行目标能量积累,获得点(x,y)处的目标能量累积值enac(x,y):
(5)计算局部切片中心点(x,y)的局部统计值对比度因子的值Lcon(x,y);
Lcon(x,y)=enac(x,y)/sl_std (7)
(6)计算局部切片中心点(x,y)的局部统计值对比度值lsvc(x,y);
lsvc(x,y)=Lcon(x,y)×Star(x,y) (8)
(7)计算局部切片中心点(x,y)的子切片slice0的能量集中度ξen(x,y);
ξen(x,y)=encen(x,y)/[enslice(x,y)-encen(x,y)] (9)
(8)将能量集中度作为约束因子,计算局部切片中心点(x,y)处经处理后 的最终值Imap(x,y),构成经处理后的图像矩阵Imap;
Imap(x,y)=lsvc(x,y)×ζ(x,y) (12)
(9)根据公式(13)计算自适应分割阈值T对Imap进行二值化分割,确定目 标位置;
T=k×stdmap+mnmap (13)
其中stdmap和mnmap分别为矩阵Imap的标准差和均值,k为分割系数,取值 20~35,当Imap中的元素的值大于T时置1,反之置0,置1的点为空中目标的位 置。
与现有技术相比,本发明的有益效果是:
1)通过局部统计值对比度计算,增强目标同时抑制噪声和平缓背景,提升 目标的检测率;
2)通过能量集中度计算,能有效抑制快速变化的背景,于1)一起实现了对 绝大部分背景和噪声的抑制,有效降低虚警率;
3)采用处理模块是局部单一尺度的,有利于于硬件实现和节省资源。
附图说明
图1为本发明的实现流程框图;
图2为本发明中提及的局部切片及其子切片示意图;
图3为本发明实例测试图像,其中图(1)是灰度图像,图(2)是测试图像的三 维视图;
图4为测试图像经步骤(2)-(6)处理后结果图,其中图(1)是处理结果的灰度 图,图(2)是处理结果的三维视图;
图5为测试图像经步骤(2)-(8)处理后结果图,其中图(1)是处理结果的灰度 图,图(2)是处理结果的三维视图;
图6为测试图像经本发明方法处理后取不同分割系数k时的目标检测结果 图及其三维视图,其中图(1)是k=20时的检测结果的灰度图,图(2)是k=25时 的检测结果的灰度图,图(3)是k=30时的检测结果的灰度图,图(4)是k=35时 的检测结果的灰度图,图(5)是k=20时的检测结果的三维视图,图(6)是k=25 时的检测结果的三维视图,图(7)是k=30时的检测结果的三维视图,图(8)是 k=35时的检测结果的三维视图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行详 细地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的 实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动 的前提下所获得的所有其他实施例,都属于本发明保护的范围。
由于空中目标在长波波段的辐射能量主要由蒙皮提供,而蒙皮的辐射强度 无明显的方向性,便于探测,所以本发明所用的测试图片主要由长波相机对空 拍摄所得。
仿真环境:Matlab2018b;
测试图像:长波红外图像,尺寸236×300,背景为天空背景和云背景;
目标信息:飞机目标,目标尺寸3*3,即l=3,阈值分割系数k=20,25,30,35。
Claims (1)
1.一种红外空中目标检测方法,其特征在于:包括如下步骤:
(1)在原始红外图像中以任一像素点(x,y)为中心,根据目标大小设置局部切片slice,并将切片均分为9个子切片,中心子切片以slice0表示,其余子切片从左至右自顶向下分别用slice1~slice8表示;slice和slice0内各个点的位置分布分别位于点(x,y)的邻域Ωslice和内;
Ωslice={(i,j)|max(|i-x|,|j-y|)≤1.5l-0.5},l=3,5,7,9 (1)
其中(i,j)为局部切片slice内部任意像素点位置,(g,h)为局部子切片slice0内部任意像素点坐标,l为目标尺寸,由原始图像中的实际目标尺寸而定,比如实际目标尺寸为3×3时,l=3;
(2)计算中心点为(x,y)的局部切片slice的平均值sl_m(x,y)和标准差sl_std(x,y),在局部切片中,Ibk(x,y)用局部切片的均值sl_m(x,y)表示;
其中I(i,j)表示局部切片slice内点(i,j)处的灰度值;
(3)减背景,生成以像素点(x,y)为中心的子切片S0,S0中各个点的值S0(g,h)由公式(5)求得,则此时点(x,y)的值用Star(x,y)表示;
其中slice0(g,h)表示局部子切片slice0内点(g,h)处的灰度值;
(4)进行目标能量积累,获得点(x,y)处的目标能量累积值enac(x,y):
(5)计算局部切片中心点(x,y)的局部统计值对比度因子的值Lcon(x,y);
Lcon(x,y)=enac(x,y)/sl_std (7)
(6)计算局部切片中心点(x,y)的局部统计值对比度值lsvc(x,y);
lsvc(x,y)=Lcon(x,y)×Star(x,y) (8)
(7)计算局部切片中心点(x,y)的子切片slice0的能量集中度ξen(x,y);
(8)将能量集中度作为约束因子,计算局部切片中心点(x,y)处经处理后的最终值Imap(x,y),构成经处理后的图像矩阵Imap;
Imap(x,y)=lsvc(x,y)×ξen(x,y) (12)
(9)根据公式(13)计算自适应分割阈值T对Imap进行二值化分割,确定目标位置;
T=k×stdmap+mnmap (13)
其中stdmap和mnmap分别为矩阵Imap的标准差和均值,k为分割系数,取值20~35,当Imap中的元素的值大于T时置1,反之置0,置1的点为空中目标的位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010623580.5A CN111951299B (zh) | 2020-07-01 | 2020-07-01 | 一种红外空中目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010623580.5A CN111951299B (zh) | 2020-07-01 | 2020-07-01 | 一种红外空中目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111951299A CN111951299A (zh) | 2020-11-17 |
CN111951299B true CN111951299B (zh) | 2022-09-16 |
Family
ID=73337810
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010623580.5A Active CN111951299B (zh) | 2020-07-01 | 2020-07-01 | 一种红外空中目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111951299B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113589312A (zh) * | 2021-07-15 | 2021-11-02 | 中国科学院上海技术物理研究所 | 一种天基红外空中目标探测波段选取方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103034858A (zh) * | 2012-11-30 | 2013-04-10 | 宁波大学 | 一种卫星云图的二次聚类分割方法 |
CN103761731A (zh) * | 2014-01-02 | 2014-04-30 | 河南科技大学 | 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 |
CN108460794A (zh) * | 2016-12-12 | 2018-08-28 | 南京理工大学 | 一种双目立体红外显著目标检测方法及系统 |
CN109740445A (zh) * | 2018-12-13 | 2019-05-10 | 天津津航技术物理研究所 | 一种变尺寸的红外弱小目标检测方法 |
CN109767439A (zh) * | 2019-01-10 | 2019-05-17 | 中国科学院上海技术物理研究所 | 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 |
-
2020
- 2020-07-01 CN CN202010623580.5A patent/CN111951299B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103034858A (zh) * | 2012-11-30 | 2013-04-10 | 宁波大学 | 一种卫星云图的二次聚类分割方法 |
CN103761731A (zh) * | 2014-01-02 | 2014-04-30 | 河南科技大学 | 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 |
CN108460794A (zh) * | 2016-12-12 | 2018-08-28 | 南京理工大学 | 一种双目立体红外显著目标检测方法及系统 |
CN109740445A (zh) * | 2018-12-13 | 2019-05-10 | 天津津航技术物理研究所 | 一种变尺寸的红外弱小目标检测方法 |
CN109767439A (zh) * | 2019-01-10 | 2019-05-17 | 中国科学院上海技术物理研究所 | 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 |
Non-Patent Citations (3)
Title |
---|
Wavelet Threshold Denoising of Thermal Image from Transmission Joints;Chao Qi et al.;《2011 International Conference of Information Technology, Computer Engineering and Management Sciences》;20111229;全文 * |
基于生成MRF和局部统计特性的红外弱小目标检测算法;薛永宏 等;《红外与毫米波学报》;20131015;第32卷(第5期);全文 * |
基于辐射累积和空间反演的空中弱目标检测算法;马天磊 等;《红外与激光工程》;20151125;第44卷(第11期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111951299A (zh) | 2020-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Image dehazing using residual-based deep CNN | |
CN109767439B (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 | |
CN109035152B (zh) | 一种合成孔径雷达图像非局部均值滤波方法 | |
CN106886747B (zh) | 一种基于扩展小波变换的复杂背景下舰船检测方法 | |
CN108254750B (zh) | 一种基于雷达资料的下击暴流智能识别预警方法 | |
CN102750705A (zh) | 基于图像融合的光学遥感图像变化检测 | |
Deng et al. | Infrared small target detection based on modified local entropy and EMD | |
CN114549642B (zh) | 一种低对比度红外弱小目标检测方法 | |
CN108038856B (zh) | 基于改进多尺度分形增强的红外小目标检测方法 | |
CN111768350A (zh) | 一种红外图像增强方法及系统 | |
Huang et al. | A new haze removal algorithm for single urban remote sensing image | |
CN111369458B (zh) | 基于多尺度滚动引导滤波平滑的红外弱小目标背景抑制方法 | |
CN111951299B (zh) | 一种红外空中目标检测方法 | |
CN116189147A (zh) | 一种基于yolo的三维点云低功耗快速目标检测方法 | |
Ren et al. | Double layer local contrast measure and multi-directional gradient comparison for small infrared target detection | |
CN112734683B (zh) | 基于目标增强的多尺度sar与红外图像融合方法 | |
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 | |
Wang et al. | Infrared small target detection method combined with bilateral filter and local entropy | |
Yuan et al. | New Watershed segmentation algorithm based on hybrid gradient and self-adaptive marker extraction | |
ZHU et al. | Dim small targets detection based on horizontal-vertical multi-scale grayscale difference weighted bilateral filtering | |
CN113421205B (zh) | 一种结合红外偏振成像的小目标检测方法 | |
Zhang et al. | Ship target segmentation and detection in complex optical remote sensing image based on component tree characteristics discrimination | |
Zhang et al. | Style transformation-based change detection using adversarial learning with object boundary constraints | |
CN112766032A (zh) | 一种基于多尺度和超像素分割的sar图像显著图生成方法 | |
CN113516187A (zh) | 一种采用局部特征对比度的红外弱小目标检测算法 |
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 |