本發(fā)明涉及圖像處理，具體涉及一種紅外空間鄰近目標(biāo)超分辨亞像素定位方法。

背景技術(shù)：

1、隨著人類對太空的探索越發(fā)深入，天基紅外目標(biāo)搜索和跟蹤技術(shù)在軍事和民用領(lǐng)域的應(yīng)用也越來越廣泛。天基紅外探測系統(tǒng)是實(shí)現(xiàn)空間監(jiān)測、跟蹤和定位的重要手段，具有隱蔽性好、不受氣象條件限制、全天候工作的優(yōu)點(diǎn)。由于紅外探測距離較遠(yuǎn)，無論是中段目標(biāo)群、空間碎片或是恒星相對于天基紅外傳感器而言通常表現(xiàn)為幾個到十幾個像素的點(diǎn)目標(biāo)形態(tài)。探測過程中，目標(biāo)可能會因?yàn)獒尫耪T餌或者伴飛等原因出現(xiàn)姿態(tài)和數(shù)目的變化，形成距離相近的目標(biāo)群，即空間鄰近目標(biāo)(csos)。由于光學(xué)系統(tǒng)的結(jié)構(gòu)特性，空間鄰近目標(biāo)在像平面上呈現(xiàn)出相互交疊的簇狀像斑，導(dǎo)致無法分辨目標(biāo)的數(shù)量和位置等重要信息。因此，研究紅外空間鄰近目標(biāo)的超分辨算法，從像斑中分辨目標(biāo)數(shù)量和各目標(biāo)的位置參數(shù)具有十分重要的意義。

2、紅外空間鄰近目標(biāo)超分辨和亞像素定位方法算法本質(zhì)是利用像平面響應(yīng)模型和噪聲模型對點(diǎn)目標(biāo)進(jìn)行參數(shù)估計。早期的紅外csos超分辨算法的研究主要基于貝葉斯理論提出的，利用紅外成像模型建立基于最大后驗(yàn)概率估計(map)、最大似然估計(ml)或最小二乘估計(ls)的目標(biāo)函數(shù)，并采用優(yōu)化算法進(jìn)行目標(biāo)信息的求解。但是此類方法的目標(biāo)函數(shù)優(yōu)化問題復(fù)雜且在運(yùn)行速度方面存在明顯的不足。還有一類利用基于稀疏重構(gòu)理論的csos超分辨方法，通過離散化采樣構(gòu)造超完備字典，建立稀疏量測模型，將范數(shù)優(yōu)化問題轉(zhuǎn)換為二階錐規(guī)劃問題進(jìn)行求解。基于稀疏重構(gòu)理論的超分辨算法能夠較好地估算目標(biāo)位置且受噪聲影響小，但是算法復(fù)雜、耗時較大且對先驗(yàn)知識要求比較高。還有一類通過分布粒子將像素簇進(jìn)行分解然后使用聚類算法迭代出最優(yōu)解的方法。此方法能夠估計的目標(biāo)數(shù)量多，但是存在對噪聲敏感的缺點(diǎn)。

3、通過上述分析，現(xiàn)有技術(shù)存在的問題及缺陷為：

4、(1)傳統(tǒng)的紅外csos超分辨和亞像素定位方法對于目標(biāo)的分辨能力較弱，尤其是隨著空間鄰近目標(biāo)簇中存在目標(biāo)數(shù)量的增多，csos的數(shù)量估計精度會急劇下降。傳統(tǒng)算法是基于紅外空間鄰近目標(biāo)的高斯特征對多目標(biāo)區(qū)域進(jìn)行分割并計算目標(biāo)個數(shù)。當(dāng)兩個目標(biāo)高度重疊或混疊目標(biāo)數(shù)量增多時，傳統(tǒng)算法容易失效。

5、(2)現(xiàn)有的紅外csos超分辨和亞像素定位方法在各個目標(biāo)像平面定位精度和算法運(yùn)行時間之間存在突出矛盾，例如基于貝葉斯理論和稀疏重構(gòu)理論的超分辨定位方法的目標(biāo)定位精度高但是運(yùn)算時間長；而聚類算法的運(yùn)行速度快但目標(biāo)像平面質(zhì)心提取精度低。

6、(3)由于探測距離遠(yuǎn)、目標(biāo)能量弱，紅外圖像的信噪比普遍較低。目前的紅外csos超分辨和亞像素定位方法受圖像噪聲的影響比較大，存在噪聲魯棒性差的缺點(diǎn)。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是為了解決上述問題，提供一種紅外空間鄰近目標(biāo)超分辨亞像素定位方法，該方法能夠使用改進(jìn)的yolov5網(wǎng)絡(luò)精確估計空間鄰近目標(biāo)的數(shù)量，然后利用改進(jìn)的模糊c均值聚類方法準(zhǔn)確估計csos中相應(yīng)的目標(biāo)質(zhì)心位置。

2、為了達(dá)到上述目的，本發(fā)明的技術(shù)方案如下：一種紅外空間鄰近目標(biāo)超分辨亞像素定位方法，所述定位方法基于改進(jìn)yolov5網(wǎng)絡(luò)和模糊c均值聚類算法，包括以下步驟：

3、s1:獲取紅外空間鄰近目標(biāo)圖像，所述紅外空間鄰近目標(biāo)圖像中包含空間鄰近目標(biāo)csos的區(qū)域；

4、s2:構(gòu)建包含不同數(shù)量和尺寸的紅外空間鄰近目標(biāo)voc格式數(shù)據(jù)集；

5、s3:對改進(jìn)的yolov5神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；

6、s4:將紅外圖像輸入到訓(xùn)練后的改進(jìn)yolov5網(wǎng)絡(luò)中，輸出csos中的目標(biāo)數(shù)量，完成超分辨處理；

7、s5:將s4中的目標(biāo)數(shù)量作為輸入，利用改進(jìn)的模糊c均值聚類算法得到每個目標(biāo)在像平面上的亞像素質(zhì)心位置。

8、優(yōu)選的，s1中，所述紅外空間鄰近目標(biāo)圖像是通過紅外目標(biāo)仿真系統(tǒng)進(jìn)行仿真得到，同時存儲紅外空間鄰近目標(biāo)圖像中目標(biāo)的數(shù)量和位置信息。

9、優(yōu)選的，s2中，所述構(gòu)建方法包括如下步驟：

10、s21:將s1中存儲的紅外圖像目標(biāo)數(shù)量和位置信息按照voc數(shù)據(jù)集格式重新存儲為xml文件；

11、s22:將紅外圖像數(shù)據(jù)集劃分為訓(xùn)練集和測試集兩部分。

12、優(yōu)選的，s3中，所述改進(jìn)的yolov5神經(jīng)網(wǎng)絡(luò)的改進(jìn)方法如下：

13、在yolov5網(wǎng)絡(luò)的neck與backbone連接部分添加小目標(biāo)檢測層，繼續(xù)對特征圖進(jìn)行上采樣處理，獲取更大的特征圖，以增加網(wǎng)絡(luò)對小目標(biāo)特征的提取能力；同時，在yolov5網(wǎng)絡(luò)backbone部分的c3模塊中添加卷積注意力模塊，使網(wǎng)絡(luò)聚焦重要目標(biāo)特征而忽略不必要響應(yīng)。

14、優(yōu)選的，s5中，所述改進(jìn)的模糊c均值聚類算法的改進(jìn)方法為：基于偽下采樣思想，將模糊c均值聚類算法與lanczos3插值和粒子分布相結(jié)合。

15、優(yōu)選的，所述亞像素質(zhì)心位置的獲取包括以下步驟：

16、s51:對紅外圖像進(jìn)行l(wèi)anczos3插值處理：

17、

18、其中，suv代表坐標(biāo)為(u,v)的圖像像素點(diǎn)，g(x)表示lanczos3插值函數(shù)；

19、s52:對插值擴(kuò)展后的圖像進(jìn)行卷積處理，突出目標(biāo)像素的特征；卷積模板定義為：

20、

21、將目標(biāo)區(qū)域進(jìn)行周圍區(qū)域補(bǔ)零處理，得到目標(biāo)像素矩陣i；

22、

23、在像素矩陣上滑動卷積模板，得到過采樣插值像素矩陣ip；

24、

25、s53:根據(jù)像素矩陣中每個像素的灰度值占目標(biāo)簇總灰度值的比例，在s52得到的插值像素矩陣上分布一定數(shù)量的粒子；插值像素矩陣的第m個像素上分布的粒子數(shù)量表示為nm：

26、

27、其中，sm表示第m個像素的灰度值，n表示整個像素矩陣ip的總像素個數(shù)，nip表示該像素矩陣上分布的總粒子數(shù)；

28、s54:對圖像進(jìn)行下采樣處理，將插值像素矩陣映射回原始圖像大小，得到亞像素粒子集；

29、s55:將s4獲得的空間鄰近目標(biāo)數(shù)量估計值作為輸入，利用fcm算法對亞像素粒子集進(jìn)行聚類處理，經(jīng)過不斷迭代，輸出代表空間鄰近目標(biāo)的質(zhì)心位置亞像素聚類中心。

30、與現(xiàn)有技術(shù)相比，本方案的有益效果：

31、(1)本發(fā)明用神經(jīng)網(wǎng)絡(luò)代替?zhèn)鹘y(tǒng)的聚類算法來估計csos的目標(biāo)數(shù)量。經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)了各種類型空間鄰近目標(biāo)的特征，可以根據(jù)提取的csos特征對更多類型的空間鄰近目標(biāo)區(qū)域進(jìn)行分類，從而在數(shù)量估計準(zhǔn)確性方面具有優(yōu)勢。

32、(2)本發(fā)明在yolov5網(wǎng)絡(luò)中加入小目標(biāo)檢測層和cbam注意力機(jī)制，增強(qiáng)網(wǎng)絡(luò)對小目標(biāo)的靈敏度。這些改進(jìn)使yolov5網(wǎng)絡(luò)能夠更好地從csos中提取小目標(biāo)特征，在耗費(fèi)過多時間的條件下提高數(shù)量估計精度。

33、(3)考慮到紅外圖像中csos占用像素少、有效信息缺失，對目標(biāo)質(zhì)心位置估計精度影響很大。本發(fā)明基于偽降采樣思想，利用lanczos3插值和粒子分布突出csos目標(biāo)區(qū)域灰度特征，提高fcm算法對目標(biāo)質(zhì)心位置的提取精度。在粒子數(shù)使用得當(dāng)?shù)臈l件下，無論是算法精度還是運(yùn)行時間都能得到較好的結(jié)果。