[发明专利]一种红外图像小目标检测方法

说明书

本发明属于图像处理技术领域，具体涉及一种红外图像小目标检测方法，其包括以下步骤：提取红外图像中候选目标的位置信息；计算候选目标所在位置的邻域特征信息；将特征信息输入到判别模型进行虚假目标排除；输出真实目标的位置信息。本发明针对红外图像的小目标提出一种特征提取算法，用于作为机器学习算法的特征输入，以此训练一种检测小目标的模型，应用模型和此特征信息进行目标检测。本发明技术方案所提供的红外图像小目标检测方法使得红外小目标的检测问题转化为可以应用机器学习方法的目标检测问题，通过大数据的学习，训练出有效的检测模型，从而提高红外小目标的检测能力和适应能力。

技术领域

本发明属于图像处理技术领域，具体涉及一种红外图像小目标检测方法。

背景技术

红外图像的小目标检测对于精确制导武器的发展和红外预警等具有重要意义。传统的红外图像的小目标检测方法通常基于目标邻域的灰度阈值分割方法，经过背景抑制的预处理算法尽可能抑制背景杂波和提高目标与背景的对比度。然而，由于红外成像受复杂环境条件和目标辐射率影响，成像差别较大，灰度阈值分割往往不能找到可靠的分割阈值，因而检测存在不稳定性。基于机器学习的目标检测方法到目前为止已发展成为较成熟的目标检测方法，常见的成熟方法有基于决策树、基于支持向量机、随机森林等学习方法。应用机器学习的方法进行目标检测的关键在于找到有效的描述目标的特征。红外小目标检测方法应用基于机器学习目标检测方法的难点在于由于小目标的成像面积小、没有色彩信息而难于找到一种描述红外小目标的特征。

发明内容

(一)要解决的技术问题

本发明要解决的技术问题是：如何提取出一种描述目标与背景相关的邻域特征信息，使得红外小目标的检测问题转化为可以应用机器学习方法的目标检测问题，通过大数据的学习和建模建立一种新的红外图像小目标检测方法。

(二)技术方案

为解决上述技术问题，本发明提供一种红外图像小目标检测方法，所述方法包括以下步骤：

步骤S1：从红外图像中提取候选目标的位置信息；

步骤S2：计算候选目标所在位置的邻域特征信息；

步骤S3：将邻域特征信息输入到判别模型进行虚假目标排除；

步骤S4：输出真实目标的位置信息。

其中，所述步骤S1中，所述从红外图像中提取候选目标的位置信息的过程采用本技术领域现有的红外小目标提取算法。

其中，所述步骤S1中，所述从红外图像中提取候选目标的位置信息的过程采用基于数学形态学的方法或基于Top-Hat算子的红外图像背景抑制方法，通过寻找背景抑制后的图像灰度极值点来获取候选的目标的位置信息。

其中，所述步骤S2中，候选目标所在位置的邻域特征信息是通过建立和候选目标点灰度相关的邻域点集得到的。

其中，所述步骤S2中，邻域点集的建立方法包含以下步骤：

步骤S21：初始化邻域点集set(0)；

邻域点集的初始化方法是将当前候选目标点的像素值加入到邻域点集set(0)中；

步骤S22：扩充邻域点集set(n)；

邻域点集的扩充方法是首先找到出当前邻域点集set(n-1)的极大值，然后将该极大值周围3×3邻域的8个像素点的像素值加入到邻域点集中，并将该极大值从邻域点集中去除便得到扩充后的邻域点集set(n)；

步骤S23：完成邻域点集set(N)；

经过N次步骤S22的邻域扩充便完成了邻域点集建立。

其中，所述步骤S23中，所述N的大小根据检测目标大小确定。