發(fā)布時(shí)間：2020-12-12 03:02

　　紅外圖像中的弱小目標(biāo)檢測(cè)技術(shù)在精確制導(dǎo)等領(lǐng)域有著廣泛的應(yīng)用,是提升現(xiàn)代軍事實(shí)力的關(guān)鍵環(huán)節(jié)。傳統(tǒng)的目標(biāo)檢測(cè)算法主要基于背景抑制和目標(biāo)顯著性兩個(gè)方面,但往往不適用于色差較大、干擾較多的復(fù)雜環(huán)境。本文提出一種基于梯度檢測(cè)和局部連通性判斷的弱小目標(biāo)檢測(cè)算法,利用弱小目標(biāo)在局部區(qū)域的梯度特性和連通特性識(shí)別可疑目標(biāo),并采用區(qū)域生長(zhǎng)算法進(jìn)一步剔除檢測(cè)到的干擾點(diǎn)。同時(shí)采用自適應(yīng)策略確定相關(guān)閾值,提升算法的靈活性與應(yīng)用范圍。本文算法在反映多種檢測(cè)環(huán)境的圖片和視頻序列中進(jìn)行檢測(cè),并與傳統(tǒng)方法比較。檢測(cè)結(jié)果表明:該方法準(zhǔn)確率較高,可保證較低的虛警率,同時(shí)處理速度較快。 

【文章來源】：上海航天(中英文). 2020年05期 第113-118頁

【文章頁數(shù)】：6 頁

【部分圖文】：

檢測(cè)小目標(biāo)的像素圖Fig.1Pixelimageofdetecteddimtarget

第37卷2020年第5期李佳文，等：基于梯度關(guān)系和局部連通性的紅外小目標(biāo)檢測(cè)方法max(Xi，j-Xi+r，j+r)>TG（3）式中：TG為梯度閾值，具體數(shù)值與檢測(cè)的數(shù)據(jù)集和檢測(cè)環(huán)境有關(guān)。圖2表示將待檢測(cè)點(diǎn)像素值與周圍3×3區(qū)域點(diǎn)的像素值相比較，當(dāng)差值超過梯度閾值時(shí)，則說明該點(diǎn)與周圍區(qū)域滿足梯度關(guān)系，判定為疑似目標(biāo)點(diǎn)。如果處理的是如圖3所示的多像素目標(biāo)，需要進(jìn)行如文獻(xiàn)［10］的多尺度檢測(cè)處理。梯度與連通性的關(guān)系如圖4所示。圖中可見，滿足梯度關(guān)系不一定保證該區(qū)域的不連通性。因此，本文在判斷局部區(qū)域的梯度關(guān)系之后加入?yún)^(qū)域生長(zhǎng)算法［11-13］，將經(jīng)過梯度關(guān)系判斷得到的可疑目標(biāo)點(diǎn)作為種子點(diǎn)，對(duì)種子點(diǎn)做區(qū)域生長(zhǎng)，記錄區(qū)域生長(zhǎng)結(jié)束后形成的區(qū)域面積。判斷的方法是比較區(qū)域生長(zhǎng)后的面積與事先設(shè)定的閾值大小關(guān)系。具體的判斷準(zhǔn)則為Sij<Tc（4）式中：Si，j為由目標(biāo)點(diǎn)Xi，j生長(zhǎng)出的區(qū)域面積；Tc為區(qū)域生長(zhǎng)的面積閾值，數(shù)值由自適應(yīng)策略確定。根據(jù)區(qū)域生長(zhǎng)算法，可以有效判斷當(dāng)前可疑點(diǎn)是否具有連通性。連通性的準(zhǔn)則判斷依據(jù)如下：1）若生長(zhǎng)區(qū)域的面積>閾值，則該點(diǎn)具有連通性，故不是目標(biāo)點(diǎn)；2）若生長(zhǎng)區(qū)域的面積<閾值，則該點(diǎn)不具有連通性，故是目標(biāo)點(diǎn)。1.2自適應(yīng)閾值確定本文提出的檢測(cè)方法中梯度檢測(cè)算法和區(qū)域生長(zhǎng)算法都涉及閾值的設(shè)定，而且閾值依賴于數(shù)據(jù)本身，不同的數(shù)據(jù)集，能量分布特性和目標(biāo)特性可能會(huì)有很大不同，因此，使閾值能夠自適應(yīng)很有必要。本文先給出檢測(cè)算法的評(píng)判標(biāo)準(zhǔn)，在此基礎(chǔ)上給出區(qū)域生長(zhǎng)算法的閾值選取準(zhǔn)則。對(duì)于檢測(cè)結(jié)果的評(píng)估，采用P（

第37卷2020年第5期李佳文，等：基于梯度關(guān)系和局部連通性的紅外小目標(biāo)檢測(cè)方法max(Xi，j-Xi+r，j+r)>TG（3）式中：TG為梯度閾值，具體數(shù)值與檢測(cè)的數(shù)據(jù)集和檢測(cè)環(huán)境有關(guān)。圖2表示將待檢測(cè)點(diǎn)像素值與周圍3×3區(qū)域點(diǎn)的像素值相比較，當(dāng)差值超過梯度閾值時(shí)，則說明該點(diǎn)與周圍區(qū)域滿足梯度關(guān)系，判定為疑似目標(biāo)點(diǎn)。如果處理的是如圖3所示的多像素目標(biāo)，需要進(jìn)行如文獻(xiàn)［10］的多尺度檢測(cè)處理。梯度與連通性的關(guān)系如圖4所示。圖中可見，滿足梯度關(guān)系不一定保證該區(qū)域的不連通性。因此，本文在判斷局部區(qū)域的梯度關(guān)系之后加入?yún)^(qū)域生長(zhǎng)算法［11-13］，將經(jīng)過梯度關(guān)系判斷得到的可疑目標(biāo)點(diǎn)作為種子點(diǎn)，對(duì)種子點(diǎn)做區(qū)域生長(zhǎng)，記錄區(qū)域生長(zhǎng)結(jié)束后形成的區(qū)域面積。判斷的方法是比較區(qū)域生長(zhǎng)后的面積與事先設(shè)定的閾值大小關(guān)系。具體的判斷準(zhǔn)則為Sij<Tc（4）式中：Si，j為由目標(biāo)點(diǎn)Xi，j生長(zhǎng)出的區(qū)域面積；Tc為區(qū)域生長(zhǎng)的面積閾值，數(shù)值由自適應(yīng)策略確定。根據(jù)區(qū)域生長(zhǎng)算法，可以有效判斷當(dāng)前可疑點(diǎn)是否具有連通性。連通性的準(zhǔn)則判斷依據(jù)如下：1）若生長(zhǎng)區(qū)域的面積>閾值，則該點(diǎn)具有連通性，故不是目標(biāo)點(diǎn)；2）若生長(zhǎng)區(qū)域的面積<閾值，則該點(diǎn)不具有連通性，故是目標(biāo)點(diǎn)。1.2自適應(yīng)閾值確定本文提出的檢測(cè)方法中梯度檢測(cè)算法和區(qū)域生長(zhǎng)算法都涉及閾值的設(shè)定，而且閾值依賴于數(shù)據(jù)本身，不同的數(shù)據(jù)集，能量分布特性和目標(biāo)特性可能會(huì)有很大不同，因此，使閾值能夠自適應(yīng)很有必要。本文先給出檢測(cè)算法的評(píng)判標(biāo)準(zhǔn)，在此基礎(chǔ)上給出區(qū)域生長(zhǎng)算法的閾值選取準(zhǔn)則。對(duì)于檢測(cè)結(jié)果的評(píng)估，采用P（

【參考文獻(xiàn)】：
期刊論文
[1]基于自適應(yīng)形態(tài)學(xué)濾波的紅外小目標(biāo)檢測(cè)算法[J]. 徐文晴,王敏.  激光與紅外. 2017(01)
[2]基于改進(jìn)算法的自動(dòng)種子區(qū)域生長(zhǎng)圖像分割[J]. 魏津瑜,施鶴南,蘇思沁.  中南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2013(S2)
[3]基于局部均值的紅外小目標(biāo)檢測(cè)算法[J]. 劉運(yùn)龍,薛雨麗,袁素真,毛峽.  紅外與激光工程. 2013(03)
[4]基于人類視覺模型的區(qū)域生長(zhǎng)圖像分割[J]. 譚洪波,侯志強(qiáng),劉榮.  中國(guó)圖象圖形學(xué)報(bào). 2010(09)
[5]一種基于梯度方向信息的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[J]. 孫瑾,顧宏斌,鄭吉平.  中國(guó)圖象圖形學(xué)報(bào). 2008(03)
[6]一種基于熵優(yōu)化的區(qū)域生長(zhǎng)圖像分割方法[J]. 張愛華.  華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版). 2004(07)
[7]多尺度形態(tài)學(xué)圖像邊緣檢測(cè)方法[J]. 劉循,游志勝.  光電工程. 2003(03)
[8]基于形態(tài)學(xué)Top-Hat算子的小目標(biāo)檢測(cè)方法[J]. 葉斌,彭嘉雄.  中國(guó)圖象圖形學(xué)報(bào). 2002(07)
[9]基于小波變換的紅外成像海面小目標(biāo)檢測(cè)算法[J]. 左震,張?zhí)煨?  紅外與激光工程. 1998(03)



本文編號(hào)：2911731