(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 20221075875 5.2 (22)申请日 2022.06.29 (71)申请人 电子科技大 学 地址 611731 四川省成 都市高新区 （西区） 西源大道 2006号 (72)发明人 樊华　黄北庭　董凯聪　冯全源　 (74)专利代理 机构 电子科技大 学专利中心 51203 专利代理师 陈一鑫 (51)Int.Cl. G06V 10/764(2022.01) G06T 5/00(2006.01) G06T 7/13(2017.01) G06T 7/136(2017.01) G06V 10/28(2022.01)G06V 10/44(2022.01) G06V 10/46(2022.01) (54)发明名称 一种基于边缘检测增强的对空地、 地面背景 小目标检测方法 (57)摘要 该发明公开了一种基于边缘检测增强的对 空地、 地面背景小目标检测方法， 属于红外弱小 目标检测领域。 首先对原始图像中的边缘进行检 测， 然后与红外弱小目标图像相叠加， 增强目标 点的同时削弱背景角点对目标检测造成的影响， 然后对周围区域进行有效的划分方案， 以捕捉目 标的导数特性， 构建一个新的局部对比度图， 以 同时增强目标和抑制背景杂波， 再将所有导数子 带构建的强对比图整合以提高检测的稳定性， 最 后通过自适应阈值分割方法提取小目标， 真正的 目标从复杂的背景中较为明显地 分割出来。 从而 有效提高对空地、 地 面背景小目标检测精度。 权利要求书2页 说明书6页 附图2页 CN 115035350 A 2022.09.09 CN 115035350 A 1.一种基于边 缘检测增强的对空地、 地 面背景小目标检测方法， 该 方法包括： 步骤1： 采用高斯滤波器对原图像进行降噪处 理； 高斯滤波器使用的高斯核是具有x和y两个维度的高斯函数， 且两个维度上标准差相 同， 形式为： 其中， σ 表示方差； 步骤2： 计算像素梯度； 使用算子Sx和Sy计算像素梯度， Sx前者用于计算图像x方向像素梯度矩阵Gx， Sy用于计算 图像y方向像素梯度矩阵Gy； 具体形式为： Gx＝Sx*I    (2) Gy＝Sy*I    (3) 其中， I为灰度图像矩阵， *表示互相关运算， 图像矩阵坐标系原点在左上角， 且x正方向 为从左到右， y正方向为从上到下； 则由式(4)可计算得到梯度强度矩阵Gxy； 其中， gxy(i,j)表示Gxy中第(i,j)位置处的元素， gx(i,j)表示Gx中第(i,j)位置处的元 素， gy(i,j)表示Gy中第(i,j)位置处的元 素； 步骤3： 根据梯度方向角对梯度幅值进行非极大值抑制； 检查各像素是否为其邻域中沿梯度的局部最大值， 如果是， 则认为该点为边缘， 否则不 是边缘； 步骤4： 用双阈值 算法检测， 设定高 阈值和低阈值； 如果某一像素 灰度值梯度大于等于高 阈值， 则该像素被为 边缘像素； 如果某一像素 灰度值梯度小于等于低阈值， 则该像素被不 为边缘像素； 如果某一像素灰度值梯度在两个阈值之间， 那么只有当它相邻像素的灰度值梯度高于 高阈值时才为 边缘像素； 步骤5： 将边 缘检测得到的边 缘图像与原灰度图像叠加， 生成边 缘增强后的灰度图像； 步骤6： 对步骤5得到的灰度图像进行检测； 步骤6.1： 采用Facet模型快速获得多向导数子带， 即采用双变量的立方函数拟合邻域 S5×5； 构造二维离 散正交切比雪夫多 项式φi(r,c)； 其中， r和c是邻域S5×5的行坐标和列坐标； 步骤6.2： 建立邻域S5×5中的像素表面 函数f(r,c)； 权　利　要　求　书 1/2 页 2 CN 115035350 A 2其中， bi为拟合系数， I(r,c)为图像 像素值； 步骤6.3： 如果α 为水平方向的角度， f(r,c)的一阶方向导数为fα'； 步骤6.4： 对图像进行区域划分， 对每个区域采用一阶方向导数为fα'捕捉目标的导数特 性， 构建一个新的局部对比度图； 再将所有导数子带构建的局部对比度图整合； 再通过自适 应阈值分割方法提取小目标； 自适应阈值T为： T＝ μ+k ×σ， 其中μ和σ 分别表 示多向梯度局部 对比度值的坐标系的平均值和方差， k是 给定的参数。 2.如权利要求1所述的一种基于边缘检测增强的对空地、 地面背景小目标检测方法， 其 特征在于， 所述 步骤2中 3.如权利要求1所述的一种基于边缘检测增强的对空地、 地面背景小目标检测方法， 其 特征在于， 所述 步骤6.4中k的范围为0.4到 0.8。权　利　要　求　书 2/2 页 3 CN 115035350 A 3