红外目标检测方法、设备及介质技术

本发明专利技术涉及一种红外目标检测方法、设备及介质，所述方法包括：将红外图像进行超像素分割得到第一图像，并提取所述第一图像的边界超像素特征作为背景样本集；对所述背景样本集进行稠密误差重构，得到背景显著图；构建基于所述红外图像的无向图模型，并提取所述无向图模型的稀疏特征得到目标显著图；利用贝叶斯公式融合所述背景显著图和所述目标显著图，得到红外目标。本发明专利技术提供的红外目标检测方法、设备及介质，在对红外图像进行超像素分割的基础上，通过无向图模型提取稀疏特征，更加准确地突出显著性区域，并结合稠密误差重构方法，进一步提高检测结果的准确性。

【技术实现步骤摘要】
红外目标检测方法、设备及介质
本专利技术涉及一种图像处理
的方法，具体涉及一种红外目标检测方法、设备及介质。
技术介绍
红外目标检测是红外信号处理的核心技术，其应用于红外搜索与跟踪(Infraredsearchandtrack，IRST)系统、精确制导系统、目标监视系统、卫星遥感系统等多个领域。近年来，基于视觉注意机制的智能信息处理方法成为一大研究热点。显著性分析方法由于其快速的定位能力，被广泛应用于红外目标检测领域。显著性分析方法通过将图像特征和方向信息测度相结合，以减小目标搜索范围。其广泛应用于许多民用和军事方面，如图像分割、图像检测、物体识别、视频跟踪等。显著性检测算法通常分为视觉注意力检测和显著性目标检测。前者为估计人眼观察一幅图像时注视点的变化轨迹，后者是试图提取整个显著目标区域。显著区域的检测过程能转化为前景，背景的分割问题。基于背景先验的算法将图像边界视为伪背景区域，通过计算像素块与伪背景区域的相关性得到像素块的显著值。近年来，基于图模型的显著性分析算法因具有高检测准确率而受到关注。Harel将显著性检测定义为二值分割问题，并提出了基于图论的视觉显著性(graph-basedvisualsaliency，GBVS)模型，其通过基于全局特征方法测量图像显著性值。然而，该模型效率较低，无法清晰辨识目标轮廓。Jiang通过目标的独特性和背景区域的空间分布特点来评估像素的显著性。该方法简化了目标的定位过程，但其依赖于图像的边界特性，复杂背景下的识别精度较差。Yang等人通过像素块和背景之间的相关性，计算基于背景种子点的流形排序，并以此为基础对像素块的显著性进行评估。基于图模型的流形排序算法可以获得前景的可靠估计。但其显著图较模糊且过于强调边缘。上述基于图表示的图像显著性算法往往只利用了图像的低层特征，在复杂的场景中边界提取效果并不理想。其检测结果产生了不可避免的错误判断，因此，仅依靠单显著性检测模型很难提取完整的边界。为了克服单显著性检测算法的缺陷，Borji分别提取了RGB和LAB色彩空间中的局部与全局的图像块特征，并将其结合生成最终的显著图。类似地，Qian采用稀疏重构误差、空域调频对比度和颜色空间分布图分别描述目标区域的边界、局部及全局特征，并采用条件随机场融合这些特征信息，产生最终显著图。Gao根据图模型构造不对称转移概率矩阵，并利用Markov随机游走算法进行求解，得到初始显著性图，实现了低层和高层特征的融合。上述多显著性融合算法充分利用显著目标的位置、形状信息，通过这种方式，得到边缘保持良好且突出显著目标整体的显著图。然而，复杂的融合规则限制了多显著性方法的适用范围。
技术实现思路
针对现有技术中的缺陷，本专利技术提供的红外目标检测方法、设备及介质，在对红外图像进行超像素分割的基础上，通过无向图模型提取稀疏特征，更加准确地突出显著性区域，并结合稠密误差重构方法，进一步提高检测结果的准确性。第一方面，本专利技术提供了一种红外目标检测方法，包括：将红外图像进行超像素分割得到第一图像，并提取所述第一图像的边界超像素特征作为背景样本集；对所述背景样本集进行稠密误差重构，得到背景显著图；构建基于所述红外图像的无向图模型，并提取所述无向图模型的稀疏特征得到目标显著图；利用贝叶斯公式融合所述背景显著图和所述目标显著图，得到红外目标。优选地，所述将红外图像进行超像素分割得到第一图像，并提取所述第一图像的边界超像素特征作为背景样本集，包括：利用简单线性迭代聚类算法对红外图像进行超像素分割得到第一图像，并提取所述第一图像的边界超像素特征作为背景样本集。优选地，所述对所述背景样本集进行稠密误差重构，得到背景显著图，包括：利用主成分分析方法对所述背景样本集进行降维处理，得到特征向量；利用所述特征向量计算稠密重构误差；对所述稠密重构误差进行基于上下文的平滑处理，得到背景显著图。优选地，所述构建基于所述红外图像的无向图模型，并提取所述无向图模型的稀疏特征得到目标显著图，包括：将所述红外图像构建为以超像素为节点的无向图模型；采用非归一化拉普拉斯形式的排序方程对所述无向图模型中的节点进行优化排序；提取优化排序后的无向图模型的稀疏特征得到目标显著图。优选地，所述利用贝叶斯公式融合所述背景显著图和所述目标显著图，得到红外目标，包括：提取像素点的颜色特征；根据所述背景显著图统计背景区域中的像素点个数以及背景颜色直方图，并从所述背景颜色直方图中得到包含所述颜色特征的像素点个数，得到背景观测似然概率；根据所述目标显著图统计目标区域中的像素点个数以及目标颜色直方图，并从所述目标颜色直方图中得到包含所述颜色特征的像素点个数，得到目标观测似然概率；根据所述背景观测似然概率和所述目标观测似然概率，利用贝叶斯公式得到红外目标。第二方面，本专利技术提供了一种红外目标检测设备，包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现如第一方面中任一项所述的方法。第三方面，本专利技术提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面中任一所述的方法。附图说明图1为本专利技术实施例所提供的红外目标检测方法的流程图；图2为本专利技术方法与其它几种经典的显著性检测方法比较的效果图的一个示例；图3为本专利技术方法与其它几种经典的显著性检测方法比较的效果图的一个示例；图4为本专利技术方法与其它几种经典的显著性检测方法比较的效果图的一个示例；图5为本专利技术方法与其它几种经典的显著性检测方法比较的效果图的一个示例；图6为本专利技术实施例提供的红外目标检测设备的硬件结构示意图。具体实施方式下面将结合附图对本专利技术技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本专利技术的技术方案，因此只是作为示例，而不能以此来限制本专利技术的保护范围。需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本专利技术所属领域技术人员所理解的通常意义。如图1所示，本实施例提供了一种红外目标检测方法，包括：步骤S1，将红外图像进行超像素分割得到第一图像，并提取所述第一图像的边界超像素特征作为背景样本集。步骤S2，对所述背景样本集进行稠密误差重构，得到背景显著图。步骤S3，构建基于所述红外图像的无向图模型，并提取所述无向图模型的稀疏特征得到目标显著图。步骤S4，利用贝叶斯公式融合所述背景显著图和所述目标显著图，得到红外目标。进一步的，所述步骤S1的具体实现方法包括：利用简单线性迭代聚类(SimpleLinearIterativeClustering，SLIC)算法对红外图像进行超像素分割得到第一图像，并提取所述第一图像的边界超像素特征作为背景样本集，所述背景样本集记为B＝[b1,b2,...,bM]。进一步的，所述步骤S2的具体实现方法包括：步骤S201，利用主成分分析方法(PCA)对所述背景样本集进行降维处理，得到特征向量，记为UB＝[u1,u2,...,uD]；步骤S202，利用所述特征向量计算稠密重构误差；其中，通过以下公式计算稠密重构误差：其中，表示所有超像素的平均特征，由PCA基底UB计算图像块i(i∈[1,N])的稠密表示系数为βi，然后通过βi计算图像块i的稠密重构误差重构误差将被归一本文档来自技高网...

【技术保护点】
一种红外目标检测方法，其特征在于，包括：将红外图像进行超像素分割得到第一图像，并提取所述第一图像的边界超像素特征作为背景样本集；对所述背景样本集进行稠密误差重构，得到背景显著图；构建基于所述红外图像的无向图模型，并提取所述无向图模型的稀疏特征得到目标显著图；利用贝叶斯公式融合所述背景显著图和所述目标显著图，得到红外目标。

【技术特征摘要】
1.一种红外目标检测方法，其特征在于，包括：将红外图像进行超像素分割得到第一图像，并提取所述第一图像的边界超像素特征作为背景样本集；对所述背景样本集进行稠密误差重构，得到背景显著图；构建基于所述红外图像的无向图模型，并提取所述无向图模型的稀疏特征得到目标显著图；利用贝叶斯公式融合所述背景显著图和所述目标显著图，得到红外目标。2.根据权利要求1所述的方法，其特征在于，所述将红外图像进行超像素分割得到第一图像，并提取所述第一图像的边界超像素特征作为背景样本集，包括：利用简单线性迭代聚类算法对红外图像进行超像素分割得到第一图像，并提取所述第一图像的边界超像素特征作为背景样本集。3.根据权利要求1所述的方法，其特征在于，所述对所述背景样本集进行稠密误差重构，得到背景显著图，包括：利用主成分分析方法对所述背景样本集进行降维处理，得到特征向量；利用所述特征向量计算稠密重构误差；对所述稠密重构误差进行基于上下文的平滑处理，得到背景显著图。4.根据权利要求1所述的方法，其特征在于，所述构建基于所述红外图像的无向图模型，并提取所述无向图模型的稀疏特征得到目标显著图，包括：将所述红...

【专利技术属性】
技术研发人员：张宝华，焦豆豆，黎明，史明泉，赫佳星，高丽丽，
申请(专利权)人：内蒙古科技大学，
类型：发明
国别省市：内蒙古,15