CN101604383B - 一种基于红外图像的海上目标检测方法 - Google Patents
一种基于红外图像的海上目标检测方法 Download PDFInfo
- Publication number
- CN101604383B CN101604383B CN2009100725823A CN200910072582A CN101604383B CN 101604383 B CN101604383 B CN 101604383B CN 2009100725823 A CN2009100725823 A CN 2009100725823A CN 200910072582 A CN200910072582 A CN 200910072582A CN 101604383 B CN101604383 B CN 101604383B
- Authority
- CN
- China
- Prior art keywords
- image
- interest
- target
- fractal
- area
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
一种基于红外图像的海上目标检测方法,它涉及一种海上目标检测方法。本发明的目的是提供一种既能较好地抑制海杂波,获得合理的图像分割,又可以以较快速度提取出分形特征,去除虚假目标,实现有效检测的海上目标检测方法。本发明的步骤为:对获得的红外图像进行预处理、自适应迭代阈值分割、检验海天线处是否有感兴趣区域(ROI)、提取海天线背景处的ROI、提取非海天线背景处的ROI、感兴趣区域合并得到待进一步处理的感兴趣图像和提取每个ROI分形特征进行目标检测。本方法可以快速有效地分割出红外图像中的感兴趣区域,由于提取的感兴趣区域较原图小很多,既减少了计算量,以较快速度提取出分形特征,又可以通过分形特征去除阈值分割中出现的伪目标。
Description
技术领域
本发明涉及一种海上目标检测方法。
背景技术
红外图像与可见光相比,噪声大、分辨率低,但是由于其具有无源的优势,特别是对海上红外目标的检测已引起世界各国的密切关注。随着高科技的不断发展,对红外目标的检测也提出了更高的要求,既要保证较高的检测概率和较低的虚警概率,又要在较短的时间内做出判断乃至相应的反应。
目前经典的海上红外目标检测算法,是先对红外图像进行各种预处理,如去噪声、提取边缘等,然后再提取目标的灰度和几何特征,达到检测目标的目的。国内外的不少研究机构都在进行这方面的研究。M.Diani等提出将原图像与中值滤波后的背景图像相减,得到目标图像。此外相继有人提出基于图像统计特征、小波变换、形态学以及Hough变换等方法。尽管各有特点,但总的来说传统的红外目标检测算法都需要花费大量的精力去消除背景干扰和噪声,算法繁琐,过程复杂,实时性不强,背景噪声去除效果不能令人满意。
由于红外图像成像的特点,海上红外图像往往存在各种各样的干扰,如水天线、亮带、海浪、鱼鳞光、岛屿、地面建筑物和尾浪等的干扰,还有红外检测器本身形成的噪声,使得传统的红外目标检测方法计算复杂、自适应性差,检测和识别结果有较大的局限。由此可见,进行海上红外目标检测的主要困难在于图像复杂,所受干扰主要来自于自然背景,结果造成较高的虚警率。
分形理论利用分形对象的自相似性为人们提供了分析自然现象的新方法,恰好可以解决上述问题,通过分形理论提取的自然背景和人造目标的分形特性有着较大的区别,因此这些困扰经典算法的自然噪声,利用分形技术很容易被去除,从而可以实现海上红外目标的检测。
但是如果直接利用分形特征来进行图像的分割和目标提取及识别,存在如下弊端:1)计算量大。分形计算一般都需要开窗,而且是对开窗尺度变化进行计算,这无疑增加了计算量和复杂度,不利于实时处理。2)采用分形理论分割图像,如果用矩形窗口滑动计算,只能提取感兴趣矩形区域,不能获取目标实际形状,更不用说分割出目标;如果对每点进行开窗计算,除了增加计算量外,还很容易将一个目标分割成多个目标,或者形成所谓的散点目标(即使是同一个目标,其本身的纹理也可能有差别),这将不利于后续的目标检测。
发明内容
针对背景技术所提及的问题,本发明提供一种既能较好地抑制海杂波,获得合理的图像分割,又可以以较快速度提取出分形特征,去除虚假目标,实现有效检测的海上目标检测方法。
本发明解决上述技术问题所采用的技术方案是:本发明所述方法针对海上红外图像的特点,采用自适应阈值算法分割出感兴趣区域,此过程通过预处理和合理的阈值设置有效抑制了海杂波,然后对感兴趣区域进行逐点分形计算,在逐点分形计算中考虑了尺度的影响并对边界进行了对称处理,最后对每点的分形特征加和取平均作为该区域的分形特征,根据特征检测出舰船等人造目标;
所述方法的具体步骤如下:
步骤A、对获得的红外图像进行预处理:
步骤A1:输入红外图像I(m,n),其中m=1,2,...,M表示图像的行,n=1,2,...,N表示图像的列;
步骤A2:求图像I(m,n)的灰度最大值,Imax=max(I(m,n)),即M×N个点所对应的灰度的最大值;
步骤A3:统计图像I(m,n)的直方图,通过对图像各灰度级的统计h(i),i=1,2,...,Imax,获直方图波谷位置I0,在I0附近是目标和背景之间的海杂波区域,其灰度值范围在Ia~Ib之间;即Ia<I0<Ib;
步骤A4:根据 计算非线性变换参数的近似值范围γmin~γmax,并取最终的γ=0.5(γmin+γmax);也可取γmin~γmax之间的一个经验值;
步骤A5:利用公式(1)对图像I(m,n)进行逐像素的非线性变换,完成预处理,实现海杂波抑制;
Id=255×(Is/255)γ (1)
其中Is是原图像的灰度值,且Is∈[0,255],Id是变换后的灰度值,γ为非线性变换参数且大于0;
步骤B、自适应迭代阈值分割:
步骤B1:设置初始分割阈值为T1=(μ+ε1)/2,其中μ是变换后图像的平均灰度,是对分割阈值的先验估计;灰度大于μ的点被看成是观测点,所有观测点的集合用{g(k)}表示,ε1表示其平均值;
步骤B2:迭代计算求T2=(μ+ε2)/2,此时所有大于T1的点被看成是观测点,ε2为新的观测点集的平均灰度值;
步骤B3:到第t次迭代,计算观测点的平均灰度值εt;观测点即灰度大于第t-1步算出的阈值Tt-1的像素点;
步骤B4:更新阈值Tt=(μ+εt)/2;
步骤B5:如果Tt=Tt-1,则停止,继续步骤B6,否则返回步骤B3;
步骤B6:利用步骤B1~B5迭代获得的自适应阈值Tt将图像进行分割,分离出包含海岸背景和船舰目标的二值图;
步骤C、检验海天线处是否有感兴趣区域(ROI):利用Sobel算子提取边缘,对获得的海天线底线进行直线拟合,根据拟合误差en,设置经验阈值Th来判定海天线背景处是否有目标;如果en>Th,则海天线处有目标,转到步骤D;反之海天线处无目标,直接转到步骤E;
步骤D:提取海天线背景处的感兴趣区域:采用步骤B的自适应迭代阈值方法,对该区域进行二次阈值分割,滤除掉海天线背景,保留目标区域;
步骤E:提取非海天线背景处的感兴趣区域:贯穿图像两边的海天线,进行阈值分割和边缘提取后,形成一个非闭合区域,而目标仍然为一个闭合区,再对闭合区域进行填充,然后进行占优算法处理(目标像素个数占窗口内总像素数的50%以上即为目标区,如3×3窗口内有5个以上点为目标则确定该区域为目标区域),则可提取出非海天线背景处的ROI;
步骤F、感兴趣区域合并得到待进一步处理的感兴趣图像:将非海天线背景处分割的ROI图像和海天线背景处分割的ROI图像相加,所得到的结果,即为最后分割出来的感兴趣区域图像;
步骤G、提取每个ROI分形特征进行目标检测:
步骤G1:分形特征提取:在感兴趣区域内逐点计算分形维数D和拟合误差E;
在求分形特征的过程中,将图像视为三维空间中的曲面,高度即为像素的灰度;设待处理的图像为f(i,j),当尺度r=0时,覆盖图像的上下表面U(i,j,0)、L(i,j,0)为:
U(i,j,0)=L(i,j,0)=f(i,j) (4)
对于非零尺度,r=1,2,...,M,覆盖图像不同尺度的上下表面U(i,j,r)、L(i,j,r)可以用下面的递归公式求得:
U(i,j,r+1)=max{U(i,j,r)+1,max[U(k,m,r)]} (5)
L(i,j,r+1)=min{L(i,j,r)-1,min[L(k,m,r)]}(k,m∈σ), (6)
σ={(k,m):max(d[(k,m),(i,j])≤1} (7)
其中d[(k,m),(i,j)]为(k,m)和(i,j)两点间的距离;(k,m)是不同于(i,j)的另一点的坐标;
在计算过程中,对位于边界处的像素点,采用边界对称处理;
同时考虑到不同尺度r的影响,原始图像f(i,j)在(i,j)处的表面积A(i,j,r)由式(8)求得:
A(i,j,r)=[V(i,j,r)-V(i,j,r-1)]/2r (8)
其中
(9)
式中B为中心在(i,j)处的矩形窗,对于一个分形表面,有:
log[A(r)]=C2log(r)+C1 (10)
其中C1、C2为常数,因此只需用不同尺度r时所求得的表面积A(i,j,r),在log[A(r)]-log(r)坐标系中作直线的最小二乘拟合,即可得到图像f(i,j)在矩形窗B中心处的分维数:
D(i,j)=2-C2 (11)
其分形拟合误差为:
步骤G2:取感兴趣区域所有像素点的分形维数和分形拟合误差的计算均值作为用于识别的新的区域分形维数和分形拟合误差值。
步骤G3:利用(13)、(14)中的约束进行目标或背景的判别;其中Db、Dr分别为背景和人造目标的分形维数;Eb、Er分别为背景和人造目标的拟合误差;
2<=Db<=3,Dr<2 (13)
Eb<1×10-5,Er>=1×10-5 (14)
如果(13)、(14)中的任何一个条件满足,则判断该区域为目标区域;从而实现目标的检测。
本发明的技术效果是:
本发明采用自适应阈值算法分割出感兴趣区域,此过程通过预处理和合理的阈值设置达到有效抑制海杂波的目的,然后对感兴趣区域进行逐点分形计算,在逐点分形计算中考虑了尺度的影响并对边界进行了对称处理,最后对每点的分形特征加和取平均作为该区域的分形特征,并根据特征检测出舰船等人造目标。这样一方面可以快速有效地分割出红外图像中的感兴趣区域,另一方面,由于提取的感兴趣区域较原图小很多,既减少了计算量,以较快速度提取出分形特征,又可以通过分形特征去除阈值分割中出现的伪目标。采用自适应迭代阈值分割法进行图像分割的计算时间与其它方法相比较短(如图4a),采用自适应迭代阈值分割法进行图像分割的虚警点数与其它方法相比最少(如图4b),可看出本发明方法的计算时间、虚警点数二者达到最佳折衷。
附图说明
图1是本发明的流程图;图2是非线性变换曲线(横坐标、纵坐标分别表示变换前后图像的灰度值);图3是海上红外图像灰度分布直方图示例(横、纵坐标分别是灰度级和对应的像素个数,图中Ia取130,Ib取140);图4a是采用自适应迭代阈值分割(本发明采用的方法)与其它不同方法进行图像分割的相对计算时间比较图(1表示比例阈值法,2表示Otsu法,3表示本发明采用的方法;4表示CFAR法,5表示方差比法),图4b是采用自适应迭代阈值分割(本发明采用的方法)与其它不同方法进行图像分割的虚警点数比较图(1表示比例阈值法,2表示Otsu法,3表示本发明采用的方法,4表示CFAR法,5表示方差比法),图4a和图4b的性能比较(统计的相对计算时间和虚警点数)是针对同样图像在同一台计算机上的处理结果;图5是不同分形算法的性能比较(FBM:分形布朗运动模型;改进的Blanket:改进的毯覆盖法,即本发明采用的方法;Killer:Killer计盒法;Blanket:毯覆盖法;DBC:差分计盒法)[根据分形理论,其分形维数值应该从2到3之间变化,且是逐渐增加的一个过程;从实验结果上看:FBM法,其范围为2-2.5左右;blanket法由2-3变化;killer法由2-2.75变化;DBC由2-3变化。改进的blanket法由2-3变化。再从图上看其变化趋势,改进的blanket法和DBC法可取,而前者,即本发明中采用的方法线性度更好];图6是实验一中采用的一幅海上红外图像原图(有一只船和山岸背景),图7是用采用自适应迭代阈值法分割出山岸背景和船舰目标的二值图(分割成两个感兴趣区域);图8是实验二中采用的一幅海上红外图像原图(海天背景上有四只船),图9是采用本发明方法分割出的船舰目标和虚警目标的二值图(分割成12个感兴趣区域),图10是最终检测结果,图11是图9的Z部放大图(由上至下依次为感兴趣区域1、6、2、3、7、8);图12是加入虚假目标的分割图像(图12是作为分形维数和拟合误差计算的感兴趣区域图,其中人为地加入了两个同真实船舰几何形状完全相同的虚假目标),图13是虚假目标在原图中对应的目标位置图。
具体实施方式
具体实施方式一:参见图1~图5,本发明所述的基于红外图像的海上目标检测方法针对海上红外图像的特点,采用自适应阈值算法分割出感兴趣区域,此过程通过预处理和合理的阈值设置有效抑制了海杂波,然后对感兴趣区域进行逐点分形计算,在逐点分形计算中考虑了尺度的影响并对边界进行了对称处理,最后对每点的分形特征加和取平均作为该区域的分形特征,根据特征检测出舰船等人造目标;
所述方法的具体步骤如下:
步骤A、对获得的红外图像进行预处理:
步骤A1:输入红外图像I(m,n),其中m=1,2,...,M表示图像的行,n=1,2,...,N表示图像的列;
步骤A2:求图像I(m,n)的灰度最大值,Imax=max(I(m,n)),即M×N个点所对应的灰度的最大值;
步骤A3:统计图像I(m,n)的直方图,通过对图像各灰度级的统计h(i),i=1,2,...,Imax,获直方图波谷位置I0,在I0附近是目标和背景之间的海杂波区域,其灰度值范围在Ia~Ib之间;即Ia<I0<Ib;
步骤A4:根据 计算非线性变换参数的近似值范围γmin~γmax,并取最终的γ=0.5(γmin+γmax);也可取γmin~γmax之间的一个经验值;
步骤A5:利用公式(1)对图像I(m,n)进行逐像素的非线性变换,完成预处理,实现海杂波抑制;
Id=255×(Is/255)γ (1)
其中Is是原图像的灰度值,且Is∈[0,255],Id是变换后的灰度值,γ为非线性变换参数且大于0;
步骤B、自适应迭代阈值分割:
步骤B1:设置初始分割阈值为T1=(μ+ε1)/2,其中μ是变换后图像的平均灰度,是对分割阈值的先验估计;灰度大于μ的点被看成是观测点,所有观测点的集合用{g(k)}表示,ε1表示其平均值;
其中{g(k)}={g(k)|g(k)=I(m,n),I(m,n)>μ,k=1,...S} (3)
步骤B2:迭代计算求T2=(μ+ε2)/2,此时所有大于T1的点被看成是观测点,ε2为新的观测点集的平均灰度值;
步骤B3:到第t次迭代,计算观测点的平均灰度值εt;观测点即灰度大于第t-1步算出的阈值Tt-1的像素点;
步骤B4:更新阈值Tt=(μ+εt)/2;
步骤B5:如果Tt=Tt-1,则停止,继续步骤B6,否则返回步骤B3;
步骤B6:利用步骤B1~B5迭代获得的自适应阈值Tt将图像进行分割,分离出包含海岸背景和船舰目标的二值图;
步骤C、检验海天线处是否有感兴趣区域(ROI):利用Sobl算子提取边缘,对获得的海天线底线进行直线拟合,根据拟合误差en,设置经验阈值Th来判定海天线背景处是否有目标;如果en>Th,则海天线处有目标,转到步骤D;反之海天线处无目标,直接转到步骤E;
步骤D:提取海天线背景处的感兴趣区域(ROI):采用步骤B的自适应迭代阈值方法,对该区域进行二次阈值分割,滤除掉海天线背景,保留目标区域;
步骤E:提取非海天线背景处的感兴趣区域(ROI):贯穿图像两边的海天线,进行阈值分割和边缘提取后,形成一个非闭合区域,而目标仍然为一个闭合区,再对闭合区域进行填充,然后进行占优算法(目标像素个数占窗口内总像素数的50%以上即为目标区,如3×3窗口内有5个以上点为目标则确定该区域为目标区域)处理,则可提取出非海天线背景处的ROI(“占优算法”为现有的算法);
步骤F、感兴趣区域合并得到待进一步处理的感兴趣图像:将非海天线背景处分割的ROI图像和海天线背景处分割的ROI图像相加,所得到的结果,即为最后分割出来的感兴趣区域图像;
步骤G、提取每个ROI分形特征进行目标检测:
步骤G1:分形特征提取:在感兴趣区域内逐点计算分形维数D和拟合误差E;
在求分形特征的过程中,将图像视为三维空间中的曲面,高度即为像素的灰度;设待处理的图像为f(i,j),当尺度r=0时,覆盖图像的上下表面U(i,j,0)、L(i,j,0)为:
U(i,j,0)=L(i,j,0)=f(i,j) (4)
对于非零尺度,r=1,2,...,M,覆盖图像不同尺度的上下表面U(i,j,r)、L(i,j,r)可以用下面的递归公式求得:
U(i,j,r+1)=max{U(i,j,r)+1,max[U(k,m,r)]} (5)
L(i,j,r+1)=min{L(i,j,r)-1,min[L(k,m,r)]}(k,m∈σ), (6)
σ={(k,m):max(d[(k,m),(i,j)])≤1} (7)
其中d[(k,m),(i,j)]为(k,m)和(i,j)两点间的距离;(k,m)是不同于(i,j)的另一点的坐标;
在计算过程中,对位于边界处的像素点,采用边界对称处理;
同时考虑到不同尺度r的影响,原始图像f(i,j)在(i,j)处的表面积A(i,j,r)由式(8)求得:
A(i,j,r)=[V(i,j,r)-V(i,j,r-1)]/2r (8)
其中
(9)
式中B为中心在(i,j)处的矩形窗,对于一个分形表面,有:
log[A(r)]=C2log(r)+C1 (10)
其中C1、C2为常数,因此只需用不同尺度r时所求得的表面积A(i,j,r),在log[A(r)]-log(r)坐标系中作直线的最小二乘拟合,即可得到图像f(i,j)在矩形窗B中心处的分维数:
D(i,j)=2-C2 (11)
其分形拟合误差为:
步骤G2:取感兴趣区域所有像素点的分形维数和分形拟合误差的计算均值作为用于识别的新的区域分形维数和分形拟合误差值。
步骤G3:利用(13)、(14)中的约束进行目标或背景的判别;其中Db、Dr分别为背景和人造目标的分形维数;Eb、Er分别为背景和人造目标的拟合误差;
2<=Db<=3,Dr<2 (13)
Eb<1×10-5,Er>=1×10-5 (14)
如果(13)、(14)中的任何一个条件满足,则判断该区域为目标区域;从而实现目标的检测。
本发明方法满足了海上目标检测与识别的快速、准确性的要求,首先,为了抑制海杂波,在预处理阶段进行了非线性变换;然后,采用自适应迭代阈值分割算法对图象进行感兴趣区域(ROI)分割,并针对海天线和非海天线背景分别提取ROI,合并后形成最终的ROI图象;最后,提出一种改进的毯覆盖算法提取图象ROI分形特征,对ROI进行去伪存真,完成红外图象海上目标的检测。该方法能够获得较高的目标检测概率,虚警率相对较低,且速度较快。
本发明方法的实验验证:
应用本发明方法对多个海上红外实拍的图像进行目标检测,结果证明该方法的确可行有效,能够成功地检测出海上红外图像中的船舰目标,这里,取三个典型的实验例子来说明本发明方法完全可达到发明目的,如下:
实验一:如图6和图7所示,图像大小:484×335,图像类型:红外图像;该实验说明分形理论能够有效区分自然背景和人造目标;
表1分形维计算结果
表1是分别对海岸背景和船舰目标的分形维数和拟合误差计算结果,其中感兴趣区域1是海岸背景,感兴趣区域2是船舰目标,根据式(13)、式(14),可以检测出感兴趣区域2是目标区域。
实验二:如图8~11所示,图像大小:355×261,图像类型:红外图像。该实验说明本发明方法能正确有效地检测出海天线背景处的多个目标;
表2分形维计算结果
表2是分别对虚假目标和船舰目标的分形维数和拟合误差计算结果,根据式(13)、(14),可以检测出感兴趣区域5、10、11和12是目标区域。其它是虚假目标,其最终检测出来的四个目标如图10。12个感兴趣区域在图8~11中已标出。
实验三:如图12和图13所示,图像大小:355×261图像类型:红外图像。该实验说明本系统能够有效地去除伪目标;图12是作为分形维数和拟合误差计算的感兴趣区域图,其中人为地加入了两个同真实船舰几何形状完全相同的虚假目标,图13为其在原图中对应的目标位置。
表3分形维计算结果
表3是针对六个感兴趣区域的分形维和拟合误差计算结果,根据式(13)、(14),可以检测出感兴趣区域3是目标区域。其它是虚假目标,几何形状与之完全相同但纹理特性是海杂波纹理特性的感兴趣区域4和感兴趣区域5被去除。6个感兴趣区域在图12中已标出。
Claims (1)
1.一种基于红外图像的海上目标检测方法,其特征在于:所述方法针对海上红外图像的特点,采用自适应阈值算法分割出感兴趣区域,此过程通过预处理和合理的阈值设置有效抑制了海杂波,然后对感兴趣区域进行逐点分形计算,在逐点分形计算中考虑了尺度的影响并对边界进行了对称处理,最后对每点的分形特征加和取平均作为该区域的分形特征,根据特征检测出人造目标;
所述方法的具体步骤如下:
步骤A、对获得的红外图像进行预处理:
步骤A1:输入红外图像I(m,n),其中m=1,2,...,M表示图像的行,n=1,2,...,N表示图像的列;
步骤A2:求图像I(m,n)的灰度最大值,Imax=max(I(m,n)),即M×N个点所对应的灰度的最大值;
步骤A3:统计图像I(m,n)的直方图,通过对图像各灰度级的统计h(i),i=1,2,...,Imax,获直方图波谷位置I0,在I0附近是目标和背景之间的海杂波区域,其灰度值范围在Ia~Ib之间;即Ia<I0<Ib;
步骤A5:利用公式(1)对图像I(m,n)进行逐像素的非线性变换,完成预处理,实现海杂波抑制;
Id=255×(Is/255)γ (1)
其中Is是原图像的灰度值,且Is∈[0,255],Id是变换后的灰度值,γ为非线性变换参数且大于0;
步骤B、自适应迭代阈值分割:
步骤B1:设置初始分割阈值为T1=(μ+ε1)/2,其中μ是变换后图像的平均灰度,是对分割阈值的先验估计;灰度大于μ的点被看成是观测点,所有观测点的集合用{g(k)}表示,ε1表示其平均值;
步骤B2:迭代计算求T2=(μ+ε2)/2,此时所有大于T1的点被看成是观测点,ε2为新的观测点集的平均灰度值;
步骤B3:到第t次迭代,计算观测点的平均灰度值εt;观测点即灰度大于第t-1步算出的阈值Tt-1的像素点;
步骤B4:更新阈值Tt=(μ+εt)/2;
步骤B5:如果Tt=Tt-1,则停止,继续步骤B6,否则返回步骤B3;
步骤B6:利用步骤B1~B5迭代获得的自适应阈值Tt将图像进行分割,分离出包含海岸背景和船舰目标的二值图;
步骤C、检验海天线处是否有感兴趣区域,感兴趣区域用ROI表示;利用Sobel算子提取边缘,对获得的海天线底线进行直线拟合,根据拟合误差en,设置经验阈值Th来判定海天线背景处是否有目标;如果en>Th,则海天线处有目标,转到步骤D;反之海天线处无目标,直接转到步骤E;
步骤D:提取海天线背景处的感兴趣区域:采用步骤B的自适应迭代阈值方法,对该区域进行二次阈值分割,滤除掉海天线背景,保留目标区域;
步骤E:提取非海天线背景处的感兴趣区域:贯穿图像两边的海天线,进行阈值分割和边缘提取后,形成一个非闭合区域,而目标仍然为一个闭合区,再对闭合区域进行填充,然后进行占优算法处理,则可提取出非海天线背景处的ROI;
步骤F、感兴趣区域合并得到待进一步处理的感兴趣图像:将非海天线背景处分割的ROI图像和海天线背景处分割的ROI图像相加,所得到的结果,即为最后分割出来的感兴趣区域图像;
步骤G、提取每个ROI分形特征进行目标检测:
步骤G1:分形特征提取:在感兴趣区域内逐点计算分形维数D和拟合误差E;
在求分形特征的过程中,将图像视为三维空间中的曲面,高度即为像素的灰度;设待处理的图像为f(i,j),当尺度r=0时,覆盖图像的上下表面U(i,j,0)、L(i,j,0)为:
U(i,j,0)=L(i,j,0)=f(i,j) (4)
对于非零尺度,r=1,2,...,M,覆盖图像不同尺度的上下表面U(i,j,r)、L(i,j,r) 用下面的递归公式求得:
U(i,j,r+1)=max{U(i,j,r)+1,max[U(k,m,r)]} (5)
L(i,j,r+1)=min{L(i,j,r)-1,min[L(k,m,r)]}(k,m∈σ), (6)
σ={(k,m):max(d[(k,m),(i,j)])≤1} (7)
其中d[(k,m),(i,j)]为(k,m)和(i,j)两点间的距离;(k,m)是不同于(i,j)的另一点的坐标;
在计算过程中,对位于边界处的像素点,采用边界对称处理;
同时考虑到不同尺度r的影响,原始图像f(i,j)在(i,j)处的表面积A(i,j,r)由式(8)求得:
A(i,j,r)=[V(i,j,r)-V(i,j,r-1)]/2r (8)
式中B为中心在(i,j)处的矩形窗,对于一个分形表面,有:
log[A(r)]=C2log(r)+C1 (10)
其中C1、C2为常数,因此只需用不同尺度r时所求得的表面积A(i,j,r),在log[A(r)]-log(r)坐标系中作直线的最小二乘拟合,即可得到图像f(i,j)在矩形窗B中心处的分维数:
D(i,j)=2-C2 (11)
其分形拟合误差为:
步骤G2:取感兴趣区域所有像素点的分形维数和分形拟合误差的计算均值作为用于识别的新的区域分形维数和分形拟合误差值;
步骤G3:利用(13)、(14)中的约束进行目标或背景的判别;其中Db、Dr分别为背景和人造目标的分形维数;Eb、Er分别为背景和人造目标的拟合误差;
2<=Db<=3,Dr<2 (13)
Eb<1×10-5,Er>=1×10-5 (14)
如果(13)、(14)中的任何一个条件满足,则判断该区域为目标区域;从而实现目标的检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009100725823A CN101604383B (zh) | 2009-07-24 | 2009-07-24 | 一种基于红外图像的海上目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009100725823A CN101604383B (zh) | 2009-07-24 | 2009-07-24 | 一种基于红外图像的海上目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101604383A CN101604383A (zh) | 2009-12-16 |
CN101604383B true CN101604383B (zh) | 2011-07-27 |
Family
ID=41470106
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009100725823A Expired - Fee Related CN101604383B (zh) | 2009-07-24 | 2009-07-24 | 一种基于红外图像的海上目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101604383B (zh) |
Families Citing this family (45)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102087744B (zh) * | 2010-02-25 | 2012-07-25 | 上海海事大学 | 海洋动态背景下视频小目标快速检测的结构张量方法 |
CN102279973B (zh) * | 2010-06-11 | 2013-03-20 | 中国兵器工业第二○五研究所 | 基于高梯度关键点的海天线检测方法 |
CN101901352B (zh) * | 2010-08-06 | 2012-09-05 | 北京航空航天大学 | 一种红外背景杂波量化方法 |
CN101976439A (zh) * | 2010-11-02 | 2011-02-16 | 上海海事大学 | 海难搜救机器视觉系统中结合运动信息的视觉注意模型 |
CN101976440B (zh) * | 2010-11-09 | 2012-06-13 | 东华大学 | 一种用于表征织物纹理的基于Sobel算子的概貌与细节混合特征向量提取方法 |
CN102054275B (zh) * | 2010-12-13 | 2012-11-07 | 中国科学院长春光学精密机械与物理研究所 | 灰度图像海天线实时检测方法 |
CN102074022B (zh) * | 2011-01-10 | 2012-12-12 | 南京理工大学 | 一种基于红外图像的弱小运动目标检测方法 |
CN102540159B (zh) * | 2011-10-13 | 2013-07-03 | 哈尔滨工程大学 | 基于小波降噪的ls-svm海面小目标检测的方法 |
CN102855622B (zh) * | 2012-07-18 | 2015-10-28 | 中国科学院自动化研究所 | 一种基于显著性分析的红外遥感图像海面船只检测方法 |
CN102998001B (zh) * | 2012-12-18 | 2015-08-19 | 四川九洲电器集团有限责任公司 | 一种目标检测系统 |
CN104199009B (zh) * | 2014-09-18 | 2016-07-13 | 中国民航科学技术研究院 | 一种基于时域特性的雷达图像杂波抑制方法 |
CN104463097B (zh) * | 2014-10-31 | 2018-04-03 | 武汉工程大学 | 基于局部自适应阈值分割算法的高压线图像检测方法 |
CN105160648B (zh) * | 2014-11-26 | 2018-04-13 | 中国人民解放军第二炮兵工程大学 | 基于小波和恒虚警率的雷达目标及阴影分割方法 |
CN105303526B (zh) * | 2015-09-17 | 2017-11-07 | 哈尔滨工业大学 | 一种基于海岸线数据及频谱分析的舰船目标检测方法 |
CN106558038B (zh) * | 2015-09-18 | 2019-07-02 | 中国人民解放军国防科学技术大学 | 一种水天线检测方法及装置 |
CN105405138B (zh) * | 2015-11-10 | 2018-05-29 | 上海交通大学 | 基于显著性检测的水面目标跟踪方法 |
CN105631856B (zh) * | 2015-12-16 | 2018-05-29 | 辽宁师范大学 | 自适应调整的红外船舶图像活动轮廓分割方法 |
CN105654068B (zh) * | 2016-02-02 | 2019-03-26 | 中国科学院上海微系统与信息技术研究所 | 一种基于分形理论的目标检测背景估计方法 |
CN105931235B (zh) * | 2016-04-18 | 2018-08-03 | 电子科技大学 | 一种基于复数Scharr滤波器的海空红外图像弱小目标检测方法 |
CN105957084B (zh) * | 2016-05-06 | 2019-06-11 | 哈尔滨工程大学 | 一种利用点聚集特性的侧扫声纳目标探测方法 |
CN107423734B (zh) * | 2016-05-23 | 2020-01-21 | 中国科学院计算技术研究所 | 一种sar图像海洋目标快速检测方法与装置 |
CN106530313B (zh) * | 2016-11-16 | 2019-11-19 | 上海大学 | 一种基于区域分割的海天线实时检测方法 |
CN106815553B (zh) * | 2016-12-13 | 2019-07-23 | 华中科技大学 | 一种基于边缘匹配的红外前视图像舰船检测方法 |
CN107092890A (zh) * | 2017-04-24 | 2017-08-25 | 山东工商学院 | 基于红外视频的舰船检测及跟踪方法 |
CN107369171B (zh) * | 2017-05-31 | 2020-09-04 | 三亚中科遥感研究所 | 一种基于相位相关和分形维数的遥感影像配准方法 |
CN114979509A (zh) * | 2017-11-29 | 2022-08-30 | 超威半导体公司 | 计算传感器 |
CN109961065B (zh) * | 2017-12-25 | 2021-05-25 | 中国科学院沈阳自动化研究所 | 一种海面舰船目标检测方法 |
CN108765458B (zh) * | 2018-04-16 | 2022-07-12 | 上海大学 | 基于相关滤波的高海况无人艇海面目标尺度自适应跟踪方法 |
CN108983812B (zh) * | 2018-07-25 | 2021-06-04 | 哈尔滨工业大学 | 一种无人机海上着陆的船载控制系统 |
CN109711256B (zh) * | 2018-11-27 | 2022-12-09 | 天津津航技术物理研究所 | 一种低空复杂背景无人机目标检测方法 |
CN109658429A (zh) * | 2018-12-21 | 2019-04-19 | 电子科技大学 | 一种基于边界分维数的红外图像卷云检测方法 |
CN111382632A (zh) * | 2018-12-29 | 2020-07-07 | 中国科学院长春光学精密机械与物理研究所 | 目标检测方法、终端设备及计算机可读存储介质 |
CN109816006B (zh) * | 2019-01-18 | 2020-11-13 | 深圳大学 | 一种海天线检测方法、装置及计算机可读存储介质 |
CN109934815B (zh) * | 2019-03-18 | 2023-04-14 | 电子科技大学 | 一种结合atv约束的张量恢复红外弱小目标检测方法 |
CN109978869A (zh) * | 2019-03-29 | 2019-07-05 | 清华大学 | 一种基于灰度共生矩阵和Hough变换的海天线检测方法与系统 |
CN110110675B (zh) * | 2019-05-13 | 2023-01-06 | 电子科技大学 | 一种融合边缘信息的小波域分形红外卷云检测方法 |
CN111105390B (zh) * | 2019-11-20 | 2022-03-18 | 复旦大学 | 一种改进的海天线检测和评估方法 |
CN111667494A (zh) * | 2020-06-05 | 2020-09-15 | 广东海洋大学 | 一种船载雷达原始图像的高亮目标快速分割方法 |
CN111783656B (zh) * | 2020-06-30 | 2024-03-08 | 哈尔滨工程大学 | 一种基于统计特性预分割的自适应红外小目标检测方法 |
CN112150480A (zh) * | 2020-09-17 | 2020-12-29 | 哈尔滨工业大学(威海) | 基于海天线的背景分割方法 |
CN112101250B (zh) * | 2020-09-18 | 2022-07-15 | 电子科技大学 | 一种基于上下文语义感知的近岸舰船目标检测方法 |
CN112365448B (zh) * | 2020-10-20 | 2022-08-30 | 天津大学 | 一种经编织造过程中的织物疵点检测方法 |
CN113705501B (zh) * | 2021-09-02 | 2024-04-26 | 浙江索思科技有限公司 | 一种基于图像识别技术的海上目标检测方法和系统 |
CN114463365B (zh) * | 2022-04-12 | 2022-06-24 | 中国空气动力研究与发展中心计算空气动力研究所 | 红外弱小目标分割方法、设备及介质 |
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 |
-
2009
- 2009-07-24 CN CN2009100725823A patent/CN101604383B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN101604383A (zh) | 2009-12-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101604383B (zh) | 一种基于红外图像的海上目标检测方法 | |
CN110443806B (zh) | 一种基于目标增强处理的水面透明漂浮危化品图像分割方法 | |
CN104217215B (zh) | 一种水面有雾图像和清晰图像的分类识别方法 | |
Ai et al. | A new CFAR ship detection algorithm based on 2-D joint log-normal distribution in SAR images | |
CN109427055B (zh) | 基于视觉注意机制和信息熵的遥感图像海面舰船检测方法 | |
CN101901473B (zh) | 单帧图像自适应去雾增强方法 | |
CN104463877B (zh) | 一种基于雷达影像与电子海图信息的岸线配准方法 | |
CN109886218B (zh) | 基于超像素统计相异性的sar图像舰船目标检测方法 | |
CN110110675B (zh) | 一种融合边缘信息的小波域分形红外卷云检测方法 | |
CN109978869A (zh) | 一种基于灰度共生矩阵和Hough变换的海天线检测方法与系统 | |
CN106022288A (zh) | 基于sar图像的海洋溢油信息识别与提取方法 | |
CN106709426A (zh) | 基于红外遥感图像的舰船目标检测方法 | |
CN105069460A (zh) | 一种isar图像舰船目标特征提取方法 | |
CN110490904B (zh) | 一种弱小目标检测与跟踪方法 | |
CN104504652A (zh) | 一种快速有效保留边缘及方向特征的图像去噪方法 | |
CN110415208A (zh) | 一种自适应目标检测方法及其装置、设备、存储介质 | |
CN106886747B (zh) | 一种基于扩展小波变换的复杂背景下舰船检测方法 | |
CN113362293A (zh) | 一种基于显著性的sar图像舰船目标快速检测方法 | |
CN113420658A (zh) | 一种基于fcm聚类和otsu分割的sar图像海陆分割方法 | |
Fu et al. | Infrared sea-sky line detection utilizing self-adaptive Laplacian of Gaussian filter and visual-saliency-based probabilistic Hough transform | |
CN104199009B (zh) | 一种基于时域特性的雷达图像杂波抑制方法 | |
CN108596151A (zh) | 一种大场景sar图像中舰船目标切片快速提取方法 | |
CN108401563B (zh) | 基于多尺度均值滤波和显著性检测的红外小目标检测方法 | |
Ding et al. | Tiny ir maritime object detection on the sea surface by colorful noise cancellation | |
CN114463365B (zh) | 红外弱小目标分割方法、设备及介质 |
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: 20110727 Termination date: 20120724 |