CN111612734A - 一种基于图像结构复杂度的背景杂波表征方法 - Google Patents
一种基于图像结构复杂度的背景杂波表征方法 Download PDFInfo
- Publication number
- CN111612734A CN111612734A CN202010260176.6A CN202010260176A CN111612734A CN 111612734 A CN111612734 A CN 111612734A CN 202010260176 A CN202010260176 A CN 202010260176A CN 111612734 A CN111612734 A CN 111612734A
- Authority
- CN
- China
- Prior art keywords
- background
- target area
- gradient
- difference
- clutter
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw 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
- G06T7/11—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
- G06T7/13—Edge detection
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于图像结构复杂度的背景杂波表征方法,其包括以下步骤:从输入图像中提取目标区域,在输入图像中将背景图像划分块;分别在背景单元与目标区域上提取方向梯度直方图,并计算其方向梯度分布熵;计算背景单元与目标区域之间结构复杂度差异,对杂波建模;分别计算背景单元与目标区域的亮度对比度,然后计算背景单元与目标区域之间亮度对比度差异,对杂波建模;分别计算结构复杂度差异和亮度对比度差异的标准方差;计算结构复杂度差异的标准方差和亮度对比度差异的标准方差的平均值,作为图像最终的杂波尺度。本发明更符合人眼视觉感知特性,使得杂波度量结果更准确,能有效提高光电成像系统目标获取性能评估的可靠性。
Description
技术领域
本发明涉及图像处理技术领域,涉及一种可见光图像背景杂波度量方法,尤其是涉及一种基于图像结构复杂度的背景杂波表征方法,主要用于光电成像系统目标获取性能评估影响、伪装图案的设计和评估、定量评估杂波对目标探测识别的影响等。
背景技术
随着探测器技术水平提升以及生产工艺的进步,光电成像系统的灵敏度和分辨率得到了很大的提高,已达到或接近背景极限,这使得背景因素成为限制光电成像系统目标获取性能的一个重要因素。因此,如何准确度量背景因素对目标获取的影响已经成为精确预测和评估光电成像系统性能的关键。
人在回路系统光电成像目标获取过程中,一般将场景中分散观察者注意力、干扰目标探测识别的背景因素称为杂波。研究者们提出了很多度量背景杂波的方法,这些方法可分为:1、基于数学统计杂波度量,如统计方差及其改进方法,这类方法是基于图像中目标与背景像素值的统计信息对背景杂波进行度量,计算简单且适用于自然场景。但是,由于这类方法仅仅考虑了像素值的大小并以统计值来衡量目标与背景的相似性,忽略了包括目标形状、边缘点分布等重要的信息,这使得度量结果不够准确,无法正确的表征目标与背景的相似性;2、基于图像纹理特征的杂波度量,如灰度共生矩阵及其改进方法;3、基于人眼视觉特性的杂波度量,这类方法将人眼的视觉特性引入到杂波度量中,根据人眼的视觉特性对目标与背景的图像特征进行甄选,并在这些方面度量其相似程度。
背景杂波量化表征的目标是使量化的杂波尺度与人眼主观感知一致,最大难题是构建符合人眼视觉特性的特征空间。Schmieder等人提出统计方差模型SV,计算简单,易于实施,但其对复杂杂波图像的表征描述不够准确;Biberman等人基于人眼对图像边缘特征敏感提出了边缘概率杂波度量POE,通过统计图像中边缘点数目来度量杂波的强弱;然而该方法过渡依赖于图像边缘检测阈值,而且其选取并没有固定标准,不同使用者获得的杂波量化结果不具备可比性;Chang等人根据人眼对图像结构特征具有高度自适应性,通过计算背景与目标在亮度、对比度和结构上的相似性来度量杂波,提出了目标结构相似性杂波度量TSSIM;该方法对其所使用的分母稳定性常数依赖较大,使杂波计算结果不稳定;徐德江等人依据人眼对图像结构的高度自适应性以及图像质量评估邻域广泛使用的图像结构相似性度量SSIM,计算杂波与目标的结构相似性,并利用视觉显著性原理对结构相似性加权,提出了图像结构差异性杂波度量VSD;肖传民等人考虑到人眼对图像结构敏感,采用方向梯度直方图表征目标结构特征,选用巴氏系数度量背景杂波与目标在方向梯度直方图空间中的差异,提出了引入梯度分布特征的背景杂波度量法ESSIM;该方法更加关注于目标的梯度结构特征,而弱化目标的亮度信息。
综上所述,现有技术中的基于人眼视觉特性的背景杂波度量方法都没有充分利用人眼视觉感知模型,存在着杂波表征描述不够准确、计算结果不稳定、对特定类型图像依赖性大、各方法之间彼此独立等问题。
认知科学研究表明,人眼视觉系统能够自适应的从图像中提取结构信息,以支撑更高级别的图像语义理解。人眼视觉系统局部感受野中存在着很强的方向选择性机制,局部感受野内神经元根据图像边缘方向调整自身的响应方向,按照某种规则将边缘方向组装成结构信息,以完成图像场景理解,方向选择性机制使得人眼视觉系统对图像中的结构信息敏感。
在成像探测识别中,目标一般为人造物体,如军事车辆或建筑物等,背景杂波一般为自然场景,如树木,草地等。人造目标结构规则且简单,一般都具有相同或相近的边缘方向信息,即结构规则性强,复杂度低,不确定性小。视觉系统会无意识地分配更多的视觉注意到结构规则性强的图像区域中。由自然场景构成的背景杂波结构一般是杂乱无序的,往往具有不同的边缘方向信息,即结构规则性差,复杂度高,不确定性大。
通过实验发现,由自然场景构成的背景杂波图像与人造目标图像在结构杂乱程度方面存在着明显的差异,而且这种差异是人造目标与自然场景之间所固有的。现有背景杂波表征方法没有考虑背景杂波图像与目标图像在结构复杂度这一重要特征。
发明内容
为解决现有技术中基于人眼视觉特性的背景杂波度量方法存在的问题,本发明的目的是提供一种基于图像结构复杂度的背景杂波表征方法,其更符合人眼视觉感知特性,使得杂波度量结果更准确,能有效提高光电成像系统目标获取性能评估的可靠性。
为实现上述发明目的,本发明采用如下技术方案:
一种基于图像结构复杂度的背景杂波表征方法,其包括以下步骤:
S1、目标区域提取和背景图像分块:从输入图像中提取目标区域,在输入图像中,将背景图像划分为N个背景小单元,每个背景小单元在水平和垂直方向均与目标区域尺寸相等,背景小单元之间水平和垂直方向无重叠;设定目标区域为T,背景小单元为Ci,其中,i=1,2,…,N;
S2、背景单元与目标区域之间结构复杂度差异计算:分别在背景单元与目标区域上提取方向梯度直方图,并计算其方向梯度分布熵,以表征其结构复杂度;计算背景单元与目标区域之间结构复杂度差异,对杂波建模;
S3、背景单元与目标区域之间对比度差异计算:分别计算背景单元与目标区域的亮度对比度,然后计算背景单元与目标区域之间亮度对比度差异,对杂波建模;
S4、结构复杂度差异与对比度差异标准方差计算:分别计算结构复杂度差异和亮度对比度差异的标准方差;
S5、平均求和杂波合并:计算结构复杂度差异的标准方差和亮度对比度差异的标准方差的平均值,作为图像最终的杂波尺度。
进一步地,上述的步骤S2中,在背景单元与目标区域上提取方向梯度直方图步骤,具体计算方法如下:
首先,计算局部区域R∈T(C)中各像素点的梯度方向θ(i,j)和梯度幅值G(i,j);
Gh=I*Fh,Gv=I*Fv (1)
其中,I为背景单元C或目标区域T,Gh为背景单元C或目标区域T在水平方向梯度幅值,Fh为水平方向边缘检测算子,Gv为背景单元C或目标区域T在垂直方向梯度幅值,Fv为垂直方向边缘检测算子,*表示卷积运算;G(i,j)为背景单元C或目标区域T的梯度幅值,θ(i,j)为对应像素的梯度方向,使用无符号梯度计算法表征梯度方向,即像素点的某一方向与其反方向视为同一个方向,故θ(i,j)∈[0°,180°];
然后,将θ(i,j)平均分成9个bin子区间,量化区域R中各像素的梯度方向θ(i,j)到对应的bin子区间中,对bin子区间投票,同时利用对应像素的梯度幅值G(i,j)作为权重对投票加权,得到一个9维特征向量,即为区域R的方向梯度直方图,记为H(R,k);
其中,Q(θ(i,j),k)表示像素(i,j)的梯度方向θ(x,y)量化后,是否落入第k个子区间中,k表示被量化的子区间索引,从1开始;G(i,j)表示像素(i,j)的梯度幅值。
进一步地,上述的步骤S2中,方向梯度分布熵具体计算方法如下:
设Gsum为该局部区域R的方向梯度直方图中bin子区间上累计的梯度幅值之和,
由于结构规则的图像区域内像素的梯度方向总是相同或相似,即结构复杂度低;结构杂乱的图像区域内像素的梯度方向几乎各不相同,而且结构越不规则,像素梯度方向也越不相同,即结构复杂度高。为了定量表征图像结构的杂乱程度,根据局部区域方向梯度直方图分布特性,定义局部区域方向梯度分布熵来表征结构杂乱程度(结构复杂度)。图像结构越杂乱,结构复杂度越高。反之,图像结构越规则,结构复杂度越低。
首先,定义梯度分布频率如下:
然后,方向梯度分布熵定义如下:
方向梯度分布熵能够有效表征局部区域方向梯度的分布情况,直接反映了该局部区域图像结构的杂乱程度;若方向梯度分布熵值较大,则表明该局部区域各像素梯度幅值在9个方向上的分布比较均匀,该局部区域图像结构比较杂乱,结构复杂度越高;若方向梯度分布熵值较小,则表明该局部区域像素梯度幅值在9个方向上的分布不均匀,值越小,分布越不均匀,各像素的梯度幅值可能集中分布在某几个方向上,该局部区域图像结构规则,结构复杂度越低。
进一步地,上述的步骤S2中,利用相似度计算公式度量背景单元C与目标区域T在结构复杂度空间中的差异,具体形式如下:
其中,ε是防止分母为零的小常数,T表示目标区域,C表示背景单元,i,j表示目标区域T或背景单元C中的像素索引。
进一步地,上述的步骤S3中,所述背景单元C与目标区域T之间对比度差异计算,具体计算方法如下:
首先,利用图像的梯度幅值来估计亮度对比度,计算背景单元与目标区域的亮度对比度,具体形式如下:
其中,I为背景单元C或目标区域T,Fn=1,2,3,4为梯度滤波器,算子*表示卷积运算;
然后,利用相似度计算公式度量背景单元C与目标区域T在亮度对比度空间中的差异,具体形式如下:
其中,ε是防止分母为零的小常数,T表示目标区域,C表示背景单元,i,j表示目标区域T或背景单元C中的像素索引。
进一步地,上述的步骤S4中,所述计算结构复杂度差异和亮度对比度差异的标准方差,具体计算方法如下
DOGDE_pooling(T,C)=STD_DEV(DOGDE(Tij,Cij)) (13)
DLC_pooling(T,C)=STD_DEV(DLC(Tij,Cij)) (14)
其中,STD_DEV(·)表示求标准方差,DOGDE_pooling(T,C)表示结构复杂度差异的标准方差,DLC_pooling(T,C)表示亮度对比度差异的标准方差。
进一步地,上述的步骤S5中,所述计算结构复杂度差异的标准方差和亮度对比度差异的标准方差的平均值,作为图像最终的杂波尺度,具体计算方法如下
S(T,C)=(DLC_pooling(T,C)+DOGDE_pooling(T,C))/2 (15)。
由于采用如上所述的技术方案,本发明具有如下优越性:
本发明基于图像结构复杂度的背景杂波表征方法,其利用方向梯度分布熵来度量图像结构的杂乱程度,杂波图像与目标图像在结构复杂度上的差异可以用于量化表征背景杂波对目标探测识别的影响,即两者越相似,背景杂波对目标探测识别影响越大;本发明根据图像局部区域方向梯度分特性,计算局部区域像素方向梯度分布熵来度量图像结构的复杂度;基于人眼对图像结构和对比度敏感特性,分别在图像方向梯度分布熵空间和图像对比度空间中度量背景杂波与目标之间差异,采用标准方差加权和平均加权方式得到最终的背景杂波度量。
本发明基于图像结构复杂度的背景杂波表征方法,其将图像背景杂波度量与人眼视觉感知过程关联起来,提出了更符合人眼视觉特性的图像背景杂波表征方法;利用方向梯度直方图有效表征图像结构信息的结构特征,利用方向梯度分布熵度量了结构复杂度,在结构复杂度空间中度量背景杂波,更符合人眼视觉系统感知过程;考虑了人眼视觉系统亮度敏感特性,在亮度对比度空间和结构复杂度空间中度量杂波,并将两种杂波度量合并,得到了更为准确的杂波度量值;该方法能够作为光电成像系统杂波度量因子,提高目标获取性能评估及预测精度;在Search_2数据库中的实验结果表明,基于本发明表征方法所预测的目标获取性能与实际主观目标获取性能数据具有较高的一致性,而且在相关性和均方根误差方面均优于现有的杂波度量方法,有效提高了目标获取性能预测的精度。
附图说明
图1是本发明基于图像结构复杂度的背景杂波表征方法的流程图;
图2是实验一,其中,图2(a)是原始输入图像,图2(b)是待搜索目标区域;
图3是梯度滤波器;
图4是目标图像;
图5是背景杂波图像。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步详细说明。
如图1所示,一种基于图像结构复杂度的背景杂波表征方法,其包括以下具体步骤:
S1、目标区域提取和背景图像分块:从输入图像中提取目标区域,设定目标区域的尺寸为m×n;在输入图像中,将背景图像划分为N个背景小单元,每个背景小单元在水平和垂直方向均与目标区域尺寸相等,背景小单元之间水平和垂直方向无重叠;设定目标区域为T,背景小单元为Ci,其中,i=1,2,…,N;
S2、背景小单元与目标区域之间结构复杂度差异计算
S2-1、分别在背景小单元Ci与目标区域T上提取方向梯度直方图,具体计算方法如下:
首先,计算局部区域R∈T(C)中各像素点的梯度方向θ(i,j)和梯度幅值G(i,j);
Gh=I*Fh,Gv=I*Fv (1)
其中,I为背景小单元Ci或目标区域T,Gh为背景单元Ci或目标区域T在水平方向梯度幅值,Fh为水平方向边缘检测算子,Gv为背景小单元Ci或目标区域T在垂直方向梯度幅值,Fv为垂直方向边缘检测算子,*表示卷积运算;G(i,j)为背景小单元Ci或目标区域T的梯度幅值,θ(i,j)为对应像素的梯度方向,使用无符号梯度计算法表征梯度方向,即像素点的某一方向与其反方向视为同一个方向,故θ(i,j)∈[0°,180°];
然后,将θ(i,j)平均分成9个bin子区间,方向梯度直方图更符合图像的结构特征,量化区域R中各像素的梯度方向θ(i,j)到对应的bin子区间中,对bin子区间投票,同时利用对应像素的梯度幅值G(i,j)作为权重对投票加权,得到一个9维特征向量,即为区域R的方向梯度直方图,记为H(R,k);
其中,Q(θ(i,j),k)表示像素(i,j)的梯度方向θ(x,y)量化后,是否落入第k个子区间中,k表示被量化的子区间索引,从1开始;G(i,j)表示像素(i,j)的梯度幅值;
S2-2、计算方向梯度分布熵,具体计算方法如下:
设Gsum为该局部区域R的方向梯度直方图中bin子区间上累计的梯度幅值之和,
首先,定义梯度分布频率如下:
然后,方向梯度分布熵定义如下:
S2-3、利用相似度计算公式度量背景小单元Ci与目标区域T在结构复杂度空间中的差异DOGDE(T,Ci),对杂波建模,具体形式如下:
其中,ε是防止分母为零的小常数,T表示目标区域,Ci表示背景小单元;
S3、背景小单元与目标区域之间对比度差异计算
S3-1、分别计算背景单元与目标区域的亮度对比度,具体计算方法如下:
利用图像的梯度幅值来估计亮度对比度,计算背景单元与目标区域的亮度对比度,具体形式如下:
其中,I为背景单元C或目标区域T,Fn=1,2,3,4为如图3所示的梯度滤波器,算子*表示卷积运算;
S3-2、计算背景小单元Ci与目标区域T之间亮度对比度差异DLC(T,Ci),对杂波建模,具体形式如下:
其中,ε是防止分母为零的小常数,T表示目标区域,Ci表示背景小单元;
S4、利用标准方差加权合并策略计算目标区域T和背景单元Ci之间DOGDE(T,Ci)的标准差DOGDE_pooling,具体计算方法如下
DOGDE_pooling=STD_DEV(DOGDE(T,Ci)) (13)
利用标准方差加权合并策略计算目标区域T和背景单元Ci之间DLC(T,Ci)的标准差DLC_pooling,具体计算方法如下
DLC_pooling=STD_DEV(DLC(T,Ci)) (14)
其中,STD_DEV(·)表示求标准方差,DOGDE_pooling表示结构复杂度差异的标准方差,DLC_pooling表示亮度对比度差异的标准方差;
S5、利用平均合并策略综合两种差异计算结构复杂度差异的标准方差和亮度对比度差异的标准方差的平均值,作为图像最终的杂波尺度,具体计算方法如下
S(T,C)=(DLC_pooling(T,C)+DOGDE_pooling(T,C))/2 (15);
S6、计算整幅图像的背景杂波值:统计所有背景小单元Ci与目标区域T之间差异的均方根作为整幅图像的背景杂波度量值,具体计算方法如下
其中,N为背景小单元Ci的数量。
本发明基于图像结构复杂度的背景杂波表征方法,与现有技术中的4种常用的背景杂波度量方法,在荷兰国家应用科学院(TNO)所提供的Search_2图像数据库中进行了对比,对比方法包括统计方差度量(SV)、目标结构相似性杂波度量(TSSIM)、基于边缘概率密度的杂波度量(POE)、基于人眼视觉特性的图像结构差异性杂波度量(VSD)。通过计算基于杂波度量的目标获取预测性能与主观观察者目标获取性能(探测概率、虚警概率、目标搜索时间)之间的误差和相关性来评价杂波度量的有效性。采用均方根误差(RMSE)、Pearson线性相关系数(PLCC)、Spearman秩相关系数(SRCC)三个指标来度量基于杂波的目标获取性能预测值与主观实验真值的一致性,来衡量背景杂波度量方法的合理性及有效性。其中PLCC、SRCC越大越好,REMS越小越好。
本发明采用美国陆军夜视电子传感器局Wilson提出的目标获取性能预测模型作为目标探测概率预测模型、目标虚警概率预测模型、目标搜索时间预测模型,分别定义如下
PDpred=(C/C50)E/(1+(C/C50)E) (17)
PFpred=A-(C/C50)E/(1+(C/C50)E) (18)
STpred=x/(C+y) (19)
其中,C为待比较的不同杂波度量值,A为Search_2数据库中每幅图像的总探测概率,相应值为0.998,C50为50%探测概率下对应的杂波度量值,E、C50、x、y为待优化参数,可根据杂波度量值与实际目标获取性能值,利用最小二乘法或非线性优化拟合获取。
利用SV、TSSIM、POE、VSD以及本发明的方法(ISC)分别对Search_2数据库中的幅图像进行杂波估计。利用计算得到的杂波值以及Search_2数据库提供的人眼主观测试数据(目标探测概率PD、目标虚警概率PF、目标搜索时间ST作为真值)对相应的目标获取性能预测模型,即公式(17)、(18)、(19)进行拟合,得到对应参数E、C50、x、y的值以及杂波预测的目标探测概率PDpred、目标虚警概率PFpred、目标搜索时间STpred。利用目标获取性能预测值(PDpred、PFpred、STpred)以及Search_2数据库提供的主观目标获取性能真值(PD、PF、ST)即可计算对应的评价指标PLCC、SRCC、RMSE。
下面的表1、表2、表3分别为基于杂波度量的目标探测概率、目标虚警概率和目标搜索时间预测的相关性和误差分析实验结果。
表1杂波预测探测概率与主观探测概率相关性及误差
如表1所示,列出了各背景杂波预测得到的目标探测概率与实际主观探测概率之间的相关性及均方根误差的统计结果;从表1中可以看出本发明的表征方法ISCrms杂波预测的探测概率与主观探测概率一致性最好,优于对比的四种方法。
表2杂波预测虚警概率与主观虚警概率相关性及误差
如表2所示,列出了各背景杂波预测得到的目标虚警概率与实际主观虚警概率之间的相关性及均方根误差的统计结果;从表2中可以看出本发明的度量方法ISCrms杂波预测的虚警概率与主观数均方根误差最小,PLCC相关性、SRCC相关性也最高。
表3杂波预测目标搜索时间与主观目标搜索时间相关性及误差
如表3所示,列出了各背景杂波预测得到的目标搜索时间与实际主观目标搜索时间之间的相关性及均方根误差的统计结果;从表3中可以看出本发明的度量方法ISCrms杂波预测的目标搜索时间与主观数据在均方根误差RMSE和SRCC相关性方面最好,PLCC相关性略低于VSD方法。
综上所述,本发明的杂波表征方法在预测探测概率、虚警概率、目标搜索时间等性能方面,明显好于对比的SV、TSSIM、POE、VSD对比方法。
以上所述仅为本发明的较佳实施例,而非对本发明的限制,在不脱离本发明的精神和范围的情况下,凡依本发明申请专利范围所作的均等变化与修饰,皆应属本发明的专利保护范围之内。
Claims (7)
1.一种基于图像结构复杂度的背景杂波表征方法,其特征是:其包括以下步骤:
S1、目标区域提取和背景图像分块:从输入图像中提取目标区域,在输入图像中,将背景图像划分为N个背景小单元,每个背景小单元在水平和垂直方向均与目标区域尺寸相等,背景小单元之间水平和垂直方向无重叠;设定目标区域为T,背景小单元为Ci,其中,i=1,2,…,N;
S2、背景单元与目标区域之间结构复杂度差异计算:分别在背景单元与目标区域上提取方向梯度直方图,并计算其方向梯度分布熵,以表征其结构复杂度;计算背景单元与目标区域之间结构复杂度差异,对杂波建模;
S3、背景单元与目标区域之间对比度差异计算:分别计算背景单元与目标区域的亮度对比度,然后计算背景单元与目标区域之间亮度对比度差异,对杂波建模;
S4、结构复杂度差异与对比度差异标准方差计算:分别计算结构复杂度差异和亮度对比度差异的标准方差;
S5、平均求和杂波合并:计算结构复杂度差异的标准方差和亮度对比度差异的标准方差的平均值,作为图像最终的杂波尺度。
2.根据权利要求1所述的基于图像结构复杂度的背景杂波表征方法,其特征是:其步骤S2中,在背景单元与目标区域上提取方向梯度直方图步骤,具体计算方法如下:
首先,计算局部区域R∈T(C)中各像素点的梯度方向θ(i,j)和梯度幅值G(i,j);
Gh=I*Fh,Gv=I*Fv (1)
其中,I为背景单元C或目标区域T,Gh为背景单元C或目标区域T在水平方向梯度幅值,Fh为水平方向边缘检测算子,Gv为背景单元C或目标区域T在垂直方向梯度幅值,Fv为垂直方向边缘检测算子,*表示卷积运算;G(i,j)为背景单元C或目标区域T的梯度幅值,θ(i,j)为对应像素的梯度方向,使用无符号梯度计算法表征梯度方向,即像素点的某一方向与其反方向视为同一个方向,故θ(i,j)∈[0°,180°];
然后,将θ(i,j)平均分成9个bin子区间,量化区域R中各像素的梯度方向θ(i,j)到对应的bin子区间中,对bin子区间投票,同时利用对应像素的梯度幅值G(i,j)作为权重对投票加权,得到一个9维特征向量,即为区域R的方向梯度直方图,记为H(R,k);
其中,Q(θ(i,j),k)表示像素(i,j)的梯度方向θ(x,y)量化后,是否落入第k个子区间中,k表示被量化的子区间索引,从1开始;G(i,j)表示像素(i,j)的梯度幅值。
6.根据权利要求1所述的基于图像结构复杂度的背景杂波表征方法,其特征是:其步骤S4中,所述计算结构复杂度差异和亮度对比度差异的标准方差,具体计算方法如下
DOGDE_pooling(T,C)=STD_DEV(DOGDE(Tij,Cij)) (13)
DLC_pooling(T,C)=STD_DEV(DLC(Tij,Cij)) (14)
其中,STD_DEV(·)表示求标准方差,DOGDE_pooling(T,C)表示结构复杂度差异的标准方差,DLC_pooling(T,C)表示亮度对比度差异的标准方差。
7.根据权利要求6所述的基于图像结构复杂度的背景杂波表征方法,其特征是:其步骤S5中,所述计算结构复杂度差异的标准方差和亮度对比度差异的标准方差的平均值,作为图像最终的杂波尺度,具体计算方法如下
S(T,C)=(DLC_pooling(T,C)+DOGDE_pooling(T,C))/2 (15)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010260176.6A CN111612734B (zh) | 2020-04-03 | 2020-04-03 | 一种基于图像结构复杂度的背景杂波表征方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010260176.6A CN111612734B (zh) | 2020-04-03 | 2020-04-03 | 一种基于图像结构复杂度的背景杂波表征方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111612734A true CN111612734A (zh) | 2020-09-01 |
CN111612734B CN111612734B (zh) | 2023-07-04 |
Family
ID=72205434
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010260176.6A Active CN111612734B (zh) | 2020-04-03 | 2020-04-03 | 一种基于图像结构复杂度的背景杂波表征方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111612734B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113689455A (zh) * | 2021-07-01 | 2021-11-23 | 上海交通大学 | 热流体图像处理方法、系统、终端及介质 |
CN115019224A (zh) * | 2022-04-29 | 2022-09-06 | 成都恒安警用装备制造有限公司 | 基于图像频率和亮度中值的昼夜判别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020145757A1 (en) * | 2001-02-13 | 2002-10-10 | Eastman Kodak Company | Image specific perceived overall contrast predition |
CN102800070A (zh) * | 2012-06-19 | 2012-11-28 | 南京大学 | 基于区域和人眼对比敏感特性的异源图像融合方法 |
CN105654452A (zh) * | 2014-11-10 | 2016-06-08 | 中国科学院沈阳自动化研究所 | 一种基于边缘结构的背景杂波度量方法 |
-
2020
- 2020-04-03 CN CN202010260176.6A patent/CN111612734B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020145757A1 (en) * | 2001-02-13 | 2002-10-10 | Eastman Kodak Company | Image specific perceived overall contrast predition |
CN102800070A (zh) * | 2012-06-19 | 2012-11-28 | 南京大学 | 基于区域和人眼对比敏感特性的异源图像融合方法 |
CN105654452A (zh) * | 2014-11-10 | 2016-06-08 | 中国科学院沈阳自动化研究所 | 一种基于边缘结构的背景杂波度量方法 |
Non-Patent Citations (2)
Title |
---|
乔立永;徐立新;高敏;: "红外目标识别图像复杂度度量方法综述" * |
肖传民;史泽林;刘云鹏;: "引入梯度分布特征的图像背景杂波度量" * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113689455A (zh) * | 2021-07-01 | 2021-11-23 | 上海交通大学 | 热流体图像处理方法、系统、终端及介质 |
CN113689455B (zh) * | 2021-07-01 | 2023-10-20 | 上海交通大学 | 热流体图像处理方法、系统、终端及介质 |
CN115019224A (zh) * | 2022-04-29 | 2022-09-06 | 成都恒安警用装备制造有限公司 | 基于图像频率和亮度中值的昼夜判别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111612734B (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116186634B (zh) | 一种建筑工程施工数据智能管理系统 | |
Du et al. | Infrared moving small-target detection using spatial–temporal local difference measure | |
CN106412619B (zh) | 一种基于hsv颜色直方图和dct感知哈希的镜头边界检测方法 | |
CN108875794B (zh) | 一种基于迁移学习的图像能见度检测方法 | |
CN109325550B (zh) | 基于图像熵的无参考图像质量评价方法 | |
CN109214470B (zh) | 一种基于编码网络微调的图像能见度检测方法 | |
CN109284786B (zh) | 基于分布和结构匹配生成对抗网络的sar图像地物分类方法 | |
KR100772506B1 (ko) | 영상처리를 이용한 지질재료 분류 방법 및 그 장치 | |
CN107622229A (zh) | 一种基于融合特征的视频车辆重识别方法与系统 | |
CN110751209B (zh) | 一种融合深度图像分类和检索的智能台风定强方法 | |
CN110197185B (zh) | 一种基于尺度不变特征变换算法监测桥下空间的方法和系统 | |
CN108960142B (zh) | 基于全局特征损失函数的行人再识别方法 | |
CN111612734A (zh) | 一种基于图像结构复杂度的背景杂波表征方法 | |
CN105654452A (zh) | 一种基于边缘结构的背景杂波度量方法 | |
CN109035196A (zh) | 基于显著性的图像局部模糊检测方法 | |
CN109961425A (zh) | 一种动态水的水质识别方法 | |
CN102254185B (zh) | 基于对比度敏感函数的背景杂波量化方法 | |
CN112288758A (zh) | 一种电力设备红外与可见光图像配准方法 | |
CN109815784A (zh) | 一种基于红外热像仪的智能分类方法、系统及存储介质 | |
CN116740652A (zh) | 一种基于神经网络模型的锈斑面积扩大的监测方法与系统 | |
CN109685757B (zh) | 一种基于灰度差分统计的无参考图像质量评价方法及系统 | |
CN110321808A (zh) | 遗留物与盗移物检测方法、设备和存储介质 | |
Yan et al. | No-reference remote sensing image quality assessment based on gradient-weighted natural scene statistics in spatial domain | |
CN111192234B (zh) | 一种基于内在推导机制的图像背景杂波度量方法 | |
Seghir et al. | Distance transform measure based on edge-region information: An algorithm for image quality assessment |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230602 Address after: 471000 intersection of Yingzhou road and Guanlin Road, Luolong District, Luoyang City, Henan Province Applicant after: UNIT 63891 OF PLA Address before: 471000 Intersection of Yingzhou Road and Guanlin Road, Luolong District, Luoyang, Henan Province Applicant before: Miao Xikui Applicant before: UNIT 63891 OF PLA |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |