CN112329674A - 基于多纹理特征融合的结冰湖泊检测方法和装置 - Google Patents

Abstract

本发明涉及一种基于多纹理特征融合的结冰湖泊检测方法、装置和计算机可存储介质，其中方法包括：采集并输入含有结冰湖泊的红外图像；分别对红外图像进行修正LNIP纹理编码、修正LBP纹理编码和基于修正的Garbor滤波提取，得到第一纹理特征图像、第二纹理特征图像和第三纹理特征图像，再进行像素级的特征融合得到第四纹理特征图像；基于局域概率分布对第四纹理特征图像进行结冰湖泊检测；再对结冰湖泊检测的结果进行精细化处理，得到像素级检测结果图。本发明解决了目前红外成像技术难以对结冰湖泊进行准确检测，以及检测精度低，检测结果模糊的问题。

Description

基于多纹理特征融合的结冰湖泊检测方法和装置

技术领域

本发明涉及红外图像目标检测领域，尤其涉及一种基于多纹理特征融合的结冰湖泊检测方法、装置和计算机可读存储介质。

背景技术

在红外目标检测领域中，由于结冰湖泊、河流和高空卷云等物体的红外辐射能量和红外目标的红外辐射能量相似，不可避免地影响了对红外目标的准确检测，引起高虚警率。

目前的检测方法主要基于张量理论、极值理论和深度学习等方法，其理论较复杂，且实时性较差，时间复杂度高。且大多数方法在预处理时使用的去噪算法都会模糊目标，降低检测准确率。

因此，针对以上问题，需要提出一种准确性更高的结冰湖泊检测方法。

发明内容

本发明的目的在于：为了解决目前红外成像技术难以对红外图像中的结冰湖泊进行准确检测，检测精度低，检测结果模糊的问题，本发明提供一种基于多纹理特征融合的结冰湖泊检测方法、装置和计算机可读存储介质。

为了解决上述技术问题，本发明第一方面提供了一种基于多纹理特征融合的结冰湖泊检测方法，该方法包括：

S1：采集并输入含有结冰湖泊的红外图像I₁；

S2：对所述红外图像I₁进行修正LNIP纹理编码，得到第一纹理特征图像I₂；

S3：对所述红外图像I₁进行修正LBP纹理编码，得到第二纹理特征图像I₃；

S4：基于修正的Garbor滤波提取红外图像I₁的第三纹理特征图像I₄；

S5：对所述第一纹理特征图像I₂、第二纹理特征图像I₃和第三纹理特征图像I₄进行像素级的特征融合得到第四纹理特征图像I₅；

S6：基于局域概率分布对第四纹理特征图像I₅进行结冰湖泊检测；

S7：对结冰湖泊检测的结果进行精细化处理，得到像素级检测结果图I₆。

在根据本发明所述的基于多纹理特征融合的结冰湖泊检测方法，优选地，所述步骤S2具体包括如下步骤：

S2.1：创建3×3的滑动窗口，设Q_c为中心的被编码像素，该滑动窗口还包括邻域像素Q₁至Q₈；

S2.2：通过以下公式计算邻域像素的相关像素C_i，公式为：

C_i＝{Q_1+mod(i+5,7),Q_{1+mod(i+6，9)}，Q_1+i,Q_mod(i+2,8)},i＝1,3,5,7

C_i＝{Q_i-1,Q_mod(i+1,8)},i＝2,4,5,8；

其中mod为求余函数，i为邻域像素编码；

S2.3：计算阈值T，公式为：

S2.4：计算被编码像素Q_c的二进制编码B₈B₇B₆B₅B₄B₃B₂B₁：

其中i＝1,2,...,8，R为相关像素数，取值为4或2；

S2.5：计算被编码像素Q_c的十进制编码：

S2.6：计算被编码像素Q_c的修正LNIP编码值：

S2.7：重复执行步骤S2.1-S2.6，对红外图像I₁除边界点外的其他所有像素点进行编码，边界点像素值保持不变，最终得到第一纹理特征图像I₂。

在根据本发明所述的基于多纹理特征融合的结冰湖泊检测方法，优选地，所述步骤S3具体包括如下步骤：

S3.1：创建3×3的滑动窗口，设Q_c为中心的被编码像素，该滑动窗口还包括邻域像素Q₁至Q₈；

S3.2：选取被编码像素Q_c的3×3邻域，逐个将邻域内的8个像素与中心像素进行对比，如果邻域像素灰度值大于等于中心的被编码像素Q_c，则编码为1，否则编码为0，得到邻域编码L₁-L₈；

S3.3：计算被编码像素Q_c的十进制编码为：

S3.4：计算被编码像素Q_c的修正LBP编码值：

S3.5：重复执行步骤S3.1-S3.4，对红外图像I₁除边界点外的其他所有像素点进行编码，边界点像素值保持不变，最终得到第二纹理特征图像I₃。

在根据本发明所述的基于多纹理特征融合的结冰湖泊检测方法，优选地，所述步骤S4具体包括如下步骤：

S4.1：对于输入的红外图像I₁构建Garbor滤波器为：

其中，xp＝x*cos(θ)+y*sin(θ),yp＝y*cos(θ)-x*sin(θ)，x范围从-S_x到S_x，y范围从-S_y到S_y；f为正弦函数的频率，θ为Garbor滤波器的方向；S_x和S_y是变量在x，y方向的变化范围；

S4.2：计算Garbor滤波结果图像GO：

其中，IG为虚部滤波结果，RG为实部滤波结果，

为相关运算符；

S4.3：在3×3的滑动窗口内，中心的被编码像素Q_c的修正Garbor滤波结果为：

Q₁至Q₈为滑动窗口内被编码像素Q_c的邻域像素；

S4.4：重复执行S4.1-S4.3，对红外图像I₁除边界点外的其他所有像素点进行滤波，边界点像素值保持不变，最终得到基于Garbor滤波的第三纹理特征图像I₄。

在根据本发明所述的基于多纹理特征融合的结冰湖泊检测方法，优选地，所述步骤S5具体包括如下步骤：

S5.1：对于像素点(x,y)，定义显著性差异为：

其中min为取最小值函数，max为取最大值函数；LNIP(x,y),LBP(x,y),GO'(x,y)分别为第一纹理特征图像I₂、第二纹理特征图像I₂和第三纹理特征图像I₃的像素点(x,y)编码值；

S5.2：计算三幅纹理特征图的一致性测度：

S5.3：按下式计算得到像素级的第四纹理特征图像I₅，融合结果为：

SR(x,y)＝R(x,y)×(LNIP(x,y)+LBP(x,y)+GO'(x,y))。

在根据本发明所述的基于多纹理特征融合的结冰湖泊检测方法，优选地，所述步骤S6具体包括如下步骤：

S6.1：将第四纹理特征图像I₅分为c个分块P₁,P₂,...,P_c，第四纹理特征图像I₅的尺寸为M×N，每个分块的尺寸r×s为：

r＝floor(M/a)；

s＝floor(N/b)；

c＝a×b；

其中，floor()为向下取整函数；

S6.2：对于每个分块，分别计算基于局域概率分布的结冰湖泊区域坐标，对于分块P_i中的像素P_i(p,q)，其中p＝1,2,...,r，q＝1,2,...,s；若像素P_i(p,q)满足：

则P_i(p,q)判断为结冰湖泊区域像素，其中K为预设的阈值；

S6.3：将红外图像I₁按照S6.1的方式分块，计算每个分块的灰度直方图，并按照灰度级对应的像素点数量对灰度级进行升序排列，找出指定位置范围内的灰度级，计算找出的灰度级的平均值作为精细化处理过程中使用的阈值。

在根据本发明所述的基于多纹理特征融合的结冰湖泊检测方法，优选地，所述步骤S7具体包括如下步骤：

S7.1：对红外图像I₁，选取步骤S6.2求得的结冰湖泊区域，对区域的每一个像素点取3×3邻域；

S7.2：对所取邻域内不属于原始结冰湖泊区域的像素点进行判断，若该像素点的灰度值大于S6.3中计算得到的该像素点所在分块的阈值，则将其纳入结冰湖泊区域；

S7.3：重复执行S7.1-S7.2，令迭代次数小于等于5，获得精细化处理的结冰湖泊检测区域，得到像素级检测结果图I₆。

本发明第二方面，提供了一种执行基于多纹理特征融合的结冰湖泊检测方法的装置，包括：至少一个处理器、至少一个存储器以及存储在存储器中的计算机程序指令，当计算机程序指令被处理器执行时实现如前任一项所述的方法。

本发明第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，当计算机程序指令被处理器执行时实现如前任一项所述的方法。

实施本发明的基于多纹理特征融合的结冰湖泊检测方法、装置和计算机可读存储介质，具有以下有益效果：

1、本发明中使用的LNIP纹理模型弥补了LBP纹理模型只有符号信息没有幅值的缺陷，在纹理特征融合后能够更好地表达图像的纹理特征；并且本发明的3种纹理特征都是修正后的，加入了邻域均值因子，实现了去噪的效果，避免了常规的去噪算法可能造成的图像模糊。

2、本发明使用的特征融合算法是像素级的显著性融合，在保持各纹理特征的基础上，又突出其显著性。

3、本发明中的精细化处理方法，能很好地继续检测到初始检测结果中没有的结冰湖泊区域像素，使最终的检测结果达到像素级。

附图说明

图1为根据本发明优选实施例的基于多纹理特征融合的结冰湖泊检测方法的流程图；

图2是含有结冰湖泊的红外图像I₁；

图3是对红外图像I1进行修正LNIP纹理编码得到的第一纹理特征图像I₂；

图4是步骤S2.1中创建的滑动窗口编码图；

图5是对红外图像I1进行修正LBP纹理编码得到的第二纹理特征图像I₃；

图6是步骤S3.1中创建的滑动窗口编码图；

图7是步骤S3.2中得到的邻域编码示意图；

图8是基于修正的Garbor滤波得到的第三纹理特征图像I₄；

图9是对第一纹理特征图像I₂、第二纹理特征图像I₃和第三纹理特征图像I₄进行像素级的特征融合得到第四纹理特征图像I₅；

图10是结冰湖泊检测的像素级检测结果图I₆。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例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。

请参阅图1，为根据本发明优选实施例的基于多纹理特征融合的结冰湖泊检测方法的流程图。如图1所示，该实施例提供基于多纹理特征融合的结冰湖泊检测方法包括以下步骤：

S1：采集并输入含有结冰湖泊的红外图像I₁，如图2所示；

S2：对所述红外图像I₁进行修正LNIP纹理编码，得到第一纹理特征图像I₂，如图3所示；

优选地，步骤S2具体包括如下步骤：

S2.1：按图4所示编号方式创建3×3的滑动窗口，设Q_c为中心的被编码像素，该滑动窗口还包括邻域像素Q₁至Q₈，分别为中心的被编码像素Q_c的右侧、右下、下方、左下、左侧、左上、上方和右上的邻域像素。

S2.2：通过以下公式计算邻域像素的相关像素C_i，公式为：

C_i＝{Q_1+mod(i+5,7),Q_1+mod(i+6,9),Q_1+i,Q_mod(i+2,8)},i＝1,3,5,7

C_i＝{Q_i-1,Q_mod(i+1,8)},i＝2,4,5,8；

其中mod为求余函数，i为邻域像素编码；

S2.3：计算阈值T，公式为：

S2.4：计算被编码像素Q_c的二进制编码B₈B₇B₆B₅B₄B₃B₂B₁：

其中i＝1,2,...,8，R为相关像素数，取值为4或2；；

S2.5：计算被编码像素Q_c的十进制编码：

S2.6：计算被编码像素Q_c的修正LNIP编码值：

S2.7：重复执行步骤S2.1-S2.6，对红外图像I₁除边界点外的其他所有像素点进行编码，边界点像素值保持不变，最终得到基于LNIP的第一纹理特征图像I₂。

S3：对所述红外图像I₁进行修正LBP纹理编码，得到第二纹理特征图像I₃，如图5所示；

优选地，步骤S3具体包括如下步骤：

S3.1：按图6所示编号方式创建3×3的滑动窗口，设Q_c为中心的被编码像素，该滑动窗口还包括邻域像素Q₁至Q₈，分别为中心的被编码像素Q_c的左上、上方、右上、右侧、右下、下方、左下和左侧的邻域像素。

S3.2：选取被编码像素Q_c的3×3邻域，逐个将邻域内的8个像素与中心像素进行对比，如果邻域像素灰度值大于等于中心的被编码像素Q_c，则编码为1，否则编码为0，得到邻域编码L₁-L₈，如图7所示。

S3.3：计算被编码像素Q_c的十进制编码为：

S3.4：计算被编码像素Q_c的修正LBP编码值：

S3.5：重复执行步骤S3.1-S3.4，对红外图像I₁除边界点外的其他所有像素点进行编码，边界点像素值保持不变，最终得到基于LBP的第二纹理特征图像I₃。

S4：基于修正的Garbor滤波提取红外图像I₁的第三纹理特征图像I₄，如图8所示；

优选地，步骤S4具体包括如下步骤：

S4.1：对于输入的红外图像I₁构建Garbor滤波器为：

其中，xp＝x*cos(θ)+y*sin(θ),yp＝y*cos(θ)-x*sin(θ)，x范围从-S_x到S_x，y范围从-S_y到S_y；f为正弦函数的频率，θ为Garbor滤波器的方向；S_x和S_y是变量在x，y方向的变化范围；本实例中S_x＝2，S_y＝4，f＝16，

S4.2：计算Garbor滤波结果图像GO：

其中，IG为虚部滤波结果，RG为实部滤波结果，

为相关运算符；Imag为函数G的虚部，Real为函数G的实部。

S4.3：按照步骤3.1中的方式进行编码，在3×3的滑动窗口内，中心的被编码像素Q_c的修正Garbor滤波结果为：

Q₁至Q₈为滑动窗口内被编码像素Q_c的邻域像素；

S4.4：重复执行步骤S4.1-S4.3，对红外图像I₁除边界点外的其他所有像素点进行滤波，边界点像素值保持不变，最终得到基于Garbor滤波的第三纹理特征图像I₄。

S5：对所述第一纹理特征图像I₂、第二纹理特征图像I₃和第三纹理特征图像I₄进行像素级的特征融合得到第四纹理特征图像I₅，如图9所示。

优选地，步骤S5具体包括如下步骤：

S5.1：对于一个像素点(x,y)，定义显著性差异为：

其中min为取最小值函数，max为取最大值函数；LNIP(x,y),LBP(x,y),GO'(x,y)分别为第一纹理特征图像I₂、第二纹理特征图像I₂和第三纹理特征图像I₃的像素点(x,y)编码值；

S5.2：计算三幅纹理特征图的一致性测度：

S5.3：按下式计算得到像素级的第四纹理特征图像I₅，融合结果为：

SR(x,y)＝R(x,y)×(LNIP(x,y)+LBP(x,y)+GO'(x,y))。

S6：基于局域概率分布对第四纹理特征图像I₅进行结冰湖泊检测。

优选地，步骤S6具体包括如下步骤：

S6.1：将第四纹理特征图像I₅分为c个分块P₁,P₂,...,P_c，第四纹理特征图像I₅的尺寸为M×N，每个分块的尺寸r×s为：

r＝floor(M/a)；

s＝floor(N/b)；

c＝a×b；

其中，floor()为向下取整函数；本实例中a＝3，b＝4，c＝12。

S6.2：对于每个分块，分别计算基于局域概率分布的结冰湖泊区域坐标，对于分块P_i中的像素P_i(p,q)，其中p＝1,2,...,r，q＝1,2,...,s；若像素P_i(p,q)满足：

则P_i(p,q)判断为结冰湖泊区域像素，其中K为预设的阈值，K的取值大概在1～6之间。

S6.3：将红外图像I₁按照步骤S6.1的方式分块，计算每个分块的灰度直方图，并按照灰度级对应的像素点数量对灰度级进行升序排列，找出指定位置范围内的灰度级，计算找出的灰度级的平均值作为精细化处理过程中使用的阈值。比如在256灰度级下，按照灰度级对应的像素点数量对灰度级进行升序排列，生成具有256个数字的数组，找出第248～253位置处的灰度级，并计算找出的灰度级的平均值作为供步骤S7使用的阈值，所述阈值共12个。

S7：对结冰湖泊检测的结果进行精细化处理，得到像素级检测结果图I₆，如图10所示。

优选地，步骤S7具体包括如下步骤：

S7.1：对红外图像I₁，选取步骤S6.2求得的结冰湖泊区域，为原始结冰湖泊区域，对该区域的每一个像素点取3×3邻域；

S7.2：对所取邻域内不属于原始结冰湖泊区域的像素点进行判断，若该像素点的灰度值大于S6.3中计算得到的该像素点所在分块的阈值，则将其纳入结冰湖泊区域；

S7.3：重复执行S7.1-S7.2，令迭代次数小于等于5，获得精细化处理的结冰湖泊检测区域，得到像素级检测结果图I₆。从图10中可以看出，利用本发明属于结冰湖泊像素全部正确检测出来。

本发明实施例还提供了一种执行基于多纹理特征融合的结冰湖泊检测方法的装置，包括：至少一个处理器、至少一个存储器以及存储在存储器中的计算机程序指令，当计算机程序指令被处理器执行时实现如上述实施方式中基于多纹理特征融合的结冰湖泊检测方法。

本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序指令，当计算机程序指令被处理器执行时实现如上述实施方式中基于多纹理特征融合的结冰湖泊检测方法。

综上所述，本发明公开了一种基于多纹理特征融合的结冰湖泊检测方法，通过融合3种纹理特征图像得到最终的纹理特征图，并基于该纹理特征图进行结冰湖泊检测：首先计算原始图像的修正LNIP纹理图像、修正LBP纹理图像及基于修正Garbor滤波的纹理图像，然后通过一种像素级的图像融合算法融合三种纹理图像得到融合的纹理图像，再基于局域概率分布算法对融合纹理图像中的结冰湖泊进行检测，最后对结冰湖泊区域像素进行精细化，即将检测精度提升到像素级。本发明解决了目前红外成像技术难以对结冰湖泊进行准确检测，以及检测精度低，检测结果模糊的问题。

应该理解地是，本发明中基于多纹理特征融合的结冰湖泊检测方法及装置的原理相同，因此对基于多纹理特征融合的结冰湖泊检测方法的实施例的详细阐述也适用于基于多纹理特征融合的结冰湖泊检测装置。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种基于多纹理特征融合的结冰湖泊检测方法，其特征在于，该方法包括：

S1：采集并输入含有结冰湖泊的红外图像I₁；

S2：对所述红外图像I₁进行修正LNIP纹理编码，得到第一纹理特征图像I₂；

S3：对所述红外图像I₁进行修正LBP纹理编码，得到第二纹理特征图像I₃；

S4：基于修正的Garbor滤波提取红外图像I₁的第三纹理特征图像I₄；

S5：对所述第一纹理特征图像I₂、第二纹理特征图像I₃和第三纹理特征图像I₄进行像素级的特征融合得到第四纹理特征图像I₅；

S6：基于局域概率分布对第四纹理特征图像I₅进行结冰湖泊检测；

S7：对结冰湖泊检测的结果进行精细化处理，得到像素级检测结果图I₆。

2.根据权利要求1所述的基于多纹理特征融合的结冰湖泊检测方法，其特征在于，所述步骤S2具体包括如下步骤：

S2.1：创建3×3的滑动窗口，设Q_c为中心的被编码像素，该滑动窗口还包括邻域像素Q₁至Q₈；

S2.2：通过以下公式计算邻域像素的相关像素C_i，公式为：

C_i＝{Q_1+mod(i+5,7),Q_1+mod(i+6,9),Q_1+i,Q_mod(i+2,8)},i＝1,3,5,7

C_i＝{Q_i-1,Q_mod(i+1,8)},i＝2,4,5,8；

其中mod为求余函数，i为邻域像素编码；

S2.3：计算阈值T，公式为：

S2.4：计算被编码像素Q_c的二进制编码B₈B₇B₆B₅B₄B₃B₂B₁：

其中i＝1,2,...,8，R为相关像素数，取值为4或2；

S2.5：计算被编码像素Q_c的十进制编码：

S2.6：计算被编码像素Q_c的修正LNIP编码值：

S2.7：重复执行步骤S2.1-S2.6，对红外图像I₁除边界点外的其他所有像素点进行编码，边界点像素值保持不变，最终得到第一纹理特征图像I₂。

3.根据权利要求2所述的基于多纹理特征融合的结冰湖泊检测方法，其特征在于，所述步骤S3具体包括如下步骤：

S3.1：创建3×3的滑动窗口，设Q_c为中心的被编码像素，该滑动窗口还包括邻域像素Q₁至Q₈；

S3.2：选取被编码像素Q_c的3×3邻域，逐个将邻域内的8个像素与中心像素进行对比，如果邻域像素灰度值大于等于中心的被编码像素Q_c，则编码为1，否则编码为0，得到邻域编码L₁-L₈；

S3.3：计算被编码像素Q_c的十进制编码为：

S3.4：计算被编码像素Q_c的修正LBP编码值：

S3.5：重复执行步骤S3.1-S3.4，对红外图像I₁除边界点外的其他所有像素点进行编码，边界点像素值保持不变，最终得到第二纹理特征图像I₃。

4.根据权利要求3所述的基于多纹理特征融合的结冰湖泊检测方法，其特征在于，所述步骤S4具体包括如下步骤：

S4.1：对于输入的红外图像I₁构建Garbor滤波器为：

其中，xp＝x*cos(θ)+y*sin(θ),yp＝y*cos(θ)-x*sin(θ)，x范围从-S_x到S_x，y范围从-S_y到S_y；f为正弦函数的频率，θ为Garbor滤波器的方向；S_x和S_y是变量在x，y方向的变化范围；

S4.2：计算Garbor滤波结果图像GO：

其中，IG为虚部滤波结果，RG为实部滤波结果，

为相关运算符；

S4.3：在3×3的滑动窗口内，中心的被编码像素Q_c的修正Garbor滤波结果为：

Q₁至Q₈为滑动窗口内被编码像素Q_c的邻域像素；

S4.4：重复执行S4.1-S4.3，对红外图像I₁除边界点外的其他所有像素点进行滤波，边界点像素值保持不变，最终得到基于Garbor滤波的第三纹理特征图像I₄。

5.根据权利要求4所述的基于多纹理特征融合的结冰湖泊检测方法，其特征在于，所述步骤S5具体包括如下步骤：

S5.1：对于像素点(x,y)，定义显著性差异为：

其中min为取最小值函数，max为取最大值函数；LNIP(x,y),LBP(x,y),GO'(x,y)分别为第一纹理特征图像I₂、第二纹理特征图像I₂和第三纹理特征图像I₃的像素点(x,y)编码值；

S5.2：计算三幅纹理特征图的一致性测度：

S5.3：按下式计算得到像素级的第四纹理特征图像I₅，融合结果为：

SR(x,y)＝R(x,y)×(LNIP(x,y)+LBP(x,y)+GO'(x,y))。

6.根据权利要求5所述的基于多纹理特征融合的结冰湖泊检测方法，其特征在于，所述步骤S6具体包括如下步骤：

S6.1：将第四纹理特征图像I₅分为c个分块P₁,P₂,...,P_c，第四纹理特征图像I₅的尺寸为M×N，每个分块的尺寸r×s为：

r＝floor(M/a)；

s＝floor(N/b)；

c＝a×b；

其中，floor()为向下取整函数；

S6.2：对于每个分块，分别计算基于局域概率分布的结冰湖泊区域坐标，对于分块P_i中的像素P_i(p,q)，其中p＝1,2,...,r，q＝1,2,...,s；若像素P_i(p,q)满足：

则P_i(p,q)判断为结冰湖泊区域像素，其中K为预设的阈值；

S6.3：将红外图像I₁按照S6.1的方式分块，计算每个分块的灰度直方图，并按照灰度级对应的像素点数量对灰度级进行升序排列，找出指定位置范围内的灰度级，计算找出的灰度级的平均值作为精细化处理过程中使用的阈值。

7.根据权利要求6所述的基于多纹理特征融合的结冰湖泊检测方法，其特征在于，所述步骤S7具体包括如下步骤：

S7.1：对红外图像I₁，选取步骤S6.2求得的结冰湖泊区域，对区域的每一个像素点取3×3邻域；

S7.2：对所取邻域内不属于原始结冰湖泊区域的像素点进行判断，若该像素点的灰度值大于S6.3中计算得到的该像素点所在分块的阈值，则将其纳入结冰湖泊区域；

S7.3：重复执行S7.1-S7.2，令迭代次数小于等于5，获得精细化处理的结冰湖泊检测区域，得到像素级检测结果图I₆。

8.一种执行基于多纹理特征融合的结冰湖泊检测方法的装置，包括：至少一个处理器、至少一个存储器以及存储在存储器中的计算机程序指令，其特征在于，当计算机程序指令被处理器执行时实现如权利要求1～7中任一项所述的方法。

9.一种计算机可读存储介质，其上存储有计算机程序指令，当计算机程序指令被处理器执行时实现如权利要求1～7中任一项所述的方法。

Images