CN105023013B - 基于局部标准差和Radon变换的目标检测方法 - Google Patents
基于局部标准差和Radon变换的目标检测方法 Download PDFInfo
- Publication number
- CN105023013B CN105023013B CN201510496351.0A CN201510496351A CN105023013B CN 105023013 B CN105023013 B CN 105023013B CN 201510496351 A CN201510496351 A CN 201510496351A CN 105023013 B CN105023013 B CN 105023013B
- Authority
- CN
- China
- Prior art keywords
- mrow
- pixel
- image
- munderover
- radon
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于局部标准差和拉东Radon变换的目标检测方法。其步骤为:(1)输入待检测彩色图像;(2)图像预处理;(3)获得不同灰度背景轮廓图像;(4)差分运算;(5)拉东Radon变换;(6)修正极大值曲线;(7)拉东Radon逆变换;(8)输出目标检测结果。本发明能够很好的解决现有技术中存在的算法复杂度太高,以及在点目标相对弱小时,容易在目标周围产生虚警点的缺陷,本发明提高了图像目标检测的效率和准确性。
Description
技术领域
本发明属于图像处理技术领域,更进一步涉及遥感应用和智能导航技术领域中的一种基于局部标准差和拉东Radon变换的目标检测方法。本发明应用于遥感应用和智能导航技术领域中可以更准确地检测空天及海天背景下单个或多个红外小目标。
背景技术
在遥感应用和智能导航技术领域中,为了提高图像目标的检测率,现有技术已经有多种方法。其中:
航天恒星科技有限公司申请的专利“一种红外图像序列中点目标检测方法”(公开号:CN103413138A,申请日:2013.07.18)中公开了一种红外图像序列中点目标检测方法。该目标检测方法的具体步骤包括:(1)估计当前帧图像噪声方差,采用双边滤波的方法对图像进行预处理;(2)采用基于模板中值的滤波方法对预处理图像进行滤波;(3)对图像进行二值化处理,标记图像中目标点,记录目标位置信息;(4)初始化管道滤波器的参数;(5)利用前三帧目标信息预测当前帧的目标位置,搜索目标,更新目标位置信息表中相关信息,并判断输出目标信息。该方法存在的不足之处是,该方法对小目标图像复杂背景的适应能力很弱,在点目标相对弱小时,容易在目标周围产生虚警点,而且要求图像序列必须配准,不适用于单帧图像目标检测。
秦翰林,李佳,周慧鑫,赖睿,刘上乾共同发表的论文“采用剪切波变换的红外弱小目标背景抑制”(《红外与毫米波学报》,2011年30卷(2期):P163-166)中提出了一种采用剪切波变换的红外弱小目标背景抑制方法。该目标检测方法的具体步骤包括:(1)对原始图像进行剪切波变换;(2)利用剪切波变换域模型估计各个子带系数,然后对子带中各个邻域利用贝叶斯估计计算预测的背景信号子带系数;(3)对低通子带采用局部去均值滤波法进行计算,以减少残留在低通子带中目标信号对预测背景的影响;(4)对滤波处理的低频子带和高频子带进行剪切波逆变换,得到估计的背景图像;(5)将背景图像与原始图像相减得到目标信号图像。该方法存在的不足之处是,剪切波算法本身比较复杂,算法复杂度太高,实用性不强。
发明内容
本发明针对现有的图像目标检测技术的不足,提出一种基于局部标准差和拉东Randon变换的目标检测方法。
实现本发明目的的具体思路是,首先,通过对红外小目标图像的灰度图像计算局部标准差,获得灰度图像的不同背景轮廓图像。其次,修正对含有噪点的小目标图像拉东Radon变换后的极大值曲线。最后,利用修正后的极大值曲线进行拉东Radon逆变换,实现图像目标检测,获得小目标,以解决现有目标检测技术中存在的算法复杂度太高,以及在点目标相对弱小时,容易在目标周围产生虚警点的缺陷,提高图像目标的检测率。
实现本发明目的的具体步骤如下:
(1)输入待检测彩色图像:
在计算机中应用matlab软件输入待检测的彩色图像;
(2)图像预处理:
用图像颜色空间转换方法,将待检测的彩色图像转换为灰度图像;
(3)获得不同灰度背景轮廓图像:
(3a)依次遍历灰度图像中的每一个像素,以灰度图像中每个像素为中心,构建一个7×7像素滤波模板,计算每个7×7像素滤波模板中所有像素的标准差;以该标准差替代灰度图像中该滤波模板的中心像素值,遍历灰度图像中每一个像素,得到含有小目标点的灰度背景轮廓图像f1;
(3b)依次遍历灰度图像中的每一个像素,以灰度图像中每个像素为中心,构建一个7×7像素滤波模板,在7×7像素滤波模板中抠去以所遍历灰度图像中的该像素为中心的3×3像素,计算在7×7像素滤波模板中抠去3×3像素后剩余像素的标准差;以该标准差替代替代灰度图像中该滤波模板的中心像素值,遍历灰度图像中每一个像素,得到只含有小目标边缘的灰度背景轮廓图像f2;
(4)差分运算:
按照下式,将含有小目标点的背景轮廓图像和只含有小目标边缘的背景轮廓图像做差分运算,得到含有噪点的小目标图像;
D=f1-f2
其中,D表示含有噪点的小目标图像,f1表示含有小目标点的背景轮廓图像,f2表示只含有小目标边缘的背景轮廓图像;
(5)拉东Radon变换:
对含有噪点的小目标图像以1°为增量,进行0°-180°方向拉东Radon变换,得到各个方向极大值曲线集合;
(6)修正极大值曲线:
(6a)从各个方向极大值曲线集合中,选取含有噪点的小目标图像的0°方向的一条极大值曲线,获得这条曲线的极大值;
(6b)将0°方向的极大值曲线中所有低于0°方向极大值曲线极大值的80%的值取零,保留0°方向的极大值,得到修正后的0°方向极大值曲线;
(6c)重复步骤(6a)、步骤(6b),直至完成0°-180°中每一个方向的极大值曲线的修正;
(7)拉东Radon逆变换:
按照拉东Radon逆变换公式,利用修正后的0°-180°中每一个方向的极大值曲线的值,进行拉东Radon逆变换,获得小目标图像,完成图像目标检测;
(8)输出目标检测结果。
本发明与现有技术相比具有以下优点
第一,本发明通过对灰度图像采用不同的局部标准差模板处理方法,获得了灰度图像的不同灰度背景轮廓图像,克服了现有目标检测技术中对小目标图像复杂背景适应能力很弱的缺陷,使得本发明适应于单帧或者多帧图像的目标检测,提高了图像目标检测的适用性。
第二,本发明通过对含有噪点的小目标图像使用拉东Radon变换,克服了现有目标检测技术中在点目标相对弱小时,容易在目标周围产生虚警点的缺陷,使得本发明对图像目标检测有着较高的准确性。
第三,本发明通过对灰度图像采用不同的局部标准差模板处理方法,对含有噪点的小目标图像使用拉东Radon变换,克服了现有目标检测技术中目标检测算法复杂度太高的缺陷,使得本发明的算法有着较低的复杂度,提高了目标检测的效率。
附图说明
图1为本发明的流程图;
图2为本发明对红外目标图像的仿真示意图。
具体实施方式
下面结合附图对本发明做进一步的描述。
参照附图1,对本发明的具体实施步骤做进一步的描述。
步骤1,输入待检测彩色图像。
在计算机中应用matlab软件输入待检测的彩色图像。
步骤2,图像预处理。
用图像颜色空间转换方法,将待检测的彩色图像转换为灰度图像。
步骤3,获得不同灰度背景轮廓图像。
依次遍历灰度图像中的每一个像素,以灰度图像中每个像素为中心,构建一个7×7像素滤波模板,计算每个7×7像素滤波模板中所有像素的标准差;以该标准差替代灰度图像中该滤波模板的中心像素值,遍历灰度图像中每一个像素,得到含有小目标点的灰度背景轮廓图像f1。
依次遍历灰度图像中的每一个像素,以灰度图像中每个像素为中心,构建一个7×7像素滤波模板,在7×7像素滤波模板中抠去以所遍历灰度图像中的该像素为中心的3×3像素,计算7×7像素滤波模板中抠去3×3像素后剩余像素的标准差;以该标准差替代灰度图像中该滤波模板的中心像素值,遍历灰度图像中每一个像素,得到只含有小目标边缘的灰度背景轮廓图像f2。
所述的计算每个7×7像素滤波模板中所有像素的标准差的具体步骤如下。
第1步,按照下式,计算7×7像素滤波模板中所有像素的平均值;
其中,E表示滤波模板中所有像素的平均值,∑表示求和操作,x(i,j)表示图像预处理后得到的灰度图像的灰度值,i表示滤波模板中像素的横坐标,j表示滤波模板中像素的纵坐标。
第2步,按照下式,计算7×7像素滤波模板中所有像素的标准差:
其中,σ表示滤波模板中所有像素的标准差,表示求平方根操作,∑表示求和操作,x(i,j)表示图像预处理后得到灰度图像的灰度值,i表示滤波模板中像素的横坐标,j表示滤波模板中像素的纵坐标,E表示滤波模板中所有像素的平均值。
所述的计算7×7像素滤波模板中抠去3×3像素后剩余像素的标准差的具体步骤如下。
第1步,按照下式,计算7×7像素滤波模板中抠去3×3像素后剩余像素的平均值:
其中,W表示7×7像素滤波模板中抠去3×3像素后剩余像素的平均值,∑表示求和操作,x(i,j)表示图像预处理后得到的灰度图像的灰度值,i表示滤波模板中像素的横坐标,j表示滤波模板中像素的纵坐标。
第2步,按照下式,计算7×7像素滤波模板中抠去3×3像素后剩余像素的标准差σ;
其中,σ表示7×7像素滤波模板中抠去3×3像素后剩余像素的标准差,表示求平方根操作,∑表示求和操作,i表示滤波模板中像素的横坐标,j表示滤波模板中像素的纵坐标,x(i,j)表示图像预处理后得到的灰度图像的灰度值,W表示7×7像素滤波模板中抠去3×3像素后剩余像素的平均值。
步骤4,差分运算。
按照下式,将含有小目标点的背景轮廓图像和只含有小目标边缘的背景轮廓图像做差分运算,得到含有噪点的小目标图像。
D=f1-f2
其中,D表示含有噪点的小目标图像,f1表示含有小目标点的背景轮廓图像,f2表示只含有小目标边缘的背景轮廓图像。
步骤5,拉东Radon变换。
按照下式,对含有噪点的小目标图像以1°为增量,进行0°-180°方向拉东Radon变换,得到各个方向极大值曲线集合:
其中,P(r,θ)表示在θ方向上进行拉东Radon变换后的极大值曲线集合中的一条极大值曲线,r表示极大值曲线的横坐标,θ表示对含有小目标的灰度图像矩阵进行拉东Radon变换时与水平方向的夹角,∫表示积分操作,f(x,y)表示只含有小目标的灰度图像矩阵,x表示只含有小目标的灰度图像矩阵的行坐标,y表示只含有小目标的灰度图像矩阵的列坐标,δ(·)表示判断条件,当(·)为零时,δ(·)为1,当(·)不为零时,δ(·)为0。
步骤6,修正极大值曲线。
第1步,从各个方向极大值曲线集合中,选取含有噪点的小目标图像的0°方向的一条极大值曲线,获得这条曲线的极大值。
第2步,将0°方向的极大值曲线中所有低于0°方向极大值曲线极大值的80%的值取零,保留0°方向的极大值,得到修正后的0°方向极大值曲线。
第3步,重复步骤(6a)、步骤(6b),直至完成0°-180°中每一个方向的极大值曲线的修正。
步骤7,Radon逆变换。
按照下式,利用修正后的0°-180°中每一个方向的极大值曲线的值,进行拉东Radon逆变换,获得小目标图像,完成图像目标检测:
其中,f(x,y)表示拉东Radon逆变换后的小目标灰度图像矩阵,x表示拉东Radon逆变换后的小目标灰度图像矩阵的行坐标,y表示拉东Radon逆变换后的小目标灰度图像矩阵的列坐标,π表示圆周率,∫表示积分操作,表示偏微分操作,p0(r,θ)表示在θ方向修正完成后的极大值曲线集合中的一条极大值曲线,r表示修正完成后极大值曲线的横坐标,θ表示对含有小目标的灰度图像矩阵进行拉东Radon变换时与水平方向的夹角。
步骤8,输出目标检测结果。
下面结合图2对本发明的仿真实验效果做进一步描述。
1.仿真条件:
用本发明基于局部标准差和拉东Radon变换的目标检测方法对红外小目标图像进行仿真实验,仿真在MATLAB7.0和Visual C++6.0软件下联合进行。
2.仿真内容:
从红外热像仪图像库中选取一幅红外小目标图像,如附图2(a)所示。附图2(a)为一幅大小为256×256像素的红外小目标图像,图2(a)中方框圈出的为小目标图像。附图2(b)为附图2(a)经过本发明后的目标检测结果,图2(b)中方框圈出的为小目标图像。如附图2所示,本发明首先通过对红外小目标图像的灰度图像计算局部标准差,获得灰度图像的不同灰度背景轮廓图像。其次,修正对含有噪点的小目标图像拉东Radon变换后的极大值曲线。最后,利用修正后的极大值曲线进行拉东Radon逆变换,实现图像目标检测,获得小目标图像。
3.仿真结果分析:
采用本发明方法与现有技术“一种红外图像序列中点目标检测方法”、“采用剪切波变换的红外弱小目标背景抑制”对图2(a)进行目标检测,在相同的仿真环境下,采用本发明方法对图2(a)进行仿真处理,完成目标检测所需要的时间为1.6211秒,信噪比为0.0084。
采用现有技术“一种红外图像序列中点目标检测方法”对图2(a)进行仿真处理,完成目标检测所需要的时间为1.7355秒,信噪比为0.3622。
采用现有技术“采用剪切波变换的红外弱小目标背景抑制”对图2(a)进行仿真处理,完成目标检测所需要的时间为5.3031秒,信噪比为0.0091。
通过比较三个仿真结果中的完成目标检测所需要的时间和信噪比可以看出,本发明基于局部标准差和拉东Radon变换的目标检测方法,在目标检测的准确性和时间复杂度方面具有明显优势。
Claims (5)
1.一种基于局部标准差和Radon变换的目标检测方法,包括以下步骤:
(1)输入待检测彩色图像:
在计算机中应用matlab软件输入待检测的彩色图像;
(2)图像预处理:
用图像颜色空间转换方法,将待检测的彩色图像转换为灰度图像;
(3)获得不同灰度背景轮廓图像:
(3a)依次遍历灰度图像中的每一个像素,以灰度图像中每个像素为中心,构建一个7×7像素滤波模板,计算每个7×7像素滤波模板中所有像素的标准差;以该标准差替代灰度图像中该滤波模板的中心像素值,遍历灰度图像中每一个像素,得到含有小目标点的灰度背景轮廓图像f1;
(3b)依次遍历灰度图像中的每一个像素,以灰度图像中每个像素为中心,构建一个7×7像素滤波模板,在7×7像素滤波模板中抠去以所遍历灰度图像中的该像素为中心的3×3像素;计算7×7像素滤波模板中抠去3×3像素后剩余像素的标准差,以该标准差替代灰度图像中该滤波模板的中心像素值,遍历灰度图像中每一个像素,得到只含有小目标边缘的灰度背景轮廓图像f2;
(4)差分运算:
按照下式,将含有小目标点的背景轮廓图像和只含有小目标边缘的背景轮廓图像做差分运算,得到含有噪点的小目标图像;
D=f1-f2
其中,D表示含有噪点的小目标图像;f1表示含有小目标点的背景轮廓图像;f2表示只含有小目标边缘的背景轮廓图像;
(5)拉东Radon变换:
按照拉东Radon变换公式,对含有噪点的小目标图像以1°为增量,进行0°-180°方向拉东Radon变换,得到各个方向极大值曲线集合;
(6)修正极大值曲线:
(6a)从各个方向极大值曲线集合中,选取含有噪点的小目标图像的0°方向的一条极大值曲线,获得这条曲线的极大值;
(6b)将0°方向的极大值曲线中所有低于0°方向极大值曲线极大值的80%的值取零,保留0°方向的极大值,得到修正后的0°方向极大值曲线;
(6c)重复步骤(6a)、步骤(6b),直至完成0°-180°中每一个方向的极大值曲线的修正;
(7)拉东Radon逆变换:
按照拉东Radon逆变换公式,利用修正后的0°-180°中每一个方向的极大值曲线的值,进行拉东Radon逆变换,获得小目标图像,完成图像目标检测;
(8)输出目标检测结果。
2.根据权利要求1所述的基于局部标准差和Radon变换的目标检测方法,其特征在于:步骤(3a)中所述的计算每个7×7像素滤波模板中所有像素的标准差的具体步骤如下:
第1步,按照下式,计算7×7像素滤波模板中所有像素的平均值:
<mrow>
<mi>E</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>49</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>7</mn>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>7</mn>
</munderover>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
其中,E表示滤波模板中所有像素的平均值,∑表示求和操作,x(i,j)表示图像预处理后得到的灰度图像的灰度值,i表示滤波模板中像素的横坐标,j表示滤波模板中像素的纵坐标;
第2步,按照下式,计算7×7像素滤波模板中所有像素的标准差:
<mrow>
<mi>&sigma;</mi>
<mo>=</mo>
<msqrt>
<mrow>
<mfrac>
<mn>1</mn>
<mn>49</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>7</mn>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>7</mn>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
<mo>-</mo>
<mi>E</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
其中,σ表示滤波模板中所有像素的标准差,表示求平方根操作,∑表示求和操作,x(i,j)表示图像预处理后得到灰度图像的灰度值,i表示滤波模板中像素的横坐标,j表示滤波模板中像素的纵坐标,E表示滤波模板中所有像素的平均值。
3.根据权利要求1所述的基于局部标准差和Radon变换的目标检测方法,其特征在于:步骤(3b)中所述的计算7×7像素滤波模板中抠去3×3像素后剩余像素的标准差的具体步骤是:
第1步,按照下式,计算7×7像素滤波模板中抠去3×3像素后剩余像素的平均值:
<mrow>
<mi>W</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>40</mn>
</mfrac>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>7</mn>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>7</mn>
</munderover>
<mi>x</mi>
<mo>(</mo>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mo>)</mo>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>3</mn>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>3</mn>
</munderover>
<mi>x</mi>
<mo>(</mo>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
其中,W表示7×7像素滤波模板中抠去3×3像素后剩余像素的平均值,∑表示求和操作,x(i,j)表示图像预处理后得到的灰度图像的灰度值,i表示滤波模板中像素的横坐标,j表示滤波模板中像素的纵坐标;
第2步,按照下式,计算7×7像素滤波模板中抠去3×3像素后剩余像素的标准差σ;
<mrow>
<mi>&sigma;</mi>
<mo>=</mo>
<msqrt>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>7</mn>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>7</mn>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
<mo>-</mo>
<mi>W</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>3</mn>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>3</mn>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
<mo>-</mo>
<mi>W</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
其中,σ表示7×7像素滤波模板中抠去3×3像素后剩余像素的标准差,表示求平方根操作,∑表示求和操作,i表示滤波模板中像素的横坐标,j表示滤波模板中像素的纵坐标,x(i,j)表示图像预处理后得到的灰度图像的灰度值,W表示7×7像素滤波模板中抠去3×3像素后剩余像素的平均值。
4.根据权利要求1所述的基于局部标准差和Radon变换的目标检测方法,其特征在于:步骤(5)中所述的拉东Radon变换公式是:
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>,</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msubsup>
<mo>&Integral;</mo>
<mrow>
<mo>-</mo>
<mi>&infin;</mi>
</mrow>
<mi>&infin;</mi>
</msubsup>
<msubsup>
<mo>&Integral;</mo>
<mrow>
<mo>-</mo>
<mi>&infin;</mi>
</mrow>
<mi>&infin;</mi>
</msubsup>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mi>&delta;</mi>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>-</mo>
<mi>x</mi>
<mi> </mi>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mi>&theta;</mi>
<mo>-</mo>
<mi>y</mi>
<mi> </mi>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>x</mi>
<mi>d</mi>
<mi>y</mi>
</mrow>
其中,P(r,θ)表示在θ方向上进行拉东Radon变换后的极大值曲线集合中的一条极大值曲线,r表示极大值曲线的横坐标,θ表示对含有小目标的灰度图像矩阵进行拉东Radon变换时与水平方向的夹角,∫表示积分操作,f(x,y)表示只含有小目标的灰度图像矩阵,x表示只含有小目标的灰度图像矩阵的行坐标,y表示只含有小目标的灰度图像矩阵的列坐标,δ(·)表示判断条件,当(·)为零时,δ(·)为1,当(·)不为零时,δ(·)为0。
5.根据权利要求1所述的基于局部标准差和Radon变换的目标检测方法,其特征在于:步骤(7)中所述的拉东Radon逆变换公式如下:
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>4</mn>
<msup>
<mi>&pi;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<munderover>
<mo>&Integral;</mo>
<mn>0</mn>
<mi>&pi;</mi>
</munderover>
<mi>d</mi>
<mi>&theta;</mi>
<munderover>
<mo>&Integral;</mo>
<mrow>
<mo>-</mo>
<mi>&infin;</mi>
</mrow>
<mrow>
<mo>+</mo>
<mi>&infin;</mi>
</mrow>
</munderover>
<mfrac>
<mrow>
<mfrac>
<mo>&part;</mo>
<mrow>
<mo>&part;</mo>
<mi>r</mi>
</mrow>
</mfrac>
<msub>
<mi>p</mi>
<mn>0</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>,</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>x</mi>
<mi> </mi>
<mi>cos</mi>
<mi>&theta;</mi>
<mo>+</mo>
<mi>y</mi>
<mi> </mi>
<mi>sin</mi>
<mi>&theta;</mi>
<mo>-</mo>
<mi>t</mi>
</mrow>
</mfrac>
<mi>d</mi>
<mi>r</mi>
</mrow>
其中,f(x,y)表示拉东Radon逆变换后的小目标灰度图像矩阵,x表示拉东Radon逆变换后的小目标灰度图像矩阵的行坐标,y表示拉东Radon逆变换后的小目标灰度图像矩阵的列坐标,π表示圆周率,∫表示积分操作,表示偏微分操作,p0(r,θ)表示在θ方向修正完成后的极大值曲线集合中的一条极大值曲线,r表示修正完成后极大值曲线的横坐标,θ表示对含有小目标的灰度图像矩阵进行拉东Radon变换时与水平方向的夹角。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510496351.0A CN105023013B (zh) | 2015-08-13 | 2015-08-13 | 基于局部标准差和Radon变换的目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510496351.0A CN105023013B (zh) | 2015-08-13 | 2015-08-13 | 基于局部标准差和Radon变换的目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105023013A CN105023013A (zh) | 2015-11-04 |
CN105023013B true CN105023013B (zh) | 2018-03-06 |
Family
ID=54412968
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510496351.0A Active CN105023013B (zh) | 2015-08-13 | 2015-08-13 | 基于局部标准差和Radon变换的目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105023013B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105678737B (zh) * | 2015-12-24 | 2019-03-01 | 华北电力大学(保定) | 一种基于Radon变换的数字图像角点检测方法 |
CN106846607B (zh) * | 2017-01-11 | 2019-06-07 | 深圳怡化电脑股份有限公司 | 一种纸币识别方法及装置 |
CN107507220A (zh) * | 2017-07-26 | 2017-12-22 | 成都九维云联科技有限公司 | 一种对顾客进行实时追踪的系统 |
CN109598694A (zh) * | 2017-09-28 | 2019-04-09 | 中国石油化工股份有限公司 | 基于Radon变换的压裂裂缝计算方法及系统 |
CN108918526B (zh) * | 2018-04-10 | 2020-08-18 | 华南理工大学 | 一种柔性ic封装基板线路的缺口缺陷检测方法 |
CN111145201B (zh) * | 2019-12-26 | 2021-10-08 | 中南大学 | 一种稳健快速的无人机摄影测量标志检测与定位方法 |
CN111667492A (zh) * | 2020-05-14 | 2020-09-15 | 广东轻工职业技术学院 | 一种基于拉东变换的水果图像分割方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101630364A (zh) * | 2009-08-20 | 2010-01-20 | 天津大学 | 基于融合特征的步态信息处理与身份识别方法 |
CN101807245A (zh) * | 2010-03-02 | 2010-08-18 | 天津大学 | 基于人工神经网络的多源步态特征提取与身份识别方法 |
CN102013014A (zh) * | 2010-11-26 | 2011-04-13 | 华中科技大学 | 一种高分辨率遥感图像多类目标特征模型的建立方法 |
CN102156882A (zh) * | 2011-04-14 | 2011-08-17 | 西北工业大学 | 一种基于高分辨遥感图像的机场目标检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI563471B (en) * | 2012-04-24 | 2016-12-21 | Altek Corp | Image processing device and processing method thereof |
-
2015
- 2015-08-13 CN CN201510496351.0A patent/CN105023013B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101630364A (zh) * | 2009-08-20 | 2010-01-20 | 天津大学 | 基于融合特征的步态信息处理与身份识别方法 |
CN101807245A (zh) * | 2010-03-02 | 2010-08-18 | 天津大学 | 基于人工神经网络的多源步态特征提取与身份识别方法 |
CN102013014A (zh) * | 2010-11-26 | 2011-04-13 | 华中科技大学 | 一种高分辨率遥感图像多类目标特征模型的建立方法 |
CN102156882A (zh) * | 2011-04-14 | 2011-08-17 | 西北工业大学 | 一种基于高分辨遥感图像的机场目标检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105023013A (zh) | 2015-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105023013B (zh) | 基于局部标准差和Radon变换的目标检测方法 | |
CN106910176B (zh) | 一种基于深度学习的人脸图像去遮挡方法 | |
CN104156968B (zh) | 大面积地形复杂区域无人机序列影像快速无缝拼接方法 | |
CN110032949A (zh) | 一种基于轻量化卷积神经网络的目标检测与定位方法 | |
CN103700114B (zh) | 一种基于可变高斯混合数的复杂背景建模方法 | |
CN103914820B (zh) | 一种基于图像分层增强的图像去雾方法及系统 | |
CN109522831B (zh) | 一种基于微卷积神经网络的车辆实时检测方法 | |
CN103455813A (zh) | 一种ccd图像测量系统光斑中心定位的方法 | |
CN105046664A (zh) | 一种基于自适应epll算法的图像去噪方法 | |
CN105023256A (zh) | 一种图像去雾方法及系统 | |
CN107967474A (zh) | 一种基于卷积神经网络的海面目标显著性检测方法 | |
CN102831591A (zh) | 一种基于高斯滤波的单幅图像的实时去雾方法 | |
CN105701483A (zh) | 一种融合多光谱遥感数据和夜间灯光遥感数据的城市边界提取方法 | |
CN116524062B (zh) | 一种基于扩散模型的2d人体姿态估计方法 | |
CN107945210A (zh) | 基于深度学习和环境自适应的目标跟踪算法 | |
CN109410144A (zh) | 一种基于深度学习的端到端图像去雾处理方法 | |
CN105354863A (zh) | 基于特征滤波和快速运动检测模板预测的自适应尺度图像序列目标跟踪方法 | |
CN103971354A (zh) | 低分辨率红外图像重建高分辨率红外图像的方法 | |
CN104732546A (zh) | 区域相似性和局部空间约束的非刚性sar图像配准方法 | |
CN104717400A (zh) | 一种监控视频的实时去雾方法 | |
CN107944354A (zh) | 一种基于深度学习的车辆检测方法 | |
CN103456030A (zh) | 基于散射描述子的目标跟踪方法 | |
CN112633220A (zh) | 一种基于双向序列化建模的人体姿态估计方法 | |
CN103679740B (zh) | 一种无人机对地目标roi提取方法 | |
CN103106663B (zh) | 计算机系统中基于图像处理实现sim卡缺陷检测的方法 |
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 |