CN105787950B - 一种基于行梯度累加对红外图像海天线进行检测的方法 - Google Patents

一种基于行梯度累加对红外图像海天线进行检测的方法 Download PDF

Info

Publication number
CN105787950B
CN105787950B CN201610173454.8A CN201610173454A CN105787950B CN 105787950 B CN105787950 B CN 105787950B CN 201610173454 A CN201610173454 A CN 201610173454A CN 105787950 B CN105787950 B CN 105787950B
Authority
CN
China
Prior art keywords
line
sea
sky
row
gradient
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
Application number
CN201610173454.8A
Other languages
English (en)
Other versions
CN105787950A (zh
Inventor
燕肇
燕肇一
彭真明
罗宽怀
杨维
王浩正
黄少寅
汪劲希
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201610173454.8A priority Critical patent/CN105787950B/zh
Publication of CN105787950A publication Critical patent/CN105787950A/zh
Application granted granted Critical
Publication of CN105787950B publication Critical patent/CN105787950B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06T2207/10048—Infrared image

Landscapes

  • Image Analysis (AREA)

Abstract

本发明公开了一种基于行梯度累加对红外图像海天线进行检测的算法，属于海天环境红外图像处理和应用领域。本发明以行图像梯度为基础，结合传统的行扫描海天线提取算法，求出行梯度和，但不进行绝对值处理，并在候选峰值中进一步计算区域平均灰度差、区域平均行梯度差等海天区域特征，综合数据即可进行海天线的判断。得到海天线便对原始图像结构有了初步了解，将大大减小后续处理的计算量，如图像分割，舰船识别等，便于分析和实际的应用。通过对多幅图像测试表明，该方法较于传统方法提高了准确率、可靠性与运行效率。

Description

一种基于行梯度累加对红外图像海天线进行检测的方法
技术领域
本发明涉及红外海天图像检测领域，具体涉及到自动海天线检测。
背景技术
海天背景下舰船识别系统中，海天线检测是红外图像舰船目标识别与跟踪的一个重要环节。一方面原始图像成像范围广，若不初步确定舰船目标大致范围，将会大大降低目标识别的效率。根据经验，当船只处于较远距离时(大于6千米)，原始图像可分为三个区域：天空、海天线、海面。而海天线的检测可将这三个区域做一大致区分，得到海天线位置信息后，仅需检测海天线附近的区域，减小了运算量。另一方面原始红外图像信噪比、信杂比较低，天空的云层，近海域的水波都会对目标识别造成一定干扰。检测到海天线后可以排除一定的干扰信息，提高正确率。
但在复杂海天背景下，天空条形云层和强海波干扰，都会增加海天线检测的难度。特别是强海波，会在红外图像中产生较强的明暗分割线，甚至会高过真实海天线的明暗变化，导致检测结果发生偏离。
因此关于提取海天线近年来也有很多的研究，行扫描法、直线拟合法、Otsu分割法、直线检测法是目前较为常用的实时检测方法，但是这些方法各有其优缺点和适用条件；小波变换方法计算量较大，实用性不强。
通常情况下海天线是一条近似水平的直线，传统行扫描方法先求垂直梯度图像，并进行绝对值的非线性操作转换为图像灰度值，然后对梯度图像的灰度值进行逐行累加。由于通常在海天线附近，上方天空的灰度值整体会大于下方海面的灰度值，从而在海天线所在行处的梯度累加值也会比较大。通过寻找累加值最大的一行，便可认为是海天线，作为海天线提取结果输出。对于海天线信噪比较低和海浪干扰较多的图像，非海天线处的行累加的值常与海天线处相当，甚至会超过海天线处的累加值，此时便会导致海天线提取结果错误。
霍夫变换(Hough Transform)是图像处理中从图像中识别几何形状的基本方法之一，对于圆、直线等图形都有很好的识别效果。海天线在空旷的海天图像中也有很明显的直线特征，因此可以采用霍夫变换检测海天线。在检测之前往往还需要进行Canny边缘检测，简化图像结构，绘出区域轮廓从而提高检测正确性。Canny边缘检测算子是John F.Canny于1986年开发出来的一个多级边缘检测方法，其包含很多可调节的参数，效果较好。其具体海天线提取方法是：首先对预处理图像使用Canny算子进行边缘检测的处理，获得二值化的边缘图像；然后对边缘图像进行Hough变换，以检测边缘图像中的直线；最后取Hough变换响应最大的峰值点代表的直线作为海天线的提取结果输出。然而在边缘图像中，云层和海浪的也会形成较明显的直线特征，经过Hough变换，当其响应值有时大于真实海天线的响应值，会对海天线的提取形成干扰。
Otsu方法又称最大类间方差法，是由日本学者大津于1979年提出的，是一种自适应的阈值确定的方法,它是按图像的灰度特性，将图像分成两部分。一般情况下，由于海天背景红外图像，海和天各自内部的灰度比较均匀，而海和天之间的灰度差别较大，采用Otsu方法可分割出海、天两个部分，则这两部分的交界处经边缘直线提取后，可认为是海天线。用Otsu分割阈值难以适应复杂多变的海天背景红外图像，也难于处理灰度渐变的情况，容易形成多检、误检的情况。
直线拟合方法首先对预处理的图像计算垂直梯度，类似于行扫描法，通常海天线所在位置的垂直梯度值比较大，因此选取每列梯度最大的位置作为用于直线拟合的数据点集。再使用这些点进行直线拟合，拟合的直线可以作为海天线提取结果。和行扫描法一样，对于低信噪比和多干扰的效果不理想。
发明内容
本发明的主旨在于通过对行扫描法进行改进，结合综合评价方式，大大增强了方法的准确性和稳定性，便于实际应用分析。
为了解决上述技术问题，达到上述目的，本发明采用如下技术方案：
一种基于行梯度累加对红外图像海天线进行检测的方法，其特征在于，包括如下步骤：
步骤1、输入待检测经预处理的海天线红外图像；
步骤2、计算每一点像素的行梯度；
步骤3、计算行梯度和，并从其中选出若干个峰值，记录其所在行号，作为海天线候选位置；
步骤4、依次选择候选海天线位置，计算候选海天线之上区域和之下区域的平均灰度值之差、平均行梯度和之差；
步骤5、创建评价函数，综合已知数据，综合评价得到海天线位置；
步骤6、输出海天线位置信息到原始图像。
上述技术方案中，所述步骤2的具体流程为：读入经步骤1预处理过后的红外图像，计算每一点像素的行梯度，对于某一点像素的行梯度，其定义如下式：
G[f(x,y)]＝Δyf(x,y)＝f(x,y)-f(x,y+1)；x∈[1,M],y∈[1,N-1] (1)
其中，M，N代表原始图像的宽和高，f(x,y)是坐标为(x,y)位置的灰度值，f(x,y+1)是下一行的灰度值。
上述技术方案中，所述步骤3的具体流程为：将步骤2中所求到的每一点像素的行梯度进行行求和，得到行梯度和，其公式为：
对于行梯度H(y)，当满足：
H(y-1)<H(y)<H(y+1) y∈[2,N-1] (3)
即判定其为一个峰值，并将峰值的序列y记为行号l，同时用P(l)记录该行号的行梯度和；
H(l)是峰值位置l的行梯度和值，
由此得到峰值位置，并进行归一化操作，得到归一化行梯度和的峰值：
F1(l)＝P(l)/max(P(l)) (5)
从F1(l)中将归一化的行梯度和的峰值由大到小排序，依次选取n个较大值作为候选海天线位置；
归一化的行梯度和的峰值排序靠前的更可能是海天线；
根据先后顺序，结合归一化最大最小F1(l)值的范围，得到行梯度和的排序值：
F2(l)＝1-(i-1)(max(F1)-min(F1))/n (6)
式中n为候选海天线数量，i为第l行行梯度和在前n个峰值序列号,最大的行梯度和i的值对应1，最小的行梯度和i对应n，max(F1)表示前n个峰值中最大值，min(F1)表示前n个峰值中最小值。
上述技术方案中，所述步骤4计算区域平均灰度差，具体流程为：
计算候选海天线之上的平均灰度值，利用下式：
式中l为候选海天线的行号，Q1(l)表示天空的平均行灰度值；
计算候选海天线之下的平均灰度值，利用下式：
式中l为候选海天线的行号，Q2(l)表示海面的平均行灰度值；
用其二者之差的绝对值代表这两个区域的区域平均灰度差Q(l)，表示为：
Q(l)＝|Q1(l)-Q2(l)| (9)
再找出所有候选海天线所对应的区域平均灰度差的最大值，进行归一化操作，得到区域平均灰度差：
F3(l)＝Q(l)/max(Q) (10)
利用已知的行梯度和，绝对值处理后计算海天线上下区域的平均行梯度；计算候选海天线之上的平均行梯度和，利用下式：
式中H(j)代表第j行的行梯度和，
计算候选海天线之下的平均行梯度和，利用下式：
式中l为候选海天线的行号，R2(l)表示海面的平均行梯度和；
用其二者之差的绝对值代表两区域的平均行梯度和差值，表示为：
R(l)＝|R1(l)-R2(l)| (13)
再找出所有候选海天线所对应的区域平均行梯度和差值的最大值，进行归一化操作，得到平均行梯度和之差：
F4(l)＝R(l)/max(R) (14)。
上述技术方案中，所述步骤⑤的具体流程为：根据上述的评价参数创建海天线综合评价公式，定义为：
F(l)＝aF1(l)+bF2(l)+cF3(l)+dF4(l) (15)
其中，F1(l)、F2(l)、F3(l)、F4(l)为上文所计算评价参数归一化行梯度和的峰值、行梯度和的排序值、区域平均灰度差和平均行梯度和之差，a、b、c、d为比例系数；
得到每个候选海天线的评价结果，再从其中找出最大值，作为最终的海天线提取结果。
与现有技术相比，本发明具有如下有益效果：
本发明提出行梯度累加代替传统绝对值行梯度累加，体现了灰度变化的趋势，可以减小云层、波浪的强梯度干扰，再考虑区域平均灰度差和平均行梯度差的因素，综合评判即可得到海天线位置。这种方法较于传统方法正确率高，稳定性强，计算量小，便于分析和实际的应用。
本发明利用行梯度的直接累加，该方法基于传统的行扫描法海天线检测，从多个候选值中再计算区域平均灰度差与平均行梯度差，最后建立评价函数，综合评判得到海天线位置。该方法相比于传统方法具有准确率高，稳定性强，计算量少等优点，便于后续红外图像处理中的图像分割、目标检测等操作的实现。
附图说明
图1为一种基于行梯度累加对红外图像海天线进行检测的方法的流程图；
图2为海天线检测结果。
具体实施方式
下面将结合附图及具体实施方式对本发明作进一步的描述。
①输入待检测经预处理的海天线红外图像；
②计算行梯度；
③计算行梯度和，并从其中选出若干个峰值，记录其所在行数，作为海天线候选位置；
④依次选择候选海天线位置，计算候选海天线之上区域和之下区域的平均灰度值之差、平均行梯度之差；
⑤创建评价函数，综合已知数据，综合评价得到海天线位置；
⑥输出海天线位置信息到原始图像。
在本发明中，所述步骤②的具体流程为：读入经①预处理过后的红外图像，计算每一点的行梯度。对于某一点的行梯度，其定义如下式：
G[f(x,y)]＝Δyf(x,y)＝f(x,y-1)-f(x,y)x∈[1,M],y∈[2,N] (31)
其中，M，N代表原始图像的宽和高，f(x,y)是坐标为(x,y)位置的灰度值。
在本发明中，所述步骤③的具体流程为：将②中所求到行梯度进行行求和，得到行梯度和，其公式为：
对于行梯度H(y)，当满足：
H(y-1)<H(y)<H(y+1) y∈[2,N-1] (33)
即可判定其为一个峰值，并记录下此时行号为l＝y，同时用P(l)记录该行号的行梯度和。
由此得到峰值位置，并进行归一化操作：
F1(l)＝P(l)/max(P(l)) (35)
从F1(l)中将归一化的行梯度峰值由大到小排序，选取若干较大值作为候选海天线位置。归一化后的F1(l)，可作为一项评判因素参与之后的运算。同时灰度峰值的排序先后顺序也在判别中起到一定作用，排序靠前的一般更可能是海天线。根据先后顺序，结合归一化最大最小F1(l)值的范围，得到排序判别式：
F2(l)＝1-(i-1)(max(F1)-min(F1))/n (36)
式中n为候选海天线数量，i为峰值序列号。
在本发明中，所述步骤④计算区域平均灰度差，具体流程为：
计算候选海天线之上的平均灰度值，利用下式：
式中l为候选海天线的行号，Q1(l)表示天空的平均行灰度值。
计算候选海天线之下的平均灰度值，利用下式：
式中l为候选海天线的行号，Q2(l)表示海面的平均行灰度值。
用其二者之差的绝对值代表这两个区域的区域平均灰度差Q(l)，表示为：
Q(l)＝|Q1(l)-Q2(l)| (39)
再找出所有候选海天线所对应的区域平均灰度差的最大值，进行归一化操作，得到又一项评价参数：
F3(l)＝Q(l)/max(Q) (40)
除了不同区域灰度的差异，表示不同区域结构复杂程度的平均行梯度也会增加一个评价的方面。因此利用已知的行梯度值，绝对值处理后计算海天线上下区域的平均行梯度。计算候选海天线之上的平均行梯度值，利用下式：
式中H(j)代表已经计算的行梯度值，在这里采用了其绝对值，因为在亮暗交替变化的复杂图像中，其区域行梯度平均值由于正负抵消会较低，无法反映其变化的情况。同样的，计算候选海天线之下的平均行梯度值，利用下式：
式中l为候选海天线的行号，R2(l)表示海面的平均行梯度值。
用其二者之差的绝对值代表两区域的平均行梯度差值，表示为：
R(l)＝|R1(l)-R2(l)| (43)
再找出所有候选海天线所对应的区域平均行梯度差的最大值，进行归一化操作，得到第四个评价参数：
F4(l)＝R(l)/max(R) (44)
在本发明中，所述步骤⑤的具体流程为：根据上述的评价参数创建海天线综合评价公式，定义为：
F(l)＝aF1(l)+bF2(l)+cF3(l)+dF4(l) (45)
其中，F1(l)、F2(l)、F3(l)、F4(l)为上文所计算评价参数行梯度峰值、行梯度排序值、区域平均灰度差和平均行梯度差，a、b、c、d为比例系数，这样使评价更具有灵活性和准确性。
得到每个候选海天线的评价结果，再从其中找出最大值，作为最终的海天线提取结果。

Claims (5)

1.一种基于行梯度累加对红外图像海天线进行检测的方法，其特征在于，包括如下步骤：
步骤1、输入待检测经预处理的红外图像；
步骤2、计算每一点像素的行梯度；
步骤3、计算每一行的行梯度和，并从其中选出若干个峰值，记录其所在行号，作为候选海天线位置；
步骤4、依次选择候选海天线位置，计算候选海天线之上区域和候选海天线之下区域的区域平均灰度值之差、平均行梯度和之差；
步骤5、创建评价函数，综合归一化行梯度和的峰值、行梯度和的排序值、区域平均灰度差和平均行梯度和之差，综合评价得到海天线位置；
步骤6、输出海天线位置信息到原始红外图像。
2.根据权利要求1所述的一种基于行梯度累加对红外图像海天线进行检测的方法，其特征在于，所述步骤2的具体流程为：读入经步骤1预处理过后的红外图像，计算每一点像素的行梯度，对于某一点像素的行梯度，其定义如下式：
G[f(x,y)]＝Δyf(x,y)＝f(x,y)-f(x,y+1)；x∈[1,M],y∈[1,N-1](1)
其中，M、N分别代表原始图像的宽和高，f(x,y)是坐标为(x,y)位置的灰度值，f(x,y+1)是下一行的灰度值。
3.根据权利要求2所述的一种基于行梯度累加对红外图像海天线进行检测的方法，其特征在于，所述步骤3的具体流程为：将步骤2中所求到的每一点像素的行梯度进行行求和，得到行梯度和，其公式为：
<mrow> <mi>H</mi> <mrow> <mo>(</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>=</mo> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>M</mi> </msubsup> <mi>G</mi> <mo>&amp;lsqb;</mo> <mi>f</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> <mo>,</mo> <mi>y</mi> <mo>&amp;Element;</mo> <mo>&amp;lsqb;</mo> <mn>1</mn> <mo>,</mo> <mi>N</mi> <mo>-</mo> <mn>1</mn> <mo>&amp;rsqb;</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>
对于行梯度和H(y)，当满足：
H(y-1)<H(y)>H(y+1)，y∈[2,N-1] (3)
即判定其为一个峰值，并将峰值的序列y记为行号l，同时用P(l)记录该行号的行梯度和；
H(l)是峰值位置l的行梯度和值，
由此得到峰值位置，并进行归一化操作，得到归一化行梯度和的峰值：
F1(l)＝P(l)/max(P(l)) (5)
从F1(l)中将归一化的行梯度和的峰值由大到小排序，依次选取n个较大值作为候选海天线位置；
根据候选海天线的先后顺序，结合归一化最大F1(l)值和最小F1(l)值的范围，得到行梯度和的排序值：
F2(l)＝1-(i-1)(max(F1)-min(F1))/n (6)
式中n为候选海天线数量，i为第l行行梯度和在前n个峰值序列号,最大的行梯度和i的值对应1，最小的行梯度和i对应n，max(F1)表示前n个峰值中最大值，min(F1)表示前n个峰值中最小值。
4.根据权利要求3所述的一种基于行梯度累加对红外图像海天线进行检测的方法，其特征在于，所述步骤4计算候选海天线之上区域和候选海天线之下区域的区域平均灰度值之差，具体流程为：
计算候选海天线之上的区域平均灰度值，利用下式：
<mrow> <msub> <mi>Q</mi> <mn>1</mn> </msub> <mrow> <mo>(</mo> <mi>l</mi> <mo>)</mo> </mrow> <mo>=</mo> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>l</mi> </msubsup> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>M</mi> </msubsup> <mi>f</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>/</mo> <mi>l</mi> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>7</mn> <mo>)</mo> </mrow> </mrow>
式中l为候选海天线的行号，Q1(l)表示天空的平均行灰度值；
计算候选海天线之下的区域平均灰度值，利用下式：
<mrow> <msub> <mi>Q</mi> <mn>2</mn> </msub> <mrow> <mo>(</mo> <mi>l</mi> <mo>)</mo> </mrow> <mo>=</mo> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mi>l</mi> <mo>+</mo> <mn>1</mn> </mrow> <mi>N</mi> </msubsup> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>M</mi> </msubsup> <mi>f</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>/</mo> <mrow> <mo>(</mo> <mi>N</mi> <mo>-</mo> <mi>l</mi> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>8</mn> <mo>)</mo> </mrow> </mrow>
式中l为候选海天线的行号，Q2(l)表示海面的平均行灰度值；
用天空的平均行灰度值和海面的平均行灰度值之差的绝对值代表天空区域和海面区域的区域平均灰度差Q(l)，表示为：
Q(l)＝|Q1(l)-Q2(l)| (9)
再找出所有候选海天线所对应的区域平均灰度差的最大值，进行归一化操作，得到归一化后的区域平均灰度差：
F3(l)＝Q(l)/max(Q) (10)
利用已知的行梯度和，绝对值处理后计算候选海天线之上区域的平行行梯度和以及候选海天线之下区域的平均行梯度和；计算候选海天线之上区域的平均行梯度和，利用下式：
<mrow> <msub> <mi>R</mi> <mn>1</mn> </msub> <mrow> <mo>(</mo> <mi>l</mi> <mo>)</mo> </mrow> <mo>=</mo> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>l</mi> </msubsup> <mo>|</mo> <mi>H</mi> <mrow> <mo>(</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>|</mo> <mo>/</mo> <mi>l</mi> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>11</mn> <mo>)</mo> </mrow> </mrow>
式中H(j)代表第j行的行梯度和，R1(l)表示天空的平均行梯度和；
计算候选海天线之下区域的平均行梯度和，利用下式：
<mrow> <msub> <mi>R</mi> <mn>2</mn> </msub> <mrow> <mo>(</mo> <mi>l</mi> <mo>)</mo> </mrow> <mo>=</mo> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mi>l</mi> <mo>+</mo> <mn>1</mn> </mrow> <mi>N</mi> </msubsup> <mo>|</mo> <mi>H</mi> <mrow> <mo>(</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>|</mo> <mo>/</mo> <mrow> <mo>(</mo> <mi>N</mi> <mo>-</mo> <mi>l</mi> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>12</mn> <mo>)</mo> </mrow> </mrow>
式中l为候选海天线的行号，R2(l)表示海面的平均行梯度和；
用R1(l)和R2(l)之差的绝对值代表候选海天线之上区域和候选海天线之下区域的平均行梯度和差值，表示为：
R(l)＝|R1(l)-R2(l)| (13)
再找出所有候选海天线所对应的候选海天线之上区域和候选海天线之下区域的平均行梯度和差值的最大值，进行归一化操作，得到平均行梯度和之差：
F4(l)＝R(l)/max(R) (14)。
5.根据权利要求4所述的一种基于行梯度累加对红外图像海天线进行检测的方法，其特征在于，所述步骤5的具体流程为：根据上述公式(5)(6)(10)(14)计算出来的F1(l)F2(l)F3(l)F4(l)评价参数创建海天线综合评价公式，定义为：
F(l)＝aF1(l)+bF2(l)+cF3(l)+dF4(l) (15)
其中，F1(l)、F2(l)、F3(l)、F4(l)为归一化行梯度和的峰值、行梯度
和的排序值、归一化后的区域平均灰度差和平均行梯度和之差，a、b、c、d为比例系数；
得到每个候选海天线的评价结果，再从其中找出最大值，作为最终的海天线提取结果。
CN201610173454.8A 2016-03-24 2016-03-24 一种基于行梯度累加对红外图像海天线进行检测的方法 Active CN105787950B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610173454.8A CN105787950B (zh) 2016-03-24 2016-03-24 一种基于行梯度累加对红外图像海天线进行检测的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610173454.8A CN105787950B (zh) 2016-03-24 2016-03-24 一种基于行梯度累加对红外图像海天线进行检测的方法

Publications (2)

Publication Number Publication Date
CN105787950A CN105787950A (zh) 2016-07-20
CN105787950B true CN105787950B (zh) 2018-05-04

Family

ID=56390844

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610173454.8A Active CN105787950B (zh) 2016-03-24 2016-03-24 一种基于行梯度累加对红外图像海天线进行检测的方法

Country Status (1)

Country Link
CN (1) CN105787950B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106780366A (zh) * 2016-11-25 2017-05-31 中国科学院上海技术物理研究所 一种红外图像海天线信噪比增强方法
CN106952253A (zh) * 2017-03-14 2017-07-14 哈尔滨工程大学 一种基于行‑信息熵的海天线提取方法
CN107340711A (zh) * 2017-06-23 2017-11-10 中国人民解放军陆军军官学院 一种基于视频图像的微型飞行器姿态角自动检测方法
CN109285172B (zh) * 2018-09-28 2022-05-27 中国科学院长春光学精密机械与物理研究所 图像中的直线参数计算方法、装置、设备及可读存储介质
CN111160354B (zh) * 2019-12-30 2022-06-17 哈尔滨工程大学 一种基于联合图像信息的海天背景下船舶图像分割方法
CN112200827B (zh) * 2020-09-09 2023-06-09 天津津航技术物理研究所 一种基于由远及近场景的红外图像跟踪算法评价方法及平台
CN113327261B (zh) * 2021-05-20 2022-05-10 电子科技大学 一种基于随机计算的无误差省资源图像边缘检测算子方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103927751A (zh) * 2014-04-18 2014-07-16 哈尔滨工程大学 基于梯度信息融合的水面光视觉图像目标区域检测方法
CN104778695A (zh) * 2015-04-10 2015-07-15 哈尔滨工程大学 一种基于梯度显著性的水天线检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103927751A (zh) * 2014-04-18 2014-07-16 哈尔滨工程大学 基于梯度信息融合的水面光视觉图像目标区域检测方法
CN104778695A (zh) * 2015-04-10 2015-07-15 哈尔滨工程大学 一种基于梯度显著性的水天线检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于Hough 变换的海天线检测算法研究;安博文 等;《红外技术》;20150331;第37卷(第3期);第196-199页 *
基于纹理特征分析的海天线检测方法;王兵学 等;《红外技术》;20130131;第35卷(第1期);第42-46页 *

Also Published As

Publication number Publication date
CN105787950A (zh) 2016-07-20

Similar Documents

Publication Publication Date Title
CN105787950B (zh) 一种基于行梯度累加对红外图像海天线进行检测的方法
CN110929560B (zh) 融合目标检测与跟踪的视频半自动目标标注方法
CN116721106B (zh) 一种基于图像处理的型材瑕疵视觉检测方法
CN107301661B (zh) 基于边缘点特征的高分辨率遥感图像配准方法
CN107610114B (zh) 基于支持向量机的光学卫星遥感影像云雪雾检测方法
CN108805904B (zh) 一种基于卫星序列图像的运动舰船检测与跟踪方法
CN110119741B (zh) 一种有背景的卡证图像信息识别方法
CN106778551B (zh) 一种高速路段及城市道路车道线识别方法
CN107167810B (zh) 一种侧扫声纳成像的水下目标快速提取方法
Er-Sen et al. An adaptive edge-detection method based on the canny operator
CN110837768A (zh) 一种面向珍稀动物保护的在线检测与识别方法
Lipschutz et al. New methods for horizon line detection in infrared and visible sea images
CN108846844B (zh) 一种基于海天线的海面目标检测方法
CN110175556B (zh) 基于Sobel算子的遥感图像云检测方法
CN111008664B (zh) 一种基于空谱联合特征的高光谱海冰检测方法
CN102222322A (zh) 基于多尺度非局部均值的红外图像背景抑制方法
CN114118144A (zh) 抗干扰的航空遥感图像阴影精准检测方法
CN106530313A (zh) 一种基于区域分割的海天线实时检测方法
CN111009005A (zh) 几何信息与光度信息相结合的场景分类点云粗配准方法
CN114764801A (zh) 基于多视觉显著特征的弱小舰船目标融合检测方法及装置
CN114821358A (zh) 光学遥感图像海上舰船目标提取与识别方法
CN110458019B (zh) 稀缺认知样本条件下的排除倒影干扰的水面目标检测方法
CN111161308A (zh) 一种基于关键点匹配的双波段融合目标提取方法
CN107609534B (zh) 一种基于码头光谱信息的遥感驻泊船只自动检测方法
CN111192280B (zh) 一种基于局部特征的视盘边缘检测方法

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