CN104392234B - 一种基于图像fft符号信息的无人机自主着陆目标检测方法 - Google Patents
一种基于图像fft符号信息的无人机自主着陆目标检测方法 Download PDFInfo
- Publication number
- CN104392234B CN104392234B CN201410705737.3A CN201410705737A CN104392234B CN 104392234 B CN104392234 B CN 104392234B CN 201410705737 A CN201410705737 A CN 201410705737A CN 104392234 B CN104392234 B CN 104392234B
- Authority
- CN
- China
- Prior art keywords
- image
- num
- mrow
- fft
- symbolic
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/262—Analysis of motion using transform domain methods, e.g. Fourier domain methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20182—Noise reduction or smoothing in the temporal domain; Spatio-temporal filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像FFT符号信息的无人机自主着陆目标检测方法,其步骤为:(1)将获得图像Inum由RGB颜色空间转换到LAB颜色空间;(2)进行FFT变换,最终得到图像Inum的FFT处理结果Inum_FFT;(3)对变换后的图像进行符号信息的提取,即对图像Inum_FFT进行符号运算得到符号运算结果Inum_SIGN;(4)将经过符号算子处理过的图像傅里叶反变换回去,得到IFFT处理结果Inum_IFFT;(5)进行高斯卷积平滑,对反变换后的图像进行平滑滤波,得到显著性图Inum_SIG;(6)利用阈值对显著性图进行区域的选取,得到选取后的图像Inum1;(7)对图像Inum1中无人机区域的坐标取平均作为无人机的定位坐标(xnum_out,ynum_out)。本发明具有原理简单、易实现、精确度高等优点。
Description
技术领域
本发明主要涉及到无人机领域,特指一种基于图像FFT符号信息的无人机自主着陆目标检测方法。
背景技术
采用视觉引导的无人机自主着陆技术是无人机自主回收的重要手段。无人机检测技术在视觉引导技术中起着重要作用。为了实现无人机的自主着陆,需要从地面转台上的摄像机获得的图像中检测并定位出无人机,如何设计鲁棒性好、检测精度高、实时性强的算法,是无人机自主降落需要解决的关键问题。
由于人眼的视觉注意力机制,使得人类可以很容易的检测出场景中的显著区域从而迅速的获得有价值的信息。视觉注意算法能够自动预测图像中人类感兴趣的位置,因此该技术被广泛应用于目标检测、图像分割、视频压缩等领域。目前,一类基于变换域分析的视觉显著性算法成为了研究的热点。这类算法具有计算方法简单,运算速度快,适合实时检测的优势,特别是基于DCT的图像签名算法。但由于图像签名算法是基于DCT变换的,DCT变换的输入数据要求是离散的并且是实偶的。对非严格实偶的数据采用DCT处理会有损失,由于图像数据并不一定是实偶的,所以使得DCT的使用范围受限。
发明内容
本发明要解决的技术问题就在于:针对现有技术存在的技术问题,本发明提供一种原理简单、易实现、精确度高的基于图像FFT符号信息的无人机自主着陆目标检测方法。
为解决上述技术问题,本发明采用以下技术方案:
一种基于图像FFT符号信息的无人机自主着陆目标检测方法,其步骤为:
(1)将获得图像Inum由RGB颜色空间转换到LAB颜色空间;
(2)分别对LAB各个通道进行FFT变换,获得相应的幅值谱和相位谱,最终得到图像Inum的FFT处理结果Inum_FFT;
(3)对变换后的图像进行符号信息的提取,即对图像Inum_FFT进行符号运算得到符号运算结果Inum_SIGN;
(4)将经过符号算子处理过的图像傅里叶反变换回去,即对符号运算结果图Inum_SIGN的三个通道分别进行离散余弦反变换,得到IFFT处理结果Inum_IFFT;
(5)进行高斯卷积平滑,对反变换后的图像进行平滑滤波,得到显著性图Inum_SIG;
(6)利用阈值对显著性图进行区域的选取,得到选取后的图像Inum1;
(7)对图像Inum1中的无人机区域的坐标取平均作为无人机的定位坐标(xnum_out,ynum_out)。
作为本发明的进一步改进:在所述步骤(2)中,先对获得图像Inum的LAB三个通道分别进行傅里叶变换,然后对三个通道取平均运算:
得到图像Inum的FFT处理结果Inum_FFT。
作为本发明的进一步改进:在所述步骤(3)中,在对对变换后的图像进行符号信息的提取时,符号算子定义为:
其中,S(u,v)为经过符号算子处理过的图像像素值。
作为本发明的进一步改进:在所述步骤(4)中,对符号运算结果图Inum_SIGN的三个通道分别进行离散余弦反变换,得到IFFT处理结果Inum_IFFT。
作为本发明的进一步改进:在所述步骤(5)中,对Inum_IFFT三个通道分别作方差为σ的高斯平滑,得到显著性图Inum_SIG。
与现有技术相比,本发明的优点在于:本发明的基于图像FFT符号信息的无人机自主着陆目标检测方法,原理简单、易实现、精确度高,不受图像数据实偶的要求,并且充分利用图像的幅值信息和相角信息,能精确定位出图像中无人机的位置,为引导无人机自主安全着陆打下基础。
附图说明
图1是本发明方法的流程示意图。
图2是本发明的具体应用实例在ImgSal数据库的实验结果示意图。
图3是本发明方法与图像签名算法在ImgSal数据库上处理结果的ROC值比较示意图。
具体实施方式
以下将结合说明书附图和具体实施例对本发明做进一步详细说明。
如图1所示,本发明的基于图像FFT符号信息的无人机自主着陆目标检测方法,其步骤为:
(1)、将获得图像Inum由RGB颜色空间转换到LAB颜色空间;
由于LAB颜色空间与人眼视觉注意力的选择机制比较吻合,所以一般先将图像由计算机的RGB转换到LAB。
(2)、分别对LAB各个通道进行FFT变换,获得相应的幅值谱和相位谱;即:对获得图像Inum的LAB三个通道分别进行傅里叶变换,得到每个通道的FFT处理结果Inum_i,i=1,2,3。
FFT变换的定义为:
其中,f(i,j)为图像像素值,M为图像的宽度,N为图像的高度。
对三个通道取平均运算:
得到图像Inum的FFT处理结果Inum_FFT,Inum_i为图像三个通道分别对应的结果。
(3)对变换后的图像进行符号信息的提取,符号算子定义为:
其中,S(u,v)为经过符号算子处理过的图像像素值。
即:对图像Inum_FFT进行符号运算得到符号运算结果Inum_SIGN。
(4)将经过符号算子处理过的图像傅里叶反变换回去;
其中,f1(i,j)为反变换后的图像像素值。
即:对符号运算结果图Inum_SIGN的三个通道分别进行离散余弦反变换,得到IFFT处理结果Inum_IFFT;
(5)进行高斯卷积平滑,对反变换后的图像进行平滑滤波,从而可以提高显著性图的效果及准确度。
L(i,j,σ)=f1(i,j)*G(i,j,σ) (4)
其中,G(i,j,σ)为高斯函数,σ为尺度因子。
即:对Inum_IFFT三个通道分别作方差为σ的高斯平滑,得到显著性图Inum_SIG。
(6)获得显著性图像后,需要在显著性图像中找到无人机所在的位置。
由于转台获得的图像背景比较单一,只有天空、树、草地、跑道和无人机。其中,不论背景包含什么,与无人机相比都属于大片重复区域,显著性值没有无人机区域高。所以首先设定阈值得到无人机所在区域,一般将无人机机身的中心点作为无人机的定位点,所以取获得的区域的坐标值的平均值作为无人机所在位置的定位点。
即,利用阈值对显著性图进行区域的选取,得到选取后的图像Inum1;
(7)对图像Inum1中的无人机区域的坐标取平均作为无人机的定位坐标(xnum_out,ynum_out)。
为验证本发明显著性检测算法的有效性,在ImgSal数据库上与图像签名算法进行比较。图2为直观比较结果,从图中可以看出,通过本发明方法获得的显著性图能够有效的避免检测到非显著区域,取得比SIG算法较好的实验结果。图3为两者以ROC为性能指标的客观比较,其中C1-C6表示图像所属的类别,分别表示含较大显著区域的图、含中等大小的显著区域的图、含较小显著区域的图、含较小显著区域的图、背景杂乱的图、重复干扰的图、包含不同大小显著区域的图。从图3可以看出在本发明的方法在多个类别具有优势,特别是在C1和C3类中,因为无人机降落的过程,显著区域是由小到大的,本发明的方法正好在这个上比图像签名算法有明显优势,证明了方法的有效性。综上所述,本发明采用的基于图像FFT符号信息方法能够准确的检测并定位出无人机的位置,对无人机的自主安全起降具有较大的理论意义和实用价值。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (2)
1.一种基于图像FFT符号信息的无人机自主着陆目标检测方法,其特征在于,步骤为:
(1)将获得图像Inum由RGB颜色空间转换到LAB颜色空间;
(2)分别对LAB各个通道进行FFT变换,获得相应的幅值谱和相位谱,最终得到图像Inum的FFT处理结果Inum_FFT;
(3)对变换后的图像进行符号信息的提取,即对图像Inum_FFT进行符号运算得到符号运算结果Inum_SIGN;
(4)将经过符号算子处理过的图像傅里叶反变换回去,即对符号运算结果图Inum_SIGN的三个通道分别进行离散余弦反变换,得到IFFT处理结果Inum_IFFT;
(5)对Inum_IFFT三个通道进行方差为σ的高斯卷积平滑,对反变换后的图像进行平滑滤波,得到显著性图Inum_SIG;
(6)利用阈值对显著性图进行区域的选取,得到选取后的图像Inum1;
(7)对图像Inum1中的无人机区域的坐标取平均作为无人机的定位坐标(xnum_out,ynum_out);
在所述步骤(3)中,在对对变换后的图像进行符号信息的提取时,符号算子定义为:
<mrow>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mo>></mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mo><</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中,S(u,v)为经过符号算子处理过的图像像素值。
2.根据权利要求1所述的基于图像FFT符号信息的无人机自主着陆目标检测方法,其特征在于,在所述步骤(2)中,先对获得图像Inum的LAB三个通道分别进行傅里叶变换,然后对三个通道取平均运算:
<mrow>
<msub>
<mi>I</mi>
<mrow>
<mi>n</mi>
<mi>u</mi>
<mi>m</mi>
<mo>_</mo>
<mi>F</mi>
<mi>F</mi>
<mi>T</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>3</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mn>3</mn>
</munderover>
<msub>
<mi>I</mi>
<mrow>
<mi>n</mi>
<mi>u</mi>
<mi>m</mi>
<mo>_</mo>
<mi>i</mi>
</mrow>
</msub>
</mrow>
得到图像Inum的FFT处理结果Inum_FFT。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410705737.3A CN104392234B (zh) | 2014-11-27 | 2014-11-27 | 一种基于图像fft符号信息的无人机自主着陆目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410705737.3A CN104392234B (zh) | 2014-11-27 | 2014-11-27 | 一种基于图像fft符号信息的无人机自主着陆目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104392234A CN104392234A (zh) | 2015-03-04 |
CN104392234B true CN104392234B (zh) | 2017-11-07 |
Family
ID=52610135
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410705737.3A Active CN104392234B (zh) | 2014-11-27 | 2014-11-27 | 一种基于图像fft符号信息的无人机自主着陆目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104392234B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108230389B (zh) * | 2016-12-14 | 2021-07-13 | 杭州迅蚁网络科技有限公司 | 基于颜色空间学习的无人机定位方法 |
CN108508912B (zh) * | 2018-03-20 | 2019-04-26 | 新昌县智创机械有限公司 | 基于计算机控制的检测系统及方法 |
CN110084827B (zh) * | 2019-04-17 | 2020-12-25 | 江阴芗菲纺织科技有限公司 | 一种基于频域特征的织物纹理分类方法 |
CN111476724A (zh) * | 2020-03-19 | 2020-07-31 | 中国人民解放军陆军特种作战学院 | 一种基于图像匹配的无人机航拍图像去雾处理方法及系统 |
CN111880575B (zh) * | 2020-08-10 | 2023-03-24 | 重庆依塔大数据研究院有限公司 | 基于颜色追踪的控制方法、装置、存储介质及机器人 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102436640A (zh) * | 2011-09-21 | 2012-05-02 | 北京航空航天大学 | 一种基于HIS空间的多尺度Retinex模型的雾天图像清晰化方法 |
CN102609930A (zh) * | 2012-01-20 | 2012-07-25 | 中国科学院自动化研究所 | 一种基于多方向梯度场的图像融合方法 |
CN102968787A (zh) * | 2012-10-24 | 2013-03-13 | 中国人民解放军国防科学技术大学 | 基于点特征的图像适配性判断方法 |
CN103177458A (zh) * | 2013-04-17 | 2013-06-26 | 北京师范大学 | 一种基于频域分析的可见光遥感图像感兴趣区域检测方法 |
CN103488801A (zh) * | 2013-10-17 | 2014-01-01 | 中国电子科技集团公司第五十四研究所 | 一种基于地理信息空间库的机场目标检测方法 |
JP5380973B2 (ja) * | 2008-09-25 | 2014-01-08 | 株式会社ニコン | 画像処理装置及び画像処理プログラム |
-
2014
- 2014-11-27 CN CN201410705737.3A patent/CN104392234B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5380973B2 (ja) * | 2008-09-25 | 2014-01-08 | 株式会社ニコン | 画像処理装置及び画像処理プログラム |
US8849024B2 (en) * | 2008-09-25 | 2014-09-30 | Nikon Corporation | Image processing device and medium storing image processing program |
CN102436640A (zh) * | 2011-09-21 | 2012-05-02 | 北京航空航天大学 | 一种基于HIS空间的多尺度Retinex模型的雾天图像清晰化方法 |
CN102609930A (zh) * | 2012-01-20 | 2012-07-25 | 中国科学院自动化研究所 | 一种基于多方向梯度场的图像融合方法 |
CN102968787A (zh) * | 2012-10-24 | 2013-03-13 | 中国人民解放军国防科学技术大学 | 基于点特征的图像适配性判断方法 |
CN103177458A (zh) * | 2013-04-17 | 2013-06-26 | 北京师范大学 | 一种基于频域分析的可见光遥感图像感兴趣区域检测方法 |
CN103488801A (zh) * | 2013-10-17 | 2014-01-01 | 中国电子科技集团公司第五十四研究所 | 一种基于地理信息空间库的机场目标检测方法 |
Non-Patent Citations (2)
Title |
---|
一种基于图像各向异性的频域视觉显著性检测算法;沈镒峰等;《proceedings of the 33rd chinese control conference》;20140728;全文 * |
多目标优化在图像处理中的应用综述;牛轶峰等;《系统工程与电子技术》;20081231;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN104392234A (zh) | 2015-03-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104392234B (zh) | 一种基于图像fft符号信息的无人机自主着陆目标检测方法 | |
Alcantarilla et al. | Fast explicit diffusion for accelerated features in nonlinear scale spaces | |
Wei et al. | Multiscale patch-based contrast measure for small infrared target detection | |
CN109614936B (zh) | 遥感图像飞机目标的分层识别方法 | |
CN103218832B (zh) | 基于图像中全局颜色对比度和空域分布的视觉显著性算法 | |
CN102945378B (zh) | 一种基于监督方法的遥感图像潜在目标区域检测方法 | |
CN103455797A (zh) | 航拍视频中运动小目标的检测与跟踪方法 | |
CN108021869A (zh) | 一种结合高斯核函数的卷积神经网络跟踪方法 | |
CN104392241A (zh) | 一种基于混合回归的头部姿态估计方法 | |
CN103745233B (zh) | 基于空间信息迁移的高光谱图像分类方法 | |
CN108764310A (zh) | 基于多尺度多特征深度森林的sar目标识别方法 | |
CN102495998A (zh) | 基于视觉选择性注意计算模型的静态目标检测方法 | |
CN106203396A (zh) | 基于深度卷积和梯度旋转不变性的航拍图像目标检测方法 | |
CN103902989A (zh) | 基于非负矩阵分解的人体动作视频识别方法 | |
CN104408446B (zh) | 一种基于图像显著性的无人机自主着陆目标检测方法 | |
Chaitra et al. | An impact of radon transforms and filtering techniques for text localization in natural scene text images | |
Yang et al. | Detection algorithm for road surface condition using wavelet packet transform and SVM | |
CN104050674A (zh) | 一种显著性区域检测方法及装置 | |
Lin et al. | A traffic sign recognition method based on deep visual feature | |
CN105631896A (zh) | 一种基于混合分类器决策的压缩感知跟踪方法 | |
CN103530612A (zh) | 基于少量样本的快速目标检测方法 | |
CN112651351B (zh) | 一种数据处理的方法和装置 | |
CN105825523B (zh) | 一种面向固定翼无人机着陆的快速变尺度跑道跟踪方法 | |
CN103729850A (zh) | 一种在全景图中提取直线的方法 | |
Astawa et al. | Convolutional Neural Network Method Implementation for License Plate Recognition in Android |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |