CN116363390A - 一种红外弱小目标检测方法、装置、存储介质及电子设备 - Google Patents
一种红外弱小目标检测方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN116363390A CN116363390A CN202310598305.6A CN202310598305A CN116363390A CN 116363390 A CN116363390 A CN 116363390A CN 202310598305 A CN202310598305 A CN 202310598305A CN 116363390 A CN116363390 A CN 116363390A
- Authority
- CN
- China
- Prior art keywords
- gray value
- pixel point
- determining
- detected
- image
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 195
- 238000000034 method Methods 0.000 claims abstract description 56
- 238000012549 training Methods 0.000 claims description 33
- 238000004088 simulation Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 16
- 238000010586 diagram Methods 0.000 description 19
- 230000008569 process Effects 0.000 description 16
- 230000006870 function Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000002238 attenuated effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/469—Contour-based spatial representations, e.g. vector-coding
- G06V10/473—Contour-based spatial representations, e.g. vector-coding using gradient analysis
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本说明书公开了一种红外弱小目标检测方法、装置、存储介质及电子设备，包括：针对获取到的待检测的红外图像的每一个像素点，以该像素点为中心，将待检测的红外图像划分成若干区域，再从划分出的各区域中，确定该像素点的中心区域、各第一区域和各第二区域。再确定该像素点的第一灰度值、第二灰度值以及第三灰度值。然后，根据第一灰度值、第二灰度值和第三灰度值，确定该像素点的梯度特征。根据各像素点的梯度特征，确定待检测的红外图像的显著特征图。根据显著特征图，确定待检测的红外图像的目标检测结果。可以减少噪声和杂波点对红外弱小目标检测结果的影响，提高对红外弱小目标检测的速度以及准确度。
Description
技术领域
本说明书涉及计算机技术领域，尤其涉及一种红外弱小目标检测方法、装置、存储介质及电子设备。
背景技术
随着科技的不断发展，红外探测得到广泛的应用。
现有的红外探测技术中，如何进行红外弱小目标检是一个技术难点。其中，红外弱小目标，是指红外辐射能量在经过长距离的传输路径衰减后，红外辐射能量减弱，且在红外图像中占用的像素比较少，比如几个像素，缺乏丰富的形状和纹理特征的目标物。在红外图像中，红外弱小目标与背景的对比度较低，难以识别。
基于此，本说明书提供了一种红外弱小目标检测方法。
发明内容
本说明书提供一种红外弱小目标检测方法、装置、存储介质及电子设备，以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案：
本说明书提供了一种红外弱小目标检测方法，包括：
获取待检测的红外图像；
针对所述待检测的红外图像的每一个像素点，以该像素点为中心，将所述待检测的红外图像划分为若干区域；
从划分出的各区域中，确定该像素点所在的中心区域，确定与所述中心区域相邻各的第一区域，以及确定与任一第一区域相邻的第二区域；
确定该像素点所在的中心区域的灰度值，作为第一灰度值；根据各第一区域的灰度值，确定该像素点的第二灰度值；根据各第二区域的灰度值，确定该像素点的第三灰度值；
根据该像素点的第一灰度值、该像素点的第二灰度值和该像素点的第三灰度值，确定该像素点的梯度特征；
根据各像素点的梯度特征，确定所述待检测的红外图像的显著特征图；
根据所述显著特征图，确定所述待检测的红外图像的目标检测结果。
可选地，以该像素点为中心，将所述待检测的红外图像划分为若干区域，具体包括：
在所述待检测的红外图像中，按照预设的第一尺寸，确定以该像素点为中心的指定区域；
将所述指定区域按照预设的第二尺寸进行划分，得到若干区域。
可选地，确定该像素点所在的中心区域的灰度值，作为第一灰度值，具体包括：
确定该像素点所在的中心区域内包含的像素点的灰度值，作为中心灰度值；
将确定出的各中心灰度值的均值作为第一灰度值。
可选地，根据各第一区域的灰度值，确定第二灰度值，具体包括：
针对每一个第一区域，确定该第一区域内包含的像素点的灰度值作为第一子灰度值，将确定出的各第一子灰度值的均值作为该第一区域的灰度值；
确定各第一区域对应的灰度值中最大的灰度值作为该像素点的第二灰度值；
根据各第二区域的灰度值，确定该像素点的第三灰度值，具体包括：
针对每一个第二区域，确定该第二区域内包含的像素点的灰度值作为第二子灰度值，将确定出的各第二子灰度值的均值作为该第二区域的灰度值；
确定各第二区域对应的灰度值中最大的灰度值作为第三灰度值。
可选地，所述梯度特征包括第一梯度特征和第二梯度特征；
根据该像素点的第一灰度值、该像素点的第二灰度值和该像素点的第三灰度值，确定该像素点的梯度特征，具体包括：
根据该像素点的第一灰度值和该像素点的第二灰度值，确定该像素点的第一梯度特征；
根据该像素点的第一灰度值和该像素点的第三灰度值，确定该像素点的第二梯度特征。
可选地，根据该像素点的第一灰度值和该像素点的第二灰度值，确定该像素点的第一梯度特征，具体包括：
若该像素点的第一灰度值大于该像素点的第二灰度值，确定该像素点的第一灰度值减该像素点的第二灰度值的值，作为该像素点的第一梯度特征；
否则，将指定数值作为该像素点的第一梯度特征；
根据该像素点的第一灰度值和该像素点的第三灰度值，确定该像素点的第二梯度特征，具体包括：
若该像素点的第一灰度值大于该像素点的第三灰度值，确定该像素点的第一灰度值减该像素点的第三灰度值的值，作为该像素点的第二梯度特征；
否则，将指定数值作为该像素点的第二梯度特征。
可选地，根据各像素点的梯度特征，确定所述待检测的红外图像的显著特征图，具体包括：
根据各像素点对应的第一梯度特征，确定第一特征图，以及根据各像素点对应的第二梯度特征，确定第二特征图；
根据所述第一特征图和所述第二特征图，确定所述待检测的红外图像的显著特征图。
可选地，根据所述显著特征图，确定所述待检测的红外图像的目标检测结果，具体包括：
根据所述显著特征图，确定所述待检测的红外图像中的待检测的图像块；
将所述待检测的图像块输入预先训练的目标检测模型，得到检测结果；
根据所述检测结果，确定所述待检测的红外图像的目标检测结果。
可选地，根据所述显著特征图，确定所述待检测的红外图像中的待检测的图像块，具体包括：
确定所述显著特征图的最大灰度值和灰度均值；
根据所述最大灰度值和所述灰度均值，确定阈值，并根据所述阈值对所述显著特征图进行阈值化处理；
针对每一个像素点，以该像素点为中心，按照预设的第三尺寸，确定该像素点的图像区域，并根据阈值化处理后的显著特征图，判断该像素点的图像区域是否满足指定条件；
若是，将该像素点的图像区域作为待检测的图像块，否则，不将该像素点的图像区域作为待检测的图像块。
可选地，根据所述检测结果，确定所述待检测的红外图像的目标检测结果，具体包括：
若所述检测结果为目标结果，确定所述待检测的图像块的中心位置的坐标为目标坐标；
否则，确定所述待检测的图像块的中心位置的坐标不为目标坐标；
根据确定出的目标坐标，确定所述待检测的红外图像的目标检测结果。
可选地，预先训练目标检测模型，具体包括：
获取预先存储的红外背景图像、红外图像以及所述红外图像对应的标注；
根据预设的规则，对所述红外背景图像进行添加弱小目标处理；
将处理后的图像作为仿真图像，以及确定所述仿真图像对应的标注；
将所述红外图像和所述仿真图像作为训练样本，并输入待训练的目标检测模型，得到所述待训练的目标检测模型输出的检测结果；
以所述检测结果与所述训练样本对应的标注之间的差异最小为训练目标，对所述待训练的目标检测模型进行训练。
可选地，所述目标检测模型包括若干卷积层、全连接层和分类器；
将所述待检测的图像块输入预先训练的目标检测模型，得到检测结果，具体包括：
将所述待检测的图像块输入预先训练的目标检测模型的卷积层，得到第一特征；
将所述第一特征输入所述目标检测模型的全连接层，得到第二特征；
将所述第二特征输入所述目标检测模型的分类器，得到检测结果。
本说明书提供了一种红外弱小目标检测装置，包括：
获取模块，用于获取待检测的红外图像；
划分模块，用于针对所述待检测的红外图像的每一个像素点，以该像素点为中心，将所述待检测的红外图像划分为若干区域；
第一确定模块，用于从划分出的各区域中，确定该像素点所在的中心区域，确定与所述中心区域相邻的各第一区域，以及确定与任一第一区域相邻的第二区域；
第二确定模块去，用于确定该像素点所在的中心区域的灰度值，作为第一灰度值；根据各第一区域的灰度值，确定该像素点的第二灰度值；根据各第二区域的灰度值，确定该像素点的第三灰度值；
梯度特征模块，用于根据该像素点的第一灰度值、该像素点的第二灰度值和该像素点的第三灰度值，确定该像素点的梯度特征；
显著特征模块，用于根据各像素点的梯度特征，确定所述待检测的红外图像的显著特征图；
检测模块，用于根据所述显著特征图，确定所述待检测的红外图像的目标检测结果。
可选地，所述划分模块具体用于，在所述待检测的红外图像中，按照预设的第一尺寸，确定以该像素点为中心的指定区域；将所述指定区域按照预设的第二尺寸进行划分，得到若干区域。
可选地，所述第二确定模块具体用于，确定该像素点所在的中心区域内包含的像素点的灰度值，作为中心灰度值；将确定出的各中心灰度值的均值作为第一灰度值。
可选地，所述第二确定模块具体用于，针对每一个第一区域，确定该第一区域内包含的像素点的灰度值作为第一子灰度值，将确定出的各第一子灰度值的均值作为该第一区域的灰度值；确定各第一区域对应的灰度值中最大的灰度值作为该像素点的第二灰度值；针对每一个第二区域，确定该第二区域内包含的像素点的灰度值作为第二子灰度值，将确定出的各第二子灰度值的均值作为该第二区域的灰度值；确定各第二区域对应的灰度值中最大的灰度值作为第三灰度值。
可选地，所述梯度特征包括第一梯度特征和第二梯度特征；
所述梯度特征模块具体用于，根据该像素点的第一灰度值和该像素点的第二灰度值，确定该像素点的第一梯度特征；根据该像素点的第一灰度值和该像素点的第三灰度值，确定该像素点的第二梯度特征。
可选地，所述梯度特征模块具体用于，若该像素点的第一灰度值大于该像素点的第二灰度值，确定该像素点的第一灰度值减该像素点的第二灰度值的值，作为该像素点的第一梯度特征；否则，将指定数值作为该像素点的第一梯度特征；若该像素点的第一灰度值大于该像素点的第三灰度值，确定该像素点的第一灰度值减该像素点的第三灰度值的值，作为该像素点的第二梯度特征；否则，将指定数值作为该像素点的第二梯度特征。
可选地，所述显著特征模块具体用于，根据各像素点对应的第一梯度特征，确定第一特征图，以及根据各像素点对应的第二梯度特征，确定第二特征图；根据所述第一特征图和所述第二特征图，确定所述待检测的红外图像的显著特征图。
可选地，所述检测模块具体用于，根据所述显著特征图，确定所述待检测的红外图像中的待检测的图像块；将所述待检测的图像块输入预先训练的目标检测模型，得到检测结果；根据所述检测结果，确定所述待检测的红外图像的目标检测结果。
可选地，所述检测模块具体用于，确定所述显著特征图的最大灰度值和灰度均值；根据所述最大灰度值和所述灰度均值，确定阈值，并根据所述阈值对所述显著特征图进行阈值化处理；针对每一个像素点，以该像素点为中心，按照预设的第三尺寸，确定该像素点的图像区域，并根据阈值化处理后的显著特征图，判断该像素点的图像区域是否满足指定条件；若是，将该像素点的图像区域作为待检测的图像块，否则，不将该像素点的图像区域作为待检测的图像块。
可选地，所述检测模块具体用于，若所述检测结果为目标结果，确定所述待检测的图像块的中心位置的坐标为目标坐标；否则，确定所述待检测的图像块的中心位置的坐标不为目标坐标；根据确定出的目标坐标，确定所述待检测的红外图像的目标检测结果。
可选地，所述装置还包括：
训练模块，用于获取预先存储的红外背景图像、红外图像以及所述红外图像对应的标注；根据预设的规则，对所述红外背景图像进行添加弱小目标处理；将处理后的图像作为仿真图像，以及确定所述仿真图像对应的标注；将所述红外图像和所述仿真图像作为训练样本，并输入待训练的目标检测模型，得到所述待训练的目标检测模型输出的检测结果；以所述检测结果与所述训练样本对应的标注之间的差异最小为训练目标，对所述待训练的目标检测模型进行训练。
可选地，所述目标检测模型包括若干卷积层、全连接层和分类器；
所述检测模块具体用于，将所述待检测的图像块输入预先训练的目标检测模型的卷积层，得到第一特征；将所述第一特征输入所述目标检测模型的全连接层，得到第二特征；将所述第二特征输入所述目标检测模型的分类器，得到检测结果。
本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述红外弱小目标检测方法。
本说明书提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述红外弱小目标检测方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果：
本说明书提供的红外弱小目标检测方法，先获取待检测的红外图像，针对待检测的红外图像的每一个像素点，以该像素点为中心，将待检测的红外图像划分为若干区域。之后，从划分出的各区域中，确定该像素点所在的中心区域，确定与中心区域相邻的各第一区域，以及确定与任一第一区域相邻的第二区域。然后，确定该像素点所在的中心区域的灰度值，作为第一灰度值。根据各第一区域的灰度值，确定该像素点的第二灰度值。根据各第二区域的灰度值，确定该像素点的第三灰度值。再根据该像素点的第一灰度值、该像素点的第二灰度值和该像素点的第三灰度值，确定该像素点的梯度特征。然后，根据各像素点的梯度特征，确定待检测的红外图像的显著特征图，再根据显著特征图，确定待检测的红外图像的目标检测结果。
从上述方法中可以看出，本申请在进行红外弱小目标检测时，针对获取到的待检测的红外图像的每一个像素点，以该像素点为中心，将待检测的红外图像划分成若干区域，再从划分出的各区域中，确定该像素点的中心区域、各第一区域和各第二区域。再确定该像素点的第一灰度值、第二灰度值以及第三灰度值。然后，根据第一灰度值、第二灰度值和第三灰度值，确定该像素点的梯度特征。根据各像素点的梯度特征，确定待检测的红外图像的显著特征图。根据显著特征图，确定待检测的红外图像的目标检测结果。可以减少噪声和杂波点对红外弱小目标检测结果的影响，提高对红外弱小目标检测的速度以及准确度。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：
图1为本说明书中提供的一种红外弱小目标检测方法的流程示意图；
图2为本说明书中提供的一种划分红外图像的示意图；
图3为本说明书中提供的另一种划分红外图像的示意图；
图4为本说明书中提供的一种确定像素点邻域的示意图；
图5为本说明书中提供的另一种确定像素点邻域的示意图；
图6为本说明书中提供的一种目标检测模型的结构的示意图；
图7为本说明书提供的一种红外弱小目标检测装置结构的示意图；
图8为本说明书提供的一种对应于图1的电子设备的结构示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都属于本说明书保护的范围。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
图1为本说明书中提供的一种红外弱小目标检测方法的流程示意图，包括以下步骤：
S100：获取待检测的红外图像。
在本说明书中，用于对红外弱小目标进行检测的设备获取待检测的红外图像，其中，用于对红外弱小目标进行检测的设备可以是服务器，也可以是诸如台式电脑、笔记本电脑等电子设备，还可以为进行红外探测的各种设备以及平台。为了便于描述，下面仅以服务器为执行主体，对本说明书提供的红外弱小目标检测方法进行说明。待检测的红外图像可以为在红外探测过程中，红外探测设备采集到的红外图像，该红外图像可以为包含弱小目标的红外图像，也可以为不包含弱小目标的红外图像，本说明书不做具体限定。
S102：针对所述待检测的红外图像的每一个像素点，以该像素点为中心，将所述待检测的红外图像划分为若干区域。
针对待检测的红外图像的每一个像素点，服务器可以以该像素点为中心，将待检测的红外图像划分为若干区域。具体的，服务器可以针对待检测的红外图像的每一个像素点，以该像素点为中心，按照预设的尺寸，将待检测的红外图像划分为若干区域。其中，预设的尺寸可以为任意预先设置的尺寸，且预设的尺寸小于待检测的红外图像的尺寸，比如3
3。例如，如图2所示，图2为本说明书中提供的一种划分红外图像的示意图，图2中的像素点A为待检测的红外图像O中的一个像素点，以该像素点A为中心，按照3/>
3的尺寸，将待检测的红外图像O划分为若干区域（即图2待检测的红外图像O中各正方形区域），每一个区域中包含9个像素点。
另外，针对待检测的红外图像的每一个像素点，服务器还可以在待检测的红外图像中，按照预设的第一尺寸，确定以该像素点为中心的指定区域，将指定区域按照预设的第二尺寸进行划分，得到若干区域。其中，第一尺寸与第二尺寸均为任意预先设置的尺寸，且小于待检测的红外图像的尺寸，第一尺寸大于第二尺寸。例如，如图3所示，图3为本说明书中提供的另一种划分红外图像的示意图，图3中的像素点A为待检测的红外图像O中的一个像素点，按照15
15（即预设的第一尺寸）的尺寸，确定以该像素点A为中心的指定区域，即图3中的指定区域B。然后，按照3/>
3（即预设的第二尺寸）的尺寸，将指定区域B进行划分，得到为若干区域（即图3指定区域B中各正方形区域），每一个区域中包含9个像素点。
S104：从划分出的各区域中，确定该像素点所在的中心区域，确定与中心区域相邻的各第一区域，以及确定与任一第一区域相邻的第二区域。
服务器可以从划分出的各区域中，确定该像素点所在的中心区域，确定与中心区域相邻的各第一区域，以及确定与任一第一区域相邻的第二区域。其中，第一区域为与中心区域相邻的区域，第二区域为与第一区域相邻，且不为中心区域的区域。沿用上述图2所示的例子，结合图4，图4为本说明书中提供的一种确定像素点邻域的示意图，服务器从划分出的各区域中，将像素点A所在的区域C作为像素点A的中心区域，确定与中心区域C相邻的各区域（即区域D1~D8），作为各第一区域。然后，确定与任一第一区域相邻，且不为中心区域的各区域（即E1~E16），作为各第二区域。
另外，基于在上述步骤S102中服务器先确定该像素点的指定区域，再对指定区域进行划分，得到该像素点的若干区域，服务器还可以从划分出的各区域中，确定该像素点所在的区域为该像素点的中心区域，确定与中心区域相邻的各区域，作为各第一区域，以及确定与任一第一区域相邻的各区域，作为各第二区域。沿用上述图3所示的例子，结合图5，图5为本说明书中提供的另一种确定像素点邻域的示意图，服务器从划分出的各区域中，确定像素点A所在的区域C为该像素点的中心区域，确定与中心区域C相邻的各区域（即区域D1~D8），作为各第一区域，以及确定与任一第一区域相邻，且不为中心区域的各区域（即E1~E16），作为各第二区域。
S106：确定该像素点所在的中心区域的灰度值，作为第一灰度值；根据各第一区域的灰度值，确定该像素点的第二灰度值；根据各第二区域的灰度值，确定该像素点的第三灰度值。
服务器可以确定该像素点所在的中心区域的灰度值，作为第一灰度值。根据各第一区域的灰度值，确定该像素点的第二灰度值。根据各第二区域的灰度值，确定该像素点的第三灰度值。其中，上述确定第一灰度值、第二灰度值和第三灰度值的过程的执行可以不分先后顺序，也可以同时执行，本说明书不做具体限定。
具体的，服务器可以确定该像素点所在的中心区域内包含的像素点的灰度值，作为中心灰度值，将确定出的各中心灰度值的均值作为第一灰度值。然后，针对每一个第一区域，确定该第一区域内包含的像素点的灰度值作为第一子灰度值，将确定出的各第一子灰度值的均值作为该第一区域的灰度值，再确定各第一区域对应的灰度值中最大的灰度值作为该像素点的第二灰度值将各第一区域的灰度值作为该像素点的第二灰度值。之后，针对每一个第二区域，确定该第二区域内包含的像素点的灰度值作为第二子灰度值，将确定出的各第二子灰度值的均值作为该第二区域的灰度值，再将各第二区域的灰度值作为该像素点的第三灰度值。
另外，在上述将各第一区域的灰度值直接作为该像素点的第二灰度值时，服务器可以。相应的，在上述将各第二区域的灰度值直接作为该像素点的第三灰度值时，服务器可以确定各第二区域对应的灰度值中最大的灰度值作为第三灰度值。
S108：根据该像素点的第一灰度值、该像素点的第二灰度值和该像素点的第三灰度值，确定该像素点的梯度特征。
服务器可以根据该像素点的第一灰度值、该像素点的第二灰度值和该像素点的第三灰度值，确定该像素点的梯度特征。其中，梯度特征可以包含第一梯度特征和第二梯度特征。具体的，服务器可以根据该像素点的第一灰度值和该像素点的第二灰度值，确定该像素点的第一梯度特征。根据该像素点的第一灰度值和该像素点的第三灰度值，确定该像素点的第二梯度特征。上述确定第一梯度特征和确定第二梯度特征的过程的执行不分先后顺序，也可以同时执行。
在根据该像素点的第一灰度值和该像素点的第二灰度值，确定该像素点的第一梯度特征时，服务器可以确定该像素点的第二灰度值对应的各第一区域的灰度值中最大的灰度值，作为最大第二灰度值。若该像素点的第一灰度值大于最大第二灰度值，确定该像素点的第一灰度值减最大第二灰度值的值，作为该像素点的第一梯度特征，否则，将指定数值作为该像素点的第一梯度特征。
在根据该像素点的第一灰度值和该像素点的第三灰度值，确定该像素点的第二梯度特征时，服务器可以确定该像素点的第三灰度值对应的各第二区域的灰度值中最大的灰度值，作为最大第三灰度值。若该像素点的第一灰度值大于最大第三灰度值，确定该像素点的第一灰度值减最大第三灰度值的值，作为该像素点的第二梯度特征，否则，将指定数值作为该像素点的第二梯度特征。其中，指定数值为预先设置的数值，比如0。
另外，在上述步骤S106中服务器可以将各第一区域的灰度值中最大的灰度值作为该像素点的第二灰度值，以及将各第二区域的灰度值中最大的灰度值作为该像素点的第三灰度值。因此，在根据该像素点的第一灰度值和该像素点的第二灰度值，确定该像素点的第一梯度特征时，若该像素点的第一灰度值大于该像素点的第二灰度值，确定该像素点的第一灰度值减该像素点的第二灰度值的值，作为该像素点的第一梯度特征，否则，将指定数值作为该像素点的第一梯度特征。相应的，在根据该像素点的第一灰度值和该像素点的第三灰度值，确定该像素点的第二梯度特征时，若该像素点的第一灰度值大于该像素点的第三灰度值，确定该像素点的第一灰度值减该像素点的第三灰度值的值，作为该像素点的第二梯度特征，否则，将指定数值作为该像素点的第二梯度特征。
S110：根据各像素点的梯度特征，确定所述待检测的红外图像的显著特征图。
服务器可以根据各像素点的梯度特征，确定待检测的红外图像的显著特征图。具体的，服务器可以根据各像素点对应的第一梯度特征，确定第一特征图，以及根据各像素点对应的第二梯度特征，确定第二特征图。然后，根据第一特征图和第二特征图，确定待检测的红外图像的显著特征图。
其中，在根据第一特征图和第二特征图，确定待检测的红外图像的显著特征图时，服务器可以将第一特征图和第二特征图进行点乘，确定待检测的红外图像的显著特征图。
S112：根据所述显著特征图，确定所述待检测的红外图像的目标检测结果。
服务器可以根据显著特征图，确定待检测的红外图像的目标检测结果。具体的，服务器可以根据显著特征图，采用预设的阈值，对显著特征图进行阈值化处理。然后，根据阈值化处理后的显著特征图，确定待检测的红外图像的目标检测结果。
在根据阈值化处理后的显著特征图，确定待检测的红外图像的目标检测结果时，服务器可以根据阈值化处理后的显著特征图，对待检测的红外图像进行分割，得到分割结果。根据分割结果，判断待检测的红外图像中是否存在红外弱小目标。当分割出的图像（即分割结果）满足预设条件时，则确定待检测的红外图像中存在红外弱小目标，作为目标检测结果。当分割出的图像不满足预设条件时，则确定待检测的红外图像中不存在红外弱小目标，作为目标检测结果。其中，预设条件可以为预先设置的条件，可以为分割结果中的像素点均达到预设阈值。
为了可以更加准确地识别红外图像中的弱小目标（即红外弱小目标），服务器可以根据显著特征图，确定待检测的红外图像中的待检测的图像块，将待检测的图像块输入预先训练的目标检测模型，得到检测结果。然后，根据检测结果，确定待检测的红外图像的目标检测结果。其中，待检测的图像块为根据显著特征图，从待检测的红外图像中分割出来的图像，并且待检测的图像块均为满足指定条件的图像块，也就是根据显著特征图，对待检测的红外图像进行预处理，将可以存在红外弱小目标的图像块筛选出来，即待检测的图像块。
目标检测模型为预先训练的图像分类模型，目标检测模型的输出类别可以根据业务需求以及业务场景进行设计。比如在对空中的物体进行红外探测时，目标检测模型的输出类别可以为天空、空云（即天空和云）、云以及弱小目标四个分类。目标检测模型的训练过程在下述内容中有具体的描述，在此就不再赘述。
在根据显著特征图，确定待检测的红外图像中的待检测的图像块时，可以确定显著特征图的最大灰度值和灰度均值，根据最大灰度值和灰度均值，确定阈值，并根据阈值对显著特征图进行阈值化处理。然后，根据阈值化处理后的显著特征图，确定待检测的红外图像中的待检测的图像块。其中，待检测的图像块均为满足指定条件的图像块，指定条件为图像块中的目标像素点达到该图像块内的总像素点的预设比例，目标像素点为在阈值化处理后的显著特征图中对应的值是指定阈值的像素点，比如假设阈值化处理后的显著特征图为二值化的特征图，只包含0和1，指定阈值为1，预设比例为80%，图像块中有225个像素点，故当图像块中目标像素点为180个时（即总像素点225的80%），该图像块为待检测的图像块。
在根据最大灰度值和灰度均值，确定阈值时，可以采用下述公式进行计算：
其中，T为阈值，
为灰度均值，/>
为最大灰度值，/>
为人工加权阈值，可以预先设置，比如0.5。
在根据检测结果，确定待检测的红外图像的目标检测结果时，若检测结果为目标结果，确定待检测的图像块为目标图像块，否则，确定待检测的图像块不为目标图像块。然后，根据确定出的目标图像块，在待检测的红外图像中确定红外弱小目标的位置，可以将红外弱小目标的位置作为待检测的红外图像的目标检测结果。其中，目标结果为弱小目标，也就是将待检测的图像块输入目标检测模型之后，得到的检测结果为弱小目标。
从上述方法中可以看出，本申请在进行红外弱小目标检测时，先获取待检测的红外图像，针对待检测的红外图像的每一个像素点，以该像素点为中心，将待检测的红外图像划分为若干区域。之后，从划分出的各区域中，确定该像素点所在的中心区域，确定与中心区域相邻的各第一区域，以及确定与任一第一区域相邻的第二区域。然后，确定该像素点所在的中心区域的灰度值，作为第一灰度值。根据各第一区域的灰度值，确定该像素点的第二灰度值。根据各第二区域的灰度值，确定该像素点的第三灰度值。再根据该像素点的第一灰度值和第二灰度值，确定第一梯度特征，以及根据该像素点的第一灰度值和第三灰度值，确定第二梯度特征。再根据各像素点的第一梯度特征，确定第一特征图，以及根据各像素点的第二梯度特征，确定第二特征图。然后，根据第一特征图和第二特征图，确定显著特征图，通过邻域梯度特征的方式，确定显著特征图，减少噪声和杂波的干扰，使得确定出的显著特征图更加准确，以使后续根据显著特征图，确定出的待检测的红外图像的目标检测结果更加准确。
进一步地，可以通过根据显著特征图，对待检测的红外图像进行初筛选，将筛选得到的图像块作为待检测图像块，加快对红外图像中的弱小目标检测的速度。然后，将待检测的图像块输入预先训练的目标检测模型，得到检测结果，再根据检测结果，确定待检测的红外图像的目标检测结果。通过先对待检测的红外图像进行初筛选，再将筛选后的图像块输入目标检测模型，得到检测结果，根据检测结果，确定待检测的红外图像的目标检测结果，利用目标检测模型进行精筛选，提高对红外图像中的弱小目标检测的准确度。同时，该方法简单，可以灵活地移植到低算力、低功耗的嵌入式设备中应用，降低对红外弱小目标检测的成本。
在上述步骤S112根据阈值化处理后的显著特征图，确定待检测的红外图像中的待检测的图像块时，服务器可以针对每一个像素点，以该像素点为中心，按照预设的第三尺寸，确定该像素点的图像区域，并根据阈值化处理后的显著特征图，判断该像素点的图像区域是否满足指定条件。若是，将该像素点的图像区域作为待检测的图像块，否则，不将该像素点的图像区域作为待检测的图像块。
其中，第三尺寸可以与第一尺寸的大小一致，还可以为任意预设的尺寸。但是，由于像素点的梯度特征可以为基于第一尺寸内的像素点进行确定的，且显著特征图是根据梯度特征得到的，若第三尺寸与第一尺寸的大小一致，可以使得筛选出的待检测的图像块可以更加准确，减少由于第三尺寸与第一尺寸的大小不一致可能带来的误差。
为了避免图像块内其他物体对红外弱小目标识别的干扰，服务器可以对于每一个像素点所在的图像块进行检测，当检测结果为目标结果时，则说明该像素点红外弱小目标。因此，在根据检测结果，确定所述待检测的红外图像的目标检测结果时，若检测结果为目标结果，确定待检测的图像块的中心位置的坐标为目标坐标，否则，确定待检测的图像块的中心位置的坐标不为目标坐标。然后，根据确定出的目标坐标，确定待检测的红外图像的目标检测结果。
当待检测的图像块的检测结果为弱小目标时，说明该待检测的图像块的中心位置为弱小目标，故可以将该待检测的图像块的中心位置的坐标作为目标坐标，当待检测的图像块的检测结果不为弱小目标时，说明该待检测的图像块的中心位置不为弱小目标，故可以不将待检测的图像块的中心位置的坐标作为目标坐标。基于此，在得到目标坐标之后，可以根据各目标坐标，在待检测的红外图像中，确定红外弱小目标的位置，可以将红外弱小目标的位置作为待检测的红外图像的目标检测结果。
在本说明书中，在对目标检测模型进行训练时，服务器可以获取预先存储的红外背景图像、红外图像以及红外图像对应的标注。根据预设的规则，对红外背景图像进行添加弱小目标处理，再将处理后的图像作为仿真图像，以及确定仿真图像对应的标注。然后，将红外图像和仿真图像作为训练样本，并输入待训练的目标检测模型，得到待训练的目标检测模型输出的检测结果，以检测结果与训练样本对应的标注之间的差异最小为训练目标，对待训练的目标检测模型进行训练。
其中，目标检测模型可以包括若干卷积层、全连接层和分类器，具体的模型结构可以根据业务需求进行设计，比如如图6所示，图6为本说明书中提供的一种目标检测模型的结构的示意图，图6中的目标检测模型可以包含4层卷积层、1层全连接层和1个分类器，前3个卷积核的尺寸可以为3
3，第4个卷积核的尺寸可以为2/>
2。
因此，在目标检测模型的应用过程中，服务器将待检测的图像块输入预先训练的目标检测模型的卷积层，得到第一特征，将第一特征输入目标检测模型的全连接层，得到第二特征。之后，将第二特征输入目标检测模型的分类器，得到检测结果。其中，卷积层可以为若干个，则在应用的过程中，将待检测的图像块输入卷积层，依次经过每一个卷积层，最终得到第一特征。
继续沿用上述图6所示的例子，将15
15的待检测的图像块输入卷积核的尺寸可以为3/>
3的第一个卷积层，得到32个特征，接着输入卷积核的尺寸可以为3/>
3的第二个卷积层，得到64个特征，接着输入卷积核的尺寸可以为3/>
3的第三个卷积层，得到128个特征，再接着输入卷积核的尺寸可以为2/>
2的第四个卷积层，得到64个特征，作为第一特征。然后，将第一特征输入全连接层，得到第二特征，再将第二特征输入分类器，得到待检测的图像块的检测结果。
在本说明书中，红外图像为历史上预先存储的红外图像，该红外图像中可以包含红外弱小目标，也可以为不包含红外弱小目标，红外图像中包含的内容不同，其对应的标注也不同。比如红外图像中包含红外弱小目标，则其对应的标注为弱小目标。再比如红外图像中不包含红外弱小目标，且红外图像仅包含天空，则其对应的标注为天空。红外背景图像为不包含红外弱小目标的背景图像，比如只包含天空和云的空云图像，再比如只包含云的云图像。预设的规则可以为随机生成人工弱小目标（即红外弱小目标）的尺寸以及随机生成人工弱小目标的添加位置。
由于在向红外背景图像中添加人工弱小目标时，服务器可以向红外背景图像中的任意位置添加任意大小的人工弱小目标，并将添加人工弱小目标之后的图像作为仿真图像，该仿真图像对应的标注为添加的人工弱小目标。将得到的仿真图像应用于后续目标检测模型的训练过程中，使得目标检测模型可以更加准确的识别弱小目标，提高对红外弱小目标的检测能力。
在本说明书中，服务器还可以对历史上预先存储的红外图像进行去除红外弱小目标处理，得到不包含红外弱小目标的红外背景图像。之后，根据红外背景图像得到仿真图像，具体过程如上述根据红外背景图像得到仿真图像的过程，在此就不再赘述。其中，服务器可以采用任意已有的手段对红外图像进行去除红外弱小目标处理，本说明书不做具体限定。
以上为本说明书的一个或多个实施的方法，基于同样的思路，本说明书还提供了相应的红外弱小目标检测装置，如图7所示。
图7为本说明书提供的一种的红外弱小目标检测装置的示意图，包括：
获取模块200，用于获取待检测的红外图像；
划分模块202，用于针对所述待检测的红外图像的每一个像素点，以该像素点为中心，将所述待检测的红外图像划分为若干区域；
第一确定模块204，用于从划分出的各区域中，确定该像素点所在的中心区域，确定与所述中心区域相邻的各第一区域，以及确定与任一第一区域相邻的第二区域；
第二确定模块206，用于确定该像素点所在的中心区域的灰度值，作为第一灰度值；根据各第一区域的灰度值，确定该像素点的第二灰度值；根据各第二区域的灰度值，确定该像素点的第三灰度值；
梯度特征模块208，用于根据该像素点的第一灰度值、该像素点的第二灰度值和该像素点的第三灰度值，确定该像素点的梯度特征；
显著特征模块210，用于根据各像素点的梯度特征，确定所述待检测的红外图像的显著特征图；
检测模块212，用于根据所述显著特征图，确定所述待检测的红外图像的目标检测结果。
可选地，所述划分模块202具体用于，在所述待检测的红外图像中，按照预设的第一尺寸，确定以该像素点为中心的指定区域；将所述指定区域按照预设的第二尺寸进行划分，得到若干区域。
可选地，所述第二确定模块206具体用于，确定该像素点所在的中心区域内包含的像素点的灰度值，作为中心灰度值；将确定出的各中心灰度值的均值作为第一灰度值。
可选地，所述第二确定模块206具体用于，针对每一个第一区域，确定该第一区域内包含的像素点的灰度值作为第一子灰度值，将确定出的各第一子灰度值的均值作为该第一区域的灰度值；确定各第一区域对应的灰度值中最大的灰度值作为该像素点的第二灰度值；针对每一个第二区域，确定该第二区域内包含的像素点的灰度值作为第二子灰度值，将确定出的各第二子灰度值的均值作为该第二区域的灰度值；确定各第二区域对应的灰度值中最大的灰度值作为第三灰度值。
可选地，所述梯度特征包括第一梯度特征和第二梯度特征；
所述梯度特征模块208具体用于，根据该像素点的第一灰度值和该像素点的第二灰度值，确定该像素点的第一梯度特征；根据该像素点的第一灰度值和该像素点的第三灰度值，确定该像素点的第二梯度特征。
可选地，所述梯度特征模块208具体用于，若该像素点的第一灰度值大于该像素点的第二灰度值，确定该像素点的第一灰度值减该像素点的第二灰度值的值，作为该像素点的第一梯度特征；否则，将指定数值作为该像素点的第一梯度特征；若该像素点的第一灰度值大于该像素点的第三灰度值，确定该像素点的第一灰度值减该像素点的第三灰度值的值，作为该像素点的第二梯度特征；否则，将指定数值作为该像素点的第二梯度特征。
可选地，所述显著特征模块210具体用于，根据各像素点对应的第一梯度特征，确定第一特征图，以及根据各像素点对应的第二梯度特征，确定第二特征图；根据所述第一特征图和所述第二特征图，确定所述待检测的红外图像的显著特征图。
可选地，所述检测模块212具体用于，根据所述显著特征图，确定所述待检测的红外图像中的待检测的图像块；将所述待检测的图像块输入预先训练的目标检测模型，得到检测结果；根据所述检测结果，确定所述待检测的红外图像的目标检测结果。
可选地，所述检测模块212具体用于，确定所述显著特征图的最大灰度值和灰度均值；根据所述最大灰度值和所述灰度均值，确定阈值，并根据所述阈值对所述显著特征图进行阈值化处理；针对每一个像素点，以该像素点为中心，按照预设的第三尺寸，确定该像素点的图像区域，并根据阈值化处理后的显著特征图，判断该像素点的图像区域是否满足指定条件；若是，将该像素点的图像区域作为待检测的图像块，否则，不将该像素点的图像区域作为待检测的图像块。
可选地，所述检测模块212具体用于，若所述检测结果为目标结果，确定所述待检测的图像块的中心位置的坐标为目标坐标；否则，确定所述待检测的图像块的中心位置的坐标不为目标坐标；根据确定出的目标坐标，确定所述待检测的红外图像的目标检测结果。
可选地，所述装置还包括：
训练模块214，用于获取预先存储的红外背景图像、红外图像以及所述红外图像对应的标注；根据预设的规则，对所述红外背景图像进行添加弱小目标处理；将处理后的图像作为仿真图像，以及确定所述仿真图像对应的标注；将所述红外图像和所述仿真图像作为训练样本，并输入待训练的目标检测模型，得到所述待训练的目标检测模型输出的检测结果；以所述检测结果与所述训练样本对应的标注之间的差异最小为训练目标，对所述待训练的目标检测模型进行训练。
可选地，所述目标检测模型包括若干卷积层、全连接层和分类器；
所述检测模块212具体用于，将所述待检测的图像块输入预先训练的目标检测模型的卷积层，得到第一特征；将所述第一特征输入所述目标检测模型的全连接层，得到第二特征；将所述第二特征输入所述目标检测模型的分类器，得到检测结果。
本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1提供的一种红外弱小目标检测方法。
本说明书还提供了图8所示的一种对应于图1的电子设备的示意结构图。如图8所示，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所述的红外弱小目标检测方法。
当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进（例如，对二极管、晶体管、开关等电路结构的改进）还是软件上的改进（对于方法流程的改进）。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件（Programmable Logic Device, PLD）（例如现场可编程门阵列（Field Programmable GateArray，FPGA））就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器（logic compiler）”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言（Hardware Description Language，HDL），而HDL也并非仅有一种，而是有许多种，如ABEL（Advanced Boolean Expression Language）、AHDL（Altera Hardware DescriptionLanguage）、Confluence、CUPL（Cornell University Programming Language）、HDCal、JHDL（Java Hardware Description Language）、Lava、Lola、MyHDL、PALASM、RHDL（RubyHardware Description Language）等，目前最普遍使用的是VHDL（Very-High-SpeedIntegrated Circuit Hardware Description Language）与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该（微）处理器执行的计算机可读程序代码（例如软件或固件）的计算机可读介质、逻辑门、开关、专用集成电路（Application Specific Integrated Circuit，ASIC）、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。
Claims (26)
1.一种红外弱小目标检测方法，其特征在于，包括：
获取待检测的红外图像；
针对所述待检测的红外图像的每一个像素点，以该像素点为中心，将所述待检测的红外图像划分为若干区域；
从划分出的各区域中，确定该像素点所在的中心区域，确定与所述中心区域相邻的各第一区域，以及确定与任一第一区域相邻的第二区域；
确定该像素点所在的中心区域的灰度值，作为第一灰度值；根据各第一区域的灰度值，确定该像素点的第二灰度值；根据各第二区域的灰度值，确定该像素点的第三灰度值；
根据该像素点的第一灰度值、该像素点的第二灰度值和该像素点的第三灰度值，确定该像素点的梯度特征；
根据各像素点的梯度特征，确定所述待检测的红外图像的显著特征图；
根据所述显著特征图，确定所述待检测的红外图像的目标检测结果。
2.如权利要求1所述的方法，其特征在于，以该像素点为中心，将所述待检测的红外图像划分为若干区域，具体包括：
在所述待检测的红外图像中，按照预设的第一尺寸，确定以该像素点为中心的指定区域；
将所述指定区域按照预设的第二尺寸进行划分，得到若干区域。
3.如权利要求1所述的方法，其特征在于，确定该像素点所在的中心区域的灰度值，作为第一灰度值，具体包括：
确定该像素点所在的中心区域内包含的像素点的灰度值，作为中心灰度值；
将确定出的各中心灰度值的均值作为第一灰度值。
4.如权利要求1所述的方法，其特征在于，根据各第一区域的灰度值，确定第二灰度值，具体包括：
针对每一个第一区域，确定该第一区域内包含的像素点的灰度值作为第一子灰度值，将确定出的各第一子灰度值的均值作为该第一区域的灰度值；
确定各第一区域对应的灰度值中最大的灰度值作为该像素点的第二灰度值；
根据各第二区域的灰度值，确定该像素点的第三灰度值，具体包括：
针对每一个第二区域，确定该第二区域内包含的像素点的灰度值作为第二子灰度值，将确定出的各第二子灰度值的均值作为该第二区域的灰度值；
确定各第二区域对应的灰度值中最大的灰度值作为第三灰度值。
5.如权利要求1所述的方法，其特征在于，所述梯度特征包括第一梯度特征和第二梯度特征；
根据该像素点的第一灰度值、该像素点的第二灰度值和该像素点的第三灰度值，确定该像素点的梯度特征，具体包括：
根据该像素点的第一灰度值和该像素点的第二灰度值，确定该像素点的第一梯度特征；
根据该像素点的第一灰度值和该像素点的第三灰度值，确定该像素点的第二梯度特征。
6.如权利要求5所述的方法，其特征在于，根据该像素点的第一灰度值和该像素点的第二灰度值，确定该像素点的第一梯度特征，具体包括：
若该像素点的第一灰度值大于该像素点的第二灰度值，确定该像素点的第一灰度值减该像素点的第二灰度值的值，作为该像素点的第一梯度特征；
否则，将指定数值作为该像素点的第一梯度特征；
根据该像素点的第一灰度值和该像素点的第三灰度值，确定该像素点的第二梯度特征，具体包括：
若该像素点的第一灰度值大于该像素点的第三灰度值，确定该像素点的第一灰度值减该像素点的第三灰度值的值，作为该像素点的第二梯度特征；
否则，将指定数值作为该像素点的第二梯度特征。
7.如权利要求5所述的方法，其特征在于，根据各像素点的梯度特征，确定所述待检测的红外图像的显著特征图，具体包括：
根据各像素点对应的第一梯度特征，确定第一特征图，以及根据各像素点对应的第二梯度特征，确定第二特征图；
根据所述第一特征图和所述第二特征图，确定所述待检测的红外图像的显著特征图。
8.如权利要求1所述的方法，其特征在于，根据所述显著特征图，确定所述待检测的红外图像的目标检测结果，具体包括：
根据所述显著特征图，确定所述待检测的红外图像中的待检测的图像块；
将所述待检测的图像块输入预先训练的目标检测模型，得到检测结果；
根据所述检测结果，确定所述待检测的红外图像的目标检测结果。
9.如权利要求8所述的方法，其特征在于，根据所述显著特征图，确定所述待检测的红外图像中的待检测的图像块，具体包括：
确定所述显著特征图的最大灰度值和灰度均值；
根据所述最大灰度值和所述灰度均值，确定阈值，并根据所述阈值对所述显著特征图进行阈值化处理；
针对每一个像素点，以该像素点为中心，按照预设的第三尺寸，确定该像素点的图像区域，并根据阈值化处理后的显著特征图，判断该像素点的图像区域是否满足指定条件；
若是，将该像素点的图像区域作为待检测的图像块，否则，不将该像素点的图像区域作为待检测的图像块。
10.如权利要求8所述的方法，其特征在于，根据所述检测结果，确定所述待检测的红外图像的目标检测结果，具体包括：
若所述检测结果为目标结果，确定所述待检测的图像块的中心位置的坐标为目标坐标；
否则，确定所述待检测的图像块的中心位置的坐标不为目标坐标；
根据确定出的目标坐标，确定所述待检测的红外图像的目标检测结果。
11.如权利要求8所述的方法，其特征在于，预先训练目标检测模型，具体包括：
获取预先存储的红外背景图像、红外图像以及所述红外图像对应的标注；
根据预设的规则，对所述红外背景图像进行添加弱小目标处理；
将处理后的图像作为仿真图像，以及确定所述仿真图像对应的标注；
将所述红外图像和所述仿真图像作为训练样本，并输入待训练的目标检测模型，得到所述待训练的目标检测模型输出的检测结果；
以所述检测结果与所述训练样本对应的标注之间的差异最小为训练目标，对所述待训练的目标检测模型进行训练。
12.如权利要求8所述的方法，其特征在于，所述目标检测模型包括若干卷积层、全连接层和分类器；
将所述待检测的图像块输入预先训练的目标检测模型，得到检测结果，具体包括：
将所述待检测的图像块输入预先训练的目标检测模型的卷积层，得到第一特征；
将所述第一特征输入所述目标检测模型的全连接层，得到第二特征；
将所述第二特征输入所述目标检测模型的分类器，得到检测结果。
13.一种红外弱小目标检测装置，其特征在于，包括：
获取模块，用于获取待检测的红外图像；
划分模块，用于针对所述待检测的红外图像的每一个像素点，以该像素点为中心，将所述待检测的红外图像划分为若干区域；
第一确定模块，用于从划分出的各区域中，确定该像素点所在的中心区域，确定与所述中心区域相邻的各第一区域，以及确定与任一第一区域相邻的第二区域；
第二确定模块去，用于确定该像素点所在的中心区域的灰度值，作为第一灰度值；根据各第一区域的灰度值，确定该像素点的第二灰度值；根据各第二区域的灰度值，确定该像素点的第三灰度值；
梯度特征模块，用于根据该像素点的第一灰度值、该像素点的第二灰度值和该像素点的第三灰度值，确定该像素点的梯度特征；
显著特征模块，用于根据各像素点的梯度特征，确定所述待检测的红外图像的显著特征图；
检测模块，用于根据所述显著特征图，确定所述待检测的红外图像的目标检测结果。
14.如权利要求13所述的装置，其特征在于，所述划分模块具体用于，在所述待检测的红外图像中，按照预设的第一尺寸，确定以该像素点为中心的指定区域；将所述指定区域按照预设的第二尺寸进行划分，得到若干区域。
15.如权利要求13所述的装置，其特征在于，所述第二确定模块具体用于，确定该像素点所在的中心区域内包含的像素点的灰度值，作为中心灰度值；将确定出的各中心灰度值的均值作为第一灰度值。
16.如权利要求13所述的装置，其特征在于，所述第二确定模块具体用于，针对每一个第一区域，确定该第一区域内包含的像素点的灰度值作为第一子灰度值，将确定出的各第一子灰度值的均值作为该第一区域的灰度值；确定各第一区域对应的灰度值中最大的灰度值作为该像素点的第二灰度值；针对每一个第二区域，确定该第二区域内包含的像素点的灰度值作为第二子灰度值，将确定出的各第二子灰度值的均值作为该第二区域的灰度值；确定各第二区域对应的灰度值中最大的灰度值作为第三灰度值。
17.如权利要求13所述的装置，其特征在于，所述梯度特征包括第一梯度特征和第二梯度特征；
所述梯度特征模块具体用于，根据该像素点的第一灰度值和该像素点的第二灰度值，确定该像素点的第一梯度特征；根据该像素点的第一灰度值和该像素点的第三灰度值，确定该像素点的第二梯度特征。
18.如权利要求13所述的装置，其特征在于，所述梯度特征模块具体用于，若该像素点的第一灰度值大于该像素点的第二灰度值，确定该像素点的第一灰度值减该像素点的第二灰度值的值，作为该像素点的第一梯度特征；否则，将指定数值作为该像素点的第一梯度特征；若该像素点的第一灰度值大于该像素点的第三灰度值，确定该像素点的第一灰度值减该像素点的第三灰度值的值，作为该像素点的第二梯度特征；否则，将指定数值作为该像素点的第二梯度特征。
19.如权利要求17所述的装置，其特征在于，所述显著特征模块具体用于，根据各像素点对应的第一梯度特征，确定第一特征图，以及根据各像素点对应的第二梯度特征，确定第二特征图；根据所述第一特征图和所述第二特征图，确定所述待检测的红外图像的显著特征图。
20.如权利要求13所述的装置，其特征在于，所述检测模块具体用于，根据所述显著特征图，确定所述待检测的红外图像中的待检测的图像块；将所述待检测的图像块输入预先训练的目标检测模型，得到检测结果；根据所述检测结果，确定所述待检测的红外图像的目标检测结果。
21.如权利要求20所述的装置，其特征在于，所述检测模块具体用于，确定所述显著特征图的最大灰度值和灰度均值；根据所述最大灰度值和所述灰度均值，确定阈值，并根据所述阈值对所述显著特征图进行阈值化处理；针对每一个像素点，以该像素点为中心，按照预设的第三尺寸，确定该像素点的图像区域，并根据阈值化处理后的显著特征图，判断该像素点的图像区域是否满足指定条件；若是，将该像素点的图像区域作为待检测的图像块，否则，不将该像素点的图像区域作为待检测的图像块。
22.如权利要求20所述的装置，其特征在于，所述检测模块具体用于，若所述检测结果为目标结果，确定所述待检测的图像块的中心位置的坐标为目标坐标；否则，确定所述待检测的图像块的中心位置的坐标不为目标坐标；根据确定出的目标坐标，确定所述待检测的红外图像的目标检测结果。
23.如权利要求20所述的装置，其特征在于，所述装置还包括：
训练模块，用于获取预先存储的红外背景图像、红外图像以及所述红外图像对应的标注；根据预设的规则，对所述红外背景图像进行添加弱小目标处理；将处理后的图像作为仿真图像，以及确定所述仿真图像对应的标注；将所述红外图像和所述仿真图像作为训练样本，并输入待训练的目标检测模型，得到所述待训练的目标检测模型输出的检测结果；以所述检测结果与所述训练样本对应的标注之间的差异最小为训练目标，对所述待训练的目标检测模型进行训练。
24.如权利要求20所述的装置，其特征在于，所述目标检测模型包括若干卷积层、全连接层和分类器；
所述检测模块具体用于，将所述待检测的图像块输入预先训练的目标检测模型的卷积层，得到第一特征；将所述第一特征输入所述目标检测模型的全连接层，得到第二特征；将所述第二特征输入所述目标检测模型的分类器，得到检测结果。
25.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1~12任一项所述的方法。
26.一种电子设备，包括存储器、处理器及存储在存储器上并可在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程序时实现上述权利要求1~12任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310598305.6A CN116363390B (zh) | 2023-05-25 | 2023-05-25 | 一种红外弱小目标检测方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310598305.6A CN116363390B (zh) | 2023-05-25 | 2023-05-25 | 一种红外弱小目标检测方法、装置、存储介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116363390A true CN116363390A (zh) | 2023-06-30 |
| CN116363390B CN116363390B (zh) | 2023-09-19 |
Family
ID=86939419
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310598305.6A Active CN116363390B (zh) | 2023-05-25 | 2023-05-25 | 一种红外弱小目标检测方法、装置、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116363390B (zh) |
Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101211356A (zh) * | 2006-12-30 | 2008-07-02 | 中国科学院计算技术研究所 | 一种基于显著区域的图像查询方法 |
| CN102243760A (zh) * | 2010-05-13 | 2011-11-16 | 鸿富锦精密工业（深圳）有限公司 | 图像黑印查找系统及方法 |
| CN102682287A (zh) * | 2012-04-17 | 2012-09-19 | 电子科技大学 | 基于显著度信息的行人检测方法 |
| CN102800092A (zh) * | 2012-07-12 | 2012-11-28 | 北方工业大学 | 从点至面的图像显著性检测 |
| CN103530643A (zh) * | 2013-10-11 | 2014-01-22 | 中国科学院合肥物质科学研究院 | 基于农作物行间自动识别技术的农药定位喷洒方法及系统 |
| CN104732543A (zh) * | 2015-03-30 | 2015-06-24 | 中国人民解放军63655部队 | 一种沙漠戈壁背景下红外弱小目标快速检测方法 |
| CN106919883A (zh) * | 2017-02-28 | 2017-07-04 | 浙江华睿科技有限公司 | 一种快速反应qr码的定位方法及装置 |
| CN107025455A (zh) * | 2017-04-01 | 2017-08-08 | 浙江华睿科技有限公司 | 一种快速反应qr码区域的定位方法及装置 |
| CN108614998A (zh) * | 2018-04-09 | 2018-10-02 | 北京理工大学 | 一种单像素红外目标检测方法 |
| CN109239073A (zh) * | 2018-07-28 | 2019-01-18 | 西安交通大学 | 一种用于汽车车身的表面缺陷检测方法 |
| CN110163219A (zh) * | 2019-04-17 | 2019-08-23 | 安阳师范学院 | 基于图像边缘识别的目标检测方法 |
| CN113112516A (zh) * | 2021-04-01 | 2021-07-13 | 广东拓斯达科技股份有限公司 | 图像边缘特征库构建方法、装置、计算机设备及存储介质 |
| CN113315915A (zh) * | 2021-05-25 | 2021-08-27 | 展讯半导体(南京)有限公司 | 图像清晰度确定方法、装置、介质和电子设备 |
| CN113369155A (zh) * | 2021-05-08 | 2021-09-10 | 上海万郃环保科技有限公司 | 可再生垃圾废品识别检测及自动回收系统及方法 |
| CN113537253A (zh) * | 2021-08-23 | 2021-10-22 | 北京环境特性研究所 | 一种红外图像目标检测方法、装置、计算设备及存储介质 |
| CN113962900A (zh) * | 2021-11-15 | 2022-01-21 | 北京环境特性研究所 | 复杂背景下红外弱小目标检测方法、装置、设备及介质 |
| CN114241320A (zh) * | 2021-12-24 | 2022-03-25 | 柳州市侗天湖农业生态旅游投资有限责任公司 | 一种利用对比参照群落视觉识别山区茶园杂草的方法 |
| CN115019280A (zh) * | 2022-04-18 | 2022-09-06 | 开封大学 | 融合梯度与平均相对差的车道线检测方法、系统及应用 |
| CN115496693A (zh) * | 2022-11-17 | 2022-12-20 | 南通鼎勇机械有限公司 | 基于暗通道算法的烧结火焰图像去烟雾方法 |
| CN115713620A (zh) * | 2022-11-14 | 2023-02-24 | 北京环境特性研究所 | 一种红外小目标检测方法、装置、计算设备及存储介质 |
| CN115731221A (zh) * | 2022-11-30 | 2023-03-03 | 电子科技大学 | 一种考虑邻域各向异性的自适应红外小目标检测方法 |
-
2023
- 2023-05-25 CN CN202310598305.6A patent/CN116363390B/zh active Active
Patent Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101211356A (zh) * | 2006-12-30 | 2008-07-02 | 中国科学院计算技术研究所 | 一种基于显著区域的图像查询方法 |
| CN102243760A (zh) * | 2010-05-13 | 2011-11-16 | 鸿富锦精密工业（深圳）有限公司 | 图像黑印查找系统及方法 |
| CN102682287A (zh) * | 2012-04-17 | 2012-09-19 | 电子科技大学 | 基于显著度信息的行人检测方法 |
| CN102800092A (zh) * | 2012-07-12 | 2012-11-28 | 北方工业大学 | 从点至面的图像显著性检测 |
| CN103530643A (zh) * | 2013-10-11 | 2014-01-22 | 中国科学院合肥物质科学研究院 | 基于农作物行间自动识别技术的农药定位喷洒方法及系统 |
| CN104732543A (zh) * | 2015-03-30 | 2015-06-24 | 中国人民解放军63655部队 | 一种沙漠戈壁背景下红外弱小目标快速检测方法 |
| CN106919883A (zh) * | 2017-02-28 | 2017-07-04 | 浙江华睿科技有限公司 | 一种快速反应qr码的定位方法及装置 |
| CN107025455A (zh) * | 2017-04-01 | 2017-08-08 | 浙江华睿科技有限公司 | 一种快速反应qr码区域的定位方法及装置 |
| CN108614998A (zh) * | 2018-04-09 | 2018-10-02 | 北京理工大学 | 一种单像素红外目标检测方法 |
| CN109239073A (zh) * | 2018-07-28 | 2019-01-18 | 西安交通大学 | 一种用于汽车车身的表面缺陷检测方法 |
| CN110163219A (zh) * | 2019-04-17 | 2019-08-23 | 安阳师范学院 | 基于图像边缘识别的目标检测方法 |
| CN113112516A (zh) * | 2021-04-01 | 2021-07-13 | 广东拓斯达科技股份有限公司 | 图像边缘特征库构建方法、装置、计算机设备及存储介质 |
| CN113369155A (zh) * | 2021-05-08 | 2021-09-10 | 上海万郃环保科技有限公司 | 可再生垃圾废品识别检测及自动回收系统及方法 |
| CN113315915A (zh) * | 2021-05-25 | 2021-08-27 | 展讯半导体(南京)有限公司 | 图像清晰度确定方法、装置、介质和电子设备 |
| CN113537253A (zh) * | 2021-08-23 | 2021-10-22 | 北京环境特性研究所 | 一种红外图像目标检测方法、装置、计算设备及存储介质 |
| CN113962900A (zh) * | 2021-11-15 | 2022-01-21 | 北京环境特性研究所 | 复杂背景下红外弱小目标检测方法、装置、设备及介质 |
| CN114241320A (zh) * | 2021-12-24 | 2022-03-25 | 柳州市侗天湖农业生态旅游投资有限责任公司 | 一种利用对比参照群落视觉识别山区茶园杂草的方法 |
| CN115019280A (zh) * | 2022-04-18 | 2022-09-06 | 开封大学 | 融合梯度与平均相对差的车道线检测方法、系统及应用 |
| CN115713620A (zh) * | 2022-11-14 | 2023-02-24 | 北京环境特性研究所 | 一种红外小目标检测方法、装置、计算设备及存储介质 |
| CN115496693A (zh) * | 2022-11-17 | 2022-12-20 | 南通鼎勇机械有限公司 | 基于暗通道算法的烧结火焰图像去烟雾方法 |
| CN115731221A (zh) * | 2022-11-30 | 2023-03-03 | 电子科技大学 | 一种考虑邻域各向异性的自适应红外小目标检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 段思韦等: "空域加权局部对比度的红外小目标检测算法", 《激光与红外》, vol. 50, no. 10, pages 1200 - 1206 * |
| 马琼等: "使用局部视觉显著分析的红外图像增强", 《光学技术》, vol. 47, no. 5, pages 1 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116363390B (zh) | 2023-09-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113095124B (zh) | 一种人脸活体检测方法、装置以及电子设备 | |
| CN109034183B (zh) | 一种目标检测方法、装置及设备 | |
| CN111461145B (zh) | 一种基于卷积神经网络进行目标检测的方法 | |
| CN111797711A (zh) | 一种模型训练的方法及装置 | |
| CN113887608B (zh) | 一种模型训练的方法、图像检测的方法及装置 | |
| CN117197781B (zh) | 一种交通标志识别的方法、装置、存储介质及电子设备 | |
| CN110866931A (zh) | 图像分割模型训练方法及基于分类的强化图像分割方法 | |
| CN116342888B (zh) | 一种基于稀疏标注训练分割模型的方法及装置 | |
| CN116363390B (zh) | 一种红外弱小目标检测方法、装置、存储介质及电子设备 | |
| CN116805393A (zh) | 一种基于3DUnet光谱-空间信息融合的高光谱图像分类方法和系统 | |
| CN116152933A (zh) | 一种异常检测模型的训练方法、装置、设备及存储介质 | |
| CN113807407B (zh) | 目标检测模型训练方法、模型性能检测方法及装置 | |
| CN113887351B (zh) | 一种用于无人驾驶的障碍物检测方法及障碍物检测装置 | |
| CN115049927A (zh) | 基于SegNet的SAR图像桥梁检测方法、装置和存储介质 | |
| CN112560530B (zh) | 一种二维码处理方法、设备、介质及电子设备 | |
| CN114863206A (zh) | 一种模型训练的方法、目标检测的方法及装置 | |
| CN110866478B (zh) | 一种图像中对象的识别方法、装置和设备 | |
| CN114359935A (zh) | 一种模型训练以及表格识别方法及装置 | |
| CN111899264A (zh) | 一种目标图像分割方法、设备及介质 | |
| CN116188919B (zh) | 一种测试方法、装置、可读存储介质及电子设备 | |
| CN116188633B (zh) | 一种仿真遥感影像生成的方法、装置、介质及电子设备 | |
| CN116740197B (zh) | 一种外参的标定方法、装置、存储介质及电子设备 | |
| CN112115952B (zh) | 一种基于全卷积神经网络的图像分类方法、设备及介质 | |
| US11055852B2 (en) | Fast automatic trimap generation and optimization for segmentation refinement | |
| CN116894819A (zh) | 混凝土结构表面像素级缺陷检测方法、装置和存储介质 |
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 |