CN106803260B - 基于局部熵凸优化的红外船舶图像活动轮廓分割方法 - Google Patents

基于局部熵凸优化的红外船舶图像活动轮廓分割方法 Download PDF

Info

Publication number
CN106803260B
CN106803260B CN201611237029.7A CN201611237029A CN106803260B CN 106803260 B CN106803260 B CN 106803260B CN 201611237029 A CN201611237029 A CN 201611237029A CN 106803260 B CN106803260 B CN 106803260B
Authority
CN
China
Prior art keywords
ship image
level set
function
evolution
convex optimization
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.)
Expired - Fee Related
Application number
CN201611237029.7A
Other languages
English (en)
Other versions
CN106803260A (zh
Inventor
方玲玲
王相海
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.)
Liaoning Normal University
Original Assignee
Liaoning Normal University
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 Liaoning Normal University filed Critical Liaoning Normal University
Priority to CN201611237029.7A priority Critical patent/CN106803260B/zh
Publication of CN106803260A publication Critical patent/CN106803260A/zh
Application granted granted Critical
Publication of CN106803260B publication Critical patent/CN106803260B/zh
Expired - Fee Related 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
    • 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
    • G06T2207/20004—Adaptive image processing

Landscapes

  • Image Processing (AREA)
  • Image Analysis (AREA)
  • Aiming, Guidance, Guns With A Light Source, Armor, Camouflage, And Targets (AREA)
  • Closed-Circuit Television Systems (AREA)

Abstract

本发明提供一种可提高分割精度和速度的红外船舶图像活动轮廓分割模型，定义了一个局部熵的凸优化能量泛函，能够根据红外图像自身特性统计局部的熵值，进而驱动曲线演化，保证了模型的精确计算和平稳演化；在能量泛函中，加入了凸优化的分析过程，避免了模型陷入局部极小值，增加了分割模型的精度。

Description

基于局部熵凸优化的红外船舶图像活动轮廓分割方法
技术领域
本发明属于红外成像技术领域，尤其是一种可提高分割精度及速度的基于局部熵凸优化的红外船舶图像活动轮廓分割方法。
背景技术
随着计算机处理、网络通信等现代技术装备的发展，海面船舶管理日趋智能化和自动化。在船舶航行及港口船舶监控中，红外成像系统的关键技术是目标的分割。分割精度作为碰撞危险度评估、多目标决策、避碰最佳幅度等的前提，如何提高是目前亟待解决的一个关键问题，其中活动轮廓模型利用动态的概念进行图像分割，成为了该领域中一次重大的革新。基于活动轮廓模型进行图像分割的基本思想是：利用图像的几何特性建立一个能量泛函，在变分法下求能量函数极小值，得到相应的Euler-Lagrange方程，然后，利用泛函分析和数值分析等领域的相关知识对于模型的合理性进行分析，最终提取出感兴趣的图像区域。这样，图像分割问题就变成了能量泛函求解问题。
目前，大量活动轮廓模型主要是一个非凸问题，存在局部极小解，从而使分割结果高度依赖于初始轮廓线。另外，由于曲线演化过程过多地依赖于图像特征去控制，但在实际图像中的离散梯度是有界的，或者目标物体附近边缘位置不可能是理想化的，这些都会造成演化的曲线越过目标的实际位置。特别对具有强噪声图像，活动轮廓模型易陷入局部最优，导致图像分割失败。因此，现有非凸活动轮廓模型适用范围窄，仅适用于较少噪声、目标轮廓完整且与背景反差明显的图像。
然而，红外船舶图像具有复杂的海域环境如海面杂波、背景不稳定性等因素，海域背景是由真实场景图像和成像干扰构成。另外，红外图像成像过程反映的是热辐射差，对温度很敏感，加之周围环境对热辐射的散射和吸收，红外图像中边缘模糊、纹理细节几乎没有。因此现有的活动轮廓分割方法并不适用于红外船舶图像，分割精度及速度均较低。
发明内容
本发明是为了解决现有技术所存在的上述技术问题，提供一种可提高分割精度及速度的基于局部熵凸优化的红外船舶图像活动轮廓分割方法。
本发明的技术解决方案是：一种基于局部熵的凸优化红外船舶图像活动轮廓分割方法，其特征在于按照如下步骤进行:
步骤1. 统计船舶图像的局部熵：
（1）
为船舶图像的高斯统计函数：，和分别为船舶图像的均值和方差；
步骤2. 建立凸优化能量泛函：
（2）
，为船舶图像所在区域；为水平集函数的狄克拉函数；船舶图像的局部区域选取如下：，为船舶图像长度的；通过高斯统计函数可得到模型（2）的水平演化方程:
（3）
其中，以及 （4）
、和、分别为船舶图像区域和背景区域的均值和方差；
步骤3. 进一步由Euler-Lagrange方程，可得到模型（3）的水平集演化方程：
（5）
其中，和分别为水平集的散度算子和梯度算子；
步骤4. 设置时间步长；初始化水平集函数；
步骤5. 利用式（4），分别计算；
步骤6. 利用有限差分法，根据式（5）更新水平集函数；
步骤7. 使用停止准则检查演化曲线是否稳定收敛，若稳定收敛，则停止迭代；否则，转入步骤5；所述停止准则是演化曲线趋近目标边界时，水平集函数值逐渐变小，当到达目标边界时，函数值达到最小值，停止演化。
与现有技术相比，本发明具有以下优点：第一，引入的局部熵可根据曲线演化的当前状态自适应调整能量泛函以控制演化的总体演化趋势。而且，所利用的局部信息可以保证模型的全局特性，避免模型陷入局部极小值，保证了模型对复杂背景区域的目标分割精度。第二，模型在演化过程中通过使用凸优化的能量泛函，避免了演化曲线越过目标的实际位置。通过对多种类型红外船舶图像分割的仿真实验表明：本发明具有分割精度高、速度快和对初始轮廓曲线位置及图像噪声具有鲁棒性的特点。
附图说明
图1为本发明实施例进行不同初始化方法对应的红外船舶图像分割结果图。
图2为本发明实施例进行不同局部区域对应的红外船舶图像分割结果图。
图3为本发明实施例与其它方法的分割结果比较图。
具体实施方式
本发明基于局部熵的凸优化红外船舶图像活动轮廓分割方法，按照如下步骤进行:
步骤1. 统计船舶图像的局部熵：
（1）
为船舶图像的高斯统计函数：，和分别为船舶图像的均值和方差；
步骤2. 建立凸优化能量泛函：
（2）
，为船舶图像所在区域；为水平集函数的狄克拉函数；船舶图像的局部区域选取如下：，为船舶图像长度的；通过高斯统计函数可得到模型（2）的水平演化方程:
（3）
其中，以及 （4）
、和、分别为船舶图像区域和背景区域的均值和方差；
步骤3. 进一步由Euler-Lagrange方程，可得到模型（3）的水平集演化方程：
（5）
其中，和分别为水平集的散度算子和梯度算子；
步骤4. 设置时间步长；初始化水平集函数；
步骤5. 利用式（4），分别计算；
步骤6. 利用有限差分法，根据式（5）更新水平集函数；
步骤7. 使用停止准则检查演化曲线是否稳定收敛，若稳定收敛，则停止迭代；否则，转入步骤5；所述停止准则是演化曲线趋近目标边界时，水平集函数值逐渐变小，当到达目标边界时，函数值达到最小值，停止演化。
本发明实施例进行不同初始化方法对应的红外船舶图像分割结果如图1所示：（a）初始化1；（b）初始化2；（c）分割结果。
本发明实施例进行不同局部区域对应的红外船舶图像分割结果如图2所示：（a）小局部区域对应的分割结果；（b）大局部区域对应的分割结果；（c）适当局部区域对应的分割结果。
本发明实施例与其它方法的分割结果比较如图3所示：从左至右分别为源图像、CV模型分割结果、LBF模型分割结果、多特征结合的红外船舶分割结果、多特征映射的红外船舶分割结果、本发明实施例。
结果表明：本发明实施例具有分割精度高、速度快和对初始轮廓曲线位置及图像噪声具有鲁棒性的特点。

Claims (1)

1.一种基于局部熵凸优化的红外船舶图像活动轮廓分割方法，其特征在于按照如下步骤进行:
步骤1.统计船舶图像的局部熵H：
H＝-p(I)lgp(I) (1)
p为船舶图像I的高斯统计函数：m和σ分别为船舶图像I的均值和方差；
步骤2.建立凸优化能量泛函E：
E(φ,m,σ)＝∫Ωδ(φ)∫ΩR(x,y)p(I(y))logp(I(y))dydx (2)
(x,y)∈Ω，Ω为船舶图像I所在区域；δ(φ)为水平集函数φ的狄克拉函数；船舶图像I的局部区域R选取如下：r为船舶图像I长度的通过高斯统计函数可得到模型(2)的水平演化方程:
其中以及m1、m2和σ1、σ2分别为船舶图像区域Ω1和背景区域Ω2的均值和方差；
步骤3.进一步由Euler-Lagrange方程，可得到模型(3)的水平集演化方程：
其中，div和分别为水平集φ的散度算子和梯度算子；
步骤4.设置时间步长初始化水平集函数φ(x,y)＝0；
步骤5.利用式(4)，分别计算ξ1,γ1,ψ1,ξ2,γ2,ψ2；
步骤6.利用有限差分法，根据式(5)更新水平集函数；
步骤7.使用停止准则检查演化曲线是否稳定收敛，若稳定收敛，则停止迭代；否则，转入步骤5；所述停止准则是演化曲线趋近目标边界时，水平集函数值逐渐变小，当到达目标边界时，函数值达到最小值，停止演化。
CN201611237029.7A 2016-12-28 2016-12-28 基于局部熵凸优化的红外船舶图像活动轮廓分割方法 Expired - Fee Related CN106803260B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611237029.7A CN106803260B (zh) 2016-12-28 2016-12-28 基于局部熵凸优化的红外船舶图像活动轮廓分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611237029.7A CN106803260B (zh) 2016-12-28 2016-12-28 基于局部熵凸优化的红外船舶图像活动轮廓分割方法

Publications (2)

Publication Number Publication Date
CN106803260A CN106803260A (zh) 2017-06-06
CN106803260B true CN106803260B (zh) 2019-08-09

Family

ID=58984281

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611237029.7A Expired - Fee Related CN106803260B (zh) 2016-12-28 2016-12-28 基于局部熵凸优化的红外船舶图像活动轮廓分割方法

Country Status (1)

Country Link
CN (1) CN106803260B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108416792B (zh) * 2018-01-16 2021-07-06 辽宁师范大学 基于活动轮廓模型的医学计算机断层扫描图像分割方法
CN108898611B (zh) * 2018-06-19 2021-09-24 东华理工大学 基于显著感知先验的模糊区域活动轮廓分割模型

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102592287A (zh) * 2011-12-31 2012-07-18 浙江大学 基于3d视频的时空域运动分割与估计模型的凸优化方法
CN104835168A (zh) * 2015-05-15 2015-08-12 东华理工大学 基于全局凸优化变分模型的快速多相图像分割方法
CN105574855A (zh) * 2015-12-10 2016-05-11 南京理工大学 云背景下基于模板滤波和虚警抑制的红外小目标检测方法
CN105631856A (zh) * 2015-12-16 2016-06-01 辽宁师范大学 自适应调整的红外船舶图像活动轮廓分割方法
CN106056582A (zh) * 2016-05-23 2016-10-26 温文媖 一种基于反应扩散方程的分割方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102592287A (zh) * 2011-12-31 2012-07-18 浙江大学 基于3d视频的时空域运动分割与估计模型的凸优化方法
CN104835168A (zh) * 2015-05-15 2015-08-12 东华理工大学 基于全局凸优化变分模型的快速多相图像分割方法
CN105574855A (zh) * 2015-12-10 2016-05-11 南京理工大学 云背景下基于模板滤波和虚警抑制的红外小目标检测方法
CN105631856A (zh) * 2015-12-16 2016-06-01 辽宁师范大学 自适应调整的红外船舶图像活动轮廓分割方法
CN106056582A (zh) * 2016-05-23 2016-10-26 温文媖 一种基于反应扩散方程的分割方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
局部熵驱动的生物医学图像分割偏移场恢复耦合模型;王顺风 等;《计算机辅助设计与图形学学报》;20130531;第608-610页 *

Also Published As

Publication number Publication date
CN106803260A (zh) 2017-06-06

Similar Documents

Publication Publication Date Title
Yang Stereo matching using tree filtering
JP6620888B2 (ja) 煙検出装置、方法及び画像処理装置
Hasanbelliu et al. Information theoretic shape matching
Atapour-Abarghouei et al. A comparative review of plausible hole filling strategies in the context of scene depth image completion
Liu et al. Accurate dense optical flow estimation using adaptive structure tensors and a parametric model
KR20150006958A (ko) 카메라 포즈 추정 장치 및 방법
US11727549B2 (en) Bilateral filter with data model
Attari et al. Target tracking formulation of the SVSF with data association techniques
CN106803260B (zh) 基于局部熵凸优化的红外船舶图像活动轮廓分割方法
Rahmat et al. Comparison of level set models in image segmentation
Soomro et al. Active contours using additive local and global intensity fitting models for intensity inhomogeneous image segmentation
Han et al. Scale separation for multi-scale modeling of free-surface and two-phase flows with the conservative sharp interface method
CN106537451A (zh) 一种基于图像梯度矢量流场的血管脊点提取方法及装置
Wang Efficient level‐set segmentation model driven by the local GMM and split Bregman method
CN105631856B (zh) 自适应调整的红外船舶图像活动轮廓分割方法
US11881016B2 (en) Method and system for processing an image and performing instance segmentation using affinity graphs
CN107798684B (zh) 一种基于符号压力函数的活动轮廓图像分割方法及装置
Gao et al. A local modified Chan–Vese model for segmenting inhomogeneous multiphase images
Zhou et al. Gaussian-weighted Jensen–Shannon divergence as a robust fitness function for multi-model fitting
Chen et al. Local aggressive and physically realizable adversarial attacks on 3D point cloud
CN114663478A (zh) 一种根据多参考点预测信息估计锚点位置的方法
TWI720388B (zh) 用以處理分段平滑信號之設備、方法及電腦程式
Tang A variational level set model combined with FCMS for image clustering segmentation
Gong et al. Visual object tracking
KR101777948B1 (ko) 엔트로피와 배경변화율 차이점을 이용한 주요 객체 자동 검출 장치

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20190809

Termination date: 20191228