CN101064010A - 红外小目标检测的图像预处理装置 - Google Patents
红外小目标检测的图像预处理装置 Download PDFInfo
- Publication number
- CN101064010A CN101064010A CN 200610166534 CN200610166534A CN101064010A CN 101064010 A CN101064010 A CN 101064010A CN 200610166534 CN200610166534 CN 200610166534 CN 200610166534 A CN200610166534 A CN 200610166534A CN 101064010 A CN101064010 A CN 101064010A
- Authority
- CN
- China
- Prior art keywords
- module
- image
- threshold value
- coding
- small target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Abstract
红外小目标检测的图像预处理装置,属于图像识别中的图像预处理技术,目的在于缓解DSP压力,提高DSP处理效率,从而降低系统对DSP性能要求,降低成本。本发明包括图像接收、分割模块,阈值生成模块,滤波模块,编码模块及缓冲模块,图像接收、分割模块根据阈值生成模块得到的阈值在接收图像的同时对图像进行二值化分割,结果送到滤波模块进行滤波,再送到编码模块对图像进行编码;图像接收、分割模块和滤波模块之间、滤波模块和编码模块之间具有缓冲模块;本发明针对高分辨率灰度图像红外小目标检测处理,编码后的结果对于识别算法的处理十分有利,能够大大提高系统的性能,减小系统对高性能DSP及大容量存储器的依赖,减少系统成本,提高系统效率。
Description
技术领域
本发明属于图像识别中的图像预处理技术,具体涉及一种红外小目标检测的图像预处理装置。它针对高分辨率红外图像(1024*768以上),使用FPGA接收源图像数据,并完成数据分割,图像滤波和压缩编码等功能,且具有抗背景光干扰的能力,从而极大地降低了后续处理的数据量,使得红外小目标检测算法得以实时实现。
背景技术
目标检测识别技术广泛的应用于军事、医学、工业控制等领域。基于灰度图像的目标检测识别技术是目标识别技术中的一个重要分支,特别是在红外等图像中,目标往往会与背景呈现较大的灰度差异,或者是个区域亮斑,或者是个区域暗斑。为了更加有效的检测红外小目标,常会对图像进行一系列预处理,增强目标的特性,提高目标的检测概率,常用的图像预处理方法有:
1.灰度拉伸。对图像的灰度进行拉伸,增大目标与背景间的灰度差异,方便对目标的检测,但是,灰度拉伸无法增大目标的噪声之间的灰度差异,也就是无法降低噪声对目标的影响,而且灰度拉伸往往需要图像的灰度统计值,增加算法的计算量。
2.滤波。这也是最常用的图像预处理方法,对图像进行滤波处理可以有效抑制背景噪声,增强目标的边缘特性,增强目标和背景的对比度,迄今为止,针对点目标检测,人们已经发展了一系列比较成熟的滤波预处理算法,如最小均方误差滤波、高通滤波、空间匹配滤波、形态学滤波、基于模糊理论的滤波、基于神经网络的滤波以及基于小波变换的滤波等等,参见《红外》2006年第27卷第4期,中国科学院上海技术物理研究所俞建成等人的《红外图像中小目标检测研究》。各种滤波器都有其优点和其应用领域,而不管使用那种滤波方法,带来的都是大计算量,由于是对全图做处理,还需要很大的存储空间,对处理系统的要求比较高。
另外,在一个以DSP为核心的红外小目标识别系统中,使用DSP来完成整个目标检测运算,还会有许多弊病:
1.成像传感器的图像输出速度相对于DSP的处理速度来说通常很慢,而且在输出图像时还会有行消隐和场消隐时间,十分影响DSP的处理效率;
2.随着红外探测器件的发展,图像的分辨率越来越高,一幅图像的数据量相对于DSP的内存来说通常很大,DSP的内存是非常宝贵而且昂贵的资源,通常是无法将一幅图像存储在内存中处理,而把图像存储在外存中影响DSP的处理速度,还会增加系统成本;
3.DSP在对图像进行分割和标记处理的时候设计许多判断指令,而判断指令也是DSP处理效率最低的指令,会打断DSP的流水线处理,使得DSP的处理效率变得非常低下。
这些都说明了,使用DSP直接进行红外小目标检测效率会非常低下,而且当图像分辨率较高,图像数据量非常大、处理速度要求非常快的应用场合,常规DSP往往还不能满足要求。
发明内容
本发明提供一种红外小目标检测的图像预处理装置,目的在于缓解DSP的压力,提高DSP的处理效率,从而降低系统对DSP性能的要求,降低系统成本。
本发明的一种红外小目标检测的图像预处理装置,包括图像接收、分割模块,阈值生成模块以及滤波模块,其特征在于,它还包括编码模块及缓冲模块,各模块之间的连接关系为:图像接收、分割模块根据阈值生成模块得到的阈值在接收图像的同时对图像进行二值化分割,结果送到滤波模块进行滤波,再送到编码模块对图像进行编码;图像接收、分割模块和滤波模块之间、滤波模块和编码模块之间具有缓冲模块;
(1)图像接收、分割模块在接收图像的同时对图像进行二值化分割,通过选取合适的阈值将红外小目标和背景分割开;
(2)阈值生成模块依据上一帧图像灰度值统计得出阈值,适应图像亮暗变化,得到动态的阈值;
(3)滤波模块对分割后的图像进行滤波,滤除噪声;
(4)编码模块采用游程编码对滤波后图像进行编码,压缩图像数据;
(5)缓冲模块用以平衡各个模块之间的处理速度,充分利用输入图像的行消隐时间和场消隐时间,保证整个处理过程在一帧图像的传送过程中就能够完成。
所述的红外小目标检测的图像预处理装置,其特征在于,所述图像接收、分割模块,阈值生成模块、滤波模块及编码模块利用FPGA内部的可编程的逻辑单元生成,缓冲模块利用FPGA内嵌的先进先出存储器。
所述的红外小目标检测的图像预处理装置,其特征在于,在用FPGA实现时,所述图像接收、分割模块由一个比较器构成;阈值生成模块由4个比较器+计数器构成;编码模块由比较器+计数器构成。
本发明使用FPGA完成图像的分割、滤波和压缩编码,在图像接收的同时完成全部处理,节约了大量的处理时间。采用动态阈值的二值化分割,能够有效的随图像的灰度变化调节分割阈值,达到正确分割目标的目的。采用游程编码,能够直接反映出目标的大小信息,通过简单的判断就能够区分目标、背景和干扰物。压缩后的图像数据量非常小,大大节约了后续处理所需的存储空间。
本发明针对高分辨率(1024*768以上)灰度图像红外小目标检测处理,使用FPGA对图像进行分割、压缩和编码,编码后的结果对于红外小目标检测识别算法的处理也十分有利,较之以前使用DSP完成上述工作,能够大大提高系统的性能,减小系统对高性能DSP及大容量存储器的依赖,减少系统成本,提高系统效率。
附图说明
图1是本发明的实施例整体结构示意图;
图2是典型灰度图像中目标和背景的灰度统计直方图;
图3、图4是成像期间图像输出的时序图;
图5是图像输入、分割模块的示意图;
图6是阈值生成模块的基本构成示意图;
图7是编码模块的基本构成示意图;
具体实施方式
本发明实施例是使用一片Alter公司的Cyclone系列FPGA(EP1C6)来实现,如图1所示,各个模块的具体实现如下:
(1)图像接收、分割模块如图5所示,主要由一个比较器构成,图像的行同步(LINE_VALID)和场同步(FRAME_VALID)信号作为比较器的使能端,象素时钟(PIXCLK)作为比较器的触发时钟,输入的图像数据(DATA_IN)和阈值(THRESHOLD)就是比较器的输入,比较器的输出(DATA_OUT)就是分割后的结果,由一个FPGA内嵌的FIFO缓存。
(2)阈值生成模块,是由4个如图6所示的比较器+计数器构成,每一个比较器+计数器分别统计图像在81~120,121~160,161~200,201~255灰度区域的象素个数,然后根据统计的象素点个数(COUNT_OUT)最大的区域,找出图象中最亮干扰在什么区域中,以此定出分割阈值,如果象素最多的区域象素个数大于2048个,则上述4个区域分割阈值对应为100,160,200,240。否则分割阈值为80。
(3)滤波模块滤除了芝麻噪声,使用中值滤波,如:101滤波后变成111,010滤波后变成000,主要功能是减少噪声对编码和目标检测的影响。
(4)编码模块的实现如图7所示,也是一个比较器+计数器,输入是二值化后的图像数据(DATA_IN),与之相比较的是上一个图像数据值(B输入端),如果相等计数器加1,如果不等就输出当前码值,开始新一个码字的编码过程,比较器的使能端(DATA_VALID)是与FIFO的非空标志位相连,输出结果(DATA_OUT)送往缓存。编码模块使用游程编码对滤波后的结果进行压缩编码,编码后的码字为16位,最高位记录了象素值(0或1),低15位为计数值。
(5)缓冲FIFO模块使用FPGA内嵌的存储器块实现,在FPGA开发工具中直接调用。
(6)使用本发明对图像预处理后,使用一片TI公司的Media ProcessingUnit系列DSP TMS320DM642来实现图像处理的功能,数字多媒体处理器DM642是TI公司C6000系列的一款新型高性能DSP,基于C64x内核,具有64个32位通用寄存器,8个独立计算功能单元(2个乘法器,6个算术逻辑单元)可以并行运行。该DSP可在600MHz时钟速率运行,每个指令周期可并行运行8条32位指令,因此可达4800MIPS的峰值计算速度。原始图像数据经过本发明预处理后,通过FIFO接口传输给DSP处理,经过DSP内的硬件计时器的多次测量,图像处理算法的运行时间为0.5ms。如果不使用本发明的装置进行处理,该图像处理算法的运行时间为48.5ms,两相比较,使用本发明后,DSP的处理任务大大降低,可以节省出大量的处理指令周期来运行更复杂的算法或者选用较低性能的DSP。
由于红外小目标和背景往往会呈现一定的灰度差异,如图2是典型灰度图像中红外小目标和背景的灰度统计直方图,通过选取合适的阈值可以将红外小目标和背景分割开。
处理图像大小为1024×768×10bit,象素时钟48MHZ,每秒钟处理50帧图像,图3、图4显示了系统所使用成像芯片输出图像数据时的时序图,图3显示的是象素时钟(PIXCLK)、输出数据(DOUT)和行同步信号(LINE_VALID)的时序关系,图4显示的是行同步信号(LINE_VALID)和场同步信号(FRAME_VALID)的时序关系,图像中需要识别的目标是一个亮斑(目标灰度大于背景灰度),目标大小和灰度的范围已知。
Claims (3)
1.一种红外小目标检测的图像预处理装置,包括图像接收、分割模块,阈值生成模块以及滤波模块,其特征在于,它还包括编码模块及缓冲模块,各模块之间的连接关系为:图像接收、分割模块根据阈值生成模块得到的阈值在接收图像的同时对图像进行二值化分割,结果送到滤波模块进行滤波,再送到编码模块对图像进行编码;图像接收、分割模块和滤波模块之间、滤波模块和编码模块之间具有缓冲模块;
(1)图像接收、分割模块在接收图像的同时对图像进行二值化分割,通过选取合适的阈值将红外小目标和背景分割开;
(2)阈值生成模块依据上一帧图像灰度值统计得出阈值,适应图像亮暗变化,得到动态的阈值;
(3)滤波模块对分割后的图像进行滤波,滤除噪声;
(4)编码模块采用游程编码对滤波后图像进行编码,压缩图像数据;
(5)缓冲模块用以平衡各个模块之间的处理速度,充分利用输入图像的行消隐时间和场消隐时间,保证整个处理过程在一帧图像的传送过程中就能够完成。
2.如权利要求1所述的红外小目标检测的图像预处理装置,其特征在于,所述图像接收、分割模块,阈值生成模块、滤波模块及编码模块利用FPGA内部的可编程的逻辑单元生成,缓冲模块利用FPGA内嵌的先进先出存储器。
3.如权利要求2所述的红外小目标检测的图像预处理装置,其特征在于,在用FPGA实现时,所述图像接收、分割模块由一个比较器构成;阈值生成模块由4个比较器+计数器构成;编码模块由比较器+计数器构成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2006101665347A CN100476865C (zh) | 2006-12-28 | 2006-12-28 | 红外小目标检测的图像预处理装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2006101665347A CN100476865C (zh) | 2006-12-28 | 2006-12-28 | 红外小目标检测的图像预处理装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101064010A true CN101064010A (zh) | 2007-10-31 |
CN100476865C CN100476865C (zh) | 2009-04-08 |
Family
ID=38965021
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNB2006101665347A Expired - Fee Related CN100476865C (zh) | 2006-12-28 | 2006-12-28 | 红外小目标检测的图像预处理装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN100476865C (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101814139A (zh) * | 2010-04-14 | 2010-08-25 | 华中科技大学 | 一种雨滴识别方法 |
CN102324021A (zh) * | 2011-09-05 | 2012-01-18 | 电子科技大学 | 一种基于剪切波变换的红外弱小目标检测方法 |
CN103310419A (zh) * | 2013-06-18 | 2013-09-18 | 深圳大学 | 一种小目标图像处理装置 |
CN104657728A (zh) * | 2015-03-19 | 2015-05-27 | 江苏物联网研究发展中心 | 基于计算机视觉的条码识别系统 |
CN105321164A (zh) * | 2014-07-31 | 2016-02-10 | 南京理工大学 | 一种红外小目标预警系统 |
CN106529550A (zh) * | 2016-10-25 | 2017-03-22 | 凌云光技术集团有限责任公司 | 基于连通域分析的多维特征量提取方法及装置 |
CN108540808A (zh) * | 2018-05-10 | 2018-09-14 | 西安电子科技大学 | 基于fpga的高动态图像压缩处理系统 |
CN108960253A (zh) * | 2018-06-27 | 2018-12-07 | 魏巧萍 | 一种目标检测系统 |
CN109523773A (zh) * | 2018-11-26 | 2019-03-26 | Oppo广东移动通信有限公司 | 一种控制指令的处理方法、移动终端及计算机存储介质 |
CN109961450A (zh) * | 2019-02-19 | 2019-07-02 | 厦门码灵半导体技术有限公司 | 图像二值化处理方法、装置、存储介质和电子设备 |
CN112639817A (zh) * | 2018-06-20 | 2021-04-09 | 特斯拉公司 | 用于自主驾驶的数据管线和深度学习系统 |
-
2006
- 2006-12-28 CN CNB2006101665347A patent/CN100476865C/zh not_active Expired - Fee Related
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101814139A (zh) * | 2010-04-14 | 2010-08-25 | 华中科技大学 | 一种雨滴识别方法 |
CN102324021A (zh) * | 2011-09-05 | 2012-01-18 | 电子科技大学 | 一种基于剪切波变换的红外弱小目标检测方法 |
CN102324021B (zh) * | 2011-09-05 | 2013-03-13 | 电子科技大学 | 一种基于剪切波变换的红外弱小目标检测方法 |
CN103310419A (zh) * | 2013-06-18 | 2013-09-18 | 深圳大学 | 一种小目标图像处理装置 |
CN103310419B (zh) * | 2013-06-18 | 2015-10-21 | 深圳大学 | 一种小目标图像处理装置 |
CN105321164B (zh) * | 2014-07-31 | 2018-04-03 | 南京理工大学 | 一种红外小目标预警系统 |
CN105321164A (zh) * | 2014-07-31 | 2016-02-10 | 南京理工大学 | 一种红外小目标预警系统 |
CN104657728B (zh) * | 2015-03-19 | 2018-01-09 | 江苏物联网研究发展中心 | 基于计算机视觉的条码识别系统 |
CN104657728A (zh) * | 2015-03-19 | 2015-05-27 | 江苏物联网研究发展中心 | 基于计算机视觉的条码识别系统 |
CN106529550A (zh) * | 2016-10-25 | 2017-03-22 | 凌云光技术集团有限责任公司 | 基于连通域分析的多维特征量提取方法及装置 |
CN106529550B (zh) * | 2016-10-25 | 2020-02-04 | 凌云光技术集团有限责任公司 | 基于连通域分析的多维特征量提取方法及装置 |
CN108540808A (zh) * | 2018-05-10 | 2018-09-14 | 西安电子科技大学 | 基于fpga的高动态图像压缩处理系统 |
CN108540808B (zh) * | 2018-05-10 | 2020-01-31 | 西安电子科技大学 | 基于fpga的高动态图像压缩处理系统 |
CN112639817A (zh) * | 2018-06-20 | 2021-04-09 | 特斯拉公司 | 用于自主驾驶的数据管线和深度学习系统 |
CN108960253A (zh) * | 2018-06-27 | 2018-12-07 | 魏巧萍 | 一种目标检测系统 |
CN109523773A (zh) * | 2018-11-26 | 2019-03-26 | Oppo广东移动通信有限公司 | 一种控制指令的处理方法、移动终端及计算机存储介质 |
CN109961450A (zh) * | 2019-02-19 | 2019-07-02 | 厦门码灵半导体技术有限公司 | 图像二值化处理方法、装置、存储介质和电子设备 |
CN109961450B (zh) * | 2019-02-19 | 2021-08-24 | 厦门码灵半导体技术有限公司 | 图像二值化处理方法、装置、存储介质和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN100476865C (zh) | 2009-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN100476865C (zh) | 红外小目标检测的图像预处理装置 | |
US11600059B2 (en) | Systems and methods for providing an image classifier | |
US9386318B2 (en) | Lossless image compression using differential transfer | |
JP2001512298A (ja) | 画像及び信号処理のための装置及び方法 | |
CN110472566B (zh) | 一种高精度的模糊人脸识别方法 | |
CN114285962B (zh) | 噪声处理装置、方法、芯片、事件成像装置及电子设备 | |
CN112966635B (zh) | 面向低分辨率时序遥感影像的运动舰船检测方法及装置 | |
CN110533614A (zh) | 一种结合频域和空域的水下图像增强方法 | |
US8704886B2 (en) | Methods and apparatus to form a wavelet representation of a pathology slide having glass and tissue regions | |
CN115499670A (zh) | 一种基于边缘计算的视频图像压缩处理设备 | |
CN115396669A (zh) | 一种基于兴趣区域增强的视频压缩方法及装置 | |
CN1436424A (zh) | 用于图像相关性最小失真计算的自适应尽快退出技术 | |
US11551462B2 (en) | Document scanning system | |
CN1436426A (zh) | 用于图像相关性最小失真计算的自适应尽快退出技术 | |
CN112200740B (zh) | 一种基于图像边缘检测的图像分块去重方法和系统 | |
CN2838166Y (zh) | 控制平均亮度的直方图均衡装置 | |
Zhang et al. | An adaptive infrared image preprocessing method based on background complexity descriptors | |
Edula et al. | A Novel Framework for QR Code Detection and Decoding from Obscure Images using YOLO Object Detection and Real-ESRGAN Image Enhancement Technique | |
Shah et al. | FPGA Implementation of Image Compression Algorithm Using Bottom-up Approach of Quad Tree Technique | |
Leavers | Active intelligent vision using the dynamic generalized Hough Transform. | |
Reddy et al. | A review of image denoising using machine learning | |
CN110312135B (zh) | 一种基于内容识别的微小颗粒图像压缩编码方法 | |
EP1779670A1 (en) | Adaptive classification system and method for mixed graphic and video sequences | |
Bhat | A Review on Image De-Noising Techniques | |
Bath et al. | Improve image-denoising by using weight based sparse matrix in term of MSE & PSNR |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20090408 Termination date: 20111228 |