[发明专利]一种基于均衡化结构纹理表征的序列红外图像目标检测方法

说明书

一种基于均衡化结构纹理表征的序列红外图像目标检测方法，首先，利用红外图像中的小目标比背景更亮的特点，构建局部强度信息图，充分抑制中心像素值小于局部平均像素的背景杂波并锁定目标可能存在的图像块。其次，在得到可能存在小目标的图像块之后，在图像块的中心点建立极坐标系，利用局部梯度属性检测出小目标，通过实验给定的阈值，检测出小目标。最后，结合局部强度和局部梯度形成均衡化结构纹理表征，并添加了一个平衡因子来调节强度和梯度在均衡化结构纹理表征中所占比重。本方法与其他算法相比，可以更高效和精准的探测出小目标所在位置。

技术领域

本发明属于红外小目标检测领域，具体涉及一种基于均衡化结构纹理表征的序列红外图像目标检测方法。

背景技术

随着现代军事技术的快速发展，各种精确制导导弹在现代战争中发挥着重要的作用，具有随时对军事目标、飞机、舰船、航空器等各种航母作战平台进行精确打击的能力。因此，为了保证操作平台的安全，需要对命中目标进行有效的检测和跟踪。

迄今为止，国内外关于红外小目标检测的方法可以分为两类：顺序检测方法和单帧检测方法。虽然现有的方法取得了很好的效果，但考虑到时间信息是非常必要的，因为单帧图像缺乏足够的信息来检测小目标。张等人提出的自正则化加权(SRWS)模型(Zhang T,Peng Z,Wu H,et al.Infrared small target detection via self-regularizedweighted sparse model[J].Neurocomputing,2021,420:124-148.)，利用可检测背景结果信息的重叠边缘信息对稀疏项进行约束，提高检测精度，但对于检测的目标需要一定的筛选。张等人提出的基于范数约束的非凸优化(NOLC)模型(Zhang T,Wu H,Liu Y,etal.Infrared small target detection based on non-convex optimization with Lp-norm constraint[J].Remote Sensing,2019,11(5):559.)，该方法利用范数强化稀疏项约束，同时对低秩项约束进行适当缩放，该方法在强噪声环境下的检测效果差强人意。Zhang等人提出了一种基于边缘和角感知的时空张量(BTR)模型(Zhang P,Zhang L,Wang X,etal.Edge and Corner Awareness-Based Spatial–Temporal Tensor Model for InfraredSmall-Target Detection[J].IEEE Transactions on Geoscience and Remote Sensing,2020,59(12):10708-10724.)用于红外小目标检测，该方法对目标的增强中存在问题，目标的边缘信息不能得到有效保留，造成目标过度收缩。目前基于时空张量模型方法有很多，但是在时空张量模型中，如何迅速的检测到小目标的位置仍然是一个难题。

发明内容

本发明的目的是提出一种基于均衡化结构纹理表征的序列红外图像目标检测方法，以在缺少纹理信息和结构信息的红外图像中，能够准确地检测到目标所在位置。本发明从红外图像中的潜在空间着手，利用原始红外图像的局部强度信息和局部梯度信息，构建均衡化结构纹理表征以更精准的检测目标。除此之外，为了提高该发明在更多场景下的兼容性，额外在模型中添加了可变平衡因子。

本发明的技术方案主要包括以下三个的内容：一是利用局部强度信息对小目标的检测的价值。因为背景强度通常较小或者几乎相同，局部强度信息可以用来抑制相对较暗或者比较均匀的背景。通过计算图像块的平均值，可以抑制中心像素值小于局部平均像素的背景杂波。二是目标的梯度向量大多数指向目标中心，且局部梯度属性意味着具有强边缘的背景的梯度方向是一致的，因此利用局部梯度属性可以检测出小目标。三是结合局部强度图和局部梯度图提出了一个新的均衡化结构纹理表征来降低模型的虚警率。在均衡化结构纹理表征中增加了一个新的重要因子衡量强度图和梯度图的相对重要性。

与现有技术相比，本发明具有以下有益效果：