[发明专利]一种基于边缘检测增强的对空地、地面背景小目标检测方法

说明书

该发明公开了一种基于边缘检测增强的对空地、地面背景小目标检测方法，属于红外弱小目标检测领域。首先对原始图像中的边缘进行检测，然后与红外弱小目标图像相叠加，增强目标点的同时削弱背景角点对目标检测造成的影响，然后对周围区域进行有效的划分方案，以捕捉目标的导数特性，构建一个新的局部对比度图，以同时增强目标和抑制背景杂波，再将所有导数子带构建的强对比图整合以提高检测的稳定性，最后通过自适应阈值分割方法提取小目标，真正的目标从复杂的背景中较为明显地分割出来。从而有效提高对空地、地面背景小目标检测精度。

技术领域

本发明属于红外弱小目标检测领域。

背景技术

在红外弱小目标检测领域，对复杂场景中的红外弱小目标进行识别是一项经典难题。此处的弱小目标是指像素点较少、在干扰背景下较难与背景区分的飞机、导弹等目标，此类目标在红外成像探测技术中通常表现为尺寸在2×2至9×9像素之间的亮点，因此具有通过图像识别算法进行目标检测的基础与价值。

近年来，国内外很多研究对红外弱小目标检测提出了多种方法，大致分为传统的基于滤波的方法、基于稀疏低秩成分恢复的方法和基于人类视觉系统(HVS)的方法。传统的基于滤波的方法侧重于如何在灰度值矩阵或导数矩阵中构造算子以估计背景，然后根据原始图像和背景之间的差异来对小对象进行分割。然而，这些方法对复杂背景中的强杂波和高亮度的像素大小的噪点很敏感。基于稀疏和低秩分量恢复的方法假设背景图像是低秩子空间杂波和目标稀疏分量的混合。然而，这些算法经常受到显著边缘和角点的影响。国内外对基于HVS的检测方法着重进行研究，这些方法集中于目标与其周围背景之间的对比度和差异。具有代表性的方法包括局部对比测度(LCM)、导数熵对比测度(DECM)、基于多尺度贴片的对比测度(MPCM)和加权局部差测度(WLDM)。由于这些方法的核心是测量局部差异，导致它们对突出的边缘和高亮度区域很敏感，不能区分目标和纹理杂波。

文献[R.Lu,X.Yang,W.Li,J.Fan,D.Li and X.Jing,Robust Infrared SmallTarget Detection via Multidirectional Derivative-Based Weighted ContrastMeasure,in IEEE Geoscience and Remote Sensing Letters,vol.19,pp.1-5,2022,Artno.7000105.]中提出了一种基于多向梯度局部对比度的红外小目标检测算法(MDWCM)。首先，多向导数子带由面状模型快速获得，然后对周围区域进行有效的划分方案，以捕捉目标的导数特性，构建一个新的局部对比度，同时增强目标和抑制背景杂波，再将所有导数子带构建的MDWCM图整合以提高检测的稳定性，最后通过自适应阈值分割方法提取小目标。基于多方向的导数特性，多向梯度局部对比度的检测算法充分利用目标和其周围地区在所有子带的差异。融合所有方向的局部对比度的值后，小目标被有效地增强，背景被抑制。实验表明，多向梯度局部对比度的检测算法实现有效的背景抑制和目标增强，真正的目标从复杂的背景中较为明显地分割出来，并且与其他国内外的先进方法相比，该方法识别率、延迟等性能指标表现较好。

该方法在天空背景，也就是低干扰的情况下，表现出很高的识别准确率，但是基于梯度类的弱小目标检测，在一些复杂的场景下，特别是空地背景、地面背景情况下有较大的干扰，检测结果并不能让人满意。

发明内容

本发明提出在背景技术的基础上，增加边缘检测增强功能的新检测算法，从而解决现有技术中针对空地背景，地面背景是检测精度不高的问题。

本发明技术方案为首先对原始图像中的边缘进行检测，然后与红外弱小目标图像相叠加，增强目标点的同时削弱背景角点对目标检测造成的影响，然后对周围区域进行有效的划分方案，以捕捉目标的导数特性，构建一个新的局部对比度图，以同时增强目标和抑制背景杂波，再将所有导数子带构建的强对比图整合以提高检测的稳定性，最后通过自适应阈值分割方法提取小目标，真正的目标从复杂的背景中较为明显地分割出来。