一种红外图像小目标检测方法技术

本发明专利技术属于图像处理技术领域，具体涉及一种红外图像小目标检测方法，其包括以下步骤：提取红外图像中候选目标的位置信息；计算候选目标所在位置的邻域特征信息；将特征信息输入到判别模型进行虚假目标排除；输出真实目标的位置信息。本发明专利技术针对红外图像的小目标提出一种特征提取算法，用于作为机器学习算法的特征输入，以此训练一种检测小目标的模型，应用模型和此特征信息进行目标检测。本发明专利技术技术方案所提供的红外图像小目标检测方法使得红外小目标的检测问题转化为可以应用机器学习方法的目标检测问题，通过大数据的学习，训练出有效的检测模型，从而提高红外小目标的检测能力和适应能力。

【技术实现步骤摘要】
一种红外图像小目标检测方法
本专利技术属于图像处理
，具体涉及一种红外图像小目标检测方法。
技术介绍
红外图像的小目标检测对于精确制导武器的发展和红外预警等具有重要意义。传统的红外图像的小目标检测方法通常基于目标邻域的灰度阈值分割方法，经过背景抑制的预处理算法尽可能抑制背景杂波和提高目标与背景的对比度。然而，由于红外成像受复杂环境条件和目标辐射率影响，成像差别较大，灰度阈值分割往往不能找到可靠的分割阈值，因而检测存在不稳定性。基于机器学习的目标检测方法到目前为止已发展成为较成熟的目标检测方法，常见的成熟方法有基于决策树、基于支持向量机、随机森林等学习方法。应用机器学习的方法进行目标检测的关键在于找到有效的描述目标的特征。红外小目标检测方法应用基于机器学习目标检测方法的难点在于由于小目标的成像面积小、没有色彩信息而难于找到一种描述红外小目标的特征。
技术实现思路
(一)要解决的技术问题本专利技术要解决的技术问题是：如何提取出一种描述目标与背景相关的邻域特征信息，使得红外小目标的检测问题转化为可以应用机器学习方法的目标检测问题，通过大数据的学习和建模建立一种新的红外图像小目标检测方法。(二)技术方案为解决上述技术问题，本专利技术提供一种红外图像小目标检测方法，所述方法包括以下步骤：步骤S1：从红外图像中提取候选目标的位置信息；步骤S2：计算候选目标所在位置的邻域特征信息；步骤S3：将邻域特征信息输入到判别模型进行虚假目标排除；步骤S4：输出真实目标的位置信息。其中，所述步骤S1中，所述从红外图像中提取候选目标的位置信息的过程采用本
现有的红外小目标提取算法。其中，所述步骤S1中，所述从红外图像中提取候选目标的位置信息的过程采用基于数学形态学的方法或基于Top-Hat算子的红外图像背景抑制方法，通过寻找背景抑制后的图像灰度极值点来获取候选的目标的位置信息。其中，所述步骤S2中，候选目标所在位置的邻域特征信息是通过建立和候选目标点灰度相关的邻域点集得到的。其中，所述步骤S2中，邻域点集的建立方法包含以下步骤：步骤S21：初始化邻域点集set(0)；邻域点集的初始化方法是将当前候选目标点的像素值加入到邻域点集set(0)中；步骤S22：扩充邻域点集set(n)；邻域点集的扩充方法是首先找到出当前邻域点集set(n-1)的极大值，然后将该极大值周围3×3邻域的8个像素点的像素值加入到邻域点集中，并将该极大值从邻域点集中去除便得到扩充后的邻域点集set(n)；步骤S23：完成邻域点集set(N)；经过N次步骤S22的邻域扩充便完成了邻域点集建立。其中，所述步骤S23中，所述N的大小根据检测目标大小确定。其中，所述步骤S23中，N＝200。其中，所述步骤S2中，所述候选目标所在位置的邻域特征信息表示为一数据向量feature＝{f0,f1……fN}；其中，fn＝max(set(n))，n＝1……N。其中，所述步骤S3中，所述判别模型的获得方法为现有机器学习模型训练方法，训练所需的特征为步骤S2所输出的邻域特征信息。其中，所述步骤S4中，所述真实目标的位置信息即为候选目标经过判别模型判别得到的结果。(三)有益效果与现有技术相比较，本专利技术技术方案所提供的红外图像小目标检测方法使得红外小目标的检测问题转化为可以应用机器学习方法的目标检测问题，通过大数据的学习，训练出有效的检测模型，从而提高红外小目标的检测能力和适应能力。本专利技术的意义在于通过寻找目标邻域的同质区域，提取出一种描述目标与背景相关的邻域特征信息，使得红外小目标的检测问题转化为可以应用机器学习方法的目标检测问题，通过大数据的学习，训练出有效的检测模型，从而提高红外小目标的检测能力和适应能力。附图说明图1为典型红外小目标成像效果图。图2为红外图像的预处理效果图。图3为特征向量生成流程图。图4为目标邻域特征点集示意图。具体实施方式为使本专利技术的目的、内容、和优点更加清楚，下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。为解决现有技术问题，本专利技术提供一种红外图像小目标检测方法，所述方法包括以下步骤：步骤S1：从红外图像中提取候选目标的位置信息；步骤S2：计算候选目标所在位置的邻域特征信息；步骤S3：将邻域特征信息输入到判别模型进行虚假目标排除；步骤S4：输出真实目标的位置信息。其中，所述步骤S1中，所述从红外图像中提取候选目标的位置信息的过程采用本
现有的红外小目标提取算法。其中，所述步骤S1中，所述从红外图像中提取候选目标的位置信息的过程采用基于数学形态学的方法或基于Top-Hat算子的红外图像背景抑制方法，通过寻找背景抑制后的图像灰度极值点来获取候选的目标的位置信息。其中，基于数学形态学的方法来源于TomVT,PeliT,LeungM,etal.Morphology-basedalgorithmforpointtargetdetectionininfraredbackgrounds[C]//SPIE，1993,1954:2-11。基于Top-Hat算子的红外图像背景抑制方法来源于WangWeihua,NiuZhaodong,ChenZengping.Temporal-spatialfusionfilteringalgorithmforsmallinfraredmovingtargetdetection[J].InfraredandLaserEngineering,2005,34(6):714-718.(inChinese)王卫华,牛照东,陈曾平.基于时空域融合滤波的红外运动小目标检测算法[J].红外与激光工程,2005,34(6):714-718。其中，所述步骤S2中，候选目标所在位置的邻域特征信息是通过建立和候选目标点灰度相关的邻域点集得到的。其中，所述步骤S2中，邻域点集的建立方法包含以下步骤：步骤S21：初始化邻域点集set(0)；邻域点集的初始化方法是将当前候选目标点的像素值加入到邻域点集set(0)中；步骤S22：扩充邻域点集set(n)；邻域点集的扩充方法是首先找到出当前邻域点集set(n-1)的极大值，然后将该极大值周围3×3邻域的8个像素点的像素值加入到邻域点集中，并将该极大值从邻域点集中去除便得到扩充后的邻域点集set(n)；步骤S23：完成邻域点集set(N)；经过N次步骤S22的邻域扩充便完成了邻域点集建立。其中，所述步骤S23中，所述N的大小根据检测目标大小确定。其中，所述步骤S23中，根据小目标的定义，一般情况下N＝200可满足检测需求。其中，所述步骤S2中，所述候选目标所在位置的邻域特征信息表示为一数据向量featu本文档来自技高网...

【技术保护点】
1.一种红外图像小目标检测方法，其特征在于，所述方法包括以下步骤：/n步骤S1：从红外图像中提取候选目标的位置信息；/n步骤S2：计算候选目标所在位置的邻域特征信息；/n步骤S3：将邻域特征信息输入到判别模型进行虚假目标排除；/n步骤S4：输出真实目标的位置信息。/n

【技术特征摘要】
1.一种红外图像小目标检测方法，其特征在于，所述方法包括以下步骤：
步骤S1：从红外图像中提取候选目标的位置信息；
步骤S2：计算候选目标所在位置的邻域特征信息；
步骤S3：将邻域特征信息输入到判别模型进行虚假目标排除；
步骤S4：输出真实目标的位置信息。


2.如权利要求1所述红外图像小目标检测方法，其特征在于，所述步骤S1中，所述从红外图像中提取候选目标的位置信息的过程采用本技术领域现有的红外小目标提取算法。


3.如权利要求2所述红外图像小目标检测方法，其特征在于，所述步骤S1中，所述从红外图像中提取候选目标的位置信息的过程采用基于数学形态学的方法或基于Top-Hat算子的红外图像背景抑制方法，通过寻找背景抑制后的图像灰度极值点来获取候选的目标的位置信息。


4.如权利要求1所述红外图像小目标检测方法，其特征在于，所述步骤S2中，候选目标所在位置的邻域特征信息是通过建立和候选目标点灰度相关的邻域点集得到的。


5.如权利要求4所述红外图像小目标检测方法，其特征在于，所述步骤S2中，邻域点集的建立方法包含以下步骤：
步骤S21：初始化邻域点集set(0)；
邻域点集的初始化方法是将当前候选目标点的像素值加入到邻域点集set(0)中；
步骤...

【专利技术属性】
技术研发人员：张羽，
申请(专利权)人：天津津航技术物理研究所，
类型：发明
国别省市：天津;12