CN116630615A - 红外小目标检测方法、装置、电子设备及存储介质 - Google Patents
红外小目标检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116630615A CN116630615A CN202310442950.9A CN202310442950A CN116630615A CN 116630615 A CN116630615 A CN 116630615A CN 202310442950 A CN202310442950 A CN 202310442950A CN 116630615 A CN116630615 A CN 116630615A
- Authority
- CN
- China
- Prior art keywords
- tensor
- target
- low
- image
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 44
- 238000001914 filtration Methods 0.000 claims abstract description 19
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000003331 infrared imaging Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 12
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000004297 night vision Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
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
- G06V10/26—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
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
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)
- Transforming Light Signals Into Electric Signals (AREA)
Abstract
本发明提供了一种红外小目标检测方法,应用于红外成像技术领域,包括:基于目标的红外图像序列,建立低秩稀疏张量求解模型,基于Frangi滤波,确定所述低秩稀疏张量求解模型的先验权重张量,通过时空图像块匹配的方式,确定所述低秩稀疏张量求解模型的匹配块张量,对所述先验权重张量和所述匹配块张量进行优化求解,分离出所述低秩稀疏张量求解模型的背景张量和目标张量,根据所述目标张量,得到目标检测结果。本发明还提供了一种红外小目标检测装置、电子设备及存储介质,可提升红外小目标检测结果的准确率。
Description
技术领域
本发明涉及红外成像技术领域,尤其涉及一种红外小目标检测方法、装置、电子设备及存储介质。
背景技术
红外成像技术通过自身发射或接收红外线光进行成像,夜视范围广,受环境影响小,可穿透云层、雾霾、烟雾等介质,对目标进行探测、记录和监控,在农业、工业等领域有广泛应用。红外目标检测是利用红外成像技术来发现和定位目标的技术。
当前大多数红外小目标检测算法,不论是PSTNN还是单帧块匹配算法,都只针对单帧图像进行处理,当背景复杂,噪声较高,且目标相对背景存在较快的运动时,其检测结果会受到很大的影响。
发明内容
本发明的主要目的在于提供一种红外小目标检测方法、装置、电子设备及存储介质,旨在解决现有技术中红外小目标检测结果不准确的技术问题。
为实现上述目的,本发明实施例第一方面提供一种红外小目标检测方法,包括:
基于目标的红外图像序列,建立低秩稀疏张量求解模型;
基于Frangi滤波,确定所述低秩稀疏张量求解模型的先验权重张量;
通过时空图像块匹配的方式,确定所述低秩稀疏张量求解模型的匹配块张量;
对所述先验权重张量和所述匹配块张量进行优化求解,分离出所述低秩稀疏张量求解模型的背景张量和目标张量;
根据所述目标张量,得到目标检测结果。
在一实施例中,所述基于目标的红外图像序列,建立低秩稀疏张量求解模型包括:
根据所述红外图像的图像张量、背景张量、目标张量和噪声张量,建立所述低秩稀疏张量求解模型。
在一实施例中,所基于Frangi滤波,确定所述低秩稀疏张量求解模型的先验权重张量包括:
基于Frangi滤波,构建当前红外图像中边缘区域的权重函数和角点区域的权重函数;
根据所述边缘区域的权重函数和所述角点区域的权重函数,构建所述当前红外图像中像素位置的局部先验权重;
根据所述局部先验权重,确定所述当前红外图像中像素位置的先验权重;
根据所述先验权重,为所述当前红外图像的背景中的边缘和角点赋予先验权重张量。
在一实施例中,所述通过时空图像块匹配的方式,确定所述低秩稀疏张量求解模型的匹配块张量包括:
提取所述红外图像序列的中间帧图像作为所述低秩稀疏张量求解模型的输入;
对所述中间帧图像滑窗,逐步确定参考块;
对每个所述参考块按照预设的滑窗步长,在当前帧红外图像内基于局部熵全局搜索所述参考块的匹配块,得到匹配度最高的前a个匹配块;
根据所述前a个匹配块,构造所述匹配块张量。
在一实施例中,所述对所述先验权重张量和所述匹配块张量进行优化求解,分离出所述低秩稀疏张量求解模型的背景张量和目标张量包括:
采用交叉方向乘子法,根据所述匹配块张量和所述先验权重张量,通过迭代求解得到所述低秩稀疏张量求解模型的背景张量与目标张量。
在一实施例中,所述根据所述目标张量,得到目标检测结果包括:
将所述目标张量恢复为二维图像矩阵;
将所述二维图像矩阵中重复像素点进行一维均值滤波,得到目标图像;
对所述目标图像进行自适应阈值分割,得到目标检测结果。
在一实施例中,所述低秩稀疏张量求解模型:
s.t.D=B+T+N
其中,s和t代表约束条件,D表示图像张量,B表示背景张量、T表示目标张量,N表示噪声张量,D、B、T、N∈Rn1*n2*n3,R表示实数,n1、n2、n3分别代表张量的三个不同维度。
本发明实施例第二方面提供一种红外小目标检测装置,包括:
建立模块,用于基于目标的红外图像序列,建立低秩稀疏张量求解模型;
第一计算模块,用于基于Frangi滤波,确定所述低秩稀疏张量求解模型的先验权重张量;
第二计算模块,用于通过时空图像块匹配的方式,确定所述低秩稀疏张量求解模型的匹配块张量;
优化模块,用于对所述先验权重张量和所述匹配块张量进行优化求解,分离出所述低秩稀疏张量求解模型的背景张量和目标张量;
确定模块,用于根据所述目标张量,得到目标检测结果。本发明实施例第三方面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本发明实施例第一方面提供的红外小目标检测方法。
本发明实施例第四方面提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现本发明实施例第一方面提供的红外小目标检测方法。
从上述本发明实施例可知,本发明提供的红外小目标检测方法、装置、电子设备及存储介质,通过时空块匹配构造低秩张量,增强了背景的低秩性。利用图像块局部熵构造图像块匹配方式,实现低秩稀疏约束的复杂场景红外图像块张量。通过构先验权重,实现对复杂背景中的边缘和噪声的抑制。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的红外小目标检测方法的流程示意图;
图2为本发明一实施例提供的红外小目标检测方法的示意图;
图3为本发明一实施例提供的先验权重结果的示意图;
图4为本发明一实施例提供的构建张量的示意图;
图5为本发明提供的原始图像的示意图;
图6为本发明提供的单帧领域滑块检测结果的示意图;
图7为本发明提供的红外小目标检测方法得出的目标检测结果;
图8为本发明一实施例提供的红外小目标检测装置的结构示意图;
图9示出了一种电子设备的硬件结构示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中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,而非全部实施例。基于本发明中的实施例,本领域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。
请参阅图1和图2,图1为本发明一实施例提供的红外小目标检测方法的流程示意图,图2为本发明一实施例提供的红外小目标检测方法的示意图该方法,可应用于电子设备中,电子设备包括:手机、平板电脑、手提电脑、智能手表、智能眼镜等可在移动中进行数据处理的电子设备以及台式计算机、一体机、智能电视机等非可在移动中进行数据处理的电子设备,该方法主要包括以下步骤S101至S105。
S101、基于目标的红外图像序列,建立低秩稀疏张量求解模型。
根据涉及对红外图像模型的构建,采用图像由背景、目标以及噪声组成的假设,建立以下如公式(1)所示的图像序列模型:
D=B+T+N (1)
其中D表示图像张量,B表示背景张量、T表示目标张量,N表示噪声张量,D、B、T、N∈Rn1*n2*n3,R表示实数,n1、n2、n3分别代表张量的三个不同维度。假设目标张量T是一个稀疏张量,即满足||T||0<K(代表l0范数),K是一个表示稀疏的常数,与图像复杂度有关。同时假设背景张量B是一个低秩张量,即满足rank(B)≤r(代表张量的秩),r为一个正常数。红外成像技术中一般假设噪声是加性高斯白噪声,即满足||N||F<δ,(代表Frobenius范数),δ是一个大于零的常数,从而有||D-B-T||F<δ。由此,可以通过张量鲁棒主成分分析(tensorrobust principle component analysis,TRPCA)对红外图像稀疏目标成分与低秩背景成分进行分解,描述为公式(3)所示的问题,其中,s和t代表约束条件:
(2)
s.t.D=B+T+N (3)
S102、基于Frangi滤波,确定该低秩稀疏张量求解模型的先验权重张量。
请参考图3,图3为本发明一实施例提供的先验权重结果的示意图。在一实现方式中,本发明可以采用基于拉普拉斯运算的张量纤维核范数(Laplace patch tensornuclear norm,LPTNN)非凸近似模型对红外图像的低秩部分进行近似求解,即
(4)
其中,是第i个正面切片的奇异值,p是奇异值的数量,ɛ是一个小正数。同时奇异值的系数进行重加权:
(5)
其中,c是一个非负的常数,ɛ是小正数,避免分母为0,k代表迭代次数。
针对PSTNN先验权重效果不佳的问题,本发明采用Frangi滤波算法,在复杂背景中对边缘和角点赋予合适的权重,进一步抑制背景杂波,突出目标。
图像中每个像素位置的结构张量包含两个特征值λ1、λ2。当像素位于角点区域时,特征值满足λ1≥λ2≈0,当像素位于边缘区域时,满足λ1≥λ2≈0;当像素位于平坦区域时,满足λ1≈λ2≈0。由此,本发明构建基于Frangi滤波的先验权重函数,其中角点区域权重函数为:
(6)
其中,Rb(x,y)代表图像中角点像素位置的权重。边缘区域权重函数为:
(7)
其中,S(x,y)代表图像中边缘像素位置的权重。由此,本发明建立局部先验权重为:
(8)
其中,Wp(x,y)代表红外图像中像素位置的局部先验权重,参数β和c用于调节边缘和角点权重的敏感程度。归一化后的权重Wp为:
(9)
其中,wmin、wmax代表Wp中的最小值和最大值。本发明采用的先验权重能够对背景中的边缘和角点赋予合适的权重,凸显出目标。
结合两个权重,本发明建立的加权为:
W= Wsw * Wrec (10)
其中,W为红外图像中每个像素的先验权重,Wsw为公式(5)中的拉普拉斯算子约束的权重,Wrec是Wp相应元素的倒数。从而公式(2)和(3)被重写如下:
(11)
s.t.D=B+T+N (12)
其中,代表哈德玛积。
可以理解的,对边缘和角点区域权重分配不当时,很容易造成虚警。本发明提供的红外小目标检测方法,对边缘和角点杂波区域进行了有效抑制,突出了红外弱小目标。如图3所示,可以看到,本发明的加权方法能够在有效凸显目标的同时对背景进行抑制。
S103、通过时空图像块匹配的方式,确定该低秩稀疏张量求解模型的匹配块张量。
以往针对单帧图像滑块去领域图像块组成张量的方式,在面对复杂场景中运动时敏目标的检测问题时往往效果不佳,本发明以局部熵差为匹配准则构建低秩张量。对当前红外图像序列的中间帧,设该中间帧为第n帧,取该中间帧的前后帧共(2*n-1)帧图像作为低秩稀疏张量求解模型的输入(也即S101中的红外图像序列包括2*n-1帧图像),对第n帧红外图像滑窗逐步确定一定尺寸的参考块,对每个参考块按照一定的滑窗步长,在当前帧红外图像全局搜索匹配块。
为提取图像块灰度信息的空间特征,本发明构建以图像块熵差为标准的匹配准则。统计图像的像素点与该点的邻域信息,构成一个新的特征二元组,记为(i,j);其中i, j分别表示像素和领域像素的灰度值( 0≤i, j≤255 )。同时,为反映某像素位置上的灰度值与其周围像素的灰度分布的综合特征,定义图像中f(i,j)的发生的概率为pij:
(13)
其中,f(i,j)为特征二元组(i,j)出现的次数,L和H为图像尺寸,则当前图像块的局部熵可由公式(12)计算得出:
(14)
其中,S为图像块熵值,熵差越小表示两图图像块越相似,构建张量的低秩性更好。取匹配度最高的前a个匹配块,同时取红外图像序列前后多帧中匹配块对应位置的图像块,组成当前参考块对应的低秩张量。本发明中n取3,k可按如下公式(15)由图像块尺寸和滑窗步长自适应决定:
(15)
其中Rl、Rh分别为参考块行数和列数,Ml、Mh分别为匹配块行数和列数。
本发明构建张量方式可参考图4,当前图像帧处于图像序列中间,绿色边框的部分为当前参考块,红色边框部分为该参考块的匹配块。
S104、对该先验权重张量和该匹配块张量进行优化求解,分离出该低秩稀疏张量求解模型的背景张量和目标张量。
在模型的求解阶段,本发明采用交叉方向乘子法(alternating directionmethod of multipliers,ADMM),通过迭代求解得到图像的背景张量与目标张量。首先用增广拉格朗日函数表示公式(10)中的模型:
(16)
其中,y是拉格朗日乘子,<•>代表两个张量的内积,μ>0是惩罚因子。分别将变量B和T进行固定,同时求解另一个变量:
(17)
(18)
其中,k为迭代次数,通过迭代求解,即可将图像分解为背景张量和目标张量。
S105、根据该目标张量,得到目标检测结果。
可以理解的,对迭代求解出的目标张量首先恢复为二维图像矩阵,恢复时对于重复的像素点进行一维均值滤波,最后进行自适应阈值分割,保留目标结果。
请参考图5至图7,图5为本发明提供的原始图像的示意图,图6为本发明提供的单帧领域滑块检测结果的示意图,图7为利用本发明提供的红外小目标检测方法得出的目标检测结果。
在背景复杂多变,且目标尺寸很小的情况下,背景的相邻区域相似性往往并不高,此时通过对图像块进行滑块取领域的方式所获得的矩阵或张量并不能满足低秩的要求,导致重建的图像有较多的背景残差。本发明利用序列图像,采取多帧时空联合局部滑块匹配的方式,提出了效果更好的图像块局部熵差匹配准则,将整幅图像分成多组匹配块图像,由此组成张量,能够更好地满足低秩稀疏的假设,并由此改善了先前方法由背景残差带来的高虚警率问题,从图5至图7可见,本发明提供的红外小目标检测方法,虚警率得到了改善的同时背景残差也得到了更好的抑制。
请参阅图8,图8是本发明一实施例提供的红外小目标检测装置的结构示意图,该装置可内置于电子设备中,该装置主要包括:建立模块610、第一计算模块620、第二计算模块630、优化模块640和确定模块650。
建立模块610,用于基于目标的红外图像序列,建立低秩稀疏张量求解模型;
第一计算模块620,用于基于Frangi滤波,确定该低秩稀疏张量求解模型的先验权重张量;
第二计算模块630,用于通过时空图像块匹配的方式,确定该低秩稀疏张量求解模型的匹配块张量;
优化模块640,用于对该先验权重张量和该匹配块张量进行优化求解,分离出该低秩稀疏张量求解模型的背景张量和目标张量;
确定模块650,用于根据该目标张量,得到目标检测结果。
该基于目标的红外图像序列,建立低秩稀疏张量求解模型包括:
根据该红外图像的图像张量、背景张量、目标张量和噪声张量,建立该低秩稀疏张量求解模型。
本发明一实施例中,所基于Frangi滤波,确定该低秩稀疏张量求解模型的先验权重张量包括:
基于Frangi滤波,构建当前红外图像中边缘区域的权重函数和角点区域的权重函数;
根据该边缘区域的权重函数和该角点区域的权重函数,构建该当前红外图像中像素位置的局部先验权重;
根据该局部先验权重,确定该当前红外图像中像素位置的先验权重;
根据该先验权重,为该当前红外图像的背景中的边缘和角点赋予先验权重张量。
本发明一实施例中,该通过时空图像块匹配的方式,确定该低秩稀疏张量求解模型的匹配块张量包括:
提取该红外图像序列的中间帧图像作为该低秩稀疏张量求解模型的输入;
对该中间帧图像滑窗,逐步确定参考块;
对每个该参考块按照预设的滑窗步长,在当前帧红外图像内基于局部熵全局搜索该参考块的匹配块,得到匹配度最高的前a个匹配块;
根据该前a个匹配块,构造该匹配块张量。
本发明一实施例中,该对该先验权重张量和该匹配块张量进行优化求解,分离出该低秩稀疏张量求解模型的背景张量和目标张量包括:
采用交叉方向乘子法,根据该匹配块张量和该先验权重张量,通过迭代求解得到该低秩稀疏张量求解模型的背景张量与目标张量。
本发明一实施例中,该根据该目标张量,得到目标检测结果包括:
将该目标张量恢复为二维图像矩阵;
将该二维图像矩阵中重复像素点进行一维均值滤波,得到目标图像;
对该目标图像进行自适应阈值分割,得到目标检测结果。
本发明一实施例中,该低秩稀疏张量求解模型:
s.t.D=B+T+N (19)
其中,s和t代表约束条件,D表示图像张量,B表示背景张量、T表示目标张量,N表示噪声张量,D、B、T、N∈Rn1*n2*n3,R表示实数,n1、n2、n3分别代表张量的三个不同维度。
请参见图9,图9示出了一种电子设备的硬件结构图。
本实施例中所描述的电子设备,包括:
存储器71、处理器72及存储在存储器71上并可在处理器上运行的计算机程序,处理器执行该程序时实现前述图1所示实施例中描述的红外小目标检测方法。
进一步地,该电子设备还包括:
至少一个输入设备73;至少一个输出设备74。
上述存储器71、处理器72输入设备73和输出设备74通过总线75连接。
其中,输入设备73具体可为摄像头、触控面板、物理按键或者鼠标等等。输出设备74具体可为显示屏。
存储器71可以是高速随机存取记忆体(RAM,Random Access Memory)存储器,也可为非不稳定的存储器(non-volatile memory),例如磁盘存储器。存储器71用于存储一组可执行程序代码,处理器72与存储器71耦合。
进一步地,本公开实施例还提供了一种计算机可读存储介质,该计算机可读存储介质可以是设置于上述各实施例中的电子设备中,该计算机可读存储介质可以是前述图7所示实施例中的电子设备。该计算机可读存储介质上存储有计算机程序,该程序被处理器执行时实现前述图1所示实施例中描述的红外小目标检测方法。进一步地,该计算机可存储介质还可以是U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是,在本公开各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来。
需要说明的是,对于前述的各方法实施例,为了简便描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定都是本发明所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。
以上为对本发明所提供的一种红外小目标检测方法方法、装置、电子设备及可读存储介质的描述,对于本领域的技术人员,依据本发明实施例的思想,在具体实施方式及应用范围上均会有改变之处,综上,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种红外小目标检测方法,其特征在于,包括:
基于目标的红外图像序列,建立低秩稀疏张量求解模型;
基于Frangi滤波,确定所述低秩稀疏张量求解模型的先验权重张量;
通过时空图像块匹配的方式,确定所述低秩稀疏张量求解模型的匹配块张量;
对所述先验权重张量和所述匹配块张量进行优化求解,分离出所述低秩稀疏张量求解模型的背景张量和目标张量;
根据所述目标张量,得到目标检测结果。
2.根据权利要求1所述的红外小目标检测方法,其特征在于,所述基于目标的红外图像序列,建立低秩稀疏张量求解模型包括:
根据所述红外图像的图像张量、背景张量、目标张量和噪声张量,建立所述低秩稀疏张量求解模型。
3.根据权利要求1所述的红外小目标检测方法,其特征在于,所基于Frangi滤波,确定所述低秩稀疏张量求解模型的先验权重张量包括:
基于Frangi滤波,构建当前红外图像中边缘区域的权重函数和角点区域的权重函数;
根据所述边缘区域的权重函数和所述角点区域的权重函数,构建所述当前红外图像中像素位置的局部先验权重;
根据所述局部先验权重,确定所述当前红外图像中像素位置的先验权重;
根据所述先验权重,为所述当前红外图像的背景中的边缘和角点赋予先验权重张量。
4.根据权利要求1所述的红外小目标检测方法,其特征在于,所述通过时空图像块匹配的方式,确定所述低秩稀疏张量求解模型的匹配块张量包括:
提取所述红外图像序列的中间帧图像作为所述低秩稀疏张量求解模型的输入;
对所述中间帧图像滑窗,逐步确定参考块;
对每个所述参考块按照预设的滑窗步长,在当前帧红外图像内基于局部熵全局搜索所述参考块的匹配块,得到匹配度最高的前a个匹配块,a为任意正整数;
根据所述前a个匹配块,构造所述匹配块张量。
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,所述对所述先验权重张量和所述匹配块张量进行优化求解,分离出所述低秩稀疏张量求解模型的背景张量和目标张量包括:
采用交叉方向乘子法,根据所述匹配块张量和所述先验权重张量,通过迭代求解得到所述低秩稀疏张量求解模型的背景张量与目标张量。
6.根据权利要求1所述的红外小目标检测方法,其特征在于,所述根据所述目标张量,得到目标检测结果包括:
将所述目标张量恢复为二维图像矩阵;
将所述二维图像矩阵中重复像素点进行一维均值滤波,得到目标图像;
对所述目标图像进行自适应阈值分割,得到目标检测结果。
7.根据权利要求1或2所述的红外小目标检测方法,其特征在于,所述低秩稀疏张量求解模型:
s.t.D=B+T+N
其中,s和t代表约束条件,D表示图像张量,B表示背景张量、T表示目标张量,N表示噪声张量,D、B、T、N∈Rn1*n2*n3,R表示实数,n1、n2、n3分别代表张量的三个不同维度。
8.一种红外小目标检测装置,其特征在于,包括:
建立模块,用于基于目标的红外图像序列,建立低秩稀疏张量求解模型;
第一计算模块,用于基于Frangi滤波,确定所述低秩稀疏张量求解模型的先验权重张量;
第二计算模块,用于通过时空图像块匹配的方式,确定所述低秩稀疏张量求解模型的匹配块张量;
优化模块,用于对所述先验权重张量和所述匹配块张量进行优化求解,分离出所述低秩稀疏张量求解模型的背景张量和目标张量;
确定模块,用于根据所述目标张量,得到目标检测结果。
9.一种电子设备,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计算机程序时,实现权利要求1至7中的任一项所述的红外小目标检测方法中的各个步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现权利要求1至7中的任一项所述的红外小目标检测方法中的各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310442950.9A CN116630615A (zh) | 2023-04-24 | 2023-04-24 | 红外小目标检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310442950.9A CN116630615A (zh) | 2023-04-24 | 2023-04-24 | 红外小目标检测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116630615A true CN116630615A (zh) | 2023-08-22 |
Family
ID=87620260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310442950.9A Pending CN116630615A (zh) | 2023-04-24 | 2023-04-24 | 红外小目标检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116630615A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117392378A (zh) * | 2023-12-11 | 2024-01-12 | 西南交通大学 | 一种红外小目标检测方法、装置、设备及可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106504199A (zh) * | 2016-09-13 | 2017-03-15 | 深圳大学 | 一种眼底图像增强方法及系统 |
CN109214439A (zh) * | 2018-08-22 | 2019-01-15 | 电子科技大学 | 一种基于多特征融合的红外图像结冰河流检测方法 |
CN112823376A (zh) * | 2018-10-15 | 2021-05-18 | 文塔纳医疗系统公司 | 图像增强以实现改善的核检测和分割 |
CN114782789A (zh) * | 2022-02-14 | 2022-07-22 | 中国科学院空天信息创新研究院 | 基于空时张量的红外场景时敏弱小目标检测方法及装置 |
-
2023
- 2023-04-24 CN CN202310442950.9A patent/CN116630615A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106504199A (zh) * | 2016-09-13 | 2017-03-15 | 深圳大学 | 一种眼底图像增强方法及系统 |
CN109214439A (zh) * | 2018-08-22 | 2019-01-15 | 电子科技大学 | 一种基于多特征融合的红外图像结冰河流检测方法 |
CN112823376A (zh) * | 2018-10-15 | 2021-05-18 | 文塔纳医疗系统公司 | 图像增强以实现改善的核检测和分割 |
CN114782789A (zh) * | 2022-02-14 | 2022-07-22 | 中国科学院空天信息创新研究院 | 基于空时张量的红外场景时敏弱小目标检测方法及装置 |
Non-Patent Citations (2)
Title |
---|
HE DENG ET AL.: "Infrared Small-Target Detection Using Multiscale Gray Difference Weighted Image Entropy", 《IEEE TRANSACTIONS ON AEROSPACE AND ELECTRONIC SYSTEMS》, vol. 52, no. 1, pages 60 - 72, XP011604946, DOI: 10.1109/TAES.2015.140878 * |
孙海燕: "遥感图像城市道路细节特征提取及增强方法研究", 《工业技术创新》, vol. 5, no. 1, pages 87 - 90 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117392378A (zh) * | 2023-12-11 | 2024-01-12 | 西南交通大学 | 一种红外小目标检测方法、装置、设备及可读存储介质 |
CN117392378B (zh) * | 2023-12-11 | 2024-02-27 | 西南交通大学 | 一种红外小目标检测方法、装置、设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10943145B2 (en) | Image processing methods and apparatus, and electronic devices | |
Wang et al. | Infrared dim and small target detection based on stable multisubspace learning in heterogeneous scene | |
CN110598558B (zh) | 人群密度估计方法、装置、电子设备及介质 | |
CN109325589B (zh) | 卷积计算方法及装置 | |
Kryjak et al. | Real-time background generation and foreground object segmentation for high-definition colour video stream in FPGA device | |
CN108765322B (zh) | 图像去噪方法及装置 | |
Zhang et al. | Infrared small target detection based on an image-patch tensor model | |
Liu et al. | Image de-hazing from the perspective of noise filtering | |
Li et al. | Sparse regularization-based spatial–temporal twist tensor model for infrared small target detection | |
Gao et al. | Probabilistic anomaly detector for remotely sensed hyperspectral data | |
Afonso et al. | A total variation recursive space-variant filter for image denoising | |
Chen et al. | Robust Kronecker product video denoising based on fractional-order total variation model | |
Yi et al. | Salient object detection employing robust sparse representation and local consistency | |
CN116630615A (zh) | 红外小目标检测方法、装置、电子设备及存储介质 | |
Dinesh et al. | 3D point cloud color denoising using convex graph-signal smoothness priors | |
Zhou et al. | Infrared small target detection via incorporating spatial structural prior into intrinsic tensor sparsity regularization | |
Liu et al. | Infrared small target detection via nonconvex tensor tucker decomposition with factor prior | |
Kavitha et al. | Convolutional Neural Networks Based Video Reconstruction and Computation in Digital Twins. | |
Fang et al. | Infrared small target detection with total variation and reweighted ℓ1 regularization | |
Zhang et al. | Research on infrared dim and small target detection algorithm based on frequency domain difference | |
Zhao et al. | Infrared small UAV target detection via isolation forest | |
Shi et al. | HINRDNet: A half instance normalization residual dense network for passive millimetre wave image restoration | |
Lv et al. | An iterative decoupled method with weighted nuclear norm minimization for image restoration | |
Zhang et al. | Infrared Small Target Detection Based on Four-Direction Overlapping Group Sparse Total Variation. | |
Acito et al. | Optimal criterion to select the background estimation algorithm for detection of dim point targets in infrared surveillance systems |
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 |