一种用于识别红外小目标的分割方法技术

本发明专利技术提供了一种用于识别红外小目标的分割方法，包括：采用多尺度不对称融合的局部补丁和全局关注网络模型捕获小目标图像中的局部补丁特征细节信息和全局位置信息；将多尺度不对称融合模块引入局部补丁和全局关注网络模型中，对上采样关键位置的像素进行保留；在全局关注网络中引入微识别模块，融合低级特征和高级特征融合，实现小目标弱边缘像素的提取

【技术实现步骤摘要】
一种用于识别红外小目标的分割方法


[0001]本专利技术属于红外目标图像处理
，具体涉及一种用于识别红外小目标的分割方法
。

技术介绍

[0002]随着计算机技术的不断进步，计算机性能的不断提高，利用计算机取代繁重的人工作业己经成为趋势
。
计算机视觉作为人工智能研究领域重要的基础组成部分，有着广泛的应用，例如目标检测
、
人脸识别
、
场景重建以及目标跟踪等
。
红外小目标检测是红外搜索和跟着的关键技术之一
。
[0003]红外小目标检测的一般步骤是先对图像进行背景抑制，使目标与背景分离，再利用阈值分割进一步提高图像的对比度与信杂比
。
然而，当图像中有多个小目标且背景抑制后目标之间的灰度差异过大时，利用传统的阈值分割方法很可能会漏检部分目标
。

技术实现思路

[0004]本专利技术提供了一种用于识别红外小目标的分割方法，包括以下步骤：
[0005]步骤一
、
采用多尺度不对称融合的局部补丁和全局关注网络模型捕获小目标图像中的局部补丁特征细节信息和全局位置信息；
[0006]步骤二
、
将多尺度不对称融合模块引入局部补丁和全局关注网络模型中，对上采样关键位置的像素进行保留；
[0007]步骤三
、
在全局关注网络中引入微识别模块，融合低级特征和高级特征融合，实现小目标弱边缘像素的提取
。
[0008]可选的，所述多尺度不对称融合的局部补丁和全局关注网络模型包括小目标的图像被输入并分别发送到全局网络和局部补丁网络的多个分支
。
[0009]可选的，基于门控轴注意力机制构建具有多尺度不对称融合的局部补丁和全局注意力融合网络模型
。
[0010]可选的，构建局部补丁和全局注意力融合网络模型的具体过程如下：
[0011]①
、
在全局注意力模块中，对特征图进行多层卷积，得到多层卷积矩阵；
[0012]②
、
基于门控轴
‑
注意力模型对多层卷积矩阵进行多层下采样，得到多层具有多尺度不对称融合的局部补丁和全局注意力融合网络模型
。
[0013]可选的，使用微观识别模块作为全局注意力模块
。
[0014]可选的，在下采样过程中设计有门控轴向注意力模块
。
[0015]可选的，在下采样结构模块设计门控轴向注意力模块的具体过程如下：
[0016]①
、
输入
A3(a3)
使用
1*1
卷积来提取特征并生成该层卷积
T1的输出，其中，
A3(a3)
是经过
3*3
卷积后的结果；
[0017]②
、
将卷积
T1依次传递到门控高度轴注意力模块和门控宽度轴注意力模块中，得到能够将网络聚焦在红外小目标区域上的卷积
T2；
[0018]③
、
通过
1*1
卷积计算并相加得到卷积
T3，并与
A3(a3)
相加，得到
G1(L1)
，使输出的特征图的大小是原始输入的一半；其中，
G1(L1)
为
U
型网络第一次卷积；
[0019]④
、
完成了三层网络的卷积，得到具有丰富语义特征的
G3(L3)
；其中，
G3(L3)
为
U
型网络第三次卷积
。
[0020]可选的，所述多尺度不对称融合模块由浅层特征
G2(G1)、
深度特征
G
′
2(G
′
1)
和关键语义特征
G3(G2)
相结合
。
[0021]可选的，在微识别模块中，低级特征图
G1
包含更多的弱边缘的位置信息，高级特征图
G3
显示更多的弱相关边缘语义特征；
[0022]通过提取低级特征图
G1
和高级特征图
G3
映射进行融合，保留图像中目标的弱边缘
。
[0023]可选的，在上采样过程中添加跳过层连接，以保持浅层特征
G2(G1)、
深度特征
G
′
2(G
′
1)。
[0024]与现有技术相比，本专利技术具有以下有益效果：
[0025]本专利技术提出了一种基于多尺度不对称融合的局部补丁和全局关注网络
(LPGANet)
的红外小目标检测新方法
。
基于门控轴向注意的全局和局部补丁关注模块充分整合了小目标的全局位置和局部特征信息，增强了上下文的语义连接
。
该算法有效地解决了上采样过程中关键像素丢失的问题
。
跳跃式连接可以充分理解深层和浅层语义特征，实现关键像素的保留
。
最后，融合低级特征和高级特征，实现小目标弱边缘像素提取
。LPGANet
在
IoU、mIoU
和
F1
下的实验结果分别为
62.5
％
、40.84
％和
0.4298
，烧蚀实验表明了各模块的有效性，对比实验表明了
LPGANet
应对精确红外小目标探测任务的能力
。
[0026]除了上面所描述的目的
、
特征和优点之外，本专利技术还有其它的目的
、
特征和优点
。
下面将参照图，对本专利技术作进一步详细的说明
。
附图说明
[0027]构成本申请的一部分的附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定
。
在附图中：
[0028]图1是本专利技术实施例中具有多尺度不对称融合的局部补丁和全局注意力融合网络
(LPGANet)
的总体架构示意图；
[0029]图2是本专利技术实施例中三层轴向注意力模块在下采样结构示意图；
[0030]图3是本专利技术实施例中多尺度不对称融合模块结构示意图；
[0031]图4是本专利技术实施例中显微识别模块结构示意图；
[0032]图5是采用本专利技术所提供的分割方法所获得的检测结果与现有技术中所提供的分割方法所获得的检测结果对比示意图；
[0033]图6是采用本专利技术所提供的分割方法所获得的
ROC
曲线与现有技术中所提供的分割方法所获得的
ROC
曲线对比示意图
。
具体实施方式
[0034]为使本专利技术的上述目的
、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种用于识别红外小目标的分割方法，其特征在于，包括以下步骤：步骤一
、
采用多尺度不对称融合的局部补丁和全局关注网络模型捕获小目标图像中的局部补丁特征细节信息和全局位置信息；步骤二
、
将多尺度不对称融合模块引入局部补丁和全局关注网络模型中，对上采样关键位置的像素进行保留；步骤三
、
在全局关注网络中引入微识别模块，融合低级特征和高级特征融合，实现小目标弱边缘像素的提取
。2.
根据权利要求1所述的用于识别红外小目标的分割方法，其特征在于，所述多尺度不对称融合的局部补丁和全局关注网络模型包括小目标的图像被输入并分别发送到全局网络和局部补丁网络的多个分支
。3.
根据权利要求1所述的用于识别红外小目标的分割方法，其特征在于，基于门控轴注意力机制构建具有多尺度不对称融合的局部补丁和全局注意力融合网络模型
。4.
根据权利要求3所述的用于识别红外小目标的分割方法，其特征在于，构建局部补丁和全局注意力融合网络模型的具体过程如下：
①
、
在全局注意力模块中，对特征图进行多层卷积，得到多层卷积矩阵；
②
、
基于门控轴
‑
注意力模型对多层卷积矩阵进行多层下采样，得到多层具有多尺度不对称融合的局部补丁和全局注意力融合网络模型
。5.
根据权利要求4所述的用于识别红外小目标的分割方法，其特征在于，使用微观识别模块作为全局注意力模块
。6.
根据权利要求4所述的用于识别红外小目标的分割方法，其特征在于，在下采样过程中设计有门控轴向注意力模块
。7.
根据权利要求6所述的用于识别红外小目标的分割方法，其特征在于，在下采样结构模块设计门控轴向注意力模块的具体过程如下：
①
、
输入
A3(a3)
使用
1*1
卷积来提取特征并生成该层卷积
T1的输出，其...

【专利技术属性】
技术研发人员：段吉安，仲顺顺，徐聪，马著，
申请(专利权)人：中南大学，
类型：发明
国别省市：