CN113205494B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113205494B CN113205494B CN202110457402.4A CN202110457402A CN113205494B CN 113205494 B CN113205494 B CN 113205494B CN 202110457402 A CN202110457402 A CN 202110457402A CN 113205494 B CN113205494 B CN 113205494B
- Authority
- CN
- China
- Prior art keywords
- pixel
- image
- infrared
- aspwd
- 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 54
- 238000005259 measurement Methods 0.000 title claims abstract description 19
- 230000003044 adaptive effect Effects 0.000 title claims description 30
- 238000000034 method Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims description 38
- 238000003708 edge detection Methods 0.000 claims description 26
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 abstract description 9
- 230000001629 suppression Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 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
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge 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
- G06T7/10—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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- 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
- G06T2207/20004—Adaptive image processing
-
- 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
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Transforming Light Signals Into Electric Signals (AREA)
Abstract
本发明公开了一种基于自适应尺度图像块加权差异测量的红外弱小目标检测方法和系统,属于图像目标检测技术领域。本发明的主要目的是解决传统红外弱小目标检测方法中存在的目标增强能力差和杂波抑制能力差的问题,从而提高目标检测中的检测率并降低虚警率。实现的技术方案是:1)利用Sobel边缘滤波算子获取原红外图像对应的边缘图像;2)根据边缘图像计算以单个像素位置为中心的红外小目标的尺寸信息;3)根据获得的尺寸信息计算自适应尺度图像块的加权差异;4)利用自适应阈值分割提取目标,完成目标检测。该方法充分利用红外弱小目标与背景间存在局部对比度差异的特点,能有效地增强目标并抑制背景杂波,提高红外弱小目标检测的性能。
Description
技术领域
本发明属于图像目标检测技术领域,具体涉及一种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。
背景技术
红外弱小目标检测技术在导弹制导、红外预警和夜间目标检测等多个领域有着广泛的应用。由于红外相机的成像特点以及较远的成像距离,使得红外弱小目标通常没有具体的形状和纹理,且易受到复杂的背景杂波和噪声干扰。因此,在复杂场景下的红外弱小目标检测作为一个富有挑战性的工作受到越来越多的关注。
传统的红外弱小目标检测方法是直接对图像进行滤波操作,如最大均值滤波(Max-Mean),Top-Hat滤波和双边滤波等。近来,基于局部对比度测量(LCM)的方法开始广泛应用于红外弱小目标检测。由于单尺度的LCM方法难以适应不同大小的目标,所以多尺度的LCM被大量研究。例如:
申请号(CN201711470286.X)的专利文献提出了一种基于前景加权局部对比度的红外微弱目标检测方法,引入像素的前景概率估计并将其作为局部对比度的加权因子,计算多个尺度图像块的LCM取最大值,然后通过简单的阈值分割检测目标。
申请号(CN201910371192.X)的专利文献提出一种基于分级LCM的快速小目标检测方法,先采用单尺度LCM对图像进行第一级滤波,再用阈值分割得到可疑目标区域。然后再用多尺度LCM进行第二级滤波,再用阈值分割得到目标区域增强图像。将可疑目标区域与增强图像进行差值运算,并用简单阈值分割得到最终的检测结果。
上述多尺度的LCM检测方法虽然能抑制一些背景杂波,但仍然存在以下不足:(1)多尺度的运算不能有效测量目标与周围背景的实际对比度,限制了目标增强效果;(2)多尺度的LCM难以抑制复杂背景,会造成高的虚警率;(3)多尺度的LCM运算复杂度高,难以实时检测目标。
随着深度学习的兴起,有学者提出了用神经网络实现红外弱小目标检测,但红外弱小目标没有固定的形状和纹理特征,且在实际应用中难以获取大量而多样的数据集,所以实际应用价值有限。
发明内容
针对现有技术的不足,本发明提出一种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。本方法充分利用红外弱小目标与周围背景构成区域存在信息熵差异的特性,用自适应尺度图像块来准确测量信息熵权值差异。本方法克服了传统的多尺度的LCM的问题,从而有效增强目标和抑制复杂背景杂波,提高目标检测率。
为实现上述目的,本发明的基本思路是:首先,利用Sobel边缘滤波算子对原红外图像进行滤波处理,得到的对应的边缘图像;然后根据边缘图像计算以单个像素位置为中心的红外小目标的尺寸信息;接着,根据获得的尺寸信息计算自适应尺度图像块的加权差异(ASPWD)大小;最后利用自适应阈值分割提取目标,完成目标检测。
本发明的技术方案提供一种基于自适应尺度图像块的红外弱小目标检测方法,包括以下步骤:
步骤1:输入大小为M×N红外图像I,其中图像I的像素的灰度值表示为I(x,y),x=1,2,...,M,y=1,2,...,N;
步骤2:通过Sobel算子对所述红外图像I进行边缘检测,获取边缘检测图像F,其中图像F的像素的灰度值表示为F(x,y),x=1,2,...,M,y=1,2,...,N;
步骤3:从(x,y)=(1,1)到(x,y)=(M,N)遍历所述边缘检测图像F所有像素点,在左、上、右、下四个方向上,计算每个像素点(x,y)的λ范围以内的小目标自适应尺寸图L1(x,y)、L2(x,y)、L3(x,y)、L4(x,y),具体包括以下子步骤:
步骤3.1:遍历所述边缘检测图像F,寻找每一个像素(x,y)在左、上、右、下四个方向上像素距离λ以内的局部最大值点的坐标(xk,yk),k=1,2,3,4。其中λ为常数,(x1,y1),(x2,y2),(x3,y3),(x4,y4)分别表示像素(x,y)在左、上、右、下四个方向上的局部最大值点的坐标,计算公式如下:
(xk,yk)=(i,j)|max(F(i,j)),(i,j)∈Ωk(x,y),k=1,2,3,4,
其中Ω1(x,y)、Ω2(x,y)、Ω3(x,y)、Ω4(x,y)分别表示以像素(x,y)为中心的向左、上、右、下四个方向上像素距离λ以内的搜索区域;
步骤3.2:计算像素(x,y)到所述局部最大值点的坐标(xk,yk)的距离,计算公式为:
Lk(x,y)=|x-xk|+|y-yk|,k=1,2,3,4,
其中L1(x,y)、L2(x,y)、L3(x,y)、L4(x,y)表示以(x,y)为中心到对应左、上、右、下四个方向上边缘的距离。
步骤4:根据小目标尺寸图L1(x,y)、L2(x,y)、L3(x,y)、L4(x,y),在红外图像I中,计算每个像素(x,y)的加权差异大小ASPWD(x,y),具体包括如下子步骤:
步骤4.1:在红外图像I中,对每一个像素(x,y),以所述像素(x,y)为中心构建在左、上、右、下四个方向分别长L1(x,y)、L2(x,y)、L3(x,y)、L4(x,y)的矩形,即目标区域T(x,y)。
步骤4.2:以所述像素(x,y)为中心构建1个m×n大小的矩形区域,并排除与目标区域重叠的部分,即得到背景区域B(x,y)。
步骤4.3:分别计算所述目标区域T(x,y)的灰度值的均值mT(x,y)和所述背景区域B(x,y)的灰度值的均值mB(x,y),计算公式为:
其中N和NB分别表示区域T(x,y)和区域B(x,y)的像素个数。
步骤4.4:分别计算所述目标区域T(x,y)的信息熵IET(x,y)和所述背景区域B(x,y)的灰度值的信息熵IEB(x,y),计算公式为:
其中nk表示区域中存在第k个像素点的灰度值的像素总数,pk表示该灰度值在区域中的概率密度。
步骤4.5:根据所述目标区域均值mT(x,y)和信息熵IET(x,y)和与所述背景区域均值mBk(x,y)和信息熵IEB(x,y),计算该像素点的加权差异ASPWD(x,y),计算公式为:
其中,ASPWD表示自适应尺度图像块加权差测量增强图。
步骤5:根据上述求得的各像素点的加权差异ASPWD(x,y)构建一幅ASPWD增强图。对ASPWD增强图进行自适应阈值分割,获取红外弱小目标检测结果,具体包括如下子步骤:
步骤5.1:计算ASPWD增强图像的阈值T,计算公式如下:
T=λ×Mx+(1-λ)×Mn,其中Mx和Mn分别表示ASPWD增强图像的最大值灰度值和平均灰度值,λ是一个根据实验调节的常数,推荐设置为0.5。
步骤5.2:根据上述阈值T对ASPWD增强图像进行计算,得到最终检测结果图像R,其中图像R的像素的灰度值表示为R(x,y),x=1,2,...,M,y=1,2,...,N。计算公式为:
检测结果图像R中非零像素的位置即为红外小目标位置。
本发明还提供一种基于自适应尺度图像块加权差测量的红外小目标检测系统,包括如下模块:
输入模块,用于输入大小为M×N红外图像I,其中图像I的像素的灰度值表示为I(x,y),x=1,2,...,M,y=1,2,...,N;
边缘检测模块,用于通过Sobel算子对所述红外图像I进行边缘检测,获取边缘检测图像F,其中图像F的像素的灰度值表示为F(x,y),x=1,2,...,M,y=1,2,...,N;
自适应尺寸图获取模块,用于从(x,y)=(1,1)到(x,y)=(M,N)遍历所述边缘检测图像F所有像素点,在左、上、右、下四个方向上,计算每个像素点(x,y)的λ范围以内的小目标自适应尺寸图L1(x,y)、L2(x,y)、L3(x,y)、L4(x,y);
加权差异计算模块,用于根据小目标自适应尺寸图L1(x,y)、L2(x,y)、L3(x,y)、L4(x,y),在红外图像I中,计算每个像素(x,y)的加权差异ASPWD(x,y);
检测模块,用于根据上述求得的各像素点的加权差异ASPWD(x,y)构建一幅ASPWD增强图,对ASPWD增强图进行自适应阈值分割,获取红外弱小目标检测结果。
进一步的,自适应尺寸图获取模块的具体实现包括以下子步骤;
步骤3.1,遍历所述边缘检测图像F,寻找每一个像素(x,y)在左、上、右、下四个方向上像素距离λ以内的局部最大值点的坐标(xk,yk),k=1,2,3,4,其中λ为常数,(x1,y1),(x2,y2),(x3,y3),(x4,y4)分别表示像素(x,y)在左、上、右、下四个方向上的局部最大值点的坐标,计算公式如下:
(xk,yk)=(i,j)|max(F(i,j)),(i,j)∈Ωk(x,y),k=1,2,3,4,
其中Ω1(x,y)、Ω2(x,y)、Ω3(x,y)、Ω4(x,y)分别表示以像素(x,y)为中心的向左、上、右、下四个方向上像素距离λ以内的搜索区域;
步骤3.2,计算像素(x,y)到所述局部最大值点的坐标(xk,yk)的距离,计算公式为:
Lk(x,y)=|x-xk|+|y-yk|,k=1,2,3,4,
其中L1(x,y)、L2(x,y)、L3(x,y)、L4(x,y)表示以(x,y)为中心到对应左、上、右、下四个方向上边缘的距离,也称为小目标自适应尺寸图。
进一步的,加权差异计算模块的具体实现包括如下子步骤;
步骤4.1,在红外图像I中,对每一个像素(x,y),以所述像素(x,y)为中心构建在左、上、右、下四个方向分别长L1(x,y)、L2(x,y)、L3(x,y)、L4(x,y)的矩形,即目标区域T(x,y);
步骤4.2,以所述像素(x,y)为中心构建1个m×n大小的矩形区域,并排除与目标区域重叠的部分,即得到背景区域B(x,y);
步骤4.3,分别计算所述目标区域T(x,y)的灰度值的均值mT(x,y)和所述背景区域B(x,y)的灰度值的均值mB(x,y),计算公式为:
其中N和NB分别表示区域T(x,y)和区域B(x,y)的像素个数;
步骤4.4,分别计算所述目标区域T(x,y)的信息熵IET(x,y)和所述背景区域B(x,y)的灰度值的信息熵IEB(x,y),计算公式为:
其中nk表示区域中存在第k个像素点的灰度值的像素总数,pk表示该灰度值在区域中的概率密度;
步骤4.5,根据所述目标区域均值mT(x,y)和信息熵IET(x,y)和与所述背景区域均值mBk(x,y)和信息熵IEB(x,y),计算该像素点的加权差异ASPWD(x,y),计算公式为:
其中,ASPWD表示自适应尺度图像块加权差测量增强图。
进一步的,检测模块的具体实现包括如下子步骤;
步骤5.1,计算ASPWD增强图的阈值T,计算公式如下:
T=λ×Mx+(1-λ)×Mn,
其中Mx和Mn分别表示ASPWD增强图的最大值灰度值和平均灰度值,λ是一个根据实验调节的常数;
步骤5.2,根据上述阈值T对ASPWD增强图进行计算,得到最终检测结果图像R,其中图像R的像素的灰度值表示为R(x,y),x=1,2,...,M,y=1,2,...,N,计算公式为:
检测结果图像R中非零像素的位置即为红外小目标位置。
本发明与现有技术相比具有以下优点和有益效果:
(1)本发明设计了一种自适应尺度图像块的结构来测量局部对比度,能有效地增强目标,提高红外弱小目标的检测率。
(2)本发明设计了基于自适应尺度图像块结构的加权差异算子,能有效地抑制背景杂波和噪声,降低了红外弱小目标检测的虚警率。
(3)本发明设计了一种自适应阈值分割的方法,能根据图像特性自适应地选取分割阈值,进一步移除干扰,提高检测性能。
附图说明
图1为本发明的总体流程图;
图2为本发明中目标尺寸计算的示意图;
图3为本发明中自适应尺度图像块的结构示意图。
具体实施方式
为了更清楚的阐述本发明的目的、技术方案和有益效果,下面结合附图和实施例进一步说明。应当理解,本发明不应限于实施例公开的内容,本发明要求保护的范围以权利要求书界定的范围为准。
参照图1,本发明的具体实施方式分为以下步骤:
步骤1:输入大小为M×N红外图像I,其中图像I的像素的灰度值表示为I(x,y),x=1,2,...,M,y=1,2,...,N;
步骤2:通过Sobel算子对所述红外图像I进行边缘检测,获取边缘检测图像F,其中图像F的像素的灰度值表示为F(x,y),x=1,2,...,M,y=1,2,...,N;
步骤3:从(x,y)=(1,1)到(x,y)=(M,N)遍历所述边缘检测图像F所有像素点,在左、上、右、下四个方向上,计算每个像素点(x,y)的λ范围以内的小目标自适应尺寸图L1(x,y)、L2(x,y)、L3(x,y)、L4(x,y),具体包括以下子步骤:
步骤3.1:遍历所述边缘检测图像F,寻找每一个像素(x,y)在左、上、右、下四个方向上像素距离λ以内的局部最大值点的坐标(xk,yk),k=1,2,3,4。其中λ为常数,(x1,y1),(x2,y2),(x3,y3),(x4,y4)分别表示像素(x,y)在左、上、右、下四个方向上的局部最大值点的坐标,计算公式如下:
(xk,yk)=(i,j)|max(F(i,j)),(i,j)∈Ωk(x,y),k=1,2,3,4,
其中Ω1(x,y)、Ω2(x,y)、Ω3(x,y)、Ω4(x,y)分别表示以像素(x,y)为中心的向左、上、右、下四个方向上像素距离λ以内的搜索区域;
步骤3.2:计算像素(x,y)到所述局部最大值点的坐标(xk,yk)的距离,计算公式为:
Lk(x,y)=|x-xk|+|y-yk|,k=1,2,3,4,
其中L1(x,y)、L2(x,y)、L3(x,y)、L4(x,y)表示以(x,y)为中心到对应左、上、右、下四个方向上边缘的距离。
步骤4:根据小目标尺寸图L1(x,y)、L2(x,y)、L3(x,y)、L4(x,y),在红外图像I中,计算每个像素(x,y)的加权差异大小ASPWD(x,y),具体包括如下子步骤:
步骤4.1:在红外图像I中,对每一个像素(x,y),以所述像素(x,y)为中心构建在左、上、右、下四个方向分别长L1(x,y)、L2(x,y)、L3(x,y)、L4(x,y)的矩形,即目标区域T(x,y)。
步骤4.2:以所述像素(x,y)为中心构建1个m×n大小的矩形区域,并排除与目标区域重叠的部分,即得到背景区域B(x,y)。
步骤4.3:分别计算所述目标区域T(x,y)的灰度值的均值mT(x,y)和所述背景区域B(x,y)的灰度值的均值mB(x,y),计算公式为:
其中N和NB分别表示区域T(x,y)和区域B(x,y)的像素个数。
步骤4.4:分别计算所述目标区域T(x,y)的信息熵IET(x,y)和所述背景区域B(x,y)的灰度值的信息熵IEB(x,y),计算公式为:
其中nk表示区域中存在第k个像素点的灰度值的像素总数,pk表示该灰度值在区域中的概率密度。
步骤4.5:根据所述目标区域均值mT(x,y)和信息熵IET(x,y)和与所述背景区域均值mBk(x,y)和信息熵IEB(x,y),计算该像素点的加权差异ASPWD(x,y),计算公式为:
其中,ASPWD表示自适应尺度图像块加权差测量增强图。
步骤5:根据上述求得的各像素点的加权差异ASPWD(x,y)构建一幅ASPWD增强图。对ASPWD增强图进行自适应阈值分割,获取红外弱小目标检测结果,具体包括如下子步骤:
步骤5.1:计算ASPWD增强图像的阈值T,计算公式如下:
T=λ×Mx+(1-λ)×Mn,
其中Mx和Mn分别表示ASPWD增强图像的最大值灰度值和平均灰度值,λ是一个根据实验调节的常数,推荐设置为0.5。
步骤5.2:根据上述阈值T对ASPWD增强图像进行计算,得到最终检测结果图像R,其中图像R的像素的灰度值表示为R(x,y),x=1,2,...,M,y=1,2,...,N。计算公式为:
检测结果图像R中非零像素的位置即为红外小目标位置。
本发明实施例还提供一种基于自适应尺度图像块加权差测量的红外小目标检测系统,包括如下模块:
输入模块,用于输入大小为M×N红外图像I,其中图像I的像素的灰度值表示为I(x,y),x=1,2,...,M,y=1,2,...,N;
边缘检测模块,用于通过Sobel算子对所述红外图像I进行边缘检测,获取边缘检测图像F,其中图像F的像素的灰度值表示为F(x,y),x=1,2,...,M,y=1,2,...,N;
自适应尺寸图获取模块,用于从(x,y)=(1,1)到(x,y)=(M,N)遍历所述边缘检测图像F所有像素点,在左、上、右、下四个方向上,计算每个像素点(x,y)的λ范围以内的小目标自适应尺寸图L1(x,y)、L2(x,y)、L3(x,y)、L4(x,y);
加权差异计算模块,用于根据小目标自适应尺寸图L1(x,y)、L2(x,y)、L3(x,y)、L4(x,y),在红外图像I中,计算每个像素(x,y)的加权差异ASPWD(x,y);
检测模块,用于根据上述求得的各像素点的加权差异ASPWD(x,y)构建一幅ASPWD增强图,对ASPWD增强图进行自适应阈值分割,获取红外弱小目标检测结果。
各模块的具体实现方式和各步骤相应,本发明不予撰述。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (6)
1.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,其特征在于,包括如下步骤:
步骤1,输入大小为M×N红外图像I,其中图像I的像素的灰度值表示为I(x,y),x=1,2,...,M,y=1,2,...,N;
步骤2,通过Sobel算子对所述红外图像I进行边缘检测,获取边缘检测图像F,其中图像F中像素(x,y)的灰度值表示为F(x,y),x=1,2,...,M,y=1,2,...,N;
步骤3,从(x,y)=(1,1)到(x,y)=(M,N)遍历所述边缘检测图像F所有像素点,在左、上、右、下四个方向上,计算每个像素点(x,y)的λ范围以内的小目标自适应尺寸图L1(x,y)、L2(x,y)、L3(x,y)、L4(x,y);
步骤4,根据小目标自适应尺寸图L1(x,y)、L2(x,y)、L3(x,y)、L4(x,y),在红外图像I中,计算每个像素(x,y)的加权差异ASPWD(x,y);
步骤4的具体实现包括如下子步骤;
步骤4.1,在红外图像I中,对每一个像素(x,y),以所述像素(x,y)为中心构建在左、上、右、下四个方向分别长L1(x,y)、L2(x,y)、L3(x,y)、L4(x,y)的矩形,即目标区域T(x,y);
步骤4.2,以所述像素(x,y)为中心构建1个m×n大小的矩形区域,并排除与目标区域重叠的部分,即得到背景区域B(x,y);
步骤4.3,分别计算所述目标区域T(x,y)的灰度值的均值mT(x,y)和所述背景区域B(x,y)的灰度值的均值mB(x,y),计算公式为:
其中N和NB分别表示区域T(x,y)和区域B(x,y)的像素个数;
步骤4.4,分别计算所述目标区域T(x,y)的信息熵IET(x,y)和所述背景区域B(x,y)的灰度值的信息熵IEB(x,y),计算公式为:
其中nk表示区域中存在第k个像素点的灰度值的像素总数,pk表示该灰度值在区域中的概率密度;
步骤4.5,根据所述目标区域均值mT(x,y)和信息熵IET(x,y)和与所述背景区域均值mB(x,y)和信息熵IEB(x,y),计算该像素点的加权差异ASPWD(x,y),计算公式为:
其中,ASPWD表示自适应尺度图像块加权差测量增强图;
步骤5,根据求得的各像素点的加权差异ASPWD(x,y)构建一幅ASPWD增强图,对ASPWD增强图进行自适应阈值分割,获取红外弱小目标检测结果。
2.如权利要求1所述的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,其特征在于:步骤3的具体实现包括以下子步骤;
步骤3.1,遍历所述边缘检测图像F,寻找每一个像素(x,y)在左、上、右、下四个方向上像素距离λ以内的局部最大值点的坐标(xk,yk),k=1,2,3,4,其中λ为常数,(x1,y1),(x2,y2),(x3,y3),(xk,y4)分别表示像素(x,y)在左、上、右、下四个方向上的局部最大值点的坐标,计算公式如下:
(xk,yk)=(i,j)|max(F(i,j)),(i,j)∈Ωk(x,y),k=1,2,3,4,
其中Ω1(x,y)、Ω2(x,y)、Ω3(x,y)、Ω4(x,y)分别表示以像素(x,y)为中心的向左、上、右、下四个方向上像素距离λ以内的搜索区域;
步骤3.2,计算像素(x,y)到所述局部最大值点的坐标(xk,yk)的距离,计算公式为:
Lk(x,y)=|x-xk|+|y-yk|,k=1,2,3,4,
其中L1(x,y)、Δ(x,y)、L3(x,y)、L4(x,y)表示以(x,y)为中心到对应左、上、右、下四个方向上边缘的距离,也称为小目标自适应尺寸图。
4.一种基于自适应尺度图像块加权差测量的红外小目标检测系统,其特征在于,包括如下模块:
输入模块,用于输入大小为M×N红外图像I,其中图像I的像素的灰度值表示为I(x,y),x=1,2,...,M,y=1,2,...,N;
边缘检测模块,用于通过Sobel算子对所述红外图像I进行边缘检测,获取边缘检测图像F,其中图像F中像素的灰度值表示为F(x,y),x=1,2,...,M,y=1,2,...,N;
自适应尺寸图获取模块,用于从(x,y)=(1,1)到(x,y)=(M,N)遍历所述边缘检测图像F所有像素点,在左、上、右、下四个方向上,计算每个像素点(x,y)的λ范围以内的小目标自适应尺寸图L1(x,y)、L2(x,y)、L3(x,y)、L4(x,y);
加权差异计算模块,用于根据小目标自适应尺寸图L1(x,y)、L2(x,y)、L3(x,y)、L4(x,y),在红外图像I中,计算每个像素(x,y)的加权差异ASPWD(x,y);
加权差异计算模块的具体实现包括如下子步骤;
步骤4.1,在红外图像I中,对每一个像素(x,y),以所述像素(x,y)为中心构建在左、上、右、下四个方向分别长L1(x,y)、L2(x,y)、L3(x,y)、L4(x,y)的矩形,即目标区域T(x,y);
步骤4.2,以所述像素(x,y)为中心构建1个m×n大小的矩形区域,并排除与目标区域重叠的部分,即得到背景区域B(x,y);
步骤4.3,分别计算所述目标区域T(x,y)的灰度值的均值mT(x,y)和所述背景区域B(x,y)的灰度值的均值mB(x,y),计算公式为:
其中N和NB分别表示区域T(x,y)和区域B(x,y)的像素个数;
步骤4.4,分别计算所述目标区域T(x,y)的信息熵IET(x,y)和所述背景区域B(x,y)的灰度值的信息熵IEB(x,y),计算公式为:
其中nk表示区域中存在第k个像素点的灰度值的像素总数,pk表示该灰度值在区域中的概率密度;
步骤4.5,根据所述目标区域均值mT(x,y)和信息熵IET(x,y)和与所述背景区域均值mB(x,y)和信息熵IEB(x,y),计算该像素点的加权差异ASPWD(x,y),计算公式为:
其中,ASPWD表示自适应尺度图像块加权差测量增强图;
检测模块,用于根据求得的各像素点的加权差异ASPWD(x,y)构建一幅ASPWD增强图,对ASPWD增强图进行自适应阈值分割,获取红外弱小目标检测结果。
5.如权利要求4所述的基于自适应尺度图像块加权差测量的红外小目标检测系统,其特征在于:自适应尺寸图获取模块的具体实现包括以下子步骤;
步骤3.1,遍历所述边缘检测图像F,寻找每一个像素(x,y)在左、上、右、下四个方向上像素距离λ以内的局部最大值点的坐标(xk,yk),k=1,2,3,4,其中λ为常数,(x1,y1),(x2,y2),(x3,y3),(x4,y4)分别表示像素(x,y)在左、上、右、下四个方向上的局部最大值点的坐标,计算公式如下:
(xk,yk)=(i,j)|max(F(i,j)),(i,j)∈Ωk(x,y),k=1,2,3,4
其中Ω1(x,y)、Ω2(x,y)、Ω3(x,y)、Ω4(x,y)分别表示以像素(x,y)为中心的向左、上、右、下四个方向上像素距离λ以内的搜索区域;
步骤3.2,计算像素(x,y)到所述局部最大值点的坐标(xk,yk)的距离,计算公式为:
Lk(x,y)=|x-xk|+|y-yk|,k=1,2,3,4,
其中L1(x,y)、L2(x,y)、L3(x,y)、L4(x,y)表示以(x,y)为中心到对应左、上、右、下四个方向上边缘的距离,也称为小目标自适应尺寸图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110457402.4A CN113205494B (zh) | 2021-04-27 | 2021-04-27 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110457402.4A CN113205494B (zh) | 2021-04-27 | 2021-04-27 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113205494A CN113205494A (zh) | 2021-08-03 |
CN113205494B true CN113205494B (zh) | 2022-05-13 |
Family
ID=77028809
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110457402.4A Active CN113205494B (zh) | 2021-04-27 | 2021-04-27 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113205494B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113569792B (zh) * | 2021-08-05 | 2023-12-01 | 北京惠朗时代科技有限公司 | 一种基于精准指纹识别的智能保险柜应用方法及装置 |
CN117196997B (zh) * | 2023-10-17 | 2024-02-02 | 辽宁工程技术大学 | 基于人工智能的三维矿震图像降噪优化方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171661A (zh) * | 2017-12-11 | 2018-06-15 | 南京理工大学 | 基于改进Tri边缘算子的红外目标检测方法 |
CN108182690A (zh) * | 2017-12-29 | 2018-06-19 | 中国人民解放军63861部队 | 一种基于前景加权局部对比度的红外微弱目标检测方法 |
CN109272489A (zh) * | 2018-08-21 | 2019-01-25 | 西安电子科技大学 | 基于背景抑制与多尺度局部熵的红外弱小目标检测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104834915B (zh) * | 2015-05-15 | 2017-12-19 | 中国科学院武汉物理与数学研究所 | 一种复杂云天背景下小红外目标检测方法 |
US11775837B2 (en) * | 2018-04-10 | 2023-10-03 | Aselsan Elektronik Sanayi Ve Ticaret Anonim Sirketi | Filter design for small target detection on infrared imagery using normalized-cross-correlation layer in neural networks |
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 |
KR102089523B1 (ko) * | 2018-12-05 | 2020-03-16 | 영남대학교 산학협력단 | 소형 표적 검출 장치 및 방법 |
CN109767439B (zh) * | 2019-01-10 | 2023-05-05 | 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 |
-
2021
- 2021-04-27 CN CN202110457402.4A patent/CN113205494B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171661A (zh) * | 2017-12-11 | 2018-06-15 | 南京理工大学 | 基于改进Tri边缘算子的红外目标检测方法 |
CN108182690A (zh) * | 2017-12-29 | 2018-06-19 | 中国人民解放军63861部队 | 一种基于前景加权局部对比度的红外微弱目标检测方法 |
CN109272489A (zh) * | 2018-08-21 | 2019-01-25 | 西安电子科技大学 | 基于背景抑制与多尺度局部熵的红外弱小目标检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113205494A (zh) | 2021-08-03 |
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 | |
CN104899866B (zh) | 一种智能化的红外小目标检测方法 | |
CN104834915B (zh) | 一种复杂云天背景下小红外目标检测方法 | |
CN108182690B (zh) | 一种基于前景加权局部对比度的红外微弱目标检测方法 | |
CN109086724B (zh) | 一种加速的人脸检测方法及存储介质 | |
CN110782477A (zh) | 基于序列图像的运动目标快速检测方法、计算机视觉系统 | |
CN110490904B (zh) | 一种弱小目标检测与跟踪方法 | |
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 | |
CN108038856B (zh) | 基于改进多尺度分形增强的红外小目标检测方法 | |
CN112364865B (zh) | 一种复杂场景中运动小目标的检测方法 | |
CN107392095A (zh) | 一种基于掩码图像的红外弱小目标检测算法 | |
CN112070717B (zh) | 基于图像处理的输电线路覆冰厚度检测方法 | |
CN113111878B (zh) | 一种复杂背景下的红外弱小目标检测方法 | |
CN106600613B (zh) | 基于嵌入式gpu的改进lbp红外目标检测方法 | |
Petraglia et al. | Pipeline tracking and event classification for an automatic inspection vision system | |
CN105405138A (zh) | 基于显著性检测的水面目标跟踪方法 | |
CN114764801A (zh) | 基于多视觉显著特征的弱小舰船目标融合检测方法及装置 | |
CN112329764A (zh) | 一种基于tv-l1模型的红外弱小目标检测方法 | |
CN111428573A (zh) | 一种复杂背景下的红外弱小目标检测虚警抑制方法 | |
CN111161308A (zh) | 一种基于关键点匹配的双波段融合目标提取方法 | |
CN112163606B (zh) | 基于块对比度加权的红外小目标检测的方法 | |
CN112348853B (zh) | 基于红外显著性特征融合的粒子滤波跟踪的方法 | |
CN111862152B (zh) | 一种基于帧间差分与超像素分割的动目标检测方法 | |
CN114429593A (zh) | 基于快速导向滤波的红外小目标检测方法及其应用 | |
CN108389219B (zh) | 一种基于多峰值判定的弱小目标跟踪丢失重检方法 |
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 |