【技术实现步骤摘要】
本专利技术涉及图像处理、目标检测，具体涉及一种基于局部差异与全局特征的红外单小目标检测方法和系统。
技术介绍
1、红外小目标探测广泛应用于国土监视、海上监测、防空预警和反导等领域。红外小目标检测是红外搜索与跟踪系统的重要组成部分，其检测结果直接影响到红外搜索与跟踪系统的鲁棒性，面临着目标尺寸小、形状不规则、信号强度弱、缺乏纹理细节等诸多困难。因此，如何实现高鲁棒性和低虚警率的检测是目前研究人员亟需要探索的问题。
2、到目前为止，研究人员已经提出了大量的单帧检测算法，大致可分为四类。第一类是基于背景估计滤波的方法，它们在复杂场景中的检测性能较差。第二类是基于低秩稀疏的方法，这些方法在背景抑制方面取得了更好的进展，但其抑制角点和稀疏边缘的能力仍有待提高，且高复杂度导致实时性低。第三类是基于深度学习的方法，这些方法具有较强的目标表示能力，并且严重依赖于训练数据库。目前，虽然有一些公开数据集，但它们无法覆盖各种复杂场景，使得深度学习算法在复杂环境中缺乏泛化能力。第四类是基于局部信息的方法，这类方法利用局部特征来增强目标和抑制杂波。基于局部特征的方法因其明显的目标增强效果、良好的实时性和易于硬件实现而受到广大研究人员的青睐。研究人员通过开发各种局部对比度测量和不同的局部窗口结构来提高算法的性能。为了充分提取小目标的局部特征，他们尝试使用不同的技术路线，如使用随机游动、区域生长算法来分割小目标。然而，当杂波干扰具有与小目标相似或更强的局部特征时，这种算法可能会将其误认为目标，导致误报。这些算法仅依赖于小目标的局部特征，面临着无法
技术实现思路
1、有鉴于此，本专利技术的目的是提供一种基于局部差异与全局特征的红外单小目标检测方法和系统，考虑了红外图像的非局部特性和单目标的唯一性，将该特征量化为可用于增强目标同时抑制高亮杂波的全局独特性参数，将这一参数与局部特征加权融合，可以进一步提高红外单小目标检测性能，降低虚警率。
2、本专利技术采用的技术方案为：一种基于局部差异与全局特征的红外单小目标检测方法，包括如下步骤：
3、步骤1，获取待检测的单帧原始红外图像，图像中仅存在一个小目标；
4、步骤2，构造多尺度局部差异滑动窗口，根据滑动窗口结构设计高效的局部差异算子，局部差异算子计算每个尺度下中心像素灰度值减去背景区最大像素灰度值的差来衡量局部特征；
5、步骤3，对原始红外图像进行填充，将步骤2的滑动窗口逐像素遍历全图，根据局部差异算子计算每个像素的局部差异特征值，获取与原图尺寸一致的局部差异特征矩阵；
6、步骤4，计算局部差异矩阵的阈值，通过该阈值获取m个候选目标点的位置；
7、步骤5，计算每个候选目标点的全局独特性特征，获取全局独特性特征矩阵；
8、步骤6，对局部差异矩阵和全局独特性矩阵分别归一化后进行点乘，得到融合矩阵；
9、步骤7，计算融合矩阵的自适应阈值，通过该阈值对融合矩阵进行二值化分割得到红外小目标。
10、进一步的，多尺度局部差异滑动窗口w有多个尺度，其中每个单尺度局部差异滑动窗口ws的大小为s×s，s指不同尺度的窗口的外边长，单尺度局部差异滑动窗口包括中心像素点，周围一定像素宽度的背景区，以及中心像素点和背景区之间的过渡区。
11、进一步的，对于红外图像中的每个像素，构建一个以该像素为中心的局部差异滑动窗口，然后定义该像素的单尺度局部差异ld如下：
12、
13、其中t(x,y)和bmax(x,y)分别表示原始红外图像中的像素值和背景区b的最大像素值；
14、根据多尺度滑动窗口w设计的局部差异算子表示如下：
15、
16、其中，ld(x,y)表示像素的局部差异特征值，s＝7,9,11指边长分别为7、9和11个像素的滑动窗口。
17、进一步的，步骤4的具体实现方式如下；
18、首先通过形态学膨胀操作计算局部差异特征矩阵ld的膨胀矩阵p，然后定义膨胀矩阵与局部差异特征矩阵灰度值一致的区域为局部极大值区域，构建一个与原图尺寸一致的全0矩阵z，将z中对应局部极大值区域的值赋值为1，数学公式如下：
19、
20、其中，其中ld(x,y)和p(x,y)分别指局部差异特征矩阵ld和膨胀矩阵p上坐标为(x,y)的元素值，然后将z与局部差异特征矩阵ld相乘，得到局部极大值特征矩阵zl，然后选择zl中强度高于自适应阈值thzl的m个元素作为候选目标，保存候选目标坐标，自适应阈值thzl的计算公式如下：
21、thzl＝max(α×v1,vk)
22、其中v1和vk代表局部极大值特征矩阵zl的最大值和第k大的像素值，α和k是经验常数。
23、进一步的，膨胀矩阵p的计算公式如下：
24、p＝ld⊕j
25、其中⊕指灰度膨胀操作，j表示对局部差异特征矩阵进行膨胀运算的结构化要素。
26、进一步的，步骤5的具体实现方式如下；
27、首先引入了灰度直方图来区分目标和杂波，针对第k个候选目标点，在红外原始图像上，首先以第k个候选目标坐标为中心构建一个局部像素块，然后提取局部像素块的灰度直方图特征；引入权重函数，使目标中心附近的像素获得更多的权重，最终得到第k个候选目标点的局部像素块的灰度距离加权直方图bin指直方图间隔的总数量；
28、然后，对所有目标候选点重复灰度直方图计算的操作，以获得m×m大小的直方图矩阵，为了测量不同直方图之间的相似性，使用巴氏系数进行相似性计算，第k个的候选目标点的加权直方图pk和第j个候选目标点的加权直方图pj之间的巴氏系数ρ(pk,pj)的数学公式如下：
29、
30、再逐个计算每个候选目标点加权直方图与其他候选目标点的加权直方图的相似性系数后，得到m×m大小的相似性矩阵matb，其中每个局部像素块与其自身的相似性值被重新分配为0；构建一个与原图尺寸一致的全0矩阵gu来存储全局独特性特征值，其中候选目标坐标的元素值的计算公式如下：
31、
32、其中max(θk)指相似性矩阵matb第k列元素的最大值，xk和yk指第k个候选目标点的坐标，计算完所有候选目标点的全局独特性特征值后，即得到全局独特性特征矩阵gu。
33、进一步的，的计算公式如下：
34、
35、其中c指归一化系数，n指局部像素块内像素个数，d指距离核函数，h指核函数的带宽，z0指局部像素块中心像素点的坐标，zi指局部像素块内第i个像素点的坐标，δ指狄拉克函数，bin指直方图间隔的总数量，b(zi)表示将zi处像素点的灰度值映射为直方图间隔的索引值；
36、进一步的，步骤7的具体实现方式如下；
37、在融合矩阵r中，通过自适应阈值从候选目标中提取真实目标，自适应阈值t定义如下：
38本文档来自技高网...
【技术保护点】
1.基于局部差异与全局特征的红外单小目标检测方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于局部差异与全局特征的红外单小目标检测方法，其特征在于：在步骤2中，多尺度局部差异滑动窗口W有多个尺度，其中每个单尺度局部差异滑动窗口WS的大小为S×S，S指不同尺度的窗口的外边长，单尺度局部差异滑动窗口包括中心像素点，周围一定像素宽度的背景区，以及中心像素点和背景区之间的过渡区。
3.如权利要求2所述的基于局部差异与全局特征的红外单小目标检测方法，其特征在于：对于红外图像中的每个像素，构建一个以该像素为中心的局部差异滑动窗口，然后定义该像素的单尺度局部差异ld如下：
4.如权利要求1所述的基于局部差异与全局特征的红外单小目标检测方法，其特征在于：步骤4的具体实现方式如下；
5.如权利要求4所述的基于局部差异与全局特征的红外单小目标检测方法，其特征在于：膨胀矩阵P的计算公式如下：
6.如权利要求1所述的基于局部差异与全局特征的红外单小目标检测方法，其特征在于：步骤5的具体实现方式如下；
7.如权利要求6所述的
8.如权利要求1所述的基于局部差异与全局特征的红外单小目标检测方法，其特征在于：步骤7的具体实现方式如下；
9.基于局部差异与全局特征的红外单小目标检测系统，其特征在于，包括如下模块：
...【技术特征摘要】
1.基于局部差异与全局特征的红外单小目标检测方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于局部差异与全局特征的红外单小目标检测方法，其特征在于：在步骤2中，多尺度局部差异滑动窗口w有多个尺度，其中每个单尺度局部差异滑动窗口ws的大小为s×s，s指不同尺度的窗口的外边长，单尺度局部差异滑动窗口包括中心像素点，周围一定像素宽度的背景区，以及中心像素点和背景区之间的过渡区。
3.如权利要求2所述的基于局部差异与全局特征的红外单小目标检测方法，其特征在于：对于红外图像中的每个像素，构建一个以该像素为中心的局部差异滑动窗口，然后定义该像素的单尺度局部差异ld如下：
4.如权利要求1所述的基于局...
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。