局部对比度结合区域显著性红外弱小目标检测
《局部对比度结合区域显著性红外弱小目标检测》
作者提出了一种区域局部对比度算法,仅在图像的显著性区域中进行局部对比度计算,而非遍历整幅图像。
- 首先进行基于图像信息熵和局部相似性的红外图像区域显著性度量,经二值化得到单帧图像显著性区域;
- 在该区域中进行局部对比度数值计算,得到区域局部对比度图像;
- 最后经过自适应阈值分割,得到弱小目标检测结果;
区域显著性度量
本文提出的方法主要针对弱小目标的红外图像,对于人眼而言,弱小目标是红外图像中显著性较高,信息量大的区域。
本文采用信息熵来度量图像区域信息量,图像中某一点(x,y)(x,y)(x,y)的信息熵被定义为H(x,y)H(x,y)H(x,y):
H(x,y)=H(A(x,y))=−∑b=1Kpb(x,y)lgpb(x,y),H(x,y) = H(A(x,y)) = -\sum_{b=1}^K p_b(x,y)lg p_b(x,y), H(x,y)=H(A(x,y))=−b=1∑Kpb(x,y)lgpb(x,y),
其中,A(x,y)A(x,y)A(x,y)表示像素点(x,y)周围的一个局部区域,将该局部区域内的像素值投影到K个区间上,pb(x,y)p_b(x,y)pb(x,y)表示像素值处于区间b的概率。设基于信息熵的显著性区域二值图像为H^(x,y)\hat{H}(x,y)H^(x,y)。
信息熵只考虑了每个区域的灰度统计分布,没有考虑像素的空间分布,实际红外图像中,背景往往呈现出一定的空间相似性,本文提出了一种方法去除图像中相似的区域。
由于在实际图像中,具有相似性的区域往往处于比较接近的位置,而非相隔较远。换言之,像素点的自相似性是由邻近区域决定的。首先,我们给出两个大小相同的区域A1,A2A_1, A_2A1,A2的相似性度量公式:
ρA1,A2=1∣∣A1−A2∣∣22.\rho_{A_1,A_2} = \frac{1}{||A_1 - A_2||_2^2}. ρA1,A2=∣∣A1−A2∣∣221.
整个图像的相似性判别过程分成了两部分:
- 水平方向逐区域计算邻区域间相似度;
- 垂直方向逐区域计算邻区域间相似度;
随后,如果相似度大于等于给定阈值;就认为两个区域相似性很强,这两个区域将被设定为0,即不显著,反之设定为1,即显著。由于有水平和垂直两个方法得到的相似性度量结果,因此最终两个部分将合取,以确定最终的显著性图S^\hat{S}S^。示意图如下:
最后再将基于熵的区域显著性图像和基于局部相似性的区域显著性图像融合(合取),最终就获得了图像的显著性区域RsR_sRs。虽然感觉显著性图计算方法过程简单,但有两个问题:1. 局部区域大小如何设定?2. 相似性阈值如何设定?文中并未给出这两个参数的设置方法。从上图也可以看出来,实际上该方法获得的显著性图效果不太好。
红外弱小目标检测算法
本文采用了一种局部对比度方法(LCM)来进行弱小目标检测。依据弱小目标区域与背景区域的差异性,利用每个像素点与其周围区域像素点的局部对比度值来描述该点。如下图所示:
对于当前帧w,设置滑动窗口为v,将v划分成3x3的更小的patch(图b)。LCM算法的过程如下:
- 计算9个小patch中,0号单元所在patch的最大像素值LnL_nLn;
- 分别计算1-8号单元的平均灰度值mi,i=1,...,8m_i, i = 1, ..., 8mi,i=1,...,8;
- 局部对比度数值为
Cn=miniLn2mi,i=1,...,8C_n = \min_i \frac{L_n^2}{m_i}, i = 1, ..., 8 Cn=iminmiLn2,i=1,...,8
随后将0号单元的中心像素点灰度值用CnC_nCn代替,并计算出当前图像块v所对应的局部对比度数值。在整个图像中重复该过程,可得到与原图像相对应的局部对比度图像C。
LCM 方法是一种像素级操作, 通过计算每个像素点所在区域与周边区域的差异, 来突出弱小目标并抑制背景。 但弱小目标在图像中所占区域不超过0.15%, 如果在整幅图像中计算LCM, 计算量过大, 在不显著的背景区域处理中耗费了大量时间, 不利于实现高效、 准确的弱小目标检测。 研究发现,HVS 中存在注意力转移机制, 会对信息量大、 显著性强的区域进行优先处理。
因此, 提出一种结合区域显著性的局部对比度算法, 利用第1 节中提出的基于图像信息熵和局部相似性度量的方法剔除视觉冗余区域, 保留显著性高的区域, 在该区域中进行LCM 计算, 即区域LCM 策略(PLCM) 。
通过PLCM 的弱小目标检测流程为: 输入一幅待处理的红外图像I , 首先计算基于图像熵的区域显著性图像^H 以及基于局部相似性的区域显著性图像^S , 根据式(4) , 将二者进行融合, 得到最终的区域显著性图像RS ; 其次在区域显著性RS 的范围内计算区域 LCM, 就得到了 PLCM 图像; 最后进行自适应阈值分割, 阈值设定方法为
T=Iˉ+λσIˉT = \bar{I} + \lambda \sigma_{\bar{I}} T=Iˉ+λσIˉ
其中Iˉ\bar{I}Iˉ为区域局部对比度图的均值,σIIˉ\sigma_{I\bar{I}}σIIˉ表示对应的方差,λ\lambdaλ是自适应调节因子,实验中一般取[4.5,7][4.5, 7][4.5,7]。PLCM的过程如下图。
局部对比度结合区域显著性红外弱小目标检测相关推荐
- 《融合视觉显著性和局部熵的红外弱小目标检测》论文复现
1.复现论文概要 复现的论文为<融合视觉显著性和局部熵的红外弱小目标检测>(赵鹏鹏,李庶中等,中国光学2022,http://www.chineseoptics.net.cn/cn/art ...
- 文献精讲-基于双层局部对比度的红外弱小目标检测方法(DLCM)
分享一下个人对于近期读过的一篇文献<基于双层局部对比度的红外弱小目标检测方法>的理解,文献的链接放在文章最后.侵权请联系删除. 一.原理 1.计算目标区域和内层窗口的灰度差d(T,IB)和 ...
- 弱小目标检测跟踪算法研究(3) 基于局部对比度(LCM)的红外弱小目标检测之背景抑制
基于局部对比度(LCM)的红外弱小目标检测之背景抑制 1. 前言 2. 局部对比度(LCM)算法 3. Matlab仿真 4. 小结 1. 前言 红外图像中的弱小目标,目标属性包涵"弱&qu ...
- 2021-03-22 基于视觉显著性的红外弱小目标检测-王警予 |笔记
基于视觉显著性的红外弱小目标检测-王警予 | 阅读笔记 第四章 基于稀疏低秩分解的红外弱小目标检测 key 视觉注意力机制 稀疏低秩分解 针对人类视觉显著性是基于人类视觉注意的特点,将红外图像中显著性 ...
- 红外弱小目标检测算法综述
红外弱小目标检测算法综述 ------ 参考文献: 李俊宏,张萍,王晓玮,黄世泽.红外弱小目标检测算法综述[J].中国图象图形学报,2020,25(09):1739-1753. ------ 依据是否 ...
- 红外弱小目标检测:LoG尺度空间
一.目的 界定红外小目标的尺寸,拒绝多尺度重复计算,算法加速. 利用 LoG尺度空间进行红外弱小目标检测的基本思想如下: 1)当 LoG算子的中心坐标和目标中心坐标重合时,红外弱小目标在 LoG尺度空 ...
- 红外弱小目标检测:常见的评价指标
本文总结红外弱小目标检测领域论文中经常出现的算法评价指标,并对部分评价指标用MATLAB实现. 目前总结的评价指标最为常见,像检测率.ROC曲线这些都要基于大量的实验才能得到数据,进而绘制表格或曲线对 ...
- 红外弱小目标检测之“Infrared Patch-Image Model for Small Target Detection in a Single Image”阅读笔记
Infrared Patch-Image Model for Small Target Detection in a Single Image 原文:Infrared Small Target Det ...
- 弱小目标检测跟踪算法研究(5) 基于顶帽变换(Top_hat)算法的红外弱小目标检测之背景抑制
基于顶帽变换(Top_hat)算法的红外弱小目标检测之背景抑制 1. 前言 2. 顶帽变换(Top_hat)算法 3. Matlab仿真 4. 小结 1. 前言 红外图像中的弱小目标,目标属性包涵&q ...
最新文章
- Java虚拟机垃圾收集算法
- PyTorch核心贡献者开源书:《使用PyTorch进行深度学习》完整版现已发布!
- gcc编译c文件_Linux下C语言程序的编译过程
- CoreData和SQLite多线程访问时的线程安全问题
- Deep Learning基础理论--Classification RBM
- 【测试点4】基础实验4-2.8 部落 (25 分)
- 我的世界基岩版json_我的世界基岩版1.16
- 域乎曹胜虎:传统互联网“生病”了
- 关于 VM Linux操作系统使用 360随身wifi的驱动安装问题
- Oracle分析函数、多维函数和Model函数简要说明,主要针对BI报表统计
- 目前已经学习的一些matlab函数
- 我所理解的 C++ 反射机制
- 关于ReactNative0.56版本Flatlist列表内容跳动的问题
- Linux IO控制命令生成
- PCB 电测试--测试点数自动输出到流程指示中(读取TGZ Stephdr文件)
- 利用js排序html表格
- linux 编译程序的四个过程
- Html页面增加返回顶部图标和隐藏出现
- 微信小程序之移动端适配
- 反射+泛型+注解(demo)
热门文章
- win10系统下Python3.9.0安装Scrapy步骤、所遇问题及解决方法
- 豌豆淘浅谈社群经济,掌握社群流量就是掌握未来!
- Android 使用opencv实现单一背景抠图并且替换背景
- AdobePDF打印机配置信息存储位置
- 【python】程序员最浪漫的表白方式,将情书写在她的照片里
- 如何杀死“顽固不化”的病毒进程。
- Orbitron 卫星追踪软件
- 用计算机绘制v-t图像,(2012泉州)图4(甲)是某物体运动的s-t图像,则图4(乙)中能与之相对应的v-t图像是( )...
- 安卓乐固,360脱壳
- cocos2d中,设置层的可视区域