申请/专利权人：大连理工大学

申请日：2024-03-14

公开（公告）日：2024-06-07

公开（公告）号：CN117893561B

主分类号：G06T7/194

分类号：G06T7/194

优先权：

专利状态码：有效-授权

法律状态：2024.06.07#授权;2024.05.03#实质审查的生效;2024.04.16#公开

摘要：本发明属于图像处理和计算机视觉领域，涉及一种基于局部对比度计算方法的红外细小目标检测算法。本发明对现有的局部对比度方法进行改进，提出了一种新型计算局部对比度方法并设计一种高效、可在边缘平台部署的红外小目标检测方法，通过研究局部对比度特性，本发明提出可变形注意力模块来分离显著特征和代表特征，并降低计算的复杂性。此外，为了聚合全局和局部相关性，本发明提出将全局处理模块和卷积模块与目标边缘的监督相结合的交叉聚合。本发明可高效快速实现红外细小目标检测功能，是一种结合传统局部对比度方法和深度学习特征处理二者优点的高效、快速的红外细小目标检测算法。

主权项：1.一种局部对比度计算方法的红外细小目标检测算法，其特征在于，包括步骤如下：1边缘计算平台利用红外成像设备或远程上传图像获取单帧或批量红外图像，并对红外图像进行预处理；2首先模型对红外图像求出边缘特征图，接着将红外图像与边缘特征图分别放入模型主分支与边缘分支中；在主分支中，红外图像特征依次经过编码器部分与解码器部分获取图像主分支特征图；对于编码器部分，包括下采样处理模块、多个基于局部对比度计算方法的卷积处理模块以及下采样的全局信息处理模块，红外图像首先经过下采样处理模块生成红外图像表示特征，然后红外图像表示特征通过多个卷积处理模块处理，其中第一层卷积处理模块对红外图像表示特征通过多个基于局部对比度计算方法的卷积处理模块对图像特征进行下采样与增强处理，得到下一层低级特征，第二层以上卷积处理模块对上一层低级特征处理，得到下一层低级特征，同时对红外图像表示特征进行下采样，并通过全局信息处理模块处理，与卷积处理模块部分的图像特征相结合获取全局图像特征；对于解码器部分，包括多个解码模块与特征融合模块，其中第一层解码模块对全局特征使用反卷积模块进行上采样得到高级特征，第二层以上解码模块对上一层高级特征处理，得到下一层高级特征，接着通过对编码模块中同层的卷积处理模块的低级特征与当前高级特征经过特征融合模块进行融合，得到精炼的高级特征；最终通过一系列解码模块获取图像主分支特征图；3在边缘分支中，图像边缘特征通过嵌入表示处理模块与多个边缘处理模块获取图像边缘分支特征图，具体过程为：边缘特征图首先通过嵌入表示处理模块获取边缘表示特征，接着边缘表示特征通过边缘处理模块处理，其中每一层对边缘表示特征或上一层的细化边缘特征经过卷积层处理，并与主分支中同层高级特征相结合，通过门控模块获取细化边缘特征；最终，经过细化的边缘特征输出图像边缘分支特征图；4模型最终通过主分支与边缘分支输出的特征图进行结合，通过检测模块生成最终的红外细小目标检测图，并对检测图进行后处理，将处理后的单张或批量检测图输出到相应的显示设备或返回到远程平台；所述的步骤2中，编码器主要过程：图像特征x1首先经过下采样处理模块、多个基于局部对比度计算方法的卷积处理模块与下采样的全局信息处理模块获取全局图像特征；具体如下：2-1对于下采样处理模块由三个卷积层与一个最大池化层，对图像进行下采样；输出特征x2定义为：x2＝FmaxConvstemx1其中Convstem·和Fmax·分别表示三个卷积层和最大池化层；然后，输出特征x2通过基于局部对比度计算模块进行目标特征增强与非线性变换，得到噪声和杂波少的特征x3、x4与x5；2-2对于基于局部对比度计算方法的卷积处理，具体流程为：对于图像特征其中C为特征的通道数，H与W为特征的长度与宽度，通过两次两层卷积处理模块，卷积处理模块包括卷积层、批量归一化层、RELU层以及残差处理，在后一层卷积处理模块中还具有一层通道注意力层与一层基于局部对比度计算方法的空间注意力层，定义如下：y＝RELUBNConvx+xz＝LCCARELUBNConvy+y 其中Conv·、BN·和RELU·分别表示卷积层、批量归一化层和RELU层，CA·和LC·分别为通道注意力层与基于局部对比度计算方法的空间注意力层,MLP·为非线性处理，σ·为Sigmoid函数，为对元素范围的乘法，Pmax·与Pavg·为最大池化层与平均池化层，y为通过前两次两层卷积处理模块处理的中间特征；关于LC·，具体方法如下：通过一个已经预定好卷积核参数且卷积核大小为3×3的可变形卷积模块进行局部对比度计算，产生局部对比度注意力映射再经过两层卷积层后进行非线性处理，最终通过Sigmoid函数对特征F添加局部对比度以增强目标特征，即：D＝LCDCNF 其中LCDCN·是上述经过预定好卷积核参数的可变形卷积模块，经过可变形卷积模块后得到中间结果为D中的每个通道中的特征；min·为求各个空间位置中的最小值；经过上述处理最终得到经过局部对比度增强的特征设定卷积核参数以计算局部对比度，计算过程如下：首先，通过原特征F得到分数特征具体做法为在通道方向上对输入特征F的分别进行平均值与最大值计算，接着进行一次加权计算，加权系数为学习参数，接着使用可变形卷积模块处理，具体计算方法如下： 其中DCNLC·为可变形卷积模块，具体设置为：输出通道为4，卷积核大小为3×3，并且设定4个输出通道中分别各设置一个方向，且该方向上对角权重分别为1，其余区域权重为0；以保证在3×3的二维空间中对4个对角方向Ω＝{+,0,-,0,+,+,-,-,0,+,0,-,-,+,+,-}与中心位置计算局部对比度；同时为了DCNLCS与DCNLCS2都在相同位置进行卷积操作，因此可学习偏移和调制量只通过对原特征F进行计算后得到；2-3关于全局信息处理模块，首先将特征x2经过下采样处理，获得特征x6，再经过全局信息处理模块，获得全局特征x7，全局信息处理模块由多头自注意力模块与多层感知机模块构成，主要过程如下：假设当前模型一共由L层搭建而成，对于当前第l层模块，l＝1…L，则第l层的向量序列zl为：z′l＝MSALNzl-1+zl-1zl＝MLPLNz′l+z′l其中z′l为中间计算结果，zl-1为第l-1层的向量序列，LN·为层归一化模块，MSA·为多头注意力模块，MLP·为多层感知机模块；对多头注意力模块，计算方法如下： Y＝[Y1,…,YH]A其中为输入特征，为多头注意力模块的输出特征，H为注意力头数目，分别为特征转换矩阵，Yh为第h个注意力头输出特征，dh为特征转换后的维度长度；为H个注意力头输出连接的特征，为输出转换矩阵；对于多层感知机模块，其计算方法如下：Y＝GELUXWinWout其中Win为隐藏层的转换矩阵，Wout为输出层的转换矩阵，GELU·为高斯误差线性单元；2-4最后编码器将最终的卷积处理模块中的特征x5与全局信息处理模块的特征x7相连接并经过一个卷积线性变换模块，得到最终的全局特征x9，即：x9＝Conv1×1Catx5,x7其中Cat·为特征连接操作；Conv1×1·为一个卷积线性变换模块，为两个卷积层与ReLU层结合的模块。

全文数据：

权利要求：

百度查询： 大连理工大学 一种基于局部对比度计算方法的红外细小目标检测算法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD