CN112329674B - 基于多纹理特征融合的结冰湖泊检测方法和装置 - Google Patents
基于多纹理特征融合的结冰湖泊检测方法和装置 Download PDFInfo
- Publication number
- CN112329674B CN112329674B CN202011259913.7A CN202011259913A CN112329674B CN 112329674 B CN112329674 B CN 112329674B CN 202011259913 A CN202011259913 A CN 202011259913A CN 112329674 B CN112329674 B CN 112329674B
- Authority
- CN
- China
- Prior art keywords
- pixel
- texture feature
- image
- lake
- texture
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 45
- 230000004927 fusion Effects 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000001914 filtration Methods 0.000 claims abstract description 24
- 230000006870 function Effects 0.000 claims description 17
- 238000010586 diagram Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 7
- 238000007670 refining Methods 0.000 claims description 5
- 230000001174 ascending effect Effects 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000003331 infrared imaging Methods 0.000 abstract description 3
- 238000012986 modification Methods 0.000 abstract description 2
- 230000004048 modification Effects 0.000 abstract description 2
- 238000000605 extraction Methods 0.000 abstract 1
- 230000005855 radiation Effects 0.000 description 2
- WKVZMKDXJFCMMD-UVWUDEKDSA-L (5ar,8ar,9r)-5-[[(2r,4ar,6r,7r,8r,8as)-7,8-dihydroxy-2-methyl-4,4a,6,7,8,8a-hexahydropyrano[3,2-d][1,3]dioxin-6-yl]oxy]-9-(4-hydroxy-3,5-dimethoxyphenyl)-5a,6,8a,9-tetrahydro-5h-[2]benzofuro[6,5-f][1,3]benzodioxol-8-one;azanide;n,3-bis(2-chloroethyl)-2-ox Chemical compound [NH2-].[NH2-].Cl[Pt+2]Cl.ClCCNP1(=O)OCCCN1CCCl.COC1=C(O)C(OC)=CC([C@@H]2C3=CC=4OCOC=4C=C3C(O[C@H]3[C@@H]([C@@H](O)[C@@H]4O[C@H](C)OC[C@H]4O3)O)[C@@H]3[C@@H]2C(OC3)=O)=C1 WKVZMKDXJFCMMD-UVWUDEKDSA-L 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Radiation Pyrometers (AREA)
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Gabor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
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Gabor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Qc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Ci,公式为:
Ci={Q1+mod(i+5,7),Q1+mod(i+6,9),Q1+i,Qmod(i+2,8)},i=1,3,5,7
Ci={Qi-1,Qmod(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Qc的二进制编码B8B7B6B5B4B3B2B1:
其中i=1,2,K,8,R为相关像素数,取值为4或2;
S2.5:计算被编码像素Qc的十进制编码:
S2.6:计算被编码像素Qc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Qc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Qc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Qc,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Qc的十进制编码为:
S3.4:计算被编码像素Qc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Gabor滤波器为:
其中,xp=x*cos(θ)+y*sin(θ),yp = y*cos(θ)-x*sin(θ), x范围从-Sx到Sx,y范围从-Sy到Sy;f为正弦函数的频率,θ为Gabor滤波器的方向;Sx和Sy是变量在x,y方向的变化范围;
S4.2:计算Gabor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Qc的修正Gabor滤波结果为:
Q1至Q8为滑动窗口内被编码像素Qc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Gabor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I3和第三纹理特征图像I4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,K,Pc,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Pi中的像素Pi(p,q),其中p=1,2,K,r,q=1,2,K,s;若像素Pi(p,q)满足:
则Pi(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Gabor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Qc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Qc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Ci,公式为:
Ci={Q1+mod(i+5,7),Q1+mod(i+6,9),Q1+i,Qmod(i+2,8)},i=1,3,5,7
Ci={Qi-1,Qmod(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Qc的二进制编码B8B7B6B5B4B3B2B1:
其中i=1,2,K,8,R为相关像素数,取值为4或2;;
S2.5:计算被编码像素Qc的十进制编码:
S2.6:计算被编码像素Qc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Qc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Qc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Qc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Qc,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Qc的十进制编码为:
S3.4:计算被编码像素Qc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Gabor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Gabor滤波器为:
其中,xp=x*cos(θ)+y*sin(θ),yp = y*cos(θ)-x*sin(θ), x范围从-Sx到Sx,y范围从-Sy到Sy;f为正弦函数的频率,θ为Gabor滤波器的方向;Sx和Sy是变量在x,y方向的变化范围;本实例中Sx=2,Sy=4,f=16,
S4.2:计算Gabor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Qc的修正Gabor滤波结果为:
Q1至Q8为滑动窗口内被编码像素Qc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Gabor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I3和第三纹理特征图像I4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,K,Pc,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Pi中的像素Pi(p,q),其中p=1,2,K,r,q=1,2,K,s;若像素Pi(p,q)满足:
则Pi(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Gabor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 (7)
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Gabor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;
其中,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I3和第三纹理特征图像I4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));
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。
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Qc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Ci,公式为:
Ci={Q1+mod(i+5,7),Q1+mod(i+6,9),Q1+i,Qmod(i+2,8)},i=1,3,5,7
Ci={Qi-1,Qmod(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Qc的二进制编码B8B7B6B5B4B3B2B1:
其中i=1,2,K,8,R为相关像素数,取值为4或2;
S2.5:计算被编码像素Qc的十进制编码:
S2.6:计算被编码像素Qc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Qc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Qc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Qc,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Qc的十进制编码为:
S3.4:计算被编码像素Qc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Gabor滤波器为:
其中,xp=x*cos(θ)+y*sin(θ),yp = y*cos(θ)-x*sin(θ),x范围从-Sx到Sx,y范围从-Sy到Sy;f为正弦函数的频率,θ为Gabor滤波器的方向;Sx和Sy是变量在x,y方向的变化范围;
S4.2:计算Gabor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Qc的修正Gabor滤波结果为:
Q1至Q8为滑动窗口内被编码像素Qc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Gabor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,K,Pc,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Pi中的像素Pi(p,q),其中p=1,2,K,r,q=1,2,K,s;若像素Pi(p,q)满足:
则Pi(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。
6.一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1~5中任一项所述的方法。
7.一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1~5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011259913.7A CN112329674B (zh) | 2020-11-12 | 2020-11-12 | 基于多纹理特征融合的结冰湖泊检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011259913.7A CN112329674B (zh) | 2020-11-12 | 2020-11-12 | 基于多纹理特征融合的结冰湖泊检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112329674A CN112329674A (zh) | 2021-02-05 |
CN112329674B true CN112329674B (zh) | 2024-03-12 |
Family
ID=74317685
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011259913.7A Active CN112329674B (zh) | 2020-11-12 | 2020-11-12 | 基于多纹理特征融合的结冰湖泊检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112329674B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117890068B (zh) * | 2024-03-14 | 2024-05-24 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种结冰云雾颗粒尺寸重构方法及计算机可读存储介质 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103034858A (zh) * | 2012-11-30 | 2013-04-10 | 宁波大学 | 一种卫星云图的二次聚类分割方法 |
CN103632363A (zh) * | 2013-08-27 | 2014-03-12 | 河海大学 | 基于多尺度融合的对象级高分辨率遥感影像变化检测方法 |
WO2017044782A1 (en) * | 2015-09-11 | 2017-03-16 | EyeVerify Inc. | Image and feature quality, image enhancement and feature extraction for ocular-vascular and facial recognition, and fusing ocular-vascular with facial and/or sub-facial information for biometric systems |
CN107255471A (zh) * | 2017-05-25 | 2017-10-17 | 北京环境特性研究所 | 结冰河流红外图像的检测方法 |
CN107301420A (zh) * | 2017-06-30 | 2017-10-27 | 武汉大学 | 一种基于显著性分析的热红外影像目标探测方法 |
CN109190566A (zh) * | 2018-09-10 | 2019-01-11 | 中国民航大学 | 一种融合局部编码与cnn模型手指静脉识别方法 |
CN109214439A (zh) * | 2018-08-22 | 2019-01-15 | 电子科技大学 | 一种基于多特征融合的红外图像结冰河流检测方法 |
CN109410192A (zh) * | 2018-10-18 | 2019-03-01 | 首都师范大学 | 一种多纹理分级融合的织物缺陷检测方法及其装置 |
CN109829423A (zh) * | 2019-01-18 | 2019-05-31 | 电子科技大学 | 一种结冰湖泊红外成像检测方法 |
CN109886991A (zh) * | 2019-03-04 | 2019-06-14 | 电子科技大学 | 一种基于邻域强度纹理编码的红外成像河道检测方法 |
CN109886980A (zh) * | 2019-03-04 | 2019-06-14 | 电子科技大学 | 一种基于邻域强度纹理编码的红外图像卷云检测方法 |
CN110110675A (zh) * | 2019-05-13 | 2019-08-09 | 电子科技大学 | 一种融合边缘信息的小波域分形红外卷云检测方法 |
CN110472479A (zh) * | 2019-06-28 | 2019-11-19 | 广州中国科学院先进技术研究所 | 一种基于surf特征点提取和局部lbp编码的指静脉识别方法 |
CN111222479A (zh) * | 2020-01-12 | 2020-06-02 | 杭州电子科技大学 | 结合等价模式的自适应半径lbp特征层融合识别方法 |
CN111242864A (zh) * | 2020-01-12 | 2020-06-05 | 杭州电子科技大学 | 一种基于Gabor纹理约束的手指静脉图像修复方法 |
WO2020151489A1 (zh) * | 2019-01-25 | 2020-07-30 | 杭州海康威视数字技术股份有限公司 | 基于面部识别的活体检测的方法、电子设备和存储介质 |
-
2020
- 2020-11-12 CN CN202011259913.7A patent/CN112329674B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103034858A (zh) * | 2012-11-30 | 2013-04-10 | 宁波大学 | 一种卫星云图的二次聚类分割方法 |
CN103632363A (zh) * | 2013-08-27 | 2014-03-12 | 河海大学 | 基于多尺度融合的对象级高分辨率遥感影像变化检测方法 |
WO2017044782A1 (en) * | 2015-09-11 | 2017-03-16 | EyeVerify Inc. | Image and feature quality, image enhancement and feature extraction for ocular-vascular and facial recognition, and fusing ocular-vascular with facial and/or sub-facial information for biometric systems |
CN107255471A (zh) * | 2017-05-25 | 2017-10-17 | 北京环境特性研究所 | 结冰河流红外图像的检测方法 |
CN107301420A (zh) * | 2017-06-30 | 2017-10-27 | 武汉大学 | 一种基于显著性分析的热红外影像目标探测方法 |
CN109214439A (zh) * | 2018-08-22 | 2019-01-15 | 电子科技大学 | 一种基于多特征融合的红外图像结冰河流检测方法 |
CN109190566A (zh) * | 2018-09-10 | 2019-01-11 | 中国民航大学 | 一种融合局部编码与cnn模型手指静脉识别方法 |
CN109410192A (zh) * | 2018-10-18 | 2019-03-01 | 首都师范大学 | 一种多纹理分级融合的织物缺陷检测方法及其装置 |
CN109829423A (zh) * | 2019-01-18 | 2019-05-31 | 电子科技大学 | 一种结冰湖泊红外成像检测方法 |
WO2020151489A1 (zh) * | 2019-01-25 | 2020-07-30 | 杭州海康威视数字技术股份有限公司 | 基于面部识别的活体检测的方法、电子设备和存储介质 |
CN109886991A (zh) * | 2019-03-04 | 2019-06-14 | 电子科技大学 | 一种基于邻域强度纹理编码的红外成像河道检测方法 |
CN109886980A (zh) * | 2019-03-04 | 2019-06-14 | 电子科技大学 | 一种基于邻域强度纹理编码的红外图像卷云检测方法 |
CN110110675A (zh) * | 2019-05-13 | 2019-08-09 | 电子科技大学 | 一种融合边缘信息的小波域分形红外卷云检测方法 |
CN110472479A (zh) * | 2019-06-28 | 2019-11-19 | 广州中国科学院先进技术研究所 | 一种基于surf特征点提取和局部lbp编码的指静脉识别方法 |
CN111222479A (zh) * | 2020-01-12 | 2020-06-02 | 杭州电子科技大学 | 结合等价模式的自适应半径lbp特征层融合识别方法 |
CN111242864A (zh) * | 2020-01-12 | 2020-06-05 | 杭州电子科技大学 | 一种基于Gabor纹理约束的手指静脉图像修复方法 |
Non-Patent Citations (5)
Title |
---|
Local line directional neighborhood pattern for texture classification;S. Nithya 等;《EURASIP Journal on Image and Video Processing》;第125卷(第2018期);1-16 * |
基于Contourlet变换的阴影恢复形貌方法及产品表面缺陷检测应用;胡琨 等;《机械工程学报》;第54卷(第06期);102-109 * |
基于多角度融合的CHRIS数据提取湿地植被的研究;李伟娜 等;《林业科学研究》;第30卷(第02期);260-267 * |
基于径向基概率神经网络的输电导线缺陷状态识别;黄新波 等;《电力系统自动化》;第44卷(第03期);201-210 * |
小波包和非下采样轮廓波相结合的红外与可见光图像融合方法;殷向 等;《激光杂志》;第39卷(第01期);123-127 * |
Also Published As
Publication number | Publication date |
---|---|
CN112329674A (zh) | 2021-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107680054B (zh) | 雾霾环境下多源图像融合方法 | |
CN110866924B (zh) | 一种线结构光中心线提取方法及存储介质 | |
CN110021024B (zh) | 一种基于lbp和链码技术的图像分割方法 | |
CN108830832A (zh) | 一种基于机器视觉的塑料筒表面缺陷检测算法 | |
CN107220962B (zh) | 一种隧道裂纹的图像检测方法和装置 | |
CN116110053B (zh) | 基于图像识别的集装箱表面信息检测方法 | |
CN106529550A (zh) | 基于连通域分析的多维特征量提取方法及装置 | |
CN106709499A (zh) | 基于Canny算子和Hillbert‑Huang变换的SIFT图像特征点提取方法 | |
CN114037691A (zh) | 一种基于图像处理的碳纤维板裂纹检测方法 | |
CN114677525B (zh) | 一种基于二值图像处理的边缘检测方法 | |
CN113392854A (zh) | 一种图像纹理特征提取分类方法 | |
CN106815851B (zh) | 一种基于视觉测量的栅格圆形油位计自动读数方法 | |
CN109191436A (zh) | 基于视觉显著性谱残差方法的低剂量ct肺结节检测算法 | |
CN112329674B (zh) | 基于多纹理特征融合的结冰湖泊检测方法和装置 | |
CN117557565B (zh) | 一种锂电池极片的检测方法及其装置 | |
CN111815660A (zh) | 危化品仓库中货物边缘检测方法、装置及终端设备 | |
Widyantara et al. | Gamma correction-based image enhancement and canny edge detection for shoreline extraction from coastal imagery | |
CN112102189B (zh) | 一种线结构光光条中心线提取方法 | |
CN113012127A (zh) | 基于胸部医学影像的心胸比测量方法 | |
CN108573236B (zh) | 基于离散分数布朗随机场的云天背景下红外弱小目标检测方法 | |
CN114742849B (zh) | 一种基于图像增强的水准仪距离测量方法 | |
CN116309780A (zh) | 一种基于目标检测的水尺水位识别方法 | |
Fu et al. | A circle detection algorithm based on mathematical morphology and chain code | |
CN105938556B (zh) | 基于水流法的宽线检测方法 | |
CN109271986B (zh) | 一种基于Second-Confirm的数字识别方法 |
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 |