CN115393579B - 一种基于加权块对比度的红外小目标检测方法 - Google Patents
一种基于加权块对比度的红外小目标检测方法 Download PDFInfo
- Publication number
- CN115393579B CN115393579B CN202211321898.3A CN202211321898A CN115393579B CN 115393579 B CN115393579 B CN 115393579B CN 202211321898 A CN202211321898 A CN 202211321898A CN 115393579 B CN115393579 B CN 115393579B
- Authority
- CN
- China
- Prior art keywords
- block
- calculating
- image
- target
- dissimilarity
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/143—Sensing or illuminating at different wavelengths
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Abstract
本发明属于空间激光通信技术领域,具体涉及一种基于加权块对比度的红外小目标检测方法。所述方法包括如下步骤:S1、在子窗口依次使用3×3、5×5和7×7三种大小的均值滤波器依次完成计算;S2、计算红外图像中心块和邻域块的均值;S3、计算出中心块和邻域块的不相似性;S4、显著度图像获取;S5、计算各个像素点的改进局部图像熵;S6、利用改进局部图像熵进行加权运算;S7、利用自适应阈值分割算法获取目标的位置。针对亮目标进行探测时,按照由本发明之方法得到的红外小目标检测方法,与同类基于HVS(Human Visual System)的检测方法比较,适用场景更广,特别是在复杂背景下,能达到更低的虚警率,更高的信杂比。
Description
技术领域
本发明属于空间激光通信技术领域,具体涉及一种基于加权块对比度的红外小目标检测方法。
背景技术
在通常情况下,含有空间激光通信对端设备目标的红外图像,具有背景复杂,成像距离远,目标尺寸小,缺少目标的纹理特征等特点,导致快速准确确定光端机初始指向存在一定的难度,是一个典型的红外小目标识别问题。而关于红外小目标识别,近几十年来人们对这一领域进行了大量的研究,但复杂背景下的小目标检测仍然存在虚警率高、信杂比低的问题。
发明内容
为了解决在复杂背景下红外小目标识别能达到更低的虚警率、更高的信杂比,本发明提供一种基于加权块对比度的红外小目标检测方法,针对亮目标进行探测。
用3×3的滑动窗口在图片上从上到下,从左到右依次滑动计算,所述滑动窗口共有9个子窗口,即9个子块,其中,中间的窗口为中心块,周围的8个窗口为邻域块,所述方法包括如下步骤:
S1、在子窗口依次使用3×3、5×5和7×7三种大小的均值滤波器依次完成计算;
S2、计算红外图像中心块的均值和邻域块的均值;
S3、计算出中心块和邻域块的不相似性;
S4、显著度图像获取;
S5、计算各个像素点的改进局部图像熵;
S6、利用改进局部图像熵进行加权运算;
S7、利用自适应阈值分割算法获取目标的位置。
进一步,计算红外图像中心块的均值公式为:,式中,m T 是中心块均值,即中心块响应值,k是子块中像素的数量,I j 是中心块中第j个像素的像素值;计算红外图像邻域块的均值公式为:,式中,m Bi 是邻域块均值,即邻域块响应值,I j (i) 是第i个子块中第j个像素的像素值。
进一步,所述计算出中心块和邻域块的不相似性方法为:
进一步,所述显著度图像获取的方法为:利用公式对滑动窗口四个方向的对比度取最小值,所述四个方向分别为上下左右方向,其中,c(x,y)表示滑动窗口四个方向对比度的最小值,(x,y)表示图形中任意点的坐标,在3×3、5×5和7×7三种大小的均值滤波器环境下,逐像素点取三个尺度计算结果的最大值,得到显著度图像。
进一步,所述计算各个像素点的改进局部图像熵的公式为:,其中,E(x,y)是图像中任意一个像素点经过计算后的改进图像熵,I i 是以(x,y)为中心的滑动窗口内出现过的像素值,I(x,y)表示窗口内像素点,窗口内共有m个不同灰度值像素点,表示I i 出现的概率。
进一步,所述利用自适应阈值分割算法获取目标的位置时选择灰度重心法提取小目标质心。
本发明还提供一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述方法的步骤。
本发明还提供一种计算机可读存储介质,用于存储计算机指令,其特征在于,所述计算机指令被处理器执行时实现上述方法的步骤。
本发明的有益效果为:针对亮目标进行探测时,按照由本发明之方法得到的红外小目标检测方法,与同类基于HVS(Human Visual System)的检测方法比较,适用场景更广,特别是在复杂背景下,能达到更低的虚警率,更高的信杂比。
附图说明
图1为本发明实施例提供的滑动窗口示意图;
图2为本发明实施例得到的显著度图像图。
具体实施方式
下面将结合附图对本发明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。
本实施例包括如下步骤:
S1、在3×3滑动窗口的子窗口依次使用3×3、5×5和7×7三种大小的均值滤波器依次完成计算;所述3×3滑动窗口如图1所示。
S2、计算红外图像中心块和邻域块的均值。
S3、计算出中心块和邻域块的不相似性。
S4、显著度图像获取。
S5、计算各个像素点的改进局部图像熵。
S6、利用改进局部图像熵进行加权运算。
S7、利用自适应阈值分割算法获取目标的位置。
所述计算红外图像中心块均值的公式为:,式中,m T 是中心块均值,也是中心块响应值,k是子块中像素的数量,I j 是中心块中第j个像素的像素值;所述计算红外图像邻域块均值的公式为:,式中,m Bi 是邻域块均值,也是邻域块响应值,I j (i) 是第i个子块中第j个像素的像素值。
所述计算出中心块和邻域块的不相似性方法为:
S9、计算中心块与邻域块的不相似性:;当时表明:和正负号相同,说明此时亮目标或者暗目标处于滑动窗口中心。由于在一般情况下,需要探测的小目标都是亮目标,且在云层背景下,云之间的空洞其易被判断为暗目标。所以本发明取表达式右侧两项同为正数的情况,即针对亮目标进行探测,其中表示中心块和邻域块在第i个方向上的不相似性,此处只取和同为正数的情况;
所述显著度图像获取的方法为:利用公式对滑动窗口四个方向的对比度取最小值,其中(x,y)表示图形中任意点的坐标,在3×3、5×5和7×7三种大小的均值滤波器环境下,逐像素点取三个尺度计算结果的最大值,得到显著度图像如图2所示。
所述计算各个像素点的改进局部图像熵的公式为:,其中,E(x,y)是图像中任意一个像素点经过计算后的改进图像熵,I i 是以(x,y)为中心的滑动窗口内出现过的像素值,窗口内除了I(x,y)共有m个不同灰度值像素点,是I i 出现的概率。
所述利用自适应阈值分割算法获取目标的位置时选择灰度重心法提取小目标质心。
式中,τ是阈值,显著度图像中的像素值大于τ被设置为1;反之被设置为0,最后可以得到一幅二值化图像。µ是显著度图像的均值,k是分割系数,一般取7~12,σ是显著度图像的标准差。
本实施例选择灰度重心法提取小目标质心:
式中,G(x i ,y i )代表位于图像中第i行,第j列像元的灰度值;因为质心提取针对的是阈值分割后的图像,所以像元的灰度值只有0和1两种。x 0 、y 0 分别为所求小目标质心的横纵坐标,图像的大小为I×J。
本实施例还提供一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现本实施例所述方法的步骤。
本实施例还提供一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时实现本实施例所述方法的步骤。
本申请实施例中的存储器可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(read only memory,ROM)、可编程只读存储器(programmable ROM,PROM)、可擦除可编程只读存储器(erasablePROM,EPROM)、电可擦除可编程只读存储器(electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM 可用,例如静态随机存取存储器(static RAM,SRAM)、动态随机存取存储器(dynamic RAM,DRAM)、同步动态随机存取存储器(synchronousDRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(double data rate SDRAM,DDRSDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(direct rambusRAM,DR RAM)。应注意,本发明描述的方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,高密度数字视频光盘(digital video disc,DVD))、或者半导体介质(例如,固态硬盘(solid state disc,SSD))等。
在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软 件形式的指令完成。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
应注意,本申请实施例中的处理器可以是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
Claims (7)
1.一种基于加权块对比度的红外小目标检测方法,用3×3的滑动窗口在图片上从上到下,从左到右依次滑动计算,所述滑动窗口共有9个子窗口,即9个子块,其中,中间的窗口为中心块,周围的8个窗口为邻域块,其特征在于,所述方法包括如下步骤:
S1、在子窗口依次使用3×3、5×5和7×7三种大小的均值滤波器依次完成计算;
S2、计算红外图像中心块的均值和邻域块的均值;
S4、显著度图像获取;显著度图像获取的方法为:利用公式对滑动窗口四个方向的对比度取最小值,其中,c(x,y)表示滑动窗口四个方向对比度的最小值,(x,y)表示图形中任意点的坐标,在3×3、5×5和7×7三种大小的均值滤波器环境下,逐像素点取三个尺度计算结果的最大值,得到显著度图像;
S5、计算各个像素点的改进局部图像熵;所述计算各个像素点的改进局部图像熵的公式为:其中,E(x,y)是图像中任意一个像素点经过计算后的改进图像熵,Ii是以(x,y)为中心的滑动窗口内出现过的像素值,I(x,y)表示窗口内像素点,窗口内共有m个不同灰度值像素点,pIi表示Ii的出现的概率;
S6、利用改进局部图像熵进行加权运算;
S7、利用自适应阈值分割算法获取目标的位置。
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,所述利用自适应阈值分割算法获取目标的位置时选择灰度重心法提取小目标质心。
6.一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-5任一项所述方法的步骤。
7.一种计算机可读存储介质,用于存储计算机指令,其特征在于,所述计算机指令被处理器执行时实现权利要求1-5任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211321898.3A CN115393579B (zh) | 2022-10-27 | 2022-10-27 | 一种基于加权块对比度的红外小目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211321898.3A CN115393579B (zh) | 2022-10-27 | 2022-10-27 | 一种基于加权块对比度的红外小目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115393579A CN115393579A (zh) | 2022-11-25 |
CN115393579B true CN115393579B (zh) | 2023-02-10 |
Family
ID=84128272
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211321898.3A Active CN115393579B (zh) | 2022-10-27 | 2022-10-27 | 一种基于加权块对比度的红外小目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115393579B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104657945A (zh) * | 2015-01-29 | 2015-05-27 | 南昌航空大学 | 复杂背景下多尺度时空联合滤波的红外小目标检测方法 |
CN104834915A (zh) * | 2015-05-15 | 2015-08-12 | 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 |
CN112163606A (zh) * | 2020-09-17 | 2021-01-01 | 哈尔滨工业大学(威海) | 基于块对比度加权的红外小目标检测方法 |
CN112529896A (zh) * | 2020-12-24 | 2021-03-19 | 山东师范大学 | 基于暗通道先验的红外小目标检测方法及系统 |
CN115035397A (zh) * | 2022-05-25 | 2022-09-09 | 许佳玮 | 一种基于水下移动目标识别方法、装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268844B (zh) * | 2014-10-17 | 2017-01-25 | 中国科学院武汉物理与数学研究所 | 一种基于加权局部图像熵的小目标红外图像处理方法 |
CN106910177B (zh) * | 2017-01-20 | 2019-10-29 | 中国人民解放军装备学院 | 一种局域图像指标最优化的多角度sar图像融合方法 |
CN113160392B (zh) * | 2021-05-14 | 2022-03-01 | 电子科技大学成都学院 | 基于深度神经网络的光学建筑目标三维重建方法 |
CN114549642A (zh) * | 2022-02-10 | 2022-05-27 | 中国科学院上海技术物理研究所 | 一种低对比度红外弱小目标检测方法 |
-
2022
- 2022-10-27 CN CN202211321898.3A patent/CN115393579B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104657945A (zh) * | 2015-01-29 | 2015-05-27 | 南昌航空大学 | 复杂背景下多尺度时空联合滤波的红外小目标检测方法 |
CN104834915A (zh) * | 2015-05-15 | 2015-08-12 | 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 |
CN112163606A (zh) * | 2020-09-17 | 2021-01-01 | 哈尔滨工业大学(威海) | 基于块对比度加权的红外小目标检测方法 |
CN112529896A (zh) * | 2020-12-24 | 2021-03-19 | 山东师范大学 | 基于暗通道先验的红外小目标检测方法及系统 |
CN115035397A (zh) * | 2022-05-25 | 2022-09-09 | 许佳玮 | 一种基于水下移动目标识别方法、装置 |
Non-Patent Citations (3)
Title |
---|
"基于增强局部对比度的红外弱小目标检测方法";袁明等;《激光与光电子学进展》;20220526;全文 * |
"基于局部积加权对比的红外弱小目标检测";蔡军等;《电子测量与仪器学报》;20211231;第35卷(第12期);论文摘要,第0-4节 * |
基于改进多尺度分形特征的红外图像弱小目标检测;谷雨等;《光学精密工程》;20200609(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115393579A (zh) | 2022-11-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107230225B (zh) | 三维重建的方法和装置 | |
CN110598558B (zh) | 人群密度估计方法、装置、电子设备及介质 | |
CN110991311B (zh) | 一种基于密集连接深度网络的目标检测方法 | |
CN111104925B (zh) | 图像处理方法、装置、存储介质和电子设备 | |
CN111427032B (zh) | 基于毫米波雷达的房间墙体轮廓识别方法及终端设备 | |
WO2021258699A1 (zh) | 一种图像识别方法、装置、电子设备和计算机可读介质 | |
CN110825900A (zh) | 特征重构层的训练方法、图像特征的重构方法及相关装置 | |
CN112489140B (zh) | 姿态测量方法 | |
CN111310759B (zh) | 双模式协作的目标检测抑制优化方法及设备 | |
TWI779801B (zh) | 測溫方法、電子設備及電腦可讀儲存介質 | |
CN111144337A (zh) | 火灾检测方法、装置及终端设备 | |
CN111383250A (zh) | 基于改进混合高斯模型的运动目标检测方法及装置 | |
JP7167359B2 (ja) | 画像ラベリング方法、装置、電子デバイス、記憶媒体及びコンピュータプログラム | |
CN114155285A (zh) | 基于灰度直方图的图像配准方法 | |
CN115393579B (zh) | 一种基于加权块对比度的红外小目标检测方法 | |
CN111753775B (zh) | 鱼的生长评估方法、装置、设备及存储介质 | |
US20200327638A1 (en) | Connected component detection method, circuit, device and computer-readable storage medium | |
CN106778822B (zh) | 基于漏斗变换的图像直线检测方法 | |
CN110765875B (zh) | 交通目标的边界检测方法、设备及装置 | |
Chung et al. | Lightweight infrared small target detection network using full-scale skip connection U-Net | |
CN109389089B (zh) | 基于人工智能算法的多人行为识别方法及装置 | |
CN113721240A (zh) | 一种目标关联方法、装置、电子设备及存储介质 | |
CN110705336B (zh) | 图像处理方法、系统、电子设备及可读存储介质 | |
CN111369425A (zh) | 图像处理方法、装置、电子设备和计算机可读介质 | |
CN115861365B (zh) | 运动目标检测方法、系统、计算机设备及存储介质 |
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 |