一种结合多信息和噪声预测的鲁棒红外小目标检测方法技术

本发明专利技术提供一种结合多信息和噪声预测的鲁棒红外小目标检测方法。所述检测方法包括以下步骤：首先通过梯度和上下文信息提取模块，以在多个尺度上提取更多的目标特征，从而使模型仍然能够更好地保持深层的目标信息；然后构建噪声预测子网络，以更好的区分红外弱小目标和图像噪声；进一步，通过一个区域定位分支来降低红外弱小目标的误检率；最后所有结果被送到解码器，解码器产生一个只有目标的分割图像。本发明专利技术的检测方法，能够有效提高红外弱小目标的检测精度，减少误检率。减少误检率。减少误检率。

【技术实现步骤摘要】
一种结合多信息和噪声预测的鲁棒红外小目标检测方法


[0001]本专利技术涉及一种结合多信息和噪声预测的鲁棒红外小目标检测方法。

技术介绍

[0002]红外弱小目标检测技术是军事目标检测领域中重要的应用技术之一。红外图像中目标的红外辐射穿透力强，红外辐射不容易被云层吸收，不易受天气和环境干扰。红外检测系统具有抗干扰能力强、机型小且便于安装、恶劣环境下能够全天候工作等优点。因此红外弱小目标检测技术被广泛应用于军事目标检测领域。如应用于防空预警、导弹拦截、导弹制导、伪装搜寻、卫星遥感等重要任务。
[0003]目前，红外弱小目标检测传统方法和深度学习方法对大部分红外图像场景具有较高的准确率和较低的漏检率。但是红外弱小目标缺乏颜色、轮廓、纹理等特征，在背景复杂和噪声干扰的情况下，现有红外弱小目标检测方法的漏检率和误检率仍有待进一步降低。

技术实现思路

[0004]基于此，本专利技术提出了一种结合多信息和噪声预测的鲁棒红外小目标检测方法，能够实现精确的红外小目标检测，并在检测概率和误检率之间取得良好的平衡，首先设计一个用于从输入红外图像中提取多尺度特征的梯度和上下文信息提取模块，该模块捕获多个信息以识别红外小目标，然后，提出噪声预测网络来对背景噪声进行建模，这有助于区分目标和噪声，最后，规划区域定位分支，为目标检测提供额外的位置信息，这能够进一步提高检测概率，并减少误检率。
[0005]本专利技术提供一种结合多信息和噪声预测的鲁棒红外小目标检测方法，包括以下步骤：
[0006]步骤S1：输入红外图像；
[0007]步骤S2：定义梯度和上下文信息提取模块；
[0008]步骤S3：定义噪声预测网络，所述噪声预测网络用于预测输入红外图像的噪声分布概率；
[0009]步骤4：构建区域定位分支；
[0010]步骤5：将所有信息输入解码器：将步骤2、步骤3以及步骤4中的输出的特征图输入到解码器中，解码器将所有的特征图进行解码以生成最终的结果；
[0011]步骤6：解码器输出最终的分割的Mask图。
[0012]进一步的，所述步骤S2通过梯度和上下文信息提取模块，所述模块包括两个中心差分卷积层和一个交叉注意力模块，首先特征图通过第一个中心差分卷积层；然后通过第二个中心差分卷积层，其为扩张率为2的扩张卷积，其用于增加模型的感受野；最后通过交叉注意力模块，其用于提取上下文信息；中心差分卷积是用于梯度提取的更好的卷积，在卷积过程中，整个卷积区域中的像素减去中心像素值，然后执行标准卷积，中心差分卷积的输出y可以由以下公式计算：
[0013][0014]式(1)中p0表示输入和输出特征图上的当前位置，p
n
枚举R0中的位置，而w(p
n
)表示p
n
处的权重，x(p
n
)为p
n
处的输入值，θ表示权重系数。对于每个像素，使用交叉注意力模块来收集像素交叉路径上所有像素的上下文信息，通过进一步的循环操作，每个像素最终可以获得完整的图像相关性，交叉注意力模块可以由以下公式计算：
[0015][0016]式(2)中c
u
’
表示输出特征图中u处的特征向量，符号A
i，u
表示通道i和位置u处的标量值,而Ф
i,u
表示通道i位置和u处的向量集合。
[0017]进一步的，所述步骤S3的噪声预测网络首先通过BayarConv层来增强输入红外图像中操纵区域和真实区域之间的噪声不一致性，所述BayarConv通过以下公式来实现：
[0018][0019]公式(3)中，W
k
表示以W
k
(0,0)为中心元素的参数化卷积滤波器，符号k表示卷积滤波器的第k层，然后，BayarConv层的输出被发送到CovNext网络，用于生成具有1/2、1/4、1/8、1/16的不同分辨率的噪声特征图，其表示如下：
[0020]N
i
(I
R
)＝CovNext
i
(BayarConv(I
R
)) (4)
[0021]其中I
R
表示输入红外图像，符号N
i
(I
R
)是CowNext网络的第i个模块输出的噪声特征图，BayarConv(I
R
)表示BayarConv层的输出特征图，CovNext(
…
)表示主干网输出的特征图。
[0022]进一步的，所述步骤4的构建区域定位分支首先通过接收骨干网络输出的最小分辨率特征图，所提出的区域定位网络使用3
×
3卷积层来生成单通道特征图，然后通过S形函数生成目标位置概率特征图，最后采用分割阈值来预测输入红外图像的哪个感受野可能包括物体，并根据以下判断标准实现红外目标的粗略定位掩模:
[0023][0024]其中P(i)表示第i个感受野可能包含目标的概率，M(i)是位置掩模M中第i个感受野的分割结果，符号ε表示在本文中设置为ε＝0.6的分割阈值。
[0025]与现有技术相比，本专利技术的优势如下：
[0026]本专利技术的结合多信息和噪声预测的鲁棒红外小目标检测方法，首先使用梯度和上下文信息提取模块捕获多种不同尺度的梯度和上下文信息以识别红外小目标，然后使用噪声预测网络来对背景噪声进行建模，这有助于区分目标和噪声，最后，我们使用一个区域定位分支，为目标检测提供额外的位置信息，这能够进一步提高检测概率，并减少误检率。
附图说明
[0027]图1为红外弱小目标数据集中的一张图像；
[0028]图2为梯度与上下文信息提取模块结构图；
[0029]图3为噪声预测网络结构图；
[0030]图4为区域定位分支结构图；
[0031]图5为一种结合多信息和噪声预测的鲁棒红外小目标检测方法结构图；
[0032]图6为模型预测的结果图。
[0033]具体实施方法
[0034]下面将结合本专利技术实例中的附图，对本专利技术实例中的技术方案进行清楚、完整的描述，所描述的实例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。
[0035]请参阅图1
‑
图6，本专利技术提供一种结合多信息和噪声预测的鲁棒红外小目标检测方法，包括以下步骤：
[0036]步骤1、输入红外弱小目标数据集中的一张图像(如图1所示)；
[0037]步骤2、定义梯度和上下文信息提取模块：
[0038]本专利提出了梯度和上下文信息提取模块(如图2所示)，以便我们的模型能够通过梯度和上下文的信息更好地理解红外小目标和红外背景。该模块包括两个中心差分卷积层和一个交叉注意力模块。首先特征图通过第一个中心差分卷积层，然后通过第二个中心差分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种结合多信息和噪声预测的鲁棒红外小目标检测方法，其包括以下步骤：步骤S1：输入红外图像；步骤S2：定义梯度和上下文信息提取模块：步骤S3：定义噪声预测网络，所述噪声预测网络用于预测输入红外图像的噪声分布概率；步骤4：构建区域定位分支：步骤5：将所有信息输入解码器：将步骤2、步骤3以及步骤4中的输出的特征图输入到解码器中，解码器将所有的特征图进行解码以生成最终的结果；步骤6：解码器输出最终的分割的Mask图。2.根据权利要求1所述的一种结合多信息和噪声预测的鲁棒红外小目标检测方法，其特征在于：所述步骤S2通过梯度和上下文信息提取模块，所述模块包括两个中心差分卷积层和一个交叉注意力模块，首先特征图通过第一个中心差分卷积层；然后通过第二个中心差分卷积层，其为扩张率为2的扩张卷积，其用于增加模型的感受野；最后通过交叉注意力模块，其用于提取上下文信息；中心差分卷积是用于梯度提取的更好的卷积，在卷积过程中，整个卷积区域中的像素减去中心像素值，然后执行标准卷积，中心差分卷积的输出y可以由以下公式计算：式(1)中p0表示输入和输出特征图上的当前位置，p
n
枚举R0中的位置，而w(p
n
)表示p
n
处的权重，x(p
n
)为p
n
处的输入值，θ表示权重系数。对于每个像素，使用交叉注意力模块来收集像素交叉路径上所有像素的上下文信息，通过进一步的循环操作，每个像素最终可以获得完整的图像相关性，交叉注意力模块可以由以下公式计算：式(2)中c
u
’
表示输出特征图中u处的特征向量，符号A
i，u
表示通道i和位置u处的标量值,而Ф
i,u
表示通道i位置和u处的向量集合。3.根据权利...

【专利技术属性】
技术研发人员：张聪炫，孟思强，陈震，卢锋，陈昊，胡卫明，李兵，邓颖，
申请(专利权)人：南昌航空大学，
类型：发明
国别省市：