空域加权局部对比度的红外小目标检测算法

发布时间：2021-01-09 10:46

　　针对传统局部对比度算法在强杂波背景下,容易引入虚警目标的不足,提出了一种空域加权局部对比度的红外小目标检测算法。首先,利用具有中心激励和侧向抑制性的二维高斯差分滤波器,抑制了原始图像大部分的背景杂波,以提高图像的信噪比;然后,利用目标均值与邻域的中值的比值进行局部对比度测量,再用目标各区域的灰度均值差加权局部对比度,生成目标显著图;最后,对显著图进行自适应阈值分割,检测出真实目标。实验结果表明,与其他几种检测方法对比,该算法不仅具有较高的信躁比增益和背景抑制因子,还具有较高的检测率和较低的虚警率,是一种有效的红外小目标检测方法。 

【文章来源】：激光与红外. 2020,50(10)北大核心

【文章页数】：7 页

【部分图文】：

目标检测流程图

经过二维高斯差分滤波处理,尽管已经抑制了大部分背景噪声,但目标区域不够显著,仍然存在一些强杂波,因此要计算图像的显著性图。与LCM算法类似,将窗口w从左到右、从上到下滑动遍历整个图像a,将其分成若干大小相同的子块。如图2(a)所示,子块中u为目标区域,介于u和w之间的为局部背景区域,a表示整个图像,通常窗口w是u大小的3倍。图2(b)是w的放大图,分为9个大小相等的区域,中心区域0表示目标区域,即图2(a)中的目标块u,在它周围的1～8区域表示背景。根据国际光学工程学会(SPIE)的建议,小目标的尺寸一般不超过图像总面积的0.12 %[12],因此本文实验选取的窗口u尺寸大小为3×3。对于每一个子图像块w,划分为大小相等的9个区域,分别记为Vi,i=0,1,…,8。中心区域V0像素灰度最大值经式(2)计算得出:

图3是经本文算法处理前后各区域的对比图。图3(a)为原始红外图像,小方框分别标记了目标区域1、高亮噪声区域2和云层边缘背景区域3,大方框是对应的放大图。图3(b)为生成的显著图S,小方框标记代表运算处理后目标、噪声、背景区域。通过对比可知,经本文算法处理后的目标区域1强度被增强,噪声区域2和背景区域3强度被抑制。2.3 自适应阈值分割

【参考文献】：
期刊论文
[1]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.  红外技术. 2019(08)
[2]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[J]. 刘德鹏,李正周,曾靖杰,熊伟奇,亓波.  兵工学报. 2018(08)
[3]基于自适应形态学滤波的红外小目标检测算法[J]. 徐文晴,王敏.  激光与红外. 2017(01)
[4]红外背景抑制与小目标检测算法[J]. 张世锋,黄心汉,王敏.  中国图象图形学报. 2016(08)
[5]基于局部特征的单帧红外小目标检测算法[J]. 吴涛,何文忠,陈晓露.  激光与红外. 2016(03)
[6]一种基于视觉注意的小目标检测方法[J]. 谢文亮,朱丹,佟新鑫.  计算机工程与应用. 2013(12)
[7]基于显著性及主成分分析的红外小目标检测[J]. 胡暾,赵佳佳,曹原,王芳林,杨杰.  红外与毫米波学报. 2010(04)
[8]一种基于小波变换的序列图像中小目标检测与跟踪算法[J]. 李红艳,吴成柯.  电子与信息学报. 2001(10)



本文编号：2966500