【技术实现步骤摘要】
一种红外图像目标检测方法及系统
本专利技术涉及图像检测领域，尤其涉及一种红外图像目标检测方法及系统。
技术介绍
相比于普通红外成像，多波段红外成像将红外谱段细分为多个谱段，能够增加从图像中获取的信息，具有较强的适应性，能够显现普通红外图像中无法分辩的细节，对伪装目标具有较强识别能力。在对远距离目标进行成像时，弱小目标会在图像中呈现为占几个像素的点状目标，而通常点目标并非呈现于均匀背景，由于背景如云层与地面景物等的干扰，点目标难以被检测出。现代的军用与民用红外场景中，随着对观察设备的智能化程度要求越来越高，对弱小目标检测就产生了很强的现实需求。目前，在常见弱小目标检测方法中，可以分为基于空域的目标检测与基于频域的目标检测。基于空域的目标检测有如阈值分割、动态规划法、序贯假设检验法、Hough变换法、形态滤波和最优投影法等；基于频域的目标检测有匹配滤波器法与小波变换等方法。近年来，还出现了基于机器学习的方法，如神经网络的方法。在这些现有的弱小目标检测方法中，基于阈值分割的方法极易虽然容易实现，但难以处理背景较为复杂，干扰...
【技术保护点】
1.一种红外图像目标检测方法，其特征在于，包括：/n对预定波段红外图像进行卷积处理后，查找所述红外图像中每个局部区域的正向奇异点；/n将所述正向奇异点作为种子点进行带约束和标记的双阈值区域扩张，得到疑似目标区域；/n对所述疑似目标区域进行筛选，去除所述疑似目标区域中的噪声和坏元；/n统计所有波段红外图像中的疑似目标区域，根据各波段红外图像中疑似目标区域的分布，获取目标检测结果。/n
【技术特征摘要】
1.一种红外图像目标检测方法，其特征在于，包括：
对预定波段红外图像进行卷积处理后，查找所述红外图像中每个局部区域的正向奇异点；
将所述正向奇异点作为种子点进行带约束和标记的双阈值区域扩张，得到疑似目标区域；
对所述疑似目标区域进行筛选，去除所述疑似目标区域中的噪声和坏元；
统计所有波段红外图像中的疑似目标区域，根据各波段红外图像中疑似目标区域的分布，获取目标检测结果。
2.根据权利要求1所述的方法，其特征在于，所述对预定波段红外图像进行卷积处理后，查找所述红外图像中每个局部区域的正向奇异点具体为：
创建一个均匀模板，设定均匀模板大小T×T，在所述预定波段红外图像中逐像素移动所述均匀模板；
通过所述均匀模板，获取所述预定波段红外图像局部区域的正向奇异点，正向奇异点计算公式为：
其中，fL(x,y)表示正向奇异点，f(x,y)表示图像中位置为(x,y)的图像灰度，i、j为系数，Th1为衡量小目标强弱的阈值。
3.根据权利要求1所述的方法，其特征在于，所述将所述正向奇异点作为种子点进行带约束与标记的双阈值扩张，得到疑似目标区域包括：
当遍历所述预定波段红外图像获取到一个正向奇异点后，将所述正向奇异点标记为一个区域R的种子点，并记录所述种子点的灰度值v1；
搜索与种子点区域相邻的邻域，根据邻域是否为局部正向奇异点以及邻域的灰度值，判断是否将邻域添加到种子点所在区域R中。
4.根据权利要求3所述的方法，其特征在于，所述根据邻域是否为局部正向奇异点以及邻域的灰度值，判断是否将邻域添加到种子点所在区域R中具体为：
若邻域对应的点p为非局部正向奇异点，且点p的灰度值满足|vp-v1|<Th2，则将点p对应区域添加至种子点所在区域R，并根据区域R的平均灰度值更新种子点灰度值v1；
若邻域对应的点p为局部正向奇异点，且点p的灰度值满足|vp-v1|<Th3，则将点p对应区域添加至种子点所在区域R，并根据区域R的平均灰度值更新种子点灰度值v1；
若邻域内不存在可添加至种子点所在区域R的点p，则将种子点所在区域R作为噪声滤除；
其中，Th2和Th3表示不同的灰度阈值。
5.根据权利要求1所述的方法，其特征在于，所述对所述疑似目标区域进行筛选，去除所述疑似目标区域中的噪声和坏元包括：
获取所述疑似目标区域的边界，并依据所述边界组成目标矩形框，将所述目标矩形框的长和宽作为所述疑似目标区域的长和宽；
滤除所述疑似目标区域中，长和宽数值大于预设阈值的疑似目标区域；
滤除所述疑似目标区域中，长宽比例大于预设阈值的疑似目标区域；
滤除...
【专利技术属性】
技术研发人员：雷波，王晨晟，张智杰，岳松，刘崇成，
申请(专利权)人：中国船舶重工集团公司第七一七研究所，
类型：发明
国别省市：湖北;42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。