【技術(shù)實(shí)現(xiàn)步驟摘要】
本專(zhuān)利技術(shù)涉及圖像處理、目標(biāo)檢測(cè)，具體涉及一種基于屬性引導(dǎo)特征加權(quán)融合的紅外小目標(biāo)檢測(cè)方法和系統(tǒng)。
技術(shù)介紹
1、紅外小目標(biāo)檢測(cè)對(duì)于紅外早期預(yù)警和低慢小目標(biāo)監(jiān)控至關(guān)重要。隨著多彈頭導(dǎo)彈和無(wú)人機(jī)群等技術(shù)的常規(guī)部署，漏檢目標(biāo)可能會(huì)構(gòu)成重大的安全威脅。因此，對(duì)集群多小目標(biāo)進(jìn)行魯棒檢測(cè)具有重要意義。由于遠(yuǎn)距離探測(cè)或目標(biāo)尺寸等因素影響，目標(biāo)在紅外圖像中占據(jù)的面積非常小，像素面積在幾個(gè)像素到幾十個(gè)像素之間。此外，考慮到多個(gè)目標(biāo)的密集狀態(tài)和復(fù)雜的背景干擾，實(shí)現(xiàn)紅外集群小目標(biāo)的精確檢測(cè)仍然是一個(gè)具有挑戰(zhàn)性的問(wèn)題。
2、現(xiàn)有的紅外小目標(biāo)檢測(cè)方法可分為三類(lèi)：第一類(lèi)是基于背景估計(jì)濾波的方法，如小波霍夫變換(wavelet?hough?transform)和頂帽濾波(top-hat)等，它們簡(jiǎn)單快捷但在復(fù)雜場(chǎng)景中的檢測(cè)性能較差。第二類(lèi)是基于低秩稀疏的方法，它們通過(guò)分解低秩背景和稀疏目標(biāo)，將目標(biāo)檢測(cè)任務(wù)轉(zhuǎn)化為矩陣或張量恢復(fù)問(wèn)題，如紅外塊圖像模型(ipi)和張量核范數(shù)的部分和模型(pstnn)，但該算法對(duì)一些角點(diǎn)和突出邊緣敏感。第三類(lèi)是基于局部特征的方法，通過(guò)設(shè)計(jì)不同的局部窗口結(jié)構(gòu)和局部對(duì)比度測(cè)量算子來(lái)表征目標(biāo)與局部背景差異，如多尺度塊對(duì)比度測(cè)量(mpcm)和三層局部對(duì)比度測(cè)量(tllcm)。為了充分提取小目標(biāo)的局部特征，研究人員還探索了不同的方法，如利用隨機(jī)游走的像素級(jí)局部對(duì)比度測(cè)量(pllcm)和利用局部梯度特征的局部強(qiáng)度梯度模型(lig)。當(dāng)面對(duì)局部強(qiáng)度與目標(biāo)相似的雜波時(shí)，局部特征方法存在局限性，為此，也有研究人員通過(guò)融合全局特征來(lái)彌補(bǔ)局
3、申請(qǐng)?zhí)?cn202410107284.8)的專(zhuān)利文獻(xiàn)提出了一種基于局部差異與全局特征的紅外單小目標(biāo)檢測(cè)方法和系統(tǒng)，通過(guò)局部窗口計(jì)算局部差異特征，通過(guò)該特征獲取候選目標(biāo)，構(gòu)建候選目標(biāo)點(diǎn)的全局獨(dú)特性特征提取模型，通過(guò)局部差異特征與全局特征的融合提高檢測(cè)性能。
4、上述基于局部特征的方法雖然通過(guò)不同方式提高了局部特征準(zhǔn)確度，但通常都假設(shè)局部窗口內(nèi)僅存在單個(gè)目標(biāo)，當(dāng)面對(duì)集群多目標(biāo)時(shí)，局部特征提取精度降低。而上述加入了全局獨(dú)特性特征的方法是針對(duì)單目標(biāo)檢測(cè)設(shè)計(jì)，無(wú)法有效提取集群多目標(biāo)的特征，導(dǎo)致集群目標(biāo)檢測(cè)性能降低。
技術(shù)實(shí)現(xiàn)思路
1、有鑒于此，本專(zhuān)利技術(shù)的目的是提供一種基于屬性引導(dǎo)特征加權(quán)融合的紅外小目標(biāo)檢測(cè)方法和系統(tǒng)。一方面，本專(zhuān)利技術(shù)設(shè)計(jì)小目標(biāo)尺寸屬性規(guī)則，引入屬性濾波獲取屬性差分，實(shí)現(xiàn)快速的候選目標(biāo)提取，同時(shí)，該屬性差分不僅可以指導(dǎo)改進(jìn)的密度峰值聚類(lèi)的參數(shù)設(shè)置，還可以推導(dǎo)特征融合的權(quán)重。另一方面，本專(zhuān)利技術(shù)設(shè)計(jì)了改進(jìn)的密度峰值聚類(lèi)算法，構(gòu)造了基于改進(jìn)的密度峰值聚類(lèi)的局部特征提取模型，能夠準(zhǔn)確地表示集群多目標(biāo)的局部特征。再一方面，本專(zhuān)利技術(shù)基于小目標(biāo)灰度統(tǒng)計(jì)特性，構(gòu)造了灰度貢獻(xiàn)模型來(lái)提取小目標(biāo)的全局特征。通過(guò)局部和全局特征的加權(quán)融合，從而有效增強(qiáng)集群目標(biāo)并抑制背景雜波。本專(zhuān)利技術(shù)克服了現(xiàn)有方法的不足，具有更好的集群多目標(biāo)增強(qiáng)效果和更高的多目標(biāo)檢測(cè)性能。
2、本專(zhuān)利技術(shù)解決其技術(shù)問(wèn)題具體采用的技術(shù)方案是：一種基于屬性引導(dǎo)特征加權(quán)融合的紅外小目標(biāo)檢測(cè)方法，包括如下步驟：
3、步驟1，獲取待檢測(cè)的單幀原始紅外圖像；
4、步驟2，獲得原始紅外圖像對(duì)應(yīng)的亮目標(biāo)屬性差分圖；
5、步驟3，對(duì)屬性差分圖進(jìn)行閾值分割，得到候選目標(biāo)集合；
6、步驟4，計(jì)算候選目標(biāo)集合中每個(gè)像素點(diǎn)的局部灰度差異特征，得到局部灰度差異特征圖；
7、步驟5，計(jì)算候選目標(biāo)集中每個(gè)像素點(diǎn)的灰度貢獻(xiàn)度特征，得到灰度貢獻(xiàn)度特征圖；
8、步驟6，根據(jù)步驟2得到的屬性差分圖、步驟4得到的局部灰度差異特征圖,和步驟5得到的貢獻(xiàn)度特征圖，構(gòu)建加權(quán)融合圖；
9、步驟7，對(duì)加權(quán)融合圖進(jìn)行最大類(lèi)間方差閾值分割，獲取紅外小目標(biāo)檢測(cè)結(jié)果。
10、進(jìn)一步的，步驟2的具體實(shí)現(xiàn)方式如下；
11、首先設(shè)定屬性規(guī)則表示對(duì)原始紅外圖像的每個(gè)區(qū)域的δ屬性的值與參考值k進(jìn)行比較，保留小于等于參考值k的區(qū)域，進(jìn)行濾波操作，然后通過(guò)如下公式計(jì)算屬性剖面圖：
12、
13、其中γ(o)是屬性細(xì)化操作，o是原始紅外圖像；最后計(jì)算亮目標(biāo)屬性差分圖：
14、sb＝min|o-ap(o)|。
15、進(jìn)一步的，步驟3的具體實(shí)現(xiàn)方式如下；
16、根據(jù)屬性差分圖，計(jì)算分割的閾值：
17、thc＝max(α×v1,vk)
18、其中v1和vk代表屬性差分圖sb的最大和第k大的像素值，α和k是經(jīng)驗(yàn)常數(shù)；然后將屬性差分圖中大于閾值的像素保留，得到候選目標(biāo)集dct。
19、進(jìn)一步的，步驟4中逐一對(duì)候選目標(biāo)集中每一個(gè)像素dz∈dct進(jìn)行如下處理：在原始紅外圖像o中以dz的坐標(biāo)(xz,yz)為中心，構(gòu)造lp1×lp1像素大小的局部塊p1，然后利用改進(jìn)的密度峰值聚類(lèi)方法進(jìn)行分類(lèi)并重標(biāo)記，得到分類(lèi)標(biāo)記結(jié)果，將局部塊p1分類(lèi)為中心目標(biāo)區(qū)tc、非中心目標(biāo)區(qū)tk、噪聲點(diǎn)nj、最近鄰背景區(qū)abi以及非近鄰背景區(qū)nabi；根據(jù)分類(lèi)結(jié)果，計(jì)算候選目標(biāo)像素dz的局部灰度差異特征，計(jì)算完所有候選目標(biāo)像素后，得到局部灰度差異特征圖pld；其中dct表示候選目標(biāo)集。
20、進(jìn)一步的，步驟4的具體實(shí)現(xiàn)包括如下子步驟：
21、步驟4.1，首先定義局部窗口的所有像素組成數(shù)據(jù)集p如下：
22、p＝{pixi＝(ii,xi,yi),i＝1,2,3,…,n}
23、其中，pixi指局部窗口內(nèi)第i個(gè)像素，ii是像素灰度，xi和yi是像素pixi在局部塊p1內(nèi)的坐標(biāo)，n是局部塊內(nèi)所有像素總數(shù)量；由于小目標(biāo)在圖像中具有空間位置，在針對(duì)圖像局部區(qū)域聚類(lèi)中，加入坐標(biāo)因素，定義任意兩個(gè)數(shù)據(jù)點(diǎn)pixi和pixj之間的距離為：
24、
25、步驟4.2，定義截?cái)嗑嚯xdc為：
26、dc(xi,yi)＝σ×sb(xi,yi)
27、其中σ是增益因子，sb是屬性差分圖；
28、步驟4.3，根據(jù)截?cái)嗑嚯x逐一計(jì)算塊內(nèi)每一個(gè)像素點(diǎn)pixi的局部密度ρi和局部距離δi；
29、步驟4.4，為了更快速的確定聚類(lèi)中心，將所有像素點(diǎn)的δi值進(jìn)行降序排序，將前n的像素點(diǎn)全都標(biāo)記為聚類(lèi)中心，分別用編號(hào)c1、c2、c3、…、cn標(biāo)記；
30、步驟4.5，將剩余點(diǎn)逐一歸類(lèi)于其最近鄰且密度比其大的數(shù)據(jù)點(diǎn)所在的類(lèi)，定義數(shù)組c為聚類(lèi)結(jié)果，假設(shè)經(jīng)過(guò)聚類(lèi)后c中包含cn個(gè)類(lèi)別；
31、步驟4.6，聚類(lèi)結(jié)果初標(biāo)記：對(duì)每個(gè)類(lèi)別像素集根據(jù)以下尺度條件分別進(jìn)行初標(biāo)記：
32、
33、其中，h和w分別是某類(lèi)像素集在垂直方向和水平方向的最大坐標(biāo)距離，bi、nj以及t分別表示背景區(qū)、噪聲和目標(biāo)區(qū)；
34、步驟4.7，聚類(lèi)結(jié)果重標(biāo)記：定義t中位于p1塊中心的目標(biāo)區(qū)為當(dāng)前塊的中心目標(biāo)區(qū)tc，其余為非中本文檔來(lái)自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種基于屬性引導(dǎo)特征加權(quán)融合的紅外小目標(biāo)檢測(cè)方法，其特征在于，包括如下步驟：
2.如權(quán)利要求1所述的一種基于屬性引導(dǎo)特征加權(quán)融合的紅外小目標(biāo)檢測(cè)方法，其特征在于：步驟2的具體實(shí)現(xiàn)方式如下；
3.如權(quán)利要求1所述的一種基于屬性引導(dǎo)特征加權(quán)融合的紅外小目標(biāo)檢測(cè)方法，其特征在于：步驟3的具體實(shí)現(xiàn)方式如下；
4.如權(quán)利要求1所述的一種基于屬性引導(dǎo)特征加權(quán)融合的紅外小目標(biāo)檢測(cè)方法，其特征在于：步驟4中逐一對(duì)候選目標(biāo)集中每一個(gè)像素Dz∈Dct進(jìn)行如下處理：在原始紅外圖像O中以Dz的坐標(biāo)(xz,yz)為中心，構(gòu)造LP1×LP1像素大小的局部塊P1，然后利用改進(jìn)的密度峰值聚類(lèi)方法進(jìn)行分類(lèi)并重標(biāo)記，得到分類(lèi)標(biāo)記結(jié)果，將局部塊P1分類(lèi)為中心目標(biāo)區(qū)Tc、非中心目標(biāo)區(qū)Tk、噪聲點(diǎn)Nj、最近鄰背景區(qū)aBi以及非近鄰背景區(qū)naBi；根據(jù)分類(lèi)結(jié)果，計(jì)算候選目標(biāo)像素Dz的局部灰度差異特征，計(jì)算完所有候選目標(biāo)像素后，得到局部灰度差異特征圖PLD；其中Dct表示候選目標(biāo)集。
5.如權(quán)利要求4所述的一種基于屬性引導(dǎo)特征加權(quán)融合的紅外小目標(biāo)檢測(cè)方法，其特征在于：步驟4
6.如權(quán)利要求5所述的一種基于屬性引導(dǎo)特征加權(quán)融合的紅外小目標(biāo)檢測(cè)方法，其特征在于：步驟4.3中ρi的計(jì)算公式如下：
7.如權(quán)利要求1所述的一種基于屬性引導(dǎo)特征加權(quán)融合的紅外小目標(biāo)檢測(cè)方法，其特征在于：步驟5的具體實(shí)現(xiàn)包括如下子步驟：
8.如權(quán)利要求1所述的一種基于屬性引導(dǎo)特征加權(quán)融合的紅外小目標(biāo)檢測(cè)方法，其特征在于：步驟6的具體實(shí)現(xiàn)包括如下子步驟：
9.如權(quán)利要求1所述的一種基于屬性引導(dǎo)特征加權(quán)融合的紅外小目標(biāo)檢測(cè)方法，其特征在于：步驟7的具體實(shí)現(xiàn)方式如下：
10.一種基于屬性引導(dǎo)特征加權(quán)融合的紅外單小目標(biāo)檢測(cè)系統(tǒng)，其特征在于，包括如下模塊：
...【技術(shù)特征摘要】
1.一種基于屬性引導(dǎo)特征加權(quán)融合的紅外小目標(biāo)檢測(cè)方法，其特征在于，包括如下步驟：
2.如權(quán)利要求1所述的一種基于屬性引導(dǎo)特征加權(quán)融合的紅外小目標(biāo)檢測(cè)方法，其特征在于：步驟2的具體實(shí)現(xiàn)方式如下；
3.如權(quán)利要求1所述的一種基于屬性引導(dǎo)特征加權(quán)融合的紅外小目標(biāo)檢測(cè)方法，其特征在于：步驟3的具體實(shí)現(xiàn)方式如下；
4.如權(quán)利要求1所述的一種基于屬性引導(dǎo)特征加權(quán)融合的紅外小目標(biāo)檢測(cè)方法，其特征在于：步驟4中逐一對(duì)候選目標(biāo)集中每一個(gè)像素dz∈dct進(jìn)行如下處理：在原始紅外圖像o中以dz的坐標(biāo)(xz,yz)為中心，構(gòu)造lp1×lp1像素大小的局部塊p1，然后利用改進(jìn)的密度峰值聚類(lèi)方法進(jìn)行分類(lèi)并重標(biāo)記，得到分類(lèi)標(biāo)記結(jié)果，將局部塊p1分類(lèi)為中心目標(biāo)區(qū)tc、非中心目標(biāo)區(qū)tk、噪聲點(diǎn)nj、最近鄰背景區(qū)abi以及非近鄰背景區(qū)nabi；根據(jù)分類(lèi)結(jié)果，計(jì)算候選目標(biāo)像素dz的局部灰度差異特征，計(jì)算完所...
【專(zhuān)利技術(shù)屬性】
技術(shù)研發(fā)人員：吳浪，章瀚丹，
申請(qǐng)(專(zhuān)利權(quán))人：西南大學(xué)，
類(lèi)型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。