一种基于对比度的单点监督红外弱小目标检测方法及系统

本发明涉及模式识别与机器学习，特别涉及弱监督训练和红外弱小目标检测，更具体的说是涉及一种基于对比度的单点监督红外弱小目标检测方法及系统。

背景技术：

1、近年来随着深度学习技术的发展，基于卷积神经网络的红外弱小目标检测算法不断被提出，但这些方法都是全监督的，需要大量的标注数据集，而且由于红外弱小目标检测网络往往将该问题视为图像分割问题，所以需要准确的像素级掩膜标签，由于红外数据的敏感性与复杂性，获得大规模的训练数据集是相当耗费资源的。

2、弱监督学习逐渐在近年被引入红外弱小目标检测领域，由于不需要完整的标签，在红外弱小目标检测中可以减轻数据约束并引入更有效的检测范式，而单点监督是弱监督的重要形式，单点监督进行红外弱小目标检测的方法利用卷积神经网络的训练特性，即在早期以较低置信度分割目标周围的一簇像素，并随着训练的进行逐渐接近所给的监督单点标签，通过在训练的特定阶段利用网络输出对标签进行更新。

3、虽然目前的标签进化策略能够在一定程度上使用单点标签生成伪标签，但目前的单点监督红外弱小目标检测算法在更新标签上只能达到真实标签的50％左右的平均交并比水平，这是由于在训练前，每个目标的大小无法提前知道，当面对形状、尺度各异的目标时，使用统一的伪标签停止进化准则是非常复杂的；另外，红外弱小目标检测问题是一个类别不均衡的分类问题，由于网络早期初始化的随机性以及训练过程中不可避免的随机性，在单点监督的训练早期，网络的状态不稳定，使用统一的更新开始时机不能达到最好的性能。

4、因此，如何提供一种基于对比度的单点监督红外弱小目标检测方法及系统是本领域技术人员亟需解决的问题。

技术实现思路

1、有鉴于此，本发明提供了一种基于对比度的单点监督红外弱小目标检测方法及系统以解决背景技术中提到的问题。

2、为了实现上述目的，本发明采用如下技术方案：

3、一种基于对比度的单点监督红外弱小目标检测方法，包括以下步骤：

4、s1.获取红外图像，并对红外图像的每个单点标签中的每一个目标，通过使用图像中的对比度扩充单点标签，生成初始扩展伪标签；

5、s2.利用初始扩展伪标签和获取的红外图像对卷积神经网络进行训练；

6、s3.训练过程中，根据网络输出中置信度的对比度，对伪标签进行更新，利用更新后的伪标签进行迭代训练，获得红外弱小目标检测网络模型；

7、s4.利用红外弱小目标检测网络模型对待测红外图像进行目标检测输出目标标签。

8、优选的，步骤s1中生成初始扩展伪标签的具体内容包括：

9、s11.将单点标签处的灰度值记为icenter，并在该处确定一个的目标框；

10、s12.逐步将目标框自适应扩张，直至目标框的边界有像素的灰度值小于预设灰度阈值或目标框的边界尺寸达到预设最大尺寸，获得估计的边界框；

11、s13.通过对边界框进行阈值分割提取初始伪标签，即为生成的初始扩展伪标签。

12、优选的，步骤s12中预设灰度阈值具体为：

13、tp＝0.8×icenter

14、其中，icenter为单点标签处的灰度值。

15、优选的，步骤s13的分割阈值具体为：

16、tbox＝icenter-kbox×σbox

17、其中，icenter为单点标签处的灰度值，σbox为边界框内部像素灰度值的标准差，kbox为参数。

18、优选的，对伪标签进行更新的具体内容为：

19、s31.对于第n轮伪标签中的每一个目标，提取d×d的邻域标签l′n，减去邻域标签l′n中最小的灰度值得到邻域标签

20、s32.将第n轮伪标签中的目标框扩大为最大长度与宽度的m倍得到扩大框；

21、s33.根据网络输出中的目标框内像素的置信度表征和目标框与扩大框之间像素的置信度表征的对比度计算分割阈值，将输出标签中置信度低于阈值的像素置为0；

22、s34.在输出标签中丢弃与更新前的伪标签没有八连通的像素进行虚警消除，记为根据虚警消除后的标签和提取d×d的邻域标签l′n更新伪标签。

23、优选的，步骤s33中根据目标框内的像素的灰度值表征和目标框与扩大框之间的像素的灰度值表征计算阈值的具体方法为：

24、

25、

26、

27、其中，icore为目标框内的像素的置信度表征，isurr为目标框与扩大框之间的像素的置信度表征，目标框区域内第i大灰度值像素的置信度，p为目标框区域内用于表征置信度的像素个数，表示目标框与扩大框之间的区域内第i大灰度值像素的置信度，q为目标框与扩大框之间的区域内用来表征置信度的像素个数，k为最低阈值，λ为平衡参数。

28、优选的，步骤s34中更新标签的方法为：

29、

30、其中，r为标签更新的速度，l′n+1为更新后的第n+1轮伪标签。

31、一种基于对比度的单点监督红外弱小目标检测系统，基于所述的一种基于对比度的单点监督红外弱小目标检测方法，包括：红外图像获取模块、红外弱小目标检测网络模型和训练模块；

32、红外图像获取模块，用于获取红外图像；

33、训练模块包括初始扩展伪标签生成单元、伪标签更新单元和模型训练单元；

34、初始扩展伪标签生成单元，用于对红外图像的每个单点标签中的每一个目标，通过在图像中的对比度扩充单点标签，生成初始扩展伪标签；

35、伪标签更新单元，用于在训练过程中，根据网络输出中置信度的对比度，对伪标签进行更新；

36、模型训练单元，用于利用初始扩展伪标签、更新后的伪标签和红外图像对卷积神经网络进行迭代训练，获得红外弱小目标检测网络模型；

37、红外弱小目标检测网络模型，用于对待测红外图像进行目标检测输出目标标签。

38、一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的一种基于对比度的单点监督红外弱小目标检测方法。

39、一种处理终端，包括存储器和处理器，存储器中存储有可在处理器上运行的计算机程序，处理器执行计算机程序时实现所述的一种基于对比度的单点监督红外弱小目标检测方法。

40、经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于对比度的单点监督红外弱小目标检测方法及系统，通过初始伪标签扩充，可以获得适合网络训练的伪标签，可以协调网络在训练早期的内在行为，促进收敛并减轻类别不均衡问题；使用神经网络输出的对比度作为标签更新的基准，可以实现稳定的迭代过程，以获得高质量的伪标签，将预测置信度集成到标签中有助于网络的收敛过程。

技术特征：

1.一种基于对比度的单点监督红外弱小目标检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于对比度的单点监督红外弱小目标检测方法，其特征在于，步骤s1中生成初始扩展伪标签的具体内容包括：

3.根据权利要求2所述的一种基于对比度的单点监督红外弱小目标检测方法，其特征在于，步骤s12中预设灰度阈值具体为：

4.根据权利要求2所述的一种基于对比度的单点监督红外弱小目标检测方法，其特征在于，步骤s13的分割阈值具体为：

5.根据权利要求1所述的一种基于对比度的单点监督红外弱小目标检测方法，其特征在于，对伪标签进行更新的具体内容为：

6.根据权利要求5所述的一种基于对比度的单点监督红外弱小目标检测方法，其特征在于，步骤s33中根据网络输出中的目标框内像素的置信度表征和目标框与扩大框之间像素的置信度表征的对比度计算分割阈值的具体方法为：

7.根据权利要求5所述的一种基于对比度的单点监督红外弱小目标检测方法，其特征在于，步骤s34中更新标签的方法为：

8.一种基于对比度的单点监督红外弱小目标检测系统，其特征在于，基于权利要求1-7任意一项所述的一种基于对比度的单点监督红外弱小目标检测方法，包括：红外图像获取模块、红外弱小目标检测网络模型和训练模块；

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-7任意一项所述的一种基于对比度的单点监督红外弱小目标检测方法。

10.一种处理终端，包括存储器和处理器，存储器中存储有可在处理器上运行的计算机程序，其特征在于，处理器执行计算机程序时实现如权利要求1-7任意一项所述的一种基于对比度的单点监督红外弱小目标检测方法。

技术总结
本发明公开了一种基于对比度的单点监督红外弱小目标检测方法及系统，包括：获取红外图像并对每个单点标签中的每一个目标，通过使用图像中的对比度扩充单点标签，生成初始扩展伪标签；利用初始扩展伪标签和红外图像对卷积神经网络进行训练的过程中，根据网络输出中置信度的对比度，对伪标签进行更新，利用更新后的伪标签进行迭代训练，获得红外弱小目标检测网络模型；利用红外弱小目标检测网络模型对待测红外图像进行目标检测输出目标标签；该系统包括：红外图像获取模块、红外弱小目标检测网络模型和训练模块；训练模块包括初始扩展伪标签生成单元、伪标签更新单元和模型训练单元；解决类别不均衡的分类问题及如何提升平均交并比水平。

技术研发人员：张浩鹏,杨东凝,姜志国,谢凤英,赵丹培
受保护的技术使用者：北京航空航天大学
技术研发日：
技术公布日：2024/4/7