CN108647658A - 一种高空卷云的红外成像检测方法 - Google Patents

Abstract

本发明公开了一种高空卷云的红外成像检测方法，属于遥感及红外图像处理中的虚警源及目标检测领域，在获取红外图像后，首先进行图像的预处理，并对预处理结果进行目标增强处理；再利用区域生长法把已增强部分划分为互不相交的块，完成图像的粗分割；然后以粗分割的块数作为聚类的类别个数，初始化聚类中心和模糊隶属度矩阵，再以KFCM聚类法图中像素相对中心的位置作为确定初始隶属度矩阵的依据，进行聚类迭代，完成图像的精分割；最后清除零散的孤立点/块，完成最终分割，确定卷云的位置，并输出检测结果。本发明解决了现有红外成像技术难以对卷云进行准确检测，以及检测效率低、检测速度慢的问题。

Description

一种高空卷云的红外成像检测方法

技术领域

本发明涉及一种高空卷云的红外成像检测方法，属于遥感及红外图像处理中的虚警源及目标检测领域。

背景技术

红外成像技术可实现目标的检测和识别，具有非接触性、捕捉细节能力强，可实现远距离检测且不受烟、雾等障碍影响的特点，还可实现昼夜的连续探测，因此，在军事、民用等领域得到广泛应用，特别军用价值极高。其中，红外目标检测技术主要利用目标和背景之间的红外辐射差异来进行目标检测和识别。在军事预警系统中，由于红外图像一般对比度不高，边缘较为模糊，再加之各类虚警源(高空卷云、火山、湖泊等)的存在，给精确的军事预警带来了困难，检测和去除虚警源的干扰是一项急需解决的问题。

实际上，满幅被云覆盖的红外图像占红外图像总数的比例超过50％，这些红外图像几乎不具备任何有用信息。对于红外探测系统而言，高空卷云是一类典型的虚警源。而由于风力、季节、气压等因素的影响，卷云在时间和空间的分布上具有极大的不确定性，这增加了高空卷云检测的难度，也对后续的目标识别、图像分类产生影响，降低了预警精度，甚至造成错误的预警。因此，有必要研究合适的、高效的高空卷云检测技术，从而准确地进行卷云去除，提高检测系统的精度。

早期的卷云检测方法大多根据云在不同谱段下的反射率，并结合阈值分析，来判断某一像素是否为云，但是该类算法过于依赖阈值，易受时间、天气等因素的影响，一般仅局限于特定的检测器，且准确率不高。

目前的检测方法主要有利用云的纹理、频率、分形维数、颜色等特征，再结合阈值、统计法、聚类法，以及神经网络、支持向量机、AdaBoost一类的学习分类算法等进行检测。2011年出版的《遥感应用》中记载了一种利用小波变换检测并去除薄云的方法，先对薄云的低频近似分量进行同态滤波，再利用小波重构检测薄云，但这种方法易受地面低频信息干扰，检测效率不高；2011年出版的《测绘学报》中记载了利用小波SCM提取纹理特征，并结合ASM和熵来判别云层的方法，虽有一定效果，但受分辨率、检测器等因素的影响，仍然存在较高的错误率；2015年出版的《测绘学报》里记载了利用云的二阶矩、一阶差分等纹理特征进行云检测的方法，但是实现该方法需要提前找出可靠云特征的区间，检测效率较低，检测速度慢；神经网络和支持向量机等方法严重依赖于训练样本的完备性与否，2013年出版的《遥感技术与应用》中记载了利用AdaBoost分类器来进行云检测的方法，光训练样本高达十万余幅，这类方法不仅不适用于数据量少时的情形，针对不同的数据就得进行不同的训练，对于特征的选取要求也较高，导致了检测效率低下，并且难以满足实时性的要求。

发明内容

本发明的目的在于：提供了一种高空卷云的红外成像检测方法，解决了现有红外成像技术难以对卷云进行准确检测，以及检测效率低、检测速度慢的问题。

本发明采用的技术方案如下：

一种高空卷云的红外成像检测方法，包括如下步骤：

步骤1：获取一幅大小为m×n的待处理红外图像f₀(x,y)；

步骤2：对红外图像f₀(x,y)预处理，得到目标增强后的结果f₁(x,y)∈R^m×n；

步骤3：根据步骤2的结果，利用区域生长的方法寻找具有增强点的区域，把f₁(x,y)划分为互不相交的块，得到粗分割结果f₂(x,y)∈R^m×n；

步骤4：根据粗分割结果初始化聚类中心和模糊隶属度矩阵，再通过KFCM聚类法对f₂(x,y)进行分割，得到f₃(x,y)∈R^m×n；

步骤5：对步骤4的f₃(x,y)∈R^m×n中零散的孤立点/块进行清除，完成最终分割，确定卷云的位置，并输出检测结果。

进一步地，所述步骤2的具体步骤如下：

步骤2.1：对红外图像f₀(x,y)进行最大中值滤波；

步骤2.2：对滤波后的红外图像进行改进的Top-Hat变换；

步骤2.3：对步骤2.2所得结果进行Gamma校正，得到目标增强的结果f₁(x,y)。

更进一步地，所述步骤2.2的具体步骤如下：

步骤2.2.1：构造形状相同的平坦结构元B_i、B_o和B_b，其尺寸由小到大为：B_i、B_b、B_o，设ΔB＝B_o-B_i；

步骤2.2.2：根据步骤2.2.1，定义一组新的开闭运算公式：

其中，x，y表示像素的位置；

步骤2.2.3：根据步骤2.2.1和2.2.2得出改进的Top-Hat变换公式为：

NT_hat(x,y)＝f(x,y)-NC(x,y)，

其中，根据上述公式对步骤2.1滤波后的结果进行Top-Hat变换。

进一步地，所述步骤3的具体步骤如下：

步骤3.1：遍历图像，寻找f₁(x,y)中未被标记且被“增强”的点，即高于设定阈值的点，选择任意一个点作为种子点；

步骤3.2：从种子点出发，沿上下左右四个方向生长，并作出类标记，直到没有像素满足该区域或者该区域像素数大于设定阈值，则完成一个区域的生长；

步骤3.3：对步骤3.2完成生长的区域，若像素数小于4个，则把此类判定为“非增强”区域，重新赋值为0；若像素数大于4个，则对该区域进行标记；

步骤3.4：完成一个区域的标记后，判断是否所有的“增强”点都归于已标记的区域，若不是，则返回步骤3.1，重复步骤3.1至3.4，若是，则进行下一步；

步骤3.5：根据步骤3.4得到c个标记区域和粗分割结果f₂(x,y)。

进一步地，所述步骤4的具体步骤如下：

步骤4.1：初始化类别个数c，模糊隶属度矩阵U和聚类中心V，设定阈值ε；

步骤4.2：将高斯核函数与模糊C均值聚类法(FCM)相结合，构建KFCM目标函数，得出聚类中心V和模糊隶属度矩阵U的更新公式；

步骤4.3：根据更新公式得出聚类中心V和模糊隶属度矩阵U；

步骤4.4：根据步骤4.3计算代价函数C：

步骤4.5：重复步骤4.1至步骤4.4，直到阈值函数t小于ε为止，并输出f₃(x,y)，所述阈值函数t的计算公式为：t＝||C^m-C^m-1||。

更进一步地，所述步骤4.1的具体步骤如下：

步骤4.1.1：利用步骤3.5所得标记区域的个数c作为类别个数的初值，初始类便为

步骤4.1.2：图像中的点(x_k,y_k)相对于初始类的模糊隶属度矩阵为：

经过归一化后，得到初始模糊隶属度矩阵U⁰；

步骤4.1.3：初始化聚类中心0i≤c，初始化方式为：

其中，z_k＝f₂(x_k,y_k)，N为总像素数，c为类别个数。

更进一步地，所述步骤4.2的具体步骤如下：

步骤4.2.1：构建FCM目标函数：

步骤4.2.2：结合高斯核函数将FCM目标函数转化为KFCM目标函数：

其中，Φ是指映射特征，||Φ(z_k)-Φ(v_i)||²＝K(z_k,z_k)+K(v_i,v_i)-2K(z_k,v_i)；

步骤4.2.3：得出KFCM最小化目标函数：

结合约束条件，得出聚类中心V和模糊隶属度矩阵U的更新公式：

进一步地，所述步骤5中对零散的孤立点/块进行清除的方式为：

以欧式距离为衡量手段，若点/块离候选目标的距离大于阈值，则赋值为0；否则，认为是目标本身，不予消除；所述点/块离候选目标的距离为该点p(x,y)至候选目标中心c(x,y)的距离：d＝||p(x,y)-c(x,y)||²。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

1.一种高空卷云的红外成像检测方法，通过KFCM聚类法将卷云检测问题转化为求解目标函数的问题，并在进行聚类分割前，用区域生长法先大致获取目标所在位置，以此自动得到聚类的初始聚类中心、模糊隶属度矩阵等参数，不需要提前找寻其他参数，同时，避免了随机产生以上参数时出现算法运行错误、算法不收敛或者收敛时间过长等问题，以及避免导致消耗大量检测时间，从而提高了检测稳定性和检测速度；

2.本发明利用改进后的Top-Hat变换先对图像进行处理，充分利用了目标区域与周围区域的差异，减弱了背景、噪声以及杂波的干扰，提高了算法的鲁棒性；

3.本发明利用图像处理技术进行红外图像中的卷云检测，降低了对数据量以及仪器的要求，可以准确地检测到卷云的位置，同时，具有较高的计算效率，迭代次数在5次以内，既提高了检测效率，又可以满足实时性要求。

附图说明

本发明将通过例子并参照附图的方式说明，其中：

图1是一种高空卷云的红外成像检测方法的流程图；

图2是本发明Top-Hat变换中所用的结构元；

图3是本发明实施例一采用的红外图像；

图4是本发明实施例一的预处理结果；

图5是本发明实施例一的区域生长结果；

图6是本发明实施例一的卷云检测结果。

具体实施方式

本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。

下面结合图1至图6对本发明作详细说明。

一种高空卷云的红外成像检测方法，包括如下步骤：

步骤1：获取一幅大小为m×n的待处理红外图像f₀(x,y)；

步骤2：对红外图像f₀(x,y)预处理，得到目标增强后的结果f₁(x,y)∈R^m×n；

步骤2.1：对红外图像f₀(x,y)进行最大中值滤波；

步骤2.2：对滤波后的红外图像进行改进的Top-Hat变换；

步骤2.2.1：构造形状相同的平坦结构元B_i、B_o和B_b，如图2所示，其尺寸由小到大为：B_i、B_b、B_o，设ΔB＝B_o-B_i；

步骤2.2.2：根据步骤2.2.1，定义一组新的开闭运算公式：

其中，x，y表示像素的位置；

步骤2.2.3：根据步骤2.2.1和2.2.2得出改进的Top-Hat变换公式为：

NT_hat(x,y)＝f(x,y)-NC(x,y)，

其中，根据上述公式对步骤2.1滤波后的结果进行Top-Hat变换；

步骤2.3：对步骤2.2所得结果进行Gamma校正，得到目标增强的结果f₁(x,y)；

步骤3：根据步骤2的结果，利用区域生长的方法寻找具有增强点的区域，把f₁(x,y)划分为互不相交的块，得到粗分割结果f₂(x,y)∈R^m×n；

步骤3.1：遍历图像，寻找f₁(x,y)中未被标记且被“增强”的点，即高于设定阈值的点，选择任意一个点作为种子点；

步骤3.2：从种子点出发，沿上下左右四个方向生长，并作出类标记，直到没有像素满足该区域或者该区域像素数大于设定阈值，则完成一个区域的生长；

步骤3.3：对步骤3.2完成生长的区域，若像素数小于4个，则把此类判定为“非增强”区域，重新赋值为0；若像素数大于4个，则对该区域进行标记；

步骤3.4：完成一个区域的标记后，判断是否所有的“增强”点都归于已标记的区域，若不是，则返回步骤3.1，重复步骤3.1至3.4，若是，则进行下一步；

步骤3.5：根据步骤3.4得到c个标记区域和粗分割结果f₂(x,y)；

步骤4：根据粗分割结果初始化聚类中心和模糊隶属度矩阵，再通过KFCM聚类法对f₂(x,y)进行分割，得到f₃(x,y)∈R^m×n；

步骤4.1：初始化类别个数c，模糊隶属度矩阵U和聚类中心V，设定阈值ε；

步骤4.1.1：利用步骤3.5所得标记区域的个数c作为类别个数的初值，初始类便为

步骤4.1.2：图像中的点(x_k,y_k)相对于初始类的模糊隶属度矩阵为：

经过归一化后，得到初始模糊隶属度矩阵U⁰；

步骤4.1.3：初始化聚类中心初始化方式为：

其中，z_k＝f₂(x_k,y_k)，N为总像素数，c为类别个数；

步骤4.2：将高斯核函数与模糊C均值聚类法(FCM)相结合，构建KFCM目标函数，得出聚类中心V和模糊隶属度矩阵U的更新公式；

步骤4.2.1：构建FCM目标函数：

步骤4.2.2：结合高斯核函数将FCM目标函数转化为KFCM目标函数：

其中，Φ是指映射特征，||Φ(z_k)-Φ(v_i)||²＝K(z_k,z_k)+K(v_i,v_i)-2K(z_k,v_i)；

步骤4.2.3：得出KFCM最小化目标函数：

结合约束条件，得出聚类中心V和模糊隶属度矩阵U的更新公式：

步骤4.3：根据更新公式得出聚类中心V和模糊隶属度矩阵U；

步骤4.4：根据步骤4.3计算代价函数C：

步骤4.5：重复步骤4.1至步骤4.4，直到阈值函数t小于ε为止，并输出f₃(x,y)，所述阈值函数t的计算公式为：t＝||C^m-C^m-1||；

步骤5：对步骤4的f₃(x,y)∈R^m×n中零散的孤立点/块进行清除，完成最终分割，确定卷云的位置，并输出检测结果。

进一步地，所述步骤5中对零散的孤立点/块进行清除的方式为：

以欧式距离为衡量手段，若点/块离候选目标的距离大于阈值，则赋值为0；否则，认为是目标本身，不予消除；所述点/块离候选目标的距离为该点p(x,y)至候选目标中心c(x,y)的距离：d＝||p(x,y)-c(x,y)||²。

实施例一

步骤1：获取一幅大小为m×n的待处理红外图像f₀(x,y)，如图3所示；

步骤2：对红外图像f₀(x,y)预处理，得到目标增强后的结果f₁(x,y)∈R^m×n；

步骤2.1：对红外图像f₀(x,y)进行最大中值滤波；

步骤2.2：对滤波后的红外图像进行改进的Top-Hat变换，充分利用目标区域与周围区域的差异；

步骤2.2.1：构造形状相同的平坦结构元B_i、B_o和B_b，如图2所示，其尺寸由小到大为：B_i、B_b、B_o，设ΔB＝B_o-B_i，△B可体现目标与周围区域的不同，降低了噪声的影响，B_b可以调节参与运算的目标区域的大小；

步骤2.2.2：根据步骤2.2.1，定义一组新的开闭运算公式：

其中，x，y表示像素的位置；

步骤2.2.3：根据步骤2.2.1和2.2.2得出改进的Top-Hat变换公式为：

NT_hat(x,y)＝f(x,y)-NC(x,y)，

其中，根据上述公式对步骤2.1滤波后的结果进行Top-Hat变换；

步骤2.3：对步骤2.2所得结果进行Gamma校正，得到目标增强的结果f₁(x,y)，如图4所示；

步骤3：根据步骤2的结果，利用区域生长的方法寻找具有增强点的区域，把f₁(x,y)划分为互不相交的块，得到粗分割结果f₂(x,y)∈R^m×n；

步骤3.1：遍历图像，寻找f₁(x,y)中未被标记且被“增强”的点，即高于设定阈值的点，选择任意一个点作为种子点；

步骤3.2：从种子点出发，沿上下左右四个方向生长，并作出类标记，直到没有像素满足该区域或者该区域像素数大于设定阈值，则完成一个区域的生长；

步骤3.3：对步骤3.2完成生长的区域，若像素数小于4个，则把此类判定为“非增强”区域，重新赋值为0；若像素数大于4个，则对该区域进行标记；

步骤3.4：完成一个区域的标记后，判断是否所有的“增强”点都归于已标记的区域，若不是，则返回步骤3.1，重复步骤3.1至3.4，若是，则进行下一步；

步骤3.5：根据步骤3.4得到c个标记区域和粗分割结果f₂(x,y)，如图5所示；

步骤4：根据粗分割结果初始化聚类中心和模糊隶属度矩阵，再通过KFCM聚类法对f₂(x,y)进行分割，得到f₃(x,y)∈R^m×n；

步骤4.1：初始化类别个数c，模糊隶属度矩阵U和聚类中心V，设定阈值ε；

步骤4.1.1：利用步骤3.5所得标记区域的个数c作为类别个数的初值，初始类便为

步骤4.1.2：图像中的点(x_k,y_k)相对于初始类的模糊隶属度矩阵为：

经过归一化后，得到初始模糊隶属度矩阵U⁰；

步骤4.1.3：初始化聚类中心初始化方式为：

其中，z_k＝f₂(x_k,y_k)，N为总像素数，c为类别个数；

步骤4.2：将高斯核函数与模糊C均值聚类法(FCM)相结合，构建KFCM目标函数，得出聚类中心V和模糊隶属度矩阵U的更新公式；

步骤4.2.1：构建FCM目标函数：

步骤4.2.2：结合高斯核函数将FCM目标函数转化为KFCM目标函数：

其中，Φ是指映射特征，||Φ(z_k)-Φ(v_i)||²＝K(z_k,z_k)+K(v_i,v_i)-2K(z_k,v_i)；

步骤4.2.3：得出KFCM最小化目标函数：

结合约束条件，得出聚类中心V和模糊隶属度矩阵U的更新公式：

步骤4.3：根据更新公式得出聚类中心V和模糊隶属度矩阵U；

步骤4.4：根据步骤4.3计算代价函数C：

步骤4.5：重复步骤4.1至步骤4.4，直到阈值函数t小于ε为止，并输出f₃(x,y)，所述阈值函数t的计算公式为：t＝||C^m-C^m-1||；

步骤5：对步骤4的f₃(x,y)∈R^m×n中零散的孤立点/块进行清除，完成最终分割，确定卷云的位置，并输出检测结果，如图6所示。

本发明在获取红外图像后，首先进行图像的预处理，并对预处理结果进行目标增强处理；再利用区域生长法把已增强部分划分为互不相交的块，完成图像的粗分割；然后以粗分割的块数作为聚类的类别个数，初始化聚类中心和模糊隶属度矩阵，再以KFCM聚类法图中像素相对中心的位置作为确定初始隶属度矩阵的依据，进行聚类迭代，完成图像的精分割；最后清除零散的孤立点/块，完成最终分割，确定卷云的位置，并输出检测结果，解决了现有红外成像技术难以对卷云进行准确检测，以及检测效率低、检测速度慢的问题。

以上所述，仅为本发明的优选实施方式，但本发明的保护范围并不局限于此，任何熟悉本领域的技术人员在本发明所揭露的技术范围内，可不经过创造性劳动想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书所限定的保护范围为准。

Claims (8)

1.一种高空卷云的红外成像检测方法，其特征在于，包括如下步骤：

步骤1：获取一幅大小为m×n的待处理红外图像f₀(x,y)；

步骤2：对红外图像f₀(x,y)进行预处理，得到目标增强后的结果f₁(x,y)∈R^m×n；

步骤3：根据步骤2的结果，利用区域生长的方法寻找具有增强点的区域，把f₁(x,y)划分为互不相交的块，得到粗分割结果f₂(x,y)∈R^m×n；

步骤4：根据粗分割结果初始化聚类中心和模糊隶属度矩阵，再通过KFCM聚类法对f₂(x,y)进行分割，得到f₃(x,y)∈R^m×n；

步骤5：对步骤4的f₃(x,y)∈R^m×n中零散的孤立点/块进行清除，完成最终分割，确定卷云的位置，并输出检测结果。

2.根据权利要求1所述的一种高空卷云的红外成像检测方法，其特征在于，所述步骤2的具体步骤如下：

步骤2.1：对红外图像f₀(x,y)进行最大中值滤波；

步骤2.2：对滤波后的红外图像进行改进的Top-Hat变换；

步骤2.3：对步骤2.2所得结果进行Gamma校正，得到目标增强的结果f₁(x,y)。

3.根据权利要求2所述的一种高空卷云的红外成像检测方法，其特征在于，所述步骤2.2的具体步骤如下：

步骤2.2.1：构造形状相同的平坦结构元B_i、B_o和B_b，其尺寸由小到大为：B_i、B_b、B_o，设ΔB＝B_o-B_i；

步骤2.2.2：根据步骤2.2.1，定义一组新的开闭运算公式：

其中，x，y表示像素的位置；

步骤2.2.3：根据步骤2.2.1和2.2.2得出改进的Top-Hat变换公式为：

NT_hat(x,y)＝f(x,y)-NC(x,y)，

其中，根据上述公式对步骤2.1滤波后的结果进行Top-Hat变换。

4.根据权利要求1所述的一种高空卷云的红外成像检测方法，其特征在于：所述步骤3的具体步骤如下：

步骤3.1：遍历图像，寻找f₁(x,y)中未被标记且被“增强”的点，即高于设定阈值的点，选择任意一个点作为种子点；

步骤3.2：从种子点出发，沿上下左右四个方向生长，并作出类标记，直到没有像素满足该区域或者该区域像素数大于设定阈值，则完成一个区域的生长；

步骤3.3：对步骤3.2完成生长的区域，若像素数小于4个，则把此类判定为“非增强”区域，重新赋值为0；若像素数大于4个，则对该区域进行标记；

步骤3.4：完成一个区域的标记后，判断是否所有的“增强”点都归于已标记的区域，若不是，则返回步骤3.1，重复步骤3.1至3.4，若是，则进行下一步；

步骤3.5：根据步骤3.4得到c个标记区域和粗分割结果f₂(x,y)。

5.根据权利要求1所述的一种高空卷云的红外成像检测方法，其特征在于：所述步骤4的具体步骤如下：

步骤4.1：初始化类别个数c，模糊隶属度矩阵U和聚类中心V，设定阈值ε；

步骤4.2：将高斯核函数与模糊C均值聚类法(FCM)相结合，构建KFCM目标函数，得出聚类中心V和模糊隶属度矩阵U的更新公式；

步骤4.3：根据更新公式得出聚类中心V和模糊隶属度矩阵U；

步骤4.4：根据步骤4.3计算代价函数C：

步骤4.5：重复步骤4.1至步骤4.4，直到阈值函数t小于ε为止，并输出f₃(x,y)，所述阈值函数t的计算公式为：t＝||C^m-C^m-1||。

6.根据权利要求4或5所述的一种高空卷云的红外成像检测方法，其特征在于：所述步骤4.1的具体步骤如下：

步骤4.1.1：利用步骤3.5所得标记区域的个数c作为类别个数的初值，初始类便为

步骤4.1.2：图像中的点(x_k,y_k)相对于初始类的模糊隶属度矩阵为：

经过归一化后，得到初始模糊隶属度矩阵U⁰；

步骤4.1.3：初始化聚类中心初始化方式为：

其中，z_k＝f₂(x_k,y_k)，N为总像素数，c为类别个数。

7.根据权利要求5所述的一种高空卷云的红外成像检测方法，其特征在于：所述步骤4.2的具体步骤如下：

步骤4.2.1：构建FCM目标函数：

步骤4.2.2：结合高斯核函数将FCM目标函数转化为KFCM目标函数：

其中，Φ是指映射特征，||Φ(z_k)-Φ(v_i)||²＝K(z_k,z_k)+K(v_i,v_i)-2K(z_k,v_i)；

步骤4.2.3：得出KFCM最小化目标函数：

结合约束条件，得出聚类中心V和模糊隶属度矩阵U的更新公式：

8.根据权利要求1所述的一种高空卷云的红外成像检测方法，其特征在于：所述步骤5中对零散的孤立点/块进行清除的方式为：

以欧式距离为衡量手段，若点/块离候选目标的距离大于阈值，则赋值为0；否则，认为是目标本身，不予消除；所述点/块离候选目标的距离为该点p(x,y)至候选目标中心c(x,y)的距离：d＝||p(x,y)-c(x,y)||²。