CN114037820A - 一种基于多特征融合的红外弱小多目标的检测方法和装置 - Google Patents
一种基于多特征融合的红外弱小多目标的检测方法和装置 Download PDFInfo
- Publication number
- CN114037820A CN114037820A CN202111305676.8A CN202111305676A CN114037820A CN 114037820 A CN114037820 A CN 114037820A CN 202111305676 A CN202111305676 A CN 202111305676A CN 114037820 A CN114037820 A CN 114037820A
- Authority
- CN
- China
- Prior art keywords
- image
- spectrum
- infrared image
- infrared
- feature fusion
- 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.)
- Pending
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 88
- 238000001514 detection method Methods 0.000 title claims abstract description 48
- 238000001228 spectrum Methods 0.000 claims abstract description 131
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000001914 filtration Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 20
- 230000011218 segmentation Effects 0.000 claims abstract description 18
- 230000003595 spectral effect Effects 0.000 claims description 5
- 238000000638 solvent extraction Methods 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 description 41
- 230000000007 visual effect Effects 0.000 description 11
- 238000013461 design Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000001629 suppression Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000002401 inhibitory effect Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011551 log transformation method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明涉及目标检测技术领域,特别涉及一种基于多特征融合的红外弱小多目标的检测方法和装置。该方法包括:获取待检测的第一红外图像,并对第一红外图像进行锐化处理,得到第二红外图像;对第二红外图像在预设方向上所有像素点的灰度值进行重构,得到方向特征图像;对第二红外图像进行傅里叶变换,得到第一幅度频谱和相位频谱;基于第一幅度频谱和相位频谱,得到用于表征第二红外图像的频谱特征图像;利用尺度滤波法对第二红外图像进行处理,得到尺度特征图像;将方向特征图像、频谱特征图像和尺度特征图像进行特征融合,得到多特征融合图像;对多特征融合图像进行阈值分割,得到第一红外图像中的目标。本方案能够提高提高弱小多目标的检测准确率。
Description
技术领域
本发明实施例涉及目标检测技术领域,特别涉及一种基于多特征融合的红外弱小多目标的检测方法和装置。
背景技术
随着军事作战形式的多样化,群体协同作战模式变得越来越重要,探测到的目标也将从单个向多个转变,但当视场环境中出现多目标时,由于各目标自身能量微弱程度不同,多目标检测变得更加艰难,故针对红外弱小多目标检测算法的研究十分必要。
现有技术中,针对红外弱小多目标检测算法,例如包括:最大中值滤波(Max-median)算法、谱残差(SF)算法和Infrared Small Target Detection Based on FacetKernel and Random Walker(FKRW)算法等。但是,上述目标检测算法可能存在杂波干扰,导致产生虚景现象,并且弱小多目标的检测准确率较低。
因此,目前亟待需要一种基于多特征融合的红外弱小多目标的检测方法和装置来解决上述技术问题。
发明内容
本发明实施例提供了一种基于多特征融合的红外弱小多目标的检测方法和装置,能够提高弱小多目标的检测准确率。
第一方面,本发明实施例提供了一种基于多特征融合的红外弱小多目标的检测方法,包括:
获取待检测的第一红外图像,并对所述第一红外图像进行锐化处理,得到第二红外图像;
对所述第二红外图像在预设方向上所有像素点的灰度值进行重构,得到方向特征图像;
对所述第二红外图像进行傅里叶变换,得到第一幅度频谱和相位频谱;
基于所述第一幅度频谱和所述相位频谱,得到用于表征所述第二红外图像的频谱特征图像;
利用尺度滤波法对所述第二红外图像进行处理,得到尺度特征图像;
将所述方向特征图像、所述频谱特征图像和所述尺度特征图像进行特征融合,得到多特征融合图像;
对所述多特征融合图像进行阈值分割,得到所述多特征融合图像中的目标。
在一种可能的设计中,所述对所述第一红外图像进行锐化处理,包括:
采用拉普拉斯算子对所述第一红外图像进行轮廓边缘提取,得到轮廓边缘图像;
将所述第一红外图像和所述轮廓边缘图像进行叠加,以完成锐化处理。
在一种可能的设计中,所述对所述第二红外图像在预设方向上所有像素点的灰度值进行重构,包括:
选取所述第二红外图像的八个方向;其中,所述八个方向包括上、下、左、右、左上、左下、右上和右下;
针对所述八个方向中的每个方向,执行:确定当前方向上所有像素点的最小灰度值;将当前方向上每个像素点的灰度值与所述最小灰度值的差值作为当前像素点的灰度值,以完成在预设方向上所有像素点的灰度值的重构。
在一种可能的设计中,所述基于所述第一幅度频谱和所述相位频谱,得到用于表征所述第二红外图像的频谱特征图像,包括:
基于所述第一幅度频谱,得到第一对数幅度频谱;
对所述第一对数幅度频谱进行均值滤波处理,得到第二对数幅度频谱;
将所述第一对数幅度频谱和所述第二对数幅度频谱的差值作为第二幅度频谱;
将所述第二幅度频谱和所述相位频谱进行叠加,并对叠加后的结果进行傅里叶逆变换,得到用于表征所述第二红外图像的频谱特征图像。
在一种可能的设计中,所述对所述多特征融合图像进行阈值分割,得到所述多特征融合图像中的目标,包括:
基于所述多特征融合图像,得到所述多特征融合图像中所有非零像素点的平均灰度值和灰度值方差;
基于所述平均灰度值和所述灰度值方差,确定用于分割图像的阈值;
利用所述阈值对所述多特征融合图像进行阈值分割,得到所述多特征融合图像中的目标。
第二方面,本发明实施例还提供了一种基于多特征融合的红外弱小多目标的检测装置,包括:
锐化处理模块,用于获取待检测的第一红外图像,并对所述第一红外图像进行锐化处理,得到第二红外图像;
第一确定模块,用于对所述第二红外图像在预设方向上所有像素点的灰度值进行重构,得到方向特征图像;
第二确定模块,用于:对所述第二红外图像进行傅里叶变换,得到第一幅度频谱和相位频谱;基于所述第一幅度频谱和所述相位频谱,得到用于表征所述第二红外图像的频谱特征图像;
第三确定模块,用于利用尺度滤波法对所述第二红外图像进行处理,得到尺度特征图像;
特征融合模块,用于将所述方向特征图像、所述频谱特征图像和所述尺度特征图像进行特征融合,得到多特征融合图像;
阈值分割模块,用于对所述多特征融合图像进行阈值分割,得到所述多特征融合图像中的目标。
在一种可能的设计中,所述锐化处理模块,用于执行如下操作:
采用拉普拉斯算子对所述第一红外图像进行轮廓边缘提取,得到轮廓边缘图像;
将所述第一红外图像和所述轮廓边缘图像进行叠加,以完成锐化处理。
在一种可能的设计中,所述第一确定模块,用于执行如下操作:
选取所述第二红外图像的八个方向;其中,所述八个方向包括上、下、左、右、左上、左下、右上和右下;
针对所述八个方向中的每个方向,执行:确定当前方向上所有像素点的最小灰度值;将当前方向上每个像素点的灰度值与所述最小灰度值的差值作为当前像素点的灰度值,以完成在预设方向上所有像素点的灰度值的重构。
在一种可能的设计中,所述第二确定模块在执行所述基于所述第一幅度频谱和所述相位频谱,得到用于表征所述第二红外图像的频谱特征图像时,用于执行如下操作:
基于所述第一幅度频谱,得到第一对数幅度频谱;
对所述第一对数幅度频谱进行均值滤波处理,得到第二对数幅度频谱;
将所述第一对数幅度频谱和所述第二对数幅度频谱的差值作为第二幅度频谱;
将所述第二幅度频谱和所述相位频谱进行叠加,并对叠加后的结果进行傅里叶逆变换,得到用于表征所述第二红外图像的频谱特征图像。
在一种可能的设计中,所述阈值分割模块,用于执行如下操作:
基于所述多特征融合图像,得到所述多特征融合图像中所有非零像素点的平均灰度值和灰度值方差;
基于所述平均灰度值和所述灰度值方差,确定用于分割图像的阈值;
利用所述阈值对所述多特征融合图像进行阈值分割,得到所述多特征融合图像中的目标。
本发明实施例提供了一种基于多特征融合的红外弱小多目标的检测方法和装置,通过对待检测的第一红外图像进行锐化处理,得到第二红外图像,并基于第二红外图像分别得到方向特征图像、频谱特征图像和尺度特征图像,然后对方向特征图像、频谱特征图像和尺度特征图像进行特征融合,得到多特征融合图像,再基于多特征融合图像对目标进行检测。上述技术方案可以抑制背景杂波的影响和增强目标像素强度,使得多特征融合图像中的目标的显著性增强,从而提高了弱小多目标的检测准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的一种基于多特征融合的红外弱小多目标的检测方法流程图;
图2是本发明一实施例提供的一种计算设备的硬件架构图;
图3是本发明一实施例提供的一种基于多特征融合的红外弱小多目标的检测装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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清楚、完整地描述,显然,所描述的实施例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。
请参考图1,本发明实施例提供了一种基于多特征融合的红外弱小多目标的检测方法,该方法包括:
步骤100,获取待检测的第一红外图像,并对第一红外图像进行锐化处理,得到第二红外图像;
步骤102,对第二红外图像在预设方向上所有像素点的灰度值进行重构,得到方向特征图像;
步骤104,对第二红外图像进行傅里叶变换,得到第一幅度频谱和相位频谱;
步骤106,基于第一幅度频谱和相位频谱,得到用于表征第二红外图像的频谱特征图像;
步骤108,利用尺度滤波法对第二红外图像进行处理,得到尺度特征图像;
步骤110,将方向特征图像、频谱特征图像和尺度特征图像进行特征融合,得到多特征融合图像;
步骤112,对多特征融合图像进行阈值分割,得到多特征融合图像中的目标。
本发明实施例中,通过对待检测的第一红外图像进行锐化处理,得到第二红外图像,并基于第二红外图像分别得到方向特征图像、频谱特征图像和尺度特征图像,然后对方向特征图像、频谱特征图像和尺度特征图像进行特征融合,得到多特征融合图像,再基于多特征融合图像对目标进行检测。上述技术方案可以抑制背景杂波的影响和增强目标像素强度,使得多特征融合图像中的目标的显著性增强,从而提高了弱小多目标的检测准确率。
为了更加有效地实现对弱小多目标的检测,本发明从视觉机制的角度,利用输入图像信息提取相关的视觉特征。首先对图像中目标的方向特征进行分析,提取出相应的弱小多目标视觉显著性特征图。由于目标数越多,需要的特征信息越多,为了提高多目标检测的实时性和可靠性,本发明对图像中的频谱特征、尺度特征等不同视觉特征进行分析,并提取出相应视觉显著性特征图进行融合。频谱特征可有效实现对复杂背景的抑制,尺度特征则对弱小多目标进行显著增强。利用不同特征的优点,使得上述检测方法在不同的场景下有效地实现对复杂背景杂波的抑制和对多目标的增强,从而提高了目标检测的准确率,降低了虚警率,实现对复杂背景下红外小目标的准确检测。
下面对图1所示的各个步骤进行介绍。
针对步骤100,步骤100具体包括:
采用拉普拉斯算子对第一红外图像进行轮廓边缘提取,得到轮廓边缘图像;
将第一红外图像和轮廓边缘图像进行叠加,以完成锐化处理。
在本实施例中,通过对第一红外图像中目标的轮廓边缘进行增强,即增强了多目标的像素强度,有利于提高后续的目标检测准确率。
当然,也可以采用其它方式对第一红外图像进行锐化处理,在此不进行具体限定。
针对步骤102,步骤102具体包括:
选取第二红外图像的八个方向;其中,八个方向包括上、下、左、右、左上、左下、右上和右下;
针对八个方向中的每个方向,执行:确定当前方向上所有像素点的最小灰度值;将当前方向上每个像素点的灰度值与最小灰度值的差值作为当前像素点的灰度值,以完成在预设方向上所有像素点的灰度值的重构。
在本实施例中,利用目标与背景在多方向上的像素强度差异的视觉特性,通过对红外图像从八个方向进行分解,利用邻域像素的最相似灰度值来重建背景。通过采用上述重构的方案可以对第二红外图像中的背景进行抑制,即利用背景与目标在不同方向上的差异特性,通过多方向的共同作用,消除部分复杂背景的干扰。也就是说,本实施例的方案可以增加弱小目标在图像中的显著性,降低了背景在图像中的显著性。
针对步骤104,经过傅里叶变换后得到的频域结果包括幅度频谱(即第一幅度频谱)和相位频谱。
针对步骤106,步骤106具体包括:
基于第一幅度频谱,得到第一对数幅度频谱;
对第一对数幅度频谱进行均值滤波处理,得到第二对数幅度频谱;
将第一对数幅度频谱和第二对数幅度频谱的差值作为第二幅度频谱;
将第二幅度频谱和相位频谱进行叠加,并对叠加后的结果进行傅里叶逆变换,得到用于表征第二红外图像的频谱特征图像。
在本实施例中,因为平均幅度频谱表示一种局部区域的线性关系,为了获取自然图像中的log-log变换关系,利用对数幅度频谱的局部均值滤波平滑后的结果来近似。为了获得更好的视觉效果,本实施例采用均值滤波处理。而将第一对数幅度频谱和第二对数幅度频谱的差值作为第二幅度频谱,有利于进一步对背景进行抑制,即进一步消除部分复杂背景的干扰。
针对步骤108,由于远距离目标与成像平台间由于相对运动而是的探测的视觉角度不同,获得目标的信号强弱不同。为了更加准确的检测目标,本发明实施例采用DoG(Different of gaussian)尺度滤波法来获取第二红外图像的尺度特征。其中,DoG是高斯函数的差分算子,其利用不同参数的高斯核函数对图像进行滤波卷积,然后对其相邻的两个高斯尺度之间做差值的而生成特征图的过程。由于DoG算子具有中心激励及侧向抑制的特性,能在抑制背景的同时,还能增强目标的像素强度。
通常红外图像的DoG尺度空间可由如下公式表示:
DDS(i,j,σ)={{DoG(i,j,σ)}|σ=σ1,σ2...σn′}
对于多目标而言,相邻的尺度间的大小将会直接的影响生成尺度空间之间的连续性。此外,考虑到成像系统对目标做出快速响应,需要算法降低运行速度,减少计算量。因此,本发明实施例令相邻尺度因子σ之间的关系用σn′=knσ1来表示。其中,最初的尺度因子σ1的最小值取值为0.1,k′取值为2.42,尺度空间数n′的值通常在实验中获得,本发明为了使算法的耗时短、计算量少,取n′=2。
针对步骤110,不同的特征提取方法(即步骤102、步骤106和步骤108)的计算结果存在差异,对目标的增强和背景的抑制作用也不尽相同,因此显著性的融合应该体现每种特征提取方法的不同重要性。通过上述步骤102、步骤106和步骤108分别对第二红外图像中目标与背景的方向特征、频谱特征、尺度特征的分析,可以实现对第二红外图像进行背景抑制和目标增强。为了使得到的方向特征图像、频谱特征图像和尺度特征图像具有更好的显著性,将提取的各个特征图像进行归一化后融合处理,得到多特征融合图像。
通过将获取的不同的特征图像进行融合,能够有效抑制不同特征图像中产生的冗余信息,又能够增加目标的显著性,从而可以提高目标检测准确率,降低虚警率。
针对步骤112,步骤112具体包括:
基于多特征融合图像,得到多特征融合图像中所有非零像素点的平均灰度值和灰度值方差;
基于平均灰度值和灰度值方差,确定用于分割图像的阈值;
利用阈值对多特征融合图像进行阈值分割,得到多特征融合图像中的目标。
在本实施例中,通过利用重新确定的阈值来分割图像,可以使得得到的目标更加准确。
其中,步骤基于平均灰度值和灰度值方差,确定用于分割图像的阈值,可以通过如下公式实现:
Th′=mean(F′)+λ′var(F′)
式中,mean(F′)为多特征融合图像中所有非零像素点的平均灰度值,var(F′)为多特征融合图像中所有非零像素点的灰度值方差,λ′为调节系数。
因此,对于多特征融合图像F′(i,j),若F′(i,j)≥Th′,则可能是目标,反之则为背景。
为了更好的检测本发明中所提出的算法对红外弱小目标的显著性检测性能,本发明进行了实验和分析。实验中,采用具有天空、海面及海天背景等五种不同背景的图像序列对所提算法的检测性能进行验证。并将所提出的基于多特征融合检测的算法与最大中值滤波(Max-median)算法、谱残差(SF)和Infrared Small Target Detection Based on FacetKernel and Random Walker(FKRW)的检测算法进行比较,在实验中,选取λ^'=0.5。对所有的红外图像序列,选择参数值相同。
对于均匀较暗背景而言,Max-median算法对较暗多目标的检测率较低;SF算法的检测结果中存在杂波干扰,导致产生虚警现象,并且目标的检测率较低;FKRW算法能够有效的抑制杂波干扰,但对于与周围邻域对比度较低的目标无法检测;而本发明所提算法能够有效地检测目标,并且降低虚警率。
对于起伏较暗的海面背景而言,Max-median算法对起伏图像中多目标的检测能力受边缘高亮杂波干扰,使得杂波未抑制,出现虚假目标;SF算法的检测结果受杂波影响,存在一个虚假目标,并且目标的检测率下降;FKRW算法能够检测到多目标,但受边缘杂波的干扰,使得检测到的目标中存在虚假目标;而本发明所提算法能够减少虚警目标,并且精准地提取真实目标。
对于均匀较亮背景中的多目标而言,Max-median算法对图像中多目标的检测较好;SF算法的检测结果受到目标信号强弱不同的影响,该算法将较弱的目标抑制,并将四周背景误判为目标;FKRW算法能够检测到多个目标,但却将背景中某点较亮的杂波当作目标提取出来;而本发明所提算法能够增强目标像素强度,提高了多目标的检测能力。
对于起伏较亮背景红外图像中的多目标而言,虽然Max-median算法对图像云层背景的抑制效果较好,但对于信号较为微弱的目标却无法检测,使得目标漏检,并将背景误检测为目标;SF算法对较为微弱目标的检测效果优于最大中值滤波,但目标受到高亮度云层干扰,目标与其局部区域的对比度较低,使得最为微弱的目标无法检测;FKRW算法虽然在抑制背景杂波干扰方面取得了极好的效果,但无法增强极弱的目标,将目标视为背景并对其进行抑制;而本发明所提算法能够在有效地抑制背景的同时增强多目标像素强度,并且精准地检测出红外图像中的多个弱小目标。
对于海天背景中的多目标而言,Max-median算法对海中对比度较高的多目标的检测较好,对空中受高亮云层干扰的目标的检测性能较差;SF算法的检测结果中较弱目标受其局部较高像素背景的影响,将较弱的目标抑制,并将杂波检测成目标;FKRW算法和本发明所提算法能够有效地提取目标,提高多目标的检测能力的同时降低目标虚警率。
综上,本发明所提的算法为基于多特征融合的红外弱小多目标检测算法。其基本发明为多方向线重构算法,引入了谱残差算法、DoG尺度滤波算法,实现对红外弱小多目标图像进一步抑制背景并且增强目标的目的。通过对红外图像中方向特征、频谱特征和尺度特征的分析,本发明采用多方向线重构算法抑制背景杂波的影响。采用谱残差算法对红外图像进行处理,能够进一步有效的抑制背景,并且采用DoG尺度滤波算法增强目标像素强度。之后将获得的视觉特征图像进行归一化融合,增强目标,而单独特征图像中能量微弱的目标显著性较差,因此本发明将获得的特征图像进行了显著性增强。
如图2、图3所示,本发明实施例提供了一种基于多特征融合的红外弱小多目标的检测装置。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。从硬件层面而言,如图2所示,为本发明实施例提供的一种基于多特征融合的红外弱小多目标的检测装置所在计算设备的一种硬件架构图,除了图2所示的处理器、内存、网络接口、以及非易失性存储器之外,实施例中装置所在的计算设备通常还可以包括其他硬件,如负责处理报文的转发芯片等等。以软件实现为例,如图3所示,作为一个逻辑意义上的装置,是通过其所在计算设备的CPU将非易失性存储器中对应的计算机程序读取到内存中运行形成的。本实施例提供的一种基于多特征融合的红外弱小多目标的检测装置,所述装置包括:
锐化处理模块,用于获取待检测的第一红外图像,并对所述第一红外图像进行锐化处理,得到第二红外图像;
第一确定模块,用于对所述第二红外图像在预设方向上所有像素点的灰度值进行重构,得到方向特征图像;
第二确定模块,用于:对所述第二红外图像进行傅里叶变换,得到第一幅度频谱和相位频谱;基于所述第一幅度频谱和所述相位频谱,得到用于表征所述第二红外图像的频谱特征图像;
第三确定模块,用于利用尺度滤波法对所述第二红外图像进行处理,得到尺度特征图像;
特征融合模块,用于将所述方向特征图像、所述频谱特征图像和所述尺度特征图像进行特征融合,得到多特征融合图像;
阈值分割模块,用于对所述多特征融合图像进行阈值分割,得到所述多特征融合图像中的目标。
在本发明一个实施例中,所述锐化处理模块,用于执行如下操作:
采用拉普拉斯算子对所述第一红外图像进行轮廓边缘提取,得到轮廓边缘图像;
将所述第一红外图像和所述轮廓边缘图像进行叠加,以完成锐化处理。
在本发明一个实施例中,所述第一确定模块,用于执行如下操作:
选取所述第二红外图像的八个方向;其中,所述八个方向包括上、下、左、右、左上、左下、右上和右下;
针对所述八个方向中的每个方向,执行:确定当前方向上所有像素点的最小灰度值;将当前方向上每个像素点的灰度值与所述最小灰度值的差值作为当前像素点的灰度值,以完成在预设方向上所有像素点的灰度值的重构。
在本发明一个实施例中,所述第二确定模块在执行所述基于所述第一幅度频谱和所述相位频谱,得到用于表征所述第二红外图像的频谱特征图像时,用于执行如下操作:
基于所述第一幅度频谱,得到第一对数幅度频谱;
对所述第一对数幅度频谱进行均值滤波处理,得到第二对数幅度频谱;
将所述第一对数幅度频谱和所述第二对数幅度频谱的差值作为第二幅度频谱;
将所述第二幅度频谱和所述相位频谱进行叠加,并对叠加后的结果进行傅里叶逆变换,得到用于表征所述第二红外图像的频谱特征图像。
在本发明一个实施例中,所述阈值分割模块,用于执行如下操作:
基于所述多特征融合图像,得到所述多特征融合图像中所有非零像素点的平均灰度值和灰度值方差;
基于所述平均灰度值和所述灰度值方差,确定用于分割图像的阈值;
利用所述阈值对所述多特征融合图像进行阈值分割,得到所述多特征融合图像中的目标。
可以理解的是,本发明实施例示意的结构并不构成对一种基于多特征融合的红外弱小多目标的检测装置的具体限定。在本发明的另一些实施例中,一种基于多特征融合的红外弱小多目标的检测装置可以包括比图示更多或者更少的部件,或者组合某些部件,或者拆分某些部件,或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。
上述装置内的各模块之间的信息交互、执行过程等内容,由于与本发明方法实施例基于同一构思,具体内容可参见本发明方法实施例中的叙述,此处不再赘述。
本发明实施例还提供了一种计算设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时,实现本发明任一实施例中的一种基于多特征融合的红外弱小多目标的检测方法。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序在被处理器执行时,使所述处理器执行本发明任一实施例中的一种基于多特征融合的红外弱小多目标的检测方法。
具体地,可以提供配有存储介质的系统或者装置,在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码,且使该系统或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。
在这种情况下,从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能,因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地,可以由通信网络从服务器计算机上下载程序代码。
此外,应该清楚的是,不仅可以通过执行计算机所读出的程序代码,而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作,从而实现上述实施例中任意一项实施例的功能。
此外,可以理解的是,将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展模块中设置的存储器中,随后基于程序代码的指令使安装在扩展板或者扩展模块上的CPU等来执行部分和全部实际操作,从而实现上述实施例中任一实施例的功能。
需要说明的是,在本文中,诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个…”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同因素。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储在计算机可读取的存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于多特征融合的红外弱小多目标的检测方法,其特征在于,包括:
获取待检测的第一红外图像,并对所述第一红外图像进行锐化处理,得到第二红外图像;
对所述第二红外图像在预设方向上所有像素点的灰度值进行重构,得到方向特征图像;
对所述第二红外图像进行傅里叶变换,得到第一幅度频谱和相位频谱;
基于所述第一幅度频谱和所述相位频谱,得到用于表征所述第二红外图像的频谱特征图像;
利用尺度滤波法对所述第二红外图像进行处理,得到尺度特征图像;
将所述方向特征图像、所述频谱特征图像和所述尺度特征图像进行特征融合,得到多特征融合图像;
对所述多特征融合图像进行阈值分割,得到所述多特征融合图像中的目标。
2.根据权利要求1所述的方法,其特征在于,所述对所述第一红外图像进行锐化处理,包括:
采用拉普拉斯算子对所述第一红外图像进行轮廓边缘提取,得到轮廓边缘图像;
将所述第一红外图像和所述轮廓边缘图像进行叠加,以完成锐化处理。
3.根据权利要求1所述的方法,其特征在于,所述对所述第二红外图像在预设方向上所有像素点的灰度值进行重构,包括:
选取所述第二红外图像的八个方向;其中,所述八个方向包括上、下、左、右、左上、左下、右上和右下;
针对所述八个方向中的每个方向,执行:确定当前方向上所有像素点的最小灰度值;将当前方向上每个像素点的灰度值与所述最小灰度值的差值作为当前像素点的灰度值,以完成在预设方向上所有像素点的灰度值的重构。
4.根据权利要求1所述的方法,其特征在于,所述基于所述第一幅度频谱和所述相位频谱,得到用于表征所述第二红外图像的频谱特征图像,包括:
基于所述第一幅度频谱,得到第一对数幅度频谱;
对所述第一对数幅度频谱进行均值滤波处理,得到第二对数幅度频谱;
将所述第一对数幅度频谱和所述第二对数幅度频谱的差值作为第二幅度频谱;
将所述第二幅度频谱和所述相位频谱进行叠加,并对叠加后的结果进行傅里叶逆变换,得到用于表征所述第二红外图像的频谱特征图像。
5.根据权利要求1所述的方法,其特征在于,所述对所述多特征融合图像进行阈值分割,得到所述多特征融合图像中的目标,包括:
基于所述多特征融合图像,得到所述多特征融合图像中所有非零像素点的平均灰度值和灰度值方差;
基于所述平均灰度值和所述灰度值方差,确定用于分割图像的阈值;
利用所述阈值对所述多特征融合图像进行阈值分割,得到所述多特征融合图像中的目标。
6.一种基于多特征融合的红外弱小多目标的检测装置,其特征在于,包括:
锐化处理模块,用于获取待检测的第一红外图像,并对所述第一红外图像进行锐化处理,得到第二红外图像;
第一确定模块,用于对所述第二红外图像在预设方向上所有像素点的灰度值进行重构,得到方向特征图像;
第二确定模块,用于:对所述第二红外图像进行傅里叶变换,得到第一幅度频谱和相位频谱;基于所述第一幅度频谱和所述相位频谱,得到用于表征所述第二红外图像的频谱特征图像;
第三确定模块,用于利用尺度滤波法对所述第二红外图像进行处理,得到尺度特征图像;
特征融合模块,用于将所述方向特征图像、所述频谱特征图像和所述尺度特征图像进行特征融合,得到多特征融合图像;
阈值分割模块,用于对所述多特征融合图像进行阈值分割,得到所述多特征融合图像中的目标。
7.根据权利要求6所述的装置,其特征在于,所述锐化处理模块,用于执行如下操作:
采用拉普拉斯算子对所述第一红外图像进行轮廓边缘提取,得到轮廓边缘图像;
将所述第一红外图像和所述轮廓边缘图像进行叠加,以完成锐化处理。
8.根据权利要求6所述的装置,其特征在于,所述第一确定模块,用于执行如下操作:
选取所述第二红外图像的八个方向;其中,所述八个方向包括上、下、左、右、左上、左下、右上和右下;
针对所述八个方向中的每个方向,执行:确定当前方向上所有像素点的最小灰度值;将当前方向上每个像素点的灰度值与所述最小灰度值的差值作为当前像素点的灰度值,以完成在预设方向上所有像素点的灰度值的重构。
9.根据权利要求6所述的装置,其特征在于,所述第二确定模块在执行所述基于所述第一幅度频谱和所述相位频谱,得到用于表征所述第二红外图像的频谱特征图像时,用于执行如下操作:
基于所述第一幅度频谱,得到第一对数幅度频谱;
对所述第一对数幅度频谱进行均值滤波处理,得到第二对数幅度频谱;
将所述第一对数幅度频谱和所述第二对数幅度频谱的差值作为第二幅度频谱;
将所述第二幅度频谱和所述相位频谱进行叠加,并对叠加后的结果进行傅里叶逆变换,得到用于表征所述第二红外图像的频谱特征图像。
10.根据权利要求6所述的装置,其特征在于,所述阈值分割模块,用于执行如下操作:
基于所述多特征融合图像,得到所述多特征融合图像中所有非零像素点的平均灰度值和灰度值方差;
基于所述平均灰度值和所述灰度值方差,确定用于分割图像的阈值;
利用所述阈值对所述多特征融合图像进行阈值分割,得到所述多特征融合图像中的目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111305676.8A CN114037820A (zh) | 2021-11-05 | 2021-11-05 | 一种基于多特征融合的红外弱小多目标的检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111305676.8A CN114037820A (zh) | 2021-11-05 | 2021-11-05 | 一种基于多特征融合的红外弱小多目标的检测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114037820A true CN114037820A (zh) | 2022-02-11 |
Family
ID=80136437
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111305676.8A Pending CN114037820A (zh) | 2021-11-05 | 2021-11-05 | 一种基于多特征融合的红外弱小多目标的检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114037820A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116343100A (zh) * | 2023-05-27 | 2023-06-27 | 广东中科凯泽信息科技有限公司 | 一种基于自监督学习的目标识别方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3032487A1 (en) * | 2016-08-03 | 2018-02-08 | Jiangsu University | Saliency-based method for extracting road target from night vision infrared image |
CN110929574A (zh) * | 2019-10-21 | 2020-03-27 | 中国电子科技集团公司第二十八研究所 | 一种红外弱小目标快速检测方法 |
-
2021
- 2021-11-05 CN CN202111305676.8A patent/CN114037820A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3032487A1 (en) * | 2016-08-03 | 2018-02-08 | Jiangsu University | Saliency-based method for extracting road target from night vision infrared image |
CN110929574A (zh) * | 2019-10-21 | 2020-03-27 | 中国电子科技集团公司第二十八研究所 | 一种红外弱小目标快速检测方法 |
Non-Patent Citations (1)
Title |
---|
杨海静: "基于视觉特征融合的红外弱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. 2, 15 February 2021 (2021-02-15), pages 135 - 135 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116343100A (zh) * | 2023-05-27 | 2023-06-27 | 广东中科凯泽信息科技有限公司 | 一种基于自监督学习的目标识别方法及系统 |
CN116343100B (zh) * | 2023-05-27 | 2023-08-11 | 广东中科凯泽信息科技有限公司 | 一种基于自监督学习的目标识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107424171B (zh) | 一种基于分块的抗遮挡目标跟踪方法 | |
CN108765465B (zh) | 一种无监督sar图像变化检测方法 | |
WO2019153830A1 (zh) | 行人再识别方法、装置、电子设备和存储介质 | |
JP2017531883A (ja) | 画像の主要被写体を抽出する方法とシステム | |
JP6075190B2 (ja) | 画像処理方法及び装置 | |
JP4964171B2 (ja) | 対象領域抽出方法および装置ならびにプログラム | |
US8224057B2 (en) | Method and system for nodule feature extraction using background contextual information in chest x-ray images | |
KR20130072073A (ko) | 영상 윤곽선 추출 장치 및 방법 | |
CN112465749B (zh) | 提取肺栓塞图像的方法、装置、存储介质及电子设备 | |
CN108320298B (zh) | 一种视觉目标跟踪方法与设备 | |
CN115170571B (zh) | 胸腹水细胞病理图像识别方法、图像识别装置、介质 | |
CN111311611A (zh) | 一种实时三维大场景多对象实例分割的方法 | |
Zhu et al. | Underwater object recognition using transformable template matching based on prior knowledge | |
CN114037820A (zh) | 一种基于多特征融合的红外弱小多目标的检测方法和装置 | |
CN113962900A (zh) | 复杂背景下红外弱小目标检测方法、装置、设备及介质 | |
CN111179245A (zh) | 图像质量检测方法、装置、电子设备和存储介质 | |
CN112686222B (zh) | 星载可见光探测器对船舶目标检测的方法和系统 | |
Kondaveeti et al. | Abridged shape matrix representation for the recognition of aircraft targets from 2D ISAR imagery | |
Wang et al. | Fault detection using color blending and color transformations | |
CN112052863B (zh) | 一种图像检测方法及装置、计算机存储介质、电子设备 | |
Deng et al. | Texture edge-guided depth recovery for structured light-based depth sensor | |
Bergevin et al. | Detection and characterization of junctions in a 2D image | |
CN113963178A (zh) | 地空背景下红外弱小目标检测方法、装置、设备及介质 | |
CN116645525B (zh) | 一种游戏图像识别方法及处理系统 | |
CN110689549A (zh) | 对象提取方法、装置和设备 |
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 |