联合图像的结构张量和自注意力机制的弱小目标检测方法技术

本发明专利技术涉及物体追踪等领域，公开了联合图像的结构张量和自注意力机制的弱小目标检测方法，包括，建立基于结构张量特性的背景抑制函数模型，用于抑制图像的强边缘轮廓；建立新的基于自注意力机制的背景抑制数学模型，以实现背景的进一步约束，得到最终的检测结果。本发明专利技术建立的基于结构张量特性的背景抑制函数模型能够根据特征值在不同背景下的信息特征实现对背景的抑制，与现有的背景抑制函数相比能更好的的搭配强边缘轮廓的抑制效果。此外，本发明专利技术的算法在信噪比，结构相似性与背景抑制因子等方面，都取得了很好的效果。都取得了很好的效果。都取得了很好的效果。

【技术实现步骤摘要】
联合图像的结构张量和自注意力机制的弱小目标检测方法


[0001]本专利技术涉及物体追踪领域，尤其涉及联合图像的结构张量和自注意力机制的弱小目标检测方法。

技术介绍

[0002]红外弱小目标图像的检测在国民经济和军事上都具有广泛应用，但该技术由于大气辐射、作用距离、光电干扰等因素的影响，使得目标在图像上尺寸较小、呈现点状、无任何轮廓纹理特征，有时还会淹没在复杂的背景中，强噪声、杂波等还会影响算法的判断，使得小目标检测变得十分困难。
[0003]为了有效抑制大部分背景同时增强目标信号，本专利技术提供了联合图像的结构张量和自注意力机制的弱小目标检测方法。

技术实现思路

[0004]本专利技术的目的是为了解决现有技术中存在的缺点,而提供联合图像的结构张量和自注意力机制的弱小目标检测方法，包括：
[0005]建立基于结构张量特性的背景抑制函数模型，用于初步抑制图像的强边缘轮廓；
[0006]建立自注意力机制数学模型，用于在所述基于结构张量特性的背景抑制函数模型的基础上进一步约束图像的背景。
[0007]进一步地，建立所述基于结构张量特性的背景抑制函数模型的具体步骤为：
[0008]步骤1：通过结构张量获取图像的特征值；
[0009]步骤2：基于所述结构张量获得的特征值的特性建立强边缘轮廓抑制函数，其中，所述强边缘轮廓抑制函数用于抑制抑制图像的强边缘轮廓；
[0010]步骤3：结合所述强边缘轮廓抑制函数和角点描述函数以实现背景强边缘轮廓的抑制，其中，所述角点描述函数用于计算出图像的角点位置。
[0011]进一步地，所述步骤1中，假设原始图像为D，那么经典的结构张量的计算公式为：
[0012]K
ρ
表示方差为ρ的高斯核函数，*表示卷积运算，表示Kronecker积，表示求梯度，D
σ
表示对原始图像进行方差为σ的高斯平滑滤波，J11、J12、J21、J22为J
P
结构张量矩阵的四个元素，其中，
[0013][0014]I
x
,I
y
分别表示D
σ
在x,y方向上的梯度，为D
σ
的偏导数。
[0015]进一步地，所述结构张量是正定对称的。在图像中每个像元位置处的所述结构张量都存在两个非负的特征值，图像对于图像中J
p
而言，它的两个特征值λ1,λ2计算公式如下:
[0016][0017]其中，特征值为m*n大小的矩阵向量空间。
[0018]进一步地，所述步骤2中，通过图像的结构张量矩阵的特征值λ1(x,y),λ2(x,y)在不同区域上的表现，即当λ1(x,y)≈λ2(x,y)≈0时为平坦区域；当λ1(x,y)≥λ2(x,y)＞＞0时为角点区域；当λ1(x,y)＞＞λ2(x,y)≈0时为边缘区域建立了一种强边缘轮廓抑制函数，该函数的表达式如下：
[0019][0020]上式中W
q
表示强边缘轮廓抑制函数，λ1(x,y),λ2(x,y)表示图像的特征矩阵在(x,y)处的像素值。
[0021]进一步地，所述步骤3中，结合角点描述函数得到背景抑制结果为：
[0022][0023]上式中的W
q
,W
t
分别为边缘轮廓抑制函数和角点描述函数，W
qt
表示本专利技术得到的初次背景抑制结果。
[0024]进一步地，建立所述自注意力机制数学模型的过程为,
[0025]首先通过滑动窗口将图像矩阵进行分块，以获得块图像矩阵X；
[0026]然后我们将所述块图像矩阵X与所述块图像矩阵X的转置X
T
相乘，用于实现对目标的能量增强以及边缘轮廓的抑制；
[0027]最后我们将X*X
T
归一化的结果作为权值矩阵与原来的所述块图像矩阵X相乘，以实现对原来的所述块图像矩阵X的约束，达到背景边缘残差的抑制效果。
[0028]进一步地，所述X*X
T
归一化的结果作为权值矩阵与所述原来的块图像矩阵X相乘的公式为,
[0029]一种基于非重叠红外图像块的自注意力机制公式：
[0030]Attention(X)＝Softmax(X*X
T
)
⊙
X
ꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0031]上式中X表示非重叠红外块图像矩阵，X
T
表示块图像矩阵X的转置，*和
⊙
分别表示矩阵的乘法和矩阵的hadamard product哈达玛积，Softmax()为归一化函数。
[0032]一种计算机设备，包括存储器和一个或多个处理器，所述存储器中存储有计算机代码，所述计算机代码被所述一个或多个处理器执行时，使得所述一个或多个处理器执行如上述任一项所述的方法。
[0033]一种计算机可读存储介质，所述计算机可读存储介质存储有计算机代码，当所述计算机代码被执行时，如上述任一项所述的方法被执行。
[0034]与现有技术相比，本专利技术的有益效果是：
[0035](1)本专利技术建立的基于结构张量特性的背景抑制函数模型能够根据特征值在不同背景下的信息特征实现对背景的抑制，与现有的背景抑制函数相比能更好的的搭配强边缘轮廓的抑制效果。
[0036](2)本专利技术建立的基于自注意力机制的数学模型，能够分析边缘轮廓和目标点在图像矩阵中的表现形式，借助基于自注意力机制的数学模型进一步对图像连续边缘轮廓进行约束，并且保留目标点信息，得到更好的背景抑制效果。
附图说明
[0037]附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制。
[0038]在附图中：
[0039]图1为本专利技术联合图像的结构张量和自注意力机制的弱小目标检测方法的一种基于自注意力机制的背景约束算法模型图；
[0040]图2为本专利技术联合图像的结构张量和自注意力机制的弱小目标检测方法的算法实验结果图。
具体实施方式
[0041]为了使本专利技术的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施方式,对本专利技术进行进一步详细说明，应当理解,此处所描述的具体实施方式仅用以解释本专利技术,并不用于限定本专利技术。
[0042]实施例1
[0043]本专利技术提供联合图像的结构张量和自注意力机制的弱小目标检测方法，包括：
[0044]建立基于结构张量特性的背景抑制函数模型，用于初步抑制图像的强边缘轮廓；
[0045]建立自注意力机制数学模型，用于在基于结构张量特性的背景抑制函数模型的基础上进一步约束图像的背景。
[0046]具体的，建立基于结构张量特性的背景抑制函数模型的具体步骤为：
[0047]步骤1：通过结构张量获取图像的特征值；
[0048]步骤2：基于结构张量本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.联合图像的结构张量和自注意力机制的弱小目标检测方法，其特征在于，包括：建立基于结构张量特性的背景抑制函数模型，用于初步抑制图像的强边缘轮廓；建立自注意力机制数学模型，用于在基于结构张量特性的所述背景抑制函数模型的基础上进一步约束图像的背景。2.根据权利要求1所述的联合图像的结构张量和自注意力机制的弱小目标检测方法，其特征在于：建立基于结构张量特性的所述背景抑制函数模型的具体步骤为：步骤1：通过结构张量获取图像的特征值；步骤2：基于所述结构张量获得的所述特征值的特性建立强边缘轮廓抑制函数，其中，所述强边缘轮廓抑制函数用于抑制抑制图像的强边缘轮廓；步骤3：结合所述强边缘轮廓抑制函数和角点描述函数以实现背景强边缘轮廓的抑制，其中，所述角点描述函数用于计算出图像的角点位置。3.根据权利要求2所述的联合图像的结构张量和自注意力机制的弱小目标检测方法，其特征在于：所述步骤1中，假设原始图像为D，那么经典的结构张量的计算公式为：K
ρ
表示方差为ρ的高斯核函数，*表示卷积运算，表示Kronecker积，表示求梯度，D
σ
表示对原始图像进行方差为σ的高斯平滑滤波，J11、J12、J21、J22为J
P
结构张量矩阵的四个元素，其中，I
x
,I
y
分别表示D
σ
在x,y方向上的梯度，为D
σ
的偏导数。4.根据权利要求3所述的联合图像的结构张量和自注意力机制的弱小目标检测方法，其特征在于：所述结构张量是正定对称的，在图像中每个像元位置处的所述结构张量都存在两个非负的特征值，图像对于图像中J
p
而言，它的两个特征值λ1,λ2计算公式如下：其中，λ1,,为m*n大小的矩阵向量空间。5.根据权利要求4所述的联合图像的结构张量和自注意力机制的弱小目标检测方法，其特征在于：所述步骤2中，通过图像的结构张量矩阵的所述特征值λ1(x,y),λ2(x,y)在不同区域上的表现，即当λ1(x,y)≈λ2(x,y)≈0时为平坦区域；当λ1(x,y)≥λ2(x,y)＞＞0时为角点区域；当λ1(x,y)＞＞λ2(x,y)≈0时为边缘区域建立了所述强边缘轮廓抑制函数...

【专利技术属性】
技术研发人员：艾春，王旭东，李国通，冯震宇，
申请(专利权)人：缤谷电力科技上海有限公司，
类型：发明
国别省市：