CN107742298B - 一种角反射体自动识别方法 - Google Patents

一种角反射体自动识别方法 Download PDF

Info

Publication number
CN107742298B
CN107742298B CN201710895121.0A CN201710895121A CN107742298B CN 107742298 B CN107742298 B CN 107742298B CN 201710895121 A CN201710895121 A CN 201710895121A CN 107742298 B CN107742298 B CN 107742298B
Authority
CN
China
Prior art keywords
angle
image
reflector
size
area
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
CN201710895121.0A
Other languages
English (en)
Other versions
CN107742298A (zh
Inventor
张品
张立平
孙长燕
孟祥杰
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.)
Beijing Huahang Radio Measurement Research Institute
Original Assignee
Beijing Huahang Radio Measurement Research Institute
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 Beijing Huahang Radio Measurement Research Institute filed Critical Beijing Huahang Radio Measurement Research Institute
Priority to CN201710895121.0A priority Critical patent/CN107742298B/zh
Publication of CN107742298A publication Critical patent/CN107742298A/zh
Application granted granted Critical
Publication of CN107742298B publication Critical patent/CN107742298B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T7/0004—Industrial image inspection
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes

Landscapes

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

Abstract

本发明涉及目标识别与抗干扰技术领域，特别涉及一种角反射体自动识别方法：首先，对输入的感兴趣图像区域计算sobel水平梯度，并进行特征二值化处理；其次，利用由先验信息获取的角反射体成像尺寸，在特征二值图上滑窗搜索包含梯度信息最大的潜在区域，并外扩一定范围；随后，设计窗口模板，遍历统计满足内外区域特征点分布条件的区域作为角反射体的分割提取结果；最后，对分割提取结果图进行角度直方图统计，若满足一定条件，则判定其为角反射体。本发明利用角反射体的成像特征，实现一定距离条件下角反射体图像的分割提取与识别，能够有效判断定位区域是否存在角反射体。本发明的处理过程简单，运算量小，工程应用灵活，便于实现。

Description

一种角反射体自动识别方法
技术领域
本发明涉及目标识别与抗干扰技术领域，特别涉及一种角反射体自动识别方法。
背景技术
在军事领域，海上目标的识别与跟踪技术可能会受到角反射体的干扰，使得导弹系统无法准确监控和打击有效目标对象。作为海战主要的干扰方式之一，角反射体通常呈现出与舰船目标相似的雷达和成像特征，为目标精确打击带来了较大的困难。因此，深入研究角反射体特性，提高导弹抗干扰能力是对海军用领域的热点和难点问题。
目前，抗干扰技术的研究主要集中在舰船目标的识别和分类上，试图寻找舰船和角反射体的辨别性特征。然而，海上舰船目标的种类、形状、尺寸和朝向等都存在不确定性，且角反射体的组合方式也多种多样，这都有可能造成舰船和角反射体在特征上的重叠和混淆，从而降低目标识别的准确性。因此，本发明考虑从角反射体自身的成像特征信息出发，开展角反射体的检测和识别技术研究，从而为海上舰船的抗干扰工作提供一种新的技术途径。
发明内容
针对上述问题，本发明根据角反射体的成像特征信息，提出一种角反射体自动识别方法，该方法处理过程简单，工程应用灵活，有效实现了角反射体的自动提取和识别，为海上目标的有效辨别提供基础。
一种角反射体自动识别方法，所述方法包括：
步骤1：输入待处理的感兴趣图像；
步骤2：对所述感兴趣图像求取sobel水平梯度信息，并对所述sobel水平梯度信息进行二值化，形成特征二值图；
步骤3：根据遥测数据和角反尺寸，获取在图像中的角反成像大小；
步骤4：根据角反成像大小，在特征二值图上进行滑窗搜索，获取包含梯度信息最大的潜在区域；
步骤5：将所述潜在区域进行外扩形成扩展区域；
步骤6：设计窗口模板，在所述扩展区域内遍历统计内外区域的特征点分布情况，取内外特征数比值最小的区域作为待测图像；
步骤7：在待测图像内，根据每个角度单位下的特征数判断感兴趣图像中的待测目标是否为角反射体。
进一步的，所述步骤1中，所述待处理的感兴趣图像为I(x,y)，其中，x为横坐标，y为纵坐标。
进一步的，所述步骤2中，感兴趣图像I(x,y)的sobel水平梯度计算公式为
G(x,y)＝(I(x+1,y-1)+2*I(x+1,y)+I(x+1,y+1))
-(I(x-1,y-1)+2*I(x-1,y)+I(x-1,y+1))。
进一步的，所述步骤2中，对所述sobel水平梯度信息进行二值化，形成特征二值图具体为：取水平梯度的最大值和最小值之和的一半作为阈值t，大于该阈值t的取1，小于该阈值t的取0。
进一步的，所述步骤3：根据遥测数据和角反尺寸，获取角反在图像中的成像大小m*n，具体包括：
在已知遥测数据和角反尺寸的条件下，角反成像大小的计算公式为
Figure BDA0001421991200000021
进一步的，所述步骤4：根据角反成像大小m*n，在特征二值图上滑窗搜索，获取包含梯度信息最大的潜在区域；具体包括：
在特征二值图上遍历滑窗搜索，统计每个像素在角反成像大小m*n邻域内的特征数之和，其最大值所在的区域就是包含梯度信息最大的潜在区域。
进一步的，所述步骤5：将所述潜在区域进行外扩形成扩展区域；具体包括：将所述潜在区域左右各外扩k倍，形成扩展区域。
进一步的，所述步骤5：将所述潜在区域进行外扩形成扩展区域；具体包括：扩展区域的大小为p*q，其中p＝(1+k)*m，q＝(1+k)*n。
进一步的，所述步骤7：在待测图像内，根据每个角度单位下的特征数判断感兴趣图像中的待测目标是否为角反射体，具体包括：在待测图像内，以图像中心点为中心，在一定半径范围内进行角度直方图统计，计算每个角度单位下的特征数，若特征数为0的角度单位个数小于角反射体阈值，则判定其为角反射体。
本发明的有益效果为：
1、本发明利用角反射体的成像特征，实现一定距离条件下角反射体图像的分割提取与识别，能够有效判断定位区域是否存在角反射体，从而为海上目标的判定提供新的依据与技术途径。
2、本发明的处理过程简单，运算量小，工程应用灵活，便于实现。此外，本发明还可以推广应用到复杂背景下模糊圆形目标的分割与识别中去，实现圆形目标有效监控。
附图说明
图1为角反射体识别方法流程图
图2为待处理的感兴趣图像
图3为sobel水平梯度结果图
图4为特征二值图
图5为角反射体的扩展区域
图6为窗口模板示意图
图7为角反射体的分割提取结果
具体实施方式
下面结合附图和具体实施方式对本发明的技术方案做进一步详细的说明。
对于海上目标精确打击易受角反射体干扰的问题，需要提供一种具备可行性和通用性的辨别性方法区分目标和角反射体。本发明从角反射体自身的成像特征出发，提供一种新的角度和技术途径，通过研究角反射体的提取与识别技术来实现海上目标的判定，从而达到抗干扰的目的。
一种角反射体自动识别方法，所述方法包括：
步骤1：输入待处理的感兴趣图像；
步骤2：求取sobel水平梯度信息，并将其二值化，形成特征二值图；
步骤3：根据遥测数据和角反尺寸，获取角反在图像中的成像大小；
步骤4：根据角反成像大小，在特征二值图上滑窗搜索，获取包含梯度信息最大的潜在区域；
步骤5：为防止角反重叠的现象，将潜在区域外扩一定范围，形成扩展区域；
步骤6：设计窗口模板，在扩展区域内遍历统计内外区域的特征点分布情况，取内外特征数比值最小的区域作为最终待测图像；
步骤7：在待测图像内，以图像中心点为中心，在一定半径范围内进行角度直方图统计，计算每个角度单位下的特征数，若特征数为0的角度单位个数小于某一阈值时，则判定其为角反射体，否则可能为舰船目标。
下面对每个步骤进行详细说明。
步骤1：输入待处理的感兴趣图像；
本发明是在定位到海上目标点的基础上进行的，以定位点为中心截取128*128大小的图像区域，作为待处理的感兴趣图像I(x,y)，其中，x为横坐标，y为纵坐标，如图2所示。
步骤2：对所述感兴趣图像求取sobel水平梯度信息，并对所述sobel水平梯度信息进行二值化，形成特征二值图；
将每个像素的3*3邻域作为处理区域，则感兴趣图像I(x,y)的sobel水平梯度计算公式为
G(x,y)＝(I(x+1,y-1)+2*I(x+1,y)+I(x+1,y+1))
-(I(x-1,y-1)+2*I(x-1,y)+I(x-1,y+1))
对sobel水平梯度结果图(如图3所示)进行二值化，取水平梯度的最大值和最小值之和的一半作为阈值t，大于该阈值t的取1，小于该阈值t的取0，形成如图4所示的特征二值图。
步骤3：根据遥测数据和角反尺寸，获取角反在图像中的成像大小m*n；
在已知角反尺寸和相关遥测数据的条件下，角反成像大小的计算公式为
Figure BDA0001421991200000051
步骤4：根据角反成像大小m*n，在特征二值图上滑窗搜索，获取包含梯度信息最大的潜在区域；
在特征二值图上遍历滑窗搜索，统计每个像素在角反成像大小m*n邻域内的特征数之和，其最大值所在的区域就是包含梯度信息最大的潜在区域。
步骤5：为防止角反重叠的现象，将所述潜在区域左右各外扩k倍，形成扩展区域，扩展区域的大小为p*q，其中p＝(1+k)*m，q＝(1+k)*n，如图5所示；
步骤6：设计窗口模板，在扩展区域内遍历统计内外区域的特征点分布情况，取内外特征数比值最小的区域作为最终待测图像；
窗口模板如图6所示，其中小正方形区域的长宽为整个窗口模板的一半，两者的中心相同。整个窗口模板的大小为p*q，小正方形区域的大小为(p/2)*(q/2)。在扩展区域的遍历过程中，计算每个像素所在窗口下小正方形区域的特征数和大正方形减去小正方形部分区域的特征数之比，比值最小的像素所在的区域即为待测图像，该待测图像即为角反射体的分割提取结果，如图7所示。
步骤7：在待测图像内，以图像中心点为中心，在一定半径范围内进行角度直方图统计，计算每个角度单位下的特征数，若特征数为0的角度单位个数小于角反射体阈值时，则判定其为角反射体，否则为舰船目标。
根据上述具体实施方式的介绍可知，本发明根据角反射体的成像特征信息，提出一种角反射体自动识别方法，有效实现了角反射体的自动提取和识别，为海上目标的有效辨别提供基础。
本发明的处理过程简单，运算量小，工程应用灵活，便于实现。此外，本发明还可以推广应用到复杂背景下模糊圆形目标的分割与识别中去，实现圆形目标有效监控。
上述具体实施方式仅用于解释和说明本发明的技术方案，但并不能构成对权利要求的保护范围的限定。本领域技术人员应当清楚，在本发明的技术方案的基础上做任何简单的变形或替换而得到的新的技术方案，均将落入本发明的保护范围之内。

Claims (9)

1.一种角反射体自动识别方法，其特征在于，所述方法包括：
步骤1：输入待处理的感兴趣图像；
步骤2：对所述感兴趣图像求取sobel水平梯度信息，并对所述sobel水平梯度信息进行二值化，形成特征二值图；
步骤3：根据遥测数据和角反尺寸，获取在图像中的角反成像大小；
步骤4：根据角反成像大小，在特征二值图上进行滑窗搜索，获取包含梯度信息最大的潜在区域；
步骤5：将所述潜在区域进行外扩形成扩展区域；
步骤6：设计窗口模板，在所述扩展区域内遍历统计内外区域的特征点分布情况，取内外特征数比值最小的区域作为待测图像；
步骤7：在待测图像内，根据每个角度单位下的特征数判断感兴趣图像中的待测目标是否为角反射体。
2.如权利要求1所述的方法，其特征在于，所述步骤1中，所述待处理的感兴趣图像为I(x,y)，其中，x为横坐标，y为纵坐标。
3.如权利要求2所述的方法，其特征在于，所述步骤2中，感兴趣图像I(x,y)的sobel水平梯度计算公式为
G(x,y)＝(I(x+1,y-1)+2*I(x+1,y)+I(x+1,y+1))
-(I(x-1,y-1)+2*I(x-1,y)+I(x-1,y+1))。
4.如权利要求1所述的方法，其特征在于，所述步骤2中，对所述sobel水平梯度信息进行二值化，形成特征二值图，具体为：取水平梯度的最大值和最小值之和的一半作为阈值t，大于该阈值t的取1，小于该阈值t的取0。
5.如权利要求1所述的方法，其特征在于，所述步骤3：根据遥测数据和角反尺寸，获取角反在图像中的成像大小m*n，具体包括：
角反成像大小的计算公式为
Figure FDA0002156425190000021
6.如权利要求1所述的方法，其特征在于，所述步骤4：根据角反成像大小m*n，在特征二值图上滑窗搜索，获取包含梯度信息最大的潜在区域；具体包括：
在特征二值图上遍历滑窗搜索，统计每个像素在角反成像大小m*n邻域内的特征数之和，其最大值所在的区域就是包含梯度信息最大的潜在区域。
7.如权利要求5或6所述的方法，其特征在于，所述步骤5：将所述潜在区域进行外扩形成扩展区域；具体包括：将所述潜在区域左右各外扩k倍，形成扩展区域。
8.如权利要求7所述的方法，其特征在于，所述步骤5：将所述潜在区域进行外扩形成扩展区域；具体包括：扩展区域的大小为p*q，其中p＝(1+k)*m，q＝(1+k)*n。
9.如权利要求1-6、8中任一项所述的方法，其特征在于，所述步骤7：在待测图像内，根据每个角度单位下的特征数判断感兴趣图像中的待测目标是否为角反射体，具体包括：在待测图像内，以图像中心点为中心，在一定半径范围内进行角度直方图统计，计算每个角度单位下的特征数，若特征数为0的角度单位个数小于角反射体阈值，则判定其为角反射体。
CN201710895121.0A 2017-09-28 2017-09-28 一种角反射体自动识别方法 Active CN107742298B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710895121.0A CN107742298B (zh) 2017-09-28 2017-09-28 一种角反射体自动识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710895121.0A CN107742298B (zh) 2017-09-28 2017-09-28 一种角反射体自动识别方法

Publications (2)

Publication Number Publication Date
CN107742298A CN107742298A (zh) 2018-02-27
CN107742298B true CN107742298B (zh) 2020-03-27

Family

ID=61236291

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710895121.0A Active CN107742298B (zh) 2017-09-28 2017-09-28 一种角反射体自动识别方法

Country Status (1)

Country Link
CN (1) CN107742298B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112183473B (zh) * 2020-10-28 2023-03-24 电子科技大学 一种地质曲面视觉语义特征提取方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101733746A (zh) * 2009-12-22 2010-06-16 哈尔滨工业大学 空间机器人非合作目标自主识别与捕获方法
CN201615950U (zh) * 2009-12-18 2010-10-27 中国国土资源航空物探遥感中心 适用于多角度观测的角反射器
CN102006398A (zh) * 2010-10-29 2011-04-06 西安电子科技大学 基于特征直线的船载摄像系统电子稳像方法
CN102208017A (zh) * 2011-05-30 2011-10-05 西安电子科技大学 基于高分辨率合成孔径雷达图像的舰船检测方法
CN102608601A (zh) * 2012-03-08 2012-07-25 北京北科安地科技发展有限公司 一种人工角反射器在sar影像中的识别方法
CN102645679A (zh) * 2012-03-13 2012-08-22 天津大学 一种基于多普勒天气雷达回波图像的中气旋识别方法
CN104777462A (zh) * 2015-04-29 2015-07-15 北京航天发射技术研究所 基于角反射器的目标雷达特征变换装置
US9489565B2 (en) * 2011-09-28 2016-11-08 Oki Electric Industry Co., Ltd. Image processing apparatus, image processing method, program, and image processing system
CN106295648A (zh) * 2016-07-29 2017-01-04 湖北工业大学 一种基于多光谱成像技术的低质量文档图像二值化方法
CN106780526A (zh) * 2016-11-21 2017-05-31 浙江工业大学 一种铁氧体圆片表面裂痕识别方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN201615950U (zh) * 2009-12-18 2010-10-27 中国国土资源航空物探遥感中心 适用于多角度观测的角反射器
CN101733746A (zh) * 2009-12-22 2010-06-16 哈尔滨工业大学 空间机器人非合作目标自主识别与捕获方法
CN102006398A (zh) * 2010-10-29 2011-04-06 西安电子科技大学 基于特征直线的船载摄像系统电子稳像方法
CN102208017A (zh) * 2011-05-30 2011-10-05 西安电子科技大学 基于高分辨率合成孔径雷达图像的舰船检测方法
US9489565B2 (en) * 2011-09-28 2016-11-08 Oki Electric Industry Co., Ltd. Image processing apparatus, image processing method, program, and image processing system
CN102608601A (zh) * 2012-03-08 2012-07-25 北京北科安地科技发展有限公司 一种人工角反射器在sar影像中的识别方法
CN102645679A (zh) * 2012-03-13 2012-08-22 天津大学 一种基于多普勒天气雷达回波图像的中气旋识别方法
CN104777462A (zh) * 2015-04-29 2015-07-15 北京航天发射技术研究所 基于角反射器的目标雷达特征变换装置
CN106295648A (zh) * 2016-07-29 2017-01-04 湖北工业大学 一种基于多光谱成像技术的低质量文档图像二值化方法
CN106780526A (zh) * 2016-11-21 2017-05-31 浙江工业大学 一种铁氧体圆片表面裂痕识别方法

Also Published As

Publication number Publication date
CN107742298A (zh) 2018-02-27

Similar Documents

Publication Publication Date Title
US8774510B2 (en) Template matching with histogram of gradient orientations
US4685143A (en) Method and apparatus for detecting edge spectral features
CN107563370B (zh) 一种基于视觉注意机制的海上红外目标检测方法
CN107256560B (zh) 一种红外弱小目标检测方法及其系统
Yasir et al. Multi-scale ship target detection using SAR images based on improved Yolov5
CN111027496A (zh) 基于空时联合局部对比度的红外弱小目标检测方法
Lipschutz et al. New methods for horizon line detection in infrared and visible sea images
CN107909002B (zh) 基于海岸线匹配的红外遥感图像海陆分割方法
CN101770583B (zh) 一种基于场景全局特征的模板匹配方法
CN110147748B (zh) 一种基于道路边缘检测的移动机器人障碍物识别方法
Liang et al. Robust sea-sky-line detection for complex sea background
CN105225251A (zh) 基于机器视觉的超视距海上运动目标快速识别与定位装置及方法
JP5367244B2 (ja) 目標検出装置および目標検出方法
CN107742298B (zh) 一种角反射体自动识别方法
Hashmani et al. A survey on edge detection based recent marine horizon line detection methods and their applications
Zhou et al. Circular object detection in polar coordinates for 2D LIDAR data
US7315485B1 (en) System and method for target classification and clutter rejection in low-resolution imagery
Farah et al. A fast ship detection algorithm based on automatic censoring for multiple target situations in SAR images
CN111428624A (zh) 一种光学遥感图像在轨舰船目标检测方法
CN115880303A (zh) 用于pcb板圆孔的亚像素精度定位检测方法及系统
CN110738098A (zh) 一种目标的识别定位与锁定跟踪方法
CN106845489B (zh) 基于改进Krawtchouk矩的SAR图像目标特征提取方法
Faramarzi et al. Infrared dim and small targets detection based on multi-scale local contrast measure utilizing efficient spatial filters
Hożyń et al. Tracking of unmanned aerial vehicles using computer vision methods: A comparative analysis
Li et al. TKP-net: A three keypoint detection network for ships using SAR imagery

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