CN115205216A - 一种基于显著性和加权引导滤波的红外小目标检测方法 - Google Patents
一种基于显著性和加权引导滤波的红外小目标检测方法 Download PDFInfo
- Publication number
- CN115205216A CN115205216A CN202210679775.0A CN202210679775A CN115205216A CN 115205216 A CN115205216 A CN 115205216A CN 202210679775 A CN202210679775 A CN 202210679775A CN 115205216 A CN115205216 A CN 115205216A
- Authority
- CN
- China
- Prior art keywords
- image
- filtering
- significance
- small target
- target detection
- 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
- 238000001914 filtration Methods 0.000 title claims abstract description 44
- 238000001514 detection method Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000010586 diagram Methods 0.000 claims abstract description 12
- 230000011218 segmentation Effects 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000009429 distress Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000149 penetrating effect Effects 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
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
-
- 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
-
- 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
- G06T2207/20036—Morphological image processing
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 Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于显著性和加权引导滤波的红外小目标检测方法,其步骤为:首先利用显著性滤波方法获取红外小目标的先验图;然后利用四组不同的参数对原始图像进行加权引导滤波,得到保边平滑序列图;按照先验图的灰度大小,从保边平滑序列图和原始图像中选取相应的像素作为背景估计图;对原始图像和背景估计图作差,得到目标图像,采用阈值分割方法输出目标检测结果。本发明首次提出了将显著性和加权引导滤波结合的红外小目标背景估计与检测方法,实现流程简单,实时性好,能够有效提高复杂场景下的小目标检测概率,降低边缘等导致的虚警概率。
Description
技术领域
本发明属于红外图像处理及目标检测领域,具体涉及一种基于显著性和加权引导滤波的红外小目标检测方法。
背景技术
红外探测具有被动探测、穿透能力强、全天时工作等特点,广泛应用于预警搜索、红外制导、海防空防等军事领域,以及户外遇险搜救、野生动物监测、机场鸟情监控等民用领域。红外小目标检测技术作为红外探测系统的一项重要组成部分,能够通过对图像的分析和处理实现远距离目标的定位和发现。然而,红外小目标具有成像面积小、无明显纹理、无固定形态、信噪比低等特征,而且背景区域时常存在树木、山川、云层、海浪等杂波干扰,上述因素给红外小目标的准确检测带来了较多困难。
目前,基于单帧的红外小目标检测方法由于实现相对简单,对硬件要求不高,更容易工程化,因此受到了研究人员的广泛青睐。常用的单帧检测方法包括背景估计方法、人类视觉系统方法、低秩稀疏分解方法等。背景估计方法通常采用空域或频域滤波器对背景进行抑制,计算量小,实现简单,但很容易受到复杂背景干扰;人类视觉系统涉及较多的为局部对比度机制,当目标满足视觉显著性假设时效果较好,但具有显著特性的杂波会造成虚警误检;低秩稀疏分解方法利用了背景的非局部相关性和目标的稀疏性,把目标检测问题转化为优化问题,对低信噪比的弱小目标效检测效果较好,但存在计算量大,难以工程化等缺点,而且大多算法对边缘的抗干扰能力较弱。
总之,当前的红外小目标检测算法在不同程度上存在诸如鲁棒性低、实时性差、虚警率高等不足,仍然需要寻求一种高效实用的红外小目标检测算法。
发明内容
本发明的目的是:克服现有技术的不足,提供一种基于显著性和加权引导滤波的红外小目标检测方法,该方法能够有效抑制复杂背景尤其是边缘杂波导致的虚警,并且具有算法复杂度低、实时性强的特点,易满足工程应用中的高效实时需求。
本发明的技术解决方案为:一种基于显著性和加权引导滤波的红外小目标检测方法,该方法包含以下步骤:
步骤1.1、获取原始红外图像D,采用显著性滤波方法,计算得到红外小目标先验图C;
步骤1.2、采用四组不同的滤波参数对原始红外图像D进行加权引导滤波,得到四幅保边平滑序列图;
步骤1.3、根据先验图C的灰度分布,从保边平滑序列图和原始红外图像D中选取相应的像素作为背景估计图B;
步骤1.4、利用原始红外图像D和背景估计图B相减得到目标图像T,采用阈值分割方法确定红外小目标位置,输出目标检测结果。
进一步地,步骤1.1所述的显著性滤波方法,滤波器为5×5大小的空域滤波核;
进一步地,步骤1.2所述的滤波参数为窗口半径和正则化参数;
进一步地,步骤1.2所述的加权引导滤波,单个像素点的权重为该像素点方差与图像中每个像素点方差的平均比例,权重wk计算公式为:
其中,N为图像的像素数目,Var为像素点的方差,ε为恒定的常量;
进一步地,步骤1.4所述的阈值分割,采用目标图像T的最大值与常系数m的乘积作为分割阈值,m取值范围为0.3到0.5。
本发明与现有技术相比的优点在于:
(1)采用视觉显著性作为背景估计的先验信息,大大降低了背景估计的难度,提升了背景估计的准确度,有利于提升目标的检测率;
(2)由于引导滤波的保边平滑特性和边缘感知权重的加入,采用加权引导滤波实现精确的背景估计将导致目标图像存在更少的背景残留,尤其对边缘杂波具有很好的抗干扰能力;
(3)显著性滤波方法和加权引导滤波方法都具有实现简单、并行性好的特点,特别适合实时性高的应用场合。
附图说明
图1为本发明的一种基于显著性和加权引导滤波的红外小目标检测方法流程示意图;
图2为本发明例举的一幅含有小目标的红外图像;
图3为本发明由图2构建的目标显著性先验图;
图4为本发明由图2经加权引导滤波获得的保边平滑序列图;
图5为本发明由图2、图3、图3计算得到的背景图像和目标图像;
图6为本发明由图5中的目标图像经阈值分割得到的检测结果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明做进一步详细说明。本发明首次采用显著性滤波和加权引导滤波相结合的手段,有效地估计了背景图像,减弱了诸如边缘等杂波对检测结果的影响,实现了红外小目标的快速准确检测。
下面详细阐述一种基于显著性和加权引导滤波的红外小目标检测方法:
1、获取原始红外图像D,如图2所示。
2、计算红外小目标的显著性先验图C,如图3所示。具体步骤包括:
2.1、采用2×2大小的均值滤波器对图像进行平滑处理;
2.2、对均值滤波后的图像采用5×5大小的空域滤波核F对全图进行显著性滤波,得到置信图R,空域滤波核F是根据小面模型推导得出的(参见A fast-saliency methodfor real-time infrared small target detection.Infrared Physics&Technology[J].2016,77:440-450),其形式如下:
2.3、对R中的每一个像素进行灰度平方运算得到增强后的置信图E;
2.4、对图像E进行灰度形态学膨胀得到先验图C,灰度形态学膨胀可参见《数字图像处理》(Rafael C.Gonzalez、Richard E.Woods著,电子工业出版社,第三版),所采用的结构元素SE为5×5大小的圆盘形状,其形式如下:
3、利用加权引导滤波方法(参见Weighted Guided Image Filtering.IEEETransactions on Image Processing[J].2015,24(1):120-129),在四组不同的参数条件下计算保边平滑序列图,如图4所示。具体步骤包括:
3.1、计算每个像素点的边缘感知权重,权重wk为该像素点方差与图像中每个像素点方差的平均比例,计算公式为:
其中,N为图像的像素数目,Var为以像素点为中心,11×11邻域内的局部方差,ε为一个恒定的常量,与原始图像的动态范围L有关,其计算公式如下:
ε=(0.001×L)2
bk=(1-ak)μk
其中,λ为正则化参数,wk为3.1所述的边缘感知权重。
其中,\r|为窗口半径r区域内的像素点个数,大小为(2r+1)×(2r+1)。
3.4、取四组不同的窗口半径和正则化参数(rj,λj)(j=1,2,3,4),重复步骤3.1~3.3,得到四种不同参数条件下的滤波结果qj(j=1,2,3,4)。
4、根据先验图C的灰度分布,从保边平滑序列图qj(j=1,2,3,4)和原始图像D中选取相应的像素作为背景估计图B,如图4所示。具体步骤包括:
4.1、对先验图C进行归一化处理,使得灰度分布范围为[0,1];
4.2、根据先验图C中每个像素的灰度值以及设定的阈值tj(j=1,2,3,4),分段估计背景图像的灰度值,具体计算方式如下:
5、将原始红外图像D和背景估计图B相减得到目标图像T,归一化处理后的目标图像T如图5所示。
6、对目标图像T进行阈值分割,确定红外小目标位置,输出目标检测结果,如图6所示,分割阈值为目标图像T的最大值与常系数m的乘积,m取值范围为0.3到0.5。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。
Claims (5)
1.一种基于显著性和加权引导滤波的红外小目标检测方法,其特征在于,该方法包含以下步骤:
步骤1.1、获取原始红外图像D,采用显著性滤波方法,计算得到红外小目标先验图C;
步骤1.2、采用四组不同的滤波参数对原始图像D进行加权引导滤波,得到四幅保边平滑序列图;
步骤1.3、根据先验图C的灰度分布,从保边平滑序列图和原始红外图像D中选取相应的像素作为背景估计图B;
步骤1.4、利用原始红外图像D和背景估计图B相减得到目标图像T,采用阈值分割方法确定红外小目标位置,输出目标检测结果。
2.根据权利要求1所述的一种基于显著性和加权引导滤波的红外小目标检测方法,其特征在于:步骤1.1所述的显著性滤波方法:滤波器为5×5大小的空域滤波核。
3.根据权利要求1所述的一种基于显著性和加权引导滤波的红外小目标检测方法,其特征在于:步骤1.2所述的滤波参数为:窗口半径和正则化参数。
5.根据权利要求1所述的一种基于显著性和加权引导滤波的红外小目标检测方法,其特征在于:步骤1.4所述的阈值分割:采用目标图像T的最大值与常系数m的乘积作为分割阈值,m取值范围为0.3到0.5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210679775.0A CN115205216A (zh) | 2022-06-16 | 2022-06-16 | 一种基于显著性和加权引导滤波的红外小目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210679775.0A CN115205216A (zh) | 2022-06-16 | 2022-06-16 | 一种基于显著性和加权引导滤波的红外小目标检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115205216A true CN115205216A (zh) | 2022-10-18 |
Family
ID=83576626
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210679775.0A Pending CN115205216A (zh) | 2022-06-16 | 2022-06-16 | 一种基于显著性和加权引导滤波的红外小目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115205216A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117011196A (zh) * | 2023-08-10 | 2023-11-07 | 哈尔滨工业大学 | 一种基于组合滤波优化的红外小目标检测方法及系统 |
-
2022
- 2022-06-16 CN CN202210679775.0A patent/CN115205216A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117011196A (zh) * | 2023-08-10 | 2023-11-07 | 哈尔滨工业大学 | 一种基于组合滤波优化的红外小目标检测方法及系统 |
CN117011196B (zh) * | 2023-08-10 | 2024-04-19 | 哈尔滨工业大学 | 一种基于组合滤波优化的红外小目标检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | A novel method for speckle noise reduction and ship target detection in SAR images | |
CN109447073B (zh) | 一种基于张量鲁棒主成分分析的红外弱小目标检测方法 | |
CN109389609B (zh) | 基于fart神经网络的交互自反馈红外目标检测方法 | |
CN113674308B (zh) | 基于图像增强与多重检测的sar图像舰船目标快速检测方法 | |
Li et al. | A small target detection algorithm in infrared image by combining multi-response fusion and local contrast enhancement | |
Zhang et al. | Infrared small target detection via interpatch correlation enhancement and joint local visual saliency prior | |
CN114648547B (zh) | 用于反无人机红外探测系统的弱小目标检测方法和装置 | |
CN113362293A (zh) | 一种基于显著性的sar图像舰船目标快速检测方法 | |
CN115205216A (zh) | 一种基于显著性和加权引导滤波的红外小目标检测方法 | |
CN112163606B (zh) | 基于块对比度加权的红外小目标检测的方法 | |
Huang et al. | Change detection method based on fractal model and wavelet transform for multitemporal SAR images | |
CN107464255B (zh) | 一种基于信息量与多尺度异常检测的船舶目标检测方法 | |
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 | |
Li et al. | An improved CFAR scheme for man-made target detection in high resolution SAR images | |
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 | |
CN115861669A (zh) | 一种基于聚类思想的红外弱小目标检测方法 | |
Scharfenberger et al. | Image saliency detection via multi-scale statistical non-redundancy modeling | |
Lai et al. | Weak target detection in SAR images via improved itti visual saliency model | |
Ning et al. | Ship detection of infrared image in complex scene based on bilateral filter enhancement | |
CN112734666A (zh) | 基于相似值的sar图像相干斑非局部均值抑制方法 | |
Xue et al. | A new method of SAR image segmentation based on FCM and wavelet transform | |
CN112766032A (zh) | 一种基于多尺度和超像素分割的sar图像显著图生成方法 | |
Qi et al. | Fast detection of small infrared objects in maritime scenes using local minimum patterns | |
Li et al. | Ship target detection method based on local saliency enhancement | |
Zhang et al. | Target detection in sar images based on sub-aperture coherence and phase congruency |
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 |