CN109658429A - 一种基于边界分维数的红外图像卷云检测方法 - Google Patents

Abstract

本发明公开了一种基于边界分维数的红外图像卷云检测方法，涉及红外图像处理中的目标及虚警源检测领域；其包括步骤1：输入待处理的红外图像后，对其进行形态学重建获取重建图像；步骤2：对重建图像进行K均值聚类获取剔除背景区域保留云所在区域的图像；步骤3：将步骤2获取的图像分块获取图像块；步骤4：提取图像块边缘，并计算图像块边缘的分形维数；步骤5：根据设定的阈值对图像块边缘的分形维数进行筛选，获取卷云所在图像块，完成检测；本发明利用了卷云边缘固有的较大分形维数的特性，通过提取图像边缘，计算边缘的分形维数进行检测，提供一种快速计算、高效率的全新卷云检测方法，避免了现有方法中人工提取特征的不确定性。

Description

一种基于边界分维数的红外图像卷云检测方法

技术领域

本发明涉及红外图像处理中的目标及虚警源检测领域，尤其是一种基于边界分维数的红外图像卷云检测方法。

背景技术

红外图像在军事中有着极为广泛的应用，如安防监控、目标追踪等，由此对于红外图像中不同种类的目标进行提取成为了近年来的研究热点。红外弱小目标检测中经常会有干扰检测的场景，卷云即为其中一种，故对红外图像中的卷云进行提取可有效地减少干扰。目前针对红外图像中的卷云检测方法较少，且由于红外图像成像距离远、分辨率较低，因此红外图像中的卷云容易与背景等其他干扰信息混淆，使检测难度增大。

目前图像中的云检测方法主要利用阈值法和机器学习两种方法。Zhong等人2017年提出了用不同的阈值获得不同置信度图像从而检测云；Zhan等人2017年提出了使用卷积神经网络(Convolutional neural networks，CNN)进行特征提取的检测方法；Yuan等人2018年利用深度神经网络(Deep neural networks，DNN)将边缘检测和云分割合并为多任务，由此检测出了云；Gomez-Chova等人2017年手工提取一些特征后使用不同的分类器对检测结果进行了对比；Xie等人2017年首先使用简单线性迭代聚类将图像进行超像素分割，之后利用CNN提取了深度特征从而对云进行了分类检测。除此之外，云检测也经常使用一些概率模型方法，Shao等人2017年提出了一种模糊自动编码模型成功检测出了云；Xu等人2017年提出了一种贝叶斯时空随机场模型，利用了云的阈值、时间和空间信息，检测出了遥感图像中的云；Li等人2017年提出了一种马尔科夫随机场和动态随机共振的方法，利用云的物理特性检测出了云；Qian等人2016年使用目标跟踪中的均值漂移(Mean-shift)方法成功检测出了云。现有技术中利用机器学习检测云的前提是需要提供大量的样本数据，因此对于小样本情况则不适用；其中，涉及的人工提取特征步骤，特征数据的不确定性大，导致检测准确率低。

发明内容

本发明的目的在于：本发明提供了一种基于边界分维数的红外图像卷云检测方法，提出利用卷云边缘具有较大分形维数特性检测卷云的新思路，解决现有小样本情况下无法利用机器学习检测卷云、人工提取特征不确定性的问题。

本发明采用的技术方案如下：

一种基于边界分维数的红外图像卷云检测方法，包括如下步骤：

步骤1：输入待处理的红外图像后，对其进行形态学重建获取重建图像；

步骤2：对重建图像进行K均值聚类获取剔除背景区域保留云所在区域的图像；

步骤3：将步骤2获取的图像分块获取图像块；

步骤4：提取图像块边缘，并计算图像块边缘的分形维数；

步骤5：根据设定的阈值对图像块边缘的分形维数进行筛选，获取卷云所在图像块，完成检测。

优选地，所述步骤1包括如下步骤：

步骤1.1：输入待处理的红外图像后，对红外图像进行高斯低通滤波获取去噪红外图像；

步骤1.2：对去噪红外图像进行连续膨胀直至该图像中的物体轮廓与待处理的红外图像匹配，获取重建图像。

优选地，所述步骤2包括如下步骤：

步骤2.1：定义类别数；

步骤2.2：根据类别数对重建图像进行K均值聚类获取剔除部分背景区域并保留云所在区域的图像。

优选地，所述步骤3包括如下步骤：

步骤3.1：将步骤2获取的图像进行分块，计算公式如下：

其中，M表示图像行数，N表示图像列数，k表示图像块大小，R_num表示行分块个数，C_num表示列分块个数，表示向上取整；

步骤3.2：将步骤3.1获取的图像扩充为R_num×k行，C_num×k列，获取C_num×R_num个图像块。

优选地，所述步骤4包括如下步骤：

步骤4.1：采用Canny算法提取图像块边缘；

步骤4.2：使用盒计数维数方法计算图像块边缘的分形维数。

优选地，所述步骤4.1包括如下步骤：

步骤4.1.1：利用高斯滤波器平滑图像块；

步骤4.1.2：计算步骤4.1.1获取的图像块的梯度幅值和角度；

步骤4.1.3：对梯度幅值应用非极大抑制，并使用设定的双阈值处理和连接边缘，获取图像块边缘。

优选地，所述步骤4.2包括如下步骤：

步骤4.2.1：对提取的边缘图像进行二值化处理；

步骤4.2.2：选择边长为r的方格子对各边缘图像进行覆盖，计算不同r值对应的非空方格子数N(r)；

步骤4.2.3：以-In(r)为横坐标，In(N(r))为纵坐标构建不同分布点，计算所有分布点的斜率即获取图像块边缘的分形维数。

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.本发明利用了卷云边缘固有的较大分形维数的特性，通过提取图像边缘，计算边缘的分形维数进行检测，提供一种快速计算、高效率的全新卷云检测方法，避免了现有方法中人工提取特征的不确定性，提高检测准确率和召回率；

2.本发明从图像边缘出发，通过检测边缘的分形维数检测卷云，计算简便，速度能达到2秒/每幅图像，同时大样本或者小样本情景均适用，避免了现有机器学习类方法要求大样本导致小样本无法进行卷云检测的缺点。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明的方法流程图；

图2为本发明的待处理的红外图像示意图；

图3为本发明的形态学重建图像及K均值聚类后的图像示意图；

图4为本发明的分块图像边缘示意图；

图5为本发明的分形维数计算示意图；

图6为本发明的检测结果图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。

需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

技术问题：解决现有小样本情况下无法利用机器学习检测卷云、人工提取特征不确定性的问题；

技术手段：

一种基于边界分维数的红外图像卷云检测方法，包括如下步骤：

步骤1：输入待处理的红外图像后，对其进行形态学重建获取重建图像；

步骤2：对重建图像进行K均值聚类获取剔除背景区域保留云所在区域的图像；

步骤3：将步骤2获取的图像分块获取图像块；

步骤4：提取图像块边缘，并计算图像块边缘的分形维数；

步骤5：根据设定的阈值对图像块边缘的分形维数进行筛选，获取卷云所在图像块，完成检测。

步骤1包括如下步骤：

步骤1.1：输入待处理的红外图像后，对红外图像进行高斯低通滤波获取去噪红外图像；

步骤1.2：对去噪红外图像进行连续膨胀直至该图像中的物体轮廓与待处理的红外图像匹配，获取重建图像。

步骤2包括如下步骤：

步骤2.1：定义类别数；

步骤2.2：根据类别数对重建图像进行K均值聚类获取剔除部分背景区域并保留云所在区域的图像。

步骤3包括如下步骤：

步骤3.1：将步骤2获取的图像进行分块，计算公式如下：

其中，M表示图像行数，N表示图像列数，k表示图像块大小，R_num表示行分块个数，C_num表示列分块个数，表示向上取整；

步骤3.2：将步骤3.1获取的图像扩充为R_num×k行，C_num×k列，获取C_num×R_num个图像块。

步骤4包括如下步骤：

步骤4.1：采用Canny算法提取图像块边缘；

步骤4.2：使用盒计数维数方法计算图像块边缘的分形维数。

步骤4.1包括如下步骤：

步骤4.1.1：利用高斯滤波器平滑图像块；

步骤4.1.2：计算步骤4.1.1获取的图像块的梯度幅值和角度；

步骤4.1.3：对梯度幅值应用非极大抑制，并使用设定的双阈值处理和连接边缘，获取图像块边缘。

步骤4.2包括如下步骤：

步骤4.2.1：对提取的边缘图像进行二值化处理；

步骤4.2.2：选择边长为r的方格子对各边缘图像进行覆盖，计算不同r值对应的非空方格子数N(r)；

步骤4.2.3：以-In(r)为横坐标，In(N(r))为纵坐标构建不同分布点，计算所有分布点的斜率即获取图像块边缘的分形维数。

技术效果：1.本发明利用了卷云边缘固有的较大分形维数的特性，通过提取图像边缘，计算边缘的分形维数进行检测，提供一种快速计算、高效率的全新卷云检测方法，避免了现有方法中人工提取特征的不确定性，提高检测准确率和召回率；从图像边缘出发，通过检测边缘的分形维数检测卷云，计算简便，速度能达到2秒/每幅图像，同时大样本或者小样本情景均适用，避免了现有机器学习类方法要求大样本导致小样本无法进行卷云检测的缺点。

以下结合实施例对本发明的特征和性能作进一步的详细描述。

实施例1

步骤1：输入待处理的红外图像，如图2所示，对待处理的红外图像进行形态学重建；

步骤2：基于步骤1对重建图像进行K均值聚类，如图3所示；

步骤3：设置图像块大小为50x50，将步骤2获取的红外图像进行分块并提取图像块边缘，部分图像块如图4所示；

步骤4：计算每个图像块边缘的分形维数，如图5所示；

步骤5：根据设定的阈值1.759对图像块边缘的分形维数进行筛选，得到检测结果，如图6所示。

其中，形态学重建步骤：

对红外图像进行高斯低通滤波获取去噪红外图像；

对去噪红外图像进行连续膨胀直至该图像中的物体轮廓与待处理的红外图像匹配，获取重建图像。

对重建图像进行K均值聚类步骤：

定义类别数，类别数为2；

根据类别数对重建图像进行K均值聚类，首先随机取2个点作为类中心点，然后将图像中所有像素分配到离其最近的中心点，形成2个簇。再计算这2个簇的中心，作为新的中心点，然后对所有像素再次分配，直到中心点不发生变化，得到最终的聚类结果，选出背景所在区域进行剔除，得到剔除部分背景区域并保留云所在区域的图像。

图像分块步骤：

将剔除背景区域保留云所在区域的图像进行分块，计算公式如下：

其中，M表示图像行数，N表示图像列数，k表示图像块大小，R_num表示行分块个数，C_num表示列分块个数，表示向上取整；图像块大小为50x50，k为50；M为275，N为289，因此R_num为6，C_num为6；

将上述图像扩充为R_num×k＝300行，C_num×k＝300列，获取C_num×R_num＝36个图像块。

采用Canny算法提取图像块边缘；

使用盒计数维数方法计算图像块边缘的分形维数；

根据设定的阈值对图像块边缘的分形维数进行筛选，获取卷云所在图像块，完成检测；根据经验设定的阈值1.759，当分形维数大于设定阈值时，认为图像块是卷云边界所在图像块，保留该区域的边缘；当分形维数小于阈值时，认为图像块为非卷云边界图像块，对图像块直接置0。

本发明利用了卷云边缘固有的较大分形维数的特性，通过提取图像边缘，计算边缘的分形维数进行检测，提供一种快速计算、高效率的全新卷云检测方法，避免了现有方法中人工提取特征的不确定性。

实施例2

基于实施例1，通过边缘并计算其分形维数的细节如下：

采用Canny算法提取图像块边缘：

利用高斯滤波器平滑图像块；

计算平滑后的图像块的梯度幅值和角度；

对梯度幅值应用非极大抑制，并使用设定的双阈值处理和连接边缘，获取图像块边缘，其中双阈值：低阈值为0.031，高阈值为0.078。因Canny算法为现有算法，具体操作步骤如上所述，其他细节在此不进行赘述；

使用盒计数维数方法计算图像块边缘的分形维数：

使用盒计数维数方法，具体定义如下：

假设A为Rⁿ空间中的任意非空有界子集，对任意大小的一个r＞0，N(r)表示覆盖A所需要的边长为r的n维立方体(盒子)的最小数目。若存在数d，使得r→0时有：

则d为A的盒计数维数。当盒维数为d时，当且仅当存在一个正数k，使得

对方程两边取对数可得：

由此可得：

由此可得盒计数维数的计算方法。

使用盒计数维数方法计算图像块边缘的分形维数：

对提取的边缘图像进行二值化处理；

选择边长为r的方格子对各边缘图像进行覆盖，计算不同r值对应的非空方格子数N(r)；

以-In(r)为横坐标，In(N(r))为纵坐标构建不同分布点，计算所有分布点的斜率即获取图像块边缘的分形维数，如图5所示，如第一个图像块的分布点为(0，7.82)，(0.69，6.44)等。根据设定的阈值对图像块边缘的分形维数进行筛选，获取卷云所在图像块，完成检测；根据经验设定的阈值1.759，当分形维数大于设定阈值时，认为图像块是卷云边界所在图像块，保留该区域的边缘；当分形维数小于阈值时，认为图像块为非卷云边界图像块，对图像块直接置0。如图6所示，本发明卷云检测能达到较好的准确率和召回率，同时检测速度快；从图像边缘出发，通过检测边缘的分形维数检测卷云，提供一种计算简便的全新方法，速度能达到2秒/每幅图像，同时大样本或者小样本情景均适用，避免了现有机器学习类方法要求大样本导致小样本无法进行卷云检测的缺点。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于边界分维数的红外图像卷云检测方法，其特征在于：包括如下步骤：

步骤1：输入待处理的红外图像后，对其进行形态学重建获取重建图像；

步骤2：对重建图像进行K均值聚类获取剔除背景区域保留云所在区域的图像；

步骤3：将步骤2获取的图像分块获取图像块；

步骤4：提取图像块边缘，并计算图像块边缘的分形维数；

步骤5：根据设定的阈值对图像块边缘的分形维数进行筛选，获取卷云所在图像块，完成检测。

2.根据权利要求1所述的一种基于边界分维数的红外图像卷云检测方法，其特征在于：所述步骤1包括如下步骤：

步骤1.1：输入待处理的红外图像后，对红外图像进行高斯低通滤波获取去噪红外图像；

步骤1.2：对去噪红外图像进行连续膨胀直至该图像中的物体轮廓与待处理的红外图像匹配，获取重建图像。

3.根据权利要求1或者2所述的一种基于边界分维数的红外图像卷云检测方法，其特征在于：所述步骤2包括如下步骤：

步骤2.1：定义类别数；

步骤2.2：根据类别数对重建图像进行K均值聚类获取剔除部分背景区域并保留云所在区域的图像。

4.根据权利要求1所述的一种基于边界分维数的红外图像卷云检测方法，其特征在于：所述步骤3包括如下步骤：

步骤3.1：将步骤2获取的图像进行分块，计算公式如下：

其中，M表示图像行数，N表示图像列数，k表示图像块大小，R_num表示行分块个数，C_num表示列分块个数，表示向上取整；

步骤3.2：将步骤3.1获取的图像扩充为R_num×k行，C_num×k列，获取C_num×R_num个图像块。

5.根据权利要求1或者4所述的一种基于边界分维数的红外图像卷云检测方法，其特征在于：所述步骤4包括如下步骤：

步骤4.1：采用Canny算法提取图像块边缘；

步骤4.2：使用盒计数维数方法计算图像块边缘的分形维数。

6.根据权利要求5所述的一种基于边界分维数的红外图像卷云检测方法，其特征在于：所述步骤4.1包括如下步骤：

步骤4.1.1：利用高斯滤波器平滑图像块；

步骤4.1.2：计算步骤4.1.1获取的图像块的梯度幅值和角度；

步骤4.1.3：对梯度幅值应用非极大抑制，并使用设定的双阈值处理和连接边缘，获取图像块边缘。

7.根据权利要求5或者6所述的一种基于边界分维数的红外图像卷云检测方法，其特征在于：所述步骤4.2包括如下步骤：

步骤4.2.1：对提取的边缘图像进行二值化处理；

步骤4.2.2：选择边长为r的方格子对各边缘图像进行覆盖，计算不同r值对应的非空方格子数N(r)；

步骤4.2.3：以-In(r)为横坐标，In(N(r))为纵坐标构建不同分布点，计算所有分布点的斜率即获取图像块边缘的分形维数。