CN115908807B - 一种弱小目标快速检测方法、系统、计算机设备及介质 - Google Patents

Abstract

本发明提供了一种弱小目标快速检测方法、系统、计算机设备及介质，用于对图像中弱小目标的检测，所述方法包括：采用各向异性滤波器得到方向信息，计算用于描述各向信息的方向特征因子；计算各向同性因子；计算能量特征因子；计算目标显著性评估指标；确定阈值，得到图像中的弱小目标。本发明的优势在于：本发明提出一种计算简单，适用于复杂场景下多尺度目标的单帧弱小目标快速检测方法。该算法在城市地面、植被、复杂云层等场景均具有较好的性能，同时计算简单使得算法实时性更好。在真实场景实验中，所提方法已经被证明在多尺度目标和地空复杂场景下都具有优秀的效果。

Description

一种弱小目标快速检测方法、系统、计算机设备及介质

技术领域

本发明属于图像检测领域，具体涉及一种弱小目标快速检测方法、系统、计算机设备及介质。

背景技术

伴随着成像距离的不断扩展，智能控制、视觉导航以及目标探测等领域的发展对弱小目标检测产生了大量现实需求。然而，如何缓解各种复杂因素的干扰，实现高检测率、低虚警率的实时弱小目标检测仍然是一个巨大的挑战。

弱小目标探测是红外搜索和跟踪(IRST)系统、自动目标识别(ATR)和预警系统的一项关键技术。弱小目标是指在远距离成像过程中，表现为尺寸小，信噪比低，且缺乏纹理形状信息的目标。近年来，众多的红外小目标检测算法被提出，包括单帧检测方法和序列检测方法。一些序列算法还是使用单帧算法作为其基础模块。所以单帧检测算法因为其适应范围广、实时化潜力好的特点受到更加广泛的关注。

受人类视觉系统机制思想的启发，人们关注到弱小目标的能量分布情况，一系列基于目标模式特性分析的局部对比度测量的方法被提出，包括差值型、比率型与比差联合型。其中，典型的差分型算法有LOG、DoG，他们通过构造滤波器，平滑背景，计算中心像元与相邻区域的能量差分，实现了抑制背景杂波的效果。与此不同的是，比率型对比度策略方法如：LCM、ILCM、NLCM主要起增强目标作用。近年来，结合两者优势，RLCM联合比率差分计算的思想被广泛认可，发展出了TLLCM、WSLCM，他们构造多层的对比度测量机制在背景抑制和目标增强方法取得进步，但是也提升了算法的复杂度。

人们在背景模式特性的分析的基础上引入基于主成分分析的方法。假设背景是连续且低秩的，而目标是稀疏的，将相关特性引入到小目标检测领域中，通过重构低秩背景实现检测。有人提出了IPI，将低秩稀疏性扩展到局部图像块内，数据的低秩性能的表现更好。NRAM引入边缘结构因子，提升了背景边缘的抑制能力。最新的，RIPT和PSTNN将矩阵块拓展到张量空间，并引入局部先验因子，此外PSTNN还实现计算加速。但是算法复杂，需要调节参数多，运行效率低，算法鲁棒性差仍然是该领域面临的紧急问题。而且当复杂背景存在时，背景边缘和噪声所在的位置存在一定的稀疏信息，容易造成虚警。

总之，如何缓解各种复杂因素的干扰，实现高检测率、低虚警率实时的红外小目标检测仍然是一个巨大的挑战。

发明内容

本发明的目的在于克服现有技术检测率低、高虚警率的缺陷。

为了实现上述目的，本发明提出了一种弱小目标快速检测方法，用于对图像中弱小目标的检测；所述方法包括：

步骤1：采用各向异性滤波器得到方向信息，计算用于描述各向信息的方向特征因子；

步骤2：计算各向同性因子和能量特征因子；

步骤3：计算目标显著性评估指标；

步骤4：确定阈值，得到图像中的弱小目标。

作为上述方法的一种改进，方向特征因子计算公式为：

dfⁿ(i,j)＝G(i,j)*AFBⁿ

其中，G(i,j)为坐标点(i,j)的原始图像，df(i,j)为方向特征因子，AFB为各向异性滤波器；n为滤波器编号，取值为1,2,3,4；

AFB¹为标准45°各向异性滤波器，N×N尺寸滤波器描述为：

沿AFB¹中心对其进行45°、90°、135°旋转分别得到AFB²、AFB³、AFB⁴，组成各向异性滤波器组；

其中，N为滤波器模板尺寸，N为大于等于3的奇数。

作为上述方法的一种改进，各向同性因子IM(i,j)计算公式为：

其中，(i,j)表示像素坐标；r为测量半径，M(x,y)为熵的分布指派函数，表示为：

其中，df_min(i,j)为对df(i,j)最小值滤波后归一化操作得到：

最小值滤波：

df′_min(i,j)＝min(dfⁿ(i,j)),n＝1,2,3,4

归一化：

作为上述方法的一种改进，能量特征因子DE(i,j)计算公式为：

作为上述方法的一种改进，目标显著性评估指标IMDE(i,j)计算公式为：

IMDE(i,j)＝IM(i,j)×DE(i,j)。

作为上述方法的一种改进，阈值th计算公式为：

th＝λ×Max+(1-λ)×Mean

其中，Max和Mean分别是目标显著性评估指标IMDE(i,j)中的最大值和平均值；λ取值介于0和1之间；

计算出来IMDE(i,j)>th的点即为图像中的弱小目标。

本发明还提供一种弱小目标快速检测系统，用于对图像中弱小目标的检测，所述系统包括：

方向特征因子模块，用于采用各向异性滤波器得到方向信息，计算用于描述各向信息的方向特征因子；

各向同性因子和能量特征因子模块，用于计算各向同性因子和能量特征因子；

目标显著性评估模块，用于计算目标显著性评估指标；和

阈值模块，用于确定阈值，得到图像中的弱小目标。

本发明还提供一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一项所述的方法。

本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行如上述任一项所述的方法。

与现有技术相比，本发明的优势在于：

本发明提出一种计算简单，适用于复杂场景下多尺度目标的单帧弱小目标快速检测方法。该算法在城市地面、植被、复杂云层等场景均具有较好的性能，同时计算简单使得算法实时性更好。在真实场景实验中，所提方法已经被证明在多尺度目标和地空复杂场景下都具有优秀的效果。

附图说明

图1所示为各向同性引导的弱小目标快速检测方法流程图；

图2所示为3阶各向异性滤波器，(a)、(b)、(c)、(d)分别为45°、90°、135°、180°方向滤波器；

图3所示为Seq.1检测结果示例图；

图4所示为Seq.2检测结果示例图；

图5所示为Seq.3检测结果示例图；

图6所示为Seq.4检测结果示例图。

具体实施方式

本发明提出一种计算简单，适用于复杂场景下多尺度目标的单帧弱小目标快速检测方法、系统、计算机设备及介质。弱小目标是指在远距离成像过程中，表现为尺寸小，信噪比低，且缺乏纹理形状信息的目标。首先，基于边缘滤波特征算子构建了一组新的适合小目标特征提取的各向异性滤波器(AFB)，它具有局部对比度测量的功能，可以通过卷积滤波完成对方向特征因子的计算，从成像机理上实现了对目标空间域上的显著性特征和空间特征的映射；然后再利用熵在局部区域内完成各向同性测量，有效抑制背景杂波，在滤波特征基础上融合各向异性测量值和方向能量因子两组特征参数实现检测。该算法在城市地面、植被、复杂云层等场景均具有较好的性能，同时计算简单使得算法实时性更好。在真实场景实验中，所提方法已经被证明在多尺度目标和地空复杂场景下都具有优秀的效果。

下面结合附图对本发明的技术方案进行详细的说明。

如图1所示，本发明采用的检测方法框架主要包括两个部分。首先采用各向异性滤波器(AFB)得到方向信息，计算用于描述各向信息的(方向特征因子df)，然后基于df分别进行各向同性的测量与能量因子的计算。其中，各向同性测量基于熵理论计算目标中心与周围的分布特征；能量因子通过累积滤波信号得到。特征融合后，最终通过自适应阈值分割获得真实目标。

1、各向异性滤波器

由于缺乏纹理特征与形状特征，在成像结果上，尺度极小的目标能量自中心向外扩散，呈圆状或椭圆状。这种点扩散现象导致的小目标空间域特征称为各向同性。通过度量各位置由中心向各方向延申的特征分布差异，可以有效区分目标信号与杂波信号和背景边缘。

各向异性滤波器在图像边缘检测领域应用十分广泛。然而传统边缘检测算子计算的边缘信息过粗，不适用于背景能量波动过大的情况，在复杂背景下难以作为滤波器提取出有效的小目标方向特征信息。结合传统边缘算子架构与小目标中心与邻域能量分布存在强对比度的特征，本发明提出了一组新的适合小目标的各向异性滤波器组，通过简单的卷积滤波即可实现方向特征的提取。

dfⁿ(i,j)＝G(i,j)*AFBⁿ

其中，G(i,j)为坐标点(i,j)的原始图像，df(i,j)为滤波后的方向特征因子，n为滤波器编号，取值为1,2,3,4。

本发明所提出的各向异性滤波器是一种基于微分算子构成的滤波器。微分通过计算图像梯度得到，表达如下：

滤波器基础核模板通过x方向上的梯度模板与y方向上梯度模板相乘得到，可以表示为：

本发明所提出的适用于红外小目标的各向异性滤波通过基础核叠加组成，要求滤波器模板尺寸为奇数。当滤波器尺寸为3时，滤波器模板为2组基础核模板叠加得到：

类似的，当滤波器尺寸为5时由4组基础核模板叠加组成：

以上述尺寸为3的滤波器为例，通过基础核构造的滤波器为45°上的方向滤波器，对其进行旋转得到一组滤波器，如图2所示。

本发明提出的各向异性滤波器组(AFB)构建了四个方向的滤波核，每个都满足边缘滤波算子的特征，即滤波系数和为0。与此同时，本发明为滤波核的中心添加更高的权重，在实现沿四个方向滤波的同时，具有计算局部差分对比度的效果，同时保证滤波特征不移位。总之，滤波器可以简单描述为，沿滤波方向收集能量，并与邻域元素进行差分。这样的线性滤波器在提取方向特征的基础上，抑制了背景杂波，确保高能量信号特征得以保留，解决了各向异性算子导致目标能量损失的问题，使得基于滤波特征数据的二次处理成为可能。

本发明提出的各向异性滤波器解决了以下几个问题：

(1)传统边缘检测算子计算的边缘信息过粗，不适用于复杂背景下，背景能量波动过大的情况；

(2)传统的边缘检测算子导致目标信号能量信息的损失；

(3)构造了线性滤波器，便于基于AFBs特征的二次处理。

通过构造自中心区域向各个方向延伸的方向滤波器组可以得到信号的方向特征，用df表示方向特征因子。

2、目标显著性评估指标计算

使用AFB得到的方向特征不能直接完成对目标的检测，因此如何充分利用多方向特征值完成检测是一个亟待思考的问题。本发明提出了各向异性测量值和方向能量因子两组特征参数，分别从抑制背景信号，增强目标信号两个思路来处理方向特征数据。目标显著性评估指标IMDE(i,j)最终结果可以表达如下：

IMDE(i,j)＝IM(i,j)×DE(i,j)

其中，IM(i,j)为各向同性因子；DE(i,j)为能量特征因子。

(1)各向同性测量

具有强各向同性性质的信号在不同方向上的滤波结果往往一致性很高。因此通过分析方向特征的杂乱分布情况，可以在一定程度上缓解强杂波造成高虚警的问题。熵计算可以量化信息的杂乱程度，本发明提出一种基于熵的各向同性测量，其表达如下。

其中，IM(i,j)为各向同性因子；(i,j)表示像素坐标；r为测量半径，说明在局部计算熵的窗口尺寸，一般情况下取r＝1，窗口尺寸为3×3，M(x,y)为熵的分布指派函数，可以表达为：

其中，df_min(i,j)为对df(i,j)最小值滤波后归一化操作得到。

最小值滤波：

df′_min(i,j)＝min(dfⁿ(i,j)),n＝1,2,3,4

归一化：

(2)方向能量加权

不确定度度量了局部区域的各向异性有效抑制背景杂波，但是熵计算造成了能量信息的损失。这里，我们通过引入多向能量特征因子增强目标。能量特征因子DE(i,j)表示为：

本发明所提出的滤波器已具备计算能量差分特征的能力，同时满足坐标不变性。这里取滤波后各向特征进行累积作为能量特征因子。值得注意的是，由于某些像元具有强各向异性，其滤波特征dfⁿ在某些方向可能表现为负。为避免负值对结果的影响，累积前对特征元素进行0限制。

3、自适应阈值分割

经过特征计算与融合得到目标显著性图，像元强度越高，则其是目标的可能性越高，因此，定义一个阈值来抑制残留信号，分割目标，实现最终的检测。阈值定义如下：

th＝λ×Max+(1-λ)×Mean

其中Max和Mean分别是目标显著性评估指标IMDE中的最大值和平均值，λ取值介于0和1之间。计算出来的IMDE(i,j)>th的点即为图像中的弱小目标。

为了评估本发明所提出算法的性能，对四组不同场景、不同尺寸的真实场景序列进行测试实验。四个真实场景都来自于都来自公共数据集，测试序列的详细信息列在表I中。特别是在城市场景，楼宇变化极大，增加了背景复杂程度，增大了目标检测难度。

表I：实验目标详细信息

选取了六组经典的新颖的单帧检测方法作为基线方法与我们的方法对比，包括ADMD、LGDC、NRAM，PSTNN、TLLCM和WSLCM。所有基线方法都使用作者公开的源代码。图3-6显示了本发明方法在测试序列典型图像的显著性结果以及不同实验算法生成的相应结果。从实验结果来看，本发明提出的方法能够准确地检测到目标，有更好的消除背景杂波干扰的表现。

为了公平的比较检测性能，引入信噪比增益(SCRG)、背景抑制因子(BSF)、受试者工作特征曲线(ROC)，运行时间四组指标定量评估算法性能。其中SCRG通过计算处理后凸显信噪比与原始图像信噪比的比率得到，BSF则是两者标准差的比值。

表Ⅱ：不同算法的SCR和BSF值

表Ⅲ：不同算法中一帧的运行时间(S)

表II显示了不同方法的SCRG和BSF，从中可以看出本发明的方法在这两个指标上的检测性能最好，仅在Seq.3上稍低于NRAM，远远高于其他五组方法。

这里以Seq.3的平均运行时间为例，在表Ⅲ中展示了各算法的运行时间。从检测效果来看，基本与表Ⅱ中的指标结果一致，本发明所提出的算法在Seq.1、Seq.3、Seq.4中实现了几乎最好的检测率和最低的虚警率，NRAM在Seq.3和Seq.4上的检测效果与本发明方法接近；而LGDC则在Seq.2表现更好。值得指出的是，在背景复杂程度更高的Seq.3和Seq.4上，考虑到低虚警的需求，对比方法中只有NRAM和PSTNN可以实现不同程度的检测。上述两者都是基于主成分分析的检测方法，其中NRAM具有极高的时间复杂度，PSTNN在运行效率上进行了优化，但是却造成了检测效果的大幅下降。综合四个序列的实验结果可以得出以下结论：本发明的方法可以有效完成复杂场景下的红外弱小目标检测，并且在同等性能下，具有显著的效率优势。

本发明提出了一种简单有效的单帧红外小目标检测方法。一组新的方向滤波器组从成像机理上实现了空间域上目标的显著性特征和空间特征的映射，在复杂场景和多尺度目标上取得了优秀的表现。本发明对得到的方向特征的应用处于浅层次，滤波结果具有线性特性，保留了原始信号，在未来可以作为其他方法的预处理环节，挖掘其深层次特性表现，尤其时间域上的应用，对极低信噪比检测具有重要意义。

本发明还可提供的一种计算机设备，包括：至少一个处理器、存储器、至少一个网络接口和用户接口。该设备中的各个组件通过总线系统耦合在一起。可理解，总线系统用于实现这些组件之间的连接通信。总线系统除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。

其中，用户接口可以包括显示器、键盘或者点击设备。例如，鼠标，轨迹球(trackball)、触感板或者触摸屏等。

可以理解，本申请公开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(Erasable PROM，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(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double DataRate 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 Rambus RAM，DRRAM)。本文描述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。

在一些实施方式中，存储器存储了如下的元素，可执行模块或者数据结构，或者他们的子集，或者他们的扩展集：操作系统和应用程序。

其中，操作系统，包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序，包含各种应用程序，例如媒体播放器(Media Player)、浏览器(Browser)等，用于实现各种应用业务。实现本公开实施例方法的程序可以包含在应用程序中。

在本上述的实施例中，还可通过调用存储器存储的程序或指令，具体的，可以是应用程序中存储的程序或指令，处理器用于：

执行上述方法的步骤。

上述方法可以应用于处理器中，或者由处理器实现。处理器可能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(Digital Signal Processor，DSP)、专用集成电路(Application Specific IntegratedCircuit，ASIC)、现场可编程门阵列(Field Programmable Gate Array，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。可以实现或者执行上述公开的各方法、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。结合上述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。

可以理解的是，本发明描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现，处理单元可以实现在一个或多个专用集成电路(Application Specific Integrated Circuits，ASIC)、数字信号处理器(Digital SignalProcessing，DSP)、数字信号处理设备(DSP Device，DSPD)、可编程逻辑设备(ProgrammableLogic Device，PLD)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请所述功能的其它电子单元或其组合中。

对于软件实现，可通过执行本发明的功能模块(例如过程、函数等)来实现本发明技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。

本发明还可提供一种非易失性存储介质，用于存储计算机程序。当该计算机程序被处理器执行时可以实现上述方法实施例中的各个步骤。

最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (4)

1.一种弱小目标快速检测方法，用于对图像中弱小目标的检测；所述方法包括：

步骤1：采用各向异性滤波器得到方向信息，计算用于描述各向信息的方向特征因子；

步骤2：计算各向同性因子和能量特征因子；

步骤3：计算目标显著性评估指标；

步骤4：确定阈值，得到图像中的弱小目标；

方向特征因子计算公式为：

dfⁿ(i,j)＝G(i,j)*AFBⁿ

其中，G(i,j)为坐标点(i,j)的原始图像，df(i,j)为方向特征因子，AFB为各向异性滤波器；n为滤波器编号，取值为1,2,3,4；

AFB¹为标准45°各向异性滤波器，N×N尺寸滤波器描述为：

沿AFB¹中心对其进行45°、90°、135°旋转分别得到AFB²、AFB³、AFB⁴，组成各向异性滤波器组；

其中，N为滤波器模板尺寸，N为大于等于3的奇数；

各向同性因子IM(i,j)计算公式为：

其中，(i,j)表示像素坐标；r为测量半径，M(x,y)为熵的分布指派函数，表示为：

其中，df_min(i,j)为对df(i,j)最小值滤波后归一化操作得到：

最小值滤波：

df′_min(i,j)＝min(dfⁿ(i,j)),n＝1,2,3,4

归一化：

能量特征因子DE(i,j)计算公式为：

目标显著性评估指标IMDE(i,j)计算公式为：

IMDE(i,j)＝IM(i,j)×DE(i,j)

阈值th计算公式为：

th＝λ×Max+(1-λ)×Mean

其中，Max和Mean分别是目标显著性评估指标IMDE(i,j)中的最大值和平均值；λ取值介于0和1之间；

计算出来IMDE(i,j)>th的点即为图像中的弱小目标。

2.一种弱小目标快速检测系统，用于对图像中弱小目标的检测，其特征在于，所述系统包括：

方向特征因子模块，用于采用各向异性滤波器得到方向信息，计算用于描述各向信息的方向特征因子；

各向同性因子和能量特征因子模块，用于计算各向同性因子和能量特征因子；

目标显著性评估模块，用于计算目标显著性评估指标；和

阈值模块，用于确定阈值，得到图像中的弱小目标；

方向特征因子计算公式为：

dfⁿ(i,j)＝G(i,j)*AFBⁿ

其中，G)i,j)为坐标点(i,j)的原始图像，df(i,j)为方向特征因子，AFB为各向异性滤波器；n为滤波器编号，取值为1,2,3,4；

AFB¹为标准45°各向异性滤波器，N×N尺寸滤波器描述为：

沿AFB¹中心对其进行45°、90°、135°旋转分别得到AFB²、AFB³、AFB⁴，组成各向异性滤波器组；

其中，N为滤波器模板尺寸，N为大于等于3的奇数；

各向同性因子IM(i,j)计算公式为：

其中，(i,j)表示像素坐标；r为测量半径，M(x,y)为熵的分布指派函数，表示为：

其中，df_min(i,j)为对df(i,j)最小值滤波后归一化操作得到：

最小值滤波：

df′_min(i,j)＝min(dfn(i,j)),n＝1,2,3,4

归一化：

能量特征因子DE(i,j)计算公式为：

目标显著性评估指标IMDE(i,j)计算公式为：

IMDE(i,j)＝IM(i,j)×DE(i,j)

阈值th计算公式为：

th＝λ×Max+(1-λ)×Mean

其中，Max和Mean分别是目标显著性评估指标IMDE(i,j)中的最大值和平均值；λ取值介于0和1之间；

计算出来IMDE(i,j)>th的点即为图像中的弱小目标。

3.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1所述的方法。

4.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行如权利要求1所述的方法。

Images