一種基于改進(jìn)剩余譜的紅外艦船目標(biāo)顯著性檢測(cè)方法

摘要：為了解決傳統(tǒng)顯著性檢測(cè)方法在紅外艦船目標(biāo)檢測(cè)中精度不高的問(wèn)題，提出了一種基于改進(jìn)剩余譜的顯著性檢測(cè)方法。該方法首先利用自適應(yīng)六邊形中值濾波和小波圖像融合對(duì)紅外圖像去除噪聲，然后在剩余譜顯著性檢測(cè)算法的基礎(chǔ)上，引入超像素分割處理艦船目標(biāo)區(qū)域以減少計(jì)算量，同時(shí)保留艦船目標(biāo)的邊緣信息，此外，引入目標(biāo)掩碼排除背景干擾以提高算法的準(zhǔn)確性。最后，通過(guò)提取圖像的顯著圖實(shí)現(xiàn)艦船目標(biāo)的檢測(cè)。實(shí)驗(yàn)證明，該方法相較于改進(jìn)之前檢測(cè)艦船目標(biāo)的準(zhǔn)確性提高了約3%，在島嶼等復(fù)雜背景下能夠準(zhǔn)確檢測(cè)出艦船目標(biāo)。

關(guān)鍵詞：紅外艦船目標(biāo)；自適應(yīng)六邊形中值濾波；顯著性檢測(cè)；超像素分割

中圖分類號(hào)：TP391.41;TN219 " " " " " " " "文獻(xiàn)標(biāo)志碼：A

紅外艦船目標(biāo)檢測(cè)技術(shù)廣泛應(yīng)用于海上巡邏、監(jiān)視等任務(wù)，以提高海洋環(huán)境安全性，同時(shí)，在現(xiàn)代戰(zhàn)爭(zhēng)中，可以用于情報(bào)偵察、敵情監(jiān)視、打擊目標(biāo)等任務(wù)。但由于艦船目標(biāo)紅外圖像特征的復(fù)雜性以及島嶼背景的干擾，艦船目標(biāo)檢測(cè)的準(zhǔn)確性存在較大挑戰(zhàn)，因此如何準(zhǔn)確地檢測(cè)艦船目標(biāo)成為亟待解決的問(wèn)題，國(guó)內(nèi)外研究者在這一方面已取得一系列進(jìn)展。其中，顯著性檢測(cè)算法可以快速地確定圖像中最具代表性和重要性的區(qū)域，有效提高計(jì)算效率和識(shí)別準(zhǔn)確度；同時(shí)能夠自動(dòng)提取和分析圖像的特征，完成目標(biāo)識(shí)別、分割等任務(wù)，因此成為被研究的重點(diǎn)。

傳統(tǒng)的顯著性檢測(cè)可以分為時(shí)域和頻域兩大類。時(shí)域方法用于計(jì)算圖像在時(shí)間或空間上的變化，通過(guò)對(duì)比鄰近像素值來(lái)確定顯著性區(qū)域。焦方浩等[1]利用AC和FT算法對(duì)圖像進(jìn)行處理，將兩種方法處理后的顯著圖合并，提高了檢測(cè)準(zhǔn)確性，但執(zhí)行速度較長(zhǎng)，實(shí)時(shí)性無(wú)法滿足；CHENG等[2]對(duì)圖像中的所有其它像素的色差定義顯著值，但只用到了顏色特征，沒(méi)考慮空間關(guān)系，同樣顏色值的像素具有相同的顯著值。頻域方法則通過(guò)對(duì)圖像在不同頻段上的信號(hào)強(qiáng)度進(jìn)行分析，利用頻譜信息來(lái)獲取顯著性區(qū)域，相較于時(shí)域方法，其計(jì)算復(fù)雜度較低，可以綜合考慮整個(gè)圖像的特征，能夠更準(zhǔn)確地找到顯著性目標(biāo)。馬鋒[3]利用頻率調(diào)制的顯著性方法檢測(cè)艦船目標(biāo)，但高斯高通濾波器主要用于銳化圖像，對(duì)于紅外圖像中的加性噪聲的去除效果并不理想；羅雅丹等[4]利用DCT域的視覺(jué)顯著性檢測(cè)模型獲取視覺(jué)顯著圖，然后結(jié)合視覺(jué)顯著圖和能量分布圖進(jìn)行線裁剪，但算法的復(fù)雜度相對(duì)較高，不適合在低功耗設(shè)備上使用；YANG等[5]基于流形排名，利用圖的全局結(jié)構(gòu)來(lái)進(jìn)行顯著性檢測(cè)，可以捕捉到圖像的全局信息，但因其需要構(gòu)建和處理圖，因此計(jì)算復(fù)雜度較高，同時(shí)無(wú)法很好地處理低對(duì)比度的圖像。

目前，傳統(tǒng)顯著性檢測(cè)的主要缺點(diǎn)是準(zhǔn)確性不高，且對(duì)復(fù)雜場(chǎng)景和細(xì)節(jié)區(qū)域的檢測(cè)效果較差。本研究針對(duì)檢測(cè)精度問(wèn)題，利用顯著性檢測(cè)頻域方法，在剩余譜顯著性檢測(cè)算法的基礎(chǔ)上，引入超像素分割和目標(biāo)掩碼，以提高艦船目標(biāo)的檢測(cè)精度。

1圖像預(yù)處理

對(duì)于紅外圖像顯著性檢測(cè)來(lái)說(shuō)，噪聲會(huì)對(duì)結(jié)果產(chǎn)生一定的干擾和影響，從而降低檢測(cè)結(jié)果的準(zhǔn)確性和可靠性[6]，為了能夠準(zhǔn)確檢測(cè)目標(biāo)，需要濾除圖像中的噪聲。本研究首先對(duì)紅外圖像自適應(yīng)六邊形中值濾波去除噪聲，然后利用小波變換的軟閾值去噪和圖像融合[7]增強(qiáng)，圖像預(yù)處理流程如圖1。

傳統(tǒng)的中值濾波[8]選用的濾波窗口為矩形窗，導(dǎo)致圖像的細(xì)節(jié)模糊，吳朋波[9]將矩形窗變成六邊形窗，能夠更好地保持圖像的細(xì)節(jié)信息，但處理窗口大小需要提前設(shè)定且在處理過(guò)程中不能改變。本研究采用自適應(yīng)六邊形中值濾波進(jìn)行圖像去噪處理，該方法對(duì)于每個(gè)像素，確定一個(gè)初始窗口大小，在初始窗口內(nèi)計(jì)算像素值的方差，根據(jù)計(jì)算得到的方差值，決定是否調(diào)整窗口大小。如果方差值較大，說(shuō)明窗口內(nèi)像素值差異較大，可能存在噪聲點(diǎn)，選擇較大的窗口可以更好地濾除噪聲；而當(dāng)方差值較小時(shí)，表示像素值的波動(dòng)較小，此時(shí)使用較小的窗口可以更精確地捕捉到像素的細(xì)微變化。在處理過(guò)程中，使用六邊形中值濾波器進(jìn)行濾波操作，并將中值作為當(dāng)前像素點(diǎn)的輸出值。重復(fù)以上步驟，直到收斂，從而實(shí)現(xiàn)自適應(yīng)六邊形中值濾波。因此，算法可以根據(jù)不同的情景選擇最優(yōu)的濾波窗口，在有效去除噪聲的基礎(chǔ)上盡可能保留艦船目標(biāo)的細(xì)節(jié)。

在連續(xù)的前后幀圖像中，場(chǎng)景圖像通常保持穩(wěn)定而背景噪聲具有隨機(jī)性，通過(guò)將多幀圖像進(jìn)行融合，可以充分利用時(shí)空信息，在一定程度上減少圖像中的噪聲并突出目標(biāo)特征，從而提高圖像細(xì)節(jié)和紋理的清晰度。基于小波變換的圖像融合[10]具體方法：對(duì)于高頻子帶，首先采用軟閾值[11]去噪，然后利用高頻系數(shù)絕對(duì)值最大法得到高頻融合圖像后，計(jì)算每個(gè)像素的區(qū)域能量對(duì)高頻融合圖像進(jìn)行調(diào)制以抑制圖像背景的細(xì)節(jié)信息，并保留艦船目標(biāo)的細(xì)節(jié)信息；對(duì)于低頻子帶，通過(guò)平均法融合低頻子帶，并利用導(dǎo)向?yàn)V波對(duì)低頻融合圖像進(jìn)行平滑濾波處理；最后對(duì)融合圖像進(jìn)行小波逆變換得到重構(gòu)圖像。

2顯著性檢測(cè)

2.1 基于SR算法的顯著性檢測(cè)

剩余譜算法（SR算法）[12]是一種用于圖像顯著性檢測(cè)的方法。圖像的信息主要包含在其幅度譜中，通過(guò)從圖像的幅度譜中減去先驗(yàn)知識(shí)的幅度譜，可以得到顯著部分的幅度譜。實(shí)驗(yàn)證明[13-16]，自然圖像的幅度譜具有一定的規(guī)律性，不同圖像的對(duì)數(shù)幅度譜具有相似的趨勢(shì)，當(dāng)多幅圖像疊加后，對(duì)數(shù)幅度譜的曲線會(huì)更加平滑，表明平均對(duì)數(shù)幅度譜具有局部線性特征。因此，通過(guò)使用一幅圖像的對(duì)數(shù)幅度譜減去平均對(duì)數(shù)幅度譜，可以得到圖像中的突變部分，即顯著物體。相對(duì)于其他顯著性算法，SR算法的思想和實(shí)現(xiàn)相對(duì)簡(jiǎn)單，在復(fù)雜背景、低對(duì)比度或噪聲干擾的情況下，仍然能夠有效地檢測(cè)出顯著目標(biāo)，但傅里葉變換和傅里葉逆變換是計(jì)算密集型操作，特別是對(duì)于較大的圖像，其計(jì)算量大，并且直接對(duì)艦船圖像進(jìn)行頻域變換處理無(wú)法排除島嶼背景的干擾。針對(duì)這個(gè)問(wèn)題，本研究對(duì)剩余譜顯著性檢測(cè)算法進(jìn)行改進(jìn)，減少算法的計(jì)算量，提升精度。

2.2 改進(jìn)后的顯著性檢測(cè)

算法改進(jìn)的基本思路：在SR算法的基礎(chǔ)上首先引入超像素分割，計(jì)算平均灰度值，同時(shí)得到超像素邊界信息，實(shí)現(xiàn)映射，即對(duì)于同一個(gè)超像素區(qū)域內(nèi)的所有像素值替換為該超像素區(qū)域的平均灰度值，重構(gòu)圖像。然后對(duì)映射后的灰度圖像進(jìn)行傅里葉變換，得到幅度譜和相位譜，通過(guò)對(duì)幅度譜使用平均濾波器得到整體平均幅度譜，幅度譜減去整體平均幅度譜的差值得到剩余譜，對(duì)剩余譜傅里葉逆變換得到顯著圖。用超像素的邊界信息調(diào)節(jié)顯著圖邊界像素，同時(shí)引入目標(biāo)掩碼，排除背景島嶼的干擾，算法原理如圖2。

2.2.1超像素分割 超像素分割[17]的主要思想是通過(guò)使用超像素算法對(duì)圖像進(jìn)行分割，將圖像劃分為具有相似特征的連續(xù)區(qū)域，以便簡(jiǎn)化后續(xù)處理過(guò)程。本研究使用簡(jiǎn)單線性迭代聚類 （SLIC） 算法對(duì)圖像進(jìn)行分割，將相似的像素聚合成一個(gè)超像素。這種分割方法旨在保留圖像的結(jié)構(gòu)和紋理特征，并盡可能減少區(qū)域之間的邊界。同時(shí)，超像素的數(shù)量會(huì)對(duì)顯著性檢測(cè)的結(jié)果產(chǎn)生影響，較少的超像素?cái)?shù)量提取全局特征但可能丟失細(xì)節(jié)，較多的超像素?cái)?shù)量提取局部特征但增加計(jì)算復(fù)雜度。本研究使用超像素分割將原圖像分成N個(gè)區(qū)域（根據(jù)實(shí)驗(yàn)結(jié)果，N選取100較為合適），對(duì)于同一個(gè)超像素區(qū)域內(nèi)的所有像素，它們的像素值都被設(shè)定為該區(qū)域的灰度均值。相較于之前算法直接對(duì)整幅圖像求取傅里葉變換以及后續(xù)操作，100個(gè)超像素區(qū)域既可以捕捉到局部特征，又大量減少了計(jì)算量。同時(shí)，通過(guò)分割可以得到超像素邊界信息，將顯著圖中的邊界像素值替換成對(duì)應(yīng)的超像素邊界位置的像素值，從而保留艦船目標(biāo)的邊緣細(xì)節(jié)信息。

2.2.2目標(biāo)掩碼 目標(biāo)掩碼[18]通過(guò)將圖像中特定目標(biāo)的像素掩蓋，只保留目標(biāo)區(qū)域內(nèi)的像素。由于艦船目標(biāo)與島嶼背景在外觀上相似，而噪聲干擾可能導(dǎo)致誤判，通過(guò)采用目標(biāo)掩碼的方法，能夠突出強(qiáng)調(diào)艦船目標(biāo)自身的顯著性區(qū)域，同時(shí)屏蔽島嶼背景和噪聲干擾。對(duì)算法后續(xù)得到的顯著圖進(jìn)行掩碼操作，即目標(biāo)掩碼與顯著性圖像進(jìn)行點(diǎn)乘操作，凸顯艦船目標(biāo)區(qū)域，將目標(biāo)掩碼中艦船目標(biāo)設(shè)置為1，背景設(shè)置為0，得到一個(gè)二值掩碼，從而僅保留艦船目標(biāo)區(qū)域的顯著性信息，并濾除其他區(qū)域的顯著性值。通過(guò)這種方式有助于提高顯著性檢測(cè)的準(zhǔn)確性和可靠性。

2.2.3改進(jìn)后的算法步驟 改進(jìn)后的SR算法的具體步驟：（1）對(duì)圖像進(jìn)行超像素分割，分成100個(gè)超像素區(qū)域Si，迭代次數(shù)默認(rèn)為10，得到超像素分割的邊界信息B。

（2）計(jì)算每個(gè)超像素區(qū)域的平均灰度值，將超像素區(qū)域像素的灰度值替換為其對(duì)應(yīng)的平均灰度值，實(shí)現(xiàn)映射。

， （1）

其中，N是超像素區(qū)域Si（i取值1～100）中的像素?cái)?shù)，I（x，y）是像素（x，y）的灰度值。

（3）對(duì)重構(gòu)后的圖像進(jìn)行傅里葉變換。

， （2）

其中，U為重構(gòu)后的灰度圖像。

（4）計(jì)算傅里葉變換結(jié)果的對(duì)數(shù)幅度譜和相位譜。

， （3）

， （4）

其中，Lf為對(duì)數(shù)幅度譜，Pf為相位譜。

（5）計(jì)算剩余譜，并對(duì)剩余譜進(jìn)行逆傅里葉變換，得到顯著圖。

， （5）

， （6）

其中，Rf為剩余譜，Cf為經(jīng)過(guò)均值濾波器處理后的平均對(duì)數(shù)幅度譜，Sf為顯著圖，Gx為高斯卷積核。

（6）將顯著圖中邊界位置的像素值替換成對(duì)應(yīng)的超像素邊界位置的像素值，得到邊緣信息增強(qiáng)后的顯著圖F。

， （7）

其中，B為邊界，如果像素（x，y）屬于邊界，則將像素值替換為超像素區(qū)域的邊界像素值，否則仍為原來(lái)的像素值。

（7）引入目標(biāo)掩碼信息，將得到的顯著圖與目標(biāo)掩碼相乘，這樣可以排除背景干擾得到最終的顯著圖O。

， （8）

其中，M為目標(biāo)掩碼。同時(shí)，在實(shí)際應(yīng)用中，為了正確識(shí)別和定位物體，需要加入邊界框來(lái)獲取感興趣區(qū)域，所以本研究選用矩形框?qū)⒛繕?biāo)進(jìn)行框選。

3實(shí)驗(yàn)過(guò)程與結(jié)果分析

3.1 性能比較

本實(shí)驗(yàn)基于改進(jìn)SR算法進(jìn)行紅外艦船目標(biāo)的顯著性檢測(cè)，試驗(yàn)平臺(tái)為Windows 10操作系統(tǒng)，其中算法運(yùn)行環(huán)境為MATLAB R2022b，處理器為Intel（R） Core（TM） i5-7300HQ CPU @ 2.50GHz，內(nèi)存為16 GB，GPU為一張NVIDIA GeForce GTX 1050，顯存為4 GB。紅外圖像數(shù)據(jù)集待測(cè)圖片共1264張，艦船目標(biāo)有多種形態(tài)，并且包括雨雪、強(qiáng)光、島嶼等多種背景，標(biāo)準(zhǔn)圖片大小為320×240。本研究選用的數(shù)據(jù)集包含艦船檢測(cè)任務(wù)中常見(jiàn)的多種背景與目標(biāo)，可以滿足檢測(cè)要求。

算法評(píng)價(jià)指標(biāo)采用ROC曲線[19]，其以兩個(gè)參數(shù)為基礎(chǔ)：真陽(yáng)率和假陽(yáng)率。真陽(yáng)率是指在所有真實(shí)顯著目標(biāo)中，被正確檢測(cè)出來(lái)的比例；假陽(yáng)率是指在所有非顯著目標(biāo)或背景中，被錯(cuò)誤判斷為顯著目標(biāo)的比例。

， （9）

， （10）

其中：TPR為真陽(yáng)率；FPR為假陽(yáng)率；TP為模型正確識(shí)別的正例樣本數(shù)；FN為模型錯(cuò)誤地將正例預(yù)測(cè)為負(fù)例的數(shù)量；FP為模型錯(cuò)誤地將負(fù)例預(yù)測(cè)為正例的數(shù)量；TN為模型正確識(shí)別的負(fù)例樣本數(shù)。AUC[19]是ROC曲線下的面積，其取值范圍為0～1，越接近1表示模型性能越好，越接近0.5表示模型性能越差。本研究針對(duì)數(shù)據(jù)集的1264張圖像繪制了ROC曲線（圖3），計(jì)算了AUC值，并與幾種不同的顯著性檢測(cè)方法進(jìn)行對(duì)比（見(jiàn)圖3中圖例右側(cè)數(shù)據(jù)，最后兩個(gè)分別為焦方浩等[1]和馬峰[3]的算法）。

此外，艦船目標(biāo)檢測(cè)算法的速度也是評(píng)價(jià)其性能的重要指標(biāo)之一，本研究將改進(jìn)后的顯著性檢測(cè)算法主體與市面上主流的顯著性算法進(jìn)行速度（即算法所需的計(jì)算時(shí)間）對(duì)比，結(jié)果見(jiàn)表1。

由圖3和表1可知，改進(jìn)后的SR算法的結(jié)果明顯優(yōu)于其他常見(jiàn)的顯著性檢測(cè)算法，其檢測(cè)模型的正確性更高。與改進(jìn)前的SR算法相比較，改進(jìn)后的SR算法在基本不影響速度的基礎(chǔ)上，AUC大約有3%的提升，準(zhǔn)確性達(dá)到94.22%，能夠更好地滿足艦船目標(biāo)的檢測(cè)要求。

3.2 消融實(shí)驗(yàn)

通過(guò)消融實(shí)驗(yàn)分析圖像預(yù)處理、超像素分割和目標(biāo)掩碼對(duì)于顯著性檢測(cè)性能的影響，結(jié)果見(jiàn)表2。

通過(guò)本研究中的預(yù)處理算法，有效地濾除圖像中的噪聲，顯著性檢測(cè)算法的正確性提升1.28%。引入超像素分割后，檢測(cè)正確性進(jìn)一步提升0.41%，說(shuō)明超像素分割在減少計(jì)算量的同時(shí)能捕捉艦船目標(biāo)更細(xì)粒度的局部特征。引入目標(biāo)掩碼可以進(jìn)一步優(yōu)化算法的表現(xiàn)，正確性繼續(xù)提升1.38%。借助目標(biāo)掩碼提供的信息，雖然增加了算法的運(yùn)行時(shí)間，但能夠針對(duì)感興趣區(qū)域進(jìn)行更加準(zhǔn)確的顯著性檢測(cè)，避免背景干擾的影響，并減少誤差和漏檢的問(wèn)題。實(shí)驗(yàn)效果如圖4。

根據(jù)表2和圖4的結(jié)果，經(jīng)過(guò)圖像預(yù)處理后，本研究中的算法能夠有效地排除背景噪聲的干擾。同時(shí)，超像素分割的應(yīng)用能夠有效地保留艦船目標(biāo)的局部特征信息。此外，對(duì)于存在島嶼背景的艦船目標(biāo)紅外圖像，分別對(duì)圖像直接顯著性檢測(cè)和添加目標(biāo)掩碼以后進(jìn)行顯著性檢測(cè)，可以發(fā)現(xiàn)，使用目標(biāo)掩碼后的顯著性檢測(cè)方法更加專注于艦船目標(biāo)本身，消除了島嶼背景的干擾。

3.3 不同目標(biāo)顯著性檢測(cè)結(jié)果

針對(duì)不同類型的艦船目標(biāo)進(jìn)行檢測(cè)，改進(jìn)后的SR算法能夠排除海雜波和背景島嶼的干擾，正確檢測(cè)到艦船目標(biāo)所在的位置，檢測(cè)結(jié)果如圖5。

對(duì)比改進(jìn)前后算法的檢測(cè)結(jié)果圖像，可以發(fā)現(xiàn)改進(jìn)后的SR算法能夠更多地關(guān)注艦船目標(biāo)的邊緣信息，并排除周圍島嶼等環(huán)境背景對(duì)算法的影響，從而使算法更專注于艦船目標(biāo)本身，這種改進(jìn)可以顯著提高目標(biāo)檢測(cè)的正確性，有效排除島岸背景對(duì)于檢測(cè)的影響，而改進(jìn)前的算法對(duì)于復(fù)雜島岸背景則無(wú)法實(shí)現(xiàn)有效檢測(cè)。改進(jìn)后算法具有更強(qiáng)的適應(yīng)性和優(yōu)良的性能，能夠完成復(fù)雜背景下的檢測(cè)任務(wù)。

4總 結(jié)

本研究在圖像預(yù)處理階段采用了自適應(yīng)六邊形中值濾波和小波變換圖像融合，濾除圖像中的噪聲。通過(guò)對(duì)剩余譜顯著性檢測(cè)進(jìn)行改進(jìn)，引入超像素分割減少運(yùn)算量和保留艦船目標(biāo)的局部特征，引入目標(biāo)掩碼以排除島嶼背景的干擾。實(shí)驗(yàn)結(jié)果表明，本研究中的改進(jìn)SR算法相比于改進(jìn)前SR算法，在檢測(cè)正確性方面提高了約3%，達(dá)到94.22%，有效地滿足了紅外圖像艦船目標(biāo)檢測(cè)任務(wù)的要求。

參考文獻(xiàn)：

[1] 焦方浩，王中訓(xùn)，董云龍.一種新的紅外艦船圖像分割方法[J].煙臺(tái)大學(xué)學(xué)報(bào)（自然科學(xué)與工程版），2023，36（3）：365-370.

[2] CHENG M M， MITRA N J， HUANG X L， et al. Global contrast based salient region detection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2014， 37（3）： 569-582.

[3] 馬鋒. 基于頻率調(diào)制的紅外艦船顯著性檢測(cè)方法研究[J]. 紅外，2014，35（10）：46-48.

[4] 羅雅丹，唐振華，覃團(tuán)發(fā). 基于DCT域視覺(jué)顯著性檢測(cè)的圖像縮放算法[J]. 計(jì)算機(jī)應(yīng)用研究，2016，33（1）：296-299，320.

[5] YANG C， ZHANG L H， LU H C， et al. Saliency detection via graph-based manifold ranking[C]//2013 IEEE Conference on Computer Vision and Pattern Recognition. Portland， OR： IEEE， 2013： 3166-3173.

[6] 劉夢(mèng). 抑制紅外圖像噪聲和模糊的超分辨率技術(shù)研究[D]. 武漢：華中科技大學(xué)，2021：1-11.

[7] 樊文定，李彬華，李俊武. 基于小波變換與深度殘差融合的圖像增強(qiáng)算法[J]. 光電子·激光，2022，33（7）：715-722.

[8] 劉智嘉，夏寅輝，楊德振，等. 基于中值濾波器的紅外圖像噪聲處理的改進(jìn)方法[J]. 激光與紅外，2019，49（3）：376-380.

[9] 吳朋波. 基于六邊形和T字形窗口濾除圖像噪聲的研究[D]. 石家莊：河北師范大學(xué)，2013：14-20.

[10] 仇榮超，呂俊偉，宮劍，等. 多波段前視紅外圖像融合的海面雜亂背景平滑方法[J]. 光譜學(xué)與光譜分析，2020，40（4）：1120-1126.

[11] 徐景秀，張青. 改進(jìn)小波軟閾值函數(shù)在圖像去噪中的研究應(yīng)用[J]. 計(jì)算機(jī)工程與科學(xué)，2022，44（1）：92-101.

[12] HOU X D， ZHANG L Q. Saliency detection： a spectral residual approach[C]//2007 IEEE Conference on Computer Vision and Pattern Recognition. Minneapolis： IEEE， 2007： 1-8.

[13] VAN DER SCHAAF A， VAN HATEREN J H. Modelling the power spectra of natural images： statistics and information.[J].Vision Research， 1996， 36（17）： 2759-2770.

[14] TORRALBA A， OLIVA A. Depth estimation from image structure[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2002， 24（9）： 1226-1238.

[15] TORRALBA A， OLIVA A. Statistics of natural image categories[J]. Network： Computation in Neural Systems， 2003， 14 （3）： 391-412.

[16] ELAD M， AHARON M. Image denoising via sparse and redundant representations over learned dictionaries[J]. IEEE Transactions on Image Processing， 2006， 15（12）： 3736-3745.

[17] ACHANTA R， SHAJI A， SMITH K， et al. SLIC superpixels compared to state-of-the-art superpixel methods[J]. IEEE Transactions on Pattern Analysis amp; Machine Intelligence， 2012， 34（11）： 2274-2282.

[18] 段苛苛，邰瀅瀅. 基于二值掩碼圖像的粒子濾波目標(biāo)跟蹤快速算法[J]. 計(jì)算機(jī)工程與應(yīng)用，2017，53（22）：16-20.

[19] HAND D J， TILL R J. A simple generalisation of the area under the ROC curve for multiple class classification problems[J]. Machine Learning， 2001， 45（2）： 171-186.

Infrared Ship Detection Technology Based on Improved Residual Spectral Significance Detection

HE Dongsheng，LOU Shuli

（School of Physics and Electronic Information， Yantai University， Yantai 264005， China）

Abstract： In order to solve the problem that the traditional significance detection method is not accurate in infrared ship target detection， a significance detection method based on improved residual spectrum is proposed. Firstly， adaptive hexagon median filtering and wavelet image fusion are used to remove noise from infrared images. And then， based on the residual spectral significance detection algorithm， superpixel segmentation is introduced to process the target area of the ship to reduce the amount of calculation， while retaining the edge information of the ship target. In addition， the target mask is introduced to eliminate background interference to improve the accuracy of the algorithm. Finally， the detection of ship targets is realized by extracting a salient map of the image. Experiments show that this approach can achieve an accuracy about 3% higher than that of the previous， and therefore can help to accurately detect ship targets in complex backgrounds such as islands.

Key words： infrared ship target; adaptive hexagon median filtering; significance detection; superpixel segmentation