CN115424249B - 一种复杂背景下空中弱小目标自适应检测方法 - Google Patents

一种复杂背景下空中弱小目标自适应检测方法 Download PDF

Info

Publication number
CN115424249B
CN115424249B CN202211366558.2A CN202211366558A CN115424249B CN 115424249 B CN115424249 B CN 115424249B CN 202211366558 A CN202211366558 A CN 202211366558A CN 115424249 B CN115424249 B CN 115424249B
Authority
CN
China
Prior art keywords
image
weak
small
detection
region
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
Application number
CN202211366558.2A
Other languages
English (en)
Other versions
CN115424249A (zh
Inventor
李思敏
秋勇涛
刘友江
刘羽
贺寓东
杨大龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Electronic Engineering of CAEP
Original Assignee
Institute of Electronic Engineering of CAEP
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Electronic Engineering of CAEP filed Critical Institute of Electronic Engineering of CAEP
Priority to CN202211366558.2A priority Critical patent/CN115424249B/zh
Publication of CN115424249A publication Critical patent/CN115424249A/zh
Application granted granted Critical
Publication of CN115424249B publication Critical patent/CN115424249B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • 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
    • G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种复杂背景下空中弱小目标自适应检测方法，所述方法首先对近处人造复杂结构背景进行自适应判断和分割去除，接着对去除复杂纹理结构的背景灰度图像进行弱小目标粗检测，得到多个弱小目标候选区，最后对候选区域进行基于局部纹理特征自适应滤波的精细化检测，得到得待检测的弱小目标。利用本发明的复杂背景下空中弱小目标自适应检测方法可以对可见光弱小目标进行检测，不仅能够有效抑制复杂背景结构的干扰影响，准确检测定位出弱小目标在可见光图像上的位置，而且还具有更强的抗背景干扰能力和弱小目标检测能力。

Description

一种复杂背景下空中弱小目标自适应检测方法
技术领域
本发明属于可见光目标检测领域，尤其涉及一种复杂背景下空中弱小目标自适应检测方法。
背景技术
空中弱小目标检测作为计算机视觉研究领域的一项重要挑战，一直受到广大学者和研究人员的关注。空中弱小目标精确检测不仅能够为后续目标跟踪以及目标运动参数提取等奠定基础，而且有助于更早发现空中弱小目标，为防空武器系统提供更多的防御和准备时间，具有十分重要的战略意义。
当前主流的目标探测系统可分为3类：可见光探测系统、红外成像探测系统和雷达探测系统，其中，可见光探测系统因具有：1）工艺成熟、价格便宜、种类多样，按需灵活选择；2）不发射电磁波，被动探测，不易被对方发现，具有较好隐蔽性；3）使用环境要求低，探测过程无需持续制冷或精密维护；4）具有目标灰度或纹理等特征等一系列优势在三种检测系统中脱颖而出。
在大多数空中目标实际探测中，待检测目标在初始探测阶段往往与可见光探测系统之间的距离较远，且目标占整幅可见光图像的像素面积非常小，再加上可见光突图像背景复杂多变的特点，使得可见光弱小目标检测面临着巨大的挑战，具体表现在以下几点：①不同于红外探测系统只对目标的温度敏感、穿透能力强的特点，可见光探测容易受到环境、光照等因素影响，导致目标可见光图像信噪比低，目标信号几乎淹没在背景中，这使得现有红外目标检测方法无法直接应用于可见光弱小目标检测中。若直接利用现有的已成熟的红外检测方法进行可见光目标检测，不仅会导致检测性能出现较大下降，而且会产生较高的虚警率，导致检测鲁棒性较差，无法有效检测出可见光弱小目标，这是因为现有红外弱小目标检测方法主要用于军事探测领域，其检测目标的成像背景一般为干净天空或远山、海面等自然景物，其无法用于背景复杂的可见光弱小目标上；②由于远距离可见光探测目标的成像尺寸小，通常表现为点目标，因此难以获取目标本身的纹理、形状等结构信息，目标检测时可用的特征少；③可见光成像背景信息更加复杂，尤其在远距离探测时，目标特征信息难以获取，近处复杂背景（如茂密树枝、建筑物等）的纹理结构特征却能够在可见光图像中清晰呈现，极易产生虚警，这对检测算法的鲁棒性和准确性提出了更高的要求。
近年来国内外学者针对目标检测的研究主要集中在红外弱小目标检测的理论与应用上，红外弱小目标的检测的性能也得到了一定的提升。然而针对空中可见光弱小目标检测的研究却相对非常有限，现有的研究依然无法满足可见光目标检测的广泛应用需求，而且考虑到空中弱小目标的可见光辐射特性和红外辐射特性不同，直接将现有针对红外弱小目标的检测方法应用于可见光图像不可行的现状，亟需开发面向复杂背景下空中可见光弱小目标的高性能检测方法。
发明内容
有鉴于此，本发明提出了一种复杂背景下空中弱小目标自适应检测方法，该方法采用端到端的方法直接进行可见光弱小目标检测，无需在目标识别之前进行图像预处理、特征提取、目标检测、图像后处理等步骤，可根据原始输入图像直接得到检测结果。
为达此目的，本发明采用以下技术方案：一种复杂背景下空中弱小目标自适应检测方法，所述方法包括：
S1：对待处理的包含弱小目标的可见光灰度图像进行近处复杂结构背景的自适应判断和分割去除；
S2：对去除近处复杂结构背景的可见光灰度图像进行弱小目标粗检测，得到多个弱小目标候选区；
S3：对多个弱小目标候选区域依次进行精细化检测，得到待检测的弱小目标。
优选的，所述S1包括：
S11：针对包含近处复杂结构背景的弱小目标可见光灰度图像
Figure 314938DEST_PATH_IMAGE001
，构建不同 波长
Figure 232078DEST_PATH_IMAGE002
、不同角度方向
Figure 824865DEST_PATH_IMAGE003
组合的Gabor滤波器
Figure 220074DEST_PATH_IMAGE004
：
Figure 34446DEST_PATH_IMAGE005
其中，
Figure 919226DEST_PATH_IMAGE006
是生成Gabor滤波器的函数，
Figure 186259DEST_PATH_IMAGE004
表示以波长
Figure 198208DEST_PATH_IMAGE002
和角度
Figure 867087DEST_PATH_IMAGE003
的参数组 合生成的Gabor滤波器，p和q分别表示第p个波长和第q个角度方向，且
Figure 860451DEST_PATH_IMAGE007
，P为构建滤波器的波长总数，Q为构建滤波器的角度方向总数；
Figure 677097DEST_PATH_IMAGE008
表示实数集，m和n分别表示灰度图像I在高度和宽度上的维度；
S12：利用生成的不同Gabor滤波器
Figure 414109DEST_PATH_IMAGE004
分别对灰度图像
Figure 937494DEST_PATH_IMAGE009
进行滤波，并结合 高斯滤波平滑处理，得到高斯滤波后的特征图像
Figure 177458DEST_PATH_IMAGE010
：
Figure 419084DEST_PATH_IMAGE011
Figure 756524DEST_PATH_IMAGE012
其中
Figure 399995DEST_PATH_IMAGE013
和
Figure 735161DEST_PATH_IMAGE014
分别表示Gabor滤波器的滤波函数和高斯滤 波函数，
Figure 542712DEST_PATH_IMAGE015
表示灰度图像I经过Gabor滤波器
Figure 621526DEST_PATH_IMAGE016
滤波后得到的特征图像，
Figure 119503DEST_PATH_IMAGE017
表示
Figure 687888DEST_PATH_IMAGE018
经过高斯滤波后得到的特征图像，
Figure 638526DEST_PATH_IMAGE019
是高斯核参数；
S13：将经过所有滤波器滤波后的特征图像
Figure 334081DEST_PATH_IMAGE020
与原始灰度图像
Figure 686565DEST_PATH_IMAGE021
上 每一像素点的坐标
Figure 629113DEST_PATH_IMAGE022
构成的坐标矩阵
Figure 129365DEST_PATH_IMAGE023
进行拼接，得到原始灰度图像
Figure 549982DEST_PATH_IMAGE024
的特征矩阵
Figure 22551DEST_PATH_IMAGE025
：
Figure 949050DEST_PATH_IMAGE026
其中，
Figure 874281DEST_PATH_IMAGE027
，其表示经过所有滤波器滤波后的高 斯滤波特征图像矩阵，
Figure 98589DEST_PATH_IMAGE028
代表了所有对灰度图像
Figure 487982DEST_PATH_IMAGE029
进行Gabor滤波的Gabor滤波器的 总数；
Figure 772333DEST_PATH_IMAGE030
是灰度图像I上每一像素点的横坐标
Figure 735259DEST_PATH_IMAGE031
构成的矩阵，
Figure 763258DEST_PATH_IMAGE032
是灰度图像I 上每一像素点的纵坐标
Figure 944841DEST_PATH_IMAGE033
构成的矩阵，
Figure 196831DEST_PATH_IMAGE034
表示在深度特征维度上进行拼接，R m×n×2 为包含高度、宽度和深度的三维坐标矩阵，m、n和2分别为高度、宽度和深度维度，R m ×n×（K+2）表示在深度特征维度上进行拼接后得到三维坐标矩阵，其中m、n和K+2分别为高度、 宽度和深度上的维度；
S14：将图像特征矩阵
Figure 96654DEST_PATH_IMAGE035
进行k-means非监督聚类，将原始图 像上所有像素点划分为代表复杂结构纹理特征的像素集和较均匀部位像素集两类：
Figure 662764DEST_PATH_IMAGE036
其中，
Figure 43061DEST_PATH_IMAGE037
代表非监督聚类函数，
Figure 403635DEST_PATH_IMAGE038
代表图像上每一像素的聚类标 签结果；
S15：将聚类标签结果
Figure 790754DEST_PATH_IMAGE039
应用于原始灰度图像
Figure 957293DEST_PATH_IMAGE040
上，得到去除复杂纹理结构 背景的图像部分
Figure 847889DEST_PATH_IMAGE041
和仅包含复杂纹理结构背景的图像部分
Figure 723572DEST_PATH_IMAGE042
。
优选的，所述S2中利用多尺度图像块对比度方法MPCM以及粗检测图像计算自适应阈值对去除近处复杂结构背景的可见光灰度图像进行弱小目标粗检测。
优选的，所述S2包括：
S21：利用多尺度图像块对比度方法MPCM对去除近处复杂结构背景的可见光灰度 图像进行弱小目标粗检测，得到弱小目标的粗检测图像
Figure 332408DEST_PATH_IMAGE043
：
Figure 505900DEST_PATH_IMAGE044
其中，
Figure 313319DEST_PATH_IMAGE045
表示对图像进行多尺度图像块对比度计算，
Figure 281275DEST_PATH_IMAGE046
为S1中 处理得到的去除复杂纹理结构背景的图像部分；
S22：通过粗检测图像计算自适应阈值，得到弱小目标的矩形候选区域：
Figure 377407DEST_PATH_IMAGE047
其中，函数
Figure 902061DEST_PATH_IMAGE048
根据输入粗检测图像
Figure 767249DEST_PATH_IMAGE049
自适应计算阈值
Figure 906106DEST_PATH_IMAGE050
，
Figure 817430DEST_PATH_IMAGE051
函数根据输入粗检测图像
Figure 67146DEST_PATH_IMAGE052
和自适应阈值
Figure 52419DEST_PATH_IMAGE053
检测出的弱小 目标矩形候选区域
Figure 906718DEST_PATH_IMAGE054
，
Figure 977443DEST_PATH_IMAGE055
表示弱小目标候选区域矩阵，4表示候选区域的 4个位置信息
Figure 358745DEST_PATH_IMAGE056
，
Figure 198525DEST_PATH_IMAGE057
，
Figure 679185DEST_PATH_IMAGE058
，
Figure 784676DEST_PATH_IMAGE059
和
Figure 641773DEST_PATH_IMAGE060
分别表示矩形候选区域在灰度图像I中左上顶点横坐 标、纵坐标、矩形候选区域高度和宽度；代表检测到的矩形候选区域个数。
优选的，所述S3中采用基于纹理特征自适应滤波的方法对矩形候选区域进行局部纹理特征滤波的精细化检测，去除人造物体结构背景滤除不完全带来的虚警干扰，得到待检测的弱小目标。
优选的，所述S3包括：
S31：计算其中任意一个矩形候选区域
Figure 132797DEST_PATH_IMAGE061
的中心坐标
Figure 784359DEST_PATH_IMAGE062
Figure 829675DEST_PATH_IMAGE063
；
Figure 303513DEST_PATH_IMAGE064
表示矩形候选区域region位置信息矩阵，x和y指矩形候选区域左上顶点横、纵 坐标；
S32：以矩形候选区域为中心，从粗检测图像
Figure 852306DEST_PATH_IMAGE065
上提取一个尺寸大于 矩形候选区域
Figure 940348DEST_PATH_IMAGE066
的局部区域
Figure 4119DEST_PATH_IMAGE067
：
Figure 203019DEST_PATH_IMAGE069
；
其中m为局部区域
Figure 606318DEST_PATH_IMAGE067
中心坐标与矩形候选区域为中心坐标之间的差值，m的取 值决定局部区域
Figure 943890DEST_PATH_IMAGE067
的大小；
S33：在局部区域
Figure 698219DEST_PATH_IMAGE067
内提取包围矩形候选区域
Figure 497548DEST_PATH_IMAGE070
的四部分邻域，分别标记 为
Figure 20933DEST_PATH_IMAGE071
、
Figure 450777DEST_PATH_IMAGE072
、
Figure 965505DEST_PATH_IMAGE073
和
Figure 506207DEST_PATH_IMAGE074
；
S34：计算四部分邻域图像上每个像素点灰度的平均值：
Figure 149678DEST_PATH_IMAGE075
其中
Figure 812741DEST_PATH_IMAGE076
，函数
Figure 541663DEST_PATH_IMAGE077
表示对二维矩阵求平均值；
S35：根据patch的像素灰度值设定阈值th，若
Figure 620477DEST_PATH_IMAGE078
，则该候选区域为 真实弱小目标，若
Figure 931504DEST_PATH_IMAGE079
，则该候选区为虚警区域；
S36：重复上述步骤S31~S35直至完成所有矩形候选区域的精细化检测，得到所有 去除虚警区域的真实弱小目标检测结果
Figure 437571DEST_PATH_IMAGE080
，
Figure 716106DEST_PATH_IMAGE081
是最终检测到弱小目 标的数量。
本发明的有益效果是：本发明公开的复杂背景下空中弱小目标自适应检测方法，该方法针对可见光弱小目标进行检测。该方法首先能够自适应地去除近处复杂结构背景，避免后续复杂结构背景对弱小目标检测的干扰，提升了模型的泛化能力和准确性，同时不需要复杂背景和弱小目标的先验信息，检测效果更鲁棒、准确率更高；其次本发明利用单张灰度图像即可实现弱小目标检测，不要求目标运动的时序性和成像系统静止，使得本发明在实际场景应用中具有更强的普适性；再次本发明提出的局部纹理特征自适应滤波方法可以有效准确检测多个弱小目标并同时去除复杂背景结构带来的虚警，极大提升了弱小目标检测的鲁棒性，因此其可有效处理目标显著度更低、背景纹理结构更加复杂的可见光灰度图像。
综上，利用本发明的复杂背景下空中弱小目标自适应检测方法实现了可见光弱小目标检测，该方法能够有效抑制复杂背景结构的干扰影响，准确检测定位出弱小目标在图像上的位置。本发明的方法具有更强的抗背景干扰能力和可见光弱小目标检测能力，大大提高了可见光目标检测的准确性，更有利于适应实际复杂的工作环境。
附图说明
图1为本发明实施例中复杂背景下空中弱小目标自适应检测方法的流程图；
图2为本发明实施例中原始灰度图像；
图3为本发明实施例中原始灰度图像经过6个不同Gabor滤波器滤波后的特征图像；
图4为本发明实施例中非监督聚类标签可视化和对原始灰度图像的复杂纹理结构分割效果图像，其中左上角为原始灰度图像，右上角为可视化的非监督聚类标签；左下和右下分别为对原始灰度图像的复杂纹理结构分割效果；
图5为本发明实施例中经过复杂背景分割后的弱小目标粗检测结果图像；
图6为本发明实施例中经过复杂背景自适应分割和MPCM粗检测后，得到的一个虚警结果及其局部邻域patch，其上、下、左、右邻域均包含纹理结构；
图7为本发明公开的方法对可见光空中弱小目标检测的检测结果；
图8为现有MPCM方法直接进行可见光空中弱小目标检测的检测结果。
具体实施方式
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原理，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。
下面结合附图和具体实施例对本发明进行详细说明。
本发明提出了一种复杂背景下弱小目标可见光灰度图像的自适应检测方法，该方法面向单帧可见光的灰度图像进行空域弱小目标检测，能够自适应地去除近处复杂结构背景，避免其对弱小目标检测的干扰，无需依赖先验知识和人工操作预先对背景进行处理；本发明仅利用单张灰度图像即可实现弱小目标检测，不要求目标运动的时序性和成像系统静止；本发明提出局部纹理特征自适应滤波可以有效准确检测多个弱小目标同时去除复杂背景结构带来的虚警，极大提升了弱小目标检测的鲁棒性；本发明采用端到端的方法直接进行弱小目标检测，无需单独进行图像预处理、特征提取、目标检测、图像后处理等步骤，可根据原始输入图像直接得到检测结果。
实施例1
一种复杂背景下空中弱小目标自适应检测方法，其流程示意图如图1所示，该方法包括：
第一步：采用基于Gabor滤波的纹理分割方法对近处人造复杂结构背景进行自适应判断和分割去除，具体过程如下：
（1）针对包含复杂结构背景的弱小目标可见光灰度图像
Figure 598611DEST_PATH_IMAGE082
，首先构建不同 波长
Figure 951095DEST_PATH_IMAGE083
、不同角度方向
Figure 706693DEST_PATH_IMAGE084
组合的Gabor滤波器
Figure 144627DEST_PATH_IMAGE085
：
Figure 565244DEST_PATH_IMAGE086
其中，
Figure 834552DEST_PATH_IMAGE087
是生成Gabor滤波器的函数，
Figure 682422DEST_PATH_IMAGE085
表示以波长
Figure 607653DEST_PATH_IMAGE088
和角度
Figure 910589DEST_PATH_IMAGE089
组合生成 的Gabor滤波器，p和q分别表示第p个波长和第q个角度方向，且
Figure 237665DEST_PATH_IMAGE090
，P为构建滤波器的波长总数，Q为构建滤波器的角度方向总数；
Figure 584333DEST_PATH_IMAGE091
表示实数集，m和n分别 表示灰度图像I在高度和宽度上的维度；
（2）利用生成的不同Gabor滤波器
Figure 996860DEST_PATH_IMAGE085
均分别对灰度图像
Figure 759279DEST_PATH_IMAGE092
进行滤波，并结 合高斯滤波平滑处理，得到高斯滤波后的特征图像
Figure 750982DEST_PATH_IMAGE093
：
Figure 206234DEST_PATH_IMAGE094
Figure 106057DEST_PATH_IMAGE012
其中
Figure 734484DEST_PATH_IMAGE095
和
Figure 770573DEST_PATH_IMAGE096
分别表示Gabor滤波器的滤波函数和高斯滤 波函数，
Figure 209776DEST_PATH_IMAGE097
表示灰度图像I经过Gabor滤波器
Figure 596895DEST_PATH_IMAGE085
滤波后得到的特征图像，
Figure 701117DEST_PATH_IMAGE098
表示
Figure 919609DEST_PATH_IMAGE099
经过高斯滤波后得到的高斯滤波特征图像，
Figure 716664DEST_PATH_IMAGE100
是高斯核 参数；
图2展示了实施例的原始灰度图像，图3展示了经过6种不同Gabor滤波器后得到的Gabor特征图像。
（3）将经过所有滤波器滤波后的高斯滤波特征图像
Figure 325500DEST_PATH_IMAGE101
与原始灰度图像
Figure 312041DEST_PATH_IMAGE102
上每一像素点的坐标
Figure 322723DEST_PATH_IMAGE103
构成的坐标矩阵
Figure 290679DEST_PATH_IMAGE104
进行拼接，得到原始灰 度图像
Figure 449127DEST_PATH_IMAGE105
的特征矩阵
Figure 895152DEST_PATH_IMAGE106
：
Figure 25919DEST_PATH_IMAGE107
其中，
Figure 977826DEST_PATH_IMAGE108
，其表示经过所有滤波器滤波后的高 斯滤波特征图像矩阵，
Figure 561254DEST_PATH_IMAGE109
代表了由不同波长
Figure 873287DEST_PATH_IMAGE110
和不同角度方向
Figure 858560DEST_PATH_IMAGE111
组合后生成的Gabor滤波 器的总数；
Figure 168319DEST_PATH_IMAGE112
是灰度图像
Figure 55022DEST_PATH_IMAGE113
上每一像素点的横坐标
Figure 108429DEST_PATH_IMAGE114
构成的矩阵，
Figure 948209DEST_PATH_IMAGE115
是灰度图 像I上每一像素点的纵坐标
Figure 491186DEST_PATH_IMAGE116
构成的矩阵，
Figure 783627DEST_PATH_IMAGE117
表示在特征维度上进行拼接，R m ×n×2 为包含高度、宽度和深度的三维坐标矩阵，m、n和2分别为高度、宽度和深度维度，R m ×n×（K+2）表示在深度特征维度上进行拼接后得到三维坐标矩阵，其中m、n和K+2分别为高度、 宽度和深度上的维度；特征矩阵
Figure 453773DEST_PATH_IMAGE118
包含原始图像上每一像素点的纹 理特征和位置特征；
（4）将图像特征矩阵
Figure 148060DEST_PATH_IMAGE119
进行k-means非监督聚类，将原始图 像上所有像素点划分为代表复杂结构纹理特征的像素集和较均匀部位像素集两类：
Figure 861938DEST_PATH_IMAGE120
其中，
Figure 907255DEST_PATH_IMAGE121
和代表非监督聚类函数，
Figure 302464DEST_PATH_IMAGE122
代表图像上每一像素的聚类 标签结果；
（5）将聚类标签结果
Figure 664306DEST_PATH_IMAGE123
应用于原始图像
Figure 752348DEST_PATH_IMAGE124
上，得到去除复杂纹理结构背景 的图像部分
Figure 19381DEST_PATH_IMAGE125
和仅包含复杂纹理结构背景的图像部分
Figure 15019DEST_PATH_IMAGE126
，图4分别展 示了原始灰度图像I（左上）、聚类标签结果
Figure 683898DEST_PATH_IMAGE123
可视化效果（右上）和灰度图像分割效果
Figure 755890DEST_PATH_IMAGE127
（左下）与
Figure 244640DEST_PATH_IMAGE128
（右下），可以看出由于人造背景纹理结构较为分散，
Figure 247231DEST_PATH_IMAGE127
中仍残留 少量纹理结构。
第二步：采用多尺度图像块对比度方法MPCM对去除复杂结构背景的灰度图像上进行弱小目标粗检测，得到多个弱小目标候选区，具体过程如下：
（1）利用多尺度图像块对比度方法MPCM对去除近处复杂结构背景的可见光灰度图 像进行弱小目标粗检测，得到弱小目标的粗检测图像
Figure 832933DEST_PATH_IMAGE129
：
Figure 997198DEST_PATH_IMAGE130
其中
Figure 48944DEST_PATH_IMAGE131
表示对图像进行多尺度图像块对比度计算，
Figure 589646DEST_PATH_IMAGE132
为第一步 中处理得到的去除复杂纹理结构背景的图像部分；
（2）通过粗检测图像计算自适应阈值，得到弱小目标的矩形候选区域：
Figure 967538DEST_PATH_IMAGE133
其中函数
Figure 630601DEST_PATH_IMAGE134
根据输入粗检测图像
Figure 93943DEST_PATH_IMAGE135
自适应计算阈值
Figure 438337DEST_PATH_IMAGE136
，
Figure 749363DEST_PATH_IMAGE137
函数则根据输入粗检测图像
Figure 255431DEST_PATH_IMAGE135
和自适应阈值
Figure 533966DEST_PATH_IMAGE136
检测出的弱 小目标矩形候选区域
Figure 416471DEST_PATH_IMAGE138
，
Figure 768955DEST_PATH_IMAGE139
表示弱小目标候选区域矩阵，4表示候选区 域的4个位置信息
Figure 258973DEST_PATH_IMAGE140
分别表示矩形候选区域在灰度图像
Figure 696908DEST_PATH_IMAGE141
中左上 顶点横坐标、纵坐标、矩形候选区域高度和宽度；
Figure 383104DEST_PATH_IMAGE142
代表检测到的矩形候选区域个数。图5 展示了经过复杂背景分割后得到的弱小目标粗检测结果，虽然检测到了弱小目标，但同时 存在大量虚警。
第三步：基于纹理特征自适应滤波的方法对矩形候选区域进行精细化检测，从而去除人造物体结构背景滤除不完全带来的虚警干扰，最终得到待检测的弱小目标
（1）计算其中任意一个矩形候选区域
Figure 652411DEST_PATH_IMAGE143
的中心坐标
Figure 765861DEST_PATH_IMAGE144
Figure 691092DEST_PATH_IMAGE145
；
Figure 728449DEST_PATH_IMAGE146
表示矩形候选区域region位置信息矩阵，x和y指矩形候选区域左上顶点横、 纵坐标；
（2）以矩形候选区域为中心，从粗检测图像
Figure 55525DEST_PATH_IMAGE147
上提取一个尺寸大于矩 形候选区域
Figure 402193DEST_PATH_IMAGE148
的局部区域
Figure 549140DEST_PATH_IMAGE149
：
Figure 404837DEST_PATH_IMAGE069
；
其中
Figure 586420DEST_PATH_IMAGE150
为局部区域
Figure 41672DEST_PATH_IMAGE149
中心坐标与矩形候选区域为中心坐标之间的差值，
Figure 3811DEST_PATH_IMAGE150
的 取值决定局部区域
Figure 569922DEST_PATH_IMAGE149
的大小，一般局部区域
Figure 419060DEST_PATH_IMAGE149
的尺寸略大于矩形候选区域
Figure 45214DEST_PATH_IMAGE151
的尺寸；
（3）在局部区域
Figure 166754DEST_PATH_IMAGE149
内提取包围矩形候选区域
Figure 598872DEST_PATH_IMAGE152
的四部分邻域，分别
Figure 755047DEST_PATH_IMAGE153
；
（4）计算四部分邻域图像上每个像素点灰度的平均值：
Figure 365151DEST_PATH_IMAGE154
其中
Figure 973987DEST_PATH_IMAGE076
，函数
Figure 881900DEST_PATH_IMAGE155
表示对二维矩阵求平均值；
（5）设定阈值
Figure 954898DEST_PATH_IMAGE156
，若
Figure 922854DEST_PATH_IMAGE157
，则该候选区域为真实弱小目标，则其局部邻 域
Figure 18986DEST_PATH_IMAGE158
内无其他纹理结构；若
Figure 543639DEST_PATH_IMAGE159
，则该候选区为虚警区域，如图6所示；
（6）重复上述步骤直至完成所有候选区域的精细化检测，得到所有去除虚警区域 的真实弱小目标检测结果
Figure 674406DEST_PATH_IMAGE160
，
Figure 875581DEST_PATH_IMAGE161
是最终检测到弱小目标的数量。
图7展示了原始灰度图像经过纹理特征自适应滤波步骤后得到的最终检测结果，对比图8为直接采用MPCM方法的弱小目标检测效果，可以看出，对具有复杂纹理结构背景的弱小目标可见光灰度图像，采用MPCM方法存在大量虚警和漏检，复杂背景严重影响检测效果导致完全检测不到真实弱小目标；而本发明所提方法能够有效抑制复杂背景结构的干影响，准确检测定位出弱小目标在图像上的位置，具有更强的抗背景干扰能力和弱小目标检测能力。采用本发明所提方法对200张弱小目标可见光灰度图像进行检测，平均准确率达到95.46%，更有利于适应实际复杂的工作环境。

Claims (5)

1.一种复杂背景下空中弱小目标自适应检测方法，其特征在于，所述方法包括：
S1：对待处理的包含弱小目标的可见光灰度图像进行近处复杂结构背景的自适应判断和分割去除；
S2：对去除近处复杂结构背景的可见光灰度图像进行弱小目标粗检测，得到多个弱小目标候选区；
S3：对候选区域依次进行精细化检测，得到待检测的弱小目标；
所述S1包括：
S11：针对包含近处复杂结构背景的弱小目标可见光灰度图像I∈Rm×n，构建不同波长λp和不同角度方向θq组合的Gabor滤波器gp,q：
gp,q＝gabor(λp,θq)
其中，gabor()是生成Gabor滤波器的函数，gp,q表示以波长λp和角度θq组合生成的Gabor滤波器，其p和q分别表示第p个波长和第q个角度方向，且p＝1,...,P，q＝1,...,Q，P为构建滤波器的波长总数，Q为构建滤波器的角度方向总数；Rm×n表示实数集，m和n分别表示灰度图像I在高度和宽度上的维度；
S12：利用生成的不同Gabor滤波器gp,q分别对灰度图像I∈Rm×n进行滤波，并结合高斯滤波平滑处理，得到高斯滤波后的灰度图像guassIp,q∈Rm×n：
Figure FDA0004002069610000011
Figure FDA0004002069610000012
其中imGaborfilt(·)和imGaussfilt(·)分别表示Gabor滤波器的滤波函数和高斯滤波函数，
Figure FDA0004002069610000013
表示灰度图像I经过Gabor滤波器gp,q滤波后得到的特征图像，guassIp,q∈Rm×n表示
Figure FDA0004002069610000014
经过高斯滤波后得到的特征图像，σ是高斯核参数；
S13：将经过所有滤波器滤波后的高斯滤波特征图像gaussIp,q与原始灰度图像I∈Rm×n上每一像素点的坐标(x,y)构成的坐标矩阵[X,Y]∈Rm×n×2进行拼接，得到原始灰度图像I∈Rm×n的特征矩阵featureSet∈Rm×n×(K+2)：
featureSet＝Concatenate(GaussI,X,Y)
其中，GaussI＝[gaussIp,q]p＝1,...，P,q＝1,...,Q∈Rm×n×K，其表示经过所有滤波器滤波后的高斯滤波特征图像矩阵，K代表了由不同波长λp和不同角度方向θq组合后生成的Gabor滤波器的总数；X∈Rm×n是灰度图像I上每一像素点的横坐标x构成的矩阵，Y∈Rm×n是图像I上每一像素点的纵坐标y构成的矩阵，Concatenate(·)表示在深度特征维度上进行拼接，Rm×n×2为包含高度、宽度和深度的三维坐标矩阵，m、n和2分别为高度、宽度和深度维度，Rm×n×(K+2)表示在深度特征维度上进行拼接后得到三维坐标矩阵，其中m、n和K+2分别为高度、宽度和深度上的维度；
S14：将特征矩阵featureSet∈Rm×n×(K+2)进行k-means非监督聚类，将原始图像上所有像素点划分为代表复杂结构纹理特征的像素集和较均匀部位像素集两类：
M＝kmeans(featureSet,2)
其中，kmeans(·)代表非监督聚类函数，M∈Rm×n代表图像上每一像素的聚类标签结果；
S15：将聚类标签结果M应用于原始图像I∈Rm×n上，得到去除复杂纹理结构背景的图像部分Iseg1∈Rm×n和仅包含复杂纹理结构背景的图像部分Iseg2∈Rm×n。
2.根据权利要求1所述的复杂背景下空中弱小目标自适应检测方法，其特征在于，所述S2中利用多尺度图像块对比度方法MPCM以及粗检测图像计算自适应阈值对去除近处复杂结构背景的可见光灰度图像进行弱小目标粗检测。
3.根据权利要求2所述的复杂背景下空中弱小目标自适应检测方法，其特征在于，所述S2包括：
S21：利用多尺度图像块对比度方法MPCM对去除近处复杂结构背景的可见光灰度图像进行弱小目标粗检测，得到弱小目标的粗检测图像Icoarse∈Rm×n：
Icoarse＝MPCM(Iseg1)
其中，MPCM(·)表示对图像进行多尺度图像块对比度计算，Iseg1∈Rm×n为S1中处理得到的去除复杂纹理结构背景的图像部分；
S22：通过粗检测图像计算自适应阈值，得到弱小目标的矩形候选区域：
threshold＝AdaptTh(Icoarse)
regions＝regionprops(Icoarse,threshold)
其中，函数AdaptTh(·)根据输入粗检测图像Icoarse自适应计算阈值threshold，regionprops(·)函数则根据输入粗检测图像Icoarse和自适应阈值threshold检测出的弱小目标矩形候选区域regions∈R4×num，R4×mum表示弱小目标候选区域矩阵，4表示候选区域的4个位置信息[x,y,h,w]，x，y，h和w分别表示矩形候选区域在灰度图像I中左上顶点横坐标、纵坐标、矩形候选区域高度和宽度；num代表检测到的矩形候选区域个数。
4.根据权利要求3所述的复杂背景下空中弱小目标自适应检测方法，其特征在于，所述S3中采用基于纹理特征自适应滤波的方法对矩形候选区域进行局部纹理特征滤波的精细化检测，去除人造物体结构背景滤除不完全带来的虚警干扰，得到待检测的弱小目标。
5.根据权利要求4所述的复杂背景下空中弱小目标自适应检测方法，其特征在于，所述S3包括：
S31：计算其中任意一个矩形候选区域region∈R4×1的中心坐标(center_x,center_y)
Figure FDA0004002069610000031
R4×1表示矩形候选区域region位置信息矩阵，x和y指矩形候选区域左上顶点横、纵坐标；
S32：以矩形候选区域为中心，从粗检测图像结果Icoarse∈Rm×n上提取一个尺寸大于矩形候选区域region∈R4×1的局部区域patch：
patch＝Icoarse(center_x-m:center_x+m,center_y-m:center_y+m)；
其中m为局部区域patch中心坐标与矩形候选区域为中心坐标之间的差值，m的取值决定局部区域patch的大小；
S33：在局部区域patch内提取包围矩形候选区域region的四部分邻域，分别标记为region_up、region_down、region_left和region_right；
S34：计算四部分邻域图像上每个像素点灰度的平均值：
average_n＝mean2(region_n)
其中region_n∈[region_up,region_down,region_left,region_right]，函数mean2(·)表示对二维矩阵求平均值；
S35：根据patch的像素灰度值设定阈值th，若average_n＞th，则该候选区域为真实弱小目标，若average_n≤th，则该候选区为虚警区域；
S36：重复上述步骤S31～S35直至完成所有候选区域的精细化检测，得到所有去除虚警区域的真实弱小目标检测结果targets∈R4×f_num，f_num是最终检测到弱小目标的数量。
CN202211366558.2A 2022-11-03 2022-11-03 一种复杂背景下空中弱小目标自适应检测方法 Active CN115424249B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211366558.2A CN115424249B (zh) 2022-11-03 2022-11-03 一种复杂背景下空中弱小目标自适应检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211366558.2A CN115424249B (zh) 2022-11-03 2022-11-03 一种复杂背景下空中弱小目标自适应检测方法

Publications (2)

Publication Number Publication Date
CN115424249A CN115424249A (zh) 2022-12-02
CN115424249B true CN115424249B (zh) 2023-01-31

Family

ID=84207924

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211366558.2A Active CN115424249B (zh) 2022-11-03 2022-11-03 一种复杂背景下空中弱小目标自适应检测方法

Country Status (1)

Country Link
CN (1) CN115424249B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103413303A (zh) * 2013-07-29 2013-11-27 西北工业大学 基于联合显著性的红外目标分割方法
CN104182992B (zh) * 2014-08-19 2017-02-22 哈尔滨工程大学 一种基于全景视觉的海上弱小目标检测方法
CN113076802A (zh) * 2021-03-04 2021-07-06 国网湖北省电力有限公司检修公司 基于缺少断开图像样本的变电站开关分合状态图像识别方法
CN114821358A (zh) * 2022-04-29 2022-07-29 中国科学院长春光学精密机械与物理研究所 光学遥感图像海上舰船目标提取与识别方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110490904B (zh) * 2019-08-12 2022-11-11 中国科学院光电技术研究所 一种弱小目标检测与跟踪方法
CN115035350B (zh) * 2022-06-29 2024-05-07 电子科技大学 一种基于边缘检测增强的对空地、地面背景小目标检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103413303A (zh) * 2013-07-29 2013-11-27 西北工业大学 基于联合显著性的红外目标分割方法
CN104182992B (zh) * 2014-08-19 2017-02-22 哈尔滨工程大学 一种基于全景视觉的海上弱小目标检测方法
CN113076802A (zh) * 2021-03-04 2021-07-06 国网湖北省电力有限公司检修公司 基于缺少断开图像样本的变电站开关分合状态图像识别方法
CN114821358A (zh) * 2022-04-29 2022-07-29 中国科学院长春光学精密机械与物理研究所 光学遥感图像海上舰船目标提取与识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Salient object detection using background subtraction, Gabor filters, objectness and minimum directional backgroundness;Gargi Srivastava等;《Journal of Visual Communication and Image Representation》;20190614;第62卷;第330-339页 *
可见光复杂背景图像中地面时敏小目标检测算法研究;毛航;《中国优秀硕士学位论文全文数据库 (社会科学Ⅰ辑)》;20190415(第04期);第G112-15页 *

Also Published As

Publication number Publication date
CN115424249A (zh) 2022-12-02

Similar Documents

Publication Publication Date Title
CN107093205B (zh) 一种基于无人机图像的三维空间建筑物窗户检测重建方法
CN111640157B (zh) 一种基于神经网络的棋盘格角点检测方法及其应用
CN105182350B (zh) 一种应用特征跟踪的多波束声呐目标探测方法
CN104933434A (zh) 一种结合LBP特征提取和surf特征提取方法的图像匹配方法
CN104091324A (zh) 一种基于连通域分割的棋盘格图像快速特征匹配算法
CN112254656B (zh) 一种基于结构表面点特征的立体视觉三维位移测量方法
CN115761550A (zh) 一种基于激光雷达点云和相机图像融合的水面目标检测方法
CN107180436A (zh) 一种改进的kaze图像匹配算法
Zhang et al. A Detection Method with Anti-interference for Infrared Maritime Small Target
CN109636758A (zh) 一种基于时空动态算子的水面漂浮物检测方法
CN107560592A (zh) 一种用于光电跟踪仪联动目标的精确测距方法
CN108038856B (zh) 基于改进多尺度分形增强的红外小目标检测方法
CN106372598A (zh) 一种基于图像特征检测的消除视频旋转和抖动的稳像方法
CN106600613B (zh) 基于嵌入式gpu的改进lbp红外目标检测方法
CN112907580B (zh) 一种应用于弱纹理场景下的综合点线特征的图像特征提取和匹配算法
CN115424249B (zh) 一种复杂背景下空中弱小目标自适应检测方法
Tang et al. Sonar image mosaic based on a new feature matching method
CN109816051A (zh) 一种危化品货物特征点匹配方法及系统
CN108319961B (zh) 一种基于局部特征点的图像roi快速检测方法
CN113392856A (zh) 图像伪造检测装置和方法
Zhang et al. Nearshore vessel detection based on Scene-mask R-CNN in remote sensing image
CN107610136A (zh) 基于凸包结构中心查询点排序的显著目标检测方法
Wang et al. Maritime Small Target Detection Based on Appearance Stability and Depth-Normalized Motion Saliency in Infrared Video With Dense Sunglints
Shan et al. Maritime target detection based on electronic image stabilization technology of shipborne camera
CN106355576A (zh) 基于mrf图像分割算法的sar图像配准方法

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