CN107255471A - 结冰河流红外图像的检测方法 - Google Patents
结冰河流红外图像的检测方法 Download PDFInfo
- Publication number
- CN107255471A CN107255471A CN201710382088.1A CN201710382088A CN107255471A CN 107255471 A CN107255471 A CN 107255471A CN 201710382088 A CN201710382088 A CN 201710382088A CN 107255471 A CN107255471 A CN 107255471A
- Authority
- CN
- China
- Prior art keywords
- detection means
- shearlet
- characteristic pattern
- image
- emittance
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 62
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 6
- 238000001914 filtration Methods 0.000 claims description 10
- 238000000034 method Methods 0.000 claims description 10
- NTYJJOPFIAHURM-UHFFFAOYSA-N Histamine Chemical compound NCCC1=CN=CN1 NTYJJOPFIAHURM-UHFFFAOYSA-N 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 229960001340 histamine Drugs 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J2005/0077—Imaging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Hydrology & Water Resources (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种结冰河流红外图像的检测方法，包括：检测装置接收待处理的原始红外图像；所述检测装置根据原始红外图像，生成基于显著性的辐射能量特征图；所述检测装置通过子带滤波，将辐射能量特征图进行小波分解和Shearlet分解，获得辐射能量特征图在小波基和Shearlet基的滤波结果；所述检测装置构建基于小波基和Shearlet基的最优化模型；所述检测装置置对所述最优化模型进行求解，实现图像成分分离；所述检测装置将分离出的线状区域作为最终的结冰河流检测结果。检测结果准确。
Description
技术领域
本发明涉及图像检测领域，特别是指一种结冰河流红外图像的检测方法。
背景技术
当前，全球军备竞争日益激烈，出于国家安全以及战略发展的考虑，地球外层空间的开发和利用得到了越来越多的重视。卫星作为监视、探测、发现的重要手段，在空间战略防御系统中具有重要地位。
对于红外天基卫星的成像系统，在其成像波段内存在大量辐射能量很高的干扰源，如河流、山脊、海岸线、高山湖泊、雪山、高空卷云、南北极冰盖等，这些干扰源不可避免地对成像系统产生干扰。然而，这些典型的干扰源在能量、纹理轮廓、运动等诸多特征都与目标有着显著差异，因此，可以通过提取各典型干扰源的稳定特征，从而实现对常见干扰源进行检测和定位，减少对目标的干扰，提升检测性能。
利用天基卫星图像进行河流、湖面等水域信息的自动检测主要有两类方法，一类是利用光谱特性的检测方法，主要有单波段和多波段法；另一类是基于形状纹理和空间关系的检测方法。但是现有技术的检测方法无法实现对结冰河流进行检测，或者检测的准确性不足。
发明内容
本发明要解决的技术问题对结冰河流的检测的准确性，提出了一种针对红外和遥感图像的基于Shearlet变换的结冰河流检测方法，以期减少结冰河流这一典型干扰源在对地探测系统中对目标检测过程的干扰，减小干扰率，满足现代军事和空间技术的应用需求。
为解决上述技术问题，本发明的实施例提供结冰河流红外图像的检测方法，其特征在于，包括：
检测装置接收待处理的原始红外图像；所述检测装置根据原始红外图像，生成基于显著性的辐射能量特征图；所述检测装置通过子带滤波，将辐射能量特征图进行小波分解和Shearlet分解，获得辐射能量特征图在小波基和Shearlet基的滤波结果；所述检测装置构建基于小波基和Shearlet基的最优化模型；所述检测装置置对所述最优化模型进行求解，实现图像成分分离；所述检测装置将分离出的线状区域作为最终的结冰河流检测结果。
可选的，所述检测装置根据原始红外图像，生成基于显著性的辐射能量特征图具体包括：
所述检测装置通过计算经高斯滤波后的图像与图像均值在Lab空间的欧式距离来定义图像显著性，其中，位于(x,y)处的像素的显著性定义如下：
S(x,y)＝||Iμ-Iωhc(x,y)||
其中，Iμ表示图像在Lab空间的均值向量，Iωhc(x,y)表示图像经高斯滤波后位于(x,y)处的像素在Lab空间中的向量，||·||运算符表示向量的2范数，这里表示欧式距离。
可选的，所述检测装置通过子带滤波，将辐射能量特征图进行小波分解和Shearlet分解，获得辐射能量特征图在小波基和Shearlet基的滤波结果，具体包括：
定义一个滤波器组Fj，将辐射能量特征图f根据子带上的不同尺度j分解为不同部分fj。对应于尺度j的部分fj可由f经过滤波器Fj得到：
fj＝Fj*f
对每一个尺度，都可以将辐射能量特征图f分解为点状和线状两部分：
fj＝Pj+Cj。
可选的，所述检测装置置对所述最优化模型进行求解，实现图像成分分离，具体包括：所述目标函数如下：
其中，λ表示常数，φ1表示小波正交基，φ2表示带限shearlet的紧框架，注意和分别表示小波基和shearlet基下的系数。
本发明的上述技术方案的有益效果如下：
上述方案中，针对天基卫星对地观测图像，利用频率调制(Frequency Tuned,FT)的显著性辐射能量特征进行背景抑制，然后对背景抑制结果进行小波及Shearlet变换，通过最优化模型分别在两组基下稀疏化变换域系数，从而实现对图像中的点状部分和线状部分的分离，进而实现对结冰河流这类线状干扰源的检测。该方法对能量特征及形状特征进行了综合分析，故有效减弱了地表多种复杂干扰源的干扰，降低了检测干扰率，增强了算法鲁棒性。
附图说明
图1为本发明的一种结冰河流红外图像的检测方法。
图2为小波的子带的示意图。
图3为Shearlet的子带的示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
本发明针对现有的红外检测不够精确的问题，提供一种结冰河流红外图像的检测方法，如图1所示，包括如下步骤：
步骤1：检测装置接收待处理的原始红外图像。
步骤2：检测装置根据原始红外图像，生成基于FT显著性的辐射能量特征图。
针对原始图像，采用FT显著性检测方法来提取辐射能量特征，生成基于显著性的辐射能量特征图。
FT算法可以通过计算经高斯滤波后的图像与图像均值在Lab空间的欧式距离来定义图像显著性。其中，位于(x,y)处的像素的显著性定义如下：
S(x,y)＝||Iμ-Iωhc(x,y)|| (1)
其中，Iμ表示图像在Lab空间的均值向量，Iωhc(x,y)表示图像经高斯滤波后位于(x,y)处的像素在Lab空间中的向量，||·||运算符表示向量的2范数，这里表示欧式距离。
FT模型可以计算得到像素级显著性。将该模型应用于原始图像中，干扰源区域与整个图像相比面积较小，且与周围区域的差异较强，故具有较强的视觉显著性。经过FT模型处理后，在生成的特征图中目标区域及干扰源区域的辐射能量特性更加凸显，而平坦区域背景得以有效抑制。
步骤3：检测装置通过子带滤波，将辐射能量特征图进行小波分解和Shearlet分解，获得辐射能量特征图在小波基和Shearlet基的滤波结果。
如图2和图3所示，由于小波和Shearlet的子带是相似的，可以定义一个滤波器组Fj，将步骤2中的辐射能量特征图f根据子带上的不同尺度j分解为不同部分fj。对应于尺度j的部分fj可由f经过滤波器Fj得到：
fj＝Fj*f (2)
对每一个尺度，都可以将辐射能量特征图f分解为点状和线状两部分：
fj＝Pj+Cj (3)
步骤4：检测装置构建基于小波基和Shearlet基的最优化模型。
该最优化模型本质上属于BPDN模型，对于每一个尺度，目标函数如下：
其中，λ表示常数，φ1表示小波正交基，φ2表示带限shearlet的紧框架，注意和分别表示小波基和shearlet基下的系数。
该优化模型通过约束图像在小波基和shearlet基下的1范数，从而将图像在两组基上分别稀疏表示。注意到，图像中的点状部分在小波基上比较稀疏，而图像中的线状部分在shearlet基上比较稀疏，故通过这个优化过程，图像中的点状部分只在小波基上表示，而线状部分渐渐地只在shearlet基上表示，从而达到了分离图像中的点状部分和线状部分的目的。
步骤5：检测装置利用块坐标松弛(Block Coordinate Relaxation,BCR)算法对上述最优化模型进行求解，从而实现图像成分分离。
对于结冰河流这类各向异性的线状干扰源，将主要被包含在线状部分；而噪声、亮斑等点状干扰源将主要被包含在点状部分。故用此优化模型可有效减弱对地观测场景中的平缓背景区域及点状干扰源的对线状干扰源的干扰，从而较纯净地将结冰河流提取出来。
步骤6：检测装置将分离出的线状区域作为最终的结冰河流检测结果输出。
上述方案中，针对天基卫星对地观测图像，利用FT的显著性辐射能量特征进行背景抑制，然后对背景抑制结果进行小波及Shearlet变换，通过最优化模型分别在两组基下稀疏化变换域系数，从而实现对图像中的点状部分和线状部分的分离，进而实现对结冰河流这类线状干扰源的检测。该方法对能量特征及形状特征进行了综合分析，故有效减弱了地表多种复杂干扰源的干扰，降低了检测干扰率，增强了算法鲁棒性。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (4)
1.一种结冰河流红外图像的检测方法，其特征在于，包括：
检测装置接收待处理的原始红外图像；
所述检测装置根据原始红外图像，生成基于显著性的辐射能量特征图；
所述检测装置通过子带滤波，将辐射能量特征图进行小波分解和Shearlet分解，获得辐射能量特征图在小波基和Shearlet基的滤波结果；
所述检测装置构建基于小波基和Shearlet基的最优化模型；
所述检测装置置对所述最优化模型进行求解，实现图像成分分离；
所述检测装置将分离出的线状区域作为最终的结冰河流检测结果。
2.如权利要求1所述的方法，其特征在于，所述检测装置根据原始红外图像，生成基于显著性的辐射能量特征图具体包括：
所述检测装置通过计算经高斯滤波后的图像与图像均值在Lab空间的欧式距离来定义图像显著性，其中，位于(x,y)处的像素的显著性定义如下：
S(x,y)＝||Iμ-Iωhc(x,y)||
其中，Iμ表示图像在Lab空间的均值向量，Iωhc(x,y)表示图像经高斯滤波后位于(x,y)处的像素在Lab空间中的向量，||·||运算符表示向量的2范数，这里表示欧式距离。
3.如权利要求1所述的方法，其特征在于，所述检测装置通过子带滤波，将辐射能量特征图进行小波分解和Shearlet分解，获得辐射能量特征图在小波基和Shearlet基的滤波结果，具体包括：
定义一个滤波器组Fj，将辐射能量特征图f根据子带上的不同尺度j分解为不同部分fj。对应于尺度j的部分fj可由f经过滤波器Fj得到：
fj＝Fj*f
对每一个尺度，都可以将辐射能量特征图f分解为点状和线状两部分：
fj＝Pj+Cj。
4.如权利要求1所述的方法，其特征在于，所述检测装置置对所述最优化模型进行求解，实现图像成分分离，具体包括：所述目标函数如下：
其中，λ表示常数，φ1表示小波正交基，φ2表示带限shearlet的紧框架，注意φ1 TWj和分别表示小波基和shearlet基下的系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710382088.1A CN107255471B (zh) | 2017-05-25 | 2017-05-25 | 结冰河流红外图像的检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710382088.1A CN107255471B (zh) | 2017-05-25 | 2017-05-25 | 结冰河流红外图像的检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107255471A true CN107255471A (zh) | 2017-10-17 |
| CN107255471B CN107255471B (zh) | 2019-08-13 |
Family
ID=60028192
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710382088.1A Active CN107255471B (zh) | 2017-05-25 | 2017-05-25 | 结冰河流红外图像的检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107255471B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109186561A (zh) * | 2018-09-19 | 2019-01-11 | 南京大学 | 一种冰下湖体积变化的估算方法 |
| CN109214439A (zh) * | 2018-08-22 | 2019-01-15 | 电子科技大学 | 一种基于多特征融合的红外图像结冰河流检测方法 |
| CN112329674A (zh) * | 2020-11-12 | 2021-02-05 | 北京环境特性研究所 | 基于多纹理特征融合的结冰湖泊检测方法和装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1359543A2 (en) * | 2001-09-13 | 2003-11-05 | Eastman Kodak Company | Method for detecting subject matter regions in images |
| CN101551456A (zh) * | 2009-05-13 | 2009-10-07 | 西安电子科技大学 | 基于改进剪切波变换的sar图像水域边缘检测方法 |
| CN204757982U (zh) * | 2015-05-28 | 2015-11-11 | 新疆水利水电科学研究院 | 一种基于图像处理的流冰密度监测装置 |
| CN105869173A (zh) * | 2016-04-19 | 2016-08-17 | 天津大学 | 一种立体视觉显著性检测方法 |
| CN106447704A (zh) * | 2016-10-13 | 2017-02-22 | 西北工业大学 | 基于显著区域特征和边缘度的可见光‑红外图像配准方法 |
| CN106447686A (zh) * | 2016-09-09 | 2017-02-22 | 西北工业大学 | 一种基于快速有限剪切波变换的图像边缘检测方法 |
-
2017
- 2017-05-25 CN CN201710382088.1A patent/CN107255471B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1359543A2 (en) * | 2001-09-13 | 2003-11-05 | Eastman Kodak Company | Method for detecting subject matter regions in images |
| CN101551456A (zh) * | 2009-05-13 | 2009-10-07 | 西安电子科技大学 | 基于改进剪切波变换的sar图像水域边缘检测方法 |
| CN204757982U (zh) * | 2015-05-28 | 2015-11-11 | 新疆水利水电科学研究院 | 一种基于图像处理的流冰密度监测装置 |
| CN105869173A (zh) * | 2016-04-19 | 2016-08-17 | 天津大学 | 一种立体视觉显著性检测方法 |
| CN106447686A (zh) * | 2016-09-09 | 2017-02-22 | 西北工业大学 | 一种基于快速有限剪切波变换的图像边缘检测方法 |
| CN106447704A (zh) * | 2016-10-13 | 2017-02-22 | 西北工业大学 | 基于显著区域特征和边缘度的可见光‑红外图像配准方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109214439A (zh) * | 2018-08-22 | 2019-01-15 | 电子科技大学 | 一种基于多特征融合的红外图像结冰河流检测方法 |
| CN109214439B (zh) * | 2018-08-22 | 2021-12-03 | 电子科技大学 | 一种基于多特征融合的红外图像结冰河流检测方法 |
| CN109186561A (zh) * | 2018-09-19 | 2019-01-11 | 南京大学 | 一种冰下湖体积变化的估算方法 |
| CN109186561B (zh) * | 2018-09-19 | 2020-10-02 | 南京大学 | 一种冰下湖体积变化的估算方法 |
| CN112329674A (zh) * | 2020-11-12 | 2021-02-05 | 北京环境特性研究所 | 基于多纹理特征融合的结冰湖泊检测方法和装置 |
| CN112329674B (zh) * | 2020-11-12 | 2024-03-12 | 北京环境特性研究所 | 基于多纹理特征融合的结冰湖泊检测方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107255471B (zh) | 2019-08-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10235746B2 (en) | Method and device for fusing panchromatic image and infrared image | |
| CN105678777B (zh) | 一种多特征联合的光学卫星影像云与云阴影检测方法 | |
| CN101672915B (zh) | 一种高空间分辨率遥感影像树冠轮廓勾绘系统及方法 | |
| CN103366353A (zh) | 一种基于显著性区域分割的红外与可见光图像融合方法 | |
| CN103093441B (zh) | 基于变换域的非局部均值和双变量模型的图像去噪方法 | |
| CN104463877B (zh) | 一种基于雷达影像与电子海图信息的岸线配准方法 | |
| CN107255471A (zh) | 结冰河流红外图像的检测方法 | |
| CN107358161B (zh) | 一种基于遥感影像分类的海岸线提取方法及系统 | |
| CN103761731A (zh) | 一种基于非下采样轮廓波变换的红外空中小目标检测方法 | |
| CN107403134B (zh) | 基于局部梯度三边的图域多尺度红外弱小目标检测方法 | |
| CN103295204B (zh) | 一种基于非下采样轮廓波变换的图像自适应增强方法 | |
| CN103854281B (zh) | 基于波段选择的高光谱遥感影像矢量c-v模型分割方法 | |
| CN101510309A (zh) | 基于复小波纹理区域合并的改进分水岭sar图像分割方法 | |
| KR101928391B1 (ko) | 다중분광 영상과 레이더 영상의 융합방법 및 장치 | |
| Huang et al. | Recognition and detection technology of ice-covered insulators under complex environment | |
| CN104036461B (zh) | 一种基于联合滤波的红外复杂背景抑制方法 | |
| CN102024260A (zh) | 基于局部Gamma拟合的活动轮廓SAR图像分割方法 | |
| CN107220628B (zh) | 红外干扰源检测的方法 | |
| CN105184804A (zh) | 基于机载红外相机航拍图像的海面小目标检测方法 | |
| Demir et al. | Integrated shoreline extraction approach with use of Rasat MS and SENTINEL-1A SAR Images | |
| CN104268835A (zh) | 一种基于图像几何分离的红外弱小目标增强方法 | |
| Cui et al. | An efficient deep convolutional laplacian pyramid architecture for cs reconstruction at low sampling ratios | |
| CN104166975A (zh) | 一种复杂环境下低空红外目标检测算法 | |
| CN112669332A (zh) | 一种基于双向局部极大值和峰值局部奇异性判断海天条件和检测红外目标的方法 | |
| He et al. | Glacier identification from Landsat8 OLI imagery using deep U-NET |
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 |