CN113076888A - 一种多尺度局部二值模型光电图像目标检测方法 - Google Patents
一种多尺度局部二值模型光电图像目标检测方法 Download PDFInfo
- Publication number
- CN113076888A CN113076888A CN202110381364.9A CN202110381364A CN113076888A CN 113076888 A CN113076888 A CN 113076888A CN 202110381364 A CN202110381364 A CN 202110381364A CN 113076888 A CN113076888 A CN 113076888A
- Authority
- CN
- China
- Prior art keywords
- image
- value
- target
- scale
- local binary
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种多尺度局部二值模型光电图像目标检测方法,用于提高复杂背景中红外和可见光弱小目标检测准确性,包括以下步骤:1)输入光电图像;2)建立光电图像目标信号模型;3)建立多尺度局部二值模型;4)建立目标值和背景值模型,计算当前像素点的编码值;5)判断图像像素点编码值是否大于目标阈值,若大于目标阈值,则当前像素点是目标位置,否则是背景位置。本发明所述方法针对可见光、红外图像弱小目标均可使用。
Description
技术领域
本发明属于光电图像处理技术领域,尤其涉及一种多尺度局部二值模型光电图像目标检测方法。
背景技术
近年来,光电成像和图像处理技术在预警探测、精确制导、空管监视等领域得到越来越广泛的应用。然而,复杂环境光电图像目标检测受到厚天空云团、强海杂波等因素影响,往往出现目标检测概率低、虚警率高的难题,因此,弱小目标检测正成为光电探测领域研究的热点和重点。国内外学者进行了大量研究,提出多种有价值的检测方法。Zhang Y等人提出采用稀疏光流法计算图像中兴趣点的光流信息实现检测运动目标;Liu Z H等人提出一种图像匹配的方法实现对探测器运动补偿,使用差分法实现运动目标检测;张强等人提出基于局部极大值的红外弱小目标分割,通过高斯模板对待检测图像进行增强处理;李秋华等人采用D-S证据理论的双色红外目标融合检测;王莹莹等人采用数学形态学和信息熵对红外目标进行检测;周超康等人提出基于双背景模型的改进Vibe运动目标检测算法。现有的光电图像目标检测技术存在以下缺点:(1)厚天空云团、强海杂波等复杂背景中弱小目标检测概率低、虚警率高;(2)多数算法目标阈值不易选择,对检测算法性能影响大;(3)传统局部二值模型检测算法只适用于点目标,目标尺寸变化适应能力差;(4)多数算法性能与复杂度之间矛盾难以平衡,高性能检测算法硬件工程化难。
发明内容
发明目的:本发明的目的是提供多尺度局部二值模型光电图像目标检测方法,使其在嵌入式平台FPGA+DSP实时运行,使用该发明,可实时、有效、准确地检测红外和可见光图像中的弱小目标。
技术方案:为实现上述目的,本发明所述的光电图像目标检测方法主要包括输入光电图像、建立目标信号模型、建立多尺度局部二值模型、建立3×3矩阵块的目标值和背景值模型、计算当前像素点的编码值和图像像素编码值判定。
步骤1:输入光电图像;
步骤2:建立光电图像目标信号模型;
步骤3:建立多尺度局部二值模型;
步骤4:建立3×3矩阵块的目标值和背景值模型,计算当前像素点的编码值;
步骤5:判断图像像素编码值是否大于目标阈值,如果大于目标阈值,则当前像素点是目标位置,否则是背景位置。
步骤1包括:所述光电图像包括红外图像和可见光图像。红外图像是灰度图像,保持不变,支持分辨率包括640×512、640×480、320×256、320×240等焦平面阵列探测器、576×6、288×4等线列探测器;可见光图像如果为彩色图像,则转换为灰度图像,支持分辨率包括3840×2160、1920×1080、720×576、720×480等。
步骤2包括:
光电图像目标信号模型表示为:
f(i,j)=fT(i,j)+fB(i,j)+n(i,j),
其中,f(i,j)表示光电图像,fT(i,j)表示目标信号,fB(i,j)表示背景信号,n(i,j)表示噪声,i是图像行数,j是图像列数。
步骤3包括如下步骤:
步骤3-1:建立h×h矩阵块局部二值模型,表达式如下所示:
其中,I(i,j)是(i,j)位置的编码值,k1是行方向坐标,k2是列方向坐标,h是窗口宽度,gc是(i,j)位置像素值,gd是gc周围邻域像素值,W是图像宽度,s(x)是评价函数,h=2,c=i*W+j,d=k1*W+k2;
步骤3-2:创建多尺度窗口,分别为2×2、3×3和4×4;
步骤3-3:邻域信息熵是描述图像复杂度,区分目标与背景的重要指标,反映局部像素值的离散程度,信息熵值越大,图像细节信息越丰富。根据信息熵值确定窗口尺度,能够最优反映局部像素的变化程度。
将信息熵值最大的窗口定义为当前像素点的尺度,邻域信息熵定义如下:
以坐标(i,j)为中心的P×Q大小的邻域信息熵定义为Hij:
其中,f(i,j)为图像中坐标(i,j)位置的灰度值,pij为坐标(i,j)位置的灰度分布概率,P={6,9,12},Q={6,9,12},P、Q分别是邻域的宽度和高度。
步骤4包括:
步骤4-1:根据步骤3-3确定的窗口尺度,利用冒泡排序对目标区域所有像素值排序,将像素点最大值和次大值的平均值作为目标值。
冒泡排序原理:重复走访要排序的元素列,依次比较相邻的元素,如果顺序错误就进行交换,直到没有相邻元素需要交换,表明该元素列完成排序。
步骤4-2:根据步骤3-3确定的窗口尺度,利用冒泡排序分别对背景区域的像素值排序,将像素点最小值和次小值的平均值作为背景值。
步骤4-3:根据步骤3-1局部二值模型按照顺时针方向计算当前像素点的编码值。
本发明与现有技术相比,显著优点是:对厚天空云团、强海杂波背景弱小目标的检测概率高、虚警率低;建立多尺度局部二值模型,解决传统局部二值模型只能针对点目标,弱小目标尺寸适应性差难题;建立目标值和背景值模型,解决传统局部二值模型中目标阈值不易选择难题;本发明提出的方法不存在高阶运算和复杂结构,算法运算量小,易于硬件实时实现,具有良好的实际应用价值。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明,本发明的上述和/或其他方面的优点将会变得更加清楚。
图1本发明流程图。
图2为多尺度局部二值模型。
图3a为光电图像。
图3b为目标检测图像。
具体实施方式
如图1所示,本发明公开了多尺度局部二值模型光电图像目标检测方法,已在嵌入式平台FPGA+DSP实时运行,包括如下步骤:
(1)输入光电图像
光电图像主要包括红外和可见光图像,这里,以640×512分辨率红外图像为实施例,进一步说明本发明专利的具体实现方法。
(2)建立光电图像目标信号模型;
基于信号空域相关和噪声随机理论,光电图像目标信号模型可表示为f(i,j)=fT(i,j)+fB(i,j)+n(i,j),其中,f(i,j)表示光电图像,fT(i,j)表示目标信号,fB(i,j)表示背景信号,n(i,j)表示噪声,i是图像行数,i≥1,i≤512,j是图像列数,j≥1,j≤640。
(3)建立多尺度局部二值模型;
(a)建立3×3矩阵块局部二值模型,表达式如下所示:
其中,I(i,j)是(i,j)位置的编码值,k1是行方向坐标,k2是列方向坐标,gc是(i,j)位置像素值,gd是gc周围邻域像素值,W是图像宽度,W=640,s(x)是评价函数,h=3,c=i*640+j,d=k1*640+k2。
(b)创建多尺度窗口,分别为2×2、3×3和4×4。
(c)邻域信息熵定义如下:
以坐标(i,j)为中心的P×Q大小的邻域信息熵定义为:
其中,f(i,j)为图像中坐标(i,j)位置的灰度值,Hij是该邻域信息熵,pij为坐标(i,j)位置的灰度分布概率,i≥1,i≤512,j是图像列数,j≥1,j≤640,P={6,9,12},Q={6,9,12}。
分别以坐标(i,j)为中心,P=Q=6、P=Q=9、P=Q=12的邻域信息熵,如果P=Q=6的信息熵值最大,则窗口尺度是2×2;如果P=Q=9的信息熵值最大,则窗口尺度是3×3;如果P=Q=12的信息熵值最大,则窗口尺度是4×4。
(4)建立3×3矩阵块的目标值和背景值模型,计算当前像素点的编码值;
(a)根据窗口尺度,利用冒泡排序对目标区域所有像素值排序,将像素点最大值和次大值的平均值作为目标值。
这里,目标区域是指图2所示3×3矩阵块的标识为5的矩阵块。
如果窗口尺度是2×2,则目标区域像素数是4;如果窗口尺度是3×3,则目标区域像素数是9;如果窗口尺度是4×4,则目标区域像素数是16。
(b)根据窗口尺度,利用冒泡排序分别对背景区域的像素值排序,将像素点最小值和次小值的平均值作为背景值。
这里,背景区域是指图2所示3×3矩阵块的标识为1、2、3、4、6、7、8、9的矩阵块。
如果窗口尺度是2×2,则目标区域像素数是4;如果窗口尺度是3×3,则目标区域像素数是9;如果窗口尺度是4×4,则目标区域像素数是16。
(c)计算当前像素点的编码值。
根据(3)-(a)局部二值模型,按照顺时针方向计算I(i,j)取值范围是I(i,j)={00000000,00000001,...,11111111},其中,I(i,j)取值是00000000时,表示为一个暗点,当前像素点为背景值,I(i,j)取值是11111111时,表示为一个亮点,当前像素点为目标值。
(5)判断图像像素编码值是否大于目标阈值,若大于目标阈值,则当前像素点是目标位置,否则是背景位置。
设定目标阈值50,若I(i,j)≥50,当前像素点是目标位置,若I(i,j)<50,当前像素点是背景位置。图3a中圆圈表示真实目标位置,图3b中的亮点是利用本发明方法的目标检测结果。
本发明提供了一种多尺度局部二值模型光电图像目标检测方法,具体实现该技术方案的方法和途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (5)
1.一种多尺度局部二值模型光电图像目标检测方法,其特征在于,包括如下步骤:
步骤1:输入光电图像;
步骤2:建立光电图像目标信号模型;
步骤3:建立多尺度局部二值模型;
步骤4:建立3×3矩阵块的目标值和背景值模型,计算当前像素点的编码值;
步骤5:判断图像像素编码值是否大于目标阈值,如果大于目标阈值,则当前像素点是目标位置,否则是背景位置。
2.根据权利要求1所述的方法,其特征在于,步骤1包括:
所述光电图像包括红外图像和可见光图像,红外图像是灰度图像,保持不变;可见光图像如果为彩色图像,则转换为灰度图像。
3.根据权利要求2所述的方法,其特征在于,步骤2包括:
光电图像目标信号模型表示为:
f(i,j)=fT(i,j)+fB(i,j)+n(i,j),
其中,f(i,j)表示光电图像,fT(i,j)表示目标信号,fB(i,j)表示背景信号,n(i,j)表示噪声,i是图像行数,j是图像列数。
4.根据权利要求3所述的方法,其特征在于,步骤3包括如下步骤:
步骤3-1:建立h×h矩阵块局部二值模型,表达式如下所示:
其中,I(i,j)是(i,j)位置的编码值,k1是行方向坐标,k2是列方向坐标,h是窗口宽度,gc是(i,j)位置像素值,gd是gc周围邻域像素值,W是图像宽度,s(x)是评价函数,c=i*W+j,d=k1*W+k2;
步骤3-2:创建多尺度窗口,分别为2×2、3×3和4×4;
步骤3-3:将信息熵值最大的窗口定义为当前像素点的尺度,邻域信息熵定义如下:
以坐标(i,j)为中心的P×Q大小的邻域信息熵定义为Hij:
其中,f(i,j)为图像中坐标(i,j)位置的灰度值,pij为坐标(i,j)位置的灰度分布概率,P={6,9,12},Q={6,9,12},P、Q分别是邻域的宽度和高度。
5.根据权利要求4所述的方法,其特征在于,步骤4包括如下步骤:
步骤4-1:根据步骤3-3确定的窗口尺度,利用冒泡排序对目标区域所有像素值排序,将像素点最大值和次大值的平均值作为目标值;
步骤4-2:根据步骤3-3确定的窗口尺度,利用冒泡排序分别对背景区域的像素值排序,将像素点最小值和次小值的平均值作为背景值;
步骤4-3:根据步骤3-1局部二值模型按照顺时针方向计算当前像素点的编码值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110381364.9A CN113076888B (zh) | 2021-04-09 | 2021-04-09 | 一种多尺度局部二值模型光电图像目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110381364.9A CN113076888B (zh) | 2021-04-09 | 2021-04-09 | 一种多尺度局部二值模型光电图像目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113076888A true CN113076888A (zh) | 2021-07-06 |
CN113076888B CN113076888B (zh) | 2021-10-26 |
Family
ID=76615700
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110381364.9A Active CN113076888B (zh) | 2021-04-09 | 2021-04-09 | 一种多尺度局部二值模型光电图像目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113076888B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102222339A (zh) * | 2011-06-17 | 2011-10-19 | 中国科学院自动化研究所 | 一种基于纹理和强度特征融合的多尺度背景建模方法 |
US20140112578A1 (en) * | 2012-10-19 | 2014-04-24 | National Taiwan University Of Science And Technology | Image recognition method and image recognition system |
CN107507140A (zh) * | 2017-08-03 | 2017-12-22 | 重庆大学 | 基于特征融合的高速公路露天场景车辆阴影干扰抑制方法 |
CN109117739A (zh) * | 2018-07-18 | 2019-01-01 | 成都识达科技有限公司 | 一种基于邻域样本定向鉴别投影特征提取方法 |
CN109272489A (zh) * | 2018-08-21 | 2019-01-25 | 西安电子科技大学 | 基于背景抑制与多尺度局部熵的红外弱小目标检测方法 |
CN109816641A (zh) * | 2019-01-08 | 2019-05-28 | 西安电子科技大学 | 基于多尺度形态学融合的加权局部熵红外小目标检测方法 |
US20190340746A1 (en) * | 2018-08-03 | 2019-11-07 | Baidu Online Network Technology (Beijing) Co., Ltd. | Stationary object detecting method, apparatus and electronic device |
-
2021
- 2021-04-09 CN CN202110381364.9A patent/CN113076888B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102222339A (zh) * | 2011-06-17 | 2011-10-19 | 中国科学院自动化研究所 | 一种基于纹理和强度特征融合的多尺度背景建模方法 |
US20140112578A1 (en) * | 2012-10-19 | 2014-04-24 | National Taiwan University Of Science And Technology | Image recognition method and image recognition system |
CN107507140A (zh) * | 2017-08-03 | 2017-12-22 | 重庆大学 | 基于特征融合的高速公路露天场景车辆阴影干扰抑制方法 |
CN109117739A (zh) * | 2018-07-18 | 2019-01-01 | 成都识达科技有限公司 | 一种基于邻域样本定向鉴别投影特征提取方法 |
US20190340746A1 (en) * | 2018-08-03 | 2019-11-07 | Baidu Online Network Technology (Beijing) Co., Ltd. | Stationary object detecting method, apparatus and electronic device |
CN109272489A (zh) * | 2018-08-21 | 2019-01-25 | 西安电子科技大学 | 基于背景抑制与多尺度局部熵的红外弱小目标检测方法 |
CN109816641A (zh) * | 2019-01-08 | 2019-05-28 | 西安电子科技大学 | 基于多尺度形态学融合的加权局部熵红外小目标检测方法 |
Non-Patent Citations (2)
Title |
---|
XIAOLONG WANG 等: "Ship Detection for Complex Background SAR Images Based on a Multiscale Variance Weighted Image Entropy Method", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
蔡青 等: "基于信息熵的自适应尺度活动轮廓图像分割模型", 《西北工业大学学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113076888B (zh) | 2021-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109816641B (zh) | 基于多尺度形态学融合的加权局部熵红外小目标检测方法 | |
CN106778712B (zh) | 一种多目标检测与跟踪方法 | |
CN110287826B (zh) | 一种基于注意力机制的视频目标检测方法 | |
CN104978567B (zh) | 基于场景分类的车辆检测方法 | |
CN103093458B (zh) | 关键帧的检测方法及装置 | |
CN110084830B (zh) | 一种视频运动目标检测与跟踪方法 | |
CN112085651B (zh) | 一种基于图像自适应阈值与特征提取的激波自动检测跟踪算法 | |
CN112766136B (zh) | 一种基于深度学习的空间车位检测方法 | |
CN114973207B (zh) | 一种基于目标检测的路标识别方法 | |
CN104599291B (zh) | 基于结构相似度和显著性分析的红外运动目标检测方法 | |
CN105469090A (zh) | 红外图像中基于频域残差的小目标检测方法及装置 | |
CN111259736B (zh) | 一种基于深度学习的复杂环境下行人实时检测方法 | |
CN107045630B (zh) | 一种基于rgbd的行人检测和身份识别方法及系统 | |
CN105139426B (zh) | 一种基于非下采样小波变换和lbp的视频运动目标检测方法 | |
CN109636834A (zh) | 基于tld改进算法的视频车辆目标跟踪算法 | |
ZHANG et al. | Multi-target vehicle detection and tracking based on video | |
CN113076888B (zh) | 一种多尺度局部二值模型光电图像目标检测方法 | |
CN108985216B (zh) | 一种基于多元logistic回归特征融合的行人头部检测方法 | |
CN115294392B (zh) | 基于生成网络模型的可见光遥感图像云去除方法及系统 | |
CN116862832A (zh) | 一种基于三维实景模型的作业人员定位方法 | |
Srilekha et al. | A novel approach for detection and tracking of vehicles using Kalman filter | |
Zhang et al. | Detection and Statistics System of Pavement Distresses Based on Street View Videos | |
CN110781803A (zh) | 一种基于扩展卡尔曼滤波器的人体姿态识别方法 | |
Li et al. | Review of multi-object tracking based on deep learning | |
CN114283296B (zh) | 一种基于结构相似度的目标识别自评估方法 |
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 |