CN112508923B - 弱小目标检测方法 - Google Patents
弱小目标检测方法 Download PDFInfo
- Publication number
- CN112508923B CN112508923B CN202011478837.9A CN202011478837A CN112508923B CN 112508923 B CN112508923 B CN 112508923B CN 202011478837 A CN202011478837 A CN 202011478837A CN 112508923 B CN112508923 B CN 112508923B
- Authority
- CN
- China
- Prior art keywords
- background
- directions
- image
- gradient
- pixel
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06T7/20—Analysis of motion
- G06T7/207—Analysis of motion for motion estimation over a hierarchy of resolutions
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明旨在提供一种弱小目标检测方法,包括以下步骤:A、对多帧数的待检测图像进行读取;B、构建多个方向的梯度扩散函数,根据梯度扩散函数构建各向梯度差分函数;C、构建背景预测程序,预设其中的停止参数、步长参数及各向梯度差分函数的收敛函参数;D、运用背景预测程序结合各项异性对各帧的待检测图像进行背景预测得到背景预测结果图;E、对各帧的背景预测结果图进行背景估计建模,并将各帧的背景预测结果图与背景估计建模图分别作差得到各帧的图像差分图;F、对多帧数的图像差分图进行拉伸,得到对应的多帧数拉伸图,并进行叠加,即得到小目标的运动轨迹图。该方法克服现有技术缺陷,具有小目标能量增强明显、检测准确度高的特点。
Description
技术领域
本发明涉及图像处理领域,具体涉及一种弱小目标检测方法。
背景技术
弱小目标的检测一直是图像处理的难题,在各种复杂的条件下提取肉眼不可见的目标,对相关的算法的要求是非常高的,有些目标埋没在各种噪声当中,如果没有精良的算法是难以将其检测出来的。处理小目标不仅需要过滤各种复杂背景,还需要考虑到小目标的信号能量,这就需要设计各种算法时考虑最大程度的削弱背景噪声,且最小的影响到目标能量,甚至是在预处理背景的同时对小目标点能量进行加强。
发明内容
本发明旨在提供一种弱小目标检测方法,该方法克服现有技术缺陷,具有小目标能量增强明显、检测准确度高的特点。
本发明的技术方案如下:
一种弱小目标检测方法,包括以下步骤:
A、对多帧数的待检测图像进行读取;
B、构建多个方向的梯度扩散函数,根据梯度扩散函数构建各向梯度差分函数;
C、构建背景预测模型,预设其中的停止参数、步长参数及各向梯度差分函数的收敛函参数;
D、运用背景预测模型结合各项异性对各帧的待检测图像进行背景预测,得到各帧的背景预测结果图;
E、对各帧的背景预测结果图进行背景估计建模,得到各帧的背景估计建模图,将各帧的背景预测结果图及其对应的背景估计建模图分别作差得到各帧的图像差分图;
F、对多帧数的图像差分图进行拉伸,得到对应的多帧数拉伸图,将多帧数拉伸图进行叠加,即得到小目标的运动轨迹图。
优选地,步骤B中所述的多个方向的梯度差分函数包括四个方向的各向梯度扩散函数,分别如下:
CL=1/(1+1/(M×|(f(i,j)-f(i,j-t))|/K));
CR=1/(1+1/(M×|(f(i,j)-f(i,j+t))|/K));
CP=1/(1+1/(M×|(f(i,j)-f(i-t,j))|/K));
CD=1/(1+1/(M×|(f(i,j)-f(i+t,j))|/K));
其中CL、CR、CP、CD分别为四个方向的各向梯度扩散函数,M为限制常数,K为停止参数,f(i,j-t)f(i,j)、f(i,j+t)、f(i-t,j)、f(i+t,j)分别表示四个子区域距离中心像元的步长距离,t表示中心像元到四个方向的步长;
所述的各向梯度差分函数的表达式如下:
优选地,所述的步骤C中的背景预测模型包括以下步骤:
c1、对读取的图像进行边缘处理;
c2、求取各个像素点四个方向上的梯度值的绝对值;
c3、把各像素四个方向的梯度绝对值带入相对应方向的各向梯度扩散函数中求得各个像素点四个方向的方向系数;
c4、对步骤c3中各个像素点四个方向的方向系数进行求和后作均值。
将各像素各方向的梯度扩散系数CL、CR、CP、CD求平均得到的平均值有利于背景均匀性的预测,保持预测背景的平稳性,进而减少各个像素间预测背景的差异,得到平滑预测背景。
优选地,所述的步骤D中的背景预测包括以下步骤:
d1、读取各像素对应各方向的均值cusm;
d2、把原图和读取到的各像素的四个方向均值做差,达到把各个噪点,目标点以及非平稳背景抑制的效果;
d3、将抑制后的图像进行拉升输出,即得预测的背景图像。
优选地,所述的步骤E中的背景估计建模包括以下步骤:
e1、读取步骤C中完成背景预测的图像;
e2、读取多帧数的待检测图像,并把待检测图像中各个像素点的像素值与步骤C中完成背景预测的图像的对应像素点的像素值进行做差,并设定阈值,将低于阈值的差值则过滤,高于阈值得差值则保留,从而把图像中已被抑制的目标点、噪声及各类非平稳背景有效过滤,得到平滑的背景估计图,完成背景估计建模。
本发明方案采用特有的梯度扩散函数构建各向梯度差分函数,能够有效减少梯度比较低的小目标的漏检的可能性;本发明方案的各向梯度扩散函数为单调递增函数,能够在背景建模后明显增强目标点的信号,更好的保留目标点,从而使得即使在梯度很低的情况下也能够很好地对图像进行检测,同时在背景建模的时候更好的保留小目标的信号能量,因而对小目标检测有较好的效果;并且,在对背景处理时能够有效去除大部分的非平稳背景,使得目标点以较大的能量值保留下来,便于后续处理,从而提高检测成功率。
附图说明
图1为本发明实施例1提供的弱小目标检测方法的背景预测图;
图2为本发明实施例1提供的弱小目标检测方法的背景估计建模图;
图3为本发明实施例1提供的弱小目标检测方法的图像差分图(第一帧);
图4为本发明实施例1提供的弱小目标检测方法的拉伸图;
图5为本发明实施例1提供的弱小目标检测方法的目标运动轨迹图;
具体实施方式
如图1-5所示,本实施例提供的弱小目标检测方法,包括以下步骤:
A、对多帧数的待检测图像进行读取;
B、构建多个方向的梯度扩散函数,根据梯度扩散函数构建各向梯度差分函数;
C、构建背景预测模型,预设其中的停止参数、步长参数及各向梯度差分函数的收敛函参数;
步骤B中所述的多个方向的梯度差分函数包括四个方向的各向梯度扩散函数,分别如下:
CL=1/(1+1/(M×|(f(i,j)-f(i,j-t))|/K));
CR=1/(1+1/(M×|(f(i,j)-f(i,j+t))|/K));
CP=1/(1+1/(M×|(f(i,j)-f(i-t,j))|/K));
CD=1/(1+1/(M×|(f(i,j)-f(i+t,j))|/K));
其中CL、CR、CP、CD分别为四个方向的各向梯度扩散函数,M为限制常数,K为停止参数,f(i,j-t)f(i,j)、f(i,j+t)、f(i-t,j)、f(i+t,j)分别表示四个子区域距离中心像元的步长距离,t表示中心像元到四个方向的步长;
所述的各向梯度差分函数的表达式如下:
所述的步骤C中的背景预测模型包括以下步骤:
c1、对读取的图像进行边缘处理;
c2、求取各个像素点四个方向上的梯度值的绝对值;
c3、把各像素四个方向的梯度绝对值带入相对应方向的各向梯度扩散函数中求得各个像素点四个方向的方向系数;
c4、对步骤c3中各个像素点四个方向的方向系数进行求和后作均值。
D、运用背景预测模型结合各项异性对各帧的待检测图像进行背景预测,得到各帧的背景预测结果图;
所述的步骤D中的背景预测包括以下步骤:
d1、读取各像素对应各方向的均值cusm;
d2、把原图和读取到的各像素的四个方向均值做差,达到把各个噪点,目标点以及非平稳背景抑制的效果;
d3、将抑制后的图像进行拉升输出,即得预测的背景图像。在本实施例中得到如图2所示的平滑背景图预测图。
E、对各帧的背景预测结果图进行背景估计建模,得到各帧的背景估计建模图,将各帧的背景预测结果图及其对应的背景估计建模图分别作差得到各帧的图像差分图;所述的步骤E中的背景估计建模包括以下步骤:
所述的步骤E中的背景估计建模包括以下步骤:
e1、读取步骤C中完成背景预测的图像;
e2、读取多帧数的待检测图像,并把待检测图像中各个像素点的像素值与步骤C中完成背景预测的图像的对应像素点的像素值进行做差,并设定阈值,将低于阈值的差值则过滤,高于阈值得差值则保留,从而把图像中已被抑制的目标点、噪声及各类非平稳背景有效过滤,使得图像中只含有目标点和少许噪点,得到平滑的背景估计图,完成背景估计建模。
F、对多帧数的图像差分图进行拉伸,得到对应的多帧数拉伸图,将多帧数拉伸图进行叠加,即得到小目标的运动轨迹图;
本实施例预设停止参数为100、步长参数为4、各向梯度差分函数的收敛函参数设置为20;如图2所示,在进行背景建模后,背景建模图对目标的抑制效果很好,方便后续的处理;如图4所示,图中可清晰的观察到目标与其他少量的噪声点,如图5所示,图中清晰显示出各个目标点叠加后的运动轨迹。
Claims (4)
1.一种弱小目标检测方法,其特征在于包括以下步骤:
A、对多帧数的待检测图像进行读取;
B、构建多个方向的梯度扩散函数,根据梯度扩散函数构建各向梯度差分函数;
C、构建背景预测模型,预设其中的停止参数、步长参数及各向梯度差分函数的收敛函参数;
D、运用背景预测模型结合各项异性对各帧的待检测图像进行背景预测,得到各帧的背景预测结果图;
E、对各帧的背景预测结果图进行背景估计建模,得到各帧的背景估计建模图,将各帧的背景预测结果图及其对应的背景估计建模图分别作差得到各帧的图像差分图;
F、对多帧数的图像差分图进行拉伸,得到对应的多帧数拉伸图,将多帧数拉伸图进行叠加,即得到小目标的运动轨迹图;
步骤B中所述的多个方向的梯度差分函数包括四个方向的各向梯度扩散函数,分别如下:
CL=1/(1+1/(M×|(f(i,j)-f(i,j-t))|/K));
CR=1/(1+1/(M×|(f(i,j)-f(i,j+t))|/K));
CP=1/(1+1/(M×|(f(i,j)-f(i-t,j))|/K));
CD=1/(1+1/(M×|(f(i,j)-f(i+t,j))|/K));
其中CL、CR、CP、CD分别为四个方向的各向梯度扩散函数,M为限制常数,K为停止参数,f(i,j-t)、f(i,j+t)、f(i-t,j)、f(i+t,j)分别表示四个子区域距离中心像元f(i,j)的步长距离,t表示中心像元到四个方向的步长;
所述的各向梯度差分函数的表达式如下:
2.如权利要求1所述的弱小目标检测方法,其特征在于:
所述的步骤C中的背景预测模型包括以下步骤:
c1、对读取的图像进行边缘处理;
c2、求取各个像素点四个方向上的梯度值的绝对值;
c3、把各像素四个方向的梯度绝对值带入相对应方向的各向梯度扩散函数中求得各个像素点四个方向的方向系数;
c4、对步骤c3中各个像素点四个方向的方向系数进行求和后作均值。
3.如权利要求2所述的弱小目标检测方法,其特征在于:
所述的步骤D中的背景预测包括以下步骤:
d1、读取各像素对应各方向的均值cusm;
d2、把原图和读取到的各像素的四个方向均值做差,达到把各个噪点,目标点以及非平稳背景抑制的效果;
d3、将抑制后的图像进行拉升输出,即得预测的背景图像。
4.如权利要求3所述的弱小目标检测方法,其特征在于:
所述的步骤E中的背景估计建模包括以下步骤:
e1、读取步骤C中完成背景预测的图像;
e2、读取多帧数的待检测图像,并把待检测图像中各个像素点的像素值与步骤C中完成背景预测的图像的对应像素点的像素值进行做差,并设定阈值,将低于阈值的差值则过滤,高于阈值得差值则保留,从而把图像中已被抑制的目标点、噪声及各类非平稳背景有效过滤,得到平滑的背景估计图,完成背景估计建模。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011478837.9A CN112508923B (zh) | 2020-12-15 | 2020-12-15 | 弱小目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011478837.9A CN112508923B (zh) | 2020-12-15 | 2020-12-15 | 弱小目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112508923A CN112508923A (zh) | 2021-03-16 |
CN112508923B true CN112508923B (zh) | 2023-06-23 |
Family
ID=74973744
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011478837.9A Active CN112508923B (zh) | 2020-12-15 | 2020-12-15 | 弱小目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112508923B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113870308B (zh) * | 2021-09-07 | 2024-03-22 | 广西科技大学 | 一种螺旋梯度优化估计的弱小目标检测方法 |
CN114155426B (zh) * | 2021-12-13 | 2023-08-15 | 中国科学院光电技术研究所 | 一种基于局部多向梯度信息融合的弱小目标检测方法 |
CN115144830B (zh) * | 2022-04-08 | 2023-10-31 | 中国人民解放军63983部队 | 一种强地物杂波干扰下的小目标雷达检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6850646B1 (en) * | 1997-12-31 | 2005-02-01 | Cognex Corporation | Fast high-accuracy multi-dimensional pattern inspection |
CN106469313A (zh) * | 2016-09-30 | 2017-03-01 | 中国科学院光电技术研究所 | 一种管径自适应时空域滤波的弱小目标检测方法 |
CN106780545A (zh) * | 2016-11-25 | 2017-05-31 | 中国科学院云南天文台 | 一种结合时空域的弱小目标能量累积增强方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6413781B1 (en) * | 1999-04-06 | 2002-07-02 | Massachusetts Institute Of Technology | Thermophoretic pump and concentrator |
CN103279930B (zh) * | 2013-05-27 | 2015-10-21 | 辽宁工程技术大学 | 一种图像的同步去噪增强方法 |
CN105005975B (zh) * | 2015-07-08 | 2018-06-01 | 南京信息工程大学 | 基于pcnn和图像熵的各向异性扩散的图像去噪方法 |
CN106251344B (zh) * | 2016-07-26 | 2019-02-01 | 北京理工大学 | 一种基于视觉感受野的多尺度红外目标自适应检测方法 |
CN107392885A (zh) * | 2017-06-08 | 2017-11-24 | 江苏科技大学 | 一种基于视觉对比机制的红外弱小目标检测方法 |
CN110490904B (zh) * | 2019-08-12 | 2022-11-11 | 中国科学院光电技术研究所 | 一种弱小目标检测与跟踪方法 |
CN210725109U (zh) * | 2019-12-06 | 2020-06-09 | 广西科技大学 | 智能教室管理系统 |
-
2020
- 2020-12-15 CN CN202011478837.9A patent/CN112508923B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6850646B1 (en) * | 1997-12-31 | 2005-02-01 | Cognex Corporation | Fast high-accuracy multi-dimensional pattern inspection |
CN106469313A (zh) * | 2016-09-30 | 2017-03-01 | 中国科学院光电技术研究所 | 一种管径自适应时空域滤波的弱小目标检测方法 |
CN106780545A (zh) * | 2016-11-25 | 2017-05-31 | 中国科学院云南天文台 | 一种结合时空域的弱小目标能量累积增强方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112508923A (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112508923B (zh) | 弱小目标检测方法 | |
Xuan et al. | An improved canny edge detection algorithm | |
CN110163219B (zh) | 基于图像边缘识别的目标检测方法 | |
WO2012074361A1 (en) | Method of image segmentation using intensity and depth information | |
CN114926436A (zh) | 一种用于周期性花纹织物的缺陷检测方法 | |
CN109781737B (zh) | 一种软管表面缺陷的检测方法及其检测系统 | |
CN109255799B (zh) | 一种基于空间自适应相关滤波器的目标跟踪方法及系统 | |
CN109544571A (zh) | 一种基于数学形态学的金相图像边缘检测方法 | |
Lian et al. | A novel method on moving-objects detection based on background subtraction and three frames differencing | |
CN110782385A (zh) | 一种基于深度学习的图像水印的去除方法 | |
CN110660048B (zh) | 一种基于形状特征的皮革表面缺陷检测方法 | |
CN115661459A (zh) | 一种使用差异信息的2D mean teacher模型 | |
CN111028263A (zh) | 一种基于光流颜色聚类的运动物体分割方法及其系统 | |
CN116596895A (zh) | 一种变电设备图像缺陷识别方法及系统 | |
CN116363064A (zh) | 融合目标检测模型和图像分割模型的缺陷识别方法及装置 | |
CN103208013B (zh) | 一种基于图像噪声分析的照片来源识别方法 | |
CN114693543B (zh) | 图像降噪方法及装置、图像处理芯片、图像采集设备 | |
CN115330688A (zh) | 一种考虑标签不确定性的图像异常检测方法 | |
RU2718429C1 (ru) | Устройство обнаружения локально-стационарных областей на изображении | |
CN110705568B (zh) | 一种图像特征点提取的优化方法 | |
Zhao et al. | A novel method for moving object detection in intelligent video surveillance systems | |
CN114511591B (zh) | 轨迹跟踪方法、装置、电子设备及存储介质 | |
CN112489034B (zh) | 基于时域信息特征空间背景建模方法 | |
Rusu et al. | A method for image segmentation based on histograms–preliminary results | |
CN111476821B (zh) | 基于在线学习的目标跟踪方法 |
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 |