CN105678330B - 一种基于高斯加权的直方图匹配方法 - Google Patents
一种基于高斯加权的直方图匹配方法 Download PDFInfo
- Publication number
- CN105678330B CN105678330B CN201610006900.6A CN201610006900A CN105678330B CN 105678330 B CN105678330 B CN 105678330B CN 201610006900 A CN201610006900 A CN 201610006900A CN 105678330 B CN105678330 B CN 105678330B
- Authority
- CN
- China
- Prior art keywords
- histogram
- vectors
- histogram vectors
- adjacent
- target 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
公开了一种基于高斯加权的直方图匹配方法,包括:将像素区间[0,255]分为L个子区间,获取目标图像在每个子区间的第一直方图向量、及模板图像在每个子区间的直方图向量;针对目标图像的每个第一直方图向量:从直方图向量中获取与第一直方图向量对应的第二直方图向量,对以第二直方图向量为中心的至少两个相邻第二直方图向量进行加权,确定直方图加权向量;基于所有第一直方图向量、与第一直方图向量对应的第二直方图向量以及直方图加权向量,确定目标图像与模板图像的相似度。本发明通过对以第二直方图向量为中心的至少两个相邻第二直方图向量进行加权,能够克服目标图像与目标图像进行匹配时出现的直方图边界效应,提高直方图匹配的稳定性和可靠性。
Description
技术领域
本发明涉及图像处理、光电技术领域,特别涉及一种基于高斯加权的直方图匹配方法。
背景技术
以下对本发明的相关技术背景进行说明,但这些说明并不一定构成本发明的现有技术。
在智能监控系统中的目标跟踪和识别问题都会遇到相似性测度问题。目标跟踪过程需要比对两帧之间提取目标的相似程度,进而进行帧间目标同一性判断,实现帧间目标关联。基于图像特征的目标识别问题更直接应用相似性测度,通过判断提取目标与模板之间的相似程度,实现目标分类。
目前基于图像和视频的目标跟踪和目标识别过程中,在进行直方图匹配时,都是直接对需要比对的直方图应用相似性测度计算,实现目标的相似性判别。由于成像设备存在差异,即使单台设备,也会在使用过程中由于外部和内部因素的变化,在成像中产生差异,此差异会造成直方图的变化,从而产生匹配误差,造成跟踪和识别的错误。
发明内容
本发明的目的在于提出一种基于高斯加权的直方图匹配方法,能够克服直方图匹配的边界效应,提高了直方图匹配的稳定性和可靠性。
根据本发明的基于高斯加权的直方图匹配方法,包括:
S1、将像素区间[0,255]分为L个子区间,然后对目标图像和模板图像进行直方图统计,获取目标图像在每个子区间的第一直方图向量、以及模板图像在每个子区间的直方图向量;
S2、针对目标图像的每个第一直方图向量HA(i):从所述直方图向量中获取与第一直方图向量HA(i)对应的第二直方图向量HB(i),对以第二直方图向量为中心的至少两个相邻第二直方图向量进行加权,确定直方图加权向量w;
S3、基于所有的第一直方图向量、与第一直方图向量对应的第二直方图向量以及所述直方图加权向量,确定目标图像与模板图像之间的相似度;
其中,1≤i≤L、且i为整数。
优选地,步骤S1之前进一步包括:对目标图像进行归一化处理。
优选地,步骤S2包括:针对目标图像的每个第一直方图向量HA(i):
采用3σ准则确定所述至少两个相邻第二直方图向量的位置和数量;
基于所述模板图像的直方图向量获取所述至少两个相邻第二直方图向量中每个第二直方图向量的权重值w(k);其中,-L≤k≤L、且k为整数。
依据所述权重值确定直方图加权向量w。
优选地,基于所述模板图像的直方图向量获取所述至少两个相邻第二直方图向量中每个第二直方图向量的权重值包括:
根据每个第二直方图向量在所述至少两个相邻第二直方图向量的总和中所占的比值,为每个第二直方图向量分配权重值;
所述至少两个相邻第二直方图向量的权重之和为1。
优选地,所述至少两个相邻第二直方图向量为:以第二直方图向量为中心的偶数或奇数个相邻的第二直方图向量。
优选地,所述至少两个相邻第二直方图向量为:以第二直方图向量为中心的5个相邻的第二直方图向量。
优选地,所述直方图加权向量为:
w=[w(-2),w(-1),w(0),w(1),w(2)]=[0.05,0.2,0.5,0.2,0.05]。
优选地,按照公式1确定目标图像与模板图像之间的相似度BhatW(HA,HB):
根据本发明的基于高斯加权的直方图匹配方法,包括:将像素区间[0,255]分为L个子区间,然后对目标图像和模板图像进行直方图统计,获取目标图像在每个子区间的第一直方图向量、以及模板图像在每个子区间的直方图向量;针对目标图像的每个第一直方图向量:从直方图向量中获取与第一直方图向量对应的第二直方图向量,对以第二直方图向量为中心的至少两个相邻第二直方图向量进行加权,确定直方图加权向量;基于所有的第一直方图向量、与第一直方图向量对应的第二直方图向量以及直方图加权向量,确定目标图像与模板图像之间的相似度。本发明通过对以第二直方图向量为中心的至少两个相邻第二直方图向量进行加权,能够克服目标图像与目标图像进行匹配时出现的直方图边界效应问题,提高直方图匹配的稳定性和可靠性。
附图说明
通过以下参照附图而提供的具体实施方式部分,本发明的特征和优点将变得更加容易理解,在附图中:
图1是直方图边界效应的示意图;
图2是示出根据本发明的基于高斯加权的直方图匹配方法的流程图。
具体实施方式
下面参照附图对本发明的示例性实施方式进行详细描述。对示例性实施方式的描述仅仅是出于示范目的,而绝不是对本发明及其应用或用法的限制。
在直方图统计过程中,对于不同帧图像中的同一目标,会出现一定得偏差,如图1所示。图中的阴影部分处于直方图中两个子区间的边缘,在一帧图像的直方图中,其统计为第i个子区间,参见图1a;在另一帧图像中,由于成像传感器或者环境光线变化等原因,阴影部分像素统计为第(i-1)个子区间,参见图1b,造成了两幅直方图在形态上的差异,为比对过程中匹配为一个目标造成了困难,这种现象称为直方图边界效应。
本发明中,为了克服这种直方图边界效应,在进行直方图匹配时,针对目标图像的每个第一直方图向量,获取图像模板中与该第一直方图向量对应的第二直方图向量,通过对以第二直方图向量为中心的至少两个相邻第二直方图向量进行加权,能够克服目标图像与目标图像进行匹配时出现的直方图边界效应问题,提高直方图匹配的稳定性和可靠性。
图2示出了根据本发明的基于高斯加权的直方图匹配方法的流程图。在步骤S1中,首先将像素区间[0,255]分为L个子区间,其中,L为正整数。然后对目标图像和模板图像进行直方图统计,获取目标图像在每个子区间的第一直方图向量、以及模板图像在每个子区间的直方图向量。
由于ISAR图像的纵向分辨率取决于测量雷达带宽、横向分辨率取决于非合作目标的旋转速度,因此同一目标图像的不同帧之间有可能存在尺度不一致的问题,为了提高目标图像与目标图像匹配的准确性,步骤S1之前可以进一步包括:对目标图像进行归一化处理。归一化后图像的大小可以根据图像处理方式以及分析需求进行选择。
S2、针对目标图像的每个第一直方图向量HA(i):从直方图向量中获取与第一直方图向量HA(i)对应的第二直方图向量HB(i),对以第二直方图向量为中心的至少两个相邻第二直方图向量进行加权,确定直方图加权向量w。其中,1≤i≤L、且i为整数。
对以第二直方图向量为中心的至少两个相邻第二直方图向量进行加权时,为了确定每一个第二直方图向量的权重值,可以根据允许的匹配误差以及目标图像的类型选择不同的权重值分配方法,比如,可以采用3σ准则确定每一个第二直方图向量的权重值,具体地,步骤S2包括:针对目标图像的每个第一直方图向量HA(i):
采用3σ准则确定所述至少两个相邻第二直方图向量的位置和数量;
基于模板图像的直方图向量获取所述至少两个相邻第二直方图向量中每个第二直方图向量的权重值w(k);其中,-L≤k≤L、且k为整数。
依据权重值确定直方图加权向量w。
S3、基于所有的第一直方图向量、与第一直方图向量对应的第二直方图向量以及直方图加权向量,确定目标图像与模板图像之间的相似度。
采用3σ准则确定每一个第二直方图向量的权重值时,可以设置方差σ为1,均值μ为0,直方图向量的取值几乎全部集中在(μ-3σ,μ+3σ)区间内,超出这个范围的可能性仅占不到0.3%。然而,在进行图像匹配时,为了保证目标图像与模板图像的一致性,进而提高直方图匹配的准确性,可以对与第一直方图向量对应的至少两个相邻第二直方图向量进行归一化处理。优选地,基于模板图像的直方图向量获取所述至少两个相邻第二直方图向量中每个第二直方图向量的权重值包括:
根据每个第二直方图向量在所述至少两个相邻第二直方图向量的总和中所占的比值,为每个第二直方图向量分配权重值;
所述至少两个相邻第二直方图向量的权重之和为1。
本发明中,在选取以第二直方图向量为中心的至少两个相邻第二直方图向量时,该至少两个相邻第二直方图向量可以为:以第二直方图向量为中心的偶数或奇数个相邻的第二直方图向量。在进行归一化处理时,某一区域的直方图边界效应的影响范围一般不超过直方图的三个子区间,因此,根据本发明的优选实施例,至少两个相邻第二直方图向量为:以第二直方图向量为中心的5个相邻的第二直方图向量,其中,目标图像直方图第i个子区间的直方图向量记为HA(i),与第一直方图向量对应的至少两个相邻第二直方图向量记为HB(i+k-3),k=1,2,3,4,5。优选地,直方图加权向量为:w=[w(-2),w(-1),w(0),w(1),w(2)]=[0.05,0.2,0.5,0.2,0.05]。
本发明中,可以按照公式1确定目标图像与模板图像之间的相似度BhatW(HA,HB):
与现有技术相比,本发明在进行直方图匹配时,针对目标图像的每个第一直方图向量,首先获取图像模板中与该第一直方图向量对应的第二直方图向量,通过对以第二直方图向量为中心的至少两个相邻第二直方图向量进行加权,能够克服目标图像与目标图像进行匹配时出现的直方图边界效应问题,提高直方图匹配的稳定性和可靠性。
虽然参照示例性实施方式对本发明进行了描述,但是应当理解,本发明并不局限于文中详细描述和示出的具体实施方式,在不偏离权利要求书所限定的范围的情况下,本领域技术人员可以对所述示例性实施方式做出各种改变。
Claims (6)
1.一种基于高斯加权的直方图匹配方法,其特征在于包括:
S1、将像素区间[0,255]分为L个子区间,然后对目标图像和模板图像进行直方图统计,获取目标图像在每个子区间的第一直方图向量、以及模板图像在每个子区间的直方图向量;
S2、针对目标图像的每个第一直方图向量HA(i):从所述直方图向量中获取与第一直方图向量HA(i)对应的第二直方图向量HB(i),对以第二直方图向量为中心的至少两个相邻第二直方图向量进行加权,确定直方图加权向量w,包括:
采用3σ准则确定所述至少两个相邻第二直方图向量的位置和数量;
基于所述模板图像的直方图向量获取所述至少两个相邻第二直方图向量中每个第二直方图向量的权重值w(k);其中,-L≤k≤L、且k为整数;
依据所述权重值确定直方图加权向量w;
S3、基于所有的第一直方图向量、与第一直方图向量对应的第二直方图向量以及所述直方图加权向量,确定目标图像与模板图像之间的相似度;
其中,1≤i≤L、且i为整数;
基于所述模板图像的直方图向量获取所述至少两个相邻第二直方图向量中每个第二直方图向量的权重值包括:
根据每个第二直方图向量在所述至少两个相邻第二直方图向量的总和中所占的比值,为每个第二直方图向量分配权重值;
所述至少两个相邻第二直方图向量的权重之和为1。
2.如权利要求1所述的直方图匹配方法,其中,步骤S1之前进一步包括:对目标图像进行归一化处理。
3.如权利要求1所述的直方图匹配方法,其中,所述至少两个相邻第二直方图向量为:以第二直方图向量为中心的偶数或奇数个相邻的第二直方图向量。
4.如权利要求3所述的直方图匹配方法,其中,所述至少两个相邻第二直方图向量为:以第二直方图向量为中心的5个相邻的第二直方图向量。
5.如权利要求4所述的直方图匹配方法,其中,所述直方图加权向量为:
w=[w(-2),w(-1),w(0),w(1),w(2)]=[0.05,0.2,0.5,0.2,0.05]。
6.如权利要求5所述的直方图匹配方法,其中,按照公式1确定目标图像与模板图像之间的相似度BhatW(HA,HB):
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610006900.6A CN105678330B (zh) | 2016-01-05 | 2016-01-05 | 一种基于高斯加权的直方图匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610006900.6A CN105678330B (zh) | 2016-01-05 | 2016-01-05 | 一种基于高斯加权的直方图匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105678330A CN105678330A (zh) | 2016-06-15 |
CN105678330B true CN105678330B (zh) | 2019-02-05 |
Family
ID=56299024
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610006900.6A Active CN105678330B (zh) | 2016-01-05 | 2016-01-05 | 一种基于高斯加权的直方图匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105678330B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106778860A (zh) * | 2016-12-12 | 2017-05-31 | 中国矿业大学 | 基于直方图匹配的图像定位方法 |
CN111292267B (zh) * | 2020-02-04 | 2020-10-23 | 北京锐影医疗技术有限公司 | 一种基于拉普拉斯金字塔的图像主观视觉效果增强方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103076096A (zh) * | 2013-01-07 | 2013-05-01 | 南京理工大学 | 基于中值直方图均衡的红外非均匀性校正算法 |
CN104820996A (zh) * | 2015-05-11 | 2015-08-05 | 河海大学常州校区 | 一种基于视频的自适应分块的目标跟踪方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101652261B1 (ko) * | 2009-12-24 | 2016-08-30 | 삼성전자주식회사 | 카메라를 이용한 오브젝트 검출 방법 |
-
2016
- 2016-01-05 CN CN201610006900.6A patent/CN105678330B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103076096A (zh) * | 2013-01-07 | 2013-05-01 | 南京理工大学 | 基于中值直方图均衡的红外非均匀性校正算法 |
CN104820996A (zh) * | 2015-05-11 | 2015-08-05 | 河海大学常州校区 | 一种基于视频的自适应分块的目标跟踪方法 |
Non-Patent Citations (2)
Title |
---|
Mean-Shift Tracking Algorithm with Improved Background-Weighted Histogram;HOU Zhi-qiang.etc;《2014 Fifth International Conference on Intelligent Systems Design and Engineering Applications》;20141231;第597-602页 |
基于Mean Shift的视觉目标跟踪算法综述;顾幸方等;《计算机科学》;20121231;第39卷(第12期);第16-24页 |
Also Published As
Publication number | Publication date |
---|---|
CN105678330A (zh) | 2016-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Change detection based on Gabor wavelet features for very high resolution remote sensing images | |
CN107067415B (zh) | 一种基于图像匹配的目标定位方法 | |
CN108171193B (zh) | 基于超像素局部信息度量的极化sar舰船目标检测方法 | |
CN102521581B (zh) | 结合生物特征与局部图像特征的并行人脸识别方法 | |
CN106529559A (zh) | 一种指针式圆形多仪表盘实时读数识别方法 | |
EP2816529A2 (en) | Automatic water area segmentation method and device for SAR image of complex terrain | |
CN105373799B (zh) | 一种用于模板识别的空间目标isar图像处理方法 | |
CN106128121A (zh) | 基于局部特征分析的车辆排队长度快速检测算法 | |
Banic et al. | Color Dog-Guiding the Global Illumination Estimation to Better Accuracy. | |
CN105138987A (zh) | 一种基于聚合通道特征和运动估计的车辆检测方法 | |
CN106127258A (zh) | 一种目标匹配方法 | |
CN106204570A (zh) | 一种基于非因果分数阶梯度算子的角点检测方法 | |
CN110940638B (zh) | 一种高光谱图像亚像元级水体边界探测方法及探测系统 | |
CN105678330B (zh) | 一种基于高斯加权的直方图匹配方法 | |
US8649607B1 (en) | Spectral ratio contrast for edge detection in spectral images | |
CN109946670A (zh) | 一种光学影像驱动的雷达极化信息提取方法 | |
EP3884423A1 (en) | Systems and methods for object recognition | |
CN104200229A (zh) | 一种结合稀疏特征选择的sar目标鉴别方法 | |
Wang et al. | LBP-based edge detection method for depth images with low resolutions | |
CN110599510A (zh) | 一种图片特征提取方法 | |
CN113111883B (zh) | 车牌检测方法、电子设备及存储介质 | |
CN105931221B (zh) | 一种基于影像组学的多模态磁共振图像差异检测方法及装置 | |
Leng et al. | A novel ship segmentation method based on kurtosis test in complex-valued SAR imagery | |
Yuankui et al. | Automatic target recognition of ISAR images based on Hausdorff distance | |
Zou et al. | Deep learning-based pavement cracks detection via wireless visible light camera-based network |
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 |