没有合适的资源?快使用搜索试试~ 我知道了~
双邻域差值放大的高动态红外弱小目标检测方法.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 48 浏览量
2022-12-15
14:29:51
上传
评论
收藏 621KB DOCX 举报
温馨提示
试读
16页
双邻域差值放大的高动态红外弱小目标检测方法.docx
资源推荐
资源详情
资源评论
0. 引 言
红外弱小目标检测是高速飞行器侦察预警中的一项关键技术,但目标通常距离预警系
统较远,其在红外图像中的像素个数有限、特征不明显、细节模糊,且受红外焦平面阵列
以及模数信号处理电路影响,导致目标易被背景杂波和噪声淹没
[1]
,使得红外弱小目标难
以被有效检测。此外,高速飞行器侦察预警系统获取的红外图像呈高动态变化,给红外弱
小目标检测算法的实时性提出了新的挑战。
红外弱小目标检测算法可以分为单帧和连续帧检测算法
[2]
。其中,连续帧检测利用目
标的形态、灰度和轨迹连续性等先验信息与时空域信息实现目标检测
[3]
,而在高速飞行器
预警系统所形成的红外图像中目标相对背景变化迅速,其轨迹连续性难以保障,导致连续
帧算法应用困难。相比之下,单帧检测算法只需少量先验信息、计算复杂度低且易于硬件
实现,使其在红外侦察预警中被广泛应用。
单帧检测算法主要包括基于背景滤波、稀疏低秩分解、深度学习以及局部对比度的算
法。基于背景滤波的方法,如 Top-hat
[4]
、Max-mean/Max-median
[5]
和形态学滤波
[6]
等,该类
算法计算复杂度低实时性好,但在高亮噪声、强边缘等场景中性能普遍较差。为解决上述
问题,稀疏低秩分解被引入到弱小目标检测任务中,如 IPI、STIPT 和 NIRPS
[7-9]
等,该类
算法对于均匀背景下目标检测效果较好,但对于存在薄云、水纹的场景会产生较为严重的
虚警,同时其在图像重构阶段需多次迭代优化,难以满足实时性的需求。近年来,随着深
度学习的不断兴起,Dai 等
[10]
首次提出非对称上下文调制的小目标检测算法,其利用低层
细节与顶层特征的注意力和上下文嵌入,获得了良好的检测效果;但其未充分考虑目标与
背景像素的内在关联,难以解决复杂楼宇背景下的目标检测任务。为此,Wang 等
[11]
提出
了一种由粗到细的内部注意感知网络,其利用 transformer 提取目标与背景像素间的注意力
感知特征,有效提高了复杂场景下目标检测精度。但现有红外数据集的规模和质量仍无法
满足超高速飞行器的应用需求,因此基于深度学习的红外弱小目标检测算法泛化能力较
差。
受人眼视觉系统(Human Visual System, HVS)启发,基于目标局部区域的变化特性的小
目标检测方法被提出,如局部对比度测量(Local Contrast Measure, LCM)
[12]
和改进
LCM(Improved LCM, ILCM)
[13]
,其主要利用中心局域灰度与邻域像素的灰度比值构建目标
显著图,由于未考虑邻域的方向信息,算法性能受强边缘的影响较大。为此,Han 等
[14]
提
出多尺度相关局部对比度测量(Multiscale Relative Local Contrast Measure, MRLCM),其利用
目标中心与邻域的极值、比值和差值特性构建显著图,较好的抑制了背景且提升了抗高亮
噪声干扰的能力,但计算复杂度过高。为降低 LCM 计算复杂度,Wei 等
[15]
提出基于多尺度
块的对比度测量(Multiscale Patch-based Contrast Measure, MPCM),其利用目标与对称单邻
域的信息差异实现了亮暗目标的高速检测。但是,由于上述局部对比度算法采用先单邻域
遍历图像再通过多尺度取极值的方式计算显著图,导致“扩展效应”严重,不易于区分相邻
目标。针对上述问题,Wu 等
[16]
提出双邻域梯度(Double-Neighborhood Gradient Method,
DNGM)有效避免了单邻域算法的多尺度操作,抑制了“扩展效应”,有效提升了算法的实时
性。Pan 等
[17]
提出双层局部对比度的目标检测算法(Double-layer Local Contrast Measure,
DLCM),其利用内邻域对角灰度差大幅度提升目标增强和背景抑制效果。但是,上述性能
优越的基于双邻域的红外目标检测算法因未考虑实际应用场景中暗目标的固有特性,导致
其难以应对暗目标的检测任务。
为了能够有效提升实际红外预警场景中高动态亮与暗目标的检测精度,文中提出一种
基于双邻域差值放大(Double-neighborhood Difference Amplification Method, DDAM)的红外
弱小目标检测算法,利用双邻域对称信息差异分离目标与背景,提升亮、暗弱小目标的局
部对比度并抑制复杂背景和噪声。同时,为了更加全面客观评价红外目标检测算法的性
能,提出了一种基于目标轨迹显著图(Target Trajectory Salience Map, TTSM)的序列图像目
标检测评价方法。实验结果表明文中算法背景抑制能力强、实时性好、检测精度高。
1. 红外弱小目标特性分析
在高速飞行器利用红外成像探测系统对远距离目标侦察预警的过程中,目标(如无人
机)在起飞阶段,其自身红外辐射强度低于背景,其在真实红外图像中表现为暗目标,如
图 1(a)所示。当目标飞行一段时间后,因其自身红外辐射强度不断增大,逐渐高于周围背
景,从而使得红外图像中呈现为亮目标,如图 1(b)所示。
综上所述,目标与背景的灰度差异会随着目标飞行状态发生较大的变化。并且,在目
标初始工作阶段,其在红外预警系统中通常表现为暗目标,为了实现较早预警,需要及时
发现并检测出暗目标;然而,现有针对亮、暗弱小目标检测设计的算法采用单邻域结构,
导致算法实时性差和背景抑制效果弱。
图 1 (a) 暗目标的红外图像以及目标的局部三维灰度图;(b) 亮目标的红外图像以及目标
的局部三维灰度图
Fig. 1 (a) Infrared image of the dark target and the local 3D gray image of the target; (b) Infrared
image of the bright target and the local 3D gray image of the target
下载: 全尺寸图片 幻灯片
2. 基于双邻域差值放大的高动态小目标检测
2.1 双邻域差值放大计算
为解决现有单邻域亮、暗目标检测算法实时性差以及背景抑制不充分的问题,文中引
入双邻域检测模型。首先,采用一个 5×5 的滑动窗口从上至下,从左至右逐像素计算待检
测图像的 DDAM 值,在对边界计算时采用镜像补全的方法来拓展原始图像,滑动窗口结
构模式及其内部多层区域划分如图 2(a)、(b)所示。
图 2 (a) 滑动窗口的工作模式及其多层区域的划分;(b) 滑动窗口内的多个子窗;(c) 文中
算法四个方向的插值相乘示意图
Fig. 2 (a) Working mode of sliding window and the division of multi-layer area; (b) A number of
subwindows within a sliding window; (c) Schematic diagram of interpolation multiplication in
four directions of the algorithm in this paper
下载: 全尺寸图片 幻灯片
整个滑动窗口由 25 个子窗组成,每个子窗大小为 n×n 个像素,其中心子窗记为
T0T0,代表目标区域;位于 T0T0 周围的内层邻域由 8 个子窗构成,记为 IBiIBi(i=1,
2,···,8),外邻域由 16 个子窗组成,记为 OBjOBj(j=1,2,···,16)。然后,引入内层邻
域差值 d(T0,IBi)d(T0,IBi)和外城邻域差值 d(T0,OBj)d(T0,OBj)表示为:
d(T0,IBi)=mT0−mIBid(T0,IBi)=mT0−mIBi
(1)
d(T0,OBj)=mT0−mOBjd(T0,OBj)=mT0−mOBj
(2)
式中:mT0mT0 代表 T0T0 子窗的灰度均值;mIBimIBi,mOBjmOBj 分别代表内邻域
子窗 IBiIBi 和外邻域子窗 OBjOBj 的灰度均值,因此 d(T0,IBi)d(T0,IBi)、
d(T0,OBj)d(T0,OBj)可以用来表示为中心邻域 T0T0 与外层邻域间的灰度差异,采用区域均
值计算灰度差异的方式可有效减少随机高亮噪声对真实目标的干扰。
由图 1 中的目标三维灰度图可知,弱小目标的灰度变化在内、外邻域均服从中心对称
分布,对于亮目标,其各方向的 d(T0,IBi)d(T0,IBi)与 d(T0,OBj)d(T0,OBj)大于零;对于暗
目标,其各方向的 d(T0,IBi)d(T0,IBi)与 d(T0,IBi)d(T0,IBi)小于零,为凸显上述两类目标共
性,采用对称邻域相乘的方式定义 IDiIDi,ODjODj 为:
IDi={d(T0,IBi)×d(T0,IBi+4)0ifd(T0,IBi)×d(T0,IBi+4)⩾0elseIDi={d(T0,IBi)×d(T0,IBi+4)0ifd(T0,IBi)×d(T0,IBi+4)⩾0else
(3)
ODj={d(T0,OBj)×d(T0,OBj+8)0ifd(T0,OBj)×d(T0,OBj+8)⩾0elseODj={d(T0,OBj)×d(T0,OBj+8)0ifd(T0,OBj)×d(T0,OBj+8)⩾0else
(4)
式中:IDiIDi 代表目标与背景在内邻域的第 ii 个方向上的差异(ii=1, 2, 3, 4);ODjODj
代表目标与背景在外邻域的第 jj 个方向的差异(jj=1, 3, 5, 7)。结合图 2(c),当内、外两个邻
域对称方向的差异同号时,中心区域就会得到增强;同时,局部区域显著性计算目的在于
凸显目标中心区域与周围全部邻域间的差异,因此采用目标与内、外邻域的最小差异
minIDiminIDi、minODjminODj 作为有效的差异度量方法,结合内外邻域差异,DDAM 表
示为:
DDAM=minIDi×minODjDDAM=minIDi×minODj
(5)
对文中提出的 DDAM 的数学模型进行详细分析,假设目标比背景亮,从而有:
DDAM=minIDi×minODj=mini=1,2,3,4[d(T0,IBi)×d(T0,IBi+4)]×minj=1,3,5,7[d(T0,OBj)×d(T0,OBj+8)]⩾d(T0,IB~i)2×d(T0,OB~j)2=(mT0−mIB~i)2×(mT0−mOB~j)2DDAM=minIDi×minODj=mini=1,2,3,4[d(T0,IBi)×d(T0,IBi+4)]×minj=1,3,5,7[d(T0,OBj)×d(T0,OBj+8)]⩾d(T0,IB~i)2×d(T0,OB~j)2=(mT0−mIB~i)2×(mT0−mOB~j)2
(6)
式中:mIB~imIB~i 为最大均值的内邻域;mOB~jmOB~j 为最大均值的外邻域。为了
简化公式(6),令:
f(T0)=(mT0−mIB~i)2×(mT0−mOB~j)2f(T0)=(mT0−mIB~i)2×(mT0−mOB~j)2
(7)
则有:
f′(T0)=2(mT0−mIB~i)(mT0−mOB~j)2+2(mT0−mOB~j)(mT0−mIB~i)2=2(mT0−mIB~i)(mT0−mOB~j)(2mT0−mIB~i−mOB~j)f′(T0)=2(mT0−mIB~i)(mT0−mOB~j)2+2(mT0−mOB~j)(mT0−mIB~i)2=2(mT0−mIB~i)(mT0−mOB~j)(2mT0−mIB~i−mOB~j)
(8)
式中:f′(T)f′(T)表示该算法对“扩展效应”的抑制能力,该值越大算法的抑制能力越
强。通常红外图像中的弱小目标具有局部显著的灰度信息,即公式(7)中 mT0mT0 值明显高
于 mIB~imIB~i、mOB~jmOB~j。但是,真实的红外图像中通常存在高亮背景、随机高亮噪
声和强背景边缘干扰
[12]
。对于高亮背景和随机高亮噪声区域,mT0mT0 与 mIB~imIB~i、
mOB~jmOB~j 差几乎无差异,f(T)f(T)、f′(T)f′(T)极小,DDAM 计算结果接近于零,因此高
剩余15页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3652
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功