基于局部对比度和梯度的红外弱小目标检测方法

1.本发明涉及红外小目标检测技术领域，具体涉及一种基于局部对比度和梯度的红外弱小目标检测方法。


背景技术：

2.红外技术的快速发展促使其应用领域覆盖到军事、医疗、检测、通信等各个方面。由于成像目标和红外探测器之间的距离远，导致成像后表现出对比度低、像素较少和缺乏纹理特征的特点；加上红外图像容易受雾、雨、霾等恶劣天气的影响，红外弱小目标极容易被淹没，检测起来极为困难。因此，复杂背景条件下红外弱小目标检测一直是研究热点和难点。
3.目前，针对红外弱小目标的检测常采用基于频谱残差的检测方法和基于局部对比度的检测方法。基于频谱残差的检测方法，如hou和zhang通过保留规范的特性，抑制其余的特性来检测红外弱小目标，该方法虽然简单，但是却无法很好的抑制背景杂波，导致虚警率高、目标检测率降低(saliency detection:a spectral residual approach，hou x d and zhang l q，proceedings of 2007ieee conference on computer vision and pattern recognition(cvpr)，2007)。基于局部对比度的检测方法，如华中科技大学的wei等人利用多尺度中块的对比度不同的方式来检测目标，虽然能够不丢失目标的特征，但是该方法不适合检测红外弱小目标，无法实现对红外弱小目标的有效检测(multiscale patch-based contrast measure for small infrared target detection，wei y t，you x g and li h，pattern recognition，2016)。


技术实现要素：

4.为了解决现有针对红外弱小目标的检测方法存在的背景杂波难以抑制、虚警率高、目标检测率较低、甚至无法有效检测的问题，本发明提供一种基于局部对比度和梯度的红外弱小目标检测方法。
5.本发明为解决技术问题所采用的技术方案如下：
6.本发明的基于局部对比度和梯度的红外弱小目标检测方法，包括以下步骤：
7.步骤一、构建高斯差分金字塔提取图像的兴趣点；
8.步骤二、通过自适应阈值分割消除边缘响应；
9.步骤三、构造多尺度空间进行极值点检测；
10.步骤四、利用局部对比度计算方法增强目标；
11.步骤五、通过梯度方向计算获得检测结果。
12.进一步的，步骤一的具体过程如下：
13.利用不同尺度的高斯核与输入的红外图像卷积生成多尺度空间，将红外图像与高斯函数进行卷积得到一幅具有低通滤波效果的图像，背景杂波被抑制，目标与背景之间的对比被增强。
14.进一步的，步骤二的具体过程如下：
15.为避免高斯差分后的图像边缘对极值点检测造成的干扰，采用自适应阈值分割去除图像不稳定的边缘响应点，增强图像匹配稳定性，提高抗噪声能力。
16.进一步的，步骤三的具体过程如下：
17.对高斯差分金字塔中的每一层都进行多尺度空间的极值点检测，将每一个极值点作为候选点，在每个候选点的位置上，通过拟和函数确定极值点的位置和尺度，同时去除低对比度的候选点，以提高检测率。
18.进一步的，步骤四的具体过程如下：
19.为避免背景噪声和边缘响应对极值点检测造成的干扰，利用红外弱小目标所在的区域与其邻近区域的差异进行局部对比计算，在增强目标的同时可抑制背景杂波。
20.进一步的，步骤五的具体过程如下：
21.红外图像包括背景、目标和噪声，背景在空间上呈现平缓分布状态，目标则是显著区域，具有局部强度特性，目标像素在每个方向上都有梯度特性，具有强边缘背景的梯度方向是一致的；通过梯度方向计算后可剔除背景和虚假目标，准确检测出红外弱小目标。
22.本发明的有益效果是：
23.本发明的一种基于局部对比度和梯度的红外弱小目标检测方法，利用局部对比度计算和梯度计算实现红外弱小目标检测，主要包括：通过构建高斯差分金字塔提取图像的兴趣点，通过自适应阈值分割消除边缘响应，构构造多尺度空间进行极值点检测，利用局部对比度计算方法增强目标，通过梯度方向计算获得检测结果。
24.与现有技术相比，本发明具有以下优点：
25.(1)利用本发明的检测方法在各种场景下对红外弱小目标进行检测，其目标检测率(检测到的目标数量和真实目标数量的比值)均高达0.989，目标检测率高，鲁棒性更好。
26.(2)本发明利用高斯差分金字塔进行极值点检测，提高了极值点检测精度和效果。
27.(3)本发明利用局部对比度计算和梯度计算相结合，有效地抑制了背景杂波并且提高了目标检测率、降低了虚警率，实现了对各种场景下对红外弱小目标的检测。
附图说明
28.图1为本发明的一种基于局部对比度和梯度的红外弱小目标检测方法的流程图。
29.图2为利用本发明的一种基于局部对比度和梯度的红外弱小目标检测方法对输入的多幅红外图像进行检测的结果。图中，a1-a5分别为输入的复杂云层场景红外图像、对应的极值点检测结果、对应的局部对比度计算结果、对应的梯度方向计算结果、对应的检测结果三维图，b1-b5分别为输入的建筑场景红外图像、对应的极值点检测结果、对应的局部对比度计算结果、对应的梯度方向计算结果、对应的检测结果三维图，c1-c5分别为输入的海天场景红外图像、对应的极值点检测结果、对应的局部对比度计算结果、对应的梯度方向计算结果、对应的检测结果三维图，d1-d5分别为输入的复杂地面场景红外图像、对应的极值点检测结果、对应的局部对比度计算结果、对应的梯度方向计算结果、对应的检测结果三维图。
具体实施方式
30.以下结合附图对本发明作进一步详细说明。
31.如图1所示，本发明的一种基于局部对比度和梯度的红外弱小目标检测方法，主要包括以下步骤：输入红外图像
→
构建高斯差分金字塔
→
自适应阈值分割
→
多尺度空间极值点检测
→
局部对比度计算
→
梯度方向计算。
32.本发明的一种基于局部对比度和梯度的红外弱小目标检测方法，具体操作步骤如下：
33.步骤一、构建高斯差分金字塔提取图像的兴趣点
34.利用不同尺度的高斯核与输入的红外图像卷积生成多尺度空间，将红外图像与高斯函数进行卷积可以得到一幅具有低通滤波效果的图像，抑制了背景杂波，增强了目标与背景之间的对比。
35.步骤二、通过自适应阈值分割消除边缘响应
36.高斯差分对于图像边缘有很强的响应，因此经过高斯差分后的图像边缘可能会对极值点检测造成干扰，所以采用自适应阈值分割去除图像不稳定的边缘响应点，以增强图像匹配稳定性、提高抗噪声能力。
37.步骤三、构造多尺度空间进行极值点检测
38.为了寻找尺度空间的极值点，对高斯差分金字塔中的每一层都进行多尺度空间的极值点检测，将每一个极值点作为候选点，在每个候选点的位置上，通过拟和函数确定极值点的位置和尺度，同时去除低对比度的候选点，提高检测率。
39.步骤四、利用局部对比度计算方法增强目标
40.红外弱小目标背景复杂，背景噪声和边缘响应可能会对极值点检测造成干扰，因此，利用红外弱小目标所在的区域与其邻近区域的差异，提出了一种有效的局部对比计算方法，可以在增强目标的同时抑制背景杂波。
41.步骤五、通过梯度方向计算获得检测结果
42.红外图像主要可以分为背景、目标和噪声三部分。背景在空间上呈现平缓分布状态，目标则是显著区域，具有局部强度特性，目标像素在每个方向上都有梯度特性，具有强边缘背景的梯度方向通常是一致的。通过梯度方向计算后可以剔除背景和虚假目标，准确检测出红外弱小目标。
43.利用本发明的一种基于局部对比度和梯度的红外弱小目标检测方法对输入的八幅红外图像进行检测的结果如图2所示。
44.首先输入复杂云层场景红外图像(图2中a1)，构建高斯差分金字塔提取图像的兴趣点，通过自适应阈值分割消除边缘响应，构造多尺度空间进行极值点检测(结果图2中a2所示)，利用局部对比度计算方法增强目标(结果如图2中的a3所示)，通过梯度方向计算获得检测结果(结果如图2中的a4所示，对应的检测结果三维图如图2中a5所示)。
45.同理，首先输入建筑场景红外图像(图2中b1)，构建高斯差分金字塔提取图像的兴趣点，通过自适应阈值分割消除边缘响应，构造多尺度空间进行极值点检测(结果图2中b2所示)，利用局部对比度计算方法增强目标(结果如图2中的b3所示)，通过梯度方向计算获得检测结果(结果如图2中的b4所示，对应的检测结果三维图如图2中b5所示)。
46.同理，首先输入海天场景红外图像(图2中c1)，构建高斯差分金字塔提取图像的兴
趣点，通过自适应阈值分割消除边缘响应，构造多尺度空间进行极值点检测(结果图2中c2所示)，利用局部对比度计算方法增强目标(结果如图2中的c3所示)，通过梯度方向计算获得检测结果(结果如图2中的c4所示，对应的检测结果三维图如图2中c5所示)。
47.同理，首先输入复杂地面场景红外图像(图2中d1)，构建高斯差分金字塔提取图像的兴趣点，通过自适应阈值分割消除边缘响应，构造多尺度空间进行极值点检测(结果图2中d2所示)，利用局部对比度计算方法增强目标(结果如图2中的d3所示)，通过梯度方向计算获得检测结果(结果如图2中的d4所示，对应的检测结果三维图如图2中d5所示)。
48.通过上述试验可知，本发明的检测方法在各种场景下，目标检测率均达到了0.989，目标检测率较高，克服了现有检测方法存在的背景杂波难以抑制、虚警率高、目标检测率较低、甚至无法有效检测的技术问题。
49.以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。