CN112634154A - 一种基于图像序列多重差分的目标识别方法 - Google Patents

Abstract

本发明涉及一种基于图像序列多重差分的目标识别方法，基于序列图像多重差分识别算法，去除图像中的动态目标；所述序列图像为包含有目标和大量恒星的连续三帧图像，所述动态目标为恒星。本发明能够有效剔除背景噪声，尤其是恒星等干扰信号，大大提高目标识别率。

Description

一种基于图像序列多重差分的目标识别方法

技术领域

本发明属于图像识别技术领域，尤其涉及一种基于图像序列多重差分的目标识别方法。

背景技术

大视场光电设备对静止轨道空间目标的探测图像由静止轨道目标、星体、背景噪声及探测器噪声等组成。不论是静止轨道目标，还是星体，其在空域上的灰度分布均表现为灰度局部奇异点，形态特征大大弱化，细节特征基本缺失。由于大气湍流和光学系统点扩散函数等影响，目标灰度分布并不是一个单点脉冲，而是近似为一个陡峭的二维高斯曲面或退化为一个尖峰脉冲，星像大小分布范围较大，直径在几个至几十像素之间，且星像较小的暗弱目标占绝大多数。

背景图像主要源于空间背景辐射及大气散射，在空间上成大面积连续分布状态，呈现一定起伏性和较强的空域相关性，其灰度值较低，占据图像的绝大多数像素，是图像序列空间频率中的低频部分。但是，当图像受到月光和云层等影响时，其在空间上呈大范围连续起伏或强烈起伏分布，暗背景处目标的灰度值可能会低于亮背景的灰度值，目标常淹没于背景杂波之中。

图像噪声主要是CCD传感器噪声，如暗电流噪声、光子噪声和读出噪声等，一般与背景像素无关，其空间分布随机，帧与帧之间的分布也没有相关性，一般可认为是高斯白噪声过程。从CCD图像序列分析，可知：从星像大小和灰度分布等方面来讲，空间目标和背景恒星之间的区分度较小，仅通过数字图像的灰度特征难以正确识别，或者识别效率较低。

综述所述，大视场光电设备对静止轨道空间目标的探测图像，具有背景复杂、目标细节特征缺失等特点，基于单帧图像难以有效准确识别目标的问题。

发明内容

本发明的目的是提供一种基于图像序列多重差分的目标识别方法，有效剔除背景噪声，尤其是恒星等干扰信号，大大提高目标识别率。

本发明提供了一种基于图像序列多重差分的目标识别方法，基于序列图像多重差分识别算法，去除图像中的动态目标，所述序列图像多重差分识别算法如下：

p″′＝p₁-(p₁-p₂)-(p₁-(p₁-p₂)-(p₂-(p₂-p₃)))；

其中，p″′为识别后的图像；p₁、p₂、p₃分别为相邻的三幅图像。

进一步地，所述序列图像为包含有目标和大量恒星的连续三帧图像，所述动态目标为恒星。

借由上述方案，通过基于图像序列多重差分的目标识别方法，能够有效剔除背景噪声，尤其是恒星等干扰信号，大大提高目标识别率。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例详细说明如后。

附图说明

图1是探测系统获取的包含目标和大量恒星的图像；

图2是连续获取的3幅图像；(a)、(b)、(c)依次为连续3帧图像；

图3是恒星成像存在断线现象图；

图4是P1-(P1-P2)得到的结果图；

图5是本发明多重差分法示意图；

图6是本发明p1-(p1-p2)-(p1-(p1-p2)-(p2-(p2-p3)))得到的结果；

图7是本发明剔除干扰效果图；图7中(a)为原始图像，(b)为识别后图像。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

本实施例提供了一种基于图像序列多重差分的目标识别方法，该方法基于序列图像多重差分识别算法，去除图像中的动态目标，所述序列图像多重差分识别算法如下：

p″′＝p₁-(p₁-p₂)-(p₁-(p₁-p₂)-(p₂-(p₂-p₃)))；

其中，p″′为识别后的图像；p₁、p₂、p₃分别为相邻的三幅图像。

通过该基于图像序列多重差分的目标识别方法，能够有效剔除背景噪声，尤其是恒星等干扰信号，大大提高目标识别率。

下面对本发明作进一步详细说明。

由于静止轨道上的空间目标运动方向和周期与地球自转一致，其相对测站的位置是固定不变，当采用固定指向凝视方式对其进行拍摄时，其像点在图像上的位置也是固定不变的。而恒星相对测站的运动速度跟观测指向有关，最快为：

探测系统获取的图像包含目标和大量的恒星，如图1所示，目标识别主要是将目标从恒星背景中识别出来。

图2是连续获取的3幅图像，目标和恒星存在两方面的明显区别：

(1)形态特征：目标为点状，恒星为线状；

(2)运动特征：目标是静止的，恒星是移动的。

针对形态特征的区别可采用形态学方法进行目标识别，但是图像中较暗或者闪烁恒星的成像存在断线现象，如图3所示，大大增加了误识别率，因此本实施例的方法是根据运动特征来识别目标。

运动检测一般采用图像差分法，可以去除图像中的静态目标，其算法如下：

也就是说，图像差分算法就是所有对应像素的值相减，结果截取非负数。

要去除图像中的动态目标(即恒星)，则需要采用二重以上差分法。其中二重差分算法如式(3)所示：

p″＝p₁-(p₁-p₂) 式(3)

该方法可以剔除大部分运动的恒星，但当存在两颗恒星在前后两帧图像存在重叠情况时，出现因剔除不干净导致误识别的现象，如图4所示。

为进一步降低虚警率，本实施例提出序列图像多重差分识别法，具体算法如式(4)所示：

p″′＝p₁-(p₁-p₂)-(p₁-(p₁-p₂)-(p₂-(p₂-p₃))) 式(4)

其中p₁、p₂、p₃分别为相邻的三幅图像，它们经过式(4)表示的多次差分后最终得到图像p″′，算法示意图如图5所示，具体的效果如图6、7所示。

以上所述仅是本发明的优选实施方式，并不用于限制本发明，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (2)

1.一种基于图像序列多重差分的目标识别方法，其特征在于，基于序列图像多重差分识别算法，去除图像中的动态目标，所述序列图像多重差分识别算法如下：

p″′＝p₁-(p₁-p₂)-(p₁-(p₁-p₂)-(p₂-(p₂-p₃)))；

其中，p″′为识别后的图像；p₁、p₂、p₃分别为相邻的三幅图像。

2.根据权利要求1所述的基于图像序列多重差分的目标识别方法，其特征在于，所述序列图像为包含有目标和大量恒星的连续三帧图像，所述动态目标为恒星。

Images