复杂环境的高可信小目标检测方法

本发明属于图像处理，更进一步涉及图像检测中的一种复杂环境的高可信小目标检测方法。本发明采用复杂环境的高可信小目标检测方法对图像中的弱小目标检测，可用于对复杂背景下低信噪比的图像中的弱小目标进行检测。

背景技术：

1、由于图像接收器内噪声的干扰，以及待测目标与探测器之间距离较远，使得待测目标的可用特征少、尺度小、缺少纹理、易丢失细节信息。在图像中拥有非常小的占比面积，造成对弱小目标检测的难度增大的问题。但是现有技术较难在复杂背景下提取出清晰的细节特征、易丢失小目标特征等问题造成漏检和虚警，弱小目标检测性能仍有待提高。

2、辽宁工程技术大学在其申请的专利文献“一种基于背景抑制与特征融合的红外小目标检测方法”(专利申请号：202211540004.x，申请公布号cn115830502a)中公开了一种基于背景抑制与特征融合的红外小目标检测方法。该方法实现的具体步骤是，第一步，将原始红外图像输入到三层窗口局部对比机制模块中，该模块将窗口分为中心层、中间层和最外层三个层次。第二步，对中心层进行高斯滤波，将窗口的最外层划分为8个方向，选择与中心最接近的值作为对比度计算时的背景值。第三步，将匹配滤波结果与最接近滤波结果进行比差联合对比度计算，突出目标抑制背景。第四步，通过卷积神经网络进一步抑制背景杂波，第五步，使用自适应阈值操作对进行非负约束计算的结果进行二值化操作，提取感兴趣区域。该方法存在的不足之处是，由于该方法的第二步仅利用高斯滤波器对图像进行滤波去噪，方法单一且滤波器不能很好地与卷积神经网络进行融合，且网络正则性差。同时二值化操作极易使含有弱小目标的关键特征丢失，使特征融合效果差，导致图像中弱小目标检测率低。

3、重庆理工大学、中国兵器科学研究院在其共同申请的专利文献“一种基于swin-transformer和多尺度特征融合的红外弱小目标检测方法”(专利申请号202310205449.0，申请公布号cn 116188944a)中公开了一种基于swin-transformer和多尺度特征融合的红外弱小目标检测方法。该方法实现的具体步骤是，第一步，在unet网络中引入swin-transformer模块来替代原有的卷积层进行特征提取，以构成目标检测模型。第二步，将待检测的红外图像输入经过训练的目标检测模型中，通过多个swin-transformer模块逐层提取红外图像的特征信息，生成多个尺度的特征图。第三步，通过多个跨层特征融合模块从最高尺度的特征图开始，依次融合各个尺度的特征图，生成对应的多层融合特征图。第四步，将多层融合特征图输入分类器中进行归一化处理，并输出对应的目标预测结果。该方法存在的不足之处是，该方法的第一步引入swin-transformer模块，无法利用图像本身具有的尺度、平移不变性和特征局部性等先验知识。而且训练该神经网络必须使用大规模数据集，对数据集的要求十分严苛，极易导致网络难以捕获图像中的小目标特征信息，鲁棒性差，增加了误警虚警率。

技术实现思路

1、本发明的目的在于针对上述现有技术存在的不足，提出了一种复杂环境的高可信小目标检测方法，用于解决滤波器不能很好地与卷积神经网络进行融合，且网络正则性差的问题；无法利用图像本身具有的尺度、平移不变性和特征局部性等先验知识的问题；必须使用大规模数据集，对数据集的要求十分严苛而导致的难以捕获图像的中小目标特征信息，鲁棒性差，误警虚警率高的问题。

2、实现本发明目的的技术思路是，本发明构建的差分层生成模块，利用卷积神经网络对输入图像进行多次差分操作，得到不同尺度不同层次的小目标特征，克服了现有技术的滤波器不能很好地与卷积神经网络进行融合的缺陷，提高了图像中弱小目标检测率。本发明构建的特征融合模块，将细节信息、语义特征不同的三个层次的特征，通过上采样操作将所有不同尺度的特征映射到低层，利用特征权重因子对不同级别特征融合，有效解决现有技术不能利用图像本身具有的尺度、平移不变性和特征局部性等先验知识的缺陷。本发明构建的四阶adams引导模块，通过四阶adams隐式方程求解常微分方程的方法，应用于三个残差中，在更多个特征项之间建立起了联系，构建了更强大的可解释网络。有效解决现有技术网络正则性差的缺陷。本发明设计的predict模块包含随机dropout层，减轻神经元之间的相互作用，避免了在使用小规模数据集时过拟合的现象，有效解决现有技术必须使用大规模数据集的缺陷。

3、为实现上述目的，本发明具体实现步骤包括如下：

4、步骤1，构建特征融合模块：

5、搭建一个包括高层特征支路、中层特征支路、低层特征支路、特征权重融合单元、输出层的特征融合模块；高层特征支路、中层特征支路、低层特征支路的三条支路输出经过特征权重融合单元特征融合后再经输出层输出；

6、步骤2，构建四阶adams引导模块：

7、搭建一个包括第一差分输入组、第二差分输入组、负向单元、加法单元、内积单元、合并单元、输出层组成的四阶adams引导模块；第一差分输入组、负向单元、加法单元、内积单元、合并单元、输出层依次串联；所述第二差分输入组与加法单元相连；

8、步骤3，构建差分层生成模块：

9、搭建一个由负三阶差分输入层、第一差分变换单元、负二阶差分输出层、第二差分变换单元、负一阶差分输出层、第三差分变换单元、零阶差分输出层依次串联组成的差分层生成模块，所述第一至第三差分变换单元的结构和参数均相同；

10、步骤4，构建predict模块：

11、搭建一个由第一卷积层、归一化层、激活层、随机dropout层和第二卷积层依次串联组成的predict模块；

12、将第一卷积层和第二卷积层的卷积核大小均设置为3×3，滑动步长均设置为1，输出通道均设置为16，激活层的激活函数采用relu函数；

13、步骤5，构建u-net子模块：

14、搭建一个包括输入层、第一残差卷积组、第二残差卷积组、第三残差卷积组、第一合并单元、第一残差反卷积组、第二合并单元、第二残差反卷积组、第一输出层、第二输出层、第三输出层的u-net子模块，其中，输入层、第一残差卷积组、第二残差卷积组、第三残差卷积组、第一合并单元、第二合并单元、第二残差反卷积组依次串联；第一残差卷积组还与第二合并单元相连，第二残差卷积组还与第一合并单元相连，第三残差卷积组还与第一输出层相连，第一残差反卷积组还与第二输出层相连，第二残差反卷积组还与第三输出层相连；所述第一至第三残差卷积组由三个结构相同的残差卷积单元依次串联组成；所述第一、二残差反卷积组由三个结构相同的残差反卷积单元依次串联组成；

15、步骤6，构建高阶微分方程启发的弱小目标检测网络：

16、搭建一个由输入层、卷积层、目标特征增强模块、u-net子模块、特征融合模块、差分层生成模块、四阶adams引导模块、predict模块、输出层依次串联组成的高阶微分方程启发的弱小目标检测网络；将卷积层的卷积核大小设置为3×3，滑动步长设置为1，输出通道设置为16；

17、步骤7，生成训练集；

18、选取至少400张图像组成样本集；对样本集中的每张图像依次进行随机镜像、随机放缩、扩充裁剪、高斯模糊操作后，得到每张图像均为480×480规格的处理后的图像；将每张处理后的图像输入到torchvision模块中进行归一化处理，将归一化处理后所有样本组成训练集；

19、步骤8，训练高阶微分方程启发的弱小目标检测网络：

20、将训练集输入到高阶微分方程启发的弱小目标检测网络中，利用交并比损失函数，使用adagrad作为优化器，通过随机梯度下降法的梯度优化算法对网络参数进行优化，迭代更新网络的权重值，直至网络的交并比损失函数收敛为止，得到训练好的高阶微分方程启发的弱小目标检测网络；

21、步骤9，对弱小目标进行检测：

22、采用与步骤7相同的方法，对待检测的弱小目标图像进行处理；将每张处理后的图像输入到训练好的高阶微分方程启发的弱小目标检测网络中检测图像中；将网络输出的图像中由多个像素值为1的像素点组成的区域作为检测到的小目标区域，像素值为0的像素点代表未检测到小目标的区域。

23、与现有技术相比，本发明具有以下优点：

24、第一，本发明构建的弱小目标检测网络中的差分层生成模块,将所得多尺度特征在卷积神经网络中进行多次卷积差分操作，克服了现有技术的滤波器不能很好地与卷积神经网络进行融合的缺陷，使得本发明提高了图像中弱小目标检测率。

25、第二，本发明设计的弱小目标检测网络中的特征融合模块，在融合三个不同层次、不同语义特征时，采用了指数自相关融合的方式，克服了现有技术不能利用图像本身具有的尺度、平移不变性和特征局部性等先验知识的缺陷，从而使得本发明更好地自适应学习各尺度特征融合的空间权重，抑制了背景的混叠。

26、第三，本发明设计的弱小目标检测网络中的四阶adams引导模块，构建了更强大的可解释网络。高阶差分方程联系了多个特征项，克服了现有技术网络正则性差的缺陷，使得本发明避免了小目标信息在网络传播过程中的流失现象，降低了误警虚警率。

27、第四，本发明设计的弱小目标检测网络中的predict模块包含随机dropout层，克服了现有技术必须使用大规模数据集的缺陷，同时避免了在使用小规模数据集时过拟合的现象，从而使得本发明具有提高了训练的效果，使网络容易捕获图像中的小目标特征信息，提高了鲁棒性的优点。