一种基于局部对比度机制的红外弱小目标检测方法与流程

本发明涉及红外图像目标检测领域，特别是涉及一种基于局部对比度机制的红外弱小目标检测方法。

背景技术：

1、红外探测系统以其隐蔽性好、穿透能力强等优点广泛应用于航空航天、军事侦察等领域。但该系统的观测距离较远，目标往往呈现弱小状态，即目标在红外图像中所占像素点较少，且缺乏固定的纹理结构特征。同时目标强度较弱，被淹没在强杂波背景中，导致检测率较低。所以针对单帧图像的红外弱小目标检测一直是红外探测领域的难点和研究热点。

2、红外弱小目标检测主要分为单帧图像的检测和多帧图像检测两大类思路。多帧检测利用多帧图像中运动目标的连续性和相关性实现红外小目标检测。在实际应用中，高速运动目标检测时，成像背景通常变化迅速，多帧图像检测算法性能快速下降。相比多帧检测，单帧检测具有复杂度低，执行效率高，便于硬件实现等优点。因此，单帧红外小目标检测研究具有十分重要的意义。

3、在单帧红外小目标检测领域，主要有四种主流思路：其一，基于滤波的方法，如空间域滤波与变换域滤波；其二，基于模拟人类视觉系统的方法，如基于局部对比度机制，多特征融合等方法；其三，基于图像数据结构的方法，如红外图像块模型，稳健主成分分析法等。其利用小目标的稀疏特性与背景的低秩性对目标进行检测；最后则是对小目标特征进行分析，如对经典深度学习框架算法的一些改进。

4、在红外小目标检测领域中，由于通常的检测目标比其直接邻域更亮，即目标附近存在一定的局部对比值。因此，基于局部对比度的检测算法通常可以获得比传统算法更好的性能。基于局部对比度的算法易于实现，并且具有较低的算法复杂度。其次，通过深度学习能训练提取数据中深层次的中层以及高层特征，用以目标表征，提升目标检测的鲁棒性。

技术实现思路

1、本发明针对现有技术中红外图像小目标检测效果仍需改善的问题，提供一种效率高，准确度高的基于局部对比度机制的红外弱小目标检测方法。

2、本发明的技术解决方案是，提供一种具有以下步骤的基于局部对比度机制的红外弱小目标检测方法：含有以下步骤，

3、步骤1：输入原始红外图像，将其转化为灰度图像；

4、步骤2：通过空间域滤波方法抑制原始红外灰度图像的背景噪声，得到滤波图像；

5、步骤3：利用多层局部对比度机制突出弱小目标像素，得到目标显著图；

6、步骤4：将滤波图像与目标显著图逐点相乘得到检测显著图；

7、步骤5：构建改进yolov5网络模型并进行训练和测试；

8、步骤6：将步骤4得到的检测显著图输入到改进后yolov5弱小目标检测模型中，实现弱小目标检测。

9、优选地，所述步骤1含有以下步骤：

10、步骤1.1：将原始红外rgb彩色图像转换为灰度图像进行后续检测，转化方法有最大值法、平均值法或加权平均值法，加权平均值法根据红、绿、蓝三色的重要性赋予不同的权重值，加权平均后得到相应的灰度值；

11、步骤1.2：加权平均法转换后的灰度值为：i(m,n)＝0.3×r(m,n)+0.59×g(m,n)+0.11×b(m,n)，其中r(m,n)，g(m,n)，b(m,n)分别表示图像(m,n)处红、绿、蓝三色的像素值。

12、优选地，所述步骤2中通过双边滤波算法去除原始红外图像的背景噪声得到滤波图像，双边滤波算法如下：滤波后的输出像素：其中滤波算法公式中权重因子计算公式为：权重公式中空间域核和像素域核为两个二维高斯函数，表达式分别为，

13、其中p＝(i,j)表示待处理的像素点，q＝(m,n)∈s表示p点邻域中的像素点，包括p，i(m,n)为输入像素值，i(i,j)为待处理点的像素值，σs和σr为设定值，wp,q表示分配给q点的权重值，表示p点的滤波核权重总和。

14、优选地，所述步骤3中的局部对比度机制方法如下：确定多层滑动窗口，多层滑动窗口分为目标子块，中间层子块和背景子块，以像素点(p,q)为中心，建立n×n的目标子块用于覆盖弱小目标，目标子块周围有8个中间层子块，用于覆盖更大尺寸的目标，最外层8个子块为背景子块，离散地选取周围8个方向子块表达背景特征，对于目标位置像素利用比差联合局部对比度公式突出目标像素，具体步骤为：计算目标子块的平均灰度值i(p,q)，计算中间层子块与背景子块的平均灰度值mm(p,q)和mo(p,q)，将目标子块平均灰度值与中间层子块或背景子块平均灰度值之比的最大值定义为比例因子e(p,q)；当(p,q)位于真实目标时，目标通常比周围亮，则e(p,q)＞1，真实目标得到增强；当(p,q)位于背景像素时，通常较为平坦，像素值变化不大，则e(p,q)≈1，背景处比例因子小于目标处，背景像素变化较小，即目标得到突出；在边缘背景处，较亮一侧e(p,q)≈1，较暗一侧e(p,q)＜1，即所有方向上比例因子都比目标处小。

15、优选地，所述所述步骤5中的改进yolov5模型构建具体方法如下：

16、步骤5.1、构建yolov5网络模型，分别建立输入端、骨干网络、颈部和预测四部分；

17、步骤5.2、在训练过程中，输入端使用mosaic数据增强技术来优化小目标检测效果，骨干网络在使用focus结构和csp结构的基础上加入注意力机制模块，颈部使用加权的双向特征金字塔网络结构，赋予各特征层不同的权重进行特征融合，预测部分中的训练损失函数使用lossconf、预测框使用的方法是边界框的损失函数lossciou；

18、步骤5.3、配置参数，调整类别数目、学习率和batch_size参数。

19、与现有技术相比，本发明基于局部对比度机制的红外弱小目标检测方法具有以下优点：在前期的图像处理阶段结合滤波算法、多层窗口局部对比度机制等方法，有效地抑制背景噪声，并突出目标像素，为之后的yolov5网络提取特征，识别图像中的弱小目标提供极大的便利。yolov5网络中的颈部(neck)将传统的路径聚合网络结构(pan)替换为加权的双向特征金字塔网络(bi-fpn)允许简单和快速的多尺度特征融合。传统的pan结构特征融合是平等地对待不同尺度特征，bi-fpn引入了权重更好地平衡不同尺度的特征信息，可以达到追求更高效的多尺度融合的效果，最终实现更高的识别准确度。

技术特征：

1.一种基于局部对比度机制的红外弱小目标检测方法，其特征在于：含有

2.根据权利要求1所述的基于局部对比度机制的红外弱小目标检测方法，其特征在于：所述步骤1含有以下步骤：

3.根据权利要求1所述的基于局部对比度机制的红外弱小目标检测方法，其特征在于：所述步骤2中通过双边滤波算法去除原始红外图像的背景噪声得到滤波图像，双边滤波算法如下：滤波后的输出像素：其中滤波算法公式中权重因子计算公式为：权重公式中空间域核和像素域核为两个二维高斯函数，表达式分别为，其中p＝(i,j)表示待处理的像素点，q＝(m,n)∈s表示p点邻域中的像素点，包括p，i(m,n)为输入像素值，i(i,j)为待处理点的像素值，σs和σr为设定值，wp,q表示分配给q点的权重值，表示p点的滤波核权重总和。

4.根据权利要求1所述的基于局部对比度机制的红外弱小目标检测方法，其特征在于：所述步骤3中的局部对比度机制方法如下：确定多层滑动窗口，多层滑动窗口分为目标子块，中间层子块和背景子块，以像素点(p,q)为中心，建立n×n的目标子块用于覆盖弱小目标，目标子块周围有8个中间层子块，用于覆盖更大尺寸的目标，最外层8个子块为背景子块，离散地选取周围8个方向子块表达背景特征，对于目标位置像素利用比差联合局部对比度公式突出目标像素，具体步骤为：计算目标子块的平均灰度值i(p,q)，计算中间层子块与背景子块的平均灰度值mm(p,q)和mo(p,q)，将目标子块平均灰度值与中间层子块或背景子块平均灰度值之比的最大值定义为比例因子e(p,q)；当(p,q)位于真实目标时，目标通常比周围亮，则e(p,q)＞1，真实目标得到增强；当(p,q)位于背景像素时，通常较为平坦，像素值变化不大，则e(p,q)≈1，背景处比例因子小于目标处，背景像素变化较小，即目标得到突出；在边缘背景处，较亮一侧e(p,q)≈1，较暗一侧e(p,q)＜1，即所有方向上比例因子都比目标处小。

5.根据权利要求1所述的基于局部对比度机制的红外弱小目标检测方法，其特征在于：所述所述步骤5中的改进yolov5模型构建具体方法如下：

技术总结
本发明公开了一种基于局部对比度机制的红外弱小目标检测方法，针对现有技术中红外图像小目标检测效果仍需改善的问题。该发明含有以下步骤，1：输入原始红外图像，将其转化为灰度图像；2：通过空间域滤波方法抑制原始红外灰度图像的背景噪声，得到滤波图像；3：利用多层局部对比度机制突出弱小目标像素，得到目标显著图；4：将滤波图像与目标显著图逐点相乘得到检测显著图；5：构建改进YOLOv5网络模型并进行训练和测试；6：将步骤4得到的检测显著图输入到改进后YOLOv5弱小目标检测模型中，实现弱小目标检测。该技术可以达到追求更高效的多尺度融合的效果，最终实现更高的识别准确度。

技术研发人员：任获荣,郭亚飞,赵毅
受保护的技术使用者：西安镭映光电科技有限公司
技术研发日：
技术公布日：2024/1/12