留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于非线性抗噪声估计的视觉显著性弱小目标检测

陈世琼

陈世琼. 基于非线性抗噪声估计的视觉显著性弱小目标检测[J]. 红外与激光工程, 2022, 51(9): 20210939. doi: 10.3788/IRLA20210939
引用本文: 陈世琼. 基于非线性抗噪声估计的视觉显著性弱小目标检测[J]. 红外与激光工程, 2022, 51(9): 20210939. doi: 10.3788/IRLA20210939
Chen Shiqiong. Visual salient dim small target detection based on nonlinear anti noise estimation[J]. Infrared and Laser Engineering, 2022, 51(9): 20210939. doi: 10.3788/IRLA20210939
Citation: Chen Shiqiong. Visual salient dim small target detection based on nonlinear anti noise estimation[J]. Infrared and Laser Engineering, 2022, 51(9): 20210939. doi: 10.3788/IRLA20210939

基于非线性抗噪声估计的视觉显著性弱小目标检测

doi: 10.3788/IRLA20210939
基金项目: 2020年产学合作协同育人项目(202002259014)
详细信息
    作者简介:

    陈世琼,女,讲师,硕士,主要研究方向为图像处理、大数据采集

  • 中图分类号: TP391; TN911

Visual salient dim small target detection based on nonlinear anti noise estimation

Funds: Industry-university cooperation and collaborative education project(202002259014)
  • 摘要: 针对红外图像处理技术中弱小目标检测的重要性及关键性,提出一种基于非线性抗噪声估计的检测算法来解决高可靠性、高鲁棒性的弱小目标检测问题。提出的方法基于传统视觉显著度算法及空间距离处理方法,对目标及背景区域采用非线性加权方法进行估计,在不显著降低目标信号信噪比的基础上,削弱孤立微小噪声点对检测算法性能的影响,可提高抗噪性能。首先,采用模块化及非线性映射方式预测背景;然后,融入距离相关因子滤除噪声干扰;最后,在处理结束的图像上进行二值化阈值分割,自动检测并向下一级处理软件输出目标位置信息。实验结果表明:提出的算法与近年来先进的弱小目标检测算法相比,在受试者测试曲线上,在相同的虚警率下,可获得更高的检测率,对背景噪声的抑制很明显;在局部信噪比及背景抑制因子的测试比对数据上,提出的算法可获得更高的检测指标。缺点是算法采用了非线性处理技术,运算效率较低,需进一步优化算法以提高计算速度,实现算法的实时目标检测。
  • 图  1  经典LCM算法示意图

    Figure  1.  Schematic diagram of classical LCM algorithm

    图  2  算法流程图

    Figure  2.  Algorithm flow chart

    图  3  原始图像

    Figure  3.  Original image

    图  4  算法检测效果示意图

    Figure  4.  Schematic diagram of detection effect of algorithms

    图  5  实际红外图像及加噪声后图像的ROC曲线

    Figure  5.  ROC curves of real infrared and noised images

    表  1  三种算法的指标对比

    Table  1.   Comparisons of three algorithms

    No. Original imageLCMVSI-SD LCMNLA LCM
    Image sequences 13.2/1.04.5/2.67.3/5.98.1/6.0
    Image sequences 22.1/1.06.5/4.38.3/5.210.6/9.3
    Image sequences 35.0/1.011.8/8.415.0/13.929.5/26.7
    Image sequences 47.9/1.024.1/19.635.1/28.447.3/35.8
    注:表格中数据表示SNR/BF
    下载: 导出CSV

    表  2  三种算法的处理速度对比

    Table  2.   Comparison of processing speed of three algorithms

    No.LCMVSI-SD LCMNLA LCM
    Image sequences 1 0.839 0.592 1.474
    Image sequences 2 0.114 0.367 1.598
    Image sequences 3 0.139 0.770 1.472
    Image sequences 4 0.252 0.270 1.176
    下载: 导出CSV
  • [1] Fan M, Tian S, Liu K, et al. Infrared small target detection based on region proposal and CNN classifer [J]. Signal, Image and Video Processing, 2021, 182: 961-973.
    [2] Ju M, Luo J, Liu G, et al. A real-time small target detection network [J]. Signal, Image and Video Processing, 2021, 15: 1265-1273.
    [3] Peng Chaoliang, Chu Xianwu, Wang Yunming, et al. Small target detection algorithm in remote sensing image based on improved Yolo[C]//IWAMA, 2021: 612-620.
    [4] Zhang Xiaoning, Wang Yuqing, Chen Xiaolu. Multi-path recurrent enhanced salient object detection method [J]. Foreign Electronic Measurement Technology, 2021, 40(5): 1-7. (in Chinese)
    [5] Zhong Lei, Li Yong, Mou Zhiying, et al. Detection method for weak target under unknown strong clutter based on DP-TBD [J]. Systems Engineering and Electronics, 2019, 41(1): 43-49. (in Chinese)
    [6] Li Dexin, Zhong Hong. Infrared dim small target detection algorithm based on difference histogram of oriented gradients and saliency map [J]. Optical Technique, 2021, 47(5): 594-600. (in Chinese)
    [7] Wei Shuigen, Wang Chengwei, Chen Zhen, et al. Infrared dim target detection based on human visual mechanism [J]. Acta Photonica Sinica, 2021, 50(1): 0110001. (in Chinese)
    [8] Cai Wei, Xu Peiwei, Yang Zhiyong, et al. Dim-small targets detection of infrared images in complex backgrounds [J]. Journal of Applied Optics, 2021, 42(4): 643-650. (in Chinese) doi:  10.5768/JAO202142.0402002
    [9] Zhang Xiangyue, Ding Qinghai, Luo Haibo, et al. Infrared dim target detection algorithm based on improved LCM [J]. Infrared and Laser Engineering, 2017, 46(7): 0726001. (in Chinese) doi:  10.3788/IRLA201746.0726001
    [10] Liu Fen, Cheng Yongce, Zheng Yao, et al. Research on the algorithm of infrared dim small target detection based on SCNN [J]. Laser & Infrared, 2021, 51(6): 820-824. (in Chinese) doi:  10.3969/j.issn.1001-5078.2021.06.021
    [11] Tian Wen, Li Suruo. Infrared dim target detection algorithm based on frequency-space domain mapping and multi-scale top-hat transform [J]. Optical Technology, 2018, 44(3): 325-332. (in Chinese)
    [12] Zhou Yuan, Zhang Jianmin, Lin Xiao. Infrared small target detection using weighting LoG operator [J]. Journal of Applied Optics, 2017, 38(1): 114-119. (in Chinese)
    [13] Yang Qili, Zhou Binghong, Zheng Wei, et al. Small infrared target detection based on fully convolutional network [J]. Infrared Technology, 2021, 43(4): 349-356. (in Chinese)
    [14] Ma Yuying, Huang Chengzhang, Huang Yingying, et al. Research of infrared dim and small targets detection technology based on SSD framework [J]. Laser & Infrared, 2021, 51(10): 1342-1347. (in Chinese) doi:  10.3969/j.issn.1001-5078.2021.10.013
    [15] Yu Moran, Luo Haibo, Liu Guangqi, et al. Infrared dim and small target detection network based on spatial attention mechanism [J]. Optics and Precision Engineering, 2021, 29(4): 843-853. (in Chinese) doi:  10.37188/OPE.20212904.0843
    [16] Deng Jianxun, Xiong Zhongyang, Deng Xin. Dim target detection in air based on information fusion [J]. Electronics Optics & Control, 2018, 25(2): 5-10. (in Chinese) doi:  10.3969/j.issn.1671-637X.2018.02.001
    [17] Yang Linna, An Wei, Lin Zaipin, et al. Small target detection based on visual saliency improved by spatial distance [J]. Acta Optica Sinica, 2015, 35(7): 0715004. (in Chinese) doi:  10.3788/AOS201535.0715001
    [18] Zhai Hao, Luo Xiaolin, Wu Linxia, et al. Infrared dim target detection based on improved weighted kernel norm [J]. Laser & Infrared, 2021, 51(6): 776-781. (in Chinese) doi:  10.3969/j.issn.1001-5078.2021.06.014
    [19] Han Jinhui, Dong Xinghao, Jiang Yawei, et al. Infrared small dim target detection based on local contrast mechanism [J]. Infrared Technology, 2021, 43(4): 357-366. (in Chinese)
  • [1] 翟光, 胡圣冉, 孙一勇.  面向天基红外预警的高动态弱小目标LSTM检测方法研究 . 红外与激光工程, 2023, 52(10): 20230010-1-20230010-11. doi: 10.3788/IRLA20230010
    [2] 蔡仁昊, 程宁, 彭志勇, 董施泽, 安建民, 金钢.  基于深度学习的轻量化红外弱小车辆目标检测算法研究 . 红外与激光工程, 2022, 51(12): 20220253-1-20220253-11. doi: 10.3788/IRLA20220253
    [3] 袁帅, 延翔, 张昱赓, 秦翰林.  双邻域差值放大的高动态红外弱小目标检测方法(特邀) . 红外与激光工程, 2022, 51(4): 20220171-1-20220171-11. doi: 10.3788/IRLA20220171
    [4] 蒋昕昊, 蔡伟, 杨志勇, 徐佩伟, 姜波.  基于YOLO-IDSTD算法的红外弱小目标检测 . 红外与激光工程, 2022, 51(3): 20210106-1-20210106-10. doi: 10.3788/IRLA20210106
    [5] 韩金辉, 魏艳涛, 彭真明, 赵骞, 陈耀弘, 覃尧, 李楠.  红外弱小目标检测方法综述 . 红外与激光工程, 2022, 51(4): 20210393-1-20210393-24. doi: 10.3788/IRLA20210393
    [6] 蒋国清, 万烂军.  基于最恰对比度显著性分析的红外弱小目标检测方法 . 红外与激光工程, 2021, 50(4): 20200377-1-20200377-8. doi: 10.3788/IRLA20200377
    [7] 陆福星, 陈忻, 陈桂林, 饶鹏.  背景自适应的多特征融合的弱小目标检测 . 红外与激光工程, 2019, 48(3): 326002-0326002(7). doi: 10.3788/IRLA201948.0326002
    [8] 孙振亚, 刘栋斌, 方伟, 张达.  高密度模块化TDI CCD成像系统设计 . 红外与激光工程, 2018, 47(6): 618001-0618001(8). doi: 10.3788/IRLA201847.0618001
    [9] 吕佳博, 徐熙平, 才存良, 张少军.  基于光纤压力传感器的管道监控系统研究 . 红外与激光工程, 2015, 44(11): 3343-3347.
    [10] 王会改, 李正周, 顾园山, 唐岚, 王臻, 金钢.  基于多尺度自适应稀疏字典的小弱目标检测方法 . 红外与激光工程, 2014, 43(7): 2371-2378.
    [11] 张达.  模块化机载可见近红外焦平面系统 . 红外与激光工程, 2014, 43(8): 2471-2476.
    [12] 遆晓光, 林喆, 陈松林.  基于二维频域投影的弱小运动目标检测方法 . 红外与激光工程, 2013, 42(12): 3447-3452.
    [13] 龚俊亮, 何昕, 魏仲慧, 朱弘, 郭立俊.  采用尺度空间理论的红外弱小目标检测方法 . 红外与激光工程, 2013, 42(9): 2566-2573.
    [14] 黎志华, 李新国.  基于OpenCV的红外弱小运动目标检测与跟踪 . 红外与激光工程, 2013, 42(9): 2561-2565.
    [15] 李超, 陈钱, 顾国华, 钱惟贤.  改进的峰值检测反距离加权插值算法 . 红外与激光工程, 2013, 42(2): 533-536.
    [16] 高陈强, 阎兵早, 李强.  基于非线性映射模型的红外弱小目标图像仿真 . 红外与激光工程, 2013, 42(11): 2919-2924.
    [17] 王亮, 陈涛, 张斌, 刘欣悦, 李宏壮, 张振铎.  薄镜面主动光学力促动器组控制软件系统设计 . 红外与激光工程, 2013, 42(11): 2984-2989.
    [18] 张俊, 刘荣忠, 郭锐, 马晓冬, 赵博博, 邦志辉, 张鹏.  末敏弹稳态扫描段红外特性的实验研究 . 红外与激光工程, 2013, 42(11): 2876-2881.
    [19] 张来线, 孙华燕, 樊桂花, 赵延仲, 郑勇辉.  基于LabVIEW的高性能激光主动探测控制与处理系统设计 . 红外与激光工程, 2013, 42(12): 3239-3244.
    [20] 赵晓, 张伟, 侯晴宇, 巩晋南.  多尺度匹配的红外变分辨率弱小目标检测 . 红外与激光工程, 2013, 42(11): 2913-2918.
  • 加载中
图(5) / 表(2)
计量
  • 文章访问数:  176
  • HTML全文浏览量:  43
  • PDF下载量:  42
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-12-06
  • 修回日期:  2022-02-25
  • 刊出日期:  2022-09-28

基于非线性抗噪声估计的视觉显著性弱小目标检测

doi: 10.3788/IRLA20210939
    作者简介:

    陈世琼,女,讲师,硕士,主要研究方向为图像处理、大数据采集

基金项目:  2020年产学合作协同育人项目(202002259014)
  • 中图分类号: TP391; TN911

摘要: 针对红外图像处理技术中弱小目标检测的重要性及关键性,提出一种基于非线性抗噪声估计的检测算法来解决高可靠性、高鲁棒性的弱小目标检测问题。提出的方法基于传统视觉显著度算法及空间距离处理方法,对目标及背景区域采用非线性加权方法进行估计,在不显著降低目标信号信噪比的基础上,削弱孤立微小噪声点对检测算法性能的影响,可提高抗噪性能。首先,采用模块化及非线性映射方式预测背景;然后,融入距离相关因子滤除噪声干扰;最后,在处理结束的图像上进行二值化阈值分割,自动检测并向下一级处理软件输出目标位置信息。实验结果表明:提出的算法与近年来先进的弱小目标检测算法相比,在受试者测试曲线上,在相同的虚警率下,可获得更高的检测率,对背景噪声的抑制很明显;在局部信噪比及背景抑制因子的测试比对数据上,提出的算法可获得更高的检测指标。缺点是算法采用了非线性处理技术,运算效率较低,需进一步优化算法以提高计算速度,实现算法的实时目标检测。

English Abstract

    • 在图像处理领域,红外目标检测一直是一项非常关键的技术[1]。近年来,随着新技术的不断发展[2-3],也提出了不少红外目标检测性能优良的算法[4]。但是,基于远距离目标信号的微弱性及红外背景的干扰等因素[5],红外弱小目标的检测依然效果欠佳[6]

      远距离目标与成像的噪声非常相似[7],极易误检及漏检[8]。一些学者研究了人类视觉系统的特性,发现人类对于背景中差异非常敏感[9],即使目标与背景差异较小,也可以迅速捕捉到[10]

      张祥越等人[9]提出一种基于改进LCM (Lcoal Contrast Measure)的红外小目标检测算法,提出一种基于中心域与领域灰度对比度的方法,通过计算输入图像的对比度与显著度图,提高对比度的同时抑制了背景杂波。田雯等人[11]提出了一种基于频谱映射与多尺度Top-Hat变换的检测方法,通过分割Top-Hat算子的单一结构元素,获取多尺度膨胀元素,基于低通滤波及傅里叶变换,建立显著性机制,基于二维高斯平滑滤波,定义细显著性检测机制。周苑[12]等人提出一种基于加权LoG算子的红外弱小目标检测方法,通过不同尺度的加权LoG算子完成图像运算,提取响应值最佳的显著性特征图。

      但是,以上这些方法[13]虽然可以在一定程度上提高算法的性能[14],但在抗噪声干扰方面[15]表现不甚理想[16]。文中提出一种基于非线性抗噪声估计的视觉显著性弱小目标检测算法,基于非线性估计的方法对背景块及目标块进行优化估计,并引入了空间距离因素,极大地削弱了噪声对检测算法的影响。实验结果表明,提出的算法在较高的检测率及较低的虚警率的基础上,抗噪声能力有了显著提高。

    • 图1所示为经典LCM算法的过程,A为红外图像,${{{B}}^k}$为滑动块,均分为9块,其中第0块为目标块,1~8为背景块。滑动操作从右至左、从上至下依次遍历图像。计算背景块的均值:

      图  1  经典LCM算法示意图

      Figure 1.  Schematic diagram of classical LCM algorithm

      $$ {\hat b_l}^{k - {\text{LCM}}}{\text{ = }}\sum\limits_{i = 1}^M {\sum\limits_{j = 1}^M {A_{i,j}^k} } /M,l = 1,\cdots,8 $$ (1)

      定义经典LCM算法的异常检测指标:

      $$ C_{{\text{LCM}}}^k = \mathop {\min }\limits_l \frac{{{{\left( {{L^k}} \right)}^2}}}{{\hat b_l^{k - {\text{LCM}}}}} $$ (2)

      式中:$ {L^k} $为第k滑动块中目标块(即第0模块)的强度最大值。

      基于经典LCM算法的特点可知,该方法通过对比度值的加权提高信噪比和检测概率。但依然存在两个缺点:(1)虚警点会增加,这是由于取极大值的局限性导致,当噪声为孤立点且值较大时,由于对比度较大,使用滑动窗口计算时会得到一片局部虚警区域;(2)鲁棒性较差,当噪声较强时,由于目标块中采用的是取极大值方式计算,因此,经典LCM算法极易受噪声干扰,文献提出一种基于空间距离改进的视觉显著性弱小目标检测算法(简称VSI-SD LCM),可以有效改善经典LCM算法的以上两个缺点。这种方法考虑视觉注意机制中的空间关系,根据欧几里德距离加权处理,给远距离区域分配较小的权值,得到了较好的效果。但是,这种改良的方法是一种线性滤波方法,在抑制孤立噪声点时效果依然还有待进一步提高。

    • 人眼进行异常检测的机制为:视窗内孤立噪声点不影响人类对整体区域亮度的判定,该机制对于背景中有效分离弱小目标特别有启发意义。综合考虑VSI-SD LCM算法的一些缺点,并参考人眼生物视觉方面的一些优势,提出一种基于非线性抗干扰滤波的视觉显著性弱小目标检测算法(简称NLA LCM),图2为算法流程图。

      图  2  算法流程图

      Figure 2.  Algorithm flow chart

      图2中,在VSI-SD LCM算法的基础上,设置滑动窗口在图像中进行移动窗口滤波。窗口将图像ROI内容分为两部分—目标模块及背景模块。定义提出算法的异常检测指标:

      $$ C_{{\text{NLA LCM}}}^k = \frac{{{\hat b_0}^k}}{{\hat b_{other}^k}} $$ (3)

      式中:${ \hat b}_{other}^k$为背景块的非线性估计值;${\hat b}_0^k$为第k个滑动块中目标块的非线性估计值(见图2),公式为:

      $$ \hat b_0^k{\text{ = }}{\varTheta _{\text{0}}}\left( {A_{i,j}^k} \right) $$ (4)

      式中:$\varTheta$为求中值运算符;$ {A_{i,j}^k} $为图像在坐标ij上的强度值,图像块为第k点的第0目标图像块,采用排序的方式排列像素强度值,并取中值。

      基于目标块和背景块估计值定义的异常检测指标,可有效削弱噪声影响。背景块的非线性估计值的计算式为:

      $$ {\hat b}_{other}^k{\text{ = }}\varTheta \left( {q_l^k \cdot {\hat b}_l^k} \right),l = 1,\cdots,8 5 $$ (5)

      式中:l表示剩余的8个背景块的序号;$ q_l^k $为第l块的权值,与距离中心像素块的欧几里德距离相关,成反比;${\hat b}_l^k$为第l背景块的强度非线性估计值,表达式如下:

      $$ {\hat b}_l^k{\text{ = }}{\varTheta _l}\left( {A_{i,j}^k} \right) $$ (6)

      构建基于中值的公式计算的原因是,有效避免噪声点对不同的背景像素块的影响,消除背景像素块的估计偏差,降低噪声对视觉显著性的影响。但基于均值加权的方法并不能完全消除噪声的影响,仅仅只能降低对异常指标检测的影响。而基于中值排序的方法是一种非线性的方法,在对抗噪声方面优势很大。

      使用距离的优势是基于HVS考虑,对比度的表现不仅与强度值相关,而且与距离相关,且距离越远,相关性越小。计算公式如下:

      $$ q_l^k{{ = }}q_l^k{\rm{ = }}\dfrac{{1/d_l^k}}{{\displaystyle\sum\limits_{k = 1}^8 {1/d_l^k} }} $$ (7)

      式中:$ d_l^k $为第k个背景像素块中心像素点与第0块目标像素块中心之间的欧几里德距离。

      最后,对显著性图进行自适应阈值分割,可以分割出目标,公式如下:

      $$ T{\text{ = }}E{\text{ + }}\lambda D 8 $$ (8)

      式中:ED分别为局部区域的图像灰度期望值和标准差值;$ \lambda $为人工设置的权值系数。实验表明窗口与目标尺度必须匹配,为目标大小的3倍左右较宜。

    • 实验采用512×480 pixel的图像进行测试。算法采用Matlab软件编写,配置为3 GHz Intel i5处理器双核电脑完成处理,背景图像选用天空背景、海洋背景、地面背景以及海天背景。定义信噪比SNR为局部区域目标的灰度均值比背景的灰度均值。使用文中提出的NLA LCM算法、经典LCM算法和VSI-SD LCM[17]算法进行比较。

      考虑红外成像系统的点扩散效应,理想目标点成像后会模糊,呈高斯分布。目标点的大小约为3×3 pixel,如图3所示。文中对三种算法均选取滑动窗口的大小为15×15 pixel,即目标块窗口大小为5×5 pixel。

      图  3  原始图像

      Figure 3.  Original image

      在目标检测效果上,NLA LCM算法和VSI-SD LCM算法检测效果较佳,而经典LCM算法会增加目标检测的虚警点。

      进一步,使用信噪比及背景噪声抑制因子定量描述三种算法的检测结果[18-19],定义如下:

      $$ {{SNR = }}\frac{{\overline {{{{I}}_{{S}}}} }}{{{\sigma _{{N}}}}} $$ (9)
      $$ {{BF = }}\frac{{{\sigma _{{B}}}}}{{{\sigma _{{A}}}}} $$ (10)

      式中:SNR为信噪比;$\overline {{{{I}}_{{S}}}}$为目标信号的均值;${\sigma _{{N}}}$为背景噪声的标准差;BF为背景抑制因子;${\sigma _{{B}}}$为背景噪声在算法处理前的标准差;${\sigma _{{N}}}$为背景噪声在算法处理后的标准差。

      图4为在红外海背景图像中进行目标检测的效果对比图。其中图(a)为原始图像,目标在图3中已标注出。如果不标注出目标位置,不经提示,人眼很难明显分辨出目标与海背景中的杂波干扰。图(b1)~(b3)分别为传统LCM算法、VSI-SD LCM算法以及文中提出的NLA LCM算法参与检测的显著图。可见前两种算法对背景杂波及干扰噪声的抑制能力有限。目标依然很难从背景中分离出来,而文中提出算法在显著图中明显效果强于其他两种算法,能够有效抑制背景噪声。图(c1)~(c3)分别为传统LCM算法、VSI-SD LCM算法以及文中提出的NLA LCM算法显著图进行二值化后的图像。很明显,最易检测目标的图像为图(c3),目标与杂波及干扰被有效区分,检测目标难度最小,验证了提出算法的有效性。

      图  4  算法检测效果示意图

      Figure 4.  Schematic diagram of detection effect of algorithms

      表1所示为4组图像的信噪比及背景噪声抑制因子使用三种算法处理后的指标对比,通过对比,文中提出的NLA LCM算法处理后信噪比得到了较大改善,背景抑制能力也最强。

      表 1  三种算法的指标对比

      Table 1.  Comparisons of three algorithms

      No. Original imageLCMVSI-SD LCMNLA LCM
      Image sequences 13.2/1.04.5/2.67.3/5.98.1/6.0
      Image sequences 22.1/1.06.5/4.38.3/5.210.6/9.3
      Image sequences 35.0/1.011.8/8.415.0/13.929.5/26.7
      Image sequences 47.9/1.024.1/19.635.1/28.447.3/35.8
      注:表格中数据表示SNR/BF

      为进一步验证算法性能,使用ROC曲线进行进一步评价。该曲线以虚警率和检测率作为横纵坐标绘制,描述了目标检测性能。

      使用真实的红外图像进行评价结果如图5(a)所示,加噪声后结果如图5(b)所示。可见,在真实红外图像中,检测性能以文中提出的NLA LCM算法为最佳,具备较高的检测率和较低的虚警率。加噪声后,NLA LCM算法性能下降较慢,但VSI-SD LCM算法及经典LCM算法性能下降严重,验证了文中提出算法的抗噪声能力较强。

      图  5  实际红外图像及加噪声后图像的ROC曲线

      Figure 5.  ROC curves of real infrared and noised images

      针对提出算法的处理速度进行对比,依然在四组图像中测试处理速度,如表2所示。可见,提出算法的速度明显比其他两种算法慢,需在软硬件上进行大量优化,提升其实时性能,才能满足需求。

      表 2  三种算法的处理速度对比

      Table 2.  Comparison of processing speed of three algorithms

      No.LCMVSI-SD LCMNLA LCM
      Image sequences 1 0.839 0.592 1.474
      Image sequences 2 0.114 0.367 1.598
      Image sequences 3 0.139 0.770 1.472
      Image sequences 4 0.252 0.270 1.176
    • 文中提出了一种基于非线性抗干扰滤波的视觉显著性弱小目标检测算法,在传统LCM算法及基于空间距离改进的视觉显著性弱小目标检测算法基础上,对目标及背景块的估计采用非线性加权方法,充分减小孤立噪声点对算法检测性能的影响,对抗噪声性能提升较大。实验结果表明,提出的方法不仅可以提高目标检测的信噪比,而且可以充分降低算法虚警率,在抗噪声干扰方面性能好。但是算法由于采用非线性方法处理,因此,处理速度方面劣势较大。如何提高算法的实时性是接下来的研究方向。

参考文献 (19)

目录

    /

    返回文章
    返回