CN111462225B - 一种红外光斑图像的质心识别定位方法 - Google Patents

一种红外光斑图像的质心识别定位方法 Download PDF

Info

Publication number
CN111462225B
CN111462225B CN202010244094.2A CN202010244094A CN111462225B CN 111462225 B CN111462225 B CN 111462225B CN 202010244094 A CN202010244094 A CN 202010244094A CN 111462225 B CN111462225 B CN 111462225B
Authority
CN
China
Prior art keywords
image
gray
value
light spot
region
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
Application number
CN202010244094.2A
Other languages
English (en)
Other versions
CN111462225A (zh
Inventor
郑兴
王敬辉
唐稳
朱萌
吴景彬
刘子骥
赵嘉学
蒋亚东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202010244094.2A priority Critical patent/CN111462225B/zh
Publication of CN111462225A publication Critical patent/CN111462225A/zh
Application granted granted Critical
Publication of CN111462225B publication Critical patent/CN111462225B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20004—Adaptive image processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种红外光斑图像的质心识别定位方法，包括：将需要进行识别定位红外光斑质心区域的图像作为感兴趣区域图像；对感兴趣区域图像进行深度转换和灰度线性拉伸生成预处理图像；对预处理图像进行自适应阈值计算，获取预处理图像的二值化阈值；将预处理图像二值化，并根据轮廓跟踪算法找出区域内物体轮廓，选取最大轮廓点集作为光斑轮廓；根据光斑轮廓对红外光斑质心定位。本发明一种红外光斑图像的质心识别定位方法，使用自适应阈值法获得的二值化阈值随图像特征变换而变化，能更好的提取物体轮廓信息，适应性更强，抗噪声能力较强。选设的轮廓跟踪算法并选取最大轮廓点集作为光斑轮廓的方法，能较好的确定光斑轮廓，速度更快。

Description

一种红外光斑图像的质心识别定位方法
技术领域
本发明涉及红外图像分析领域及红外成像设备性能参数测试领域，具体涉及一种红外光斑图像的质心识别定位方法。
背景技术
红外成像设备作为一种夜视设备与温度分布检测设备广泛的应用与民用与军事领域，其性能参数的测试要求随着红外成像技术的发展也越来越高。高精度的光斑图像质心定位技术可有效的提高测试精度，特别是在安装基准偏轴度、光轴一致性、零位走动量的测试中。同时红外在物体检测、安防监控等中的应用，对红外成像设备的实时性及目标检测能力有了更高的要求，所以需要实时性与目标检测能力很好均衡的图像算法。
红外光斑图像识别定位的影响因素主要来源于：1、由于红外波段较可见光波长更长，所传输过程中的大气传输特性、还有红外成像设备内的杂散光、衍射影响更为明显；2、红外辐射与物体温度密切相关，所以红外成像具有高背景的图像特征，且成像受到设备自身温度场分布影响；3、由于设备元件如红外光敏单元的特性、设备的封装、加工工艺等造成的固有误差；4、信号读出电路特性，成像设备的装调误差、测试设备等造成的误差。
因此红外成像设备输出信号受空间噪声和时间噪声的影响较大，采用普通的质心算法处理红外成像设备输出数据所得到的光斑质心二维空间坐标,随所采集处理区域和时间域的不同，坐标变化很大，已超出测试参数的基本标准要求，而复杂的高精度的质心算法又不得不考虑计算的时间及存储代价，往往也不满足测试需求。由于红外成像的应用领域所以通常需要很高的安装精度及光轴精度，还需要满足抗振动抗冲击等要求。因此红外成像时光斑图像的质心识别定位技术可以很好的为红外成像设备性能测试、红外定位等领域提供高精度低耗时的质心识别定位服务。
发明内容
本发明所要解决的技术问题是克服了现有算法识别定位红外光斑图像质心精度的不足而复杂的质心定位识别算法时间存储代价大的问题，设计提供了一种快速亚像素精度级的光斑图像质心识别定位方法。能满足红外成像时高噪声、高背景的使用条件，非常适用于红外性能测试领域，且方便实用扩延性强，可扩展到多光斑探测，极大的方便了红外光斑质心识别定位的处理和增强了质心识别定位在红外领域的易用性。
本发明通过下述技术方案实现：
一种红外光斑图像的质心识别定位方法，包括以下步骤：
S1：将需要进行识别定位红外光斑质心区域的图像作为感兴趣区域图像；
S2：根据所述感兴趣区域图像的图像特征对所述感兴趣区域图像进行深度转换和灰度线性拉伸生成预处理图像；
S3：对所述预处理图像进行自适应阈值计算，获取所述预处理图像的二值化阈值；
S4：将所述预处理图像二值化，并根据轮廓跟踪算法找出轮廓，选取最大轮廓点集作为光斑轮廓；
S5：根据所述光斑轮廓对红外光斑质心定位。
本发明应用时，采用了不同于以往技术的光斑分割方式，首先提取感兴趣区域图像，优选的选择包含完整光斑的最小感兴趣区域，开始采集计算；然后进行深度转换和灰度线性拉伸，因红外设备输出图像位深度、输出图像特征等可能不同，先对图像进行位深度转换，转换成成像领域通用的8位深度，再对采集处理后的图像进行灰度拉伸，优选的线性压缩高、低区域灰度值，线性拉伸中间部分灰度值，后续计算处理或结果中发现图像光斑轮廓信息降低或结果精度不足，则可更改灰度拉伸范围，满足要求则继续进行下一步骤；然后进行自适应阈值计算，根据图像选定区域内灰度值分布，计算选定区域图像自适应阈值，自适应阈值可以更好的保存物体边缘信息；再然后通过二值化阈值来二值化图像，在二值化图像中根据轮廓跟踪算法识别轮廓，并选取最大轮廓点集作为光斑轮廓，最后计算包含光斑轮廓的切边矩形，映射回原始图像对应位置，原始图像中在切边矩形内用质心算法计算光斑质心。
进一步的，步骤S2包括以下子步骤：
S21：根据所述感兴趣区域图像中红外设备输出图像的图像位深度和输出图像特征对所述感兴趣区域图像进行深度转换，将所述感兴趣区域图像转换为8位深度；
S22：对深度转换后的所述感兴趣区域图像进行灰度线性拉伸。
进一步的，步骤S22包括以下子步骤：
设定灰度阈值Lmin和灰度阈值Lmax；
对所述感兴趣区域图像中灰度值小于Lmin或灰度值大于Lmax的像素进行灰度的线性压缩；
对所述感兴趣区域图像中灰度值大于Lmin且灰度值小于Lmax的像素进行灰度的线性拉伸。
进一步的，步骤S3包括以下子步骤：
S31：选取阈值灰度值T；一个阈值灰度值T对应一个灰度级；
S32：根据所述阈值灰度值T将所述预处理图像中的像素分为背景B和物体O；
其中背景B为灰度值低于所述阈值灰度值T的像素，物体O为灰度值高于所述阈值灰度值T的像素；
S33：获取背景B中每一个灰度级在背景B中的概率作为背景概率数据Bl；获取物体O中每一个灰度级在物体O中的概率作为物体概率数据Ol；
S34：根据所述背景概率数据Bl获取背景B中的信息熵HB，并根据所述物体概率数据Ol获取物体O中的信息熵HO；
S35：将HB与HO之和为最大时的阈值灰度值T作为所述二值化阈值。
进一步的，根据下式获取背景概率数据Bl：
Figure BDA0002433500980000031
式中pl为背景B中灰度值为l的像点数，Bl为背景B中对应灰度值所占概率；
据下式获取物体概率数据Ol：
Figure BDA0002433500980000032
式中p′l为物体O中灰度值为l的像点数，Ol为物体O中对应灰度值所占概率。
进一步的，根据下式获取背景B中的信息熵HB：
Figure BDA0002433500980000033
式中
Figure BDA0002433500980000034
为背景B中的像点数，pl为背景B中灰度值为l的像点数；
根据下式获取物体O中的信息熵HO：
Figure BDA0002433500980000035
式中
Figure BDA0002433500980000036
为物体O中的像点数，p′l为物体O中灰度值为l的像点数。
进一步的，二值化图像内轮廓跟踪与光斑轮廓的确定步骤S4包括以下子步骤：
S41：扫描二值化图像，如从图像左上角开始逐行扫描，依据边界点确定规则，即在图像中像素值为1(指二值化图像亮像素点)的连通域A内，任一灰度值为1的像素点a其四连通域内只要存在灰度值为0的像素(指二值化图像暗像素点)，则将该像素点a标记为连通域A的边界点，并统计连通域A的边界点数，后跳过该连通域继续扫描，直到扫描结束；
S42：扫描完整幅图像即可得到区域内物体轮廓与物体轮廓点集数，选取轮廓最大点集作为光斑轮廓。
步骤S5包括以下子步骤：
S51：获取包含光斑轮廓的切边矩形；
S52：将所述切边矩形大小不变的映射至原始图像中生成矩形区域；
S53：在原始图像中对所述矩形区域进行质心定位计算。
进一步的，步骤S53中采用下式对所述矩形区域进行质心定位计算：
Figure BDA0002433500980000041
Figure BDA0002433500980000042
式中，mmin为所述矩形区域的行位置最小值，mmax为所述矩形区域的行位置最大值，nmin为所述矩形区域的列位置最小值，nmax为所述矩形区域的列位置最大值，Iij为所述矩形区域内像素点的灰度值，i为像素点的行位置，j为像素点的列位置，xc为光斑质心的行坐标，yc为光斑质心的列坐标。
进一步的，还包括以下步骤：
S6：当精度不足和/或随机噪声过大时，采集多帧图像进行平均后作为感兴趣区域图像并执行S1～S5。
本发明与现有技术相比，具有如下的优点和有益效果：
1、本发明一种红外光斑图像的质心识别定位方法，使用自适应阈值法获得的阈值随图像特征变换而变化，能更好的提取光斑轮廓，适应性更强。选取最大轮廓点集能较好的确定光斑轮廓，抗噪声能力较强；
2、本发明一种红外光斑图像的质心识别定位方法，对图像进行灰度拉伸可以更好的获取目标轮廓，适应红外高背景的使用条件；
3、本发明一种红外光斑图像的质心识别定位方法，算法计算速度很快，精度在亚像素级，实用性强，实际需要中可以很好的扩展成对多光斑图像质心识别检测。在红外性能测试中具有很高的实用价值，在红外目标识别定位中具有广阔的应用前景。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本发明结构示意图；
图2为本发明逻辑流程图；
图3为本发明质心定位示意图；
图4为本发明实施例中图像样本示意图；
图5为本发明实施例中最大熵阈值分割结果示意图；
图6为本发明实施例中迭代阈值分割结果示意图；
图7为本发明实施例中Otsu阈值分割结果示意图；
图8为本发明实施例中基于均值的自适应阈值分割结果示意图；
图9为本发明实施例中基于高斯加权和的自适应阈值分割结果示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例
如图1和图3所示，本发明一种红外光斑图像的质心识别定位方法，包括以下步骤：
S1：将需要进行识别定位红外光斑质心区域的图像作为感兴趣区域图像；
S2：根据所述感兴趣区域图像的图像特征对所述感兴趣区域图像进行深度转换和灰度线性拉伸生成预处理图像；
S3：对所述预处理图像进行自适应阈值计算，获取所述预处理图像的二值化阈值；
S4：根据所述二值化阈值将预处理图像二值化，并根据轮廓跟踪算法找出轮廓，选取最大轮廓点集作为光斑轮廓；
S5：根据所述光斑轮廓对红外光斑质心定位。
本实施例实施时，采用了不同于以往技术的光斑分割方式，首先提取感兴趣区域图像，优选的选择包含完整光斑的最小感兴趣区域，开始采集计算；然后进行深度转换和灰度线性拉伸，因红外设备输出图像位深度、输出图像特征等可能不同，先对图像进行位深度转换，转换成成像领域通用的8位深度，再对采集处理后的图像进行灰度拉伸，优选的线性压缩高、低区域灰度值，线性拉伸中间部分灰度值，后续计算处理或结果中发现图像光斑轮廓信息降低或结果精度不足，则可更改灰度拉伸范围，满足要求则继续进行下一步骤；然后进行自适应阈值计算，根据图像选定区域内灰度值分布，计算选定区域图像自适应阈值，自适应阈值可以更好的保存物体边缘信息；
再然后通过二值化阈值二值化图像，在二值化图像中根据轮廓跟踪算法识别确定轮廓，并选取最大轮廓点集作为光斑轮廓来进行光斑轮廓选择，根据预处理图像二值化图像的特征，轮廓跟踪算法只识别像素值为1的连通域最外围的边界，并在处理当中标识和统计轮廓点，以此可以更快的处理跟踪轮廓并选取确定光斑轮廓。最后计算包含光斑轮廓的切边矩形，映射回原始图像对应位置，原始图像中在切边矩形内用质心算法计算光斑质心。
为了进一步的说明本实施例的工作过程，步骤S2包括以下子步骤：
S21：根据所述感兴趣区域图像中红外设备输出图像的图像位深度和输出图像特征对所述感兴趣区域图像进行深度转换，将所述感兴趣区域图像转换为8位深度；
S22：对深度转换后的所述感兴趣区域图像进行灰度线性拉伸。
为了进一步的说明本实施例的工作过程，步骤S22包括以下子步骤：
设定灰度阈值Lmin和灰度阈值Lmax；
对所述感兴趣区域图像中灰度值小于Lmin或灰度值大于Lmax的像素进行灰度的线性压缩；
对所述感兴趣区域图像中灰度值大于Lmin且灰度值小于Lmax的像素进行灰度的线性拉伸。
为了进一步的说明本实施例的工作过程，步骤S3包括以下子步骤：
S31：选取阈值灰度值T；一个阈值灰度值T对应一个灰度级；
S32：根据所述阈值灰度值T将所述预处理图像中的像素分为背景B和物体O；
其中背景B为灰度值低于所述阈值灰度值T的像素，物体O为灰度值高于所述阈值灰度值T的像素；
S33：获取背景B中每一个灰度级在背景B中的概率作为背景概率数据Bl；获取物体O中每一个灰度级在物体O中的概率作为物体概率数据Ol；
S34：根据所述背景概率数据Bl获取背景B中的信息熵HB，并根据所述物体概率数据Ol获取物体O中的信息熵HO；
S35：将HB与HO之和为最大时的阈值灰度值T作为所述二值化阈值。
为了进一步的说明本实施例的工作过程，根据下式获取背景概率数据Bl：
Figure BDA0002433500980000061
式中pl为背景B中灰度值为l的像点数，Bl为背景B中对应灰度值所占概率；
据下式获取物体概率数据Ol：
Figure BDA0002433500980000062
式中p′l为物体O中灰度值为l的像点数，Ol为物体O中对应灰度值所占概率。
进一步的，根据下式获取背景B中的信息熵HB：
Figure BDA0002433500980000063
式中
Figure BDA0002433500980000064
为背景B中的像点数，pl为背景B中灰度值为l的像点数；
根据下式获取物体O中的信息熵HO：
Figure BDA0002433500980000065
式中
Figure BDA0002433500980000066
为物体O中的像点数，p′l为物体O中灰度值为l的像点数。
为了进一步的说明本实施例的工作过程，步骤S4包括以下子步骤：
S41：扫描二值化图像，如从图像左上角开始逐行扫描，依据边界点确定规则，即在图像中像素值为1的连通域A内，任意灰度值为1的像素点a其四连通域内只要存在灰度值为0的像素，则将该像素点a标记为连通域A的边界点，并统计连通域A的边界点数，后跳过该连通域继续扫描，直到扫描结束；
S42：扫描完整幅图像即可得到区域内物体轮廓与物体轮廓点集数，选取轮廓最大点集作为光斑轮廓。
为了进一步的说明本实施例的工作过程，步骤S5包括以下子步骤：
S51：获取包含光斑轮廓的切边矩形；
S52：将所述切边矩形大小不变的映射至原始图像中生成矩形区域；
S53：在原始图像中对所述矩形区域进行质心定位计算。
为了进一步的说明本实施例的工作过程，步骤S53中采用下式对所述矩形区域进行质心定位计算：
Figure BDA0002433500980000071
Figure BDA0002433500980000072
式中，mmin为所述矩形区域的行位置最小值，mmax为所述矩形区域的行位置最大值，nmin为所述矩形区域的列位置最小值，nmax为所述矩形区域的列位置最大值，Iij为所述矩形区域内像素点的灰度值，i为像素点的行位置，j为像素点的列位置，xc为光斑质心的行坐标，yc为光斑质心的列坐标。
为了进一步的说明本实施例的工作过程，还包括以下步骤：
S6：当精度不足和/或随机噪声过大时，采集多帧图像进行平均后作为感兴趣区域图像并执行S1～S5。
如图3所示，为了进一步的说明本实施例的工作过程，在实际应用中，同一感兴趣区域，不同时间测得的数据如表1。
表1在同一感兴趣区域时间噪声对光斑质心二维坐标的影响
Figure BDA0002433500980000073
Figure BDA0002433500980000081
选取的感兴趣区域不同时对测试结果的影响，测试数据如表2：
表2在不同感兴趣区域噪声对光斑质心二维坐标的影响
Figure BDA0002433500980000082
上述差值中最大差值为0.311个像素，是由于在感兴趣区域1中的时间点3方位坐标突然跳动导致其最大差值与其他最大差值相比有较大变化，但0.311个像素差在探测器分辨率512对应方位角范围的情况下，可换算成0.021mrad，此精度仍可符合要求。
若图像轮廓不清晰，则改变灰度线性拉伸范围；随机噪声大时，采集多帧图像求平均后，再以以上步骤获得光斑轮廓与光斑质心的二维坐标。
如图4～图9所示，
图4为原始图像，图5为本实施例对整幅图像进行二值化的结果，图6-9为用不同阈值分割算法对整幅图像进行二值化的结果，其中的数字为光点的位置(形心)，可以看到其他阈值分割法中有很多的噪点存在，所以数字重叠的很多，基于自适应阈值有很好的分割效果，而高斯加权虽然能达到很好的分割效果但是其算法复杂，代价更高，自适应阈值达到同样的分割效果但速度更快，代价更低。且选择的图像轮廓跟踪算法可以更快的处理确定光斑轮廓。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种红外光斑图像的质心识别定位方法，其特征在于，包括以下步骤：
S1：将需要进行识别定位红外光斑质心区域的图像作为感兴趣区域图像；
S2：根据所述感兴趣区域图像的图像特征对所述感兴趣区域图像进行深度转换和灰度线性拉伸生成预处理图像；
S3：对所述预处理图像进行自适应阈值计算，获取所述预处理图像的二值化阈值；
S4：将所述预处理图像二值化，并根据所述二值化阈值选取最大轮廓点集作为光斑轮廓；
S5：根据所述光斑轮廓对红外光斑质心定位；
其中，步骤S3包括以下子步骤：
S31：选取阈值灰度值T；一个阈值灰度值T对应一个灰度级；
S32：根据所述阈值灰度值T将所述预处理图像中的像素分为背景B和物体O；
其中背景B为灰度值低于所述阈值灰度值T的像素，物体O为灰度值高于所述阈值灰度值T的像素；
S33：获取背景B中每一个灰度级在背景B中的概率作为背景概率数据Bl；获取物体O中每一个灰度级在物体O中的概率作为物体概率数据Ol；
S34：根据所述背景概率数据Bl获取背景B中的信息熵HB，并根据所述物体概率数据Ol获取物体O中的信息熵HO；
S35：将HB与HO之和为最大时的阈值灰度值T作为所述二值化阈值；
根据下式获取背景概率数据Bl：
Figure FDA0003513304310000011
式中pl为背景B中灰度值为l的像点数，Bl为背景B中对应灰度值所占概率；
据下式获取物体概率数据Ol：
Figure FDA0003513304310000012
式中p′l为物体O中灰度值为l的像点数，Ol为物体O中对应灰度值所占概率；
根据下式获取背景B中的信息熵HB：
Figure FDA0003513304310000013
式中
Figure FDA0003513304310000014
为背景B中的像点数，pl为背景B中灰度值为l的像点数；
根据下式获取物体O中的信息熵HO：
Figure FDA0003513304310000015
式中
Figure FDA0003513304310000021
为物体O中的像点数，p′l为物体O中灰度值为l的像点数；
其中，步骤S5包括以下子步骤：
S51：获取包含光斑轮廓的切边矩形；
S52：将所述切边矩形大小不变的映射至原始图像中生成矩形区域；
S53：在原始图像中对所述矩形区域进行质心定位计算；
步骤S53中采用下式对所述矩形区域进行质心定位计算：
Figure FDA0003513304310000022
Figure FDA0003513304310000023
式中，mmin为所述矩形区域的行位置最小值，mmax为所述矩形区域的行位置最大值，nmin为所述矩形区域的列位置最小值，nmax为所述矩形区域的列位置最大值，Iij为所述矩形区域内像素点的灰度值，i为像素点的行位置，j为像素点的列位置，xc为光斑质心的行坐标，yc为光斑质心的列坐标。
2.根据权利要求1所述的一种红外光斑图像的质心识别定位方法，其特征在于，步骤S2包括以下子步骤：
S21：根据所述感兴趣区域图像中红外设备输出图像的图像位深度和输出图像特征对所述感兴趣区域图像进行深度转换，将所述感兴趣区域图像转换为8位深度；
S22：对深度转换后的所述感兴趣区域图像进行灰度线性拉伸。
3.根据权利要求2所述的一种红外光斑图像的质心识别定位方法，其特征在于，步骤S22包括以下子步骤：
设定灰度阈值Lmin和灰度阈值Lmax；
对所述感兴趣区域图像中灰度值小于Lmin或灰度值大于Lmax的像素进行灰度的线性压缩；
对所述感兴趣区域图像中灰度值大于Lmin且灰度值小于Lmax的像素进行灰度的线性拉伸。
4.根据权利要求1所述的一种红外光斑图像的质心识别定位方法，其特征在于，步骤S4包括以下子步骤：
S41：扫描二值化后的图像，在图像中像素值为1的连通域A内，将任一灰度值为1且其四连通域内存在灰度值为0的像素点a作为连通域A的边界点，并统计连通域A的边界点数；
S42：扫描完整幅图像中的连通域即可得到区域内物体轮廓与物体轮廓点集数，选取轮廓最大点集作为光斑轮廓。
5.根据权利要求1所述的一种红外光斑图像的质心识别定位方法，其特征在于，还包括以下步骤：
S6：当精度不足和/或随机噪声过大时，采集多帧图像进行平均后作为感兴趣区域图像并执行S1～S5。
CN202010244094.2A 2020-03-31 2020-03-31 一种红外光斑图像的质心识别定位方法 Active CN111462225B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010244094.2A CN111462225B (zh) 2020-03-31 2020-03-31 一种红外光斑图像的质心识别定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010244094.2A CN111462225B (zh) 2020-03-31 2020-03-31 一种红外光斑图像的质心识别定位方法

Publications (2)

Publication Number Publication Date
CN111462225A CN111462225A (zh) 2020-07-28
CN111462225B true CN111462225B (zh) 2022-03-25

Family

ID=71685742

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010244094.2A Active CN111462225B (zh) 2020-03-31 2020-03-31 一种红外光斑图像的质心识别定位方法

Country Status (1)

Country Link
CN (1) CN111462225B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112702586B (zh) * 2020-12-21 2023-06-30 极米科技股份有限公司 基于可见光的投影仪虚拟触控跟踪方法、装置及系统
CN112700463A (zh) * 2020-12-30 2021-04-23 上海幻维数码创意科技股份有限公司 基于图像检测的多媒体展厅交互方法、装置及存储介质
CN112883986B (zh) * 2021-03-08 2022-06-28 山西支点科技有限公司 一种复杂背景下的静态红外靶灯识别方法
CN113159112B (zh) * 2021-03-09 2023-04-07 西南石油大学 一种古生物化石图像自动标注方法
CN112991290B (zh) * 2021-03-10 2023-12-05 阿波罗智联(北京)科技有限公司 图像稳像方法、装置、路侧设备、云控平台
CN113075135B (zh) * 2021-03-31 2022-07-15 中国科学院长春光学精密机械与物理研究所 快照式成像光谱仪光斑阵列精确位置校正方法
CN113298804B (zh) * 2021-06-16 2022-03-15 浙江大学 一种基于红外图像的实时固体燃料料层厚度的测量方法
CN113421293B (zh) * 2021-06-30 2023-12-29 上海申瑞继保电气有限公司 变电站设备图像质心计算方法
CN113554699B (zh) * 2021-07-23 2023-05-30 东方红卫星移动通信有限公司 一种基于峰值的光斑图像定位方法及其系统
CN113421296B (zh) * 2021-08-24 2021-11-26 之江实验室 一种基于灰度阈值的激光光斑质心提取方法
CN115205317B (zh) * 2022-09-15 2022-12-09 山东高速集团有限公司创新研究院 一种桥梁监测光电标靶图像光斑中心点提取方法
CN115761212B (zh) * 2022-11-02 2023-08-04 北京鹰之眼智能健康科技有限公司 一种基于红外图像的人体状态预警系统
CN116147891A (zh) * 2023-01-04 2023-05-23 北京东方锐镭科技有限公司 一种激光瞄准精度测量设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103714548A (zh) * 2013-12-27 2014-04-09 西安电子科技大学 基于视觉注意的红外图像与可见光图像配准方法
CN106651801A (zh) * 2016-12-23 2017-05-10 Tcl集团股份有限公司 一种光斑定位时去除噪声的方法及系统
CN107784669A (zh) * 2017-10-27 2018-03-09 东南大学 一种光斑提取及其质心确定的方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102496015B (zh) * 2011-11-22 2013-08-21 南京航空航天大学 二维高斯分布光斑图像中心快速高精度定位方法
CN106981077B (zh) * 2017-03-24 2020-12-25 中国人民解放军国防科学技术大学 基于dce和lss的红外图像和可见光图像配准方法
CN107133627A (zh) * 2017-04-01 2017-09-05 深圳市欢创科技有限公司 红外光斑中心点提取方法及装置
KR20200033601A (ko) * 2018-09-20 2020-03-30 샐터스 주식회사 영상 처리 장치 및 방법
CN109584174B (zh) * 2019-01-29 2023-03-24 电子科技大学 一种梯度最小法红外图像边缘保持去噪方法
CN109961429A (zh) * 2019-03-22 2019-07-02 武汉工程大学 一种基于单目红外图像的受电弓检测定位方法及系统
CN110595275B (zh) * 2019-08-09 2021-06-29 电子科技大学 一种基于数字图像的校炮装置及其方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103714548A (zh) * 2013-12-27 2014-04-09 西安电子科技大学 基于视觉注意的红外图像与可见光图像配准方法
CN106651801A (zh) * 2016-12-23 2017-05-10 Tcl集团股份有限公司 一种光斑定位时去除噪声的方法及系统
CN107784669A (zh) * 2017-10-27 2018-03-09 东南大学 一种光斑提取及其质心确定的方法

Also Published As

Publication number Publication date
CN111462225A (zh) 2020-07-28

Similar Documents

Publication Publication Date Title
CN111462225B (zh) 一种红外光斑图像的质心识别定位方法
CN108629775B (zh) 一种热态高速线材表面图像处理方法
CN109035276B (zh) 一种图像边缘提取方法、装置及自动驾驶系统
CN113570605B (zh) 一种基于液晶显示面板的缺陷检测方法和系统
CN107784669A (zh) 一种光斑提取及其质心确定的方法
JP4689758B1 (ja) 画像一致点検出装置、画像一致点検出方法および記録媒体
CN111369605B (zh) 一种基于边缘特征的红外与可见光图像的配准方法和系统
CN108564092A (zh) 基于sift特征提取算法的向日葵病害识别方法
CN106295498A (zh) 光学遥感图像目标区域检测装置与方法
CN103162818A (zh) 基于矩不变性的激光光束束宽评价方法
CN113192059A (zh) 一种红外遥感图像在轨舰船检测方法
CN110930425B (zh) 基于邻域向量内积局部对比度图像增强的损伤目标检测方法
CN113269706B (zh) 激光雷达图像质量评价方法、装置、设备及存储介质
US10621466B2 (en) Method for extracting features of a thermal image
CN114240940B (zh) 一种基于遥感影像的云及云阴影检测方法和装置
CN114742849A (zh) 一种基于图像增强的水准仪距离测量方法
CN113837074B (zh) 结合后验概率和空间邻域信息的遥感影像变化检测方法
CN111723808B (zh) 一种基于最大值背景预测的红外弱目标提取方法
CN115205227A (zh) 一种基于变化检测的sar图像阴影区域检测方法
CN111242980B (zh) 一种面向点目标的红外焦平面盲元动态检测方法
CN110874837B (zh) 一种基于局部特征分布的缺陷自动检测方法
CN113963013A (zh) 一种基于计算机视觉的无标靶输电塔位移振动识别方法
CN113409334A (zh) 一种基于质心的结构光角点检测方法
CN113628252A (zh) 一种基于热成像视频的泄漏气体云团检测方法
CN109145945A (zh) 一种非局部加权联合稀疏表示的高光谱图像分类方法

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
GR01 Patent grant
GR01 Patent grant