一种结合多信息和噪声预测的鲁棒红外小目标检测方法
文献发布时间:2023-06-19 19:30:30
技术领域
本发明涉及一种结合多信息和噪声预测的鲁棒红外小目标检测方法。
背景技术
红外弱小目标检测技术是军事目标检测领域中重要的应用技术之一。红外图像中目标的红外辐射穿透力强,红外辐射不容易被云层吸收,不易受天气和环境干扰。红外检测系统具有抗干扰能力强、机型小且便于安装、恶劣环境下能够全天候工作等优点。因此红外弱小目标检测技术被广泛应用于军事目标检测领域。如应用于防空预警、导弹拦截、导弹制导、伪装搜寻、卫星遥感等重要任务。
目前,红外弱小目标检测传统方法和深度学习方法对大部分红外图像场景具有较高的准确率和较低的漏检率。但是红外弱小目标缺乏颜色、轮廓、纹理等特征,在背景复杂和噪声干扰的情况下,现有红外弱小目标检测方法的漏检率和误检率仍有待进一步降低。
发明内容
基于此,本发明提出了一种结合多信息和噪声预测的鲁棒红外小目标检测方法,能够实现精确的红外小目标检测,并在检测概率和误检率之间取得良好的平衡,首先设计一个用于从输入红外图像中提取多尺度特征的梯度和上下文信息提取模块,该模块捕获多个信息以识别红外小目标,然后,提出噪声预测网络来对背景噪声进行建模,这有助于区分目标和噪声,最后,规划区域定位分支,为目标检测提供额外的位置信息,这能够进一步提高检测概率,并减少误检率。
本发明提供一种结合多信息和噪声预测的鲁棒红外小目标检测方法,包括以下步骤:
步骤S1:输入红外图像;
步骤S2:定义梯度和上下文信息提取模块;
步骤S3:定义噪声预测网络,所述噪声预测网络用于预测输入红外图像的噪声分布概率;
步骤4:构建区域定位分支;
步骤5:将所有信息输入解码器:将步骤2、步骤3以及步骤4中的输出的特征图输入到解码器中,解码器将所有的特征图进行解码以生成最终的结果;
步骤6:解码器输出最终的分割的Mask图。
进一步的,所述步骤S2通过梯度和上下文信息提取模块,所述模块包括两个中心差分卷积层和一个交叉注意力模块,首先特征图通过第一个中心差分卷积层;然后通过第二个中心差分卷积层,其为扩张率为2的扩张卷积,其用于增加模型的感受野;最后通过交叉注意力模块,其用于提取上下文信息;中心差分卷积是用于梯度提取的更好的卷积,在卷积过程中,整个卷积区域中的像素减去中心像素值,然后执行标准卷积,中心差分卷积的输出y可以由以下公式计算:
式(1)中p
式(2)中c
进一步的,所述步骤S3的噪声预测网络首先通过BayarConv层来增强输入红外图像中操纵区域和真实区域之间的噪声不一致性,所述BayarConv通过以下公式来实现:
公式(3)中,W
N
其中I
进一步的,所述步骤4的构建区域定位分支首先通过接收骨干网络输出的最小分辨率特征图,所提出的区域定位网络使用3×3卷积层来生成单通道特征图,然后通过S形函数生成目标位置概率特征图,最后采用分割阈值来预测输入红外图像的哪个感受野可能包括物体,并根据以下判断标准实现红外目标的粗略定位掩模:
其中P(i)表示第i个感受野可能包含目标的概率,M(i)是位置掩模M中第i个感受野的分割结果,符号ε表示在本文中设置为ε=0.6的分割阈值。
与现有技术相比,本发明的优势如下:
本发明的结合多信息和噪声预测的鲁棒红外小目标检测方法,首先使用梯度和上下文信息提取模块捕获多种不同尺度的梯度和上下文信息以识别红外小目标,然后使用噪声预测网络来对背景噪声进行建模,这有助于区分目标和噪声,最后,我们使用一个区域定位分支,为目标检测提供额外的位置信息,这能够进一步提高检测概率,并减少误检率。
附图说明
图1为红外弱小目标数据集中的一张图像;
图2为梯度与上下文信息提取模块结构图;
图3为噪声预测网络结构图;
图4为区域定位分支结构图;
图5为一种结合多信息和噪声预测的鲁棒红外小目标检测方法结构图;
图6为模型预测的结果图。
具体实施方法
下面将结合本发明实例中的附图,对本发明实例中的技术方案进行清楚、完整的描述,所描述的实例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1-图6,本发明提供一种结合多信息和噪声预测的鲁棒红外小目标检测方法,包括以下步骤:
步骤1、输入红外弱小目标数据集中的一张图像(如图1所示);
步骤2、定义梯度和上下文信息提取模块:
本专利提出了梯度和上下文信息提取模块(如图2所示),以便我们的模型能够通过梯度和上下文的信息更好地理解红外小目标和红外背景。该模块包括两个中心差分卷积层和一个交叉注意力模块。首先特征图通过第一个中心差分卷积层,然后通过第二个中心差分卷积层,其为扩张率为2的扩张卷积,其目的是增加模型的感受野,最后通过交叉注意力模块,其目的在于提取上下文信息。中心差分卷积是用于梯度提取的更好的卷积,与标准卷积不同。在卷积过程中,整个卷积区域中的像素减去中心像素值,然后执行标准卷积。中心差分卷积的输出y可以由以下公式计算:
式(1)中p
式(2)中c
步骤3、定义噪声预测网络:
除了红外小目标的固有局限性(尺寸极小且缺乏结构特征)之外,背景噪声也是当前红外弱小目标检测方法的一个重大挑战。尽管许多研究致力于开发各种噪声抑制策略来克服背景噪声引起的负面干扰,但大多数现有方法都是针对特定场景而设计的。这严重限制了现有的红外弱小目标检测方法在不同场景下实现良好性能。
我们设计了一个噪声预测网络来预测输入红外图像的噪声分布概率(如图3所示)。噪声预测网络首先采用BayarConv层来增强输入红外图像中操纵区域和真实区域之间的噪声不一致性。具体而言,BayarConv通过以下公式来实现:
公式(3)中,W
N
其中I
步骤4、构建区域定位分支:
通常,更丰富的特征信息有利于提高红外目标的检测概率。然而,由于红外小目标通常只占据输入图像的极小区域,冗余信息可能会增加误检率。为了抑制背景干扰并在检测概率和误检率之间取得良好的平衡,我们设计了一个区域定位分支来预测红外目标的位置Mask(如图4所示)。通过接收骨干网络输出的最小分辨率特征图,所提出的区域定位网络使用3×3卷积层来生成单通道特征图。然后,通过S形函数生成目标位置概率特征图。最后,我们采用分割阈值来预测输入红外图像的哪个感受野可能包括物体,并根据以下判断标准实现红外目标的粗略定位掩模:
其中P(i)表示第i个感受野可能包含目标的概率,M(i)是位置掩模M中第i个感受野的分割结果。符号ε表示在本文中设置为ε=0.6的分割阈值。我们直接使用骨干网络的输出特征图来预测目标的概率特征图,然后使用分割阈值来获得最终的粗略位置掩模。所提出的区域定位分支能够更好地克服背景干扰,并在检测概率和误检率之间实现良好的平衡。
步骤5、将所有信息输入解码器:
将步骤2、步骤3和步骤4中的输出的特征图输入到解码器中,解码器将所有的特征图进行解码以生成最终的结果(如图5所示)。
步骤6、解码器输出最终的分割的Mask图(如图6所示)。本发明的结合多信息和噪声预测的鲁棒红外小目标检测方法,首先使用梯度和上下文信息提取模块捕获多种不同尺度的梯度和上下文信息以识别红外小目标,然后使用噪声预测网络来对背景噪声进行建模,这有助于区分目标和噪声,最后,我们使用一个区域定位分支,为目标检测提供额外的位置信息,这能够进一步提高检测概率,并减少误检率。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不限于本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
- 一种基于张量鲁棒主成分分析的红外弱小目标检测方法
- 一种基于张量鲁棒主成分分析的红外弱小目标检测方法