公开/公告号CN116206118A
专利类型发明专利
公开/公告日2023-06-02
原文格式PDF
申请/专利权人 中国科学院光电技术研究所;
申请/专利号CN202310203631.2
发明设计人
申请日2023-03-06
分类号G06V10/36;G06V10/26;G06V10/34;
代理机构北京科迪生专利代理有限责任公司;
代理人邓治平
地址 610209 四川省成都市双流350信箱
入库时间 2024-04-18 19:53:33
技术领域
本发明属于红外图像处理及小目标检测领域,具体涉及一种基于边窗引导滤波的红外小目标检测方法。
背景技术
红外探测手段已广泛应用于目标预警搜索等军事领域以及野外遇险搜救等民用领域,并取得了显著成就。在多种应用领域中,高检测率、低虚警率的实时红外小目标检测技术成为了实际工程应用的必然需求。然而,由于待检测目标与探测器之间距离较远,红外小目标的成像面积非常小,而且背景区域时常存在树木、云层、海浪、建筑等杂波干扰,上述因素给红外小目标的准确检测带来了许多困难。
目前,基于单帧的红外小目标检测方法由于实现相对简单,并可作为多帧序列目标航迹关联的一个基础环节,已有许多学者从不同角度提出了基于单帧的红外小目标检测方法。常用的单帧检测方法包括背景估计方法、人类视觉系统方法、低秩稀疏分解方法、深度学习方法等。背景估计方法通常采用空域或变换域滤波器对背景进行分析和估计,通常计算量小,实现简单,但检测结果常常包含了具有明显特征的边缘或角点;人类视觉系统利用局部对比度机制,以目标中心位置与周围邻域位置的特征非相似性为度量基准,在抑制背景的同时能够增强目标,但具有类似目标显著特性的异构杂波背景会造成虚警误检;低秩稀疏分解方法利用了背景低秩性和目标稀疏性的假设,把目标检测问题转化为优化问题,但存在计算量大,工程化困难等缺点;深度学习方法由于能够自动从图像中获取多层次多维度的特征信息,涌现出了基于生成对抗网络的小目标检测方法、基于注意力的局部对比度网络、交叉连接双向金字塔网络等多种算法,但是上述方法难以应对诸如大数据量样本缺失或应用场景变更等实际情形。
总之,当前的红外小目标检测算法在不同程度上存在鲁棒性低、实时性差、抗干扰能力弱等不足,仍然需要寻求一种在各类复杂场景中具备高检测率、低虚警率的实时小目标检测方法。
发明内容
本发明的目的是:克服现有技术的不足,提供一种基于边窗引导滤波的红外小目标检测方法,该方法能够有效抑制复杂背景导致的虚警,并且具有抗干扰能力强、算法复杂度低的特点,能够满足工程的实际应用需要。
本发明的技术解决方案为:一种基于边窗引导滤波的红外小目标检测方法,该方法包含以下步骤:
步骤1.1、获取原始红外图像D,采用快速显著性滤波方法,计算得到红外小目标先验图C;
步骤1.2、采用八个不同的空心结构的边窗滤波器对原始红外图像D进行加权引导滤波,得到背景估计图Q;
步骤1.3、利用原始红外图像D和背景估计图Q相减得到目标图像T,采用阈值分割方法确定红外小目标位置,输出目标检测结果。
进一步地,步骤1.1所述的快速显著性滤波方法,滤波器为5×5大小的空域滤波核;
进一步地,步骤1.2所述的八个不同的空心结构的边窗滤波器,有效滤波范围分别为(2R
进一步地,步骤1.2所述的加权引导滤波,每个像素点的权重项分为w
进一步地,步骤1.3所述的阈值分割:采用目标图像T的最大值与常系数m的乘积作为分割阈值,m取值范围为0.3到0.5。
本发明与现有技术相比的优点在于:
(1)采用视觉显著性作为引导滤波的先验权重项,有利于提升红外小目标与背景区域的区分度,更好的完成背景保留与目标平滑;
(2)采用空心结构的边窗引导滤波器能够在平滑目标的同时保持各类边缘和角点,减少了背景估计图中的残余杂波,降低了算法的虚警概率;
(3)快速显著性滤波方法和边窗引导滤波方法都具有实现简单、并行性好的特点,能够满足工程的实时性需求。
附图说明
图1为本发明的一种基于边窗引导滤波的红外小目标检测方法流程示意图;
图2为本发明提出的八种不同的空心结构的边窗滤波器形状;
图3为本发明例举的一幅含有小目标的红外图像;
图4为本发明由图3构建的目标显著性先验图;
图5为本发明由图3和图4经过边窗加权引导滤波计算得到的背景图像和目标图像,其中,图5(a)为背景图像,图5(b)为目标图像;
图6为本发明由图5中的目标图像经阈值分割得到的检测结果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明做进一步详细说明。本发明首次采用一种空心结构的边窗滤波器,并将小目标的显著性先验信息作为权重项加入到引导滤波过程,有效地估计了背景图像,减弱了诸如边缘和角点等杂波对检测结果的影响,实现了红外小目标的快速准确检测。
如图1所示,下面详细阐述一种基于边窗引导滤波的红外小目标检测方法,包括如下步骤:
1、获取原始红外图像D,如图3所示。
2、计算红外小目标的显著性先验图C,如图4所示。具体步骤包括:
2.1、采用2×2大小的均值滤波器对图像进行平滑预处理;
2.2、对均值滤波后的图像采用5×5大小的空域滤波核F对全图进行显著性滤波,得到先验图C,空域滤波核F是根据小面模型推导得出的(参见A fast-saliency methodfor real-time infrared small target detection.Infrared Physics&Technology[J].2016,77:440-450),其形式如下:
3、在原有的边窗引导滤波方法的基础上(参见Side window guidedfiltering.Signal Processing[J].2019,165:315-330),进一步构造八个不同的空心结构的边窗滤波器,并利用步骤2计算的显著性先验图C,完成对原始图像D的加权引导滤波,具体步骤包括:
3.1、构造八个不同的空心结构的边窗滤波器,其有效滤波范围分别为(2R
3.2、计算每个像素点的先验权重w
w
其中,c
3.3、根据步骤3.1所述的八个不同的空心结构的边窗滤波器,计算每个像素点在有效区域
其中,w
3.4、对每个像素位置的线性系数
其中,
3.5、在八个边窗引导滤波结果中选取与原始图像灰度d
4、将原始红外图像D和背景估计图Q相减得到目标图像T,如图5所示。图5为本发明由图3和图4经过边窗加权引导滤波计算得到的背景图像和目标图像,其中图5(a)为背景图像,图5(b)为目标图像。
5、对目标图像T进行阈值分割,确定红外小目标位置,输出目标检测结果,如图6所示,分割阈值为目标图像T的最大值与常系数m的乘积,m取值范围为0.3到0.5。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。
机译: 神经网络中标准化互相关层的红外图像小目标检测滤波器设计
机译: 复杂场景下基于深度图的红外小目标检测方法
机译: 基于复杂场景下深度图的红外小目标检测方法