CN105931228A - 一种基于直线查找矩阵的红外图像海天线检测方法 - Google Patents

Abstract

本发明公开了一种基于直线查找矩阵的红外图像海天线检测方法。首先通过自定义的模板运算在大尺度上对图像进行列向梯度计算，增强海天线区域的图像灰度值，然后使用非线性分割方法对图像进行处理，减小水面波纹和噪声的干扰，最后对图像进行行扫描生成直线查找矩阵，找出矩阵最大值即可定位海天线的位置。本发明实现方法简单，计算量小，并且物理意义明确，可以检测水平及具有一定倾角的海天线，易于在工程上应用。经过测试表明，该方法可以有效提取出红外图像中的海天线，并且具有一定的抗干扰能力。

Description

一种基于直线查找矩阵的红外图像海天线检测方法

技术领域：

本发明属于数字图像处理与探测领域，具体涉及一种基于直线查找矩阵的红外图像海天线检测方法。

背景技术：

在舰载红外目标搜索与跟踪系统中，海天线检测是进行红外目标检测跟踪的一个重要环节。一方面，确定海天线可以缩小目标搜索的区域。获取海天线的位置信息后，就可以只搜索海天线附近的区域，减少运算量，保证系统的实时性。另一方面，检测到海天线后，可以排除海天线区域外不必要的干扰信息，可以降低目标检测的错误率，提高目标检测的准确率。

海天线介于天空和海洋之间区域，亮度相对于其他两部分变化比较剧烈；灰度在垂直方向上变化比较大，在水平方向上变化比较平缓；因此通常先对红外图像计算列向梯度的方法来获取包含海天线的边缘信息，然后对整个图像检测一条最长的直线即可定位海天线。目前海天线检测方法主要分为采用直线拟合的方法与采用Hough变换的方法两种。

直线拟合法需要将图像沿行方向平均分成N个区域，然后求出每个区域的海天线坐标(x_i,y_i)，i＝1,2,...,N，每个区域的大小为M行N列，用最小二乘法拟合海天线。此方法的缺陷是要求解出每个区域的海天线的位置，如果某个区域海天线位置检测错误会影响整条海天线的定位。

Hough变换把在图像空间中的直线检测问题转换到参数空间里对点的检测问题。在图像空间XY中的一条直线xcosθ+ysinθ＝ρ上的点，(θ的取值范围是[-π/2,π/2]，ρ的取值范围是图像中非背景点距离原点的最小值和最大值。)，对应着一个参数空间累加器。并且直线上的每一点引起对应累加器的值增加1。因此只要获取ρθ参数空间中累加值最大的(ρ_m,θ_m)，通过公式ρ_m＝xcosθ_m+ysinθ_m进行反运算，就可以得到xy平面上拟合海天线的直线。该方法的缺陷是需要对于θ值进行离散化得到θ_m，然后使用三角函数计算得到ρ_m值，计算量大不宜于使用在实时性要求高的场合。

发明内容：

本发明目的在于克服现有技术的不足，设计了一种基于直线查找矩阵的海天线提取方法，该方法的优点是计算速度快，对噪声和复杂背景有抑制能力，并且适用于提取有一定倾角的海天线。

本发明的解决方案是：一种基于直线查找矩阵的红外图像海天线检查方法，通过对图像行扫描即可生成该矩阵的值，矩阵最大值的行号代表海天线的位置，列号代表海天线的角度。具体步骤如下：

步骤1：根据海天线的特点——介于天空和海洋之间，亮度相对于这两个区域变化比较剧烈，图像灰度在垂直方向上变化交剧烈，在水平方向上变化比较平缓；海天线一般不是一条直线而是一条渐变带。所以定义模板H对红外图像进行处理，生成列向梯度图像。可以表示为F＝I×H，I为输入红外图像，F为列向梯度图像，大小均为M×N个像素；H＝[-1,0,0,0,1]^T。该模板系数相加和等于0，在图像灰度变化平缓区域内对模板的响应为0，在海天线附近对模板的响应为2，因此经过步骤1处理后对海天线渐变带进行了增强。

步骤2：由于海杂波也具有显著的直线段特征，其灰度值甚至高于海天线，为了增加算法的抗噪声能力和准确性，降低水面波纹和图像噪声的影响，对步骤1生成的列向梯度图像进行再处理，使用如下公式对列向梯度图像进行分割后再寻找海天线。

$f(i,j)=\left\{\begin{array}{cc}f(i,j)& f(i,j)<20\\ 20& f(i,j)\&GreaterEqual;20\end{array}\right.$

步骤3：按如下步骤生成直线查找矩阵：

对步骤2生成的图像逐行进行扫描，每行扫描15次，将扫描到的像素灰度值累加求和，对第i行第m次扫描求和的定义如下：其中，i＝1,...,M；j＝1,...,N；m＝1,...,15；M为图像的行数，N为图像的列数，f(i,j)为步骤2后得到的图像；g(m)为一维数组中的第m个元素，该一维数组为：

{1/10,1/13,1/16,1/20,1/26,1/40,1/80,0,-1/80,-1/40,-1/26,-1/20,-1/16,-1/13,-1/10}。

对图像从上至下逐行扫描后，得到直线查找矩阵S：

$S=\left[\begin{array}{ccc}{s}_{1,1}& \mathrm{...}& s_{1,15}\\ \mathrm{...}& s_{i,m}& \mathrm{...}\\ s_{M,1}& \mathrm{...}& s_{M,15}\end{array}\right]$

矩阵S中每一个元素s_i,m都代表某一条直线上的像素灰度值之和，s_i,m的行号i表示该直线的位置在第i行，列号m表示该直线与水平的夹角A_sea＝atan[g(m)]。

步骤4：找出矩阵S中的最大值，该最大值的行号i_max表示海天线位置在第i_max行，列号m_max表示海天线与水平的夹角A_sea＝atan[g(m_max)]。

本发明与现有技术相比，有显著的优点：(1)具有一定的抗噪声能力，可以降低水平波纹、船只和图像噪声对海天线提取的影响；(2)运算量小。对于大小为M×N的图像，步骤一模板运算中每个像素只需要一次加法，运算量为M×N，步骤二非线性分割中每个像素只需要一次判断，运算量为M×N，步骤三生成直线查找矩阵，运算量为15×M×N，步骤四寻找最大值，运算量为M×N，该方法总的运算量等于18×M×N，时间复杂度为O(n)，该方法只使用了加减、比较运算，运算量小、时间复杂度低、计算时间固定，宜与工程上应用；(3)该算法可以检测水平及具有一定倾角的海天线，提升了该方法的实用性并扩大了该方法的使用范围。

下面结合附图对本发明作进一步详细描述。

附图说明

图1：基于直线查找矩阵的红外图像海天线检测方法框图。

图2：一幅320×256的红外海天图像。

图3：对图2求解列向梯度后的图像图像。

图4：对图3去噪处理后的图像。

图5：对图4逐行扫描生成的直线查找矩阵的三维图像。

图6：海天线的检测结果图像。

具体实施方式

下面根据附图对本发明的具体实施方式作进一步的详细说明。

图1是基于直线查找矩阵的红外图像海天线检测方法的框图。

图2是一幅320×256的红外中波海天图像，海天线在图像的中部并有一定的倾斜角度，海天线附近有一艘轮船，近处的海面上有一个浮标。

步骤1：海天线通常是近似水平的直线，为达到增强海天线的目的，对图2进行模板运算，运算的模板H＝[-1,0,0,0,1]^T，可以得到原图的列向梯度图像，图3为得到的列向梯度图像。

步骤2：在列向梯度图像中，除了海天线得到增强外，水中的轮船、浮标及水面的波纹都得到增强，为了减少这些干扰物对海天线的提取，对列向梯度图像中的每个像素的灰度值进行限制，限制的最大值为20——如果某个像素的灰度值大于20，则将该像素的灰度值设置为20，否则该像素的灰度值不变。

步骤3：图4为经过步骤2处理后得到的图像，图4中轮船、浮标及水面的波纹的灰度值得到削减，海天线应该是从左至右贯穿整个图像的最长直线。下面可以按照直线查找矩阵S的定义生成该矩阵了。

对步骤2生成的图像逐行进行扫描，每行扫描15次，将扫描到的像素灰度值累加求和，对第i行第m次扫描求和的定义如下：其中，i＝1,…,256；j＝1,…,320；m＝1,…15，f(i,j)为步骤2后得到的图像；g(m)为一维数组中的第m个元素，该一维数组为：

{1/10,1/13,1/16,1/20,1/26,1/40,1/80,0,-1/80,-1/40,-1/26,-1/20,-1/16,-1/13,-1/10}。

根据上述定义对图像从上至下逐行扫描后，得到直线查找矩阵S：

$S=\left[\begin{array}{ccc}{s}_{1,1}& \mathrm{...}& s_{1,15}\\ \mathrm{...}& s_{i,m}& \mathrm{...}\\ s_{256,1}& \mathrm{...}& s_{256,15}\end{array}\right]$

该矩阵的三维图像如图5所示。

矩阵S中每一个元素s_i,m都代表某一条直线上的像素灰度值之和，s_i,m的行号i表示该直线的位置在第i行，列号m表示该直线与水平的夹角A_sea＝atan[g(m)]。

步骤4：找出矩阵S中的最大值s_92，11＝3011，该最大值的行号92表示海天线位置在第92行，列号11表示海天线与水平的夹角

将该直线在原图中标注，可以看到准确地定位了海天线，如图6所示。

Claims (1)

1.一种基于直线查找矩阵的红外图像海天线检测方法，其特征在于包括以下步骤：

步骤1：对红外图像使用模板H进行处理，计算图像的列向梯度,可以表示为F＝I×H，I为输入红外图像，F为列向梯度图像，大小均为M×N个像素；H＝[-1,0,0,0,1]^T；

步骤2：对生成的列向梯度图像中每个像素的灰度值进行非线性分割，分割方法如下：如果某个像素的灰度值大于20，则将该像素的灰度值设置为20，否则该像素的灰度值不变；

步骤3：生成直线查找矩阵：对步骤2生成的图像逐行进行扫描，每行扫描15次，将扫描到的像素灰度值累加求和；对第i行第m次扫描求和的定义如下：

$s_{i,m}=\underset{j=1}{\overset{N}{\&Sigma;}}f(i+j\&times;g(m),j)$

其中，i＝1,...,M；j＝1,...,N；m＝1,...，15；M为图像的行数，N为图像的列数，f(i,j)为步骤2后得到的图像；g(m)为一维数组中的第m个元素，该一维数组为：

{1/10,1/13,1/16,1/20,1/26,1/40,1/80,0,-1/80,-1/40,-1/26,-1/20,-1/16,-1/13,-1/10}；对图像从上至下逐行扫描后，得到直线查找矩阵S：

$S=\left[\begin{array}{ccc}{s}_{1,1}& \mathrm{...}& s_{1,15}\\ \mathrm{...}& s_{i,m}& \mathrm{...}\\ s_{M,1}& \mathrm{...}& s_{M,15}\end{array}\right];$

步骤4：找出矩阵S中的最大值，该最大值的行号i_max表示海天线位置在第i_max行，列号m_max表示海天线与水平的夹角A_sea＝atan[g(m_max)]。