【技术实现步骤摘要】
本专利技术属于目标检测领域，具体涉及一种红外小目标检测方法及系统。
技术介绍
1、作为红外检测和跟踪系统的核心组成部分，红外小目标检测的准确率和虚警率直接影响系统的整体性能。在实际应用中，由于探测器和目标之间的遥远距离，目标在图像中仅占据少量像素且能量微弱，容易淹没在强背景杂波中。因此，研究复杂场景下的红外小目标检测问题对改善系统性能具有重要意义。现有的红外小目标检测方法大致可以分为两类：单帧检测方法和多帧检测方法。
2、近年来，基于人类视觉系统注意力机制的局部对比度方法已经被广泛的研究。其基本思想是比较目标区域和背景区域的灰度差异，以增强目标、抑制背景。按照计算方式的不同，发展了log(laplacian ofgaussian，高斯-拉普拉斯算子)、dog(differenceofgaussian,高斯差)等差值对比度方法，lcm(local contrast measure,局部对比度测量)、mpcm(multiscale patch-based contrast measure，多尺度局部对比度测量)等比值对比度方法，tllcm(tri-layer local contrast measure，三层局部对比度测量)、wslcm(weighted strengthened local contrast measure，权重增强的局部对比度测量)等比差联合对比度方法。结合背景的非局部自相关性和目标的全局稀疏性的低秩稀疏矩阵分离方法是另一种被关注的单帧检测方法。ipi(infrared patch image，红外贴
3、为了进一步提高红外检测和跟踪系统的性能，一系列利用时空对比度结合的多帧检测算法已经被提出。stlcf(spatial-temporal local contrast filter，时空局部对比度滤波器)、stlcm(spatial–temporal local contrast map，时空局部对比度图)、nstsm(novel spatial andtemporal saliency model，新颖的时空显著性模型)、stldm(spatialand temporal local difference measure,空域和时域局部差异测量)在空域和时域分别计算局部对比度，再将两个局部对比度图融合计算时空联合对比度。stldm更好的利用了时域信息，通过构建3-d时空域，计算局部灰度差异特征图和时域特征图，再将两个特征图融合计算时空联合对比度。然而，这些算法的共同缺点是假设红外图像序列背景固定。
4、实际上，由于探测器和目标的相对运动和红外图像背景本身的快速变化，红外图像序列的背景通常是不稳定的，这违反了算法的理论约束，破坏了目标与背景的时域信息特征基，提升了虚警率、降低了检测率。
5、利用图像配准算法帮助红外图像序列对齐的想法是很自然的。但是，红外图像的复杂性导致配准过程需要复杂的计算，这对于有高实时性要求的红外小目标算法是难以接受的。
技术实现思路
1、本专利技术的目的在于克服图像序列背景变化场景下，现有检测方法虚警率高、检测率低，计算实时性差的缺陷。
2、为了实现上述目的，本专利技术提出了一种红外小目标检测方法，包括：
3、步骤1：空域特征配准；将红外小目标划分为包含中心层、边缘层和背景层的三层窗口，对图像序列中每一帧计算绝对能量；
4、步骤2：提取时域特征；分析每一个像素在时域空间内的绝对能量波动，计算图像序列中每一帧的波动差异；
5、步骤3：提取目标；根据绝对能量和波动差异，计算图像序列中每一帧的时空局部对比度联合测量，通过自适应阈值分割提取目标。
6、作为上述方法的一种改进，红外小目标在图像中呈现二维高斯分布，所述中心层对应二维高斯分布的中心，是目标灰度最高的部分；所述背景层对应背景部分，灰度低于红外小目标；所述边缘层对应二维高斯分布的边缘，其灰度介于中心层和背景层之间。
7、作为上述方法的一种改进，第n帧图像的绝对能量计算公式为：
8、
9、其中，aemn表示第n帧图像的绝对能量；
10、基于目标形状构建的包含中心层、边缘层和背景层的三层窗口后，利用此三层窗口对每帧红外图像进行滤波，cn、en、bn分别表示对第n帧图像滤波过程中，由第n帧图像对应像素组成的中心层、边缘层和背景层；mean()和max()分别表示计算均值操作和计算最大值操作；mean(cn)、max(en)和max(bn)分别表示对中心层、边缘层和背景层的能量估计。
11、作为上述方法的一种改进，第n帧图像的波动差异计算公式为：
12、
13、其中，fdmn表示第n帧图像的波动差异；l为时域窗口长度相关参数，时域窗口长度计算公式为：2*l+1。
14、作为上述方法的一种改进，第n帧图像的时空局部对比度联合测量计算公式为：
15、stlumn＝aemn*fdmn
16、其中，stlumn表示第n帧图像的时空局部对比度联合测量。
17、作为上述方法的一种改进，所述自适应阈值的计算公式为：
18、th＝mean(stlumn)+k*std(stlumn)
19、其中，th表示自适应阈值；k是常数；std()表示计算标准差。
20、作为上述方法的一种改进，k的取值范围为5-10。
21、作为上述方法的一种改进，所述窗口的每个块大小设置为3*3或5*5。
22、本申请还提供一种红外小目标检测系统，基于上述方法实现，所述系统包括：
23、空域特征配准模块，用于将红外图像划分为包含中心层、边缘层和背景层的三层窗口，对图像序列中每一帧计算绝对能量；
24、提取时域特征模块，用于分析每一个像素在绝对能量组成的时域空间内的绝对能量波动，计算图像序列中每一帧的波动差异；和
25、提取目标模块，用于根据绝对能量和波动差异，计算图像序列中每一帧的时空局部对比度联合测量，通过自适应阈值分割提取目标。
26、与现有技术相比，本专利技术的优势在于：
27、本申请提出了一种红外小目标检测方法及系统，基于时空域局部对比度联合测量(stlum)本文档来自技高网...
【技术保护点】
1.一种红外小目标检测方法，包括：
2.根据权利要求1所述的红外小目标检测方法，其特征在于，红外小目标在图像中呈现二维高斯分布，所述中心层对应二维高斯分布的中心，是目标灰度最高的部分；所述背景层对应背景部分，灰度低于红外小目标；所述边缘层对应二维高斯分布的边缘，其灰度介于中心层和背景层之间。
3.根据权利要求2所述的红外小目标检测方法，其特征在于，第n帧图像的绝对能量计算公式为：
4.根据权利要求3所述的红外小目标检测方法，其特征在于，第n帧图像的波动差异计算公式为：
5.根据权利要求4所述的红外小目标检测方法，其特征在于，第n帧图像的时空局部对比度联合测量计算公式为：
6.根据权利要求5所述的红外小目标检测方法，其特征在于，所述自适应阈值的计算公式为：
7.根据权利要求6所述的红外小目标检测方法，其特征在于，k的取值范围为5-10。
8.根据权利要求1所述的红外小目标检测方法，其特征在于，所述窗口的每个块大小设置为3*3或5*5。
9.一种红外小目标检测系统，基于权利要求1-8所述的
...【技术特征摘要】
1.一种红外小目标检测方法，包括：
2.根据权利要求1所述的红外小目标检测方法，其特征在于，红外小目标在图像中呈现二维高斯分布，所述中心层对应二维高斯分布的中心，是目标灰度最高的部分；所述背景层对应背景部分，灰度低于红外小目标；所述边缘层对应二维高斯分布的边缘，其灰度介于中心层和背景层之间。
3.根据权利要求2所述的红外小目标检测方法，其特征在于，第n帧图像的绝对能量计算公式为：
4.根据权利要求3所述的红外小目标检测方法，其特征在于，第n帧图像的波动差异计算公式为：
<...【专利技术属性】
技术研发人员：郑伟，黄子徐，赵二伟，杨震，彭晓东，
申请(专利权)人：中国科学院国家空间科学中心，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。