CN112634154A - 一种基于图像序列多重差分的目标识别方法 - Google Patents
一种基于图像序列多重差分的目标识别方法 Download PDFInfo
- Publication number
- CN112634154A CN112634154A CN202011497566.1A CN202011497566A CN112634154A CN 112634154 A CN112634154 A CN 112634154A CN 202011497566 A CN202011497566 A CN 202011497566A CN 112634154 A CN112634154 A CN 112634154A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- sequence
- multiple difference
- method based
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000001514 detection method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000877 morphologic effect Effects 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
Images
Classifications
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
- G06T7/248—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving reference images or patches
-
- 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
- G06T2207/10016—Video; Image sequence
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
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
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011497566.1A CN112634154A (zh) | 2020-12-17 | 2020-12-17 | 一种基于图像序列多重差分的目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011497566.1A CN112634154A (zh) | 2020-12-17 | 2020-12-17 | 一种基于图像序列多重差分的目标识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112634154A true CN112634154A (zh) | 2021-04-09 |
Family
ID=75316479
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011497566.1A Pending CN112634154A (zh) | 2020-12-17 | 2020-12-17 | 一种基于图像序列多重差分的目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112634154A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100053333A1 (en) * | 2006-11-20 | 2010-03-04 | Nederlandse Organisatie Voor Toegepast- Natuurwetenschappelijk Onderzoek | Method for detecting a moving object in a sequence of images captured by a moving camera, computer system and computer program product |
CN106296726A (zh) * | 2016-07-22 | 2017-01-04 | 中国人民解放军空军预警学院 | 一种天基光学序列图像中的空间目标检测跟踪方法 |
CN106846359A (zh) * | 2017-01-17 | 2017-06-13 | 湖南优象科技有限公司 | 基于视频序列的运动目标快速检测方法 |
CN108010028A (zh) * | 2017-12-27 | 2018-05-08 | 北京航空航天大学 | 一种用于静止轨道卫星探测仪的恒星检测方法及装置 |
CN110782477A (zh) * | 2019-10-10 | 2020-02-11 | 重庆第二师范学院 | 基于序列图像的运动目标快速检测方法、计算机视觉系统 |
-
2020
- 2020-12-17 CN CN202011497566.1A patent/CN112634154A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100053333A1 (en) * | 2006-11-20 | 2010-03-04 | Nederlandse Organisatie Voor Toegepast- Natuurwetenschappelijk Onderzoek | Method for detecting a moving object in a sequence of images captured by a moving camera, computer system and computer program product |
CN106296726A (zh) * | 2016-07-22 | 2017-01-04 | 中国人民解放军空军预警学院 | 一种天基光学序列图像中的空间目标检测跟踪方法 |
CN106846359A (zh) * | 2017-01-17 | 2017-06-13 | 湖南优象科技有限公司 | 基于视频序列的运动目标快速检测方法 |
CN108010028A (zh) * | 2017-12-27 | 2018-05-08 | 北京航空航天大学 | 一种用于静止轨道卫星探测仪的恒星检测方法及装置 |
CN110782477A (zh) * | 2019-10-10 | 2020-02-11 | 重庆第二师范学院 | 基于序列图像的运动目标快速检测方法、计算机视觉系统 |
Non-Patent Citations (2)
Title |
---|
王卫华 等: "光电图像序列运动弱目标实时检测算法", 《光电工程》, vol. 33, no. 4, pages 14 - 18 * |
黄宗福;孙刚;陈曾平;: "空间目标检测序列图像中恒星目标抑制", 中国图象图形学报, no. 07 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106845346A (zh) | 一种用于机场跑道异物检测的图像检测方法 | |
Schnelle et al. | Enhanced target tracking through infrared-visible image fusion | |
CN102663385B (zh) | 一种星上点目标检测方法 | |
CN107392095A (zh) | 一种基于掩码图像的红外弱小目标检测算法 | |
CN110728668B (zh) | 一种小目标形态保持的空域高通滤波器 | |
CN107220628B (zh) | 红外干扰源检测的方法 | |
CN105574529A (zh) | 一种侧扫声纳目标检测方法 | |
CN107316318A (zh) | 基于多子区域背景拟合的空中目标自动检测方法 | |
Sui et al. | Detection algorithm of targets for infrared search system based on area infrared focal plane array under complicated background | |
CN108389191B (zh) | 一种sar图像中目标阴影区域的检测方法 | |
CN107464255B (zh) | 一种基于信息量与多尺度异常检测的船舶目标检测方法 | |
CN110095774A (zh) | 一种圆迹视频sar动目标检测方法 | |
CN112634154A (zh) | 一种基于图像序列多重差分的目标识别方法 | |
Kim et al. | Three plot correlation-based small infrared target detection in dense sun-glint environment for infrared search and track | |
Arivazhagan et al. | Significance based ship detection from SAR imagery | |
CN111428624A (zh) | 一种光学遥感图像在轨舰船目标检测方法 | |
CN109886132A (zh) | 一种云海背景飞机目标检测方法、装置及系统 | |
Liu et al. | Temporal noise suppression for small target detection in infrared image sequences | |
KR100994991B1 (ko) | 영상 추적 장치 및 그의 영상 추적 방법 | |
Jia et al. | A two-step approach to see-through bad weather for surveillance video quality enhancement | |
KR20170121515A (ko) | 적외선 영상 기반의 해상 물체 탐지 장치 및 방법 | |
Arshad et al. | Adaptive real-time ship detection and tracking using morphological operations | |
Yao et al. | Small infrared target detection based on spatio-temporal fusion saliency | |
Wen et al. | A method for automatic infrared point target detection in a sea background based on morphology and wavelet transform | |
Prasad et al. | Dark Ship detection: SAR Images |
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 |