【CN109816641A】基于多尺度形态学融合的加权局部熵红外小目标检测方法【专利】
基于多尺度特征融合的遥感图像小目标检测
基于多尺度特征融合的遥感图像小目标检测马梁;苟于涛;雷涛;靳雷;宋怡萱【期刊名称】《光电工程》【年(卷),期】2022(49)4【摘要】本文提出了一种鲁棒的基于多尺度特征融合的遥感图像小目标检测方法。
考虑到常用的特征提取网络参数量庞大,过多的下采样可能导致小目标消失,同时基于自然图像的预训练模型直接应用到遥感图像中可能存在特征鸿沟。
因此,根据数据集中所有目标尺寸的分布情况(即:先验知识),首先提出了一种基于动态选择机制的轻量化特征提取模块,它允许每个神经元依据目标的不同尺度自适应地分配用于检测的感受野大小并快速从头训练模型。
其次,不同尺度特征所反应的信息量各不相同且各有侧重,因此提出了基于自适应特征加权融合的FPN(feature pyramid networks)模块,它利用分组卷积的方式对所有特征通道分组且组间互不影响,从而增加图像特征表达的准确性。
另外,深度学习需要大量数据驱动,由于遥感小目标数据集匮乏,自建了一个遥感飞机小目标数据集,并对DOTA数据集中的飞机和小汽车目标做处理,使其尺寸分布满足小目标检测的任务。
实验结果表明,与大多数主流检测方法对比,本文方法在DOTA和自建数据集上取得了更好的结果。
【总页数】17页(P47-63)【作者】马梁;苟于涛;雷涛;靳雷;宋怡萱【作者单位】中国科学院光电探测技术研究室;中国科学院光电技术研究所;中国科学院大学【正文语种】中文【中图分类】TP751【相关文献】1.基于多尺度特征融合的红外图像小目标检测2.基于多尺度特征稠密连接的遥感图像目标检测方法3.基于多尺度融合特征卷积神经网络的遥感图像飞机目标检测4.基于多尺度特征融合的红外小目标检测方法5.采用多尺度特征融合SSD的遥感图像小目标检测因版权原因，仅展示原文概要，查看原文内容请购买。
基于SIFT和加权信息熵的红外小目标检测
1 云背景红外图像噪声及弱小目标特征
包含有弱小目标的红外场景图像序列[6]描述为
F(x, y, n) = T (x, y, n) + C(x, y, n) + N (x, y, n)
(1)
由于算法针对红外序列图像，因此式中用 n 表示图像序列的帧数；F(x，y，n)表示第 n 帧图像上任意
点(x，y)处的灰度值；T(x，y，n)表示(x，y)处目标的灰度值；C(x，y，n)表示(x，y)处背景的灰度值；N(x，
Abstract: To satisfy the requirement of detecting small targets in infrared image, an infrared targets detecting arithmetic is put forward based on Scale Invariant Feature Transform（SIFT）and weighted entropy. The method considered the imaging character of small targets. SIFT feature is used to extract special points and the possible location of target is obtained through the match between frames. Weighted information entropy is applied to find feature of gray scale information and entropy. Then potential targets are judged again by the features which have been calculated for the need of real-time dim small targets detection in heavy cloud clutter and complex infrared backgrounds. Experiment indicates that the method has an advanced practicability, and the performance of robustness is good in the sky background. Key words: SIFT; weighted entropy; infrared small target detection; image processing
基于局部梯度和局部熵的红外小目标融合检测
ｗ ｌ ｂ ｈ ｇ ｄ ｂ ｃ ｕ ｅ ｏ ｅ ｅ ｉｔｎ ｅ ｏ ｍａ ａ ｇ ｔ ｆｉｔ ｒ ｓ ｃ ｍｐ ｒｄ ｗ ｔ ｈ ｏ ｌ ａｅ ａ ｋ ｒ ｕ ｄ，ｗ ｉ ｈ Ｃ ｅ ｉ－ ｉ ｅ ｃ ａ ｅ ａ ｓ ｆｔ ｘｓｅ ｃ ｆ ｌ ｎ ｅ ｈ ｓ ｌ ｔｒ ｅ ｅ ｔ ｏ ａ ｅ ｈ ｔ ｅ ｃ ｍｐｉ ｔｄ ｂ ｃ ｇ ｏ ｎ ｏ ｎ ｅ ｉ ｃ ｈｃ ａ ｂ ｄ ｐｃ ｎ ｅ
ｆ ｍｕ ｔ ｒ ｏ ｌ —ｆ ｍｅ ａ ｅ ｃ ｍｕ ａｅ ｍｐ ｖ ｈ ｅｅ ｔ ｎ ｐ ｂ ｂ ｌ ｙ ａ ｄ ｒ ｄ ｃ ｈ ａｓ ａ ｍ ａｅ Ｔ ｅ ｅ ｐ ｒ ｎ ａ ｅ ｕｔ ｈ ｗ ｉ ａ ｒ ｕ ｌ ｔｄ ｔ ｉ ｒ ｅ ｔ ｅ ｄ ｔ ｃｉ ｒ ａ ｉ ｔ ｕ ｅ ｔ ｅ ｆ ｅ ａ ｒ ｒｔ ． ｈ ｘ ｉ ｏ ｏ ｏ ｏ ｉ ｎ ｅ ｌ ｌ ｅ ｍｅ ｔ ｒｓ ｌ ｓ ｏ ｌ ｓ ｔａ ｈ ｒ ｐ ｅ ｇ ｒｔｍ ｓ ｅ ｅ ｔ ｅ ｈ ｔｔ ｅ ｐ ｏ ｏ ｄ ａ ｏ ｈ ｉ ｆ ｃ ｉ ． ｓ ｌ ｉ ｖ
Ａｂ ｔ ａ ｔ Ａ ｏ ｅ ｔ ｏ ａ ｅ ｎ ｇ ａ ｉｎ ｔｅ ｇｈ ａ ｄ ｌ ａ ｎ ｒ ｐ ｒ ｕ ｉｎ ｄ ｔ ｃｉ ｎ ｏ ｅ ｋ ｓ ｌ ｔ ｒｅ ｓｗ ｔ ｏ ｏ － ｓ ｒ ｃ ｎ ｖ ｌｍｅｈ ｄ ｂ ｓ ｄ ｏ ｒｄ ｅ ｔｓｒ ｎ ｔ ｎ ｃ ｏ ｌ ｔｏ ｙ ｆ ｓｏ ｅ ｅ ｔ ｆｗ ａ ｍａｌ ａ ｇ ｔ ｉ ｌｗ ｃ ｎ ｅ ｏｆ ｏ ｈ
ｔｄ ｂ ｏ ａ ｇａ ｅ ｔｓｒｎ ｈ ａ ｄ ｌ ａ ｎｒｐ ． Ｔ ｅ ｔｏ ｆａｕ ｅｉ ｇ ｓｏ ａ ｈ ｆ ｍｅ ｉ ｍａｅ ｓｑ ｅ ｃ ｓ ． ． １ｃ ｒｄｅ ｔ ｅ ｙｌ ｌ ｒｄ ｎ ｔ ｇ ｏ ｌ ｅ ｔｏ ｙ ｈ ｗ ｅ ｔｒ ｍａ ｅ ｅ ｃ ｒ ｎ ｉ ｇ ｅ ｕ ｎ ｅ ，ｉｅ ｏ ａ ｇａ ｎ ｃ ｉ ｅ ｔ ｎ ｃ ｆ ａ ｌ ｉ
基于局部多尺度低秩分解的红外小目标检测算法
基于局部多尺度低秩分解的红外小目标检测算法孙青;李玲;辛云宏【摘要】针对红外低秩块模型计算复杂度大,容易误判等不足,提出了一种更加有效的红外小目标局部多尺度低秩分解检测算法.该算法首先利用非下采样金字塔变换对红外小目标图像做多尺度分解;接着,将分解出的高频子带进行融合,通过融合后的高频信息提取出目标感兴趣区域;最后,利用红外小目标背景的非局部自相关性质对感兴趣区域进行分块,并对各块进行重新排列构成一个新的矩阵;最后,对该矩阵做低秩分解,提取出红外小目标.实验结果表明,与其他低秩分解类方法相比,所提出算法速度更快,提取效果更好,是一种性能优越的方法.【期刊名称】《激光与红外》【年(卷),期】2019(049)003【总页数】7页(P369-375)【关键词】非下采样;低秩分解;目标检测;红外图像【作者】孙青;李玲;辛云宏【作者单位】陕西师范大学物理学与信息技术学院,陕西西安 710119;西安航空学院机械工程学院,陕西西安 710077;陕西师范大学物理学与信息技术学院,陕西西安 710119【正文语种】中文【中图分类】TP391.411 引言红外小目标检测技术是红外探测系统中的核心部分,一直是图像处理领域的一个研究热点。
红外小目标检测的难点主要在于,如果成像系统与目标距离较远,小目标较小,并且不具备确定的形态,容易受到复杂背景中的噪声和其他物体的干扰[1],而使检测不准确。
当前,国内外学者都已经提出不少经典检测方法,如:高通滤波,中值滤波,TDLMS滤波器,形态学变换方法,小波变换等方法[2-6]。
这些经典方法可以将红外小目标提取出来,但是往往容易受到复杂背景的影响,提取效果并不是十分准确,误检率较高。
近几年来,低秩和稀疏模型也逐渐在检测小目标方面显示出它们的优势[7-9]。
一个大的数据矩阵可以分解成一个稀疏矩阵和一个低秩矩阵的和,在红外小目标图像中,背景信息可以认为是低秩矩阵,小目标即被认为是稀疏矩阵。
基于形态学算法的红外图像小目标检测方法研究
第37卷第11期 光电工程V ol.37, No.11 2010年11月Opto-Electronic Engineering Nov, 2010 文章编号：1003-501X(2010)11-0026-06基于形态学算法的红外图像小目标检测方法研究康令州1，陈福深1，王德胜2，曾军2(1. 电子科技大学，成都 610054；2. 西南技术物理研究所，成都 610041 )摘要：研究了单帧红外图像小目标的检测问题。
对传统基于数学形态学的Top-hat算子进行分析和实验，发现依靠单独的Top-hat算子并不能准确地检测出目标，文章在Top-hat算子的基础上，利用一种分块自适应阈值和小范围内目标检测的方法进行目标检测，通过MATLAB仿真发现，这种方法能够在一定程度上提高单帧图像目标检测的成功率。
通过在两个不同的场景中的实验结果分析，发现这种方法不仅适应于单一环境，在实际应用中具有一定的鲁棒性。
关键词：红外图像处理；形态学算法；自适应阈值；小目标检测中图分类号：TN391.41 文献标志码：A doi：10.3969/j.issn.1003-501X.2010.11.005Detection Method for Infrared Small TargetBased on Mathematical MorphologyKANG Ling-zhou1，CHEN Fu-shen1，WANG De-sheng2，ZENG Jun2( 1. University of Electronic Science and Technology of China, Chengdu 610054, China;2. Southwest Institute of Technical Physics, Chengdu 610041, China )Abstract: An algorithm for detecting the small infrared target was proposed. Analyzing the morphologic Top-hat operator,it is found that the small target can not be accurately detected only by relying on the Top-hat operator. Based on the Top-hat operator, a method of blocked adaptive threshold and target detection in small range are used to detect the small infrared target. And the Matlab simulation shows that the method can raise the success rate of detecting the small infrared target in a certain extent. By analyzing the result of two scenes, the method not only adapts in a single environment, but also has certain robustness in practical complex scene.Key words: infrared image processing; morphologic arithmetic; adaptive threshold; small target detection0 引 言近年来，红外探测系统因其具有隐蔽性，抗干扰性，全天候工作等特点，在现代战争中具有重要的作用，而红外图像中小目标的检测的效果将直接影响制导系统的有效作用距离及设备的复杂程度，在红外成像制导和预警系统中发挥着举足轻重的作用。
基于形态学及小面核滤波的红外小目标检测方法
0引言
红 外 小 目 标 搜 寻 和 追 踪 系 统（ IRST）被 广 泛的运用于红外预警和防御工程[1].与雷达及可 见光系统相比，IRST 系统 有良好的 分 辨率 、较 强 的 烟 雾 穿 透 力 和 良 好 的 隐 蔽 性 能 [2]. 作 为 IRST 系 统 的 关 键 技 术 ， 未 知 小 目 标 的 位 置 、速 度 对 早 期 预 警 至 关 重 要 [3-4]. 但 是 红 外 图 片 在 拍 摄 过 程中可能被噪声干扰，造成不均匀的灰度分 布 ，小 目 标 和 周 围 背 景 存 在 较 低 的 灰 度 对 比 . 此 外，由于小目标距离往往较远，所以小目标没 有 具 体 的 形 状 、纹 理 和 结 构 信 息 [5]. 因 此 ，对 于 在 低 信 杂 比（SCR）的 复 杂 背 景 下 检 出 小 目 标 是 一个极具挑战的任务.
第 40 卷
喀什大学学报
·61·
（1） 式中，f（x，y）表示 真实红外 图 像 中 象 素 点 （x，y）的 灰 度 值 ，f（T x，y）和 fB（x，y）分 别 表 示 目 标 幅 值 及 背 景 幅 值 ，fN（x，y）为 测 量 噪 声 ，在 图 像 中 均 表 现 为 灰 度 值 [11]. 由 于 经 典 的 检 测 算 法 都是针对目标加噪声模型，所以在目标检测之 前需要对背景做出估计，然后利用原始图像与 估计出的背景图像之差表示目标加噪声的待检 测图像. 即待检测图像 fC（x，y）可以表示为
第 40 卷第 6 期 2019 年 12 月
DOI：10.13933/ki.2096-2134.2019.06.011
喀什大学学报 Journal of Kashi University
Vol.40 No.6 Dec. 2019
基于图像融合技术的红外小目标检测
硕士研究生学位论文新疆大学论文题目(中文)：基于图像融合技术的红外小目标检测论文题目(外文)：Infrared Small Target Detection Basedon Image Fusion Technology 研究生姓名：张国峰学科、专业：工学、信息与通信工程研究方向：目标检测与跟踪导师姓名职称：艾斯卡尔·艾木都拉教授论文答辩日期2019年6月3日学位授予日期2019年6月15日摘要红外小目标的捕获与跟踪在红外精确制导、遥感、空间探测和航空导航等领域有着广泛的应用。
然而，应用环境有时会迫使我们将成像系统与目标保持一定的距离，从而导致在摄像机的视野中出现较小的目标。
同时，由于红外成像设备的抖动、成像设备的噪声等因素，微弱目标信号被淹没在复杂的背景中。
还有隐身战斗机等向空中辐射的电磁信号越来越微弱，采用反射目标的回波来搜索和定位的雷达等探测设备已不能满足现实的需求。
这些存在的问题致使红外图像序列中微弱小目标检测与跟踪工作变得更加困难和具有挑战性。
红外热成像技术由于良好的隐蔽性能，全天候昼夜成像的特点、机动性好、配置方便，非常有利于搭载在预警和无人机上。
监视系统要是能在早期识别敌方目标，然后锁定目标并跟踪，这样可以给面目标跟踪识别阶段省去检测这一环节而大大延长己方防空系统的反应时间，亦或在面目标阶段二次检测目标，降低检测的虚警概率，并向防空系统发出报警。
因此，设计一种鲁棒的红外小目标检测算法具有重要的现实意义和实用价值。
本文在前人基础上设计出了两种不同的小目标检测算法：分别是量子遗传算法和局部对比增强的小目标检测和基于双边滤波下局部强度与梯度融合的小目标检测。
一种是利用量子遗传算法优化和获取结构元素，针对不同的背景等起伏边缘构造相应的结构元素进行形态学滤波，然后局部对比增强小目标能量，最后采用阈值分隔技术提取小目标。
另一种检测算法在杂波抑制上选用双边滤波技术，目的是考虑空间邻域信息和灰度相似特性，达到降噪去噪保留边缘的目的。
基于形态学和信息熵的红外目标检测算法
基于形态学和信息熵的红外目标检测算法摘要：红外目标检测是一项重要的目标跟踪研究,开发了许多独特的检测算法.然而,传统的图像识别方法包括基于特征的模式识别和统计方法仍有较大的局限性. 因此，本文提出了一种基于形态学和信息熵的红外目标检测算法，该算法能够高效地检测出红外图像中的目标物体. 首先，采用形态学技术提取图像的局部特征；其次，建立一个滚动窗口来检测每个目标的位置信息；最后，采用信息熵来划分目标区域以提高算法的鲁棒性. 为了验证文中提出算法的有效性，本文还对两个红外库进行了实验，并将它们与基于图像二值化的检测结果进行了比较. 实验结果表明，与基于图像二值化的检测结果相比，该算法具有较高的准确率和较快的运行速度.关键词：红外目标检测；形态学；信息熵；滚动窗口1.绪论红外成像技术在航空、火炮、潜艇等高科技军事领域中发挥着重要作用，近年来，随着计算资源的提高，红外目标检测技术也取得了不错的成就.由于原始的红外图像数据带有较强的噪声，传统的图像检测算法，如基于特征的模式识别和统计方法，仍然有较大的局限性. 因此，有必要探索更加有效的算法，以改善红外目标检测现状.本文提出了一种基于形态学和信息熵的红外目标检测算法，该算法基于像素级信息,主要由三步完成：首先，采用形态学技术提取图像的局部特征；其次，建立一个滚动窗口来检测每个目标的位置信息；最后，采用信息熵来划分目标区域以提高算法的鲁棒性.2. 形态学技术形态学是一种常用的图像处理技术,可以提取图像中有用的形象信息，包括噪声去除、边缘检测等. 形态学针对一维、二维、三维图像和多体形状,提出计算构造元件的变换以提取加工形状的信息. 它的基本原理是通过两种基本的像素变换,即平移和形状变换来提取图像的形态特征,在不改变图像原有含义的前提下，把一组形态学操作变换后的结果融合成为连续的低维特征.一般来说,形态学技术被分为两类:腐蚀和膨胀. 腐蚀是指把图像中比其他像素更低灰度级别的像素变成同一像素值,而膨胀把低灰度级别的像素变成比其他像素更高灰度级别的像素. 两个操作结合起来可以形成开操作和闭操作. 通过形态学开/闭操作,能够提取有用的局部灰度特征信息,降低噪声并增强边界.3. 信息熵信息熵是信息论的一个重要概念,它基于信号中的数据容量和不确定性的概念,可以度量图像中的信息量. 它介于0和1之间,数值越低,代表图像中的信息量越少. 因此,采用信息熵可以有效地划分目标区域.4.滚动窗口滚动窗口是检测算法中的一种常用技术.它是一个窗口(视野),用于定义和检测目标位置. 通过滚动窗口，将图像分割成一系列子区域(固定大小的小窗口)，通过比较窗口内的像素值与预设的阈值，判断是否有目标对象存在. 对于每个子区域，可以采用不同的信息熵阈值，以改善检测算法的鲁棒性.5.结论经过实验验证，与基于图像二值化的检测算法相比，本文提出的红外目标检测算法在准确率和运行速度上均优越，有效降低了噪声，降低误识别，提高了算法鲁棒性.。
基于多尺度特征融合的红外图像小目标检测
文章编号：１００１．５０６Ｘ（２００５）０９．１５５７—０４
系统工程与电子技术
Ｓｙｓｔｅｍｓ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ｅｌｅｃｔｒｏｎｉｃｓ
Ｓｅｐ．２００５ Ｖｄ．２７ Ｎｏ．９
基于多尺度特征融合的红外图像小目标检测
李秋华，李吉成，沈振康
（国防科技大学ＡＴＲ国家重点实验室，湖南长沙４１００７３）
择规则对各子带图像上的目标特征进行融合，得到各子带 图像上的目标检测判决置信图；接着再对各子带图像上的 目标检测判决置信图进行自适应加权融合，得到目标检测 判决总置信图；最后，采用自适应门限法对该目标检测判决 总置信图进行目标区域分割，得到目标检测的最终结果。 整个算法的流程图如图１所示。
红外图像Ｈ蹇蓁鬟Ｈ磊差翳Ｈ归一化
ｔｈｅｓｅｓ ｓｕｂ—ｂａｎｄ ｉｌＴＩＢｇｅｓ ａｆｔｅｒ ｔｒａｎｓｆｏｒｎａｉｎｇ ｔｈｅ ＩＲ ｉｍａｇｅｓ ｕｓｉｎｇ ｄｉｓｃｒｅｔｅ ｗａｖｅｌｅｔ ｆｒａｍｅ ｔｒａｎｓｆｏｒｍ．Ｔｈｅｎ ｆｕｓｅｓ ｍｕｌｔｉｐｌｅ
ｉⅡ嘴ｉｎｄｅｐｅｎｄｅｎｔｌｙ ｆｅａｔｕｒｅ ｉｍａｇｅｓ ｏｆ ａｌｌ ｄｉｆｆｅｒｅｎｔ ｓｕｂ—ｂａｎｄ
·１５５８·
系统工程与电子技术
２００５年
的小波分解方法，可以保持各频率通道的图像大小不变。 因此，各子带图像保持了原始图像中的目标位置信息，从而 为各个子带之间的目标特征融合提供了基础Ｌ５Ｊ。这里假设 目标的大小在２０×２０个像素之内，采用三次样条小波对红 外图像进行单级小波框架变换，得到各子带图像。分解过 程№ｏ如图２所示。
图２图像小波框架分解流程图
其中Ｌ０一Ｄ和娩一Ｄ分别为三次样条小波的低通和 高通分解滤波器，它们的系数分别为幻一Ｄ＝｛０．０ ０００，
基于形态学和信息熵的红外目标检测算法
基于形态学和信息熵的红外目标检测算法
红外目标检测是一种重要的技术，可以在夜间或低光条件下检测目标。
基于形态学和信息熵的红外目标检测算法是一种有效的方法，可以提高检测的准确性和效率。
形态学是一种数学方法，用于分析和处理图像中的形状和结构。
在红外目标检测中，形态学可以用于提取目标的形状和边缘信息。
例如，可以使用开运算和闭运算来消除噪声和填充空洞，从而提高目标的识别率。
信息熵是一种度量信息量的方法，可以用于评估图像中的信息量。
在红外目标检测中，信息熵可以用于评估目标和背景之间的差异。
例如，可以使用信息熵来确定目标和背景的灰度分布，从而提高目标的检测率。
基于形态学和信息熵的红外目标检测算法可以分为以下步骤：
1. 预处理：对红外图像进行预处理，包括去噪、增强和分割等操作。
2. 形态学处理：使用形态学方法提取目标的形状和边缘信息，包括开运算、闭运算、膨胀和腐蚀等操作。
3. 信息熵计算：计算目标和背景之间的信息熵，确定目标和背景的灰度分布。
4. 目标检测：根据信息熵和形态学处理结果，进行目标检测和识别。
基于形态学和信息熵的红外目标检测算法具有以下优点：
1. 可以提高目标的检测率和识别率，减少误检和漏检。
2. 可以适应不同的红外图像，具有较好的通用性和鲁棒性。
3. 可以快速处理大量的红外图像，提高检测的效率和准确性。
基于形态学和信息熵的红外目标检测算法是一种有效的方法，可以提高红外目标检测的准确性和效率。
在未来的研究中，可以进一步优化算法，提高其性能和应用范围。
基于多尺度局部对比度和多尺度梯度一致性的红外小弱目标检测算法
基于多尺度局部对比度和多尺度梯度一致性的红外小弱目标检测算法刘德鹏;李正周;曾靖杰;熊伟奇;亓波【期刊名称】《兵工学报》【年(卷),期】2018(039)008【摘要】针对复杂背景和强杂波干扰下红外小弱目标检测虚警率高的问题,提出了一种基于多尺度局部对比度方法与多尺度梯度一致性方法的红外小弱目标检测算法.利用多尺度局部对比度方法对红外图像中红外小弱目标进行增强,利用多尺度梯度一致性方法剔除复杂背景和强杂波干扰造成的虚警.从信噪比(SNR)增益、平均残留背景绝对值、检测率、虚警率及ROC曲线方面将新算法与max-mean算法、max-median算法、top-hat算法、IPI算法及MGDWIE算法进行了对比.实验显示:新算法相较于对比算法具有更高的SNR增益、更低的平均残留背景绝对值、更高的检测率及更低的虚警率.对比结果表明:新算法在复杂背景和强杂波干扰下具有良好的红外小弱目标检测准确性和鲁棒性,有效改善了复杂背景和强杂波干扰下红外小弱目标检测虚警率高的问题.【总页数】10页(P1526-1535)【作者】刘德鹏;李正周;曾靖杰;熊伟奇;亓波【作者单位】重庆大学通信工程学院,重庆400044;重庆大学通信工程学院,重庆400044;重庆大学信息物理社会可信服务计算教育部重点实验室,重庆400044;中国科学院光电技术研究所,四川成都610209;中国科学院光束控制重点实验室,四川成都610209;重庆大学通信工程学院,重庆400044;重庆大学通信工程学院,重庆400044;中国科学院光电技术研究所,四川成都610209;中国科学院光束控制重点实验室,四川成都610209【正文语种】中文【中图分类】TP391.413【相关文献】1.基于邻域局部最大均值与多尺度形态学滤波的弱小红外目标检测算法 [J], 丁云;张生伟;李国强;马军勇;张春景2.基于多尺度局部边缘梯度的红外舰船目标检测 [J], 邢莎;吉林;雍杨;龚涛;袁佳3.基于局部多尺度低秩分解的红外小目标检测算法 [J], 孙青;李玲;辛云宏4.结合视觉注意力机制基于尺度自适应局部对比度增强的红外弱小目标检测算法[J], 沈旭;程小辉;王新政5.基于多尺度局部对比度的前视红外舰船目标增强 [J], 仇荣超;吕俊伟;娄树理因版权原因，仅展示原文概要，查看原文内容请购买。
基于多尺度形态学的红外图像边缘检测方法
基于多尺度形态学的红外图像边缘检测方法
刘曙;罗予频;杨士元
【期刊名称】《计算机应用》
【年(卷),期】2007(27)4
【摘要】提出了一种基于数学形态学算子的多尺度边缘检测方法.首先选取几个有代表性的结构元素对灰度图像进行边缘检测得到边缘图像.改变结构元素的尺寸大小可得到多尺度下的边缘图像,根据局部边缘生存期的长短将不同尺度下的边缘图像合成.对噪声大、边缘较模糊的红外图像进行了边缘检测与比较,实验表明该算法抗噪能力强,能得到更精细准确的边缘.
【总页数】3页(P970-971,975)
【作者】刘曙;罗予频;杨士元
【作者单位】清华大学,自动化系,北京,100084;清华大学,自动化系,北京,100084;清华大学,自动化系,北京,100084
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.基于小尺度的数学形态学遥感图像边缘检测方法 [J], 陶洪久;柳健;田金文
2.一种基于多尺度形态学的彩色图像边缘检测方法 [J], 商艳丽;王小鹏;夏志成
3.基于数学形态学的多尺度熵权边缘检测方法 [J], 方磊
4.形态学多结构元多尺度熵权边缘检测方法研究 [J], 朱士虎;陈斯
5.一种基于形态学的多结构元素多尺度图像边缘检测方法 [J], 黄剑玲;邹辉
因版权原因，仅展示原文概要，查看原文内容请购买。
基于SIFT和加权信息熵的红外小目标检测
基于SIFT和加权信息熵的红外小目标检测
张朝亮;江汉红;姜春良;赵松
【期刊名称】《光电工程》
【年(卷),期】2010(37)11
【摘要】针对红外图像中弱小目标的检测需求,文中提出基于尺度不变特征变换Scale Invariant Feature Transform(SIFT)和加权信息熵的红外小目标检测算法.该方法根据红外小目标的成像特点,采用SIFT特征描述子进行关键点的提取,利用帧间的匹配初步获得了目标的可能位置;进一步使用红外图像加权信息熵得到图像在灰度信息和平均信息量意义下的特征;再针对复杂云背景成像弱小目标实时检测的需要对计算出的特征进行再一次判定进而检测出目标.实验结果表明该方法在天空云背景中处理效果较好,具有良好鲁棒性.
【总页数】7页(P19-25)
【作者】张朝亮;江汉红;姜春良;赵松
【作者单位】海军工程大学,电气与信息工程学院,武汉,430033;海军工程大学,电气与信息工程学院,武汉,430033;海军工程大学,电气与信息工程学院,武汉,430033;海军工程大学,电气与信息工程学院,武汉,430033
【正文语种】中文
【中图分类】TP391%TN911.73
【相关文献】
1.基于二维信息熵的红外小目标检测算法研究 [J], 王标
2.基于加权融合特征与Ostu分割的红外弱小目标检测算法 [J], 刘昆;刘卫东
3.基于加权场景先验的海上红外弱小目标检测 [J], 潘胜达; 张素; 赵明; 安博文
4.基于改进加权核范数的红外弱小目标检测 [J], 翟昊;罗晓琳;吴令夏;王荣昌
5.基于加权RPCA的单帧红外图像小目标检测 [J], 杨晓潇;付小宁
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
( 12 )发明专利申请
(21)申请号 201910017099 .9
(22)申请日 2019 .01 .08
(71)申请人 西安电子科技大学 地址 710071 陕西省西安市太白南路2号
(72)发明人 李鹏 王晓鹏 武斌 侯敏 刘高高 秦国栋 张凯风 董泽芳
( 54 )发明 名称 基于多尺度形态学融合的加权局部熵红外
小目标检测方法 ( 57 )摘要
本发明提出一种基于多尺度形态学图像融 合的 加权 局部熵红外小目 标检 测方法 ，首先 ，对 红外图像进行转换至灰度域进行处理 ；其次 ，对 红外图像进行多尺度形态学Top-Hat图像分割处 理 ，在相邻尺度的Top-Hat的基础上求图像差异 ， 得到最小差异图 ，再将最小差异图与经Top-Hat 变换的图像的最小均值图做融合，得到背景抑制 后的图像；然后，通过计算初始图像的局部熵，得 到局部熵信息图 ；之后，对背景抑制后的图像与 局部熵信息图 进行点乘 ，并归一化 ，得到红外小 目标的显著图 ；最后，利用阈值分割技术对红外 小目 标显著图 滤波并二值化 ，得到处理 后图 像 ， 其中的二值化为1的区域就是红外小目标。本发 明适合于红外小目标检测领域，能够有效的提高 红外小目标检测的准确率，并且有
说 明 书
1/6 页
基于多尺度形态学融合的加权局部熵红外小目标检测方法
技术领域 [0001] 本发明属于数字图像处理技术领域，具体为一种基于多尺度形态学融合的加权局 部熵红外小目标检测方法。
背景技术 [0002] 红外小目标检测技术已经成为国防军事、民 用领域的重要分支，由于红外探测技 术具有全天候 、探 测距离远、隐 藏性好等优点 ，在红外远距离目 标跟踪、红外末端 制导以 及 边境国防、医疗卫生等领域上得到广泛的应用。但由于红外图像的成像传感器受到器件本 身温度、材料等因素 ，以 及红外小目标图 像自 身的固有特点的 影响 ，在单帧图 像中 ，使得红 外小目标成像中小目标像素占比小、信号弱、易受干扰，最终导致目标检测和追踪变得异常 苦难。因此，红外小目标检测成为在数字图像处理领域研究的热点和难点。 [0003] 随着信息技术领域的快速发展，图像数据的规模变得越来越大，面对如此庞大且 繁多的数据，如何能够快速准确的完成图像解析，已经转变成为当前研究的一个重要分支。 自1998年Laurent Itti提出一种视觉显著性检测方法以来，视觉显著性检测技术得到了越 来越多学者的关注。视觉显著性检测是计算机视觉(Computer-Vision)领域中模拟灵长类 动物的 视觉注意机 制而出现的 一个课题。近年来 ，学者 们基于该机 制提出了许多 相关算法 并运用到红外小目标检测、跟踪领域。基于视觉注意机制提取红外小目标的显著特性，并用 于红外小目标检测中 ，可以 取得良 好的 检测结果。Chen等人提出了一种基于人眼 视觉对比 机制(Human Visual System ,HVS)的局部对比测量(Local Contrast Method ,LCM)算法。 LCM算法根据目标和背景的局部对比 (Local Contrast ,LC)特征的不同 ，突出小目标显著 性 ，抑制背景杂波 ，并得红外小目标图 像的 显著图 。Han等人提出了一种改 进的 LCM算法 ，称 为改进的局部对比算法(Improve Local Contrast Method ,ILCM) ，该算法同样是基于HVS 算法。LCM算法经过改进，计算速度较快，且虚警率也降低了，但在复杂背景下的检测仍是一 项难题。
(74)专利代理机构 西北工业大学专利中心 61204
代理人 陈星
(51)Int .Cl . G06T 7/00(2017 .01) G06T 7/136(2017 .01) G06K 9/46(2006 .01)
(10)申请公布号 CN 109816641 A (43)申请公布日 2019.05.28
权利要求书1页 说明书6页 附图4页
CN 109816641 A
CN 109816641 A
权 利 要 求 书
1/1 页
1 .一种基于多尺度形态学融合的加权局部熵红外小目标检测方法，其特征在于：包括 以下步骤：
步骤1：输入一幅待检测的红外图像Img，图像大小为m*n； 步骤2：将输入的图像Img转换为灰度图像，得到图像Imgin； 步骤3：采用以下步骤进行背景抑制： 步骤3 .1：设定I个形态学预处理结构单元mi，1≤i≤I，其中I取大于零的整数，且形态学 预处理结构单元尺度随i增大而增大； 步骤3 .2：选择形态学预处理结构单元mi对图像Imgin进行Top-Hat形态学图像预处理， 得预处理后的图像，记为WTHSi； 步骤3 .3：重复步骤3 .2，直到所有设定的形态学预处理结构单元全部与图像Imgin完成 Top-Hat形态学图像预处理，得到多尺度Top-Hat预处理图像集WTHS； 步骤3 .4：对多尺度Top-Hat预处理图像集WTHS中相邻两幅图像对应像素点的灰度值作 差 ，得到差异图 ： WTHSTop_Hat(i+1)＝WTHSi+1-WTHSi，1≤i≤I-1 步骤3 .5：重复步骤3 .4，得到多尺度Top-Hat预处理图像集WTHS中I-1组相邻两幅图像 之间的差异图组成的差异图集WTHSTop_Hat； 步 骤 3 .6 ：对 差 异 图 集 W T H S T o p - H a t 进 行 元 素 灰 度 值 最 小 融 合 ，得 到 融 合 图 像 WTHSTop-Hat-min；计算多尺度Top-Hat预处理图像集WTHS中每个图像的灰度均值，取其中的最 小均值图WTHSmean(min) ； 步骤3 .7：将图像WTHSTop_Hat_min与最小均值图WTHSmean(min)中对应像素点灰度值相加，得 到背景抑制后的融合图ImgWTH； 步骤4：计算图像Imgin的图像局部灰度的信息熵： 步骤4 .1：选取半径为M的信息熵计算窗口对图像Imgin从上到下、从左到右进行局部灰 度信息熵运算：信息熵计算窗口的中心从图像Imgin的(M+1 ,M+1)位置开始滑动，同时计算该 窗口下的局部信息熵，直到最后滑到图像Imgin的(m-M ,n-M)位置为止，图像Imgin的边缘信息 熵填充为0，得局部灰度信息熵图记为Imgentropy； 步骤4 .2：将局部灰度信息熵图Imgentropy与融合图ImgWTH对应像素点的像素值相乘，并归 一化后得到加权局部灰度信息熵图ImgL-entropy作为红外小目标显著图 ； 步骤5：计算灰度信息熵自适应阈值： 步骤5 .1：计算红外小目标显著图ImgL_entropy的像素值均值Mean和像素值方差Var，并找 出其中像素值的最大值Hmax； 步骤5 .2：计算阈值T＝α(Hmax-Mean)+βMean2+εVar，其中α、β、ε为设定的正常数； 步骤6 ：利 用步骤5得到的阈值T对红外小目标显著图 ImgL_entropy进行二值化处理 ，图中 像素值低于T的置为0 ，不低于T的置为1 ；得到红外小目标显著图的二值化结果ImgL_entropy_B 作为最终红外小目标分布检测图 ，其中二值化为1的区域就是红外小目标。