CN106952253A - 一种基于行‑信息熵的海天线提取方法 - Google Patents

一种基于行‑信息熵的海天线提取方法 Download PDF

Info

Publication number
CN106952253A
CN106952253A CN201710150321.3A CN201710150321A CN106952253A CN 106952253 A CN106952253 A CN 106952253A CN 201710150321 A CN201710150321 A CN 201710150321A CN 106952253 A CN106952253 A CN 106952253A
Authority
CN
China
Prior art keywords
row
comentropy
sea
line
level
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.)
Pending
Application number
CN201710150321.3A
Other languages
English (en)
Inventor
张勋
赵晓芳
张宏瀚
严浙平
徐健
陈涛
周佳加
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.)
Harbin Engineering University
Original Assignee
Harbin Engineering 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 Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN201710150321.3A priority Critical patent/CN106952253A/zh
Publication of CN106952253A publication Critical patent/CN106952253A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明提供的是一种基于行‑信息熵的海天线提取方法。(1)获取原始红外图像；(2)对原始红外图像进行开运算处理；(3)定义行‑信息熵，求得每一行的行‑信息熵且存储到相应数组中；(4)求出行‑信息熵的均值与行‑信息熵标准差δ；(5)根据公式求得行‑信息熵阈值T；(6)用程序查找红外图像的行‑信息熵时，记录第一次超过阈值时点的位置，此时该点对应的位置即为要查找的海天线位置。本发明能够克服海面强烈海浪干扰的影响，简便易懂且能够成功提取出UUV拍摄的近海面夜晚红外图像中的海天线。

Description

一种基于行-信息熵的海天线提取方法
技术领域
本发明涉及的是一种红外成像技术，尤其是一种复杂海空背景下海天线提取方法。
背景技术
常见经典的海天线提取方法有基于行均值的海天线提取方法，传统直线拟合法以及Hough变换直线检测方法。基于行均值的海天线提取方法适用于海空背景简单且海天线为平直线情况的海天线提取；传统直线拟可以提取倾斜的海天线，但是在复杂背景下仍然不能取得较理想的效果；一般情况下Hough变换直线检测方法是最具有鲁棒性的理想海天线提取方法，但是本发明中所处理的红外图像受到较强烈的海浪干扰，使得Hough变换直线检测方法具有较高的误检率。该发明研究的图像是UUV近海面夜晚红外图像，该图像的特点为图像整体灰度对比度极低，灰度级窄，包括海空背景，大面积目标存在于海天线之上，天空区域图像平滑，海面区域受到海浪强烈的干扰，海面灰度变化起伏大，有些海浪干扰的灰度值甚至会超过目标灰度值。为在复杂海空背景下能够取得更好的海天线提取效果，首先需要对强水纹干扰进行去除。在《海空背景下红外舰船目标识别方法研究》中，学者刘世军所研究图像中所描述的强水纹干扰的水面区域像素灰度值一般在均值附近，当原图像像素值大于图像平均值时，则将减去平均值后的值作为强水纹干扰处理后图像像素值，当原图像像素值小于图像平均值时，则将其置为0作为强水纹干扰处理后图像像素值。虽然这种方法具有较好的效果，但是其对本研究中的水面区域像素灰度值不在图像灰度平均值附近且海浪干扰灰度大于目标灰度的强水纹干扰的去除效果不佳。在《基于复杂海空背景行均值曲线的海天线定位算法》中，学者杨家红等利用形态学开运算抑制高频目标和杂波、提取平滑背景，然后利用背景行均值曲线突降区间检测算法，定位出真实海天线的大致水平位置，避免了复杂海面灰度起伏变化的影响且摆脱了海天线检测算法对直线的依赖性，具有简洁性和适应性。但是该方法只适用于天空灰度高于海面的环境，而本发明中图像受成像原理及海面环境影响，整体对比度极低且受海浪干扰使得海面区域的行均值会高于天空区域的行均值，因此该方法在处理本发明的图像时会失效。
发明内容
本发明的目的在于提供一种能克服海浪的强烈干扰，实现对UUV近海面夜晚红外图像中海天线的准确检测的基于行-信息熵的海天线提取方法。
本发明的目的是这样实现的：
(1)获取原始红外图像；
(2)对原始红外图像进行开运算处理；
(3)定义行-信息熵，求得每一行的行-信息熵且存储到相应数组中；
(4)求出行-信息熵的均值与行-信息熵标准差δ；
(5)根据公式求得行-信息熵阈值T；
(6)用程序查找红外图像的行-信息熵时，记录第一次超过阈值时点的位置，此时该点对应的位置即为要查找的海天线位置。
本发明还可以包括：
1、所述定义行-信息熵，求得每一行的行-信息熵且存储到相应数组中的步骤包括：
(1)首先获取每行像素存在的灰度级Img_level与每行像素的总个数；
(2)统计每一行中每个灰度级像素的个数n_level，并分别计算出每一个灰度级像素所占该行像素总数的概率pn_level；
(3)根据公式H_img(1,i+1)＝-pi_level*log2(pi_level)+H_img(1,i)将每一行的像素信息熵求出，称该信息熵为行熵，并用H_img表示；
(4)将求得的图像的所有行-信息熵全部存储到数组中。
2、所述定义行-信息熵，求得每一行的行-信息熵且存储到相应数组中的步骤包括：
对存储在数组中的所有行-信息熵进行求和，然后再求其平均，得到红外图像的行-信息熵均值
3、所述根据公式求得行-信息熵阈值T的步骤包括：
将求得的行-信息熵均值代入公式得到行-信息熵阈值T。
4、所述用程序查找红外图像的行-信息熵时，记录第一次超过阈值时点的位置，此时该点对应的位置即为要查找的海天线位置的步骤包括：
编程找到第一次大于行-信息熵阈值T的行-信息熵，并找到其对应的图像行值，该行便为海天线。
图像的信息熵是一种特征统计形式，它反映了图像中平均信息量的多少，根据本发明研究图像天空区域平滑而海面区域复杂的特点，将图像信息熵引入用以实现海天线提取，摆脱了海天线提取对像素灰度的依赖，可以稳定提取出海浪干扰强烈的海空背景下的海天线。本发明提供了一种基于行-信息熵的海天线提取方法，该发明利用海浪自身的特点实现海天线的检测，成功克服了海浪强烈的干扰，实现了对UUV近海面夜晚红外图像中海天线的准确检测。
本发明的有益效果是：针对UUV近海面夜晚红外图像的特点，克服其受强烈海浪干扰的影响，提高了海天线的检测率，能够使得后续的图像处理与目标识别步骤取得更好的效果与更高的准确率。
附图说明
图1为本发明的流程图。
图2为本发明一个实施例的原始图像。
图3为本发明一个实施例的开运算结果图像。
图4为本发明一个实施例的开运算处理后红外图像行-信息熵曲线图。
图5为本发明实施例的结果图。
图6为本发明一个实施例的行均值梯度法海天线检测结果图。
图7为本发明一个实施例的Hough变换海天线检测结果图。
具体实施方式
下面结合附图举例对本发明的技术方案做进一步说明，但本发明的保护范围不局限于以下所述。
如图1所示，一种基于行-信息熵的海天线提取方法，包括以下步骤：
1、获取原始红外图像；
2、对原图像进行开运算处理；
3、行-信息熵在本发明中的定义就是红外图像中每一行像素的信息熵值。获取每行像素存在的灰度级Img_level，然后统计每个灰度级像素的个数n_level，分别计算每一个灰度级像素所占该行像素总数的概率pn_level，根据式(1)便能够将每一行的像素信息熵求出来，本发明中称为行-信息熵H_img。其中，i为图像像素所在行数值。
H_img(1,i+1)＝-pi_level*log2(pi_level)+H_img(1,i) (1)
4、根据式(2)计算出图像行-信息熵的均值根据式(3)计算对应的行-信息熵标准差δ。其中N为图像的行数大小。
δ(j)＝|H_img(j)-H_img(j-1)| (3)
5、利用式(4)计算阈值T。其中，K为标准差系数，在本发明中取值为0.5。
6、编程找到第一次大于行-信息熵阈值T的行-信息熵，并找到其对应的行值，该行便为海天线，且在原图中标注出来，如图5所示。

Claims (3)

1.一种基于行-信息熵的海天线提取方法，其特征是：
(1)获取原始红外图像；
(2)对原始红外图像进行开运算处理；
(3)定义行-信息熵，求得每一行的行-信息熵且存储到相应数组中；
(4)求出行-信息熵的均值与行-信息熵标准差δ；
(5)根据公式求得行-信息熵阈值T；
(6)用程序查找红外图像的行-信息熵时，记录第一次超过阈值时点的位置，此时该点对应的位置即为要查找的海天线位置。
2.根据权利要求1所述的基于行-信息熵的海天线提取方法，其特征是所述定义行-信息熵，求得每一行的行-信息熵且存储到相应数组中的步骤包括：
(1)首先获取每行像素存在的灰度级Img_level与每行像素的总个数；
(2)统计每一行中每个灰度级像素的个数n_level，并分别计算出每一个灰度级像素所占该行像素总数的概率pn_level；
(3)根据公式H_img(1,i+1)＝-pi_level*log2(pi_level)+H_img(1,i)将每一行的像素信息熵求出，称该信息熵为行熵，并用H_img表示；
(4)将求得的图像的所有行-信息熵全部存储到数组中。
3.根据权利要求1或2所述的基于行-信息熵的海天线提取方法，其特征是所述定义行-信息熵，求得每一行的行-信息熵且存储到相应数组中的步骤包括：
对存储在数组中的所有行-信息熵进行求和，然后再求其平均，得到红外图像的行-信息熵均值
CN201710150321.3A 2017-03-14 2017-03-14 一种基于行‑信息熵的海天线提取方法 Pending CN106952253A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710150321.3A CN106952253A (zh) 2017-03-14 2017-03-14 一种基于行‑信息熵的海天线提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710150321.3A CN106952253A (zh) 2017-03-14 2017-03-14 一种基于行‑信息熵的海天线提取方法

Publications (1)

Publication Number Publication Date
CN106952253A true CN106952253A (zh) 2017-07-14

Family

ID=59467520

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710150321.3A Pending CN106952253A (zh) 2017-03-14 2017-03-14 一种基于行‑信息熵的海天线提取方法

Country Status (1)

Country Link
CN (1) CN106952253A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003091728A (ja) * 2001-09-18 2003-03-28 Toppan Printing Co Ltd 画像濃淡ムラの検出方法
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
CN104268877A (zh) * 2014-09-26 2015-01-07 中国电子科技集团公司第二十八研究所 一种红外图像海天线自适应检测方法
CN105354575A (zh) * 2015-10-21 2016-02-24 江苏科技大学 一种海天线检测中图像二值化阈值确定方法
CN105787950A (zh) * 2016-03-24 2016-07-20 电子科技大学 一种基于行梯度累加的红外图像海天线检测算法
US20160275366A1 (en) * 2015-03-19 2016-09-22 Fuji Xerox Co., Ltd. Image processing apparatus, image processing system, non-transitory computer readable medium, and image processing method

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003091728A (ja) * 2001-09-18 2003-03-28 Toppan Printing Co Ltd 画像濃淡ムラの検出方法
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
CN104268877A (zh) * 2014-09-26 2015-01-07 中国电子科技集团公司第二十八研究所 一种红外图像海天线自适应检测方法
US20160275366A1 (en) * 2015-03-19 2016-09-22 Fuji Xerox Co., Ltd. Image processing apparatus, image processing system, non-transitory computer readable medium, and image processing method
CN105354575A (zh) * 2015-10-21 2016-02-24 江苏科技大学 一种海天线检测中图像二值化阈值确定方法
CN105787950A (zh) * 2016-03-24 2016-07-20 电子科技大学 一种基于行梯度累加的红外图像海天线检测算法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
吕玉彬: ""基于多传感器融合的机器人导航系统中的避障研究"", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
李翠红: ""复杂海天背景红外舰船目标自动检测方法研究"", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Similar Documents

Publication Publication Date Title
CN108805904B (zh) 一种基于卫星序列图像的运动舰船检测与跟踪方法
CN108596961A (zh) 基于三维卷积神经网络的点云配准方法
CN108470356B (zh) 一种基于双目视觉的目标对象快速测距方法
CN105184804B (zh) 基于机载红外相机航拍图像的海面小目标检测方法
CN107392095A (zh) 一种基于掩码图像的红外弱小目标检测算法
US10861172B2 (en) Sensors and methods for monitoring flying objects
Cui et al. Single image dehazing by latent region‐segmentation based transmission estimation and weighted L1‐norm regularisation
CN112766184B (zh) 基于多层级特征选择卷积神经网络的遥感目标检测方法
Liang et al. Robust sea-sky-line detection for complex sea background
Xiao et al. Shadow removal from single rgb-d images
CN103164693A (zh) 一种监控视频行人检测匹配方法
CN105303566B (zh) 一种基于目标轮廓裁剪的sar图像目标方位角估计方法
CN111476723A (zh) 一种Landsat-7扫描线纠正器失效的遥感图像丢失像素恢复方法
CN104881670B (zh) 一种用于sar方位角估计的快速目标提取方法
CN109858483A (zh) 基于共生滤波形态学和局部熵的小目标检测方法
Widyantara et al. Gamma correction-based image enhancement and canny edge detection for shoreline extraction from coastal imagery
CN106952236B (zh) 基于bp神经网络的鱼眼镜头拍摄图像畸变矫正方法
Dong et al. Extracting sea-sky-line based on improved local complexity
CN106952253A (zh) 一种基于行‑信息熵的海天线提取方法
CN104268831B (zh) 海上阳光亮带干扰下的红外图像补偿方法
CN110345919A (zh) 基于三维空间向量与二维平面坐标的空间碎片检测方法
Qiu et al. Object oriented land cover classification combining scale parameter preestimation and mean-shift segmentation
CN109784229A (zh) 一种地面建筑物数据融合的复合识别方法
CN102982333A (zh) 红外成像设备探测识别空中目标的方法
Qing et al. Image haze removal using depth-based cluster and self-adaptive parameters

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20170714