CN109614970A - 一种红外目标隐身效能的评估方法及系统 - Google Patents
一种红外目标隐身效能的评估方法及系统 Download PDFInfo
- Publication number
- CN109614970A CN109614970A CN201811480202.5A CN201811480202A CN109614970A CN 109614970 A CN109614970 A CN 109614970A CN 201811480202 A CN201811480202 A CN 201811480202A CN 109614970 A CN109614970 A CN 109614970A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- infrared
- stealthy
- effectiveness
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000003709 image segmentation Methods 0.000 claims abstract description 24
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 23
- 238000005070 sampling Methods 0.000 claims description 36
- 239000011159 matrix material Substances 0.000 claims description 33
- 238000013507 mapping Methods 0.000 claims description 18
- 239000000284 extract Substances 0.000 claims description 7
- 230000006835 compression Effects 0.000 claims description 6
- 238000007906 compression Methods 0.000 claims description 6
- 238000012800 visualization Methods 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 claims description 5
- 230000001537 neural effect Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 claims 2
- 238000003475 lamination Methods 0.000 claims 1
- 210000005036 nerve Anatomy 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract description 7
- 230000011218 segmentation Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种红外目标隐身效能的评估方法及系统。所述评估方法,首先,获取红外目标的红外图像并采用卷积神经网络算法进行特征提取,得到特征集图像,然后,采用聚类算法将特征集图像分割为目标图像和背景图像;最后,计算所述目标图像和所述背景图像的温差;根据温差评估红外目标隐身效能。本发明先对红外图像采用卷积神经网络算法进行特征提取,缩小样本空间,然后,采用聚类算法将特征集图像分割为目标图像和背景图像,提高效能评估的准确性,本发明的评估方法提高了效能评估的准确性和效率。
Description
技术领域
本发明涉及红外隐身领域,特别涉及一种红外目标隐身效能的评估方法及系统。
背景技术
对于特种车辆红外目标隐身效能评估来说,需要分别提取目标和背景的灰度值,在目标和背景的灰度值提取过程中,图像分割是关键一环,传统的阈值分割法能够较好地完成红外图像目标提取,但对红外目标边缘信息分割不理想,而图像分割是基于温差特征的特种车辆红外探测方法中的关键环节,图像分割效果的好坏影响特种车辆的隐身效能评估的准确性。
发明内容
本发明的目的是提供一种红外目标隐身效能的评估方法及系统,以提高特种车辆的隐身效能评估的准确性。
为实现上述目的,本发明提供了如下方案:
本发明提供一种红外目标隐身效能的评估方法,所述评估方法包括如下步骤:
获取红外目标的红外图像;
利用卷积神经网络算法,提取所述红外图像的特征集图像;
采用聚类算法将所述特征集图像分割为目标图像和背景图像;
计算所述目标图像和所述背景图像的温差;
根据所述温差评估红外目标隐身效能。
可选的,所述利用卷积神经网络算法,提取所述红外图像的特征集图像,具体包括:
将所述红外图像进行像素压缩,得到压缩后图像;
利用卷积神经网络算法对所述压缩后图像进行预设次数的卷积和池化操作,得到所述压缩后图像的图像特征;
将所述图像特征可视化,得到特征集图像。
可选的,所述利用卷积神经网络算法对所述压缩后图像进行预设次数的卷积和池化操作,得到所述压缩后图像的图像特征,具体包括:
将所述压缩后图像作为输入图像,采样次数设置为1;
利用卷积核大小为3×3的矩阵w,偏置为b的卷积层,利用公式对所述输入图像x进行卷积操作,获得卷积映射结果C;
利用公式对所述卷积映射结果C进行块大小为λ×τ的最大池化采样,得到池化采样结果S;其中,表示块大小为λ×τ的最大池化采样操作;
判断所述采样次数是否大于所述预设次数,获得第一判断结果;
如所述第一判断结果为所述采样次数不大于所述预设次数,将所述池化采样结果设置为输入图像,所述采样次数增加1,返回步骤“利用卷积核大小为3×3的矩阵w,偏置为b的卷积层,利用公式对所述输入图像x进行卷积操作,获得卷积映射结果C”;
若所述第一判断结果为所述采样次数大于所述预设次数,将所述池化采样结果设置为所述图像特征。
可选的,所述采用聚类算法将所述特征集图像分割为目标图像和背景图像,具体包括:
提取所述特征集图像的特征矩阵;
基于所述特征矩阵,获取K-means聚类的聚类数K;
采用聚类数为K的K-means聚类算法,将所述特征集图像分割成目标图像和背景图像。
可选的,所述基于所述特征矩阵,获取K-means聚类的聚类数K,具体包括:
任意确定第一中心点,并将中心点个数设置为1;
选取所述特征矩阵中与所述第一中心点的距离最大的矩阵元作为下一个中心点,中心点个数增加1;
根据所述特征矩阵中的矩阵元与每个中心点的距离,将所述特征矩阵中的每个矩阵元与距离最小的中心点划分为一类,并将每个矩阵元与距离最小的中心点的距离设置为标记距离,得到标记距离集合;
判断所述标记距离集合中的最大的标记距离是否大于预设距离阈值,得到第二判断结果;
若所述第二判断结果表示大于预设距离阈值,则将所述最大的标记距离对应的矩阵元作为下一个中心点,中心点的个数增加1,返回步骤“根据所述特征矩阵中的矩阵元与每个中心点的距离,将所述特征矩阵中的每个矩阵元与距离最小的中心点划分为一类,并将每个矩阵元与距离最小的中心点的距离设置为标记距离,得到标记距离集合”;
若所述第二判断结果表示不大于预设距离阈值,则将当前的中心点个数设置为K-means聚类的聚类数K。
可选的,所述计算所述目标图像和所述背景图像的温差,具体包括:
利用公式计算所述目标图像和所述背景图像的加权灰度差ΔG;
根据所述加权灰度差,利用公式ΔT=Tt-Tb=A·ΔG+B,计算所述目标图像和所述背景图像的温差ΔT;
其中,Pt,i为第i个目标图像像素点的灰度值;Nt为目标图像像素数;Pb,j为第j个背景图像像素点的灰度值;Nb为背景图像像素数。Gt表示目标加权灰度,Gb表示背景加权灰度,Tt表示目标加权平均温度,Tb表示背景加权平均温度,A为增益因子,B为偏移因子。
可选的,所述根据所述温差评估红外目标隐身效能,具体包括;
根据所述温差,计算等效条带数;
根据所述等效条带数计算红外目标的发现、识别和辨认概率;
根据所述发现、识别和辨认概率评估红外目标隐身效能。
本发明还提供一种红外目标隐身效能的评估系统,所述评估系统包括:
红外图像获取模块,用于获取红外目标的红外图像;
特征集图像提取模块,用于利用卷积神经网络算法,提取所述红外图像的特征集图像;
图像分割模块,用于采用聚类算法将所述特征集图像分割为目标图像和背景图像;
温差计算模块,用于计算所述目标图像和所述背景图像的温差;
红外目标隐身效能评估模块,用于根据所述温差评估红外目标隐身效能。
可选的,所述特征集图像提取模块,具体包括:
像素压缩子模块,用于将所述红外图像进行像素压缩,得到压缩后图像;
神经网络计算子模块,用于利用卷积神经网络算法对所述压缩后图像进行预设次数的卷积和池化操作,得到所述压缩后图像的图像特征;
可视化子模块,用于将所述图像特征可视化,得到特征集图像。
可选的,所述神经网络计算子模块,具体包括:
初始化单元,用于将所述压缩后图像作为输入图像,采样次数设置为1;
卷积操作单元,用于利用卷积核大小为3×3的矩阵w,偏置为b的卷积层,利用公式对所述输入图像x进行卷积操作,获得卷积映射结果C;
池化操作单元,用于利用公式对所述卷积映射结果C进行块大小为λ×τ的最大池化采样,得到池化采样结果S;其中,表示块大小为λ×τ的最大池化采样操作;
判断单元,用于判断所述采样次数是否大于所述预设次数,获得第一判断结果;
判断结果处理单元,用于若所述第一判断结果为所述采样次数不大于所述预设次数,将所述池化采样结果设置为输入图像,所述采样次数增加1,调用卷积操作单元,执行步骤“利用卷积核大小为3×3的矩阵w,偏置为b的卷积层,利用公式对所述输入图像x进行卷积操作,获得卷积映射结果C”;若所述第一判断结果为所述采样次数大于所述预设次数,将所述池化采样结果设置为所述图像特征。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明公开了一种红外目标隐身效能的评估方法及系统。本发明提供的评估方法,采用K-means聚类算法对红外目标的红外图像进行分割,避免了红外目标边缘信息的影响,提高了图像分割的质量,进而提高了红外目标隐身效能评估的准确性,本发明在进行图像分割之前首先采用卷积神经网络算法对红外目标的红外图像进行特征提取,然后基于提取后的特征集图像,进行K-means聚类,避免了聚类数K确定的耗时长的技术问题,提高了图像分割的效率,进而提高了红外目标隐身效能评估的效率。本发明的评估方法提高了效能评估的准确性和效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的一种红外目标隐身效能评估方法的原理图;
图2为本发明提供的一种红外目标隐身效能评估方法的流程图;
图3为本发明提供的利用卷积神经网络算法,提取所述红外图像的特征集图像的原理图;
图4为本发明提供的利用卷积神经网络算法,提取所述红外图像的特征集图像的过程效果图;
图5为本发明提供的一种红外目标隐身效能评估系统的结构示意图。
具体实施方式
本发明的目的是提供一种红外目标隐身效能的评估方法及系统,以提高特种车辆的隐身效能评估的准确性。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对发明作进一步详细的说明。
实施例1
本发明实施例1提供一种红外目标隐身效能的评估方法。
如图1所示,对于特种车辆红外目标隐身效能评估,需要进行红外目标发现、识别和辨认概率的计算,红外目标发现、识别和辨认概率计算的前提是提取红外图像目标和背景的灰度值,计算红外图像目标和背景的温度差,红外图像的分割为其中的关键一环,为了更加准确地获取分割图像中的目标区域,可采用空间约束的模糊C均值算法、结合稀疏编码的聚类算法、基于遗传优化的谱聚类算法等对红外图像分割,而这些算法本质都是建立在K-means聚类上的,因此不可避免面临K-means聚类在确定聚类数K时的耗时问题,本发明在对红外图像分割前进行红外图像的特征提取,然后基于提取后的特征集图像,进行K-means聚类,避免了聚类数K确定的耗时长的技术问题。
如图2所示,本发明的评估方法包括如下步骤:
步骤201,获取红外目标的红外图像;
步骤202,利用卷积神经网络算法,提取所述红外图像的特征集图像;
步骤203,采用聚类算法将所述特征集图像分割为目标图像和背景图像;
步骤204,计算所述目标图像和所述背景图像的温差;
步骤205,根据所述温差评估红外目标隐身效能。
本发明实施例2提供一种红外目标隐身效能的评估方法的一个优选的实施方式。
如图3所示,步骤202所述利用卷积神经网络算法,提取所述红外图像的特征集图像,具体包括:将所述红外图像进行像素压缩,得到压缩后图像;利用卷积神经网络算法对所述压缩后图像进行预设次数的卷积和池化操作,得到所述压缩后图像的图像特征;将所述图像特征可视化,得到特征集图像。
所述利用卷积神经网络算法对所述压缩后图像进行预设次数的卷积和池化操作,得到所述压缩后图像的图像特征,具体包括:
将所述压缩后图像作为输入图像,采样次数设置为1;
利用卷积核大小为3×3的矩阵w,偏置为b的卷积层,利用公式对所述输入图像x进行卷积操作,获得卷积映射结果C;具体的,卷积步长为1。
利用公式对所述卷积映射结果C进行块大小为λ×τ的最大池化采样,得到池化采样结果S;其中,表示块大小为λ×τ的最大池化采样操作;具体的,池化层的步长和大小均为2。
判断所述采样次数是否大于所述预设次数,获得第一判断结果;如所述第一判断结果为所述采样次数不大于所述预设次数,将所述池化采样结果设置为输入图像,所述采样次数增加1,返回步骤“利用卷积核大小为3×3的矩阵w,偏置为b的卷积层,利用公式对所述输入图像x进行卷积操作,获得卷积映射结果C”;若所述第一判断结果为所述采样次数大于所述预设次数,将所述池化采样结果设置为所述图像特征。具体的,所述预设次数为5,如图4所示,对于输入图像(a),经过一次卷积操作之后得到(b),经过一次池化操作之后得到(c),经过第二次卷积操作之后得到(d),经过第二次池化操作之后得到(e)。本发明通过卷积神经网络缩小了样本空间,降低特征维数,以减少聚类数确定的耗时,同时能保持特征的局部不变性。
所述采用聚类算法将所述特征集图像分割为目标图像和背景图像,具体包括:提取所述特征集图像的特征矩阵;基于所述特征矩阵,获取K-means聚类的聚类数K;采用聚类数为K的K-means聚类算法,将所述特征集图像分割成目标图像和背景图像。
所述基于所述特征矩阵,获取K-means聚类的聚类数K,具体包括:
任意确定第一中心点,并将中心点个数设置为1;选取所述特征矩阵中与所述第一中心点的距离最大的矩阵元作为下一个中心点,中心点个数增加1;根据所述特征矩阵中的矩阵元与每个中心点的距离,将所述特征矩阵中的每个矩阵元与距离最小的中心点划分为一类,并将每个矩阵元与距离最小的中心点的距离设置为标记距离,得到标记距离集合;判断所述标记距离集合中的最大的标记距离是否大于预设距离阈值,得到第二判断结果;若所述第二判断结果表示大于预设距离阈值,则将所述最大的标记距离对应的矩阵元作为下一个中心点,中心点的个数增加1,返回步骤“根据所述特征矩阵中的矩阵元与每个中心点的距离,将所述特征矩阵中的每个矩阵元与距离最小的中心点划分为一类,并将每个矩阵元与距离最小的中心点的距离设置为标记距离,得到标记距离集合”;若所述第二判断结果表示不大于预设距离阈值,则将当前的中心点个数设置为K-means聚类的聚类数K,具体的,预设距离阈值为100。
所述计算所述目标图像和所述背景图像的温差,具体包括:
利用公式计算所述目标图像和所述背景图像的加权灰度差ΔG;根据所述加权灰度差,利用公式ΔT=Tt-Tb=A·ΔG+B,计算所述目标图像和所述背景图像的温差ΔT;其中,Pt,i为第i个目标图像像素点的灰度值;Nt为目标图像像素数;Pb,j为第j个背景图像像素点的灰度值;Nb为背景图像像素数。Gt表示目标加权灰度,Gb表示背景加权灰度,Tt表示目标加权平均温度,Tb表示背景加权平均温度,A为增益因子,B为偏移因子。
所述根据所述温差评估红外目标隐身效能,具体包括;
根据所述温差,计算等效条带数;具体的,据所述温差ΔT,利用公式ΔT=MRTDh(fh),计算X方向的目标空间频fh;根据所述温差ΔT,利用公式ΔT=MRTDv(fv),计算Y方向的目标空间频率fv;根据所述X方向的目标空间频fh和所述Y方向的目标空间频率fv,利用公式计算红外目标的等效条带数n,其中,fs目标空间频率,sqrt(A)表示目标临界尺寸,R表示探测距离;
根据所述等效条带数计算红外目标的发现、识别和辨认概率;具体的,根据所述等效条带数,利用公式计算红外目标的发现、识别和辨认概率,其中,E=2.7+0.7n/n50,n50为50%探测概率时所需的条带数,n50为1、4和8,当n50=1时,利用公式计算红外目标的发现,当n50=4时,利用公式计算红外目标的识别,当n50=8时,利用公式计算红外目标的辨认概率。
根据所述发现、识别和辨认概率评估红外目标隐身效能。
实施例3
本发明实施例3提供一种红外目标隐身效能的评估系统。
如图5所示,所述评估系统包括:
红外图像获取模块501,用于获取红外目标的红外图像;特征集图像提取模块502,用于利用卷积神经网络算法,提取所述红外图像的特征集图像;图像分割模块503,用于采用聚类算法将所述特征集图像分割为目标图像和背景图像;温差计算模块504,用于计算所述目标图像和所述背景图像的温差;红外目标隐身效能评估模块505,用于根据所述温差评估红外目标隐身效能。
所述特征集图像提取模块502,具体包括:像素压缩子模块,用于将所述红外图像进行像素压缩,得到压缩后图像;神经网络计算子模块,用于利用卷积神经网络算法对所述压缩后图像进行预设次数的卷积和池化操作,得到所述压缩后图像的图像特征;可视化子模块,用于将所述图像特征可视化,得到特征集图像。
所述神经网络计算子模块,具体包括:初始化单元,用于将所述压缩后图像作为输入图像,采样次数设置为1;卷积操作单元,用于利用卷积核大小为3×3的矩阵w,偏置为b的卷积层,利用公式对所述输入图像x进行卷积操作,获得卷积映射结果C;池化操作单元,用于利用公式对所述卷积映射结果C进行块大小为λ×τ的最大池化采样,得到池化采样结果S;其中,表示块大小为λ×τ的最大池化采样操作;判断单元,用于判断所述采样次数是否大于所述预设次数,获得第一判断结果;判断结果处理单元,用于若所述第一判断结果为所述采样次数不大于所述预设次数,将所述池化采样结果设置为输入图像,所述采样次数增加1,调用卷积操作单元,执行步骤“利用卷积核大小为3×3的矩阵w,偏置为b的卷积层,利用公式对所述输入图像x进行卷积操作,获得卷积映射结果C”;若所述第一判断结果为所述采样次数大于所述预设次数,将所述池化采样结果设置为所述图像特征。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明公开了一种红外目标隐身效能的评估方法及系统。本发明提供的评估方法,采用K-means聚类算法对红外目标的红外图像进行分割,避免了红外目标边缘信息的影响,提高了图像分割的质量,进而提高了红外目标隐身效能评估的准确性,本发明在进行图像分割之前首先采用卷积神经网络算法对红外目标的红外图像进行特征提取,然后基于提取后的特征集图像,进行K-means聚类,避免了聚类数K确定的耗时长的技术问题,提高了图像分割的效率,进而提高了红外目标隐身效能评估的效率。本发明的评估方法提高了效能评估的准确性和效率。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
Claims (10)
1.一种红外目标隐身效能的评估方法,其特征在于,所述评估方法包括如下步骤:
获取红外目标的红外图像;
利用卷积神经网络算法,提取所述红外图像的特征集图像;
采用聚类算法将所述特征集图像分割为目标图像和背景图像;
计算所述目标图像和所述背景图像的温差;
根据所述温差评估红外目标隐身效能。
2.根据权利要求1所述的一种红外目标隐身效能的评估方法,其特征在于,所述利用卷积神经网络算法,提取所述红外图像的特征集图像,具体包括:
将所述红外图像进行像素压缩,得到压缩后图像;
利用卷积神经网络算法对所述压缩后图像进行预设次数的卷积和池化操作,得到所述压缩后图像的图像特征;
将所述图像特征可视化,得到特征集图像。
3.根据权利要求2所述的一种红外目标隐身效能的评估方法,其特征在于,所述利用卷积神经网络算法对所述压缩后图像进行预设次数的卷积和池化操作,得到所述压缩后图像的图像特征,具体包括:
将所述压缩后图像作为输入图像,采样次数设置为1;
利用卷积核大小为3×3的矩阵w,偏置为b的卷积层,利用公式对所述输入图像x进行卷积操作,获得卷积映射结果C;
利用公式对所述卷积映射结果C进行块大小为λ×τ的最大池化采样,得到池化采样结果S;其中,表示块大小为λ×τ的最大池化采样操作;
判断所述采样次数是否大于所述预设次数,获得第一判断结果;
如所述第一判断结果为所述采样次数不大于所述预设次数,将所述池化采样结果设置为输入图像,所述采样次数增加1,返回步骤“利用卷积核大小为3×3的矩阵w,偏置为b的卷积层,利用公式对所述输入图像x进行卷积操作,获得卷积映射结果C”;
若所述第一判断结果为所述采样次数大于所述预设次数,将所述池化采样结果设置为所述图像特征。
4.根据权利要求1所述的一种红外目标隐身效能的评估方法,其特征在于,所述采用聚类算法将所述特征集图像分割为目标图像和背景图像,具体包括:
提取所述特征集图像的特征矩阵;
基于所述特征矩阵,获取K-means聚类的聚类数K;
采用聚类数为K的K-means聚类算法,将所述特征集图像分割成目标图像和背景图像。
5.根据权利要求4所述的一种红外目标隐身效能的评估方法,其特征在于,所述基于所述特征矩阵,获取K-means聚类的聚类数K,具体包括:
任意确定第一中心点,并将中心点个数设置为1;
选取所述特征矩阵中与所述第一中心点的距离最大的矩阵元作为下一个中心点,中心点个数增加1;
根据所述特征矩阵中的矩阵元与每个中心点的距离,将所述特征矩阵中的每个矩阵元与距离最小的中心点划分为一类,并将每个矩阵元与距离最小的中心点的距离设置为标记距离,得到标记距离集合;
判断所述标记距离集合中的最大的标记距离是否大于预设距离阈值,得到第二判断结果;
若所述第二判断结果表示大于预设距离阈值,则将所述最大的标记距离对应的矩阵元作为下一个中心点,中心点的个数增加1,返回步骤“根据所述特征矩阵中的矩阵元与每个中心点的距离,将所述特征矩阵中的每个矩阵元与距离最小的中心点划分为一类,并将每个矩阵元与距离最小的中心点的距离设置为标记距离,得到标记距离集合”;
若所述第二判断结果表示不大于预设距离阈值,则将当前的中心点个数设置为K-means聚类的聚类数K。
6.根据权利要求1所述的一种红外目标隐身效能的评估方法,其特征在于,所述计算所述目标图像和所述背景图像的温差,具体包括:
利用公式计算所述目标图像和所述背景图像的加权灰度差ΔG;
根据所述加权灰度差,利用公式ΔT=Tt-Tb=A·ΔG+B,计算所述目标图像和所述背景图像的温差ΔT;
其中,Pt,i为第i个目标图像像素点的灰度值;Nt为目标图像像素数;Pb,j为第j个背景图像像素点的灰度值;Nb为背景图像像素数。Gt表示目标加权灰度,Gb表示背景加权灰度,Tt表示目标加权平均温度,Tb表示背景加权平均温度,A为增益因子,B为偏移因子。
7.根据权利要求1所述的一种红外目标隐身效能的评估方法,其特征在于,所述根据所述温差评估红外目标隐身效能,具体包括;
根据所述温差,计算等效条带数;
根据所述等效条带数计算红外目标的发现、识别和辨认概率;
根据所述发现、识别和辨认概率评估红外目标隐身效能。
8.一种红外目标隐身效能的评系统,其特征在于,所述评估系统包括:
红外图像获取模块,用于获取红外目标的红外图像;
特征集图像提取模块,用于利用卷积神经网络算法,提取所述红外图像的特征集图像;
图像分割模块,用于采用聚类算法将所述特征集图像分割为目标图像和背景图像;
温差计算模块,用于计算所述目标图像和所述背景图像的温差;
红外目标隐身效能评估模块,用于根据所述温差评估红外目标隐身效能。
9.根据权利要求8所述的一种红外目标隐身效能的评估系统,其特征在于,所述特征集图像提取模块,具体包括:
像素压缩子模块,用于将所述红外图像进行像素压缩,得到压缩后图像;
神经网络计算子模块,用于利用卷积神经网络算法对所述压缩后图像进行预设次数的卷积和池化操作,得到所述压缩后图像的图像特征;
可视化子模块,用于将所述图像特征可视化,得到特征集图像。
10.根据权利要求9所述的一种红外目标隐身效能的评估系统,其特征在于,所述神经网络计算子模块,具体包括:
初始化单元,用于将所述压缩后图像作为输入图像,采样次数设置为1;
卷积操作单元,用于利用卷积核大小为3×3的矩阵w,偏置为b的卷积层,利用公式对所述输入图像x进行卷积操作,获得卷积映射结果C;
池化操作单元,用于利用公式对所述卷积映射结果C进行块大小为λ×τ的最大池化采样,得到池化采样结果S;其中,表示块大小为λ×τ的最大池化采样操作;
判断单元,用于判断所述采样次数是否大于所述预设次数,获得第一判断结果;
判断结果处理单元,用于若所述第一判断结果为所述采样次数不大于所述预设次数,将所述池化采样结果设置为输入图像,所述采样次数增加1,调用卷积操作单元,执行步骤“利用卷积核大小为3×3的矩阵w,偏置为b的卷积层,利用公式对所述输入图像x进行卷积操作,获得卷积映射结果C”;若所述第一判断结果为所述采样次数大于所述预设次数,将所述池化采样结果设置为所述图像特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811480202.5A CN109614970A (zh) | 2018-12-05 | 2018-12-05 | 一种红外目标隐身效能的评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811480202.5A CN109614970A (zh) | 2018-12-05 | 2018-12-05 | 一种红外目标隐身效能的评估方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109614970A true CN109614970A (zh) | 2019-04-12 |
Family
ID=66006007
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811480202.5A Pending CN109614970A (zh) | 2018-12-05 | 2018-12-05 | 一种红外目标隐身效能的评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109614970A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112013962A (zh) * | 2019-05-31 | 2020-12-01 | 南京理工大学 | 一种基于cnn神经网络的mrtd参数测试方法 |
CN113962886A (zh) * | 2021-10-19 | 2022-01-21 | 中国人民解放军火箭军工程大学 | 一种基于背景还原的红外伪装效果评估方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101930072A (zh) * | 2010-07-28 | 2010-12-29 | 重庆大学 | 基于多特征融合的红外弱小运动目标航迹起始方法 |
CN103903474A (zh) * | 2014-04-09 | 2014-07-02 | 浙江工业大学 | 一种基于K-means聚类的车队出行诱导方法 |
CN105678607A (zh) * | 2016-01-07 | 2016-06-15 | 合肥工业大学 | 一种基于改进的K-Means算法的订单分批方法 |
CN106650228A (zh) * | 2016-11-08 | 2017-05-10 | 浙江理工大学 | 改进k‑means算法的噪声数据去除方法及实施系统 |
CN106991430A (zh) * | 2017-02-28 | 2017-07-28 | 浙江工业大学 | 一种基于临近点法的聚类个数自动确定谱聚类方法 |
CN107609601A (zh) * | 2017-09-28 | 2018-01-19 | 北京计算机技术及应用研究所 | 一种基于多层卷积神经网络的舰船目标识别方法 |
CN108427927A (zh) * | 2018-03-16 | 2018-08-21 | 深圳市商汤科技有限公司 | 目标再识别方法和装置、电子设备、程序和存储介质 |
CN108710829A (zh) * | 2018-04-19 | 2018-10-26 | 北京红云智胜科技有限公司 | 一种基于深度学习的表情分类及微表情检测的方法 |
CN108764359A (zh) * | 2018-06-01 | 2018-11-06 | 吉林大学 | 无参数的k均值聚类方法 |
-
2018
- 2018-12-05 CN CN201811480202.5A patent/CN109614970A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101930072A (zh) * | 2010-07-28 | 2010-12-29 | 重庆大学 | 基于多特征融合的红外弱小运动目标航迹起始方法 |
CN103903474A (zh) * | 2014-04-09 | 2014-07-02 | 浙江工业大学 | 一种基于K-means聚类的车队出行诱导方法 |
CN105678607A (zh) * | 2016-01-07 | 2016-06-15 | 合肥工业大学 | 一种基于改进的K-Means算法的订单分批方法 |
CN106650228A (zh) * | 2016-11-08 | 2017-05-10 | 浙江理工大学 | 改进k‑means算法的噪声数据去除方法及实施系统 |
CN106991430A (zh) * | 2017-02-28 | 2017-07-28 | 浙江工业大学 | 一种基于临近点法的聚类个数自动确定谱聚类方法 |
CN107609601A (zh) * | 2017-09-28 | 2018-01-19 | 北京计算机技术及应用研究所 | 一种基于多层卷积神经网络的舰船目标识别方法 |
CN108427927A (zh) * | 2018-03-16 | 2018-08-21 | 深圳市商汤科技有限公司 | 目标再识别方法和装置、电子设备、程序和存储介质 |
CN108710829A (zh) * | 2018-04-19 | 2018-10-26 | 北京红云智胜科技有限公司 | 一种基于深度学习的表情分类及微表情检测的方法 |
CN108764359A (zh) * | 2018-06-01 | 2018-11-06 | 吉林大学 | 无参数的k均值聚类方法 |
Non-Patent Citations (5)
Title |
---|
周涓 等: "基于最大最小距离法的多中心聚类算法", 《计算机应用》 * |
王勇 等: "高效率的K-means最佳聚类数确定算法", 《计算机应用》 * |
王霞 等: "基于图像处理的舰船红外隐身效果评价方法研究", 《红外与激光工程》 * |
赵晓枫 等: "基于改进分割算法的红外图像温差计算研究", 《电光与控制》 * |
黄中勇: "卷积神经网络在医学图像处理中的应用研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112013962A (zh) * | 2019-05-31 | 2020-12-01 | 南京理工大学 | 一种基于cnn神经网络的mrtd参数测试方法 |
CN112013962B (zh) * | 2019-05-31 | 2022-11-04 | 南京理工大学 | 一种基于cnn神经网络的mrtd参数测试方法 |
CN113962886A (zh) * | 2021-10-19 | 2022-01-21 | 中国人民解放军火箭军工程大学 | 一种基于背景还原的红外伪装效果评估方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111339858B (zh) | 一种基于神经网络的油气管道标志物识别方法 | |
CN111062973B (zh) | 基于目标特征敏感性和深度学习的车辆跟踪方法 | |
CN108537215B (zh) | 一种基于图像目标检测的火焰检测方法 | |
CN109840556B (zh) | 一种基于孪生网络的图像分类识别方法 | |
CN108596108B (zh) | 基于三元组语义关系学习的航拍遥感图像变化检测方法 | |
CN110033040B (zh) | 一种火焰识别方法、系统、介质和设备 | |
CN112001241B (zh) | 基于通道注意力机制的微表情识别方法及系统 | |
CN110647802A (zh) | 基于深度学习的遥感影像舰船目标检测方法 | |
CN113052185A (zh) | 一种基于Faster R-CNN的小样本目标检测方法 | |
CN110020658B (zh) | 一种基于多任务深度学习的显著目标检测方法 | |
CN115035361A (zh) | 基于注意力机制和特征交叉融合的目标检测方法及系统 | |
CN114067444A (zh) | 基于元伪标签和光照不变特征的人脸欺骗检测方法和系统 | |
CN112149526B (zh) | 一种基于长距离信息融合的车道线检测方法及系统 | |
CN115937697A (zh) | 一种遥感影像变化检测方法 | |
CN109614970A (zh) | 一种红外目标隐身效能的评估方法及系统 | |
CN112651381A (zh) | 基于卷积神经网络的视频图像中家畜识别方法及装置 | |
CN112257741A (zh) | 一种基于复数神经网络的生成性对抗虚假图片的检测方法 | |
CN116168240A (zh) | 基于注意力增强的任意方向密集舰船目标检测方法 | |
CN115496971A (zh) | 一种红外目标检测方法、装置、电子设备及存储介质 | |
CN114359578A (zh) | 病虫害识别智能终端应用方法及系统 | |
CN112132867B (zh) | 一种遥感影像变化检测方法及装置 | |
CN111291712B (zh) | 基于插值的cn和胶囊网络的森林火灾识别方法及装置 | |
CN113297982A (zh) | 一种面向航拍改进kcf和dsst相结合的目标检测方法 | |
US20210292805A1 (en) | Semi-supervised classification of microorganism | |
CN112668532A (zh) | 基于多阶段混合注意网络的人群计数方法 |
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 |
Application publication date: 20190412 |
|
RJ01 | Rejection of invention patent application after publication |