CN108648184A - 一种遥感图像高空卷云的检测方法 - Google Patents

Abstract

本发明公开了一种遥感图像高空卷云的检测方法，涉及图像处理技术领域，本发明包括如下步骤：S1、输入待检测遥感红外高空卷云原始图像；S2、对原始图像进行中值滤波处理，得到原始图像去噪图；S3、对原始图像去噪图进行幂律变换处理，得到对比度增强图；S4、运用亮度对比度算法对对比度增强图进行处理，得到显著性图；S5、运用加速分割测试特征检测算法对显著性图进行处理，得到具有FAST特征点的FAST特征图；S6、根据FAST特征图中的FAST特征点位置进行目标框选，得到最终的框选检测结果图，本发明具有实时性高、对成像设备要求低、检测结果准确的优点。

Description

一种遥感图像高空卷云的检测方法

技术领域

本发明涉及图像处理技术领域，尤其涉及基于图像预处理、视觉显著性特征以及角点特征的检测方法，更具体的是涉及一种遥感图像高空卷云的检测方法。

背景技术

近年来，遥感技术在军事、天基探测和气象分析等领域都得到了广泛的应用，空间红外卫星是对地观测及遥感系统的重要组成部分，在预警、导弹拦截等方面发挥着重要作用。对于空间红外卫星成像系统，在其成像波段内存在大量辐射能量很高的虚警源，比如高空卷云这种虚警源就不可避免地会对成像系统产生干扰。此外，由于大气辐射等的影响，目标的辐射特性可能发生变化，这会影响对地探测时目标检测及识别的精度，因此，需要研究可靠的高空卷云检测算法，以提高对地探测系统的精度和反应速度。

现有技术中，卷云检测往往采用光谱分析法，采集可见光及红外等多通道数据，利用云层与其他地面物体的辐射差异来进行检测，但是现有的这种方法实时性不高，并且对成像设备要求较高，不利于卷云检测工作的有效开展。

发明内容

本发明的目的在于：为了解决现有的卷云检测方法实时性不高，并且对成像设备要求较高，不利于卷云检测工作的开展的问题，本发明提供一种遥感图像高空卷云的检测方法。

本发明为了实现上述目的具体采用以下技术方案：

一种遥感图像高空卷云的检测方法，包括如下步骤：

S1、输入待检测遥感红外高空卷云原始图像；

S2、对原始图像进行中值滤波处理，得到原始图像去噪图；

S3、对原始图像去噪图进行幂律变换处理，得到对比度增强图；

S4、运用亮度对比度算法(Luminance Contrast，LC)对对比度增强图进行处理，得到显著性图；

S5、运用加速分割测试特征检测算法(Features From Accelerated SegmentTest，FAST)对显著性图进行处理，得到具有FAST特征点的FAST特征图；

S6、根据FAST特征图中的FAST特征点位置进行目标框选，得到最终的框选检测结果图。

进一步的，所述S2中的中值滤波处理，具体为：

中值滤波的理论为：一个数值集合的中值ξ是这样的数值，即数值集合中有一半数值小于或等于ξ，另一半数值大于或等于ξ；

对原始图像中每个像素点的邻域内的像素灰度值按照从小到大的顺序进行排序，确定对应邻域内的像素灰度值的中值，并将中值赋予该像素点，当原始图像中的每个像素点均被对应邻域内的像素的中值所替换，则得到原始图像去噪图。

进一步的，所述S3中的幂律变换处理，具体为：

采用幂律变换公式：s＝cr^γ，其中c和γ为正常数，r为输入图像灰度值，s为输出图像灰度值，所述r与原始图像去噪图相对应，s与对比度增强图相对应。

进一步的，所述S4中运用亮度对比度算法对对比度增强图进行处理，具体为：

S4.1、计算对比度增强图的灰度直方图，根据灰度直方图得到每个灰度级所对应的像素数目，将灰度级作为像素的特征值，则得到特征值的出现频率f_n；

S4.2、利用显著性特征提取公式：其中p为特征值，f_n为特征值的出现频率，d(p,n)为特征值p与n的欧式距离，得到特征值p的显著性值S(p)；

S4.3、为每一个像素点分配对应于其特征值的显著性值，即得到显著性图。

进一步的，所述S5中运用加速分割测试特征检测算法对显著性图进行处理，具体为：

FAST算子的基本原理为：若某像素点与其周围邻域内足够多的连续的像素点存在某一属性差异，并且该属性差异大于指定阈值，则可以判断该像素点与其邻域像素有可被识别的不同之处，可以作为一个特征点(角点)，对于灰度图像，FAST算子考察的属性是像素与其邻域的灰度差异。

S5.1、针对显著性图上的每个像素点，计算其与周围z×z邻域内,以该像素点为圆心，半径为r的圆周上的w个像素点的灰度值之差；

S5.2、对灰度值之差进行判断，若至少有连续的个灰度值之差的绝对值超过设定的阈值，则该像素点为FAST特征点，采用非极大值抑制算法去除多余的FAST特征点，由此得到FAST特征图。

本发明的有益效果如下：

1、本发明采用中值滤波处理方法去除了成像设备的椒盐噪声，并且采用幂律变换方法增强了图像的对比度，通过图像去噪与增强方法的结合，降低了本发明的检测方法对成像设备的要求度，并且提升了检测方法的普适性。

2、本发明在视觉显著性特征检测提取基本的卷云显著性图的基础上，采用FAST特征点检测方法定位卷云的具体位置，相对于现有的检测技术来说，通过结合卷云的视觉显著性特征和FAST特征进一步提高了检测的准确度。

3、本发明提出的检测算法计算方法简便，算法步骤易于实现，检测效果准确且算法计算时间在毫秒级，相比于现有技术实时性更高。

附图说明

图1是本发明的方法流程简图。

图2是本发明实施例2中的方法流程图。

图3是实施例2中的遥感红外高空卷云原始图像。

图4是实施例2中的原始图像去噪图。

图5是实施例2中的对比度增强图。

图6是实施例2中的显著性图。

图7是实施例2中的FAST特征图。

图8是实施例2中的框选检测结果图。

具体实施方式

为了本技术领域的人员更好的理解本发明，下面结合附图和以下实施例对本发明作进一步详细描述。

实施例1

如图1所示，本实施例提供一种遥感图像高空卷云的检测方法，包括如下步骤：

S1、输入待检测遥感红外高空卷云原始图像；

S2、对原始图像进行中值滤波处理，得到原始图像去噪图；

S3、对原始图像去噪图进行幂律变换处理，得到对比度增强图；

S4、运用亮度对比度算法(Luminance Contrast，LC)对对比度增强图进行处理，得到显著性图；

S5、运用加速分割测试特征检测算法(Features From Accelerated SegmentTest，FAST)对显著性图进行处理，得到具有FAST特征点的FAST特征图；

S6、根据FAST特征图中的FAST特征点位置进行目标框选，得到最终的框选检测结果图；

本实施例采用中值滤波处理方法去除了成像设备的椒盐噪声，并且采用幂律变换方法增强了图像的对比度，通过图像去噪与增强方法的结合，降低了本实施例的检测方法对成像设备的要求度，并且提升了检测方法的普适性；在视觉显著性特征检测提取基本的卷云显著性图的基础上，采用FAST特征点检测方法定位卷云的具体位置，相对于现有的检测技术来说，通过结合卷云的视觉显著性特征和FAST特征进一步提高了检测的准确度；检测算法计算方法简便，算法步骤易于实现，检测效果准确且算法计算时间在毫秒级，相比于现有技术实时性更高。

实施例2

如图2到图8所示，本实施例在实施例1的基础之上进一步优化，提供一种遥感图像高空卷云的检测方法，包括如下步骤：

S1、输入待检测遥感红外高空卷云原始图像f₁(x,y)，其中(x,y)表示原始图像中的像素点的坐标，在本实施例中，x∈(0,319)，y∈(0,255)；

S2、对原始图像f₁(x,y)进行中值滤波处理，去除椒盐噪声，公式为：

f_m(x,y)＝median{f_round(x,y)} ①

f₂(x,y)＝f_m(x,y) ②

取原始图像f₁(x,y)中的每个像素点，设定3*3的邻域，对每个邻域内的灰度值f_round(x,y)从小到大进行排序，确定其中值f_m(x,y)，然后以该中值f_m(x,y)代替对应像素点的原灰度值f₁(x,y)，当原始图像中f₁(x,y)的每个像素点均被相对应的中值所替换，则得到原始图像去噪图f₂(x,y)；

S3、对原始图像去噪图f₂(x,y)进行幂律变换处理，增强对比度，公式为：

s＝cr^γ ③

其中c和γ为正常数，r为输入图像灰度值，s为输出图像灰度值，将正常数c的值取为1/255³，γ的值取为3，输入图像灰度值r取为f₂(x,y)，输出图像灰度值s取为f₃(x,y)，则式③变化为：

f₃(x,y)＝f₂(x,y)³/255³ ④

输出结果f₃(x,y)即为对比度增强图；

S4、运用亮度对比度算法(Luminance Contrast，LC)对对比度增强图f₃(x,y)进行显著性特征提取：

S4.1、计算对比度增强图f₃(x,y)的灰度直方图，能够得到每一个灰度级所对应的像素数目，将灰度级(0～255)作为像素的特征值，则得到特征值的出现频率f_n；

S4.2、利用显著性特征提取公式：

计算每一个特征值p(0～255)的显著性值S(p)，其中f_n为特征值的出现频率，d(p,n)为特征值p与n的欧式距离；

S4.3、为每一个像素点(x,y)分配对应于其灰度级(即特征值p)的显著性值S(p)，并进行归一化处理，即可得到显著性图f₄(x,y)；

S5、运用加速分割测试特征检测算法(Features From Accelerated SegmentTest，FAST)对显著性图f₄(x,y)进行FAST特征点提取：

S5.1、在显著性图f₄(x,y)中任选一点m，假定其像素(亮度)值为I_m；

S5.2、在m点的7*7邻域内，以m点为中心点，3为半径画圆，圆上有16个像素(m₁、m₂、…、m₁₆)；

S5.3、定义一个阈值，计算m₁、m₉与中心点m的灰度值差，若它们的灰度值差的绝对值都小于阈值，则m点不是特征点，直接丢弃；否则作为候选点进行S5.4的判断；

S5.4、计算m₁、m₅、m₉、m₁₃与中心点m的灰度值差，若它们的灰度值差的绝对值有至少3个超过阈值，则中心点m作为候选点进行S5.5的判断，否则，直接丢弃；

S5.5、计算m₁到m₁₆这16个点与中心点m的灰度值差，若它们的灰度值差的绝对值有至少9个超过阈值，则m点是FAST特征点，否则，直接丢弃。

S5.6、对显著性图f₄(x,y)进行非极大值抑制处理：判断以FAST特征点m为中心的一个邻域(如3*3或5*5)内是否有多个FAST特征点，如果有多个FAST特征点，则分别计算每个FAST特征点的FAST得分值(即s值，该值为16个点与FAST特征点m差值的绝对值总和)，如果m点是邻域所有FAST特征点中s值最大的，则保留m点，否则丢弃掉；若在邻域内只有一个FAST特征点，则将这个FAST特征点保留；

所述FAST得分值的计算公式为：

V＝max{∑(mv-m)} if(mv-m)>t ⑥

V＝max{∑(m-mv)} if(m-mv)>t ⑦

其中V为FAST得分值，t为阈值，mv为邻域内像素的灰度值；

对显著性图f₄(x,y)，设定阈值t为50，则提取FAST特征点后可得到FAST特征图f₅(x,y)；

S6、根据FAST特征图f₅(x,y)中的FAST特征点的位置对高空卷云进行框选，得到最终的框选检测结果图f₆(x,y)。

以上所述，仅为本发明的较佳实施例，并不用以限制本发明，本发明的专利保护范围以权利要求书为准，凡是运用本发明的说明书及附图内容所作的等同结构变化，同理均应包含在本发明的保护范围内。

Claims (5)

1.一种遥感图像高空卷云的检测方法，其特征在于，包括如下步骤：

S1、输入待检测遥感红外高空卷云原始图像；

S2、对原始图像进行中值滤波处理，得到原始图像去噪图；

S3、对原始图像去噪图进行幂律变换处理，得到对比度增强图；

S4、运用亮度对比度算法对对比度增强图进行处理，得到显著性图；

S5、运用加速分割测试特征检测算法对显著性图进行处理，得到具有FAST特征点的FAST特征图；

S6、根据FAST特征图中的FAST特征点位置进行目标框选，得到最终的框选检测结果图。

2.根据权利要求1所述的一种遥感图像高空卷云的检测方法，其特征在于，所述S2中的中值滤波处理，具体为：

对原始图像中每个像素点的邻域内的像素按照灰度值从小到大的顺序进行排序，确定对应邻域内的像素灰度值的中值，并将中值赋予该像素点，当原始图像中的每个像素点均被对应邻域内的像素的中值所替换，则得到原始图像去噪图。

3.根据权利要求1所述的一种遥感图像高空卷云的检测方法，其特征在于，所述S3中的幂律变换处理，具体为：

采用幂律变换公式：s＝cr^γ，其中c和γ为正常数，r为输入图像灰度值，s为输出图像灰度值，所述r与原始图像去噪图相对应，s与对比度增强图相对应。

4.根据权利要求1所述的一种遥感图像高空卷云的检测方法，其特征在于，所述S4中运用亮度对比度算法对对比度增强图进行处理，具体为：

S4.1、计算对比度增强图的灰度直方图，根据灰度直方图得到每个灰度级所对应的像素数目，将灰度级作为像素的特征值，则得到特征值的出现频率f_n；

S4.2、利用显著性特征提取公式：其中p为特征值，f_n为特征值的出现频率，d(p,n)为特征值p与n的欧式距离，得到特征值p的显著性值S(p)；

S4.3、为每一个像素点分配对应于其特征值的显著性值，即得到显著性图。

5.根据权利要求1所述的一种遥感图像高空卷云的检测方法，其特征在于，所述S5中运用加速分割测试特征检测算法对显著性图进行处理，具体为：

S5.1、针对显著性图上的每个像素点，计算其与周围z×z邻域内,以该像素点为圆心，半径为r的圆周上的w个像素点的灰度值之差；

S5.2、对灰度值之差进行判断，若至少有连续的个灰度值之差的绝对值超过设定的阈值，则该像素点为FAST特征点，采用非极大值抑制算法去除多余的FAST特征点，由此得到FAST特征图。