CN111062954B - 一种基于差分信息统计的红外图像分割方法、装置及设备 - Google Patents
一种基于差分信息统计的红外图像分割方法、装置及设备 Download PDFInfo
- Publication number
- CN111062954B CN111062954B CN201911398254.2A CN201911398254A CN111062954B CN 111062954 B CN111062954 B CN 111062954B CN 201911398254 A CN201911398254 A CN 201911398254A CN 111062954 B CN111062954 B CN 111062954B
- Authority
- CN
- China
- Prior art keywords
- histogram
- gray
- infrared image
- difference
- background
- 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
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
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
- Y02A40/28—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture specially adapted for farming
Abstract
本发明公开了一种基于差分信息统计的红外图像分割方法、装置、设备及计算机可读存储介质,包括:计算红外图像各个像元四邻域的差分值;依据当前差分阈值排除各个像元的无效差分值,依据各个像元四邻域的有效差分值个数,对各个像元对应直方图索引项进行累加,得到二维差分统计直方图;利用大津算法分别对红外图像的灰度直方图和二维差分统计直方图进行背景分割;比较灰度直方图的背景区域与二维差分统计直方图的背景区域大小;在二维差分统计直方图的背景区域小于等于灰度直方图的背景区域时,获取最大差分阈值;利用最大差分阈值对红外图像进行分割。本发明所提供的方法、装置、设备及计算机可读存储介质,提高了图像分割精度,计算复杂度低。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及一种基于差分信息统计的红外图像分割方法、装置、设备以及计算机可读存储介质。
背景技术
红外成像技术,又称为热成像技术,通过探测器收集目标景物热辐射信息,将目标表面自然发射出的红外辐射分布转变为可见图像,使得人类视觉感知范围从传统可见光谱扩展到人裸眼看不到的红外辐射光谱。目前红外成像技术已广泛应用在军事探测和民用监控等领域,如:精确制导武器、前景识别与跟踪、预警、火炮及导弹火控系统、医疗诊断、无损探伤、森林防火预警、矿物资源勘测、卫星天气红外云图分析、海面搜救等。图像分割技术是将图像数据分成各具特性的区域并提取出感兴趣目标的技术和过程,是图像处理任务中基本且关键的技术之一,为后续的分类、区域增强、检测识别等提供依据,具有十分重要的意义。红外成像中目标区域与背景因热辐射不同,形成红外图像目标背景的灰度值差异。
红外图像是前景景物热辐射各向同性传播结果,其表现出的特点为:对比度低,空间相关性强。采用一维灰度直方图分割方法是当前最为经典、应用最为广泛的最大类间方差方法,但其在分割精度较为欠缺。为获取较好的抗噪能力,在提高图像分割精度方面,基于二维灰度直方图在图像较比起一维直方图方法效果更好,但该算法复杂度高、运算量大、涉及参数多。基于区域增长的红外图像分割方法效果较好,但依赖人工对种子点的选取且对阈值敏感。
综上所述可以看出,如何提供一种计算复杂度低,且高效的红外图像分割方法是目前有待解决的问题。
发明内容
本发明的目的是提供一种基于差分信息统计的红外图像分割方法、装置、设备以及计算机可读存储介质,以解决现有红外图像分割算法的前景背景分割精度与计算复杂度难以平衡的问题。
为解决上述技术问题,本发明提供一种基于差分信息统计的红外图像分割方法,包括:S1:计算待分割红外图像各个像元四邻域的像素灰度差值,得到所述各个像元四邻域的差分值;S2:排除所述各个像元四邻域的差分值中小于当前差分阈值的无效差分值,依据所述各个像元四邻域的有效差分值个数,对所述各个像元对应直方图索引项进行累加,得到所述待分割红外图像的二维差分统计直方图;其中,所述当前差分阈值大于所述待分割红外图像的最小灰度值且小于所述待分割红外图像的最大灰度值;S3:利用大津算法分别对所述待分割红外图像的灰度直方图和所述二维差分统计直方图进行背景分割,得到所述灰度直方图的背景区域与所述二维差分统计直方图的背景区域;S4:判断所述二维差分统计直方图的背景区域面积是否小于等于所述灰度直方图的背景区域面积;S5:若所述二维差分统计直方图的背景区域面积大于所述灰度直方图的背景区域面积,则将所述当前差分阈值增加预设大小后,得到更新后的当前差分阈值;S6:循环执行步骤S2至S5,直至所述二维差分统计直方图的背景区域面积小于等于所述灰度直方图的背景区域面积,将所述当前差分阈值设置为目标差分阈值;S7:利用所述目标差分阈值对所述待分割红外图像进行分割,得到所述待分割红外图像的前景区域与背景区域。
优选地,所述利用大津算法分别对所述待分割红外图像的灰度直方图和所述二维差分统计直方图进行背景分割,得到所述灰度直方图的背景区域与所述二维差分统计直方图的背景区域包括:
利用大津算法对所述灰度直方图进行背景分割,得到所述灰度直方图的前景区域与背景区域;
利用大津算法对所述二维差分统计直方图进行背景分割,得到所述二维差分统计直方图的前景区域与背景区域。
优选地,所述利用大津算法对所述灰度直方图进行背景分割,得到所述灰度直方图的前景区域与背景区域包括:
检测所述灰度直方图的低谷点m0i,将所述灰度直方图分割为m0i-1个区间,计算各区间灰度密度矩阵Λ0i;
优选地,所述利用大津算法对所述二维差分统计直方图进行背景分割,得到所述二维差分统计直方图的前景区域与背景区域包括:
检测所述二维差分统计直方图的低谷点mii,将所述二维差分统计直方图分割为mii-1个区间,计算各区间灰度密度矩阵Λi;
优选地,所述判断所述二维差分统计直方图的背景区域面积是否小于等于所述灰度直方图的背景区域面积后包括:
若所述二维差分统计直方图的背景区域面积小于等于所述灰度直方图的背景区域面积,则将所述当前差分阈值设定为所述目标差分阈值;
利用所述目标差分阈值对所述待分割红外图像进行分割,得到所述待分割红外图像的背景区域与前景区域。
本发明还提供了一种基于差分信息统计的红外图像分割装置,包括:
差分信息获取模块,用于计算待分割红外图像各个像元四邻域的像素灰度差值,得到所述各个像元四邻域的差分值;
二维差分统计直方图获取模块,用于排除所述各个像元四邻域的差分值中小于当前差分阈值的无效差分值,依据所述各个像元四邻域的有效差分值个数,对所述各个像元对应直方图索引项进行累加,得到所述待分割红外图像的二维差分统计直方图;其中,所述当前差分阈值大于所述待分割红外图像的最小灰度值且小于所述待分割红外图像的最大灰度值;
背景粗分割模块,用于利用大津算法分别对所述待分割红外图像的灰度直方图和所述二维差分统计直方图进行背景分割,得到所述灰度直方图的背景区域与所述二维差分统计直方图的背景区域;
判断模块,用于判断所述二维差分统计直方图的背景区域面积是否小于等于所述灰度直方图的背景区域面积;
更新模块,用于若所述二维差分统计直方图的背景区域面积大于所述灰度直方图的背景区域面积,则将所述当前差分阈值增加预设大小后,得到更新后的当前差分阈值;
循环模块,用于循环执行所述二维差分统计直方图获取模块、所述背景粗分割模块、所述判断模块与所述更新模块的启动步骤,直至所述二维差分统计直方图的背景区域面积小于等于所述灰度直方图的背景区域面积,将所述当前差分阈值设置为目标差分阈值;
背景精分割模块,用于利用所述目标差分阈值对所述待分割红外图像进行分割,得到所述待分割红外图像的前景区域与背景区域。
优选地,所述背景粗分割模块包括:
灰度直方图分割子模块,引用利用大津算法对所述灰度直方图进行背景分割,得到所述灰度直方图的前景区域与背景区域;
二维差分统计直方图分割子模块,用于利用大津算法对所述二维差分统计直方图进行背景分割,得到所述二维差分统计直方图的前景区域与背景区域。
优选地,所述灰度直方图分割子模块包括:
区间划分单元,用于检测所述灰度直方图的低谷点m0i,将所述灰度直方图分割为m0i-1个区间,计算各区间灰度密度矩阵Λ0i;
本发明还提供了一种基于差分信息统计的红外图像分割设备,包括:
存储器,用于存储计算机程序;处理器,用于执行所述计算机程序时实现上述一种基于差分信息统计的红外图像分割方法的步骤。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述一种基于差分信息统计的红外图像分割方法的步骤。
本发明所提供的基于差分信息统计的红外图像分割方法,可以利用红外图像像元二维差分统计信息,实现红外图像目标背景的分割。首先计算待分割红外图像各个像元四邻域的像素灰度差值,作为所述各个像元四邻域的差分值。获取到所述待分割红外图像的二维差分信息后,进行二维差分信息直方图统计。若直接对所述二维差分信息进行直方图统计存在未结合红外图像场景,不能如实反映场景的二维信息以及红外图像相邻像元灰度值之间空间相关性很强,邻域差分信息值小,也不能反映红外图像目标区域和背景区域的缺陷。因此,本发明提供了一种结合红外图像与二维差分信息的直方图统计方法,首先利用当前差分阈值评估当前像元四邻域差分信息重要性,其次结合当前像元的差分信息进行当前灰度级直方图项累加;遍历整幅图像,计算得到所述待分割红外图像的二维差分统计直方图。所述当前差分阈值的取值范围为所述待分割红外图像的最小灰度值至最大灰度值。利用大津算法分别对所述待分割红外图像的灰度直方图和所述二维差分统计直方图进行背景粗分割。由于差分信息直方图与差分阈值紧密相关,当差分阈值较小时,差分信息中引入很多噪声,不利于红外图像分割;所以应选取较大的差分阈值,但当阈值达到一定数据时,超过红外图像灰度平滑过渡时,将导致分割失败,同样不利于红外图像分割,因此选取合理的差分阈值关系红外图像分割的效果。判断所述二维差分统计直方图的背景区域面积是否小于等于所述灰度直方图的背景区域面积。若所述二维差分统计直方图的背景区域面积大于所述灰度直方图的背景区域面积,则说明所述当前差分阈值过小,将所述当前差分阈值增加预设大小后,得到更新后的当前差分阈值,重新执行上述步骤,直至所述二维差分统计直方图的背景区域面积小于等于所述灰度直方图的背景区域面积,得到最大的差分阈值,以便根据此差分阈值实现所述待分割红外图像的前景和背景分割。
本发明所提供的方法,采用像元相邻的二维差分信息替代传统的灰度直方图统计,有利于将复杂的二维的图像灰度分布信息进行一维表达,使得依据差分信息统计结果分割更加客观、有效;采用原始图像灰度统计直方图指导二维差分信息的获取有利于快速迭代,实现前景与背景的快速有效地分割;结合相邻像元的二维差分信息和一维灰度统计信息,从计算复杂度和分割精度中取得平衡,用较少的复杂度增加提升了前景背景分割精度。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,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为本发明所提供的基于差分信息统计的红外图像分割方法的第一种具体实施例的流程图;
图2为本发明所提供的基于差分信息统计的红外图像分割方法的第二种具体实施例的流程图;
图3为本发明实施例提供的一种基于差分信息统计的红外图像分割装置的结构框图。
具体实施方式
本发明的核心是提供一种基于差分信息统计的红外图像分割方法、装置、设备以及计算机可读存储介质,利用红外像元二维差分信息统计实现红外图像目标背景分割,从计算复杂度和分割精度中取得平衡,用较少的复杂度增加提升前景背景分割精度。
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。显然,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。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。
请参考图1,图1为本发明所提供的基于差分信息统计的红外图像分割方法的第一种具体实施例的流程图;具体操作步骤如下:
步骤S101:计算待分割红外图像各个像元四邻域的像素灰度差值,得到所述各个像元四邻域的差分值;
在本实施例所提供的方法,主要包括待分割红外图像二维差分信息统计和目标分割两个部分。完成所述待分割红外图像分割基础部分为获取所述待分割红外图像I(x,y)二维差分信息。二维差分信息用来表达红外场景的信息,常采用相邻像素或邻域像素差分实现,本实施综合考虑使用和红外二维场景信息表达需求,采用以下四邻域计算差分信息:
采用各个像元上下左右四个方向的邻域像素灰度之差计算各个像元的差分信息。其中,▽r(x,y)为所述待分割红外图像的像元I(x,y)与其左邻域像元I(x+1,y)的像素灰度值之差的绝对值;▽l(x,y)为所述待分割红外图像的像元I(x,y)与其右邻域像元I(x-1,y)的像素灰度值之差的绝对值;▽u(x,y)为所述待分割红外图像的像元I(x,y)与其上邻域像元I(x,y+1)的像素灰度值之差的绝对值;▽d(x,y)为所述待分割红外图像的像元I(x,y)与其上邻域像元I(x,y-1)的像素灰度值之差的绝对值。
步骤S102:排除所述各个像元四邻域的差分值中小于当前差分阈值的无效差分值,依据所述各个像元四邻域的有效差分值个数,对所述各个像元对应直方图索引项进行累加,得到所述待分割红外图像的二维差分统计直方图;其中,所述当前差分阈值大于所述待分割红外图像的最小灰度值且小于所述待分割红外图像的最大灰度值;
在获取二维信息计算后,进行差分信息直方图统计。若直接对差分信息进行直方图统计,存在以下两个缺陷:1、未结合红外图像场景,不能如实反映场景二维信息;2、红外图像相邻像元灰度值之间空间相关性很强,邻域差分信息值小,也不能反映红外图像目标区域和背景区域。因此本实施采用结合红外图像和差分信息的直方图统计方法,首先利用差分阈值评估当前像元四邻域差分信息重要性;其次结合当前像元的差分信息进行当前灰度级直方图项累加;遍历整幅图像完成差分直方图统计。
定义当前差分阈值Td排除过小的差值对直方图统计影响突出重要差分值。其中,Td的取值范围为所述待分割红外图像的最小灰度值至最大灰度值之间Td∈{0,L-1},L-1为所述待分割红外图像的最大灰度值。建立差分信息标准化函数Std(x),对像元与周边四邻域灰度差分信息进行标准化处理,以左侧差分统计为例,即有:
标准化函数中,过大的差分阈值Td将会是图像场景信息丢失,导致红外图像分割失败;过小差分阈值Td将场景噪声都加入二维信息,影响红外图像前景和背景分割。依据原始图像灰度直方图统计实验,将差分阈值Td选取为3-6之间较为合理。
过滤掉像元四邻域的无效差分值后,获取像元差分统计的有效累加值进行直方图统计,即统计图像单个像元四邻域的有效差分值个数。依据有效差分值累计个数进行当前像元灰度值下的直方图索引进行自加,具体实现如下:h(I(x,y))=h(I(x,y))+||▽d||1;其中,h(I(x,y))为像元I(x,y)的二维差分信息||▽d||1与当前像元灰度级直方图项h(I(x,y))累加得到的二维差分统计直方图项。
利用用上述方法,对所述待分割红外图像进行遍历,计算所述待分割红外图像的二维差分统计直方图:HD={h(x)|0≤x≤L-1}。
步骤S103:利用大津算法分别对所述待分割红外图像的灰度直方图和所述二维差分统计直方图进行背景分割,得到所述灰度直方图的背景区域与所述二维差分统计直方图的背景区域;
通过对红外图像的灰度直方图和二维差分统计直方图进行比对,可以看出所述二维差分统计直方图中,平滑的背景区域在差分信息直方图占据比例较小,因此可结合所述二维差分信息直方图和所述灰度直方图确定最优的差分阈值,以实现红外图像目标背景区域分割。
利用大津算法(OTSU)对直方图分割的步骤如下所述:
a)检测直方图的低谷点mi,将直方图分割为mi-1个区间;定义表示区域灰度密度的矩阵Λ,各区间灰度密度矩阵为:
b)依据大津算法建立优化方程,利用所述优化方程获取所述各区间灰度密度矩阵中标准差最大的灰度密度矩阵,作为灰度密度矩阵阈值Λ*。所述优化方程如下所示:
依据直方图对红外图像进行粗分割,因所述灰度直方图与所述差分信息直方图含义不一致,分别进行分割。
其中,[m0i,m0(i+1)]为灰度直方图区间,foreground0与background0分别为所述灰度直方图前景和背景。
其中,[mii,mi(i+1)]为相应计算区间,foregroundi与backgroundi分别为所述二维差分统计直方图的前景和背景。由于差分信息的统计取决于差分阈值Td,所以阈值的下标对应差分阈值Td。
步骤S104:判断所述二维差分统计直方图的背景区域面积是否小于等于所述灰度直方图的背景区域面积;
步骤S105:若所述二维差分统计直方图的背景区域面积大于所述灰度直方图的背景区域面积,则将所述当前差分阈值增加预设大小后,得到更新后的当前差分阈值;
步骤S106:循环执行步骤S102至S105,直至所述二维差分统计直方图的背景区域面积小于等于所述灰度直方图的背景区域面积,将所述当前差分阈值设置为目标差分阈值;
步骤S107:利用所述目标差分阈值对所述待分割红外图像进行分割,得到所述待分割红外图像的前景区域与背景区域。
由于所述二维差分统计直方图与差分阈值紧密相关,当差分阈值较小时,差分信息中引入很多噪声,不利于红外图像分割;所以应选取较大的差分阈值,但当阈值达到一定数据时,超过红外图像灰度平滑过渡时,将导致分割失败,同样不利于红外图像分割,因此选取合理的差分阈值关系红外图像分割的精度,为此建立如下优化方程:
即使依据所述二维差分统计直方图分割的背景区域面积不大于以及所述灰度直方图分割的背景区域面积时,获取最大的差分阈值为Td。
本实施例提供的基于差分信息统计的红外图像分割方法,针对当前红外图像目标背景分割的缺陷,利用红外像元二维差分信息统计,实现红外图像目标背景分割。对于所述待分割红外图像I(x,y),遍历各个像元,计算像元与周边四邻域像元差值,获取代表场景二维信息的差分信息。设定差分阈值Td,建立差分信息标准化函数Std(x),统计各像元的代表二维场景的标准化数值,若统计的值大于0则对当前的灰度所在项进行统计个数累加,完成所述二维差分统计直方图HD统计。统计所述待分割红外图像I(x,y)的灰度直方图,之后利用大津算法对所述灰度直方图和所述二维差分统计直方图进行粗分割,用表示区域灰度密度的矩阵Λ进行直方图各区域特征表达,通过优化方程得到灰度密度的矩阵阈值Λ*,进行所述待分割红外图像前景和背景粗分割。利用最优差分阈值对差分信息表示的敏感性对所述待分割红外图像背景区域进行精分割,最终实现所述待分割红外图像前景目标与背景分割。
本实施例所提供的方法,采用像元相邻的二维差分信息替代传统的灰度直方图统计,有利于将复杂的二维的图像灰度分布信息进行一维表达,使得依据差分信息统计结果分割更加客观、有效;采用原始图像灰度统计直方图指导二维差分信息的获取有利于快速迭代,实现前景与背景的快速有效地分割;结合相邻像元的二维差分信息和一维灰度统计信息,从计算复杂度和分割精度中取得平衡,用较少的复杂度增加提升前景背景分割精度。
请参考图2,图2为本发明所提供的基于差分信息统计的红外图像分割方法的第二种具体实施例的流程图;具体操作步骤如下:
步骤S201:计算待分割红外图像各个像元四邻域的像素灰度差值,得到所述各个像元四邻域的差分值;
步骤S202:排除所述各个像元四邻域的差分值中小于当前差分阈值的无效差分值,依据所述各个像元四邻域的有效差分值个数,对所述各个像元对应直方图索引项进行累加,得到所述待分割红外图像的二维差分统计直方图;
步骤S203:利用大津算法对所述待分割红外图像的灰度直方图进行背景分割,得到所述灰度直方图的前景区域与背景区域;
利用大津算法对所述灰度直方图进行分割的步骤如下:检测所述灰度直方图的低谷点m0i,将所述灰度直方图分割为m0i-1个区间,计算各区间灰度密度矩阵Λ0i;依据大津算法建立目标优化方程,利用所述目标优化方程获取所述各区间灰度密度矩阵Λ0i中标准差最大的灰度密度矩阵,作为灰度密度矩阵阈值若当前区间灰度密度矩阵大于所述灰度密度矩阵阈值则判定当前区间为所述灰度直方图的背景区域;若所述当前区间灰度密度矩阵小于等于所述灰度密度矩阵阈值则判定所述当前区间为所述灰度直方图的前景区域。
步骤S204:利用大津算法对所述二维差分统计直方图进行背景分割,得到所述二维差分统计直方图的前景区域与背景区域;
利用大津算法对所述二维差分统计直方图进行分割的步骤如下:检测所述二维差分统计直方图的低谷点mii,将所述二维差分统计直方图分割为mii-1个区间,计算各区间灰度密度矩阵Λi;依据大津算法建立目标优化方程,利用所述目标优化方程获取所述各区间灰度密度矩阵Λi中标准差最大的灰度密度矩阵,作为灰度密度矩阵阈值若当前区间灰度密度矩阵大于所述灰度密度矩阵阈值则判定当前区间为所述二维差分统计直方图的前景区域;若所述当前区间灰度密度矩阵小于等于所述灰度密度矩阵阈值则判定所述当前区间为所述二维差分统计直方图的背景区域。
步骤S205:判断所述二维差分统计直方图的背景区域面积是否小于等于所述灰度直方图的背景区域面积;
步骤S206:若所述二维差分统计直方图的背景区域面积小于等于所述灰度直方图的背景区域面积,则将所述当前差分阈值设定为所述目标差分阈值;
步骤S207:利用所述目标差分阈值对所述待分割红外图像进行分割,得到所述待分割红外图像的背景区域与前景区域。
传统的红外图像分割方法多基于灰度直方图统计和选取种子的区域生长,缺乏对红外图像对比度低、像元灰度值空间相关性强等特点的关注,导致前景背景分割精度与计算复杂度难以平衡,而本发明实施例从红外图像特点出发,利用统计的二维差分信息提出一种计算复杂度低,高效的前景背景分割方法。
请参考图3,图3为本发明实施例提供的一种基于差分信息统计的红外图像分割装置的结构框图;具体装置可以包括:
差分信息获取模块100,用于计算待分割红外图像各个像元四邻域的像素灰度差值,得到所述各个像元四邻域的差分值;
二维差分统计直方图获取模块200,用于排除所述各个像元四邻域的差分值中小于当前差分阈值的无效差分值,依据所述各个像元四邻域的有效差分值个数,对所述各个像元对应直方图索引项进行累加,得到所述待分割红外图像的二维差分统计直方图;其中,所述当前差分阈值大于所述待分割红外图像的最小灰度值且小于所述待分割红外图像的最大灰度值;
背景粗分割模块300,用于利用大津算法分别对所述待分割红外图像的灰度直方图和所述二维差分统计直方图进行背景分割,得到所述灰度直方图的背景区域与所述二维差分统计直方图的背景区域;
判断模块400,用于判断所述二维差分统计直方图的背景区域面积是否小于等于所述灰度直方图的背景区域面积;
更新模块500,用于若所述二维差分统计直方图的背景区域面积大于所述灰度直方图的背景区域面积,则将所述当前差分阈值增加预设大小后,得到更新后的当前差分阈值;
循环模块600,用于循环执行所述二维差分统计直方图获取模块、所述背景粗分割模块、所述判断模块与所述更新模块的启动步骤,直至所述二维差分统计直方图的背景区域面积小于等于所述灰度直方图的背景区域面积,将所述当前差分阈值设置为目标差分阈值;
背景精分割模块700,用于利用所述目标差分阈值对所述待分割红外图像进行分割,得到所述待分割红外图像的前景区域与背景区域。
本实施例的基于差分信息统计的红外图像分割装置用于实现前述的基于差分信息统计的红外图像分割方法,因此基于差分信息统计的红外图像分割装置中的具体实施方式可见前文中的基于差分信息统计的红外图像分割方法的实施例部分,例如,差分信息获取模块100,二维差分统计直方图获取模块200,背景粗分割模块300,判断模块400,更新模块500,循环模块600,背景精分割模块700,分别用于实现上述基于差分信息统计的红外图像分割方法中步骤S101,S102,S103,S104,S105,S106和S107所以,其具体实施方式可以参照相应的各个部分实施例的描述,在此不再赘述。
本发明具体实施例还提供了一种基于差分信息统计的红外图像分割设备,包括:存储器,用于存储计算机程序;处理器,用于执行所述计算机程序时实现上述一种基于差分信息统计的红外图像分割方法的步骤。
本发明具体实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述一种基于差分信息统计的红外图像分割方法的步骤。
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它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,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。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的基于差分信息统计的红外图像分割方法、装置、设备以及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本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。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (8)
1.一种基于差分信息统计的红外图像分割方法,其特征在于,包括:
S1:计算待分割红外图像各个像元四邻域的像素灰度差值,得到所述各个像元四邻域的差分值;
S2:排除所述各个像元四邻域的差分值中小于当前差分阈值的无效差分值,依据所述各个像元四邻域的有效差分值个数,对所述各个像元对应直方图索引项进行累加,得到所述待分割红外图像的二维差分统计直方图;其中,所述当前差分阈值大于所述待分割红外图像的最小灰度值且小于所述待分割红外图像的最大灰度值;
S3:利用大津算法分别对所述待分割红外图像的灰度直方图和所述二维差分统计直方图进行背景分割,得到所述灰度直方图的背景区域与所述二维差分统计直方图的背景区域;
S4:判断所述二维差分统计直方图的背景区域面积是否小于等于所述灰度直方图的背景区域面积;
S5:若所述二维差分统计直方图的背景区域面积大于所述灰度直方图的背景区域面积,则将所述当前差分阈值增加预设大小后,得到更新后的当前差分阈值;
S6:循环执行步骤S2至S5,直至所述二维差分统计直方图的背景区域面积小于等于所述灰度直方图的背景区域面积,将所述当前差分阈值设置为目标差分阈值;
S7:利用所述目标差分阈值对所述待分割红外图像进行分割,得到所述待分割红外图像的前景区域与背景区域;
其中,所述利用大津算法分别对所述待分割红外图像的灰度直方图和所述二维差分统计直方图进行背景分割,得到所述灰度直方图的背景区域与所述二维差分统计直方图的背景区域包括:利用大津算法对所述灰度直方图进行背景分割,得到所述灰度直方图的前景区域与背景区域;利用大津算法对所述二维差分统计直方图进行背景分割,得到所述二维差分统计直方图的前景区域与背景区域。
3.如权利要求1所述的方法,其特征在于,所述利用大津算法对所述二维差分统计直方图进行背景分割,得到所述二维差分统计直方图的前景区域与背景区域包括:
检测所述二维差分统计直方图的低谷点mii,将所述二维差分统计直方图分割为mii-1个区间,计算各区间灰度密度矩阵Λi;
4.如权利要求1所述的方法,其特征在于,所述判断所述二维差分统计直方图的背景区域面积是否小于等于所述灰度直方图的背景区域面积后包括:
若所述二维差分统计直方图的背景区域面积小于等于所述灰度直方图的背景区域面积,则将所述当前差分阈值设定为所述目标差分阈值;
利用所述目标差分阈值对所述待分割红外图像进行分割,得到所述待分割红外图像的背景区域与前景区域。
5.一种基于差分信息统计的红外图像分割装置,其特征在于,包括:
差分信息获取模块,用于计算待分割红外图像各个像元四邻域的像素灰度差值,得到所述各个像元四邻域的差分值;
二维差分统计直方图获取模块,用于排除所述各个像元四邻域的差分值中小于当前差分阈值的无效差分值,依据所述各个像元四邻域的有效差分值个数,对所述各个像元对应直方图索引项进行累加,得到所述待分割红外图像的二维差分统计直方图;其中,所述当前差分阈值大于所述待分割红外图像的最小灰度值且小于所述待分割红外图像的最大灰度值;
背景粗分割模块,用于利用大津算法分别对所述待分割红外图像的灰度直方图和所述二维差分统计直方图进行背景分割,得到所述灰度直方图的背景区域与所述二维差分统计直方图的背景区域;
判断模块,用于判断所述二维差分统计直方图的背景区域面积是否小于等于所述灰度直方图的背景区域面积;
更新模块,用于若所述二维差分统计直方图的背景区域面积大于所述灰度直方图的背景区域面积,则将所述当前差分阈值增加预设大小后,得到更新后的当前差分阈值;
循环模块,用于循环执行所述二维差分统计直方图获取模块、所述背景粗分割模块、所述判断模块与所述更新模块的启动步骤,直至所述二维差分统计直方图的背景区域面积小于等于所述灰度直方图的背景区域面积,将所述当前差分阈值设置为目标差分阈值;
背景精分割模块,用于利用所述目标差分阈值对所述待分割红外图像进行分割,得到所述待分割红外图像的前景区域与背景区域;
其中,所述背景粗分割模块包括:灰度直方图分割子模块,引用利用大津算法对所述灰度直方图进行背景分割,得到所述灰度直方图的前景区域与背景区域;二维差分统计直方图分割子模块,用于利用大津算法对所述二维差分统计直方图进行背景分割,得到所述二维差分统计直方图的前景区域与背景区域。
7.一种基于差分信息统计的红外图像分割设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至4任一项所述一种基于差分信息统计的红外图像分割方法的步骤。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述一种基于差分信息统计的红外图像分割方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911398254.2A CN111062954B (zh) | 2019-12-30 | 2019-12-30 | 一种基于差分信息统计的红外图像分割方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911398254.2A CN111062954B (zh) | 2019-12-30 | 2019-12-30 | 一种基于差分信息统计的红外图像分割方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111062954A CN111062954A (zh) | 2020-04-24 |
CN111062954B true CN111062954B (zh) | 2022-07-08 |
Family
ID=70305088
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911398254.2A Active CN111062954B (zh) | 2019-12-30 | 2019-12-30 | 一种基于差分信息统计的红外图像分割方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111062954B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113393395B (zh) * | 2021-06-17 | 2023-10-31 | 西安应用光学研究所 | 一种高动态红外图像分割阈值自适应计算方法 |
CN114544004A (zh) * | 2022-02-25 | 2022-05-27 | 浙江天铂云科光电股份有限公司 | 一种用于红外热像仪的自动聚焦方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4999614A (en) * | 1987-11-26 | 1991-03-12 | Fujitsu Limited | Monitoring system using infrared image processing |
CN101826210A (zh) * | 2010-04-28 | 2010-09-08 | 南京航空航天大学 | 一种两步法红外诱导标志提取算法 |
CN105608688A (zh) * | 2014-11-07 | 2016-05-25 | 李福霞 | 一种多目标图像分解处理方法 |
CN106709928A (zh) * | 2016-12-22 | 2017-05-24 | 湖北工业大学 | 一种快速的含噪图像二维最大类间方差阈值法 |
CN107292902A (zh) * | 2017-07-07 | 2017-10-24 | 国家电网公司 | 一种结合果蝇优化算法的二维Otsu图像分割方法 |
CN108154087A (zh) * | 2017-12-08 | 2018-06-12 | 北京航天计量测试技术研究所 | 一种基于特征匹配的红外人体目标检测跟踪方法 |
CN108665487A (zh) * | 2017-10-17 | 2018-10-16 | 国网河南省电力公司郑州供电公司 | 基于红外和可见光融合的变电站作业对象和目标定位方法 |
CN109035166A (zh) * | 2018-07-16 | 2018-12-18 | 国网四川省电力公司巴中供电公司 | 基于非下采样剪切波变换的电气设备红外图像增强方法 |
CN109345472A (zh) * | 2018-09-11 | 2019-02-15 | 重庆大学 | 一种复杂场景的红外运动小目标检测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10157958B4 (de) * | 2000-11-29 | 2012-11-15 | Omron Corp. | Bildverarbeitungsverfahren und-vorrichtung |
US20030123704A1 (en) * | 2001-05-30 | 2003-07-03 | Eaton Corporation | Motion-based image segmentor for occupant tracking |
CN103487729B (zh) * | 2013-09-06 | 2016-04-27 | 广东电网公司电力科学研究院 | 基于紫外视频与红外视频融合的电力设备缺陷检测方法 |
CN107369159B (zh) * | 2017-06-29 | 2020-04-24 | 大连理工大学 | 基于多因素二维灰度直方图的阈值分割方法 |
CN109461148A (zh) * | 2018-10-30 | 2019-03-12 | 兰州交通大学 | 基于二维Otsu的钢轨缺陷分割自适应快速算法 |
CN110163857B (zh) * | 2019-05-24 | 2022-03-04 | 上海联影医疗科技股份有限公司 | 图像背景区域的检测方法、装置、存储介质及x射线系统 |
-
2019
- 2019-12-30 CN CN201911398254.2A patent/CN111062954B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4999614A (en) * | 1987-11-26 | 1991-03-12 | Fujitsu Limited | Monitoring system using infrared image processing |
CN101826210A (zh) * | 2010-04-28 | 2010-09-08 | 南京航空航天大学 | 一种两步法红外诱导标志提取算法 |
CN105608688A (zh) * | 2014-11-07 | 2016-05-25 | 李福霞 | 一种多目标图像分解处理方法 |
CN106709928A (zh) * | 2016-12-22 | 2017-05-24 | 湖北工业大学 | 一种快速的含噪图像二维最大类间方差阈值法 |
CN107292902A (zh) * | 2017-07-07 | 2017-10-24 | 国家电网公司 | 一种结合果蝇优化算法的二维Otsu图像分割方法 |
CN108665487A (zh) * | 2017-10-17 | 2018-10-16 | 国网河南省电力公司郑州供电公司 | 基于红外和可见光融合的变电站作业对象和目标定位方法 |
CN108154087A (zh) * | 2017-12-08 | 2018-06-12 | 北京航天计量测试技术研究所 | 一种基于特征匹配的红外人体目标检测跟踪方法 |
CN109035166A (zh) * | 2018-07-16 | 2018-12-18 | 国网四川省电力公司巴中供电公司 | 基于非下采样剪切波变换的电气设备红外图像增强方法 |
CN109345472A (zh) * | 2018-09-11 | 2019-02-15 | 重庆大学 | 一种复杂场景的红外运动小目标检测方法 |
Non-Patent Citations (2)
Title |
---|
Detection of moving people with mobile cameras by fast motion segmentation;Yu Zheng等;《IEEE》;20131101;第1-6页 * |
改进的二维Otsu算法在SF6压力表盘图像分割中的研究;张长胜等;《传感器与微系统》;20170705;第8-11页,第15页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111062954A (zh) | 2020-04-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bui et al. | Single image dehazing using color ellipsoid prior | |
CN110287932B (zh) | 基于深度学习图像语义分割的道路阻断信息提取方法 | |
US8290248B2 (en) | Determining disparity search range in stereo videos | |
CN108549874B (zh) | 一种目标检测方法、设备及计算机可读存储介质 | |
US7430303B2 (en) | Target detection method and system | |
CN109934815B (zh) | 一种结合atv约束的张量恢复红外弱小目标检测方法 | |
CN110309781B (zh) | 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法 | |
KR100772506B1 (ko) | 영상처리를 이용한 지질재료 분류 방법 및 그 장치 | |
Khazai et al. | An approach for subpixel anomaly detection in hyperspectral images | |
US10452922B2 (en) | IR or thermal image enhancement method based on background information for video analysis | |
CN109447073B (zh) | 一种基于张量鲁棒主成分分析的红外弱小目标检测方法 | |
Fan et al. | A novel automatic dam crack detection algorithm based on local-global clustering | |
CN111062954B (zh) | 一种基于差分信息统计的红外图像分割方法、装置及设备 | |
CN107274410B (zh) | 自适应的人造目标恒虚警率检测方法 | |
CN103065320A (zh) | 基于恒虚警阈值的sar图像变化检测方法 | |
CN113822279B (zh) | 基于多特征融合的红外目标检测方法、装置、设备及介质 | |
CN111179245B (zh) | 图像质量检测方法、装置、电子设备和存储介质 | |
CN106778822B (zh) | 基于漏斗变换的图像直线检测方法 | |
Zeng et al. | Detecting and measuring fine roots in minirhizotron images using matched filtering and local entropy thresholding | |
CN110728311A (zh) | 一种图像处理方法、装置和存储介质 | |
Li et al. | Effects of image fusion algorithms on classification accuracy | |
CN113963178A (zh) | 地空背景下红外弱小目标检测方法、装置、设备及介质 | |
CN113962900A (zh) | 复杂背景下红外弱小目标检测方法、装置、设备及介质 | |
Koneru et al. | Detection and enumeration of trees using cartosat2 high resolution satellite imagery | |
Sheng et al. | Dark channel prior-based altitude extraction method for a single mountain remote sensing image |
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 |