基于显著区域引导深度学习的单帧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显著区域引导深度学习的单帧红外弱小目标检测方法，包括：使用图像处理算法，提取显著目标区域；构建卷积神经网络，将原图像和包含单个连通域的显著区域图送入所述卷积神经网络进行推理，输出该连通域对应的分类结果；本发明专利技术弥补了传统算法虚警率过高的不足。率过高的不足。率过高的不足。

【技术实现步骤摘要】
基于显著区域引导深度学习的单帧红外弱小目标检测方法


[0001]本专利技术涉及图像处理
，特别是一种基于显著区域引导深度学习的单帧红外弱小目标检测方法。

技术介绍

[0002]在红外弱小目标检测任务中，目标往往以较低的灰度值出现，在256
×
256大小的红外图像中，占据约1至100个像素覆盖的区域，缺乏特定的形状等易区分的特征，目标检测难度较大。为了解决这个问题，最近通过深度学习从单张红外图像中检测出目标的工作已经取得了重大进展。然而，当前基于深度学习的主流方法是将检测任务具体化为一个语义分割任务，是对预测结果与Ground Truth间的交并比进行优化，并不能准确地表征目标尺度的检测率和虚警率，与实际需求存在偏差。
[0003]相较于可见光而言，红外探测技术具有不受环境等因素干扰的优势，在红外制导、预警，以及搜救等领域应用日益广泛。随着红外弱小目标检测技术研究的深入，相应的检测方法也变得越来越多样化。然而，从红外图像中检测出目标是挑战性极高的任务。首先，由于目标尺寸小，总辐射能量小于背景的辐射能量，在图像中灰度分布多变，难以采用统一的数学模型进行描述。同时，目标缺乏精细的纹理、形状等结构信息，使得传统可见光图像的目标检测方法无法直接应用于红外弱小目标检测。其次，图像的信噪比较低，因为成像距离较远，使得小目标与云层、海浪等杂波和噪声特征相仿，容易被淹没和干扰，导致小目标的强度减弱，图像的信噪比降低，目标信号几乎淹没在难以预测的背景中，更加难以检测。最后，成像环境也很复杂，特别是在红外精确制导和预警方面，成像过程经常伴随着烟雾和海浪等。这样的环境要求不同的检测算法具备更高的鲁棒性。传统的图像处理算法计算显著图，虽然能有效增强目标，但无法有效抑制杂波、复杂纹理等。基于深度学习方法，相较于传统方法更加的鲁棒。Liu等人首先提出了MLP形式的网络进行红外弱小目标检测。Wang等人提出了MDvsFA，以生成对抗网络的学习机制来权衡漏检率和虚警率；也有将红外弱小目标检测等价为去噪任务，输出没有目标的背景图像，再和原图相减。为了充分利用红外弱小目标的特征，Dai等人以U
‑
Net和FPN为基础提出了ALCNet、ACM对目标进行分割，并且取得了较好的性能。这一类端到端的网络将检测问题具体化为语义分割任务，为了融合多尺度信息，在传统的语义分割网络基础上进行改进，将浅层空间特征和深层语义特征进行融合。这样使得小目标特征在高层特征中进一步加强，虽然能够针对漏检和虚警的像素进行优化，但是在实际应用当中，也需要关注目标尺度的漏检和虚警。例如针对一个占据10个像素区域的目标，预测结果包含了其中8个像素，另外2个像素带来的分割损失并不会影响目标尺度的性能；而某些微弱目标因为占据像素少(如1至5个像素)，即使漏检也不如较大目标漏检(约100像素)带来的损失重要，却会影响目标尺度的检测性能。
[0004]另外，一些传统算法在提取显著区域上已经取得了较好的检测率，相较于深度学习而言有着更好的可解释性，但由于这些传统算法缺乏多尺度信息，在面对目标大小不一、复杂背景的情况下，虚警率较高。

技术实现思路

[0005]为解决现有技术中存在的问题，本专利技术的目的是提供一种基于显著区域引导深度学习的单帧红外弱小目标检测方法，本专利技术弥补了传统算法虚警率过高的不足。
[0006]为实现上述目的，本专利技术采用的技术方案是：一种基于显著区域引导深度学习的单帧红外弱小目标检测方法，包括以下步骤：
[0007]步骤1、使用图像处理算法，提取显著目标区域；
[0008]步骤2、构建卷积神经网络，将原图像和包含单个连通域的显著区域图送入所述卷积神经网络进行推理，输出该区域为真目标、假目标的概率，并最终得到检测结果。
[0009]作为本专利技术的进一步改进，在步骤1中，所述图像处理算法为形态学算法New TopHat。
[0010]作为本专利技术的进一步改进，所述步骤1具体如下：
[0011]设待检测红外图像为I，使用NWTH变换，提取出显著区域：
[0012]NWTH(x,y)＝I(x,y)
‑
I
■
B
oi
(x,y)
[0013][0014]B
oi
指定了环形结构元素的内径和外径的长度，其中ΔB为B
oi
对应的环形结构元素，B
i
是以B
oi
的内径为尺寸的实心结构元素，分别表示膨胀、腐蚀操作；
[0015]使用两种尺度的结构元素，保证算法能够检测出约占据1至100个像素的目标，得到两个显著图：
[0016]S1＝I(x,y)
‑
I
■
B
oi1
(x,y)
[0017]S2＝I(x,y)
‑
I
■
B
oi2
(x,y)
[0018]将两个显著图相加，设置图像的灰度最大值像素值为上界，限制所有像素不超过该上界：
[0019]S＝Clip(S1+S2)
[0020]以较低阈值对融合后的显著图进行分割后得到二值图像：
[0021]S
th
＝Threshold(S)
[0022]以S做为引导，按S像素值由大到小的顺序，设置像素的坐标为种子的坐标，在S
th
上进行种子生长，得到包含K个连通域的显著区域图：
[0023]T＝seed_grow_K(S,S
th
)
[0024]种子生长过程中，每生长一个区域，对该区域标记，之后遍历的种子如果落在已生长的区域，则跳过此次生长，直至提取了K个连通域，返回K个标记结果T。
[0025]作为本专利技术的进一步改进，所述步骤2具体如下：
[0026]首先，设只包含单个连通域的显著区域图为T1,T2,...,T
K
，即：
[0027]T＝T1+T2+
···
+T
K
[0028]和原图像I堆叠构建卷积神经网络的输入[I,T
i
]；
[0029]所述卷积神经网络包括Conv Layer模块，Spatial Bias模块和三个结构相同的Stage模块，其中Conv Layer模块和三个Stage模块是由ResNet
‑
10网络去掉全连接层，保留特征提取层并拆分得到，将其输入输出首尾相接，得到一个ResNet
‑
10骨干网络；
[0030]Spatial Bias模块将单个连通区域T
i
进行下采样，与每一层输出的特征F进行拼接、卷积输出后，作为偏置和原特征F进行相加，以此在全局的尺度上进一步突出输入数据
期望关注的区域，表达为：
[0031]F
′
＝Spatial_Bias(F,T
i
)
[003本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于显著区域引导深度学习的单帧红外弱小目标检测方法，其特征在于，包括以下步骤：步骤1、使用图像处理算法，提取显著目标区域；步骤2、构建卷积神经网络，将原图像和包含单个连通域的显著区域图送入所述卷积神经网络进行推理，输出该区域为真目标、假目标的概率，并最终得到检测结果。2.根据权利要求1所述的基于显著区域引导深度学习的单帧红外弱小目标检测方法，其特征在于，在步骤1中，所述图像处理算法为形态学算法New TopHat。3.根据权利要求2所述的基于显著区域引导深度学习的单帧红外弱小目标检测方法，其特征在于，所述步骤1具体如下：设待检测红外图像为I，使用NWTH变换，提取出显著区域：NWTH(x,y)＝I(x,y)
‑
I
■
B
oi
(x,y)B
oi
指定了环形结构元素的内径和外径的长度，其中ΔB为B
oi
对应的环形结构元素，B
i
是以B
oi
的内径为尺寸的实心结构元素，分别表示膨胀、腐蚀操作；使用两种尺度的结构元素，保证算法能够检测出约占据1至100个像素的目标，得到两个显著图：S1＝I(x,y)
‑
I
■
B
oi1
(x,y)S2＝I(x,y)
‑
I
■
B
oi2
(x,y)将两个显著图相加，设置图像的灰度最大值像素值为上界，限制所有像素不超过该上界：S＝Clip(S1+S2)以较低阈值对融合后的显著图进行分割后得到二值图像：S
th
＝Threshold(S)以S做为引导，按S像素值由大到小的顺序，设置像素的坐标为种子的坐标，在S
th
上进行种子生长，得到包含K个连通域的显著区域...

【专利技术属性】
技术研发人员：张俊超，胡跃坤，胡谋法，张路平，
申请(专利权)人：中南大学，
类型：发明
国别省市：