【技术实现步骤摘要】
本专利技术属于目标识别，具体地，涉及基于梯度差对比度和各向异性滤波的目标检测方法及系统。
技术介绍
1、红外目标检测一直都是红外图像处理的一个重要邻域，但是，由于云杂波以及其他背景杂波、系统噪声等固有噪声的存在，使得目标信号往往淹没在噪声之中；同时，红外目标一般具有对比度低、信噪比低和缺少形状轮廓等问题，增加了目标检测的难度。
2、专利文献cn115731221a公开了一种考虑邻域各向异性的自适应红外小目标检测方法,其特征在于，包括：通过本专利技术设计的模板计算中心区域周围不同方向的灰度响应,并与中心区域灰度值作差,得到不同方向的目标显著性响应,取其中的最小值作为中心点的显著性响应,本专利技术为了适应不同尺寸的目标,设计7×7，即第一模板和9×9，即第二模板，两类模板分别应用于上述步骤,取两个不同尺度下的显著性响应中的较大值作为最终的显著性响应。该专利技术对目标轮廓缺乏约束，在复杂背景下会出现高虚警率。
3、专利文献cn105844596a公开了一种自适应的各向异性滤波方法，其特征在于，包括如下步骤：能够根据局部统计特征，改变梯度阂值，在各向异性扩散时，对于不同像素点权重进行动态调整，以提高各向异性滤波在高强度噪声环境下的去噪能力。该专利技术不仅对真实的弱小目标敏感，还对高亮边缘敏感，会造成高虚警率。
4、复杂背景下，目标存在亮度低于背景亮度的情况，呈现出“暗目标”的特点。目前，传统的红外目标检测算法一般依据目标灰度大于目标附近背景灰度的特点进行判定，缺乏对目标轮廓的约束，因此，造成复杂检测背
技术实现思路
1、针对现有技术中的缺陷，本专利技术的目的是提供一种基于梯度差对比度和各向异性滤波的目标检测方法及系统。
2、根据本专利技术提供的一种基于梯度差对比度和各向异性滤波的目标检测方法，包括：
3、步骤s1：设置参数信息，输入原始图像；
4、步骤s2：基于参数信息，对原始图像进行去雾处理，得到去雾图像；
5、步骤s3：基于去雾图像，通过构建各向异性扩散模型计算各方向梯度差，并利用高斯滤波模型，获取锐化图像；
6、步骤s4：基于参数信息，得到网格窗口划分区域；基于网格窗口划分区域，分别从正交区域与对角区域对锐化图像进行差异化处理，并且进行正交和对角区域灰度差对比度的融合叠加，获得显著度图像；
7、步骤s5：计算显著度图像的灰度自适应分割阈值，并获得分割后的自适应分割阈值；
8、步骤s6：对分割后的自适应分割阈值进行连通区域处理，并根据作为参数信息的标记框限制尺寸，得出目标位置信息。
9、优选地，在所述步骤s1中：
10、所述参数信息，包括：去雾系数初始值、标记框限制尺寸、高斯核的参数；
11、在所述步骤s2中：
12、步骤s2.1：基于原始图像，计算得出暗通道；
13、步骤s2.2：基于暗通道，计算得出大气亮度；
14、步骤s2.3：基于大气亮度，计算透射率，得出优化透射率图；
15、步骤s2.4：基于优化透射率图，进行去雾处理，得出去雾图像；
16、在所述步骤s3中：
17、步骤s3.1：计算图像块各向的梯度差；
18、步骤s3.2：基于经步骤s3.1得到的梯度差，通过高斯降噪模型计算得到滤波后的背景锐化图像；
19、步骤s3.3：对滤波后的背景锐化图像，进行平均优化滤波处理，得到锐化图像；
20、在所述步骤s4中：
21、步骤s4.1：根据作为标记框限制尺寸的网格子窗口尺寸，填充原始图像边缘区域；
22、步骤s4.2：构造滑动网格窗口结构，并划分子窗口区域；
23、步骤s4.3：计算各个子窗口区域的平均灰度值；
24、步骤s4.4：基于平均灰度值，分别计算各个网格窗口划分区域的灰度差对比度；
25、步骤s4.5：基于灰度差对比度，计算正交和对角区域灰度差对比度的融合叠加结果，得到待优化显著图像；
26、步骤s4.6：对待优化显著度图像做归一化处理，得到显著图像；
27、在所述步骤s5中：
28、所述自适应分割阈值，数学表达式为：
29、th＝eμ+teσ
30、其中，μ表示显著度图像的平均像素值，σ表示显著度图像的像素方差；t表示自适应参数；th表示自适应分割阈值；
31、在所述步骤s6中：
32、对连通区域的参数进行阈值限制，得出能够满足阈值限制的目标连通区域，即为目标位置信息；
33、所述连通区域的参数，包括：最小外接矩形的宽度、长度与长宽比。
34、优选地，在所述步骤s2.1中：
35、步骤s2.1.1：对逐个像素计算三个通道的最小值；所述三个通道，即rgb三个通道；
36、步骤s2.1.2：对暗通道的图像进行最小值滤波，得到滤波后暗通道；
37、在所述步骤s2.2中：
38、步骤s2.2.1：基于滤波后暗通道，按照大气亮度的降序，取前0.1％的像素；
39、步骤s2.2.2：在所述像素所对应的原始图像中，寻找对应的具有最高亮度的像素点，并且以该像素点的rgb数值，作为大气光成分，得出大气亮度；
40、在所述步骤s2.3中：
41、步骤s2.3.1：进行透射率预估，得到预估的透射率；
42、步骤s2.3.2：基于预估的透射率，对透射图进行导向滤波处理，得到优化透射率图；
43、所述透射率预估，数学表达式为：
44、transmission＝1-ω0×win_dark/a
45、其中，ω0表示去雾系数，win_dark表示暗通道图像；a表示大气亮度；transmission表示预估的透射率；
46、在所述步骤s2.4中：所述去雾处理，数学表达式为：
47、i(x)＝j(x)t(x)+a[1-t(x)] (1)
48、其中，i(x)表示输入的原图，j(x)表示处理后的输出图像，t(x)表示透射率；
49、在所述步骤s3.2中：所述高斯降噪模型，数学表达式为：
50、
51、其中，g(δf)表示高斯滤波后的结果，δf表示图像块对应方向的梯度差，gs(i,j)表示高斯核；
52、在所述步骤s3.3中：所述平均优化滤波处理，数学表达式为：
53、
54、其中，g(x,y)表示平均优化滤波处理的结果，g(δfi)表示对应方向的高斯滤波结果，δfi表示对应方向的梯度差；
55、在所述步骤s4.2中：所述划分子窗口区域，包括：外圈正交区域、内圈正交区域、外圈对角区域与内圈对角区域；
56、在所述步骤s4.5中：所本文档来自技高网...
【技术保护点】
1.一种基于梯度差对比度和各向异性滤波的目标检测方法，其特征在于，包括：
2.根据权利要求1所述的基于梯度差对比度和各向异性滤波的目标检测方法，其特征在于，在所述步骤S1中：
3.根据权利要求2所述的基于梯度差对比度和各向异性滤波的目标检测方法，其特征在于，在所述步骤S2.1中：
4.根据权利要求3所述的基于梯度差对比度和各向异性滤波的目标检测方法，其特征在于，在所述步骤S3.1中：
5.根据权利要求4所述的基于梯度差对比度和各向异性滤波的目标检测方法，其特征在于，在所述步骤S3.1.1中：
6.一种基于梯度差对比度和各向异性滤波的目标检测系统，其特征在于，包括：
7.根据权利要求6所述的基于梯度差对比度和各向异性滤波的目标检测系统，其特征在于，在所述模块M1中：
8.根据权利要求7所述的基于梯度差对比度和各向异性滤波的目标检测系统，其特征在于，在所述模块M2.1中：
9.根据权利要求8所述的基于梯度差对比度和各向异性滤波的目标检测系统，其特征在于，在所述模块M3.1中：
...
【技术特征摘要】
1.一种基于梯度差对比度和各向异性滤波的目标检测方法，其特征在于，包括：
2.根据权利要求1所述的基于梯度差对比度和各向异性滤波的目标检测方法，其特征在于，在所述步骤s1中：
3.根据权利要求2所述的基于梯度差对比度和各向异性滤波的目标检测方法，其特征在于，在所述步骤s2.1中：
4.根据权利要求3所述的基于梯度差对比度和各向异性滤波的目标检测方法，其特征在于，在所述步骤s3.1中：
5.根据权利要求4所述的基于梯度差对比度和各向异性滤波的目标检测方法，其特征在于，在所述步骤s3.1.1中：
...【专利技术属性】
技术研发人员：刘良凤，范君杰，李彤，娄明静，代海山，
申请(专利权)人：上海卫星工程研究所，
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。