【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及圖像處理，尤其涉及一種多尺度局部對比度注意力紅外小目標(biāo)檢測方法。
技術(shù)介紹
1、單幀紅外小目標(biāo)(sirst)探測是紅外搜索和跟蹤的關(guān)鍵技術(shù)之一，廣泛應(yīng)用于預(yù)警系統(tǒng)、精確制導(dǎo)武器、海上監(jiān)視系統(tǒng)等領(lǐng)域。sirst檢測的目的是在不同的紅外背景下準(zhǔn)確地定位目標(biāo)。與一般目標(biāo)不同，紅外小目標(biāo)通常位于距離紅外檢測系統(tǒng)有一定距離的地方，通常只占據(jù)圖像中的幾個(gè)像素。此外，紅外小目標(biāo)的信噪比相對較低，且缺乏足夠的紋理細(xì)節(jié)。這是由于大氣散射、折射、光學(xué)散焦和各種噪聲源。因此，如何快速準(zhǔn)確地檢測小目標(biāo)是一項(xiàng)具有挑戰(zhàn)性的任務(wù)。
2、為了檢測紅外小目標(biāo)，目前主要有兩種方法，基于模型驅(qū)動(dòng)和基于數(shù)據(jù)驅(qū)動(dòng)。基于模型驅(qū)動(dòng)可以進(jìn)一步分為基于過濾器、基于局部信息和基于優(yōu)化三類。其中，局部對比測量方法是最常用的，它利用目標(biāo)與鄰域之間的灰度差來計(jì)算圖像中每個(gè)像素的對比度，在抑制背景的同時(shí)有效地增強(qiáng)了目標(biāo)。基于模型驅(qū)動(dòng)的模型通常結(jié)合了領(lǐng)域的專業(yè)知識和數(shù)學(xué)模型，提供了良好的可解釋性。然而，這些方法需要大量的經(jīng)驗(yàn)來設(shè)計(jì)手工制作特性和調(diào)整超參數(shù)。它們還經(jīng)常分離特征提取、閾值分割和目標(biāo)檢測步驟。因此，當(dāng)遇到復(fù)雜背景和未知目標(biāo)形狀時(shí)，基于模型驅(qū)動(dòng)的有效性有限。
3、近年來，計(jì)算機(jī)視覺得到了迅速的發(fā)展。以數(shù)據(jù)驅(qū)動(dòng)的方式學(xué)習(xí)紅外小目標(biāo)特征取得了較好的效果。在數(shù)據(jù)驅(qū)動(dòng)的基礎(chǔ)上，主要有三種類型：基于檢測的、基于生成對抗網(wǎng)絡(luò)的和基于分割的。數(shù)據(jù)驅(qū)動(dòng)型從大量的訓(xùn)練數(shù)據(jù)中自動(dòng)學(xué)習(xí)特征，消除了手動(dòng)特征設(shè)計(jì)的需要。與手工提取特征相比，該方法能夠以端到端的方式實(shí)現(xiàn)復(fù)
4、注意力機(jī)制在機(jī)器視覺很多領(lǐng)域能夠讓神經(jīng)網(wǎng)絡(luò)自動(dòng)地學(xué)習(xí)并選擇性地關(guān)注輸入中的重要信息，從而提高模型的性能和泛化能力。然而紅外小目標(biāo)通常在復(fù)雜背景下存在，對比度低，且其尺寸相對較小，邊緣模糊。一般的注意力機(jī)制會(huì)將注意力過多地集中在非小目標(biāo)區(qū)域，導(dǎo)致小目標(biāo)信息被忽略。
5、為了解決上述問題，一些研究人員提出將基于模型驅(qū)動(dòng)的思想融入到數(shù)據(jù)驅(qū)動(dòng)模型中。alcnet首先在深度學(xué)習(xí)網(wǎng)絡(luò)中引入局部對比度度量來增強(qiáng)小目標(biāo)的對比度；一方面，ristdnet、rdian和holoconet在圖像進(jìn)入深度網(wǎng)絡(luò)之前，通過使用固定的不同尺寸的卷積核或局部對比度權(quán)重來增強(qiáng)輸入圖像中的目標(biāo)；然而，這些方法僅在網(wǎng)絡(luò)開始時(shí)進(jìn)行局部對比度增強(qiáng)，可視為后續(xù)的特征提取提供先驗(yàn)，但忽略了低層和高層特征之間對比度信息的相互作用。另一方面，mlclnet、alclnet和lcagnet試圖將局部對比度度量模塊化，然后通過結(jié)合淺層和深層特征來增強(qiáng)網(wǎng)絡(luò)提取小目標(biāo)對比度的能力。然而，他們設(shè)計(jì)的對比度度量模塊未能充分挖掘和利用通道和空間特征上的對比度信息。多尺度對比測量模塊生成的級聯(lián)特征圖包含豐富的圖像特征信息，幫助模型更好地理解圖像內(nèi)容。這些方法選擇僅通過多尺度連接特征圖的最大池化或平均池化來提取特征。這種方法可能會(huì)放大復(fù)雜背景下明亮噪聲的干擾，并可能丟失有助于區(qū)分弱小目標(biāo)的細(xì)微特征信息。
技術(shù)實(shí)現(xiàn)思路
1、鑒于上述問題，提出了本專利技術(shù)以便克服上述問題的一種多尺度局部對比度注意力紅外小目標(biāo)檢測方法。
2、本專利技術(shù)提供了一種多尺度局部對比度注意力紅外小目標(biāo)檢測方法，所述方法包括：
3、將初始紅外圖像輸入特征輸入預(yù)設(shè)的主干網(wǎng)絡(luò)進(jìn)行特征編碼；其中，所述主干網(wǎng)絡(luò)包括級聯(lián)的多個(gè)下采樣模塊和連接于最后一層下采樣模塊的多尺度分層特征集成模塊，以通過級聯(lián)的多個(gè)下采樣模塊中的至少一個(gè)下采樣模塊獲得至少一個(gè)下采樣紅外圖像特征，通過所述多尺度分層特征集成模塊對最后一層下采樣模塊的采樣結(jié)果分別進(jìn)行局部特征提取和不同尺度的全局特征提取，并對得到的局部特征和多個(gè)尺度的全局特征進(jìn)行特征融合獲得集成紅外圖像特征；
4、分別將至少一個(gè)下采樣紅外圖像特征和所述集成紅外圖像特征輸入特征增強(qiáng)模塊；其中，所述特征增強(qiáng)模塊包括分別用于處理各個(gè)下采樣紅外圖像特征和用于處理所述集成紅外圖像特征的多個(gè)注意力模塊，所述注意力模塊通過對輸入特征進(jìn)行多尺度的通道注意力特征和多尺度的空間注意力特征融合獲得注意力特征；
5、分別將各個(gè)注意力模塊輸出的不同尺度的注意力特征輸入特征融合模塊，通過特征融合模塊對輸入的不同尺度的注意力特征進(jìn)行融合以強(qiáng)化目標(biāo)特征的特征表示，獲得融合紅外圖像特征；
6、將所述融合紅外圖像特征輸入預(yù)測模塊，獲得紅外圖像中的紅外小目標(biāo)分割的結(jié)果圖像。
7、進(jìn)一步地，所述特征融合模塊包括級聯(lián)的至少一個(gè)特征融合子模塊；
8、所述分別將各個(gè)注意力模塊輸出的不同尺度的注意力特征輸入特征融合模塊，包括：
9、將與所述多尺度分層特征集成模塊對應(yīng)的注意力模塊輸出的注意力特征作為低級特征輸入特征融合模塊中最底層的特征融合子模塊，并將前一上采樣層級的特征融合子模塊的輸出特征作為低級特征輸入下一上采樣層級的特征融合子模塊；
10、將與各個(gè)下采樣模塊對應(yīng)的注意力模塊輸出的注意力特征，分別作為高級特征跳層輸入至尺度對應(yīng)的特征融合子模塊中。
11、進(jìn)一步地，所述注意力模塊為局部對比注意力模塊，所述局部對比注意力模塊用于完成如下操作：
12、通過給定尺度下的第一卷積核分別計(jì)算輸入所述局部對比注意力模塊的第一輸入特征在八個(gè)不同方向的方向梯度，并將位于對立方向的方向梯度相乘，獲得給定尺度下的多個(gè)差異度量：
13、
14、其中，dn,nl表示給定尺度下的差異度量，l表示不同的尺度，l＝1,2,...,k，fin1表示第一輸入特征，convi表示第一卷積核，i＝1,2,...,8；
15、從給定尺度下的各個(gè)差異度量中計(jì)算給定尺度下的對比度顯著圖csmnl：
16、
17、將不同尺度下的對比度顯著圖與第一輸入特征進(jìn)行殘差連接，獲得對比度顯著特征fcsm：
18、
19、分別計(jì)算所述對比度顯著特征的通道注意力圖和所述對比度顯著特征的空間注意力圖，并基于所述通道注意力圖和空間注意力圖計(jì)算局部對比注意力flcam：
20、
21、其中，mc表示對比度顯著特征的通道注意力圖，ms表示對比度顯著特征的空間注意力圖，表示元素相乘運(yùn)算，表示元素相加運(yùn)算；
22、其中，所述第一卷積核表示為：
23、λi＝-1,λelse＝0,i＝1,2,...,8
24、其中，所述第一卷積核分割為9個(gè)具有相同行列數(shù)的子塊，不同尺度下的第一卷積核中的行列數(shù)不同。
25、進(jìn)一步地，所述分別計(jì)算所述對比度顯著特征的通道注意力圖和所述對比度顯著特征的空間注意力圖包括：
26、mc＝σ(fc(gap(con1×1(fcsm(fin1)))))
27、ms＝σ(con1×1(fcsm(fin1)))
28、其中，σ表示激活函數(shù)，fc為全連接運(yùn)算，gap表示平均池化運(yùn)算，con1×1為內(nèi)核大小為1本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種多尺度局部對比度注意力紅外小目標(biāo)檢測方法，其特征在于，所述方法包括：
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述特征融合模塊包括級聯(lián)的至少一個(gè)特征融合子模塊；
3.根據(jù)權(quán)利要求1或2所述的方法，其特征在于，所述注意力模塊為局部對比注意力模塊，所述局部對比注意力模塊用于完成如下操作：
4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述分別計(jì)算所述對比度顯著特征的通道注意力圖和所述對比度顯著特征的空間注意力圖包括：
5.根據(jù)權(quán)利要求1或2所述的方法，其特征在于，所述多尺度分層特征集成模塊用于完成如下操作：
6.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述特征融合子模塊為動(dòng)態(tài)特征交叉感知模塊，所述動(dòng)態(tài)特征交叉感知模塊用于完成如下操作：
7.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述主干網(wǎng)絡(luò)包括級聯(lián)的第一下采樣模塊、第二下采樣模塊和第三下采樣模塊，所述第一下采樣模塊輸出的特征為第一下采樣紅外圖像特征，第二下采樣模塊輸出的特征為第二下采樣紅外圖像特征。
8.根據(jù)權(quán)利要求7所述的方法，其特征在于，所述特
9.根據(jù)權(quán)利要求1所述的方法，其特征在于，在將初始紅外圖像輸入特征輸入預(yù)設(shè)的主干網(wǎng)絡(luò)進(jìn)行特征編碼之前，所述方法包括：
...【技術(shù)特征摘要】
1.一種多尺度局部對比度注意力紅外小目標(biāo)檢測方法，其特征在于，所述方法包括：
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述特征融合模塊包括級聯(lián)的至少一個(gè)特征融合子模塊；
3.根據(jù)權(quán)利要求1或2所述的方法，其特征在于，所述注意力模塊為局部對比注意力模塊，所述局部對比注意力模塊用于完成如下操作：
4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述分別計(jì)算所述對比度顯著特征的通道注意力圖和所述對比度顯著特征的空間注意力圖包括：
5.根據(jù)權(quán)利要求1或2所述的方法，其特征在于，所述多尺度分層特征集成模塊用于完成如下操作：
6.根據(jù)權(quán)利要求...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：董明利，李茂勇，鄧?yán)?/a>，郭學(xué)東，祝連慶，
申請(專利權(quán))人：廣州市南沙區(qū)北科光子感知技術(shù)研究院，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會(huì)獲得科技券。