一种基于差异加权局部对比度的红外弱小目标检测方法

1.本发明属于红外探测技术邻域，具体涉及一种基于差异加权局部对比度的红外弱小目标检测方法。


背景技术：

2.红外弱小目标检测作为红外探测技术中的一个重要分支，在各种领域中发挥着重要的作用，由于这类目标与探测器之间的距离较远或本身就小，导致目标在红外图像中占据的像素数过少，且通常缺乏丰富的纹理特征信息。另一方面，目标的红外辐射本身就弱或经过大气的散射与吸收后变得非常微弱，导致目标成像的灰度值较低，在图像中呈现为一个微弱的暗点，信噪比相对较低。、这些因素会给红外弱小目标检测任务带来极大的困难。因此，红外弱小目标检测算法的研究具有十分重要的意义。
3.红外弱小目标检测方法根据检测流程可以分为两种，即跟踪前检测(detect before track，dbt)和检测前跟踪(track before detect，tbd)两大类，dbt算法对于存在复杂背景干扰的红外图像，该类算法在检测精度上将受到挑战。tbd方法在一般的场景下较dbt能够取得更好的检测效果，但是由于该类算法复杂程度较高，需要处理的数据量大，所以在实际应用中实时性一般难以达到要求。


技术实现要素：

4.为克服上述现有技术的缺点，本发明的主要目的在于提供一种基于差异加权局部对比度的红外弱小目标检测方法，以期兼顾检测精度与算法复杂度的要求。
5.为实现上述目的，本发明采取的技术方案是：
6.一种基于差异加权局部对比度的红外弱小目标检测方法，其特征在于：
7.步骤1，选择尺度大小p，p＝3,5,7,9,11,
…
,p
max
；p
max
小于图像大小；
8.步骤2，对于原始红外图像，在各个尺度p下计算局部差异因子s
p
；
9.步骤3，对于原始红外图像，在各个尺度p下计算相对局部对比度r
p
；
10.步骤4，筛选出全部尺度下局部差异因子以及相对局部对比度的最大值和最小值，并将其归一化到[0,1]区间，得到归一化后的局部差异因子s
p
和相对局部对比度r
p
；
[0011]
步骤5，将s
p
和r
p
相结合，得到不同尺度下的局部对比度显著图c
p
，通过最大池化操作，即在当前像素位置用最大的局部对比度作为最终的显著度，换取尺度的不变性，以获得最终显著图c；
[0012]
步骤6，基于所述最终显著图c，利用自适应均值方差的阈值分割法得到二值化图，最终检测结果y在二值化图中体现为高亮的点。
[0013]
本发明与现有技术相比，具有以下优点：
[0014]
本发明算法使用的差异加权局部对比度的红外弱小目标检测方法在各种复杂场景中都具有良好的检测性能，与现有的技术在复杂背景中的处理结果相比，在检测显著图中，多余的背景残留很少，且也不再出现块效应，本发明的算法背景抑制能力更强，大大提
高了目标的信杂比，减少噪声的干扰。
附图说明
[0015]
图1为本发明流程示意图。
[0016]
图2为红外图像示意图。
[0017]
图3为局部图像块示意图。
[0018]
图4为本发明二维矩阵转换示意图。
[0019]
图5为本发明中心单元格与周围单元格示意图。
[0020]
图6为本发明实施例在不同场景中结果图，其中，(a)为原始图像，(b)为目标图像，(c)为本发明检测结果。
具体实施方式
[0021]
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，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0022]
如前所述，跟踪前检测方法在背景复杂的红外图像检测中，往往因为受到背景影响而导致其检测精度不高。检测前跟踪方法能较好克服该问题，但是其算法复杂，对计算单元的功能要求较高，实用性受到制约。基于此，本发明提供了一种基于差异加权局部对比度的红外弱小目标检测方法，针对高亮度像素噪声的干扰，多尺度方法带来的“块效应”，以及复杂背景边缘的干扰作出一系列改进。
[0023]
为论证本发明方法的有效性，使用dai等人发布的红外弱小目标检测数据集进行实验仿真与分析，该数据集内的图像场景不同，一共有427张包含单个或多个弱小目标的红外图像，所有图像的尺寸都小于300
×
300，目标尺寸从单个像素到几十个像素不等，约50％的目标尺寸小于3
×
3。该数据集不仅存在简单场景，也有诸如云层、建筑物、海面等复杂场景，图像相互之间没有相关性，是一个专用于单帧的红外弱小目标检测的数据集。参考图1，针对该图像数据集的红外弱小目标检测基本流程如下：
[0024]
步骤1，选择合适的尺度大小p，p＝3,5,7,9,11,
…
,p
max
；如图2所示，其中p
max
显然应小于图像大小；本实施例中，选用四个尺度(p＝3,5,7,9)。
[0025]
在图2中，目标区域t位于局部背景v，局部背景v则位于红外图像w。本发明中，目标区域指的是：位于局部背景v中心的区域；局部背景指的是：以目标区域为中心，目标区域的3倍大小构成的图像块。
[0026]
步骤2，在各个尺度p下计算原始红外图像对应的局部差异因子s
p
。具体可包括如下步骤：
[0027]
步骤2.1，如图3所示，在大小为m
×
n的红外图像f中，以给定的像素点(i,j)为中心，划分一个大小为3p
×
3p的局部图像块g
ij
，局部图像块g
ij
内分为9个大小为p
×
p的单元格构成一个二维矩阵。
[0028]
步骤2.2，如图4中(a)所示，各个单元格沿着列方向，将该二维矩阵变为一个一维的列向量再如图4中(b)所示，将9个列向量重新组合成一个二维矩阵x
ij
，
[0029]
步骤2.3，定义一种局部能量因子e
ij
，作为描述局部差异的基础。该局部能量因子e
ij
表达式如下所示：
[0030][0031]
其中，表示矩阵的f范数的平方，的每一列都是x
ij
的平均行向量，即每一列的元素依次是x
ij
每行元素的均值。
[0032]
步骤2.4，在矩阵x
ij
中去除最中间的第5列元素留下8个列向量，得到一个去中心化矩阵x
ij
′
。
[0033]
步骤2.5，根据x
ij
′
的局部能量因子，得到红外图像f中的任意一个像素点(i,j)的局部差异因子s
ij
。
[0034][0035]
其中，col(x
ij
)表示矩阵x
ij
的列数，col(x
ij
′
)表示矩阵x
ij
′
的列数，e
ij
′
表示x
ij
′
的局部能量因子，尺度p下每个像素点的局部差异因子s
ij
即组成了s
p
。
[0036]
步骤3，对于原始红外图像，在各个尺度p下计算相对局部对比度r
p
。
[0037]
步骤3.1，根据下式，求出原始红外图像的背景估计值i
meanω
。
[0038][0039]
其中，nu表示第i个单元格中的像素数，是第i个单元格中的第j个像素的灰度值，meani表示第i个除中心单元格外周围单元格内像素灰度的均值，i＝1,2,3,
…
,8，如图5所示。
[0040]
本发明中，中心单元格表示如图5所示位于局部图像块中心的区域；周围单元格指如图5所示在局部图像块中心区域周围的8个单元格。
[0041]
步骤3.2，根据下式，求取目标估计值i
mean0
，i
mean0
表示为中心单元格内像素极大灰度值的均值加权和。
[0042][0043]
其中，为中心单元格内第i大的灰度值，k1、k2、k3为极大灰度值的个数，λ1、λ2、λ3分别为加权系数。本实施例中，k1、k2、k3分别取1,2,3；λ1、λ2、λ3分别取0.7、0.2、0.1。
[0044]
步骤3.3，根据下式，求取相对局部对比度r
ij
。
[0045][0046]
其中，f为对中心单元格的增强因子；尺度p下各个相对局部对比度r
ij
即组成了r
p
。
[0047]
步骤3.4，为了避免块效应，通过下式决策避免一些灰度较低的像素点得到不必要的增强，对目标灰度值进行估计。
[0048][0049]
其中，f(i,j)表示像素点(i,j)的灰度值，f
max
表示中心单元格的灰度最大值，ψ表示一个系数，通常取0.8。
[0050]
步骤4，筛选出全部尺度下局部差异因子以及相对局部对比度的最大值和最小值，将它们归一化到[0,1]区间，得到归一化后的局部差异因子s
p
和相对局部对比度r
p
。
[0051]
归一化后的结果s
p
(i,j)和r
p
(i,j)根据下式计算：
[0052]sp
(i,j)＝(s
p
(i,j)-s
min
)/(s
max-s
min
)
[0053]rp
(i,j)＝(r
p
(i,j)-r
min
)/(r
max-r
min
)
[0054]
其中，s
min
和s
max
分别是像素点(i,j)在所有尺度下局部差异因子s
p
(i,j)的最小值和最大值，r
min
和r
max
分别是像素点(i,j)在所有尺度下相对局部对比度r
p
(i,j)的最小值和最大值；所有的s
p
(i,j)即组成了s
p
，所有的r
p
(i,j)即组成了r
p
。
[0055]
步骤5，将s
p
和r
p
相结合，得到不同尺度下的局部对比度显著图c
p
，通过最大池化操作，即在当前像素位置用最大的局部对比度作为最终的显著度，换取尺度的不变性，以获得最终显著图c。
[0056]
本步骤中，设计一种置信度表示最终局部对比度，最终显著图c的获取步骤如下：
[0057]
步骤5.1，根据下式计算置信度，得到不同尺度的局部对比度显著图c
p
。
[0058]cp
＝(s
p
×rp
)2[0059]
步骤5.2，为了获得有效的局部对比度，将每个尺度下得到的局部对比度显著图放在同一个池化层中，然后在每个像素位置上取各个尺度下计算的c
p
(i,j)的最大值作为最终的局部对比度c(i,j)，以获得有效的局部对比度，计算式如下：
[0060][0061]
所有的c(i,j)即组成了最终显著图c。
[0062]
步骤6，利用自适应均值方差的阈值分割法得到二值化图，得到最终检测结果y。具体地，基于最终显著图c，利用自适应均值方差的阈值分割法得到二值化图，最终检测结果y在二值化图中体现为高亮的点。
[0063]
图6示出了不同场景下的结果，从其中(a)、(b)和(c)可以看出，本发明算法在红外弱小目标领域中具有良好的效果。下表是几种不同算法的性能比较，可以看出，本发明算法在跟其他弱小目标检测算法相比，在整体性能上有了较大的提高。
[0064] maxmeantop-hatipilcmrlcm本发明scr4.490117.119916.7662.81184.130627.7835σb16.549311.294611.556654.775747.39286.8652bsf0.69461.01821.32510.20990.24271.6751运行时间/s0.00430.00256.31010.06240.62058.6513