基于相似度的红外弱小目标检测方法技术

本发明专利技术公开了一种基于相似度的红外弱小目标检测方法，包括构建由背景网络、小目标网络和相似度检测网络构成的ISOS‑SIM模型；合成仿真红外图像构造训练集，并设计ISOS‑SIM模型的总损失函数；利用训练集训练ISOS‑SIM模型；利用真实场景下包含真实小目标的测试集输入训练好的ISOS‑SIM模型；最后提取小目标网络模块的结果图作为最终的检测结果。本发明专利技术采用相似度判别机理，将复杂任务化简为单任务类型，利用背景网络模块作为辅助网络有效地抑制检测结果图像的虚警率，相似度判别网络模块使两者之间能够实现平衡，小目标能够获得增强效果，ISOS‑SIM模型在测试阶段仅凭训练好的小目标网络模块就可完成检测任务，将检测任务模块化，具有开发更鲁棒的模型的灵活性。

【技术实现步骤摘要】
基于相似度的红外弱小目标检测方法
本专利技术属于红外图像分割技术，具体为一种基于相似度的红外弱小目标检测方法。
技术介绍
红外弱小目标检测针对的小目标具有低信噪比，容易被遮挡或覆盖，通常仅占十几个像素，无法通过小目标本身的形状、尺寸、纹理等结构信息进行分析，仅根据其灰度信息很难准确地检测出弱小目标，且红外图像的背景复杂且场景跨度大，这些复杂背景的统计特性不一致，很难通过一致的技术手段进行处理。特别是在目标相近的区域有高对比度的背景，现有的红外弱小目标检测方法的检测结果容易留下大量虚警，特别是最大中值滤波和顶帽算法这些面向背景的检测方法，它们只关注于抑制背景边缘而造成高频点的泄露。传统红外小目标检测方法通常会最终转换为传统图像分类、视觉显著性检测、背景与小目标的分割等问题，因此，它们对于多样性变化场景的检测鲁棒性不足，且基于滑动窗口的候选目标区域选择策略缺乏针对性，导致抑制背景和增强目标的效果不佳。现有的通用的小目标检测深度网络模型没有充分考虑小目标的特殊特性，试图通过依赖单个目标函数来最小化整体分割错误，不足以处理各种真实复杂场景。
技术实现思路
本专利技术的目的在于提供一种基于相似度的红外弱小目标检测方法，以解决传统红外弱小目标检测方法在目标增强和背景抑制两个方面上的不平衡，以及复杂背景干扰产生的虚警问题。实现本专利技术目的的技术方案为：一种基于相似度的红外弱小目标检测方法，包括以下步骤：步骤1、构建ISOS-SIM模型，所述ISOS-SIM模型包括背景网络、小目标网络和相似度检测网络，所述背景网络模块用于输出不包含小目标的干净背景图像，所述小目标网络模块用于输出纯小目标分割图像，所述相似度检测网络用于判别背景网络和小目标网络的输出之和与原始图像之间的相似度；步骤2：合成仿真红外图像构造训练集；步骤3：设计ISOS-SIM模型的总损失函数；步骤4：利用训练集训练ISOS-SIM模型；步骤5：提取小目标网络模块进行在线检测。优选地，所述背景网络模块包括编码模块、解码模块以及加在解码模块输出层后的纯卷积层；所述编码模块包含3层基本层，每一基本层包含相同的操作组合，具体为Conv和Aaverpool的组合，其中Conv表示卷积核大小为3×3的卷积操作，Aaverpool表示窗口大小为2×2，步长为2的平均池化操作；所述解码模块包含3层基本层，每一基本层为相同的操作组合，具体为上采样和Conv的组合，其中，上采样操作采用双线性插值法，Conv表示卷积核大小为3×3的卷积操作；所述编码模块、解码模块的所有层均使用ReLU操作。优选地，所述小目标网络模块由两个上下文聚合网络背靠背连接起来，且每一层都是Conv+ReLU+BN操作组合，其中，Conv指卷积核大小为3×3的卷积操作，ReLU指由x＝max(0，x)表示的非线性激活函数，BN指批量归一化，所述上下文聚合网络最后设置一层纯卷积层作为输出层。优选地，所述小目标网络模块的扩张因子最大值为8。优选地，所述相似度检测网络模块包括依次连接的一个Conv+ReLU层、三个Conv+ReLU+BN层以及一个纯卷积层，其中，Conv指卷积运算，ReLU指激活函数，BN指批量归一化。优选地，合成仿真红外图像构造训练集的具体步骤为：步骤21、从自然场景下的红外图像中裁剪不同数量的各尺寸大小的不同图像块作为背景图像；步骤22、从真实红外图像中分离出小目标块，或者使用二维高斯函数合成小目标块；步骤23、将步骤22中获得的小目标块随机叠加到步骤21中的干净背景图像，获得最终的合成图像作为训练集。优选地，所述总损失函数由背景网络、小目标网络和相似度检测网络分别对应的背景损失、目标损失和相似度损失三个部分叠加构成；其中，所述背景网络的背景损失为：其中，α和β是经验参数，表示背景误差的均方误差函数，其中，θ表示网络的所有参数，xI表示第I张输入图像，pI(θ)表示第I张图像的纯卷积层，n表示训练图像的像素个数；表示背景高频细节的感知损失，其中CjHjWj表示第j层的特征图的尺寸，φj(·)表示预训练的VGG-19模型输出；表示特征损失，其中x(i,j)为第(i,j)点的像素值，δ为算术参数；小目标网络模块的目标损失为：其中，λ是经验参数，MDi和FAi分别表示为基于真实小目标图像计算的包含n个图像的训练集的第i个图像的漏检率和误检率；相似度检测网络模块的相似度损失为：其中，z～pdata(Z)表示真实图像z属于真实数据集Z上的分布，x～px(x)表示x属于先验分布px(x)，S(z)表示将真实图像z输入到相似度检测网络后获得的值，S(G(x))表示由背景网络模块输出的背景图像与小目标网络模块输出的目标图像之和的合成图像输入到相似度检测网络模块中获得的值。本专利技术与现有技术相比，其显著优点为：本专利技术采用相似度判别机理，将复杂任务化简为单任务类型，极大程度上提升模型的检测效率，利用背景网络模块作为辅助网络有效地抑制检测结果图像的虚警率，相似度判别网络模块使两者之间能够实现平衡，小目标能够获得增强效果，ISOS-SIM模型在测试阶段仅凭训练好的小目标网络模块就可完成检测任务，将检测任务模块化，具有开发更鲁棒的模型的灵活性。附图说明图1为本专利技术的ISOS-SIM模型的整体网络架构图。图2为本专利技术的ISOS-SIM模型在海平面场景下的检测结果图。图3为本专利技术的ISOS-SIM模型在天空场景下的检测结果图。图4为本专利技术的ISOS-SIM模型在杂波场景下的检测结果图。图5为本专利技术的ISOS-SIM模型在复杂场景下的检测结果图。图6为本专利技术的ISOS-SIM模型与背景网络模块在测试集上的代表性图像与结果图。图7为本专利技术的ISOS-SIM模型与小目标网络模块在测试集上的代表性图像与结果图。具体实施方式一种基于相似度的红外弱小目标检测方法，包括以下步骤：步骤1、构建ISOS-SIM模型，如图1所示，给出了本专利技术的ISOS-SIM模型的整体网络架构图，其中，红字标明损失函数，以输入图像大小为128×128为例，给出了网络中每一层的特征图维度。所述ISOS-SIM模型首先生成假生成图像，并进行假生成图像与原始输入图像的相似度判别。进一步的实施例中，所述ISOS-SIM模型由背景网络、小目标网络和相似度检测网络三个模块组成，所述背景网络模块用于输出不包含小目标的干净背景图像，所述小目标网络模块用于输出纯小目标分割图像，所述相似度检测网络用于判别背景网络和小目标网络的输出层之和与原始图像之间的相似度。进一步的实施例中，所述背景网络模块采用自编码网络为基本骨架，背景网络模块分为编码和解码两个模块；具体地，编码模块包含3层基本层，每一基本层包含相同的操作组合，即Conv和Aaverpool的组合，其中Conv表示卷积核本文档来自技高网...

【技术保护点】
1.一种基于相似度的红外弱小目标检测方法，其特征在于，包括以下步骤：/n步骤1、构建ISOS-SIM模型，所述ISOS-SIM模型包括背景网络、小目标网络和相似度检测网络，所述背景网络模块用于输出不包含小目标的干净背景图像，所述小目标网络模块用于输出纯小目标分割图像，所述相似度检测网络用于判别背景网络和小目标网络的输出之和与原始图像之间的相似度；/n步骤2：合成仿真红外图像构造训练集；/n步骤3：设计ISOS-SIM模型的总损失函数；/n步骤4：利用训练集训练ISOS-SIM模型；/n步骤5：提取小目标网络模块进行在线检测。/n

【技术特征摘要】
1.一种基于相似度的红外弱小目标检测方法，其特征在于，包括以下步骤：
步骤1、构建ISOS-SIM模型，所述ISOS-SIM模型包括背景网络、小目标网络和相似度检测网络，所述背景网络模块用于输出不包含小目标的干净背景图像，所述小目标网络模块用于输出纯小目标分割图像，所述相似度检测网络用于判别背景网络和小目标网络的输出之和与原始图像之间的相似度；
步骤2：合成仿真红外图像构造训练集；
步骤3：设计ISOS-SIM模型的总损失函数；
步骤4：利用训练集训练ISOS-SIM模型；
步骤5：提取小目标网络模块进行在线检测。


2.根据权利要求1所述的基于相似度的红外弱小目标检测方法，其特征在于，所述背景网络模块包括编码模块、解码模块以及加在解码模块输出层后的纯卷积层；
所述编码模块包含3层基本层，每一基本层包含相同的操作组合，具体为Conv和Aaverpool的组合，其中Conv表示卷积核大小为3×3的卷积操作，Aaverpool表示窗口大小为2×2，步长为2的平均池化操作；
所述解码模块包含3层基本层，每一基本层为相同的操作组合，具体为上采样和Conv的组合，其中，上采样操作采用双线性插值法，Conv表示卷积核大小为3×3的卷积操作；
所述编码模块、解码模块的所有层均使用ReLU操作。


3.根据权利要求1所述的基于相似度的红外弱小目标检测方法，其特征在于，所述小目标网络模块由两个上下文聚合网络背靠背连接起来，且每一层都是Conv+ReLU+BN操作组合，其中，Conv指卷积核大小为3×3的卷积操作，ReLU指由x＝max(0,x)表示的非线性激活函数，BN指批量归一化，所述上下文聚合网络最后设置一层纯卷积层作为输出层。


4.根据权利要求3所述的基于相似度的红外弱小目标检测方法，其特征在于，所述小目标网络模块的扩张因子最大值为8。


5.根据权利要求1所述的基于相似度的红外弱小目标检测方法，其特征在于，所述相似度检测网络模块...

【专利技术属性】
技术研发人员：王欢，石曼淑，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏;32