CN114429593A - 基于快速导向滤波的红外小目标检测方法及其应用 - Google Patents
基于快速导向滤波的红外小目标检测方法及其应用 Download PDFInfo
- Publication number
- CN114429593A CN114429593A CN202210013041.9A CN202210013041A CN114429593A CN 114429593 A CN114429593 A CN 114429593A CN 202210013041 A CN202210013041 A CN 202210013041A CN 114429593 A CN114429593 A CN 114429593A
- Authority
- CN
- China
- Prior art keywords
- mean
- image
- infrared
- denotes
- small 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 62
- 238000001914 filtration Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 23
- 230000011218 segmentation Effects 0.000 claims abstract description 21
- 238000012544 monitoring process Methods 0.000 claims abstract description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000011897 real-time detection Methods 0.000 abstract 1
- 238000004422 calculation algorithm Methods 0.000 description 14
- 230000000694 effects Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- KRQUFUKTQHISJB-YYADALCUSA-N 2-[(E)-N-[2-(4-chlorophenoxy)propoxy]-C-propylcarbonimidoyl]-3-hydroxy-5-(thian-3-yl)cyclohex-2-en-1-one Chemical compound CCC\C(=N/OCC(C)OC1=CC=C(Cl)C=C1)C1=C(O)CC(CC1=O)C1CCCSC1 KRQUFUKTQHISJB-YYADALCUSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000011426 transformation method 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
- G06T7/10—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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于快速导向滤波的红外小目标检测方法及其应用。方法包括：将输入的红外图像与高通梯度核进行卷积，得到梯度幅度图像，计算所诉梯度幅度图像中每个像素的指数运算值，得到目标增强图像，通过快速导向滤波获得噪声抑制的红外小目标显著图像，对所诉目标显著性图进行自适应阈值分割，得到红外小目标检测结果二值图像，完成所诉红外小目标检测。所述方法应用于红外搜索与跟踪系统、红外制导、预警、机载监视和监控以及反无人机领域中。本发明的优点是：能够有效检测红外图像中的弱小目标，具有较高的检测精度和较低的虚警率，同时具有较好的实时性，能够有效应用于红外探测系统中弱小目标的实时性检测。
Description
技术领域
本发明涉及红外目标探测与跟踪技术领域，特别涉及一种基于快速导向滤波的红外小目标检测方法及其应用。
背景技术
红外目标探测与跟踪系统是一种被动检测系统，能够有效定位覆盖有价值热目标的区域，广泛用于视频目标监控、军事侦察、预警、末制导等领域。与雷达和可见光系统相比，红外系统具有抗干扰能力强、隐蔽性好等优点。由于目标距离成像传感器较远，目标在红外图像中仅占据很少的像素，并且通常会受到随机噪声和非平稳杂波的影响，导致缺乏足够的结构信息用于检测或匹配。另一方面，小目标没有具体的形状和纹理，因此没有明显的特征及有用的纹理信息。到目前为止，对于各种复杂场景，要求高检测精度和计算效率的红外小目标检测技术仍然具有挑战性。
现有技术中，关于红外小目标检测方法包括较为传统的Top-Hat、最大均值/最大中值滤波方法、小波变换方法等，传统方法对于目标较亮、背景简单的红外图像具有较好的检测效果，而对背景复杂、目标对比度低的图像检测效果较差。后又提出局部对比度的方法，相对于传统方法，在复杂背景中的检测效果有了一定提高，但仍不能满足复杂场景中的需求，为解决复杂背景下红外小目标的检测，研究方法逐渐向序列检测和神经网络方向发展，也都取得了一些较好的检测效果。
红外小目标单帧检测方法中，如韩金辉在LCM(Local Contrast Measure，LCM)方法的基础上提出了一种ILCM(Improved LCM,ILCM)算法，通过引入子块平均值作为参数，可以更好地抑制随机点噪声。Wei等提出了一种基于多尺度斑块对比度测量(MultiscalePatch-based Contrast Measure，MPCM)方法，该方法可增加背景和目标之间的对比度，易于分割出小目标。红外小目标多帧检测方法中，如Kim等针对相邻帧的差分来消除固定不动的背景,提取灰度出现波动的目标。Hsieh等针对相邻帧差分后的残余噪声进行了分析，认为噪声符合高斯分布，因此通过阈值法提取出残差中不符合高斯分布的可疑目标。
尽管现有技术中已有很多红外小目标检测方法研究，但这些方法或多或少的会出现算法耗时长、虚警率过高、需要先验信息等问题，限制了目标检测精度的提升。
发明内容
本发明针对现有技术的缺陷，提供了一种基于快速导向滤波的红外小目标检测方法及其应用。
为了实现以上发明目的，本发明采取的技术方案如下：
一种基于快速导向滤波的红外小目标检测方法，包括以下步骤：
S1将输入的红外图像与高通梯度核进行卷积，得到梯度幅度图像；
S2计算所述梯度幅度图像中每个像素的指数运算值，得到目标增强图像；
S3通过快速导向滤波获得噪声抑制的红外小目标显著图像；
S4对所诉目标显著性图进行自适应阈值分割，得到红外小目标检测结果二值图像，完成所诉红外小目标检测。
进一步地，S1中红外图像通过无人机搭载红外相机拍摄得到。
进一步地，S1中所述梯度幅度图像通过以下公式获得：
R＝F*H (2)
其中，F表示输入原图像，H表示高通卷积核，R表示获得的梯度幅度图。进一步地，S2中所述目标增强图像通过以下公式获得：
p＝eR (3)
其中，P表示获得的目标增强图像，e为自然常数。
进一步地，S3中红外小目标显著图像通过以下公式获得：
I′＝fsubsample(I,s) (4)
p′＝fsubsample(p,s) (5)
r′＝r/s (6)
meanI＝fmean(I′,r′) (7)
meanp＝fmean(p′,r′) (8)
corrI＝fmean(I′.*I′,r′) (9)
corrIp＝fmean(I′.*p′,r′) (10)
varI＝corrI-meanI.*meanI (11)
covIp＝corrIp-meanI.*meanp (12)
a＝covIp./(varI+ε) (13)
b＝meanp-a.*meanI (14)
meana＝fmean(a,r′) (15)
meanb＝fmean(b,r′) (16)
meana＝fupsample(meana,s) (17)
meanb＝fupsample(meanb,s) (18)
q＝meana.*I+meanb (19)
其中方框滤波半径r＝60，对比率s＝4，I表示制导图像，p表示滤波输入图像，q表示输出图像，corr表示相关，var表示方差，cov表示协方差，fsubsample(·,s)表示以对比率s对输入和引导进行下采样，fubsample(·,s)表示以对比率s对输入和引导进行上采样，fmean(·,r)表示半径为r的平均滤波器。
进一步地，S4中自适应阈值分割处理中的分割门限由图像的灰度均值、标准差及可调增益决定。
进一步地，所述红外小目标检测结果二值图像通过以下分割模型实现：
其中，f(i,j)表示所得候选检测结果图像，T表示所述灰度阈值。
T＝μ+kσ (21)，
其中，μ表示图像像元灰度值的均值，σ表示图像元素灰度值的标准差，k表示可调增益。
所述基于快速导向滤波的红外小目标检测方法应用于红外搜索与跟踪系统、红外制导、预警、机载监视和监控以及反无人机领域中。
与现有技术相比，本发明的优点在于：
基于目标区域频率较高，背景区域相对较弱这一发现，采用高通滤波进行梯度运算，过滤掉图像的低频部分达到背景抑制的效果，通过快速导向滤波(各向异性滤波器)，去除噪声的同时，能最大限度保持边缘不被平滑，进而获得目标显著性图；并在自适应阈值分割部分，根据一些优选实施方式，采用图像均值和标准差自适应确定分割阈值、调整可调增益的方式确定最优分割门限，并应用于所得目标显著性图的二值化处理，得到最终目标检测结果图像。
能够有效检测红外探测系统中的弱小目标，具有较高的检测精度和较低的虚警率，能够有效应用于对天、低空等场景的红外探测系统弱小目标检测。
附图说明
图1是本发明实施例红外小目标检测方法流程图；
图2是本发明实施例所得梯度幅度图像的三维视图；
图3是本发明实施例所得目标增强图像的三维视图；
图4是本发明实施例所得噪声抑制图像的三维视图；
图5是本发明实施例所得红外图像小目标检测结果二值图像的三维视图；
图6是本发明方法与Top-Hat算法、Max-madian算法、RLCM算法、MPCM算法进行对比分析检测结果图；
图7为本发明方法与现有单帧检测算法在五种不同低空场景中的算法耗时对比图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下根据附图并列举实施例，对本发明做进一步详细说明。
根据本发明的一些优选实施方式，所诉自适应阈值分割处理中的分割门限由图像的灰度均值、标准差及可调增益决定。
如图1所示，一种基于快速导向滤波的红外小目标检测方法，包括以下步骤：
S1红外图像通过无人机搭载红外相机拍摄得到，将输入的红外图像与高通梯度核进行卷积，得到梯度幅度图像；
所述高通卷积核如式(1)所示，卷积计算如公式(2)所示：
R＝F*H (2)
其中，F表示输入原图像，H表示高通卷积核，R表示获得的梯度幅度图。
S2计算所诉梯度幅度图像中每个像素的指数运算值，得到目标增强图像；
所述目标增强图像如式(3)：
p＝eR (3)
其中，p表示获得的目标增强图像，e为自然常数。。
S3通过快速导向滤波获得噪声抑制的红外小目标显著图像；
所述红外小目标显著图像如下：
I′＝fsubsample(I,s) (4)
p′＝fsubsample(p,s) (5)
r′＝r/s (6)
meanI＝fmean(I′,r′) (7)
meanp＝fmean(p′,r′) (8)
corrI＝fmean(I′.*I′,r′) (9)
corrIp＝fmean(I′.*p′,r′) (10)
varI＝corrI-meanI.*meanI (11)
covIp＝corrIp-meanI.*meanp (12)
a＝covIp./(varI+ε) (13)
b＝meanp-a.*meanI (14)
meana＝fmean(a,r′) (15)
meanb＝fmean(b,r′) (16)
meana＝fupsample(meana,s) (17)
meanb＝fupsample(meanb,s) (18)
q＝meana.*I+meanb (19)
其中方框滤波半径r＝60，对比率s＝4，I表示制导图像，p表示滤波输入图像，q表示输出图像，corr表示相关，var表示方差，cov表示协方差，fsubsample(·,s)表示以对比率s对输入和引导进行下采样，fubsample(·,s)表示以对比率s对输入和引导进行上采样，fmean(·,r)表示半径为r的平均滤波器。
S4对所诉目标显著性图进行自适应阈值分割，得到红外小目标检测结果二值图像，完成所诉红外小目标检测，所述自适应阈值分割处理中的分割门限由图像的灰度均值、标准差及可调增益决定。
所述红外小目标检测结果二值图像采用以下分割模型：
其中，f(i,j)表示所得候选检测结果二值图像，T表示所述灰度阈值：
T＝μ+kσ (21)
其中，μ表示图像像元灰度值的均值，σ表示图像元素灰度值的标准差，k表示可调增益。
通过上述步骤进行仿真实验，其中：
在Matlab软件平台对真实采集的不同场景红外小目标图像应用提出的基于快速导向滤波的红外小目标检测方法，对不同场景的红外图像进行小目标检测。
可获得如图2所示的梯度幅度图像、图3所示的目标增强图像，抑制了背景杂波，提高了目标区域与探测背景的对比度。
通过快速导向滤波进行处理，抑制背景噪声，同时最大限度的保持边缘不被平滑，得到几乎只剩目标的红外小目标显著性图，如图4所示。
最后，通过图像均值和标准差自适应确定阈值分割门限，并通过调整可调增益确定最优分割阈值门限并应用于目标显著图二值化处理，得到目标检测结果图像，如图5所示。
为了验证本发明的有效性能，通过五组不同低空场景的数据集进行测试，将本发明与Top-Hat算法、Max-madian算法、RLCM算法、MPCM算法进行对比分析，不同方法的检测结果如图6所示，其中方框表示真实目标，椭圆圈表示虚假目标或背景杂波。根据图6可以看出，除本发明外，其余方法都出现了不同程度的虚假目标，或者背景杂波较多，本发明只保留了目标，几乎没有背景杂波，说明本发明在不同的低空场景中，都具有较好的检测性能，同时具有较低的虚警率。
图7为本发明与现有单帧检测算法在五种不同低空场景中的算法耗时对比。根据图7可以看出，本发明处理每帧图像花费时间最少，仅为29毫秒，说明本发明在实时性上具有一定的优越性，并能满足实际应用中实时性的要求。所有实验程序都是由MATLAB R2019a软件编译，运行在英特尔i5 2.3GHz处理器和8G运行内存的计算机上。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的实施方法，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。
Claims (8)
1.一种基于快速导向滤波的红外小目标检测方法，其特征在于，包括以下步骤：
S1将输入的红外图像与高通梯度核进行卷积，得到梯度幅度图像；
S2计算所述梯度幅度图像中每个像素的指数运算值，得到目标增强图像；
S3通过快速导向滤波获得噪声抑制的红外小目标显著图像；
S4对所诉目标显著性图进行自适应阈值分割，得到红外小目标检测结果二值图像，完成所诉红外小目标检测。
2.根据权利要求1所述的红外小目标检测方法，其特征在于：S1中红外图像通过无人机搭载红外相机拍摄得到。
3.根据权利要求1所述的红外小目标检测方法，其特征在于：S1中所述梯度幅度图像通过以下公式获得：
R＝F*H (2)
其中，F表示输入原图像，H表示高通卷积核，R表示获得的梯度幅度图。
4.根据权利要求1所述的红外小目标检测方法，其特征在于：S2中所述目标增强图像通过以下公式获得：
p＝eR (3)
其中，P表示获得的目标增强图像，e为自然常数。
5.根据权利要求1所述的红外小目标检测方法，其特征在于：S3中红外小目标显著图像通过以下公式获得：
I′＝fsubsample(I,s) (4)
p′＝fsubsample(p,s) (5)
r′＝r/s (6)
meanI＝fmean(I′,r′) (7)
meanp＝fmean(p′,r′) (8)
corrI＝fmean(I′.*I′,r′) (9)
corrIp＝fmean(I′.*p′,r′) (10)
varI＝corrI-meanI.*meanI (11)
covIp＝corrIp-meanI.*meanp (12)
a＝covIp./(varI+ε) (13)
b＝meanp-a.*meanI (14)
meana＝fmean(a,r′) (15)
meanb＝fmean(b,r′) (16)
meana＝fupsample(meana,s) (17)
meanb＝fupsample(meanb,s) (18)
q＝meana.*I+meanb (19)
其中方框滤波半径r＝60，对比率s＝4，I表示制导图像，p表示滤波输入图像，q表示输出图像，corr表示相关，var表示方差，cov表示协方差，fsubsample(·,s)表示以对比率s对输入和引导进行下采样，fubsample(·,s)表示以对比率s对输入和引导进行上采样，fmean(·,r)表示半径为r的平均滤波器。
6.根据权利要求1所述的红外小目标检测方法，其特征在于：S4中自适应阈值分割处理中的分割门限由图像的灰度均值、标准差及可调增益决定。
7.根据权利要求1所述的红外小目标检测方法，其特征在于：所述红外小目标检测结果二值图像通过以下分割模型实现：
其中，f(i,j)表示所得候选检测结果图像，T表示所述灰度阈值；
T＝μ+kσ (21)
其中，μ表示图像像元灰度值的均值，σ表示图像元素灰度值的标准差，k表示可调增益。
8.根据权利要求1所述的红外小目标检测方法，其特征在于：所述红外小目标检测方法应用于红外搜索与跟踪系统、红外制导、预警、机载监视和监控以及反无人机领域中。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210013041.9A CN114429593A (zh) | 2022-01-07 | 2022-01-07 | 基于快速导向滤波的红外小目标检测方法及其应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210013041.9A CN114429593A (zh) | 2022-01-07 | 2022-01-07 | 基于快速导向滤波的红外小目标检测方法及其应用 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114429593A true CN114429593A (zh) | 2022-05-03 |
Family
ID=81311306
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210013041.9A Pending CN114429593A (zh) | 2022-01-07 | 2022-01-07 | 基于快速导向滤波的红外小目标检测方法及其应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114429593A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115861309A (zh) * | 2023-02-22 | 2023-03-28 | 和普威视光电股份有限公司 | 红外弱小目标检测mpcm加速方法、装置、终端及介质 |
-
2022
- 2022-01-07 CN CN202210013041.9A patent/CN114429593A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115861309A (zh) * | 2023-02-22 | 2023-03-28 | 和普威视光电股份有限公司 | 红外弱小目标检测mpcm加速方法、装置、终端及介质 |
| CN115861309B (zh) * | 2023-02-22 | 2023-06-16 | 和普威视光电股份有限公司 | 红外弱小目标检测mpcm加速方法、装置、终端及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Qi et al. | A robust directional saliency-based method for infrared small-target detection under various complex backgrounds | |
| CN109035152B (zh) | 一种合成孔径雷达图像非局部均值滤波方法 | |
| US20030185420A1 (en) | Target detection method and system | |
| CN109919870B (zh) | 一种基于bm3d的sar图像相干斑抑制方法 | |
| Li et al. | Road lane detection with gabor filters | |
| CN103761731A (zh) | 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 | |
| Lipschutz et al. | New methods for horizon line detection in infrared and visible sea images | |
| CN110400294B (zh) | 一种红外目标探测系统及探测方法 | |
| Wang et al. | A robust infrared dim target detection method based on template filtering and saliency extraction | |
| CN110135312B (zh) | 一种基于分级lcm的快速小目标检测方法 | |
| CN108765460B (zh) | 基于高光谱图像的空时联合异常检测方法和电子设备 | |
| CN113191979A (zh) | 一种分区域sar图像非局部均值去噪方法 | |
| 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 | |
| Soundrapandiyan et al. | Adaptive pedestrian detection in infrared images using fuzzy enhancement and top-hat transform | |
| CN114821358A (zh) | 光学遥感图像海上舰船目标提取与识别方法 | |
| CN111161308A (zh) | 一种基于关键点匹配的双波段融合目标提取方法 | |
| CN114429593A (zh) | 基于快速导向滤波的红外小目标检测方法及其应用 | |
| CN112669332A (zh) | 一种基于双向局部极大值和峰值局部奇异性判断海天条件和检测红外目标的方法 | |
| CN106778822B (zh) | 基于漏斗变换的图像直线检测方法 | |
| CN110796677B (zh) | 一种基于多波段特性的卷云虚警源检测方法 | |
| CN109285148B (zh) | 基于重加权低秩和增强稀疏的红外弱小目标检测方法 | |
| CN110929574A (zh) | 一种红外弱小目标快速检测方法 | |
| CN115439497A (zh) | 基于改进hou模型的红外图像舰船目标快速识别方法 | |
| Yao et al. | Real-time multiple moving targets detection from airborne IR imagery by dynamic Gabor filter and dynamic Gaussian detector | |
| Ning et al. | Ship detection of infrared image in complex scene based on bilateral filter enhancement |
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 |