1.本发明涉及一种利用多方向梯度的红外弱小目标检测方法，涉及数字图像处理领域。
背景技术：2.红外弱小目标检测是数字图像处理中的一项重要课题，广泛应用于各个领域，包括红外搜索系统、跟踪系统、空天防御系统等。由于成像距离长，目标较弱，信杂比低，缺少形状、纹理结构等特征，检测难度高，同时在实际应用中，对算法运行时间有较高要求。为了快速实现弱小目标的检测，本发明提出了一种基于多方向梯度的红外弱小目标检测方法。
技术实现要素：3.本发明要解决的技术问题为：克服现有技术的不足，提供一种基于多方向梯度的红外弱小目标检测方法。
4.本发明解决上述技术问题采用的技术方案为：
5.一种基于多方向梯度的红外弱小目标检测方法，该方法包括：
6.利用facet模型计算图像各个方向邻域内的一阶偏导数以得到方向梯度；根据方向梯度寻找各方向的目标位置，融合各方向的目标位置的信息确定目标候选点；对每个方向的目标进行增强，同时抑制背景，得到各个方向的目标候选点显著图，将各个方向的目标候选点显著图融合得到最终显著图；根据最终显著图进行阈值分割提取目标。
7.进一步的，利用facet模型计算图像各个方向5x5邻域内的一阶偏导数，其中，所述facet模型将5x5邻域图像用一个多项式函数拟合，表达式如下：
8.f(r，c)＝b0+b1r+b2c+b3(r
2-2)+b4rc+b5(c
2-2)+b6(r
3-17r/5)+b7(r
2-2)c+b8r(c
2-2)+b9(c
3-17c/5)
9.其中，r，c分别为5x5邻域图像内的行列坐标，bi(i＝0，1，
…
，9)为拟合系数，水平方向角α上的一阶导数为：
[0010][0011]
其中，
[0012][0013]
进一步的，所述bi通过下式得到：
[0014][0015]
其中，代表卷积运算，i为原图像，wi如下表示：
[0016]
[0017][0018][0019][0020]
通过以上表达式可计算图像在四个方向0
°
，45
°
，90
°
，135
°
上的导数图f
′0，f
′
45
，f
′
90
，f
′
135
。
[0021]
进一步的，根据方向梯度寻找目标位置，融合各方向的目标位置信息确定目标候选点，具体包括：
[0022]
在f
′0中，沿着当前点的0度方向，向左寻找离当前点最近的波峰并且波峰到当前点的值单调递减，得到距离dis_left，向右寻找当前点最近的波谷并且波谷到当前点的值单调递增，得到距离dis_right，如果此时dis_left＞0，dis_right＞0，并且dis_left与dis_right的差值绝对值在3以内，则认为当前点在0度方向是目标点；
[0023]
在f
′
45
中，沿着当前点的45度方向，向左上方寻找离当前点最近的波峰并且波峰到当前点的值单调递减，得到x方向距离dis_left，y方向距离dis_up，向右下方寻找当前点最近的波谷并且波谷到当前点的值单调递增，得到x方向距离dis_right，y方向距离dis_down，如果此时(dis_left+dis_up)＞0以及(dis_right+dis_down)＞0，并且(dis_left+dis_up)与(dis_right+dis_down)的差值绝对值在3以内，则认为当前点在45度方向是目标点；
[0024]
在f
′
90
中，沿着当前点的90度方向，向上寻找离当前点最近的波峰并且波峰到当前点的值单调递减，得到y方向距离dis_up，向下寻找当前点最近的波谷并且波谷到当前点的值单调递增，得到y方向距离dis_down，如果此时dis_up＞0以及dis_down＞0，并且dis_up与dis_down的差值绝对值在3以内，则认为当前点在90度方向是目标点；
[0025]
在f
′
135
中，沿着当前点的135度方向，向右上方寻找离当前点最近的波峰并且波峰到当前点的值单调递减，得到x方向距离dis_right，y方向距离dis_up，向左下方寻找当前点最近的波谷并且波谷到当前点的值单调递增，得到x方向距离dis_left，y方向距离dis_down，如果此时(dis_right+dis_up)＞0以及(dis_left+dis_down)＞0，并且(dis_right+dis_up)与(dis_left+dis_down)的差值绝对值在3以内，则认为当前点在135度方向是目标点；
[0026]
如果当前点在0度、45度、90度和135度方向上都是目标点，则认为该点为目标候选点。
[0027]
进一步的，对每个方向的目标进行增强，同时抑制背景，得到各个方向的目标点显著图，将各个方向的目标点显著图融合得到最终显著图，具体包括：
[0028]
在四个方向0
°
，45
°
，90
°
，135
°
上，对每一个目标候选点，根据上一步得到的波峰和波谷位置，计算波峰位置3x3邻域内的标准差s1，波谷位置3x3邻域内的标准差s2，波峰位置
的梯度值与波谷位置梯度值之差d，得到目标候选点显著图tk＝(s1k+s2k)
·dk
，k代表每一个方向，融合各方向的目标候选点显著图，得到最终显著图：
[0029]
进一步的，根据最终显著图提取目标，具体包括：
[0030]
通过阈值分割提取目标，首先计算阈值：
[0031]
thresh＝mean+3/8
·
(max-mean)
[0032]
其中，mean为最终显著图上非0点的均值，max为最终显著图的最大值，对大于阈值的点计算质心，得到最终目标位置。
[0033]
本发明的有益效果如下：
[0034]
1、本发明特别适用于红外弱小目标在复杂场景下的检测，通过筛选目标候选点可以有效降低虚警率，通过各方向显著图融合可以有效地抑制背景，增强目标，提高目标检测率；
[0035]
2、本发明鲁棒性强，不易受噪点、背景杂波等影响；
[0036]
3、本发明采用的模型简单，运算复杂度低，运算速度快，适用于对实时性要求高的各种检测跟踪系统。
附图说明
[0037]
图1为本发明中基于facet模型四个方向的一阶导数图；
[0038]
图2为本发明一种基于多方向梯度的红外弱小目标检测方法流程图；
[0039]
图3为本发明在天空复杂背景下红外弱小目标的检测结果，其中(a)-(f)分别是原始图像、导数图、目标候选点图、各方向显著图、最终显著图和检测结果，小目标在原始图像上由方框标记；
[0040]
图4为本发明在海面复杂背景下红外弱小目标的检测结果，其中(a)-(f)分别是原始图像、导数图、目标候选点图、各方向显著图、最终显著图和检测结果，小目标在原始图像上由方框标记。
具体实施方式
[0041]
下面结合附图以及具体实施方式进一步说明本发明。
[0042]
如图2所示，本发明一种基于多方向梯度的红外弱小目标检测方法，具体包括如下步骤：
[0043]
第一步，facet模型将5x5邻域图像用一个多项式函数拟合，表达式如下：
[0044]
f(r，c)＝b0+b1r+b2c+b3(r
2-2)+b4rc+b5(c
2-2)+b6(r
3-17r/5)+b7(r
2-2)c+b8r(c
2-2)+b9(c
3-17c/5)
[0045]
其中，r，c分别为5x5邻域图像内的行列坐标，bi(i＝0，1，
…
，9)为拟合系数，水平方向角α上的一阶导数为：
[0046][0047][0048]
[0049]
其中，
[0050][0051]
为卷积运算，i为原图像，wi如下：
[0052][0053][0054][0055][0056]
通过以上表达式可计算图像在四个方向(0
°
，45
°
，90
°
，135
°
)上的导数图(f
′0，f
′
45
，f
′
90
，f
′
135
)，如图1所示。
[0057]
第二步，沿着方向梯度寻找目标位置，根据各个方向的目标位置确定目标候选点。
[0058]
在f
′0中，沿着当前点(r，c)的0度方向，向左寻找离当前点最近的波峰(r
max
，c
max
)并且从f
′0(r
max
，c
max
)到f
′0(r，c)单调递减，得到距离dis_left，否则dis_left＝0，向右寻找当前点最近的波谷(r
min
，c
min
)并且从f
′0(r
min
，c
min
)到f
′0(r，c)单调递增，得到距离dis_right，否则dis_right＝0，如果此时dis_left＞0，dis_right＞0，并且dis_left与dis_right的差值绝对值在3以内，则认为当前点在0度方向是目标点；
[0059]
在f
′
45
中，沿着当前点(r，c)的45度方向，向左上方寻找离当前点最近的波峰(r
max
，c
max
)并且从f
′
45
(r
max
，c
max
)到f
′
45
(r，c)单调递减，得到x方向距离dis_left，y方向距离dis_up，否则dis_left＝0，dis_up＝0，向右下方寻找当前点最近的波谷(r
min
，c
min
)并且从f
′
45
(r
min
，c
min
)到f
′
45
(r，c)单调递增，得到x方向距离dis_right，y方向距离dis_down，否则dis_right＝0，dis_down＝0，如果此时(dis_left+dis_up)＞0以及(dis_right+dis_down)＞0，并且(dis_left+dis_up)与(dis_right+dis_down)的差值绝对值在3以内，则认为当前点在45度方向是目标点；
[0060]
在f
′
90
中，沿着当前点(r，c)的90度方向，向上寻找离当前点最近的波峰(r
max
，c
max
)并且从f
′
90
(r
max
，c
max
)到f
′
90
(r，c)单调递减，得到y方向距离dis_up，否则dis_up＝0，向下寻找当前点最近的波谷(r
min
，c
min
)并且从f
′
90
(r
min
，c
min
)到f
′
90
(r，c)单调递增，得到y方向距离dis_down，否则dis_down＝0，如果此时dis_up＞0以及dis_down＞0，并且dis_up与dis_down的差值绝对值在3以内，则认为当前点在90度方向是目标点；
[0061]
在f
′
135
中，沿着当前点(r，c)的135度方向，向右上方寻找离当前点最近的波峰(r
max
，c
max
)并且从f
′
135
(r
max
，c
max
)到f
′
135
(r，c)单调递减，得到x方向距离dis_right，y方向距离dis_up，否则dis_right＝0，dis_up＝0，向左下方寻找当前点最近的波谷(r
min
，c
min
)并
且从f
′
135
(r
min
，c
min
)到f
′
135
(r，c)单调递增，得到x方向距离dis_left，y方向距离dis_down，否则dis_left＝0，dis_down＝0，如果此时(dis_right+dis_up)＞0以及(dis_left+dis_down)＞0，并且(dis_right+dis_up)与(dis_left+dis_down)的差值绝对值在3以内，则认为当前点在135度方向是目标点；
[0062]
如果当前点在0度、45度、90度和135度方向上都是目标点，则认为该点为目标候选点。
[0063]
第三步，计算显著性图。
[0064]
在四个方向(0
°
，45
°
，90
°
，135
°
)上，对每一个目标候选点，根据上一步得到的波峰和波谷位置，计算导数图中波峰位置3x3邻域内的标准差s1，波谷位置3x3邻域内的标准差s2，波峰位置的梯度值与波谷位置梯度值之差d，得到显著性图tk＝(s1k+s2k)
·dk
，k代表每一个方向，融合各方向显著性图，得到最终显著性图：
[0065]
第四步，根据显著性图提取目标。
[0066]
通过阈值分割提取目标，首先计算阈值：
[0067]
thresh＝mean+3/8
·
(max-mean)
[0068]
其中，mean为显著性图非0点的均值，max为最大值，对大于阈值的点计算质心，得到最终目标位置。
[0069]
在图3中，(a)是原图，(b)为四个方向上的导数图，(c)中白色的点为目标候选点，(d)为四个方向上的显著图，(e)为各方向融合后的最终显著图，根据最终显著图，可得到检测结果(f)。
[0070]
图4与图3同理。
[0071]
本发明未详细阐述的部分属于本领域公知技术。以上所述的实施例仅是对本发明的优选实施方式进行描述，优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
技术特征：1.一种基于多方向梯度的红外弱小目标检测方法，其特征在于，该方法包括：利用facet模型计算图像各个方向邻域内的一阶偏导数以得到方向梯度；根据方向梯度寻找各方向的目标位置，融合各方向的目标位置的信息确定目标候选点；对每个方向的目标进行增强，同时抑制背景，得到各个方向的目标候选点显著图，将各个方向的目标候选点显著图融合得到最终显著图；根据最终显著图进行阈值分割提取目标。2.根据权利要求1所述的一种基于多方向梯度的红外弱小目标检测方法，其特征在于，利用facet模型计算图像各个方向5x5邻域内的一阶偏导数，其中，所述facet模型将5x5邻域图像用一个多项式函数拟合，表达式如下：f(r，c)＝b0+b1r+b2c+b3(r
2-2)+b4rc+b5(c
2-2)+b6(r
3-17r/5)+b7(r
2-2)c+b8r(c
2-2)+b9(c
3-17c/5)其中，r,c分别为5x5邻域图像内的行列坐标，b
i
(i＝0，1，
…
，9)为拟合系数，水平方向角α上的一阶导数为：其中，其中，3.根据权利要求2所述的一种基于多方向梯度的红外弱小目标检测方法，其特征在于，所述b
i
通过下式得到：其中，代表卷积运算，i为原图像，w
i
如下表示：如下表示：如下表示：如下表示：通过以上表达式可计算图像在四个方向0
°
，45
°
，90
°
，135
°
上的导数图f
′0，f
′
45
，f
′
90
，f
′
135
。4.根据权利要求3所述的一种基于多方向梯度的红外弱小目标检测方法，其特征在于，根据方向梯度寻找目标位置，融合各方向的目标位置信息确定目标候选点，具体包括：在f
′0中，沿着当前点(r,c)的0度方向，向左寻找离当前点最近的波峰(r
max
,c
max
)并且从
波峰值f'0(r
max
,c
max
)到当前点值f'0(r,c)单调递减，则得到距离dis_left，否则dis_left＝0，向右寻找当前点最近的波谷(r
min
,c
min
)并且从波谷值f'0(r
min
,c
min
)到当前点值f'0(r,c)单调递增，得到距离dis_right，否则dis_right＝0，如果此时dis_left>0，dis_right>0，并且dis_left与dis_right的差值绝对值在3以内，则认为当前点在0度方向是目标点；在f
′
45
中，沿着当前点(r,c)的45度方向，向左上方寻找离当前点最近的波峰(r
max
,c
max
)并且从波峰值f'
45
(r
max
,c
max
)到当前点值f'
45
(r,c)单调递减，得到x方向距离dis_left，y方向距离dis_up，否则dis_left＝0，dis_up＝0，向右下方寻找当前点最近的波谷(r
min
,c
min
)并且从波谷值f'
45
(r
min
,c
min
)到当前点值f'
45
(r,c)单调递增，得到x方向距离dis_right，y方向距离dis_down，否则dis_right＝0，dis_down＝0，如果此时(dis_left+dis_up)>0以及(dis_right+dis_down)>0，并且(dis_left+dis_up)与(dis_right+dis_down)的差值绝对值在3以内，则认为当前点在45度方向是目标点；在f
′
90
中，沿着当前点(r,c)的90度方向，向上寻找离当前点最近的波峰(r
max
,c
max
)并且从波峰值f'
90
(r
max
,c
max
)到当前点值f'
90
(r,c)单调递减，得到y方向距离dis_up，否则dis_up＝0，向下寻找当前点最近的波谷(r
min
,c
min
)并且从波谷值f'
90
(r
min
,c
min
)到当前点值f'
90
(r,c)单调递增，得到y方向距离dis_down，否则dis_down＝0，如果此时dis_up>0以及dis_down>0，并且dis_up与dis_down的差值绝对值在3以内，则认为当前点在90度方向是目标点；在f
′
135
中，沿着当前点(r,c)的135度方向，向右上方寻找离当前点最近的波峰(r
max
,c
max
)并且从波峰值f'
135
(r
max
,c
max
)到当前点值f'
135
(r,c)单调递减，得到x方向距离dis_right，y方向距离dis_up，否则dis_right＝0，dis_up＝0，向左下方寻找当前点最近的波谷(r
min
,c
min
)并且从波谷值f'
135
(r
min
,c
min
)到当前点值f'
135
(r,c)单调递增，得到x方向距离dis_left，y方向距离dis_down，否则dis_left＝0，dis_down＝0，如果此时(dis_right+dis_up)>0以及(dis_left+dis_down)>0，并且(dis_right+dis_up)与(dis_left+dis_down)的差值绝对值在3以内，则认为当前点在135度方向是目标点；如果当前点在0度、45度、90度和135度方向上都是目标点，则认为该点为目标候选点。5.根据权利要求1所述的一种基于多方向梯度的红外弱小目标检测方法，其特征在于，对每个方向的目标进行增强，同时抑制背景，得到各个方向的目标点显著图，将各个方向的目标点显著图融合得到最终显著图，具体包括：在四个方向0
°
，45
°
，90
°
，135
°
上，对每一个目标候选点，根据上一步得到的波峰和波谷位置，计算波峰位置3x3邻域内的标准差s1，波谷位置3x3邻域内的标准差s2，波峰位置的梯度值与波谷位置梯度值之差d，得到目标候选点显著图t
k
＝(s1
k
+s2
k
)
·
d
k
，k代表每一个方向，融合各方向的目标候选点显著图，得到最终显著图：6.根据权利要求1所述的一种基于多方向梯度的红外弱小目标检测方法，其特征在于，根据最终显著图提取目标，具体包括：通过阈值分割提取目标，首先计算阈值：thresh＝mean+3/8
·
(max-mean)其中，mean为最终显著图上非0点的均值，max为最终显著图的最大值，对大于阈值的点
计算质心，得到最终目标位置。
技术总结本发明公开了一种基于多方向梯度的红外弱小目标检测方法，首先，利用Facet模型计算原始图像各方向梯度，然后在每一个方向上，沿着方向梯度寻找波峰和波谷，根据当前点与波峰和波谷的距离确定当前点是否为目标点，融合各方向的目标点信息得到最终目标位置候选点；根据目标位置候选点信息，对目标进行增强，同时抑制背景，计算各方向显著性图，最后将各方向显著图融合得到最终显著图，根据显著性图分割出目标。本发明可广泛应用于红外图像的弱小目标检测。检测。检测。
技术研发人员：刘佳 戴国民 黄建元 魏宇星
受保护的技术使用者：中国科学院光电技术研究所
技术研发日：2022.07.25
技术公布日：2022/11/1
