基于椭圆环形Top-Hat的红外小目标检测方法技术

本发明专利技术公开了基于椭圆环形Top

【技术实现步骤摘要】
基于椭圆环形Top
‑
Hat的红外小目标检测方法


[0001]本专利技术涉及红外检测
，尤其是基于椭圆环形Top
‑
Hat的红外小目标检测方法。

技术介绍

[0002]红外目标检测主要采用红外热成像仪结合信号处理技术，实现目标的自动检测，已被广泛应用于各个领域。在实际场景中，红外目标发出的红外辐射，在被光学系统接收前要在大气中传输，而在大气中传输时会收到大气衰减，衰减的因素有大气的吸收、散射，以及云、雾、雨、雪等其他微粒的散射。同时，由于防红外材料的发展和复杂环境的干扰，小目标经常缺乏纹理和结构信息，甚至被复杂多变的背景淹没。因而，红外小目标检测仍然是一个挑战问题。
[0003]现有的红外小目标检测的方法通常可分为两类：基于单帧和基于序列的检测方法。基于序列检测需要更多的关于目标和背景的先验信息。然而，这些先验信息在实际应用中很难获得。因此，许多研究者致力于基于单帧检测的方法研究。基于单帧检测的方法可以划分为4类：
[0004](1)基于背景一致性的模型假定背景具有相关性，通过设计的滤波器从原始图像中将背景分离，进而达到目标检测的目的。二维最小均方差、顶帽变换、Top
‑
Hat、最大均值和最大中值滤波器是最典型的基于背景一致性的模型。
[0005](2)基于人类视觉系统的方法利用目标与背景的局部差异构建可以突出目标的显著图，进而实现对目标的检测。这一类型的方法有绝对方向均值差异检测器(Absolute Directional Mean Difference，ADMD)、局部对比度测量(Local Contrast Measure，LCM)、多尺度块对比度测量(Multiscale Patch
‑
based Contrast Measure，MPCM)、改进的局部对比度测量(Improved Local Contrast Measure，ILCM)等。
[0006](3)基于低秩稀疏矩阵恢复的方法利用红外小目标稀疏和背景低秩的特性，将检测变为分类任务，进而实现红外小目标的检测。这一类型的方法有红外块图像(Infrared Patch
‑
Image，IPI)、张量核范数部分和(Partial Sum of the Tensor Nuclear Norm，PSTNN)、非凸秩逼近最小化(Non
‑
Convex Rank Approximation Minimization，NRAM)和L
p
范数的非凸张量纤维秩逼近(Nonconvex Tensor Fibered Rank Approximation，NTFRA)等。
[0007](4)基于深度学习的模型利用大量的训练数据，学习红外小目标的抽象表达，从而达到目标检测的目的。目前这一类型的方法大多采用仿真的数据集或者数据增广的方法训练网络中的参数。
[0008]现有技术主要存在以下问题：
[0009](1)第一个是检测率和实时性的矛盾问题。在较低的虚警率的情况下，基于滤波和基于对比度的方法拥有较高的实时性，但检测率并不高。与之相反的是，基于低秩稀疏矩阵恢复的方法拥有较高的检测率，但实时性较差。但在工程应用中，不仅需要较高的检测率，
也需要较高的实时性；
[0010](2)第二个是检测双极性目标的性能不佳的问题。受外在因素和目标本身的特性的影响，一些小目标通常呈现双极性的特点，即目标灰度可以高于背景灰度，也可以低于背景灰度。但大多数研究人员是基于目标灰度高于背景灰度的假设，设计的红外小目标检测器。

技术实现思路

[0011]有鉴于此，本专利技术实施例提供可实时检测的基于椭圆环形Top
‑
Hat的红外小目标检测方法。
[0012]一方面，本专利技术实施例提供了基于椭圆环形Top
‑
Hat的红外小目标检测方法，包括：
[0013]构建检测目标的多个角度的结构信息，其中结构信息包括外部结构元素、内部结构元素和椭圆结构元素；
[0014]根据所述结构信息，定义开运算与闭运算；
[0015]基于所述开运算与所述闭运算，通过形态学变换得到顶帽变换运算与底帽变换运算；
[0016]基于所述顶帽变换运算与所述底帽运算，通过融合得到第一检测结果；
[0017]将所述第一检测结果基于自适应阈值进行分割，得到红外小目标检测结果。
[0018]可选地，所述构建检测目标的多个角度的结构信息，包括：
[0019]构建检测目标多个角度上的外部结构元素；
[0020]构建检测目标多个角度上的内部结构元素；
[0021]基于所述外部结构元素和所述内部结构元素，通过作差得到椭圆结构元素。
[0022]可选地，所述根据所述结构信息，定义开运算与闭运算这一步骤中，开运算与闭运算的表达式为：
[0023][0024][0025]其中，为开运算，
·
为闭运算，B
oi
为外部结构元素，B
b
为尺寸在外部结构元素与内部结构元素之间的中间结构元素，B
b
为内部结构元素，ΔB
α
为椭圆结构元素，为腐蚀运算，为膨胀运算。
[0026]可选地，所述基于所述开运算与所述闭运算，通过形态学变换得到顶帽变换运算与底帽变换运算这一步骤中，顶帽变换运算与底帽变换运算的表达式为：
[0027]MW
α
(x，y)＝I(x，y)
‑
min((I
·
B
oi
)(x，y)，I(x，y))，α＝0
°
，45
°
，90
°
，135
°
[0028][0029]其中，MW
α
(x，y)为顶帽运算结果，MB
a
(x，y)为底帽运算结果，I(x，y)为红外图像，min()为取最小值，max()为取最大值。
[0030]可选地，所述基于所述顶帽变换运算与所述底帽运算，通过融合得到第一检测结果，包括：
[0031]通过顶帽变换运算与底帽变换运算，得到检测四个方向上的顶帽变换运算结果与
底帽运算结果；
[0032]将四个方向上的顶帽变换运算结果与底帽运算结果进行相加得到初始检测目标；
[0033]将四个方向上的初始检测目标相乘，得到第一检测结果。
[0034]可选地，所述将所述第一检测结果基于自适应阈值进行分割，得到红外小目标检测结果这一步骤中，自适应阈值的计算公式为：
[0035]T＝μ+k*σ
[0036]其中，T为自适应阈值，μ为第一检测结果的均值，σ为第一检测结果的标准差，k为常数。
[0037]可选地，所述将所述第一检测结果基于自适应阈值进行分割，得到红外小目标检测结果，包括：
[0038]通过自本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于椭圆环形Top
‑
Hat的红外小目标检测方法，其特征在于，包括：构建检测目标的多个角度的结构信息，其中结构信息包括外部结构元素、内部结构元素和椭圆结构元素；根据所述结构信息，定义开运算与闭运算；基于所述开运算与所述闭运算，通过形态学变换得到顶帽变换运算与底帽变换运算；基于所述顶帽变换运算与所述底帽运算，通过融合得到第一检测结果；将所述第一检测结果基于自适应阈值进行分割，得到红外小目标检测结果。2.根据权利要求1所述的基于椭圆环形Top
‑
Hat的红外小目标检测方法，其特征在于，所述构建检测目标的多个角度的结构信息，包括：构建检测目标多个角度上的外部结构元素；构建检测目标多个角度上的内部结构元素；基于所述外部结构元素和所述内部结构元素，通过作差得到椭圆结构元素。3.根据权利要求1所述的基于椭圆环形Top
‑
Hat的红外小目标检测方法，其特征在于，所述根据所述结构信息，定义开运算与闭运算这一步骤中，开运算与闭运算的表达式为：所述根据所述结构信息，定义开运算与闭运算这一步骤中，开运算与闭运算的表达式为：其中，为开运算，
●
为闭运算，B
oi
为外部结构元素，B
b
为尺寸在外部结构元素与内部结构元素之间的中间结构元素，B
b
为内部结构元素，ΔB
α
为椭圆结构元素，为腐蚀运算，为膨胀运算。4.根据权利要求1所述的基于椭圆环形Top
‑
Hat的红外小目标检测方法，其特征在于，所述基于所述开运算与所述闭运算，通过形态学变换得到顶帽变换运算与底帽变换运算这一步骤中，顶帽变换运算与底帽变换运算的表达式为：MW
α
(x,y)＝I(x,y)
‑
min((I
●
B
oi
)(x,y),I(x,y)),α＝0
°
,45
°
,90
°
,135
°
其中，MW
α
(x,y)为顶帽运算结果，MB
α
(x,y)为底帽...

【专利技术属性】
技术研发人员：王鲁平，王成龙，张渝东，
申请(专利权)人：中山大学，
类型：发明
国别省市：