CN116012659B - 一种红外目标检测方法、装置、电子设备及存储介质 - Google Patents

一种红外目标检测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN116012659B
CN116012659B CN202310287772.7A CN202310287772A CN116012659B CN 116012659 B CN116012659 B CN 116012659B CN 202310287772 A CN202310287772 A CN 202310287772A CN 116012659 B CN116012659 B CN 116012659B
Authority
CN
China
Prior art keywords
candidate region
image
infrared target
gray
infrared
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
CN202310287772.7A
Other languages
English (en)
Other versions
CN116012659A (zh
Inventor
瞿锐恒
蒙顺开
李叶雨
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.)
Dolphin Lezhi Technology Chengdu Co ltd
Original Assignee
Dolphin Lezhi Technology Chengdu Co ltd
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 Dolphin Lezhi Technology Chengdu Co ltd filed Critical Dolphin Lezhi Technology Chengdu Co ltd
Priority to CN202310287772.7A priority Critical patent/CN116012659B/zh
Publication of CN116012659A publication Critical patent/CN116012659A/zh
Application granted granted Critical
Publication of CN116012659B publication Critical patent/CN116012659B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Image Analysis (AREA)

Abstract

本发明公开了一种红外目标检测方法、装置、电子设备及存储介质，属于图像处理技术领域。所述红外目标检测方法包括：对目标图像进行增强，得到增强图像；检测所述增强图像中的候选区域；计算所述候选区域的特征向量；将所述特征向量输入预先构建的分类网络，得到候选区域为红外目标的概率以及候选区域为非红外目标的概率；判断候选区域为红外目标的概率是否大于候选区域为非红外目标的概率，若是，则所述候选区域为红外目标。本发明提高了红外目标的检测效率。

Description

一种红外目标检测方法、装置、电子设备及存储介质
技术领域
本发明属于图像处理技术领域，特别是涉及一种红外目标检测方法、装置、电子设备及存储介质。
背景技术
随着红外探测系统性能的不断提高，红外探测技术已经广泛应用于医学病变细胞诊断和工业探伤等民用领域， 并取得了显著成就。 在医疗等民用领域中，高检测率、低虚警率的实时红外小目标检测是实际应用的必然需求。然而在大多数实际应用的红外成像系统中，待检测目标与探测器之间的距离较远，使得红外目标占整幅红外图像的面积非常小（一般少于 100个像素），加上背景复杂多变的特点，为检测带来困难。
目前红外弱小目标检测算法主要分为基于单帧图像的方法和基于序列图像的方法。虽然近年来计算机的性能得到了很大的发展，但一些计算量较大的基于序列图像的算法仍然受到计算机计算能力的限制。另外，在进行基于序列图像的算法研究及应用的过程中也需要采用许多基于单帧图像算法中的关键步骤，因此基于单帧图像算法的研究将是近年来的热点。但是现有单帧红外图像的目标检测算法难以在运算量和性能鲁棒性之间取得平衡，给红外弱小目标的检测算法的应用带来了很大的局限。
发明内容
本发明的目的在于克服现有技术的不足，提供一种红外目标检测方法、装置、电子设备及存储介质。
本发明的目的是通过以下技术方案来实现的：根据本发明的第一方面，一种红外目标检测方法，应用于边缘计算平台。所述红外目标检测方法包括：
对目标图像进行增强，得到增强图像；
检测所述增强图像中的候选区域；
计算所述候选区域的特征向量；
将所述特征向量输入预先构建的分类网络，得到候选区域为红外目标的概率以及候选区域为非红外目标的概率；
判断候选区域为红外目标的概率是否大于候选区域为非红外目标的概率，若是，则所述候选区域为红外目标。
进一步地，对目标图像进行增强，得到增强图像，包括：
将目标图像分别输入多个并行的滤波单元，得到多个浅层特征图，所述滤波单元包括顺次设置的二维滤波器和第一Relu函数；
将所述多个浅层特征图合并为三维的浅层特征矩阵；
利用卷积核对三维的浅层特征矩阵进行处理，得到中间层的特征矩阵；
利用第二Relu函数对中间层的特征矩阵进行处理，得到高层特征矩阵；
对高层特征矩阵进行灰度归一化处理，得到归一化后的高层特征矩阵；
将归一化后的高层特征矩阵与红外图像进行叠加，得到增强图像。
进一步地，检测所述增强图像中的候选区域，包括：
计算增强图像的全局分割阈值；
基于所述全局分割阈值对增强图像进行二值化分隔，得到二值化图像；
计算二值化图像的联通区域，得到标记后的图像，并得到每个联通区域的最大外接矩形的坐标，并标记为候选区域；
进一步地，计算增强图像的全局分割阈值，包括：
计算增强图像的灰度直方图；
从最大灰度值开始，统计增强图像的灰度值大于该灰度值的像素数量；
当增强图像的灰度值大于某个灰度值的像素数量大于设定的阈值时，该灰度值即为全局分割的阈值。
进一步地，所述特征向量的计算公式为：
Figure SMS_1
式中，
Figure SMS_2
表示候选区域的特征向量，/>
Figure SMS_3
为候选区域的面积比，/>
Figure SMS_4
为候选区域的长宽比，/>
Figure SMS_5
为候选区域的局部灰度对比度，/>
Figure SMS_6
为候选区域的局部灰度熵，/>
Figure SMS_7
为候选区域的局部对比度，/>
Figure SMS_8
为候选区域的局部熵。
进一步地，候选区域的面积比的计算公式为：
Figure SMS_9
式中，
Figure SMS_10
为标记了候选区域后的图像，/>
Figure SMS_11
为第i个联通区域列坐标的最大值；/>
Figure SMS_12
为第i个联通区域列坐标的最小值；/>
Figure SMS_13
为第i个联通区域行坐标的最大值；/>
Figure SMS_14
为第i个联通区域行坐标的最小值；i为联通区域的标记号；/>
Figure SMS_15
表示计数；/>
Figure SMS_16
表示是否等于；
候选区域的长宽比的计算公式为：
Figure SMS_17
；
候选区域的局部灰度对比度的计算公式为：
Figure SMS_18
式中，
Figure SMS_19
为原始图像第i个联通区域的灰度均值；/>
Figure SMS_20
为原始图像第i个联通区域的背景均值；/>
Figure SMS_21
为大于或等于1的整数；/>
Figure SMS_22
表示求取均值；/>
Figure SMS_23
，
Figure SMS_24
；
候选区域的局部灰度熵的计算公式为：
Figure SMS_25
式中，
Figure SMS_28
为图像的灰度值；/>
Figure SMS_30
为对
Figure SMS_31
区域内的原始图像/>
Figure SMS_27
进行直方图统计得到的每个候选区域内的灰度直方图；/>
Figure SMS_29
为大于或等于1的整数；/>
Figure SMS_32
为/>
Figure SMS_33
中灰度值等于k的像素数量；D为图像数据的位数；/>
Figure SMS_26
表示取自然对数；
候选区域的局部对比度的计算公式为：
Figure SMS_34
式中，
Figure SMS_35
为大于或等于1的整数；/>
Figure SMS_36
为增强图像第i个联通区域的均值；/>
Figure SMS_37
为增强图像第i个联通区域背景的均值；/>
Figure SMS_38
用于判断括号内的条件是否满足；
候选区域的局部熵的计算公式：
Figure SMS_39
式中，
Figure SMS_40
为对/>
Figure SMS_41
区域内的增强图像/>
Figure SMS_42
进行直方图统计得到的每个候选区域内的增强图像直方图；/>
Figure SMS_43
表示
Figure SMS_44
中灰度值等于k的像素数量。
根据本发明的第二方面，一种红外目标检测装置，应用于边缘计算平台。所述红外目标检测装置包括：
预处理模块，用于对目标图像进行增强，得到增强图像；
候选区域检测模块，用于对所述增强图像进行候选区域检测；
特征向量计算模块，用于计算所述候选区域的特征向量；
分类模块，用于对所述特征向量进行分类，得到候选区域为红外目标的概率以及候选区域为非红外目标的概率；
目标判断模块，用于判断候选区域为红外目标的概率是否大于候选区域为非红外目标的概率，若是，则所述候选区域为红外目标。
进一步地，所述预处理模块具体用于：
将目标图像分别输入多个并行的滤波单元，得到多个浅层特征图，所述滤波单元包括顺次设置的二维滤波器和第一Relu函数；
将所述多个浅层特征图合并为三维的浅层特征矩阵；
利用卷积核对三维的浅层特征矩阵进行处理，得到中间层的特征矩阵；
利用第二Relu函数对中间层的特征矩阵进行处理，得到高层特征矩阵；
对高层特征矩阵进行灰度归一化处理，得到归一化后的高层特征矩阵；
将归一化后的高层特征矩阵与红外图像进行叠加，得到增强图像。
根据本发明的第三方面，一种电子设备，包括处理器、存储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指令时实现如本发明的第一方面所述的红外目标检测方法。
根据本发明的第四方面，一种存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行本发明的第一方面所述的红外目标检测方法。
本发明的有益效果是：
（1）本发明在图像预处理阶段采用轻量化的卷积网络架构，一方面提高了目标与背景的对比度，另一方面充分利用了边缘计算平台的卷积运算算子充分提高计算效率，减少了算法所需的运算时间；
（2）本发明在目标的候选区域提取阶段，采用简单且鲁棒性强的全局阈值分割方法，提高了算法的计算速度；
（3）本发明在目标的特征提取阶段，采用确定的特征计算方法，设计了一种鲁棒性好计算量小的特征向量；
（4）本发明通过对已有红外弱小目标数据集的学习，自动学习候选区域特征与目标之间的函数关系，解决了人工设计候选区域特征与目标之间函数关系的问题；
（5）本发明针对单个目标区域采用结构和参数灵活的轻量化神经网络达到红外弱小目标识别的目的，该方法计算量小，且多个候选区域可以进行并行计算，适用于边缘计算平台。
附图说明
图1为本发明中红外目标检测方法的一种实施例的流程图；
图2为本发明中目标图像进行增强方法的一种示意图；
图3为本发明中全局分割阈值计算方法的一种示意图；
图4为本发明中分类网络的一种示意图；
图5为本发明中红外目标检测装置的一种实施例的组成框图。
具体实施方式
下面将结合实施例，对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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，本领域技术人员在没有付出创造性劳动的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。
参阅图1至图5，本实施例提供了一种红外目标检测方法、装置、电子设备及存储介质：
本实施例的第一方面提供了一种红外目标检测方法，应用于边缘计算平台。如图1所示，所述红外目标检测方法包括步骤S100至步骤S500，以下详细说明。
步骤S100. 对目标图像进行增强，得到增强图像。
在一些实施例中，对目标图像进行增强，得到增强图像，包括步骤S110至步骤S160。
步骤S110.将目标图像分别输入多个并行的滤波单元，得到多个浅层特征图，所述滤波单元包括顺次设置的二维滤波器和第一Relu函数。
例如，如图2所示，将目标图像通过4个并行的3×3×1的二维滤波器（C1、C2、C3、C4），然后将经每个二维滤波器滤波后的目标图像经过一个Relu函数。其中，
Figure SMS_45
Figure SMS_46
Figure SMS_47
Figure SMS_48
步骤S120.将所述多个浅层特征图合并为三维的浅层特征矩阵。
例如，图中2中，目标图像
Figure SMS_49
通过通道合并得到一个/>
Figure SMS_50
的特征图
Figure SMS_51
，其中，N表示输入红外图像的行数；M表示输入红外图像的列数x,y,k代表浅层特征图中某个元素的位置；0≤x≤N-1，且x为整数；0≤y≤M-1，且y为整数；0≤k≤3，且k为整数。
步骤S130.利用卷积核对三维的浅层特征矩阵进行处理，得到中间层的特征矩阵。
例如，图中2中采用1×1×4的卷积核对特征图
Figure SMS_52
进行处理。其中，卷积核为：
Figure SMS_53
。
步骤S140.利用第二Relu函数对中间层的特征矩阵进行处理，得到高层特征矩阵。
步骤S150.对高层特征矩阵进行灰度归一化处理，得到归一化后的高层特征矩阵。
步骤S160.将归一化后的高层特征矩阵与红外图像进行叠加，得到增强图像。
本实施例中，多个滤波单元可以并行进行，有利于算法的加速。同时由于采用了卷积神经网络的计算架构，可以有效利用现有的针对边缘计算平台的卷积加速算子对算法进行加速，从而有效提高了算法的执行效率。
步骤S200. 检测所述增强图像中的候选区域。
在一些实施例中，检测所述增强图像中的候选区域，包括步骤S210至步骤S230。
步骤S210.计算增强图像的全局分割阈值。
具体的，计算增强图像的全局分割阈值，包括：计算增强图像的灰度直方图；从最大灰度值开始，统计增强图像的灰度值大于该灰度值的像素数量；当增强图像的灰度值大于某个灰度值的像素数量大于设定的阈值时，该灰度值即为全局分割的阈值。如图3所示，其中图像的灰度直方图
Figure SMS_54
的计算公式如下：
Figure SMS_55
式中，
Figure SMS_56
为图像数据的位数；/>
Figure SMS_57
为增强图像，x,y表示图像中某个像素的位置，0≤x≤N-1，且x为整数；0≤y≤M-1，且y为整数；/>
Figure SMS_58
表示计数。
图3中j表示灰度值，Ncount表示像素计数器的计数值，
Figure SMS_59
表示预分割的像素占总像素的比例值。
步骤S220.基于所述全局分割阈值对增强图像进行二值化分隔，得到二值化图像。
步骤S230.计算二值化图像的联通区域，得到标记后的图像，并得到每个联通区域的最大外接矩形的坐标，并标记为候选区域。
步骤S300. 计算所述候选区域的特征向量。
在一些实施例中，所述特征向量的计算公式为：
Figure SMS_60
式中，
Figure SMS_61
表示候选区域的特征向量，/>
Figure SMS_62
为候选区域的面积比，/>
Figure SMS_63
为候选区域的长宽比，/>
Figure SMS_64
为候选区域的局部灰度对比度，/>
Figure SMS_65
为候选区域的局部灰度熵，/>
Figure SMS_66
为候选区域的局部对比度，/>
Figure SMS_67
为候选区域的局部熵。
具体的，候选区域的面积比的计算公式为：
Figure SMS_68
式中，
Figure SMS_69
为标记了候选区域后的图像，/>
Figure SMS_70
为第i个联通区域列坐标的最大值；/>
Figure SMS_71
为第i个联通区域列坐标的最小值；/>
Figure SMS_72
为第i个联通区域行坐标的最大值；/>
Figure SMS_73
为第i个联通区域行坐标的最小值。
候选区域的长宽比的计算公式为：
Figure SMS_74
。
候选区域的局部灰度对比度的计算方法为：
计算候选区域的灰度均值
Figure SMS_75
；
计算背景区域的灰度均值：
Figure SMS_76
候选区域的局部灰度对比度的计算公式为：
Figure SMS_77
；
式中，
Figure SMS_78
为原始图像第i个联通区域的灰度均值；/>
Figure SMS_79
为原始图像第i个联通区域的背景均值；/>
Figure SMS_80
为大于或等于1的整数，可根据实际应用场景设置，/>
Figure SMS_81
，
Figure SMS_82
；/>
Figure SMS_83
表示求取均值。
候选区域的局部灰度熵的计算方法为：对
Figure SMS_84
区域内的原始图像/>
Figure SMS_85
进行直方图统计，得到每个候选区域内的灰度直方图/>
Figure SMS_86
，按照下式计算候选区域的局部灰度熵：
Figure SMS_87
。
式中，
Figure SMS_88
为大于或等于1的整数，可根据实际应用场景设置；/>
Figure SMS_89
为图像的灰度值；
Figure SMS_90
为/>
Figure SMS_91
中灰度值等于k的像素数量；D为图像数据的位数；/>
Figure SMS_92
表示取自然对数。
候选区域的局部对比度的计算方法为：
计算候选区域的增强图像均值
Figure SMS_93
；
计算增强图像背景区域的灰度均值：
Figure SMS_94
候选区域的局部对比度的计算公式为：
Figure SMS_95
式中，
Figure SMS_96
为大于或等于1的整数，可根据实际应用场景设置；/>
Figure SMS_97
为增强图像第i个联通区域的均值；/>
Figure SMS_98
为增强图像第i个联通区域背景的均值；/>
Figure SMS_99
用于判断括号内的条件是否满足。
候选区域的局部熵的计算方法为：
对
Figure SMS_100
区域内的增强图像
Figure SMS_101
进行直方图统计，得到每个候选区域内的增强图像直方图/>
Figure SMS_102
，按照下式计算增强图像候选区域的局部熵：
Figure SMS_103
。
式中，
Figure SMS_104
为大于或等于1的整数，可根据实际应用场景设置；/>
Figure SMS_105
表示/>
Figure SMS_106
中灰度值等于k的像素数量。
步骤S400. 将所述特征向量输入预先构建的分类网络，得到候选区域为红外目标的概率以及候选区域为非红外目标的概率。
步骤S500. 判断候选区域为红外目标的概率是否大于候选区域为非红外目标的概率，若是，则所述候选区域为红外目标。
在一些实施例中，经过目标特征提取后，每一个目标的特征被抽象为一个
Figure SMS_107
的特征向量/>
Figure SMS_108
。特征向量/>
Figure SMS_109
经过图4所示的一个轻量化分类网络，可以判断候选区域是否为红外弱小目标。其中，
Figure SMS_110
Figure SMS_111
表示隐藏层的输出；/>
Figure SMS_112
表示最终分类层的输出；/>
Figure SMS_113
表示激活函数；
Figure SMS_114
分别代表了候选区域为红外弱小目标的概率和候选区域为非红外弱小目标的概率。当/>
Figure SMS_115
时，候选区域是红外弱小目标；否则候选区域不是红外弱小目标。
Figure SMS_116
的值可以利用已有的数据训练得到。目标识别网络的中间层的数量可以根据边缘计算平台的算力灵活设计。本实施例中多个目标识别区域可以并行计算，提高边缘计算平台的计算资源利用效率，减少了运算时间。
本实施例的第二方面提供了一种红外目标检测装置，应用于边缘计算平台。如图5所示，所述红外目标检测装置包括预处理模块、候选区域检测模块、特征向量计算模块、分类模块和目标判断模块。
预处理模块用于对目标图像进行增强，得到增强图像。在一些实施例中，所述预处理模块具体用于：将目标图像分别输入多个并行的滤波单元，得到多个浅层特征图，所述滤波单元包括顺次设置的二维滤波器和第一Relu函数；将所述多个浅层特征图合并为三维的浅层特征矩阵；利用卷积核对三维的浅层特征矩阵进行处理，得到中间层的特征矩阵；利用第二Relu函数对中间层的特征矩阵进行处理，得到高层特征矩阵；对高层特征矩阵进行灰度归一化处理，得到归一化后的高层特征矩阵；将归一化后的高层特征矩阵与红外图像进行叠加，得到增强图像。关于所述预处理模块的具体描述可参对所述步骤S100的描述。
候选区域检测模块用于对所述增强图像进行候选区域检测。在一些实施例中，所述候选区域检测模块具体用于：计算增强图像的全局分割阈值；基于所述全局分割阈值对增强图像进行二值化分隔，得到二值化图像；计算二值化图像的联通区域，得到标记后的图像，并得到每个联通区域的最大外接矩形的坐标，并标记为候选区域。关于所述候选区域检测模块的具体描述可参对所述步骤S200的描述。
特征向量计算模块用于计算所述候选区域的特征向量。关于所述特征向量计算模块的具体描述可参对所述步骤S300的描述。
分类模块用于对所述特征向量进行分类，得到候选区域为红外目标的概率以及候选区域为非红外目标的概率。关于所述分类模块的具体描述可参对所述步骤S400的描述。
目标判断模块用于判断候选区域为红外目标的概率是否大于候选区域为非红外目标的概率，若是，则所述候选区域为红外目标。关于所述目标判断模块的具体描述可参对所述步骤S500的描述。
本实施例中的第三方面提供了一种电子设备，所述电子设备包括处理器、存储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指令时实现如本实施例的第一方面所述的红外目标检测方法。
本实施例的第四方面提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行本实施例的第一方面所述的红外目标检测方法。
以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (9)

1.一种红外目标检测方法，应用于边缘计算平台，其特征在于，所述红外目标检测方法包括：
对目标图像进行增强，得到增强图像；
检测所述增强图像中的候选区域；
计算所述候选区域的特征向量；
将所述特征向量输入预先构建的分类网络，得到候选区域为红外目标的概率以及候选区域为非红外目标的概率；
判断候选区域为红外目标的概率是否大于候选区域为非红外目标的概率，若是，则所述候选区域为红外目标；
所述特征向量的计算公式为：
Figure QLYQS_1
式中，
Figure QLYQS_2
表示候选区域的特征向量，/>
Figure QLYQS_3
为候选区域的面积比，/>
Figure QLYQS_4
为候选区域的长宽比，/>
Figure QLYQS_5
为候选区域的局部灰度对比度，/>
Figure QLYQS_6
为候选区域的局部灰度熵，/>
Figure QLYQS_7
为候选区域的局部对比度，/>
Figure QLYQS_8
为候选区域的局部熵。
2.根据权利要求1所述的一种红外目标检测方法，其特征在于，对目标图像进行增强，得到增强图像，包括：
将目标图像分别输入多个并行的滤波单元，得到多个浅层特征图，所述滤波单元包括顺次设置的二维滤波器和第一Relu函数；
将所述多个浅层特征图合并为三维的浅层特征矩阵；
利用卷积核对三维的浅层特征矩阵进行处理，得到中间层的特征矩阵；
利用第二Relu函数对中间层的特征矩阵进行处理，得到高层特征矩阵；
对高层特征矩阵进行灰度归一化处理，得到归一化后的高层特征矩阵；
将归一化后的高层特征矩阵与红外图像进行叠加，得到增强图像。
3.根据权利要求1所述的一种红外目标检测方法，其特征在于，检测所述增强图像中的候选区域，包括：
计算增强图像的全局分割阈值；
基于所述全局分割阈值对增强图像进行二值化分隔，得到二值化图像；
计算二值化图像的联通区域，将每一个联通区域内的像素点均标记为同一个唯一的序号，得到标记后的图像，计算每个联通区域的最大外接矩形的坐标，将所有联通区域均标记为候选区域。
4.根据权利要求3所述的一种红外目标检测方法，其特征在于，计算增强图像的全局分割阈值，包括：
计算增强图像的灰度直方图；
从最大灰度值开始，统计增强图像的灰度值大于该灰度值的像素数量；
当增强图像的灰度值大于某个灰度值的像素数量大于设定的阈值时，该灰度值即为全局分割的阈值。
5.根据权利要求1所述的一种红外目标检测方法，其特征在于，候选区域的面积比的计算公式为：
Figure QLYQS_9
式中，
Figure QLYQS_10
为标记了候选区域后的图像，/>
Figure QLYQS_11
为第i个联通区域列坐标的最大值；
Figure QLYQS_12
为第i个联通区域列坐标的最小值；/>
Figure QLYQS_13
为第i个联通区域行坐标的最大值；/>
Figure QLYQS_14
为第i个联通区域行坐标的最小值；i为联通区域的标记号；/>
Figure QLYQS_15
表示计数；/>
Figure QLYQS_16
表示是否等于；
候选区域的长宽比的计算公式为：
Figure QLYQS_17
；
候选区域的局部灰度对比度的计算公式为：
Figure QLYQS_18
式中，
Figure QLYQS_19
为原始图像第i个联通区域的灰度均值；/>
Figure QLYQS_20
为原始图像第i个联通区域的背景均值；/>
Figure QLYQS_21
为大于或等于1的整数；/>
Figure QLYQS_22
表示求取均值；/>
Figure QLYQS_23
，/>
Figure QLYQS_24
；
候选区域的局部灰度熵的计算公式为：
Figure QLYQS_25
式中，
Figure QLYQS_28
为图像的灰度值；/>
Figure QLYQS_29
为对
Figure QLYQS_32
区域内的原始图像/>
Figure QLYQS_26
进行直方图统计得到的每个候选区域内的灰度直方图；/>
Figure QLYQS_30
为大于或等于1的整数；/>
Figure QLYQS_31
为/>
Figure QLYQS_33
中灰度值等于k的像素数量；D为图像数据的位数；/>
Figure QLYQS_27
表示取自然对数；
候选区域的局部对比度的计算公式为：
Figure QLYQS_34
式中，
Figure QLYQS_35
为大于或等于1的整数；/>
Figure QLYQS_36
为增强图像第i个联通区域的均值；/>
Figure QLYQS_37
为增强图像第i个联通区域背景的均值；/>
Figure QLYQS_38
用于判断括号内的条件是否满足；
候选区域的局部熵的计算公式：
Figure QLYQS_39
式中，
Figure QLYQS_40
为对/>
Figure QLYQS_41
区域内的增强图像
Figure QLYQS_42
进行直方图统计得到的每个候选区域内的增强图像直方图；/>
Figure QLYQS_43
表示/>
Figure QLYQS_44
中灰度值等于k的像素数量。
6.一种红外目标检测装置，应用于边缘计算平台，其特征在于，所述红外目标检测装置包括：
预处理模块，用于对目标图像进行增强，得到增强图像；
候选区域检测模块，用于对所述增强图像进行候选区域检测；
特征向量计算模块，用于计算所述候选区域的特征向量；
分类模块，用于对所述特征向量进行分类，得到候选区域为红外目标的概率以及候选区域为非红外目标的概率；
目标判断模块，用于判断候选区域为红外目标的概率是否大于候选区域为非红外目标的概率，若是，则所述候选区域为红外目标；
所述特征向量的计算公式为：
Figure QLYQS_45
式中，
Figure QLYQS_46
表示候选区域的特征向量，/>
Figure QLYQS_47
为候选区域的面积比，/>
Figure QLYQS_48
为候选区域的长宽比，/>
Figure QLYQS_49
为候选区域的局部灰度对比度，/>
Figure QLYQS_50
为候选区域的局部灰度熵，/>
Figure QLYQS_51
为候选区域的局部对比度，/>
Figure QLYQS_52
为候选区域的局部熵。
7.根据权利要求6所述的一种红外目标检测装置，其特征在于，所述预处理模块具体用于：
将目标图像分别输入多个并行的滤波单元，得到多个浅层特征图，所述滤波单元包括顺次设置的二维滤波器和第一Relu函数；
将所述多个浅层特征图合并为三维的浅层特征矩阵；
利用卷积核对三维的浅层特征矩阵进行处理，得到中间层的特征矩阵；
利用第二Relu函数对中间层的特征矩阵进行处理，得到高层特征矩阵；
对高层特征矩阵进行灰度归一化处理，得到归一化后的高层特征矩阵；
将归一化后的高层特征矩阵与红外图像进行叠加，得到增强图像。
8.一种电子设备，其特征在于，包括处理器、存储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指令时实现如权利要求1至5中任一项所述的红外目标检测方法。
9.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1至5中任一所述的红外目标检测方法。
CN202310287772.7A 2023-03-23 2023-03-23 一种红外目标检测方法、装置、电子设备及存储介质 Active CN116012659B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310287772.7A CN116012659B (zh) 2023-03-23 2023-03-23 一种红外目标检测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310287772.7A CN116012659B (zh) 2023-03-23 2023-03-23 一种红外目标检测方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN116012659A CN116012659A (zh) 2023-04-25
CN116012659B true CN116012659B (zh) 2023-06-30

Family

ID=86033883

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310287772.7A Active CN116012659B (zh) 2023-03-23 2023-03-23 一种红外目标检测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN116012659B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117576488B (zh) * 2024-01-17 2024-04-05 海豚乐智科技(成都)有限责任公司 一种基于目标图像重建的红外弱小目标检测方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111738314A (zh) * 2020-06-09 2020-10-02 南通大学 基于浅层融合的多模态图像能见度检测模型的深度学习方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106093066B (zh) * 2016-06-24 2018-11-30 安徽工业大学 一种基于改进的机器视觉注意机制的磁瓦表面缺陷检测方法
CN109523524B (zh) * 2018-11-07 2020-07-03 电子科技大学 一种基于集成学习的眼底图像硬性渗出检测方法
CN110889843B (zh) * 2019-11-29 2023-04-18 西安电子科技大学 基于最大稳定极值区域的sar图像舰船目标检测方法
US20220392065A1 (en) * 2020-01-07 2022-12-08 Cleerly, Inc. Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking
CN112541395A (zh) * 2020-11-13 2021-03-23 浙江大华技术股份有限公司 一种目标检测和跟踪方法、装置、存储介质及电子装置
CN112733950A (zh) * 2021-01-18 2021-04-30 湖北工业大学 一种基于图像融合与目标检测结合的电力设备故障诊断方法
CN113822279B (zh) * 2021-11-22 2022-02-11 中国空气动力研究与发展中心计算空气动力研究所 基于多特征融合的红外目标检测方法、装置、设备及介质

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111738314A (zh) * 2020-06-09 2020-10-02 南通大学 基于浅层融合的多模态图像能见度检测模型的深度学习方法

Also Published As

Publication number Publication date
CN116012659A (zh) 2023-04-25

Similar Documents

Publication Publication Date Title
CN110060237B (zh) 一种故障检测方法、装置、设备及系统
CN111310862A (zh) 复杂环境下基于图像增强的深度神经网络车牌定位方法
CN109815863B (zh) 基于深度学习和图像识别的烟火检测方法和系统
CN111369581A (zh) 图像处理方法、装置、设备及存储介质
CN111539343B (zh) 一种基于卷积注意力网络的黑烟车检测方法
CN111860439A (zh) 一种无人机巡检图像缺陷检测方法、系统及设备
CN110097522B (zh) 一种基于多尺度卷积神经网络的单幅户外图像去雾方法
CN111680690B (zh) 一种文字识别方法及装置
CN111079739A (zh) 一种多尺度注意力特征检测方法
CN116012659B (zh) 一种红外目标检测方法、装置、电子设备及存储介质
CN110991444A (zh) 面向复杂场景的车牌识别方法及装置
CN111951283A (zh) 一种基于深度学习的医学图像识别方法及系统
CN111626295A (zh) 车牌检测模型的训练方法和装置
CN111242026A (zh) 一种基于空间层次感知模块和度量学习的遥感图像目标检测方法
CN116311214B (zh) 车牌识别方法和装置
CN113870293A (zh) 图像处理方法、装置、电子设备及存储介质
CN113436162A (zh) 一种水下机器人液压油管道表面焊缝缺陷识别方法及装置
CN113705461A (zh) 人脸清晰度检测方法、装置、设备及存储介质
CN113011322A (zh) 监控视频特定异常行为的检测模型训练方法及检测方法
CN113012068A (zh) 图像去噪方法、装置、电子设备及计算机可读存储介质
Chen et al. Nonuniformly dehaze network for visible remote sensing images
CN113963333B (zh) 一种基于改进yolof模型的交通标志牌检测方法
Chen et al. Image splicing localization using residual image and residual-based fully convolutional network
Liu et al. Local multi-scale feature aggregation network for real-time image dehazing
CN112132867B (zh) 一种遥感影像变化检测方法及装置

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