CN101551851A - 一种红外图像目标识别方法 - Google Patents
一种红外图像目标识别方法 Download PDFInfo
- Publication number
- CN101551851A CN101551851A CNA2008100108453A CN200810010845A CN101551851A CN 101551851 A CN101551851 A CN 101551851A CN A2008100108453 A CNA2008100108453 A CN A2008100108453A CN 200810010845 A CN200810010845 A CN 200810010845A CN 101551851 A CN101551851 A CN 101551851A
- Authority
- CN
- China
- Prior art keywords
- image
- zone
- target
- row
- infrared image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 81
- 230000011218 segmentation Effects 0.000 claims abstract description 24
- 238000000605 extraction Methods 0.000 claims abstract description 23
- 238000003709 image segmentation Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000003384 imaging method Methods 0.000 claims abstract description 4
- 238000012795 verification Methods 0.000 claims description 18
- 239000000284 extract Substances 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000002372 labelling Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 7
- 238000011426 transformation method Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 4
- 230000002708 enhancing effect Effects 0.000 abstract description 3
- 125000004122 cyclic group Chemical group 0.000 abstract 1
- 230000002194 synthesizing effect Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 8
- 230000000007 visual effect Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013316 zoning Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种红外图像目标识别方法。它利用一维图像处理的思想解决二维红外图像分割的技术问题，即：将循环分割处理的每一行图像像素合成二维二值图像；具体步骤：1)通过多尺度小波变换方法对红外图像进行增强；2)利用对红外图像中凸性区域的提取，实现对各种成像条件下的红外目标的稳定分割，每次处理一行像素，将处理结果合成与原来图像尺寸一致的二维二值图像；3)然后对分割后的图像进行二值图像连通标记同时提取基本特征，然后在此基础上定义待提取特征，并利用基本特征计算特征抽取；4)并利用投票的方法确定候选目标区域，最终结合待识别目标的先验知识进行精确识别，从候选目标中确定最终目标。本发明具有准确性，实时性和鲁棒性。
Description
技术领域
本发明涉及图像处理、模式识别和自动目标识别(ATR)技术，具体地说是一种红外图像待识别目标(特别是红外机场跑道)分割及识别方法。
背景技术
目前，红外图像分割和自动目标检测(Automatic Target Detection，ATD)，自动目标识别(Automatic Target Recognition，ATR)技术正在被广泛引用于自动目标识别，飞行器航路地形匹配和地标校验，目标搜寻和营救等等。此类技术优势正在凸显，应用也越来越广泛，因此引起了国内外科研单位的高度关注，一直是国内外地研究热点。其中，远距离前视红外目标识别更是有着重要的意义，其主要任务是针对飞行器飞行时自动寻找目标，校正航路等等。红外机场跑道识别是红外自动目标识别的一个具体应用，由于其自身的重要性，引起了国内外军事研究领域的高度兴趣，很多方法被有针对性的提出。总结起来大体可以分为两类：基于边缘提取的识别方法和基于阀值分割为基础的区域识别方法。
基于边缘提取的识别方法：
(1)基于Hough变换的方法(叶斌，彭嘉雄，基于结构特征的军用机场识别与理解[J]，华中科技大学学报，2001，29(3)：39-41)，这种方法首先对图像进行边缘提取，利用机场的先验形状知识假设，假设机场都是长条形状的区域，在图像中都呈现并且可以提取出平行的长条直线，通过识别红外图像中的长条形边缘目标从而识别机场。
(2)罗军，杨卫平等(罗军，杨卫平，沈振康，红外图像中机场跑道的自动目标识别[J]，红外技术，2003，(03))利用空域滤波，细化边缘进而对边缘二值化，通过最小二乘拟合直线的方法得到直线图像上识别机场跑道，找到机场跑道中心点。
(3)李小毛等(李小毛，唐延东，肖颍杰，多尺度线状目标的机场跑道识别[J]，红外与激光工程，2005，(06))利用多尺度线状目标强化方法对目标进行强化，对机场跑道进行区域处理，然后利用Hession矩阵等方法提取边缘，并对图像二值化处理，最终利用图像的形状信息识别机场跑道。
基于阀值分割的区域识别方法：
(4)基于不变矩的前视红外图像机场目标识别方法(张天序，曹杨，刘进，李勐，基于不变矩的前视红外图像机场目标识别，华中科技大学学报(自然科学版)2007.1)，该方法主要对图像进行阈值分割，搜索分割图像中各潜在目标区域轮廓链，计算其仿射不变矩和目标背景梯度特征，并利用前后帧目标大小的约束关系等先验知识，对各候选目标区域进行识别。
(5)基于分形理论的红外图像机场跑道自动目标识别(闫晓珂，史彩成，赵保军，何佩琨，基于分形理论的红外图像机场跑道自动目标识别，激光与红外2006.9)，该方法根据对原图像分别进行直方图动态阈值化分割和分形阈值分割，提取纹理特征进而对红外机场进行识别。
(6)姚克明等(姚克明，宋利权，张金锁，基于复杂背景的红外机场目标自动识别算法研究[J]，红外与激光工程，2007，(03))采用双阈值最大类间方差快速算法快速找到分割阈值，采用二值标记算法标记分割图像，利用Freeman链码标记图像的轮廓特征，最终利用特征提取的方法识别标记后的机场跑道。
由以上所列举的方式方法来看，主要分为两类：(1)基于边缘提取的识别方法，主要是对红外图像进行边缘提取，然后利用边缘链接或Hough变换的方法识别机场跑道；(2)基于区域分割的识别方法，主要利用阀值分割确定候选区域，然后提取特征进行识别。然而在实际应用中，这两类方法都有很多先天性的弊端，首先红外成像条件的变化，周围环境的复杂性，成像条件恶劣，噪声的干扰等因素的影响，使得机场跑道成为复杂背景中的弱目标，导致基于边缘的方法提取的边缘信息不是很可靠，而且还包涵很多冗余的边缘信息，给后续判断和识别跑道带来了很大困难，因此基于边缘的方法稳定性不高；再者由于顺光拍摄和逆光拍摄的影响，红外机场跑道成像为亮暗目标区域的形态，这使得基于阀值分割的方法很难将机场从背景中分割出来，因此单纯依靠阀值分割，以及基于分割区域进行特征提取的识别方法在实际应用中也有很大的局限性。
发明内容
为了解决以上问题，本发明的目的在于提出一种具有准确性，实时性和鲁棒性的红外图像待识别目标分割及识别方法，有效的解决上述提取的边缘信息不可靠及阀值分割局限性问题。
为了实现上述目的，本发明的技术方案如下：
本发明利用一维(1D)图像处理的思想解决二维(2D)红外图像分割的技术问题，即；将循环分割处理的每一行图像像素合成二维二值图像，具体；1)通过多尺度小波变换方法对红外图像待识别目标进行增强；2)通过对红外图像中凸性区域的提取实现对各种成像条件下红外目标的稳定分割，每次处理一行像素，将处理结果合成与原来图像尺寸一致的二维二值图像；3)然后对分割后的图像进行二值图像连通标记同时提取基本特征，然后在此基础上定义待提取特征，并利用基本特征计算特征抽取；4)利用投票的方法确定疑似候选目标区域，最终结合待识别目标的先验知识进行精确识别，从候选目标中确定最终目标。
所述多尺度小波变换方法对红外图像进行增强的步骤如下：
用Haar小波对每一行图像分别进行多维分解，分解为低频和高频部分，利用中值滤波的方法对高频部进行中值滤波，消除噪声影响；然后通过Haar反变换，将1D图像信号还原。
所述对红外图像中凸性区域的提取，实现对各种成像条件下的红外目标的稳定分割的步骤如下：
凸性区域的定义：该区域指区域内的象素灰度均值高于周围区域；利用先验知识，估算出待识别目标的最大长度Lengthmax和最小长度Lengthmin。对多尺度小波增强后的图像提取梯度信息，梯度大于0为上升区域，梯度小于0为下降区域，上升区域和下降区域的区间间隔Gap在最大长度Lengthmax和最小长度Lengthmin之间，即为凸性区域目标区域，令其为1，其余部分为0。由此获得1D图像的二值图像。
所述对分割后的图像进行二值图像连通标记同时提取基本特征步骤：基于并查结构的标记算法，将基本特征提取与到二值图像连通标记相结合，使得只对图像进行一次扫描就可以实现连通区域标记，并且在标记二值连通区域的同时计算该区域内的一些基本区域特征|为：行宽，列长，行坐标，列坐标，区域大小，质心位置；通过第一次扫描，确定并查结构中树的唯一根节点，利用扫描根节点列表将大根节点的子节点进行归类，从而实现了二值图像连通标记同时提取基本特征。
所述待提取区域特征的定义：共有9种特征描述方式，其中包括量纲性的特征描述方式(此类属性跟图像大小、分辨率等因素有关，会随图像大小的变化而改变)，非量纲性的特征(此类属性与图像大小、分辨率等因素无关，只与区域自身的形状、方向等有关，不随图像大小改变而变化)，以及目标校验属性。具体如下：
本发明设红外灰度图像为Igray(L，P)，L，P分别表示图像的横坐标和纵坐标，R表示某个标记区域。
量纲性特征：
区域大小(F1)：
区域最大长度(F2)：L，P×R，其中s1，s2是区域中两点的标号
非量纲特征：
(a)长宽比(F3)：
式中；max(height)指区域的最大高度，max(length(row))指区域中行最大长度。
(b)平均行长方差(F4)：
其中NR指区域的总行数，MRow指区域的平均行长，④Row就是所求的平均行长方差，这里为了出于对计算速度的最求，采用采用绝对值代替平方计算。
(c)区域内灰度方差(F5)：
其中MGray指区域内的平均灰度值，④Gray是指灰度方差，这里为了出于对计算速度的最求，采用采用绝对值代替平方计算。
(d)中心点拟合方差(F6)：令MidPtrow(L，P)表示区域R每行的中点坐标，利用直线拟合方法计算所有属于区域R的行中点拟合出的直线
则中心点拟合方差为其中(xrow，yrow)指某行中点的坐标值。
(e)中心矩形比例(F7)：
(f)区域复杂度隶属度函数用区域复杂度与最大复杂度之比作为该特征的隶属度函数。设区域边长为l，区域面积为m，面积阈值为Tm，则复杂度的隶属度函数为(F8)：
目标校验属性：
(a)区域质心：
所述基于投票(Voting)方式的目标候选区域识别步骤：
由2种量纲特征和6种非量纲特征得到一个属性矩阵，
然后分别对每行进行排序，保留前T个区域，而后面的区域总数(TotoalNum)-T个区域剔除，如果某个区域的属性Fu，v被保留，本发明令
否则，
然后本发明对每个区域的属性求和
如果
则该区域为目标候选区域；否则，该区域不是目标候选区域，从而实现了目标候选区域识别。
所述结合先验知识对精确目标识别步骤：
结合目标区域的先验知识，获取目标的真实长度、宽度、角度等先验形状信息，通过成像变换原理，得到目标区域在红外图像中成像的象素长度、宽度、可能姿态角度，利用这些信息从候选疑似区域中排除非目标区域。并利用目标校验属性，对最后的区域进行校验。最终准确识别出目标区域。
本发明原理：
本发明采用原创性的红外图像分割方法，利用1D图像处理的思想有效的解决了2D红外图像的分割问题。通过利用Harr小波对1D图像进行分解和降噪滤波处理，在极大地保留了原始图像数据的基础上消除了噪声，并很好地实现了对红外图像的分割。针对红外图像的自身特点，所设计的特征提取有效的描述了待识别目标如机场跑道各种特性。采用的投票分类方法，可以从被分割二值区域中有效地识别出疑似目标区域，最终结合先验知识对目标进行精确识别。通过理论仿真和大量的实验验证，证明本发明所设计算法的有效性和实时性。
与现有技术相比，本发明实现了对红外目标准确、实时的分割，针对待识别目标的自身特征，所设计的特征提取方式和推理，达到了稳定识别之目的。本发明首次提出以1D图像处理的思想解决2D红外图像分割的技术路线，并利用小波进行边缘强化、凸性区域提取并结合先验知识的目标区域形状分割技术，以及部分针对性的待识别目标区域特征描述方式，通过理论仿真和实验验证，在保证有效性的前提下，可以实时的分割并识别各种情况下的红外图像待识别目标如红外机场跑道。
具体优点分述如下：
1.分割思想新颖，简单，高效。本发明提出的分割方法，将2D图像分割问题简化为1D图像处理问题，实现方法简单，占用计算时间和内存都很小。
2.与现有技术中基于边缘的方法提取的边缘信息相比，本发明采用Haar小波增强和凸性区域提取技术，使得机场跑道为复杂背景中的弱目标时，对红外图像分割准确，鲁棒性好，同时克服了现有技术中基于阀值分割的方法很难将机场从背景中分割出来的不足。
3.本发明经过改进的区域标记算法，只需一次扫描就可以完成对二值图像的标记，且在标记过程中可以对提取标记区域的基本特征进行提取，提取速度快。
4.由于分割准确，所提取的特征都是区域特征，具有针对性。
5.本发明在区域特征均有针对性的基础上，其识别准确率高。
6.算法操作方便，便于硬件处理。本发明所设计的1D处理方法具有较好的并行性，便于硬件(如FPGA和DSP等)采用流水线方式处理。
7.实时性好。由于采用1D处理方式实现了图像分割，因此与其他现存算法相比，计算简单，运算量小，实时性好。
附图说明
图1为算法整体流程框图。
图2(a)为本发明一个实施例原红外图像待识别目标的1D图像。
图2(b)为图2(a)的Haar小波变换和去噪结果。
图2(c)为图2(a)的1D图像Haar滤波和增强结果。
图2(d)为图2(a)的1D图像分割结果。
图3(a)为本发明另一个实施例原始红外图像。
图3(b)为图3(a)的分割结果。
图3(c)为图3(a)的疑似候选区域提取结果。
图3(d)为图3(a)的目标精确识别结果。
图4(a)为图3(a)的不同视角原始红外图像。
图4(b)为图3(a)的不同视角分割结果。
图4(c)为图3(a)的不同视角疑似候选区域提取结果。
图4(d)为图3(a)的不同视角目标精确识别结果。
具体实施方式
下面结合附图和实例对本发明作进一步详细说明。
流程图如图1所示，本发明利用1D图像处理的思想解决2D红外图像分割的技术问题，即；将循环分割处理的每一行图像像素合成二维二值图像，具体：1)通过多尺度小波变换方法对红外图像进行增强；2)利用对红外图像中凸性区域的提取，实现对各种成像条件下红外目标的稳定分割，每次处理一行像素，将处理结果合成与原来图像尺寸一致的二维二值图像；3)然后对分割后的图像进行二值图像连通标记同时提取基本特征，然后在此基础上定义待提取特征，并利用基本特征计算特征抽取；4)利用投票的方法确定疑似候选目标区域，最终结合待识别目标的先验知识进行精确识别，从候选目标中确定最终目标。
1.所述多尺度小波变换方法对红外图像进行增强的步骤如下：
本发明采用正交小波--Haar小波，它具有较好的分解和重构特性。Haar小波的尺度函数和小波函数分别为：
这里，用Haar小波对每一行图像分别进行多维分解，分解为低频和高频部分，由于低频部分保留了图像中大部分基本特征，而高频部分保留的是图像的细节部分，其中红外图像的噪声等干扰因素在高频部分中表现更为明显，因此利用中值滤波的方法对高频部进行中值滤波，消除噪声影响；然后通过Haar反变换，将1D图像信号还原。
2.所述对红外图像中凸性区域的提取：将凸性区域定义为区域内的象素灰度均值高于周围区域。利用先验知识，估算出待识别目标的最大长度Lengthmax和最小长度Lengthmin。对多尺度小波增强后的图像提取梯度信息，梯度大于0为上升区域，梯度小于0为下降区域，上升区域和下降区域的区间间隔Gap在最大长度Lengthmax和最小长度Lengthmin之间，即为凸性区域目标区域，令其为1，其余部分为0。由此本发明获得了1D图像的二值图像。
3.所述对分割后的图像进行二值图像连通标记同时提取基本特征步骤
由于本发明对二值标记图像后，还需要计算区域内的特征，因此出于对速度和效率的要求，本发明基于并查结构的标记算法，将基本特征提取与二值图像连通标记相结合，使得只对图像进行一次扫描就可以实现连通区域标记，并且在标记二值连通区域的同时计算该区域内的一些基本区域特征，比如行宽，列长，行坐标，列坐标，区域大小，质心位置等。在第一次扫描结束后，已经完全确定每个等价类，并对每个等价类赋予一个唯一的标号，也就是具有并查结构中树的根节点，其中等价类中的每行，每列，区域大小等基本特征信息已经记录。由于这些等价类中，有很多根节点实际上是属于同一个大的父类节点，所以有一些重复现象。传统的具有并查结构的连通成分标记算法是对图像进行二次扫描，进行变换，把等价类的标号赋给每个象素。为了提高效率，本发明建立了一个第一次扫描根节点列表，并对同属于一个大根节点的子节点进行归类，从而省去了对二值图像进行的二次扫描，从而实现了二值图像连通标记和提取基本特征同时性。
4.所述定义待提取区域特征，并利用基本特征计算特征抽取步骤
从每个标记的连通区域Ri中提取出最能够代表该区域特征的属性信息，通过对红外图像的分析，有针对性的为其设计了9种特征描述方式，其中包括2种量纲性的特征描述方式(此类属性跟图像大小、分辨率等因素有关，会随图像大小的变化而改变)，6种非量纲性的特征(此类属性与图像大小、分辨率等因素无关，只与区域自身的形状、方向等有关，不随图像大小改变而变化)，以及一种目标校验属性。现分别介绍如下：
本发明设红外灰度图像为Igray(L，P)，L，P分别表示图像的横坐标和纵坐标，R表示某个标记区域。
2种量纲性特征：
区域大小(F1)：
区域最大长度(F2)：L，P×R，其中s1，s2是区域中两点的标号
6种非量纲特征：
(a)长宽比(F3)：
式中；max(height)指区域的最大高度，max(length(row))指区域中行最大长度。
(b)平均行长方差(F4)：
其中NR指区域的总行数，MRow指区域的平均行长，④Row就是所求的平均行长方差，这里为了出于对计算速度的最求，采用采用绝对值代替平方计算。
(c)区域内灰度方差(F5)：
其中MGray指区域内的平均灰度值，④Gray是指灰度方差，这里为了出于对计算速度的最求，采用采用绝对值代替平方计算。
(d)中心点拟合方差(F6)：令MidPtrow(L，P)表示区域R每行的中点坐标，利用直线拟合方法计算所有属于区域R的行中点拟合出的直线
则中心点拟合方差为
其中(xrow，yrow)指某行中点的值。
(e)中心矩形比例(F7)：
(f)区域复杂度隶属度函数用区域复杂度与最大复杂度之比作为该特征的隶属度函数。设区域边长为l，区域面积为m，面积阈值为Tm，则复杂度的隶属度函数为(F8)：
1种目标校验属性：
区域质心：
5.基于投票(Voting)方式的目标候选区域识别
在对二值图像进行标记，并计算出每个标记区域Rv 
的9种属性。本发明由2种量纲特征和6种非量纲特征，共8种属性得到一个属性矩阵，
然后分别对每行进行排序，保留前T个区域(动态阀值T＝5)，而后面的区域总数(TotoalNum)-T个区域剔除，如果某个区域的属性Fu，v被保留，本发明令
否则，
然后本发明对每个区域的属性求和
如果
则该区域为目标候选区域；否则，该区域不是目标候选区域，从而实现了目标候选区域识别。
6.结合先验知识对精确目标识别
结合目标区域的先验知识，本发明可以知道目标的真实长度、宽度、角度等先验形状信息。通过成像变换原理，本发明可以估计出目标区域在红外图像中成像的象素长度、宽度、可能姿态角度等。由此，从候选疑似区域中，本发明可以利用这些信息，排除非目标区域。为了使识别更加准确，本发明还利用目标校验属性，对最后的区域进行校验，如果当前帧计算的质心坐标与上一帧偏差较大，则重新计算；如果该区域没有通过最大后验概率置信度分析，本发明也认为当前帧计算错误，重新计算。通过以上计算，最终准确识别出目标区域。
具体实例如下：
首先本发明设实现过程中红外图像的大小均为
这里N为图像的宽度，M为图像的高度，M和N为正整数，图像的定义域为
象素灰度为8bit：
1.多尺度小波变换方法对红外图像进行增强
读入一行象素，I(row，1:N)，其中row表示该行象素所在原图像的行数，如果2(a)所示。
对该行象素进行Haar小波分解，为了提高运算速度，本发明采用了文献(Kaiser，G The fast Haar transform IEEE Potentials 1998)中所提到的方法。这样本发明就得到了该行象素的低频部分和高频部分，长度分别为N/2个像素。
对高频部分进行滤波处理，本发明选用的滤波器为1×5的中值滤波器。这样，高频部分中的噪声就被滤除掉了，而原始信号低频部分包含了图像的大部分信息则被完好的保留下来，如图2(b)所示。
对滤波后的1D图像像素进行Harr小波反变换。本发明就得到了消除噪声后的1D图像信号，如图2(c)所示。
2.凸性区域分割
a)提取图像信号的梯度信息，
并对d设定阀值Td(本发明中
)，d(j)
本发明对梯度信号d进行搜索，由于本发明要分割的区域通常都是灰度均值较高的部分，因此本发明只对相邻的
b)
的区域进行提取，令其为1；而其余区域(
)，为0，结果如图2(d)所示。
c)判断row是否大于图像的高度M，如果大于继续执行步骤2；否则，说明还没有对图像中的所有行都进行处理，跳回到a)继续执行，整幅红外图像如图3(a)所示，其分割结果如图3(b)所示。
3.连通区域标记和基本特征提取
到此，本发明实施例已经得到了一幅利用1D小波增强去噪处理所分割出来的2D红外图像，令二值图像为B(i，j)其中M和N分别为二值图像的长度和宽度，标记后得二值图像为LB(i，j)。本发明采用如下过程对二值图像进行连通区域标记，并提取各个连通区域的一些基本特征。所提取的区域基本属性包括：区域总行数，每行最左端在图像中的位置坐标，每行的长度，区域面积。通过这些信息就可以计算以后本发明所定义的一些区域描述特征。
域标记和特征提取流程如下：
步骤是：
a.进行初始化工作，即把行标HANG指向起始行，初始化区域属性寄存器。
b.扫描图像第HANG行数据，如果某给定象素大于0，并记录；
c.检查该象素周围象素是否被标记过，如果没有，赋予一个新的标号，将区域总标号加1；否则，将其标记为周围领域被标记象素的标号最小值；
d.重新计算并更新该标号所属区域的属性，如各行起始位置，行长，中止位置等。
e.判断是否扫描结束，如未结束，扫描下一个象素；否则，继续执行f。
f.同属于一个区域，但是被分别标记的各个子区域重新更新标号，并重新计算区域基本属性，如各行起始位置，行长，中止位置等。
4.特征提取
提取各个区域特征，得到区域分割后的标记图像，及各个区域的基本特征之后，本发明要对各个区域计算本发明之前所定义的2种量纲属性(区域大小，区域最大长度)，6种非量纲属性(区域长宽比，区域平均行长方差，区域内灰度方差，中心点拟合方差，中心矩形比例，以及区域复杂度隶属度)，以及1种目标校验属性(质心坐标)总共9种属性。
5.基于投票(Voting)方式的目标候选区域识别
假定某区域为Rv，Rv＝1...TotalNum，其中Total表示区域的总数目；则该区域内的属性分别为F1，v，F2，v，K10，v。这样本发明得到所有区域属性的数组Fu，v，x＝1...9表示属性数，y＝1...TotalNum表示区域数。
本发明对区域属性数组按行排序，每行表示此种属性在各个区域上的值的排序。本发明按顺序设定动态阀值，这里本发明T＝5，即本发明只保留每种属性的前5个区域。此过程相当于用每种属性分别处理二值图像，可以剔除Total-5个区域，而剩下保留的5个区域。然后本发明对每个区域的属性求和如果
则该区域为目标候选区域；否则，该区域不是目标候选区域，疑似区域识别结果如图3(c)所示。
6.结合先验知识对精确目标识别
结合目标区域先验知识，以及目标校验属性，从剩下的疑似目标区域中提出非目标区域，并对目标区域进行精确识别，最终结果如图3(d)所示。其中，图4(a)～(d)给出了本发明在不同视角的处理结果。
本发明改变了以往利用2D图像的传统分割方法，提出了利用1D图像信息来恢复和分割2D红外图像的新方法。设计了一种简单，实时，准确的1D图像分割方法，利用Harr小波通过对1D信号的强化和提取，实现对2D图像分割的目的。从理论仿真和实际试验来看，该方法具有鲁棒性强，准确性高，实时性好等优点。
Claims (13)
1.一种红外图像目标识别方法，其特征在于：利用一维图像处理的思想解决二维红外图像分割的技术问题，即：将循环分割处理的每一行图像像素合成二维二值图像；具体步骤：1)通过多尺度小波变换方法对红外图像待识别目标进行增强；2)通过对红外图像中凸性区域的提取，实现对各种成像条件下的红外目标的稳定分割，每次处理一行像素，将处理结果合成与原来图像尺寸一致的二维二值图像；3)对分割后的图像进行二值图像连通标记同时提取基本特征，然后在此基础上定义待提取特征，并利用基本特征计算特征抽取；4)利用投票的方法确定候选目标区域；5)结合待识别目标的先验知识进行精确识别，从候选目标中确定最终目标。
2.按照权利要求1所述红外图像目标识别方法，其特征在于：所述多尺度小波变换方法对红外图像进行增强的步骤为：用Haar小波对每一行图像分别进行多维分解，分解为低频和高频部分，利用中值滤波的方法对高频部进行中值滤波，消除噪声影响；然后通过Haar反变换，将一维图像信号还原。
3.按照权利要求1所述红外图像目标识别方法，其特征在于：所述对红外图像中凸性区域的提取步骤为：对多尺度小波增强后的图像提取梯度信息，以上升区域和下降区域的区间间隔Gap为凸性区域目标区域，令其为1，其余部分为0，由此获得一维图像的二值图像。
4.按照权利要求1所述红外图像目标识别方法，其特征在于：梯度大于0为上升区域，梯度小于0为下降区域。
5.按照权利要求1所述红外图像目标识别方法，其特征在于：所述对分割后的图像进行二值图像连通标记同时提取基本特征具体步骤为：基于并查结构的标记算法，将基本特征提取与二值图像连通标记相结合，通过只对图像进行一次扫描实现连通区域标记，并且在标记二值连通区域的同时计算该区域内的一些基本区域特征，通过第一次扫描确定并查结构中树的唯一根节点，利用扫描根节点列表将大根节点的子节点进行归类，从而实现了二值图像连通标记同时提取基本特征。
6.按照权利要求5所述红外图像目标识别方法，其特征在于：所述基本区域特征包括：行宽，列长，行坐标，列坐标，区域大小及质心位置。
7.按照权利要求1所述红外图像目标识别方法，其特征在于：所述待提取区域特征的定义包括属性跟图像大小、分辨率等因素有关，会随图像大小的变化而改变的量纲性的特征描述方式，属性与图像大小、分辨率等因素无关，只与区域自身的形状、方向等有关，不随图像大小改变而变化的非量纲性的特征，以及目标校验属性特征。
8.按照权利要求7所述红外图像目标识别方法，其特征在于：其中所述量纲性特征包括：
区域大小(F1)：
区域最大长度(F2)：
L，P×R；
其中s1，s2是区域中两点的标号；L，P分别表示图像的横坐标和纵坐标，R表示某个标记区域。
9.按照权利要求7所述红外图像目标识别方法，其特征在于：其中所述非量纲特征包括：
长宽比(F3)：
式中；max(height)指区域的最大高度，max(length(row))指区域中行最大长度；
平均行长方差(F4)：；则
区域内灰度方差(F5)：
其中NR指区域的总行数，MRow指区域的平均行长，④Row所求的平均行长方差；MGray指区域内的平均灰度值，④Gray是指灰度方差，Igray(L，P)为红外灰度图像；
中心点拟合方差(F6)：令MidPtrow(L，P)表示区域R每行的中点坐标，利用直线拟合方法计算所有属于区域R的行中点拟合出的直线方程式为：
则中心点拟合方差式为：
其中(xrow，yrow)指某行中点的值；
中心矩形比例(F7)：
区域复杂度隶属度函数：设区域边长为l，区域面积为m，面积阈值为Tm，则复杂度的隶属度函数为(F8)：
目标校验属性特征如下：
区域质心：
10.按照权利要求9所述红外图像目标识别方法，其特征在于：所述灰度方差采用采用绝对值代替平方计算。
11.按照权利要求7所述红外图像目标识别方法，其特征在于：目标校验属性为：区域质心
12.按照权利要求1所述红外图像目标识别方法，其特征在于：所述基于投票方式的目标候选区域识别指：由量纲特征和非量纲特征得到一个属性矩阵，Fu，v 
式中TotalNum指区域总数；然后分别对每行进行排序，保留前T个区域，而后面的区域总数-T个区域剔除，如果某个区域的属性Fx，y被保留，本发明令
否则，
然后对每个区域的属性求和：如果PRv 则该区域为目标候选区域；否则，该区域不是目标候选区域，从而实现了目标候选区域识别。
13.按照权利要求1所述红外图像目标识别方法，其特征在于：所述结合先验知识对精确目标识别具体步骤为：结合目标区域的先验知识，获取目标的真实长度、宽度、角度等先验形状信息；通过成像变换原理，得到目标区域在红外图像中成像的象素长度、宽度、可能姿态角度；利用这些信息从候选疑似区域中排除非目标区域；并利用目标校验属性，对最后的区域进行校验，最终准确识别出目标区域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2008100108453A CN101551851B (zh) | 2008-03-31 | 2008-03-31 | 一种红外图像目标识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2008100108453A CN101551851B (zh) | 2008-03-31 | 2008-03-31 | 一种红外图像目标识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN101551851A true CN101551851A (zh) | 2009-10-07 |
| CN101551851B CN101551851B (zh) | 2011-03-23 |
Family
ID=41156091
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN2008100108453A Expired - Fee Related CN101551851B (zh) | 2008-03-31 | 2008-03-31 | 一种红外图像目标识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN101551851B (zh) |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102567994A (zh) * | 2011-12-31 | 2012-07-11 | 南京理工大学 | 基于角点高斯特性分析的红外小目标检测方法 |
| CN103092439A (zh) * | 2013-02-21 | 2013-05-08 | 盐城工学院 | 一种改进的红外交互触点识别方法 |
| CN103617630A (zh) * | 2013-12-18 | 2014-03-05 | 国网重庆潼南县供电有限责任公司 | 基于小波分析的电力系统设备红外图像分割方法及系统 |
| CN103631225A (zh) * | 2013-11-26 | 2014-03-12 | 广东威创视讯科技股份有限公司 | 一种场景设备远程控制方法和装置 |
| CN104732509A (zh) * | 2013-12-18 | 2015-06-24 | 北京三星通信技术研究有限公司 | 自适应图像分割方法和设备 |
| CN104778725A (zh) * | 2015-04-14 | 2015-07-15 | 长兴泛亚照明电器有限公司 | 一种背景自适应更新的地下车库及隧道运动目标检测方法 |
| CN106296603A (zh) * | 2016-08-03 | 2017-01-04 | 哈尔滨工程大学 | 一种水下声纳图像的小目标检测方法 |
| CN106558062A (zh) * | 2016-11-11 | 2017-04-05 | 江苏理工学院 | 灰度图像的一维对象复杂度图像分割算法及分割步骤 |
| CN103793713B (zh) * | 2012-10-31 | 2017-09-15 | 中国科学院沈阳自动化研究所 | 低秩约束的在线自监督学习的场景分类方法 |
| CN107194946A (zh) * | 2017-05-11 | 2017-09-22 | 昆明物理研究所 | 一种基于fpga的红外显著物体检测方法 |
| CN107609578A (zh) * | 2017-08-25 | 2018-01-19 | 核工业北京地质研究院 | 基于多尺度小波分解和分形理论的遥感图像纹理分析方法 |
| CN108389220A (zh) * | 2018-02-05 | 2018-08-10 | 湖南航升卫星科技有限公司 | 遥感视频图像运动目标实时智能感知方法及其装置 |
| CN108876852A (zh) * | 2017-05-09 | 2018-11-23 | 中国科学院沈阳自动化研究所 | 一种基于3d视觉的在线实时物体识别定位方法 |
| CN109101889A (zh) * | 2018-07-12 | 2018-12-28 | 苏海英 | 基于灰尘分析的指纹扫描机构 |
| CN109196553A (zh) * | 2017-10-31 | 2019-01-11 | 深圳市大疆创新科技有限公司 | 一种光伏板识别方法、地面站、控制设备及无人机 |
| CN109419497A (zh) * | 2017-08-31 | 2019-03-05 | 中国科学院微电子研究所 | 基于热成像的关脉识别方法 |
| CN113665495A (zh) * | 2021-09-23 | 2021-11-19 | 温州大学大数据与信息技术研究院 | 一种便于安装的基于计算机视觉的车载目标跟踪器 |
| CN114882235A (zh) * | 2022-05-12 | 2022-08-09 | 北京中星时代科技有限公司 | 基于图像数据特征的红外图像目标自动识别系统及方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1251144C (zh) * | 2002-09-12 | 2006-04-12 | 上海交通大学 | 复杂背景条件下红外弱小目标的检测与跟踪方法 |
-
2008
- 2008-03-31 CN CN2008100108453A patent/CN101551851B/zh not_active Expired - Fee Related
Cited By (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102567994A (zh) * | 2011-12-31 | 2012-07-11 | 南京理工大学 | 基于角点高斯特性分析的红外小目标检测方法 |
| CN102567994B (zh) * | 2011-12-31 | 2014-08-20 | 南京理工大学 | 基于角点高斯特性分析的红外小目标检测方法 |
| CN103793713B (zh) * | 2012-10-31 | 2017-09-15 | 中国科学院沈阳自动化研究所 | 低秩约束的在线自监督学习的场景分类方法 |
| CN103092439A (zh) * | 2013-02-21 | 2013-05-08 | 盐城工学院 | 一种改进的红外交互触点识别方法 |
| CN103092439B (zh) * | 2013-02-21 | 2015-06-10 | 盐城工学院 | 一种改进的红外交互触点识别方法 |
| CN103631225A (zh) * | 2013-11-26 | 2014-03-12 | 广东威创视讯科技股份有限公司 | 一种场景设备远程控制方法和装置 |
| CN104732509A (zh) * | 2013-12-18 | 2015-06-24 | 北京三星通信技术研究有限公司 | 自适应图像分割方法和设备 |
| CN103617630A (zh) * | 2013-12-18 | 2014-03-05 | 国网重庆潼南县供电有限责任公司 | 基于小波分析的电力系统设备红外图像分割方法及系统 |
| CN104778725A (zh) * | 2015-04-14 | 2015-07-15 | 长兴泛亚照明电器有限公司 | 一种背景自适应更新的地下车库及隧道运动目标检测方法 |
| CN106296603A (zh) * | 2016-08-03 | 2017-01-04 | 哈尔滨工程大学 | 一种水下声纳图像的小目标检测方法 |
| CN106296603B (zh) * | 2016-08-03 | 2019-03-05 | 哈尔滨工程大学 | 一种水下声纳图像的小目标检测方法 |
| CN106558062A (zh) * | 2016-11-11 | 2017-04-05 | 江苏理工学院 | 灰度图像的一维对象复杂度图像分割算法及分割步骤 |
| CN106558062B (zh) * | 2016-11-11 | 2019-05-10 | 江苏理工学院 | 灰度图像的一维对象复杂度图像分割算法及分割步骤 |
| CN108876852A (zh) * | 2017-05-09 | 2018-11-23 | 中国科学院沈阳自动化研究所 | 一种基于3d视觉的在线实时物体识别定位方法 |
| CN108876852B (zh) * | 2017-05-09 | 2021-06-22 | 中国科学院沈阳自动化研究所 | 一种基于3d视觉的在线实时物体识别定位方法 |
| CN107194946B (zh) * | 2017-05-11 | 2020-10-30 | 昆明物理研究所 | 一种基于fpga的红外显著物体检测方法 |
| CN107194946A (zh) * | 2017-05-11 | 2017-09-22 | 昆明物理研究所 | 一种基于fpga的红外显著物体检测方法 |
| CN107609578A (zh) * | 2017-08-25 | 2018-01-19 | 核工业北京地质研究院 | 基于多尺度小波分解和分形理论的遥感图像纹理分析方法 |
| CN109419497A (zh) * | 2017-08-31 | 2019-03-05 | 中国科学院微电子研究所 | 基于热成像的关脉识别方法 |
| CN109419497B (zh) * | 2017-08-31 | 2021-12-17 | 中国科学院微电子研究所 | 基于热成像的关脉识别方法 |
| WO2019084803A1 (zh) * | 2017-10-31 | 2019-05-09 | 深圳市大疆创新科技有限公司 | 一种光伏板识别方法、地面站、控制设备及无人机 |
| CN109196553A (zh) * | 2017-10-31 | 2019-01-11 | 深圳市大疆创新科技有限公司 | 一种光伏板识别方法、地面站、控制设备及无人机 |
| US11113529B2 (en) | 2017-10-31 | 2021-09-07 | SZ DJI Technology Co., Ltd. | Photovoltaic panel recognition method, ground station, control apparatus, and unmanned aerial vehicle |
| CN109196553B (zh) * | 2017-10-31 | 2022-03-29 | 深圳市大疆创新科技有限公司 | 一种光伏板识别方法、地面站、控制设备及无人机 |
| CN108389220A (zh) * | 2018-02-05 | 2018-08-10 | 湖南航升卫星科技有限公司 | 遥感视频图像运动目标实时智能感知方法及其装置 |
| CN109101889A (zh) * | 2018-07-12 | 2018-12-28 | 苏海英 | 基于灰尘分析的指纹扫描机构 |
| CN113665495A (zh) * | 2021-09-23 | 2021-11-19 | 温州大学大数据与信息技术研究院 | 一种便于安装的基于计算机视觉的车载目标跟踪器 |
| CN114882235A (zh) * | 2022-05-12 | 2022-08-09 | 北京中星时代科技有限公司 | 基于图像数据特征的红外图像目标自动识别系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN101551851B (zh) | 2011-03-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101551851B (zh) | 一种红外图像目标识别方法 | |
| CN108510467B (zh) | 基于深度可变形卷积神经网络的sar图像目标识别方法 | |
| Cheng et al. | Outdoor scene image segmentation based on background recognition and perceptual organization | |
| CN101814144B (zh) | 遥感图像中无水桥梁目标识别方法 | |
| CN109544612A (zh) | 基于特征点几何表面描述的点云配准方法 | |
| CN102663411B (zh) | 一种目标人体识别方法 | |
| GB2532948A (en) | Objection recognition in a 3D scene | |
| CN104715251B (zh) | 一种基于直方图线性拟合的显著目标检测方法 | |
| CN105389799B (zh) | 基于素描图与低秩分解的sar图像目标检测方法 | |
| CN107392141A (zh) | 一种基于显著性检测和lsd直线检测的机场提取方法 | |
| CN104880160B (zh) | 一种工件表面轮廓的二维激光实时探测方法 | |
| CN103325122A (zh) | 基于双向排序的行人检索方法 | |
| CN110008900B (zh) | 一种由区域到目标的可见光遥感图像候选目标提取方法 | |
| CN107992856B (zh) | 城市场景下的高分遥感建筑物阴影检测方法 | |
| CN101727654A (zh) | 一种并行流水线实现的点目标连通域实时标记与识别方法 | |
| CN107341813A (zh) | 基于结构学习和素描特性推理网络的sar图像分割方法 | |
| CN104899892A (zh) | 一种快速的星图图像星点提取方法 | |
| CN103136525A (zh) | 一种利用广义Hough变换的异型扩展目标高精度定位方法 | |
| CN110210418A (zh) | 一种基于信息交互和迁移学习的sar图像飞机目标检测方法 | |
| CN104599291B (zh) | 基于结构相似度和显著性分析的红外运动目标检测方法 | |
| CN108537169A (zh) | 一种基于中心线和路宽检测算法的高分辨率遥感影像道路提取方法 | |
| CN114037650B (zh) | 变化检测及目标检测的地面目标可见光毁伤图像处理方法 | |
| Manandhar et al. | Segmentation based building detection in high resolution satellite images | |
| Sirmacek et al. | Road detection from remotely sensed images using color features | |
| Zhang et al. | Split and merge for accurate plane segmentation in rgb-d images |
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: 20110323 Termination date: 20140331 |