本发明属于红外图像弱小点目标检测领域，具体涉及一种基于局部高阶权值的弱小点目标检测方法。
背景技术：
1、局部目标增强是一种图像处理技术，它的目的是提高图像中目标的可见性和对比度，同时抑制背景的干扰。局部目标增强的应用场景主要包括红外成像、医学成像、遥感成像等领域，这些领域中的图像通常存在目标与背景的温差或灰度差较小，对比度低，细节丢失，噪声干扰等问题，影响了图像的质量和可用性。因此，需要对图像进行局部目标增强，以突出图像中的目标特征，提高目标的检测和识别性能，满足不同应用的需求。
2、局部目标增强的基本原理是根据图像的局部灰度特征来动态地确定每个像素的灰度值，使得图像中的对比度和动态范围增大。局部目标增强的方法有多种，根据其原理和实现方式，可以分为以下几类：1)基于相位谱的方法，它利用傅里叶变换的相位谱来增强图像中目标的边缘和细节，例如基于自适应分数阶微分的红外目标增强算法，它通过对相位谱进行自适应分数阶微分，来增强红外图像中目标的边缘和细节，同时抑制背景噪声。2)基于对比度的方法，它利用图像的局部统计信息来调整图像的灰度值，以增加图像中目标和背景的差异，例如基于局部对比度机制的红外弱小目标检测算法，它通过在目标增强结果与背景估计结果之间进行比差联合的对比度计算，达到同时增强目标和抑制背景的目的。3)基于干涉的方法，它利用光学干涉的原理来测量目标的相位变化，然后通过相位重建算法来恢复目标的形状和表面特征，例如基于多光束混合外差干涉的相位增强技术，它通过使用多光束混合干涉仪来测量目标的相位变化，然后通过相位重建算法来恢复目标的形状和表面特征，适用于微弱振动目标的增强。
3、局部目标增强的技术发展经历了从传统的空域和频域方法，到基于retinex理论和多曝光融合的方法，再到基于深度学习和生成对抗网络的方法的演变过程。随着图像处理技术的不断进步，局部目标增强的方法也在不断创新和优化，以适应不同的图像场景和应用需求。局部目标增强的技术趋势主要包括以下几个方面：
4、·从有监督的学习到无监督或弱监督的学习，以降低对成对数据的依赖，提高模型的通用性和鲁棒性。
5、·从全局的映射关系到局部的映射关系，以考虑图像的空间信息和上下文信息，提高图像的细节和质感。
6、·从单一的增强目标到多样的增强目标，以满足不同的视觉效果和用户偏好，提高图像的美观和可视性。
技术实现思路
1、为解决上述技术问题，进一步推动该领域的发展，本发明提供一种基于局部高阶权值的弱小点目标检测方法，从局部高阶权值的定义以增强目标。如果当前位置是目标出现的区域，则认为当前区域的局部最大值灰度值和局部灰度方差大于其他区域。因此，得到的局部高阶权值大于其他区域的局部高阶权值，这样可以增强目标；相反，如果当前位置为背景，则当前区域的局部最大值灰度值和局部灰度方差小于目标区域。因此，得到的局部高阶权值可能小于目标区域的局部高阶权值，这样背景就被抑制了。本发明能够更好的实现红外弱小点目标的增强，更大程度的实现复杂背景的抑制。
2、为达到上述目的，本发明采用的技术方案为：
3、一种基于局部高阶权值的弱小点目标检测方法，包括如下步骤：
4、步骤s1：输入图像后，根据目标大小设置局部滑动窗口大小；
5、步骤s2：使用局部滑动窗口遍历图像的每一个像素；
6、步骤s3：计算局部滑动窗口的高阶权值；
7、步骤s4：将计算结果赋予遍历的每一个像素点，获得高阶权值图；
8、步骤s5：最后设置自适应阈值分割，检测出目标。
9、进一步地，步骤s1包括：
10、输入含有弱小点目标的红外单帧图像，根据目标的大小设置局部滑动窗口的大小；
11、进一步地，步骤s2局部滑动窗口包括：
12、将设置好的局部滑动窗口遍历图像的每一个像素，关系如下：
13、row_start＝max(1，i-windowsize) (1)
14、row_end＝min(m，i+windowsize) (2)
15、col_start＝max(1，j-windowsize) (3)
16、col_end＝min(n，j+windowsize) (4)
17、式中：(m，n)为图像的大小；
18、row和col分别表示为行和列；start和end分别表示为开始和结束；
19、windowsize为局部滑动窗口大小；(i，j)为局部滑动窗口的中心坐标；i∈[1，m]，j∈[1，n]。
20、进一步地，步骤s3包括：
21、将每一个局部滑动窗口进行高阶权值计算，局部高阶权值表示为：
22、localmax＝max(f1，f2，f3...fn) (5)
23、
24、
25、
26、式中：fn为局部滑动窗口中子窗口的灰度值；n和l为子窗口的数量；λ为正则化项；localmax为局部灰度最大值；localmean为局部灰度均值；localstd为局部灰度方差；α，β为高阶指数；h为局部高阶权值。
27、进一步地，步骤s4包括：
28、将每一次局部滑动窗口得到的h值代替当前像素点的灰度值，作为新的灰度值，得到局部高阶权值图。
29、进一步地，步骤s5包括：
30、将最后的高阶权值图设置自适应阈值分割，检测出目标，表示为：
31、t＝μ+ε*σ (9)
32、其中，t为自适应阈值；μ和σ为最终高阶权值图的均值和方差；ε为经验系数，取值范围为0～1。
33、本发明的原理是：通过计算局部高阶权值的方法，图像的局部灰度统计量来调整每个像素的灰度值，使得图像中的对比度和动态范围增大。图像的局部方差统计量来获取图像的梯度信息和边缘细节。具体来说，对于图像中的每个像素，首先确定其邻域，即以该像素为中心的一个规定大小的区域。然后，计算该邻域中的最大灰度值、方差和均值。最后，采用局部高阶权值计算，得到的值作为该像素点新的灰度值。重复这个过程，直到所有像素都被处理，得到增强后的图像。本发明基于局部高阶权值的弱小点目标检测方法，充分利用了点目标本身的特性以及目标领域的特点，实现了弱小点目标的检测。
34、本发明与现有技术相比的有益效果在于：
35、1)能更好的实现红外弱小点目标的增强；
36、2)能更大程度的实现复杂背景的抑制；
37、3)具有操作简单，效率高等优点。
1.一种基于局部高阶权值的弱小点目标检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于局部高阶权值的弱小点目标检测方法，其特征在于，所述步骤s1包括：输入含有弱小点目标的红外单帧图像，根据目标的大小设置局部滑动窗口的大小。
3.根据权利要求1所述的一种基于局部高阶权值的弱小点目标检测方法，其特征在于，所述步骤s2包括：
4.根据权利要求1所述的一种基于局部高阶权值的弱小点目标检测方法，其特征在于，所述步骤s3局部滑动窗口包括：
5.根据权利要求1所述的一种基于局部高阶权值的弱小点目标检测方法，其特征在于，所述步骤s4包括：
6.根据权利要求1所述的一种基于局部高阶权值的弱小点目标检测方法，其特征在于，所述步骤s5包括：
