CN114155426A - 一种基于局部多向梯度信息融合的弱小目标检测方法 - Google Patents

Abstract

本发明公开了一种基于局部多向梯度信息融合的弱小目标检测方法，包括：首先，建立新的像元四方向区域的能量均值填充补偿模型来对图像进行预处理，完成多向梯度信息融合；接着，对已填充补偿的图像再构建出新的二次判定填充增强模型来保护目标信号，使目标信号再一次被增强；最后，以块区域计算形式构建出新的多向梯度倒数背景抑制模型来完成背景建模以得到差分图。本发明局部多向梯度信息能量感知的弱小目标检测方法具有很好的先进性，得到更好的检测效果。

Description

一种基于局部多向梯度信息融合的弱小目标检测方法

技术领域

本发明涉及远距离成像中对弱信号目标的检测、追踪领域以及还涉及到计算机视觉算法的领域，具体涉及一种基于局部多向梯度信息融合的弱小目标检测方法，其实现在不同光照、复杂天气及各种光电噪声干扰下的目标检测、提取和追踪。

背景技术

弱小目标检测隶属于弱信号检测中的一种典型，其远距离成像的方式使得目标常被淹没在各种波动云层，大气湍流和光电杂波中，使得目标信号被严重削弱，目标缺乏纹理信息，给诸多研究工作者造成了检测上的困难。但由于弱小目标检测在实际的科技应用中有着巨大的贡献，所以不断的提出新的算法改进思路成为了研究的热点之一。

针对弱信号目标的检测，关键在于目标信号的保留和最终目标的提取。为了有效的抑制图像背景，保留和增强目标信号，本文的发明首先是利用图像像元的梯度差异构建了多方向梯度信息融合的滤波模型来对图像进行预处理，将目标及目标邻域信息留存下来，达到凸显目标的作用。第二，在经过一次填充后，图像中像元间的差异呈块状分布，且除去目标区域及部分噪声边缘区域块之外，其他区域块间的差异不大，为能再次突出目标点，本发明再构建出新的二次信息补偿模型对已预处理的像元进行二次信息填充补偿，使得目标邻域的信息再一次被细化，拉开目标与相关背景灰度上的差距，进而目标就被孤立突出出来，完成图像的多向梯度信息融合。在经过上述处理得到信息融合图像后，本发明利用梯度倒数具有大面积背景抑制的优势构造出新的梯度背景抑制模型来对图像进行处理，将图像的细节信息以区域块来计算，使得含有目标的区域块信息被充分利用，目标辨识更为清晰。

发明内容

本发明要解决的技术问题为：本发明主要是解决高空弱小目标检测上由于目标常被各种复杂云层，大气湍流及各种光电信号淹没，最终造成目标检测失败的问题。由于该类图像属于远距离成像机制，目标在图像中占有的像元稀少，且缺乏相关的纹理信息，使得目标检测变得困难。在进行目标检测时首先需对图像进行背景建模将背景部分和目标部分离后再进行目标检测提取，但由于处在云层多变的空域环境中使得各种检测算法都有一定的局限性，在处理背景含有较多云层的场景时常出现目标检测失败的场景。所以本发明提供一种基于局部多向梯度信息融合的弱小目标检测方法，利用梯度倒数具有抑制大面积背景优势来对图像进行背景建模，结合目标与背景具有较小关联这一特性构造像元补偿模型来细化背景信息，使得目标信号得到保留，有效的保留了图像的细节信息，达到突出目标最终实现检测的目的。

本发明解决上述技术问题采用的技术方案为：一种基于局部多向梯度信息融合的弱小目标检测方法，包括如下步骤：

步骤一、建立新的像元四方向区域的能量均值填充补偿模型来对图像进行填充补偿，进行弱小目标图像一次信息融合；所述的新的像元四方向区域的能量均值填充补偿模型如下所示：

式中，Δf_U3×3，Δf_D3×3，Δf_T3×3，Δf_L3×3，Δf_R3×3分别表示所取计算区域在上、下、中心、左、右3×3区域的均值，R代表区域大小取值3，f1(x+m,y-n-k)、f1(x+m,y+k+n)、f1(x+m,y+n)、f1(x-k+m,y+n)、f1(x+k+m,y+n)分别表示中心像元块的上像元块，下像元块，中心像元块，左像元块和右像元块，m,n表示邻域范围的半径，max(·)和min(·)分别表示各邻域均值的最大最小值，f1表示已完成均值填充处理的新的计算区域矩阵，F1表示已用各3×3区域均值填充在相应位置了新的9×9计算区域矩阵，Data表示排序后取均值最小的两个进行求和取平均来填充相应的位置，A表示由上，下，左，右四个3×3区域均值组成的矩阵，data表示排序后的矩阵，sort和descend分别是排序和降序函数，sort(A,′descend′)为对矩阵A中的均值进行排序，descend为Matlab中封装的降序函数，用来对矩阵A中的元素进行降序排序。data(1)，data(2)表示最小的两个均值。

步骤二、对已填充补偿的图像构建二次判定灰度信息补偿滤波模型，通过该二次判定灰度信息补偿滤波模型完成图像多方向信息融合；所述的二次判定灰度信息补偿滤波模型如下所示：

式中，A表示由上，下，左，右四个已完成一次信息融合的3×3区域均值组成的矩阵，p表示各3×3邻域分别与中心3×3区域均值做差的绝对值，c为给定的界定常数，取值为5，f1_{(up,dowm,left,right)}表示分别已用均值填充后的f1进行上，下，左，右邻域更新的区域。

步骤三、建立多向区域块计算形式的梯度倒数滤波模型，通过该多向区域块计算形式的梯度倒数滤波模型完成多方向信息融合后的图像背景建模得到背景图像，进而采用原始图像与步骤二的背景图像进行差分，获取差分图像。

进一步地，利用目标信号向周围呈不均匀扩散态势将灰度信息融合和梯度倒数计算转换到区域块上来，可以有效的突出和保留目标及目标周围的细节信息，达到突出目标的作用，具体实现公式如下：

式中，f1为已经经过二次判定模型填充后的计算区域矩阵，Δf_U1、Δf_D1、Δf_L1、Δf_R1分别表示各邻域与中间邻域的均值梯度，f1(x+m,y-n-k)、f1(x+m,y+k+n)、f1(x+m,y+n)、f1(x-k+m,y+n)、f1(x+k+m,y+n)分别表示中心像元块的上像元块，下像元块，中心像元块，左像元块和右像元块，m,n表示邻域范围的半径，k表示移动的步长，A1为f1中邻域均值组成的矩阵，p₁表示各均值与中间区域均值做差的数值，c₁为给定界定常数取值为10，mark(m1,n1)表示与计算矩阵f1同等大小的空矩阵，用于填充0，1数值以得到相关函数矩阵R(x,y)，θ表示滤波系数，K为控制滤波系数的界定常数。p₁表示各均值与中间区域均值做差的数值，c₁为给定界定常数取值为10，D(m2,n2)_{(up,down,left,right)}表示与计算矩阵f1同等大小的空矩阵，用于定义新的梯度倒数。A2＝D(m2,n2)]为填充完了的几个邻域均值的集合，g(m₃,n₃)_center，g(m₃,n₃)_{(up,down,left,right)}表示与计算区域矩阵f1中等大小的3×3空矩阵，用于填充系数以获取归一化后的加权系数。

进一步地，利用目标在四个方向上和最小两个方向求和做均值来影响最终目标周围邻域的填充信息，得到信息更为细化的差分图，具体实现公式如下：

式中，

表示计算区域矩阵f1中上，下，左，右的3×3区域的预测矩阵，(i₃,l₃)表示上，下，左，右的区域标号，r表示区域大小，取值为3。g(m₃,n₃)表示相应位置归一化后所得到的加权系数矩阵，f(x,y)表示与g(m₃,n₃)同维且位置与g(m₃,n₃)相对应的相同位置的预处理图像矩阵，二者相乘来获取预测矩阵。

为各方向预测矩阵的矩阵均值，cumin表示上，下，左，右四个方向上最小的两个方向的预测矩阵均值和，C_center为计算区域矩阵F1的中间3×3矩阵，其根据cumin的值来进行相应数值的填充。f_b(m,n)为整幅图像的预测值，f_d为图像差分图像，f为图像经过预处理后的图像，整体的运行步骤结合了图1中构建的预处理模型和图像的行列号来进行。

进一步地，充分利用像元梯度差异完成图像灰度信息融合，使得弱目标信号保留更完全，具体实现公式如下：

式中，Δf_U3×3，Δf_D3×3，Δf_T3×3，Δf_L3×3，Δf_R3×3分别表示所取计算区域在上、下、中心、左、右3×3区域的均值，R代表区域大小取值3，f1(x+m,y-n-k)、f1(x+m,y+k+n)、f1(x+m,y+n)、f1(x-k+m,y+n)、f1(x+k+m,y+n)分别表示中心像元块的上像元块，下像元块，中心像元块，左像元块和右像元块，m,n表示邻域范围的半径，max(·)和min(·)分别表示各邻域均值的最大最小值，f1表示已完成均值填充处理的新的计算区域矩阵，F1表示已用各3×3区域均值填充在相应位置了新的9×9计算区域矩阵，Data表示排序后取均值最小的两个进行求和取平均来填充相应的位置，A表示由上，下，左，右四个3×3区域均值组成的矩阵，data表示排序后的矩阵，sort和descend分别是排序和降序函数，data(1)，data(2)表示最小的两个均值，

式中，A表示由上，下，左，右四个已完成一次信息融合的3×3区域均值组成的矩阵，p表示各3×3邻域分别与中心3×3区域均值做差的绝对值，c为给定的界定常数，取值为5，f1_{(up,dowm,left,right)}表示分别已用均值填充后的f1进行上，下，左，右邻域更新的区域。

进一步地，运用梯度倒数具有大面积背景抑制的优势来去除图像的边缘轮廓及各类干扰杂波，完成背景建模得到差分图，具体实现公式如下：

式中，f1为已经经过二次判定模型填充后的计算区域矩阵，Δf_U1、Δf_D1、Δf_L1、Δf_R1分别表示各邻域与中间邻域的均值梯度，f1(x+m,y-n-k)、f1(x+m,y+k+n)、f1(x+m,y+n)、f1(x-k+m,t+n)、f1(x+k+m,y+n)分别表示中心像元块的上像元块，下像元块，中心像元块，左像元块和右像元块，m,n表示邻域范围的半径，k表示移动的步长，A1为f1中邻域均值组成的矩阵，p₁表示各均值与中间区域均值做差的数值，c₁为给定界定常数取值为10，mark(m1,n1)表示与计算矩阵f1同等大小的空矩阵，用于填充0，1数值以得到相关函数矩阵R(x,y)，θ表示滤波系数，K为控制滤波系数的界定常数。p₁表示各均值与中间区域均值做差的数值，c₁为给定界定常数取值为10，D(m2,n2)_{(up,down,left,right)}表示与计算矩阵f1同等大小的空矩阵，用于定义新的梯度倒数。A2＝[D(m2,n2)]为填充完了的几个邻域均值的集合，g(m₃,n₃)_center，g(m₃,n₃)_{(up,down,left,right)}表示与计算区域矩阵f1中等大小的3×3空矩阵，用于填充系数以获取归一化后的加权系数，

式中，

表示计算区域矩阵f1中上，下，左，右的3×3区域的预测矩阵，(i₃,j₃)表示上，下，左，右的区域标号，r表示区域大小，取值为3。g(m₃,n₃)表示相应位置归一化后所得到的加权系数矩阵，f(x,y)表示与g(m₃,n₃)同维且位置与g(m₃,n₃)相对应的相同位置的预处理图像矩阵，二者相乘来获取预测矩阵。

为各方向预测矩阵的矩阵均值，cumin表示上，下，左，右四个方向上最小的两个方向的预测矩阵均值和，C_center为计算区域矩阵F1的中间3×3矩阵，其根据cumin的值来进行相应数值的填充。f_b(m,n)为整幅图像的预测值，f_d为图像差分图像，f为图像经过预处理后的图像，整体的运行步骤结合了图1中构建的预处理模型和图像的行列号来进行。

本发明与现有技术相比的有益效果在于：

(1)本发明运用局部填充补偿模型能够将目标与其周围邻域相关信息紧密结合，使得目标信号被增强，为滤波做好准备。

(2)本发明运用像元块来进行相关运算，能够有效的将目标周围邻域信息进行保存，使得目标信号是以区域形式被保留，保留信息更为完整。

(3)本发明结合目标信号扩散呈周围不均匀扩散态势，求取最小两个方向上的预测值和的均值来判定最终目标的输出填充值，能够有效的突出差分图中目标点。

(4)本发明运用梯度倒数拥有大面积抑制背景的优势，得到良好的差分图像。

附图说明

图1为本发明多向梯度信息融合模型示意图，其中，图1(a)为首先在原图选取3×3的f_center中心区域，根据f_center在其四个方向上选取3×3的f_up,f_down,f_left,f_right邻域来整体构成计算区域f1，图1(b)为本发明在背景处理时所呈现的实际应用效果图；

图2为本发明一种基于局部多向梯度信息融合的弱小目标检测方法流程图；

图3为选取外场获取的图像进行实现相应结果示意图，其中，图3(a)为原始图像；图3(b)、图3(c)是采用传统梯度倒数和本发明算法计算后得到的背景图像；图3(d)、图3(e)、图3(f)、图3(g)分别是传统算法和本发明算法对图像处理后得到的差分图像及差分三维图。

具体实施方式

下面结合附图以及具体实施方式进一步说明本发明。

本发明提供一种局部多向梯度信息融合的弱小目标检测方法，包括以下步骤：

1.四方向梯度信息融合的信息补偿滤波模型

在传统的梯度倒数算法中利用的是图像中单个像元之间的关系进行梯度关系的运算来进行背景抑制，导致图像中单个弱小目标的信息被削弱严重，给后续目标点的提取带来困难，因此本发明构建了对局部区域像元间进行运算的局部多向梯度信息融合模型，使得目标信息呈区域块保留，为后续目标的检测提取提供优势。

具体模型如图1所示，图1中首先在原图选取3×3的f_center中心区域，根据f_center在其四个方向上选取3×3的f_up,f_down,f_left,f_right邻域来整体构成计算区域f1，如图1(a)所示。图1(b)为本发明在背景处理时所呈现的实际应用效果图，如图1(b)所示本发明所提模型可以充分利用中心像元周围的信息对背景进行处理，对大面积的背景处理有较好的优势。利用弱小目标与背景间存在的差异将中心3×3区域块像素的均值与其上、下、左、右的3×3区域像素的均值进行比较，若中心3×3区域像素均值都大于其邻域区域块均值，则f_up,f_down,f_left,f_right四个方向邻域上的3×3区域的像素均用各自的均值填充，反之则用中心3×3区域的均值将周围邻域的3×3区域填充。目的是为了使不含目标信息的背景得到抑制，进而使得目标信息得到保留。其具体的实现流程如图2所示，具体数学模型如下：

式中，Δf_U3×3，Δf_D3×3，Δf_T3×3，Δf_L3×3，Δf_R3×3分别表示如图1的计算区域的上、下、中心、左、右3×3区域的均值，R代表区域大小取值3，f1表示选取的原图像的计算区域(形式如图1所示)，k为常数，表示图像移动步长，fix为取整函数，f1(x+m,y-n-k)、f1(x+m,y+k+n)、f1(x+m,y+n)、f1(x-k+m,y+n)、f1(x+k+m,y+n)分别表示中心像元块的上像元块，下像元块，中心像元块，左像元块和右像元块，m,n表示邻域范围的半径，经过计算和这些均值比较后根据判别条件分别填充到原图像对应f1的上、下、中心、左、右的3×3区域替换掉原有像素以构成新的区域F1，并将其给回到f1来执行下一步的运算，对各3×3区域的均值进行比较来填充相应的3×3区域，使得原有图像信息能够被细化，背景抑制充分，突出目标点，其相关判别式如下所示：

式中，max(·)和min(·)分别表示各邻域均值的最大值、最小值，f1表示已完成均值填充处理的新的计算区域矩阵，F1表示已用各3×3区域均值填充在相应位置了的新的区域矩阵，Data表示排序后取均值最小的两个进行求和取平均来填充相应的位置，A表示由上，下，左，右四个3×3区域均值组成的矩阵，data表示排序后的矩阵，sort和descend分别是排序和降序函数，data(1)，data(2)表示最小的两个均值。

2.二次判定填充补偿模型

式中，A表示由上，下，左，右四个3×3区域均值组成的矩阵，p表示各3×3邻域分别与中心3×3区域均值做差的绝对值，c为给定的界定常数，取值为5，f1_{(up,dowm,left,right)}表示9×9的整体计算区域，分别对上述式(2)中已用均值填充后的f1进行上，下，左，右更新，若p小于c值，则用做差的两个数中较大的一个去填充到相应的位置，反之则用较小的一个填充到对应的3×3区域中，使得含有奇异凸起的目标区域信息得到进一步保留。

3.融合多方向的梯度倒数背景抑制模型

根据上述对梯度倒数的描述以及本发明所提算法对梯度倒数的结合，本发明所构造的梯度倒数的运算首先是结合多方向梯度信息融合模型的运算对图像进行预处理，利用填充的均值来进行区域块之间的梯度运算。具体运算如下：

式中，f1为已经经过二次判定模型填充后的计算区域矩阵，Δf_U1、Δf_D1、Δf_L1、Δf_R1分别表示各邻域与中间邻域的均值梯度，运用相关函数R(x,y,k)来控制滤波系数θ的方法，对相关函数进行改进来对图像进行滤波控制，使得滤波系数θ的改变处在区域与区域之间，进而使得目标区域信息可以得到较好的保留，实际数学模型如下：

式中，A1为f1中邻域均值组成的矩阵，p₁表示各均值与中间区域均值做差的数值，c₁为给定界定常数取值为10，mark(m1,n1)表示与计算矩阵f1同等大小的空矩阵，用于填充0，1数值以得到相关函数矩阵R(x,y)，K为控制滤波系数的界定常数，本发明中数值为5，通过对图像进行再一次填充1和0在一定程度上抑制了图像云层边缘轮廓，提高算法的抑制能力。

通过图像的处理后需要对梯度进行重新定义，本发明的梯度倒数滤波通过区域与区域之间的处理将含有目标点的区域信息呈区域保存下来，提高目标信息保有量，为后续目标顺利提取做好准备，具体的数学公式如下所示：

式中，A1为f1中邻域均值组成的矩阵，p₁表示各均值与中间区域均值做差的数值，c₁为给定界定常数取值为10，D(m2,n2)_{(up,down,left,right)}表示与计算矩阵f1同等大小的空矩阵，用于定义新的梯度倒数。当邻域区域与中间区域均值做差不超过给定的界定常数时，将与中间区域做差的相对应的3×3邻域进行滤波系数θ填充。反之，填充各区域与中间区域均值差绝对值的倒数到相应的邻域3×3区域中，式中ceil为向上取整的函数。同理，运用本发明算法对梯度重新进行归一化改进处理来获取加权系数，具体的算法模型如下所示：

式中，A2＝D(m2,n2)]为填充完了的几个邻域均值的集合，g(m₃,n₃)_center，g(m₃,n₃)_{(up,down,left,right)}表示与计算区域矩阵f1中等大小的3×3空矩阵，用于填充系数以获取归一化后的加权系数，若邻域均值等于中间区域均值，则给中间3×3区域填充滤波系数的倒数，否则给其他的相邻区域填充相应的归一化系数使得图像中含有目标点的差异较大的区域得以保存。紧接着使用归一化加权系数来获取中心区域的预测值，进而获取图像的背景图像以求取图像的差分图像，具体的改进数学模型如下：

式中，

表示计算区域矩阵f1中上，下，左，右的3×3区域的预测矩阵，(i₃,l₃)表示上，下，左，右的区域标号，r表示区域大小，取值为3。g(m₃,n₃)表示相应位置归一化后所得到的加权系数矩阵，f(x,y)表示与g(m₃,n₃)同维且位置与g(m₃,n₃)相对应的相同位置的预处理图像矩阵，二者相乘来获取预测矩阵。

为各方向预测矩阵的矩阵均值，cumin表示上，下，左，右四个方向上最小的两个方向的预测矩阵均值和，C_center为计算区域矩阵F1的中间3×3矩阵，其根据cumin的值来进行相应数值的填充。f_b(m,n)为整幅图像的预测值，f_d为图像差分图像，f为图像经过预处理后的图像，整体的运行步骤结合了图1中构建的预处理模型和图像的行列号来进行。

为了验证本发明提出算法的有效性，选取外场获取的图像进行实现，相应结果图3，其中图3(a)为原始图像；图3(b)、图3(c)是采用传统梯度倒数和本发明算法计算后得到的背景图像；图3(d)、图3(e)、图3(f)、图3(g)分别是传统算法和本发明算法对图像处理后得到的差分图像及差分三维图，从图中可观察到本发明算法对复杂场景的背景抑制具有较好的效果。且从图3(f)、图3(g)中可知，采用本发明提出的局部多方向梯度信息融合的方法可以对目标信号进行增强，目标信噪比从3.36dB提升到9.86dB，能有效提高目标信号。

本发明未详细阐述部分属于本领域技术人员的公知技术。

本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明，而并非用作为对本发明的限定，只要在本发明的实质精神范围内，对以上所述实施例变化,变型都将落在本发明权利要求书的范围内。

Claims (5)

1.一种基于局部多向梯度信息融合的弱小目标检测方法，其特征在于，该方法包括如下步骤：

步骤一、建立新的像元四方向区域的能量均值填充补偿模型来对图像进行填充补偿，进行弱小目标图像一次信息融合；所述的新的像元四方向区域的能量均值填充补偿模型如下所示：

式中，Δf_U3×3，Δf_D3×3，Δf_T3×3，Δf_L3×3，Δf_R3×3分别表示所取计算区域在上、下、中心、左、右3×3区域的均值，R代表区域大小，取值3，f1(x+m，y-n-k)、f1(x+m，y+k+n)、f1(x+m，y+n)、f1(x-k+m，y+n)、f1(x+k+m，y+n)分别表示中心像元块的上像元块，下像元块，中心像元块，左像元块和右像元块，m，n表示邻域范围的半径，max(·)和min(·)分别表示各邻域均值的最大最小值，f1表示已完成均值填充处理的新的计算区域矩阵，F1表示已用各3×3区域均值填充在相应位置了新的9×9计算区域矩阵，Data表示排序后取均值最小的两个进行求和取平均来填充相应的位置，A表示由上，下，左，右四个3×3区域均值组成的矩阵，data表示排序后的矩阵，sort和descend分别是排序和降序函数，sort(A，′descend′)为对矩阵A中的均值进行排序，descend为Matlab中封装的降序函数，用来对矩阵A中的元素进行降序排序，data(1)，data(2)表示最小的两个均值；

步骤二、对已填充补偿的图像构建二次判定灰度信息补偿滤波模型，通过该二次判定灰度信息补偿滤波模型完成图像多方向信息融合；所述的二次判定灰度信息补偿滤波模型如下所示：

式中，A表示由上，下，左，右四个已完成一次信息融合的3×3区域均值组成的矩阵，p表示各3×3邻域分别与中心3×3区域均值做差的绝对值，c为给定的界定常数，取值为5，f1_{(up，dowmm，left，right)}表示分别已用均值填充后的f1进行上，下，左，右邻域更新的区域；

步骤三、建立多向区域块计算形式的梯度倒数滤波模型，通过该多向区域块计算形式的梯度倒数滤波模型完成多方向信息融合后的图像背景建模得到背景图像，进而采用原始图像与步骤二的背景图像进行差分，获取差分图像。

2.根据权利要求1所述的一种基于局部多向梯度信息融合的弱小目标检测方法，其特征在于，利用目标信号向周围呈不均匀扩散态势将灰度信息融合和梯度倒数计算转换到区域块上来，可以有效的突出和保留目标及目标周围的细节信息，达到突出目标的作用，具体实现公式如下：

式中，f1为已经经过二次判定模型填充后的计算区域矩阵，Δf_U1、Δf_D1、Δf_L1、Δf_R1分别表示各邻域与中间邻域的均值梯度，f1(x+m，y-n-k)、f1(x+m，y+k+n)、f1(x+m，y+n)、f1(x-k+m，y+n)、f1(x+k+m，y+n)分别表示中心像元块的上像元块，下像元块，中心像元块，左像元块和右像元块，m，n表示邻域范围的半径，k表示移动的步长，A1为f1中邻域均值组成的矩阵，p₁表示各均值与中间区域均值做差的数值，c₁为给定界定常数取值为10，mark(m1，n1)表示与计算矩阵f1同等大小的空矩阵，用于填充0，1数值以得到相关函数矩阵R(x，y)，α表示滤波系数，K为控制滤波系数的界定常数，A1为f1中邻域均值组成的矩阵，p₁表示各均值与中间区域均值做差的数值，c₁为给定界定常数取值为10，D(m2，n2)_{(up，down，left，right)}表示与计算矩阵f1同等大小的空矩阵，用于定义新的梯度倒数；A2＝[D(m2，n2)]为填充完了的几个邻域均值的集合，g(m₃，n₃)_center，g(m₃，n₃)_{(up，down，left，right)}表示与计算区域矩阵f1中等大小的3×3空矩阵，用于填充系数以获取归一化后的加权系数。

3.根据权利要求1所述的一种基于局部多向梯度信息融合的弱小目标检测方法，其特征在于，利用目标在四个方向上和最小两个方向求和做均值来影响最终目标周围邻域的填充信息，得到信息更为细化的差分图，具体实现公式如下：

式中，

表示计算区域矩阵f1中上，下，左，右的3×3区域的预测矩阵，(i₃，j₃)表示上，下，左，右的区域标号，r表示区域大小，取值为3，g(m₃，n₃)表示相应位置归一化后所得到的加权系数矩阵，f(x，y)表示与g(m₃，n₃)同维且位置与g(m₃，n₃)相对应的相同位置的预处理图像矩阵，二者相乘来获取预测矩阵，

为各方向预测矩阵的矩阵均值，cumin表示上，下，左，右四个方向上最小的两个方向的预测矩阵均值和，C_center为计算区域矩阵F1的中间3×3矩阵，其根据cumin的值来进行相应数值的填充，f_b(m，n)为整幅图像的预测值，f_d为图像差分图像，f为图像经过预处理后的图像。

4.根据权利要求1所述的一种基于局部多向梯度信息融合的弱小目标检测方法，其特征在于，充分利用像元梯度差异完成图像灰度信息融合，使得弱目标信号保留更完全，具体实现公式如下：

式中，Δf_U3×3，Δf_D3×3，Δf_T3×3，Δf_L3×3，Δf_R3×3分别表示所取计算区域在上、下、中心、左、右3×3区域的均值，R代表区域大小取值3，f1(x+m，y-n-k)、f1(x+m，y+k+n)、f1(x+m，y+n)、f1(x-k+m，y+n)、f1(x+k+m，y+n)分别表示中心像元块的上像元块，下像元块，中心像元块，左像元块和右像元块，m，n表示邻域范围的半径，max(·)和min(·)分别表示各邻域均值的最大最小值，f1表示已完成均值填充处理的新的计算区域矩阵，F1表示已用各3×3区域均值填充在相应位置了新的9×9计算区域矩阵，Data表示排序后取均值最小的两个进行求和取平均来填充相应的位置，A表示由上，下，左，右四个3×3区域均值组成的矩阵，data表示排序后的矩阵，sort和descend分别是排序和降序函数，data(1)，data(2)表示最小的两个均值，

式中A表示由上，下，左，右四个已完成一次信息融合的3×3区域均值组成的矩阵，p表示各3×3邻域分别与中心3×3区域均值做差的绝对值，c为给定的界定常数，取值为5，f1_{(up，dowm，left，right)}表示分别已用均值填充后的f1进行上，下，左，右邻域更新的区域。

5.根据权利要求1所述的一种基于局部多向梯度信息融合的弱小目标检测方法，其特征在于，运用梯度倒数具有大面积背景抑制的优势来去除图像的边缘轮廓及各类干扰杂波，完成背景建模得到差分图，具体实现公式如下：

式中，f1为已经经过二次判定模型填充后的计算区域矩阵，Δf_U1、Δf_D1、Δf_L1、Δf_R1分别表示各邻域与中间邻域的均值梯度，f1(x+m，y-n-k)、f1(x+m，y+k+n)、f1(x+m，y+n)、f1(x-k+m，y+n)、f1(x+k+m，y+n)分别表示中心像元块的上像元块，下像元块，中心像元块，左像元块和右像元块，m，n表示邻域范围的半径，k表示移动的步长，A1为f1中邻域均值组成的矩阵，p₁表示各均值与中间区域均值做差的数值，c₁为给定界定常数取值为10，mark(m1，n1)表示与计算矩阵f1同等大小的空矩阵，用于填充0，1数值以得到相关函数矩阵R(x，y)，θ表示滤波系数，K为控制滤波系数的界定常数，p₁表示各均值与中间区域均值做差的数值，c₁为给定界定常数取值为10，D(m2，n2)_{(up，down，left，right)}表示与计算矩阵f1同等大小的空矩阵，用于定义新的梯度倒数，A2＝[D(m2，n2)]为填充完了的几个邻域均值的集合，g(m₃，n₃)_center，g(m₃，n₃)_{(up，down，left，right)}表示与计算区域矩阵f1中等大小的3×3空矩阵，用于填充系数以获取归一化后的加权系数；

式中，

表示计算区域矩阵f1中上，下，左，右的3×3区域的预测矩阵，(i₃，j₃)表示上，下，左，右的区域标号，r表示区域大小，取值为3，g(m₃，n₃)表示相应位置归一化后所得到的加权系数矩阵，f(x，y)表示与g(m₃，n₃)同维且位置与g(m₃，n₃)相对应的相同位置的预处理图像矩阵，二者相乘来获取预测矩阵，

为各方向预测矩阵的矩阵均值，cumin表示上，下，左，右四个方向上最小的两个方向的预测矩阵均值和，C_center为计算区域矩阵F1的中间3×3矩阵，其根据cumin的值来进行相应数值的填充，f_b(m，n)为整幅图像的预测值，f_d为图像差分图像，f为图像经过预处理后的图像。

Images