基于小波引导的红外弱小目标检测方法技术

本发明专利技术公开了基于小波引导的红外弱小目标检测方法，具体按照以下步骤实施：步骤1、构建红外弱小目标检测数据集；步骤2、构建编码器，编码器包括卷积层和小波引导Transformer模块；步骤3、构建解码器，解码器包括小波补充上采样模块和全连接层；步骤4、利用数据集训练构建的检测网络，实现对红外弱小目标检测。本发明专利技术通过小波引导Transformer模块和小波补充上采样模块，能够有效改善现有技术下目标在上下采样过程中信息丢失问题同时在频域、维度域和空间域三个方向上对目标特征进行提取，得到丰富的细节纹理与语义信息。同时，构建采用该方法的神经网络时通过调整训练参数和损失函数进行网络优化，可以得到更好的红外弱小目标检测效果。

【技术实现步骤摘要】

本专利技术属于图像目标检测方法，具体涉及基于小波引导的红外弱小目标检测方法。

技术介绍

1、在公共安全、应急救援以及地理空间探测等领域，精准检测红外图像中的弱小目标显得尤为关键。然而，依赖人工设计特征和先验知识的传统视觉检测技术，在复杂多变的真实应用场景下面临严重性能瓶颈。为应对这些局限，近年来深度学习等先进计算机视觉通过强大的特征提取能力，为红外弱小目标提供了了新的可能解决方案。

2、深度学习模型，特别是卷积神经网络等，已经在图像识别和特征提取方面取得了显著的成果。如，dnanet[dense nested attention network for infrared small targetdetection[j].ieee transactions on image processing,2022,32:1745-1758.]利用其提出密集嵌套交互模块在编码器和解码器特征之间建立密集信息交互，从而增强对小目标的检测；agpcnet[attention-guided pyramid context networks for detectin本文档来自技高网...

【技术保护点】

1.基于小波引导的红外弱小目标检测方法，其特征在于，具体按照以下步骤实施：

2.根据权利要求1所述的基于小波引导的红外弱小目标检测方法，其特征在于，所述步骤1中的数据集采用IRSTD-1K、NUAA-SIRST或NUDT-SIRST公开的数据集，将数据集按照8:2的比例随机划分为训练集和测试集，利用随机水平和垂直翻转以及旋转操作进行数据增强并将图片尺寸裁剪至256×256。

3.根据权利要求1所述的基于小波引导的红外弱小目标检测方法，其特征在于，所述步骤2具体为：使用卷积层对目标的特征进行初步提取并对噪声进行粗粒度抑制，之后使用小波引导Transformer模块对...

【技术特征摘要】

1.基于小波引导的红外弱小目标检测方法，其特征在于，具体按照以下步骤实施：

2.根据权利要求1所述的基于小波引导的红外弱小目标检测方法，其特征在于，所述步骤1中的数据集采用irstd-1k、nuaa-sirst或nudt-sirst公开的数据集，将数据集按照8:2的比例随机划分为训练集和测试集，利用随机水平和垂直翻转以及旋转操作进行数据增强并将图片尺寸裁剪至256×256。

3.根据权利要求1所述的基于小波引导的红外弱小目标检测方法，其特征在于，所述步骤2具体为：使用卷积层对目标的特征进行初步提取并对噪声进行粗粒度抑制，之后使用小波引导transformer模块对小波变化产生的高低频信息进行融合；编码器由1个卷积层和4个小波引导transformer模块构成，经过卷积层，会对原始输入的3通道图像进行通道调整，使其升维至32个通道，之后使用4个小波引导transformer模块，会分别生成128x128、64x64、32x32和16x16的特征图。

4.根据权利要求3所述的基于小波引导的红外弱小目标检测方法，其特征在于，所述步骤2中的卷积层，首先使用一个由卷积核大小为3×3，步长为1的卷积、批归一化和relu激活函数组成的卷积组，将通道数调整至64，实现高维对目标特征进行提取；之后再次使用一个由卷积核大小为3×3，步长为1的卷积、批归一化和relu激活函数组成的卷积组，对上一个卷积组得到特征进行细化并将通道数调整至小波引导transformer模块所需要的通道数32；

5.根据权利要求1所述的基于小波引导的红外弱小目标检测方法，其特征在于，所述步骤3具体为：使用小波补充上采样模块，聚合逆小波变化与编码器中不同尺度的特征信息，利用全连接层对特征图的通道数进行调整并输出最终检测图像；解码器由4个小...

【专利技术属性】
技术研发人员：成宽洪，马腾，吴钰博，庄启文，李帆，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：