針對傳統(tǒng)局部對比度算法在強雜波背景下,容易引入虛警目標的不足,提出了一種空域加權局部對比度的紅外小目標檢測算法。首先,利用具有中心激勵和側向抑制性的二維高斯差分濾波器,抑制了原始圖像大部分的背景雜波,以提高圖像的信噪比;然后,利用目標均值與鄰域的中值的比值進行局部對比度測量,再用目標各區(qū)域的灰度均值差加權局部對比度,生成目標顯著圖;最后,對顯著圖進行自適應閾值分割,檢測出真實目標。實驗結果表明,與其他幾種檢測方法對比,該算法不僅具有較高的信躁比增益和背景抑制因子,還具有較高的檢測率和較低的虛警率,是一種有效的紅外小目標檢測方法。 

【文章來源】：激光與紅外. 2020,50(10)北大核心

【文章頁數(shù)】：7 頁

【部分圖文】：

目標檢測流程圖

經(jīng)過二維高斯差分濾波處理,盡管已經(jīng)抑制了大部分背景噪聲,但目標區(qū)域不夠顯著,仍然存在一些強雜波,因此要計算圖像的顯著性圖。與LCM算法類似,將窗口w從左到右、從上到下滑動遍歷整個圖像a,將其分成若干大小相同的子塊。如圖2(a)所示,子塊中u為目標區(qū)域,介于u和w之間的為局部背景區(qū)域,a表示整個圖像,通常窗口w是u大小的3倍。圖2(b)是w的放大圖,分為9個大小相等的區(qū)域,中心區(qū)域0表示目標區(qū)域,即圖2(a)中的目標塊u,在它周圍的1～8區(qū)域表示背景。根據(jù)國際光學工程學會(SPIE)的建議,小目標的尺寸一般不超過圖像總面積的0.12 %[12],因此本文實驗選取的窗口u尺寸大小為3×3。對于每一個子圖像塊w,劃分為大小相等的9個區(qū)域,分別記為Vi,i=0,1,…,8。中心區(qū)域V0像素灰度最大值經(jīng)式(2)計算得出:

圖3是經(jīng)本文算法處理前后各區(qū)域的對比圖。圖3(a)為原始紅外圖像,小方框分別標記了目標區(qū)域1、高亮噪聲區(qū)域2和云層邊緣背景區(qū)域3,大方框是對應的放大圖。圖3(b)為生成的顯著圖S,小方框標記代表運算處理后目標、噪聲、背景區(qū)域。通過對比可知,經(jīng)本文算法處理后的目標區(qū)域1強度被增強,噪聲區(qū)域2和背景區(qū)域3強度被抑制。2.3 自適應閾值分割

【參考文獻】：
期刊論文
[1]結合視覺注意力機制基于尺度自適應局部對比度增強的紅外弱小目標檢測算法[J]. 沈旭,程小輝,王新政.  紅外技術. 2019(08)
[2]基于多尺度局部對比度和多尺度梯度一致性的紅外小弱目標檢測算法[J]. 劉德鵬,李正周,曾靖杰,熊偉奇,亓波.  兵工學報. 2018(08)
[3]基于自適應形態(tài)學濾波的紅外小目標檢測算法[J]. 徐文晴,王敏.  激光與紅外. 2017(01)
[4]紅外背景抑制與小目標檢測算法[J]. 張世鋒,黃心漢,王敏.  中國圖象圖形學報. 2016(08)
[5]基于局部特征的單幀紅外小目標檢測算法[J]. 吳濤,何文忠,陳曉露.  激光與紅外. 2016(03)
[6]一種基于視覺注意的小目標檢測方法[J]. 謝文亮,朱丹,佟新鑫.  計算機工程與應用. 2013(12)
[7]基于顯著性及主成分分析的紅外小目標檢測[J]. 胡暾,趙佳佳,曹原,王芳林,楊杰.  紅外與毫米波學報. 2010(04)
[8]一種基于小波變換的序列圖像中小目標檢測與跟蹤算法[J]. 李紅艷,吳成柯.  電子與信息學報. 2001(10)



本文編號：2966500