CN113192059A - 一种红外遥感图像在轨舰船检测方法 - Google Patents
一种红外遥感图像在轨舰船检测方法 Download PDFInfo
- Publication number
- CN113192059A CN113192059A CN202110565293.8A CN202110565293A CN113192059A CN 113192059 A CN113192059 A CN 113192059A CN 202110565293 A CN202110565293 A CN 202110565293A CN 113192059 A CN113192059 A CN 113192059A
- Authority
- CN
- China
- Prior art keywords
- pixel
- image
- target
- remote sensing
- infrared remote
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/10048—Infrared image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种红外遥感图像在轨舰船检测方法,该方法包括:获取目标区域的红外遥感图像数据并进行预处理;根据多尺度灰度差分算法进行图像增强;采用自适应阈值分割提取疑似目标候选区域;基于舰船几何特征在目标候选区域内提取目标舰船的检测结果。该方法中首先需对红外图像进行预处理,解决红外成像过程中的质量问题,为后续目标检测提供优质图像;可显著降低检测难度,且使得整个红外目标检测流程更为完善;其次基于多尺度灰度差分能在增强目标和背景对比度的同时解决红外图像昼夜双极性问题。然后通过自适应阈值分割能有效提取疑似目标候选区域;最后基于舰船特性进行舰船鉴别可降低虚警率;检测性能优且复杂度低,适用于硬件实现。
Description
技术领域
本发明涉及图像目标检测领域,具体涉及一种红外遥感图像在轨舰船检测方法。
背景技术
由于红外成像系统的复杂性和局限性,在红外焦平面探测器、信号驱动和处理电路、光学系统等方面引入噪声,红外图像存在盲元、条带噪声、动态分布范围较窄等特点。目前基于红外卫星获得的遥感图像,将其用于目标识别,尤其用于对舰船的目标识别,对于舰船作为海上检测运输载体和重要军事目标,其检测识别具有深远的现实意义。
但红外遥感图像易受太阳耀斑、云层变化及海洋波浪等天气变化干扰,造成对舰船的检测过程中虚警率高;仅仅采用传统的阈值分割方法和统计方法已不再适用于复杂背景的红外图像和舰船目标检测。
同时星上硬件架构与地面计算机的处理架构存在较大差异,存储资源和运算资源受限,传统的阈值分割方法和统计方法复杂度也较高。
因此,如何提高红外遥感图像的舰船目标检测的准确率,以及降低算法的复杂度,是同行从业人员亟待解决的问题。
发明内容
鉴于现有的舰船检测方法都存在一定程度的虚警率和准确率不足之处,本发明提供了一种红外遥感图像在轨舰船检测方法,该方法可准确、实时的检测红外遥感图像舰船,能够弥补上述缺陷。
本发明实施例提供一种红外遥感图像在轨舰船检测方法,包括:
步骤1:获取目标区域的红外遥感图像数据并进行预处理;
步骤2:将经预处理后的红外遥感图像,根据多尺度灰度差分算法进行图像增强;
步骤3:将图像增强后的红外遥感图像,采用自适应阈值分割提取疑似目标候选区域;
步骤4:基于舰船几何特征在所述目标候选区域内提取目标舰船的检测结果。
进一步地,所述步骤1包括:
步骤11:对获取目标区域的红外遥感图像进行盲元校正,去除图像中的死像元和过热像元;
步骤12:对所述红外遥感图像进行非均匀校正;
步骤13:对所述红外遥感图像进行动态范围调整,改变图像的灰度分布范围或者将其映射到其他灰度区间。
进一步地,所述步骤11包括:
步骤111:构建盲元标记表;如果像元为盲元,则标记为第一符号,若为非盲元,则标记为第二符号;
步骤112:按列读取盲元标记表,若为盲元,则判断盲元的位置是否为边缘像素或者中间像素;
步骤113:若为边缘像素,则用若干列之内的最近邻非盲元位置像元进行替代;若为中间像素,则利用盲元左、右若干列内最近邻的非盲元像元进行线性加权补偿,权值根据与该像素的距离决定。
进一步地,所述步骤12包括:
步骤121:在黑体温度为T1时,采集N帧图像数据,对每一个像元取N帧平均响应为:
步骤122:在黑体温度为T2时,采集N帧图像数据,测得探测器N帧各像元的平均响应为:
步骤123:计算各像元的校正系数;为T1和T2指定两个固定响应值Yi(T1)、Yi(T2),值的大小根据不同探测器的动态响应范围进行设置,计算各单元的校正系数G′i和O′i:
O′i=Yi(T1)-G′iXi(T1) (4)
根据校正方程(5)对各像元进行校正;
Yi=G′iXi+O′i (5)
其中,N表示图像数据的帧数;n表示图像数据帧数序号,取值为正整数,1≤n≤N;i表示像元序号;X表示响应值。
进一步地,所述步骤13包括:
步骤131:统计图像灰度直方图,取直方图积累在per1处对应的像素值为min,per2处对应的像素值为max;其中per1、per2为不同的百分数;
步骤132:将直方图积累在per1和per2之间的像元值进行线性拉伸,若像素值小于min则置0或者min,若像素值大于max则置灰度级最大值或者max。
进一步地,所述步骤2包括:
步骤21:多尺度灰度差分用于表征目标和其周围区域灰度的不相似性,则图像I在坐标(x,y)的第l级灰度差分定义如下:
其中,Ωmax表示背景窗口像素点的集合,宽度为lmax;Ωk表示目标窗口像素点的集合,宽度l=1,2,...L,L<=0.5*(lmax-1);N表示图像I的帧数;(s,t)表示目标窗口像素点的位置坐标;(p,q)表示背景窗口像素点的位置坐标;
步骤22:当目标框接近于舰船大小时,灰度差值Dl(x,y)最大,最能表征目标和背景的差异;则取像素点(x,y)处的最大灰度差异得到图像的显著性映射,表达如下
D(x,y)=max{D1(x,y),D2(x,y),...,DL(x,y)} (7)
D(x,y)表示像素点(x,y)处的最大灰度。
进一步地,所述步骤3包括:
步骤31:显著性映射图的均值为u,显著性映射图的方差为σ;给出均值与方差的比值k;
当显著性映射图内容不同时,k值差异明显且有规律;给定自适应阈值定义如下:
其中c1、c2和c3为经验系数;
步骤32:对图像进行自适应阈值分割得到二值化图像,并对图像进行形态学处理。
进一步地,所述步骤32包括:
步骤321:对提取的疑似目标候选区域进行膨胀操作,填充目标候选区域二值化图像的孔洞和修正其不连续性;
步骤322:对膨胀后的疑似目标候选区域进行修正腐蚀操作,去除异常点判别产生的噪点和修正连通域面积。
进一步地,所述步骤322包括:
设定结构算子,采用给定的结构算子遍历二值图像的每一个像素;
计算结构算子与其所覆盖二值图像的乘积和;
当乘积和小于等于M时,此像素点置0;其中M为小于结构算子所有元素和的某个常数。
本发明实施例提供的上述技术方案的有益效果至少包括:
本发明实施例提供的红外遥感图像在轨舰船检测方法,与现有技术相比,具有如下优势:
首先对其进行预处理以改善成像质量,其次红外遥感图像目标与背景对比度低,容易淹没在背景杂波和噪声中,目标纹理特征不明显,图像昼夜呈双极性等;采用多尺度灰度差分算法抑制背景噪声、增强目标信号,同时能去除红外图像双极性影响;再采用自适应阈值分割提取疑似目标候选区域,最后根据舰船形状信息进行舰船鉴别。该方法可在保证高检测率的同时能剔除部分干扰降低虚警率;能在保障算法性能的同时降低算法复杂度。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例提供的红外遥感图像在轨舰船检测方法流程图;
图2为本发明实施例提供的红外遥感图像在轨舰船检测方法流程示意图;
图3为本发明实施例提供的红外遥感图像在轨舰船检测装置的框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
在本发明的描述中,术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明而不是要求本发明必须以特定的方位构造和操作,因此不能理解为对本发明的限制。本发明中使用的术语“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接;可以是直接相连,也可以通过中间部件间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
实施例1:
参照图1所示,本发明实施例提供的红外遥感图像在轨舰船检测方法,可以在移动终端、计算机终端或者类似的运算装置中执行;包括:
步骤1:获取目标区域的红外遥感图像数据并进行预处理;
步骤2:将经预处理后的红外遥感图像,根据多尺度灰度差分算法进行图像增强;
步骤3:将图像增强后的红外遥感图像,采用自适应阈值分割提取疑似目标候选区域;
步骤4:基于舰船几何特征在所述目标候选区域内提取目标舰船的检测结果。
本发明实施例基于红外遥感图像舰船检测特性和星上硬件架构设计,提出了一种红外遥感图像在轨舰船检测方法。由于红外载荷的特性,首先需对红外图像进行预处理,解决红外成像过程中的质量问题,为后续目标检测提供优质图像。图像预处理不可或缺,可显著降低检测难度,且使得整个红外目标检测流程更为完善;其次基于多尺度灰度差分能在增强目标和背景对比度的同时解决红外图像昼夜双极性问题。然后通过自适应阈值分割能有效提取疑似目标候选区域;最后基于舰船特性进行舰船鉴别可降低虚警率;算法检测性能优且复杂度低,适用于硬件实现。
下面分别对上述步骤进行详细的说明。如图2所示,本实施例公开了一种红外遥感图像在轨舰船检测方法,包括以下步骤:
步骤1:红外遥感图像预处理;
步骤1具体包括以下内容:
步骤11:对遥感图像进行盲元校正,去除图像中的死像元和过热像元;
步骤12:对图像进行非均匀校正,解决图像条带噪声的问题。
步骤13:对图像进行动态范围调整,改变图像的灰度分布范围或者将其映射到其他灰度区间。
进一步的,步骤11具体包括以下内容:
步骤111:构建盲元标记表;如果像元为盲元,则标记为第一符号,比如:为1,若为非盲元,则标记为第二符号,比如为0。其中,盲元,又称无效像元,是红外焦平面阵列在生产过程中产生的死像元和过热像元。死像元是指响应率小于平均响应率1/10的像元,过热像元是指噪声电压大于平均噪声电压10倍的像元。
步骤112:按列读取盲元标记表,若为盲元,则判断盲元(第i列)的位置是否为边缘像素(比如左4列或者右4列)或者中间像素。
步骤113:若为边缘像素,则用若干列(比如6列)之内的最近邻非盲元位置像元进行替代。若为中间像素,则利用盲元左、右若干列(比如4列)内最近邻的非盲元像元进行线性加权补偿,权值根据与该像素的距离决定。
进一步的,步骤12具体包括以下内容:
步骤121:在黑体温度为T1时,采集N帧图像数据,对每一个像元取N帧平均响应为
步骤122:在黑体温度为T2时,采集N帧图像数据,测得探测器N帧各像元的平均响应为:
其中,i代表某一像元序号,1≤i≤1024。黑体表示不能射出光线的物体,包括吸收光线和内部光线在不规则反射下不能射出物体外的。N表示图像数据的帧数;n表示图像数据帧数序号,取值为正整数,1≤n≤N;X表示响应值。
步骤123:计算各像元的校正系数。为T1和T2指定两个固定响应值Yi(T1)、Yi(T2),值的大小要根据不同探测器的动态响应范围进行设置,然后计算各单元的校正系数G′i和O′i:
O′i=Yi(T1)-G′iXi(T1) (4)
根据校正方程(5)对各像元进行校正。
Yi=G′iXi+O′i (5)
进一步的,步骤13具体包括以下内容:
步骤131:比如将图像无重叠分成512*512大小切片;统计切片图像灰度直方图,取直方图积累在0.02%处对应的像素值为min,0.98%处对应的像素值为max。per1和per2为经验值,per1参考值为0.0002,per1参考值为0.9998。
步骤132:将直方图积累在0.02%和99.98%之间的像元值进行线性拉伸,若像素值小于min则置0或者min,若像素值大于max则置灰度级最大值。min、max的取值由per1、per2决定。
步骤2:基于多尺度灰度差分的图像增强;
步骤21:多尺度灰度差分用于表征目标和其周围区域灰度的不相似性,则图像I在坐标(x,y)的第l级灰度差分定义如下
其中,Ωmax表示背景窗口像素点的集合,宽度为lmax;Ωk表示目标窗口像素点的集合,宽度k=1,2,...L,L<=0.5*(lmax-1);N表示图像I的帧数;(s,t)表示目标窗口像素点的位置坐标;(p,q)表示背景窗口像素点的位置坐标;
步骤22:当目标框接近于舰船大小时,灰度差值Dl(x,y)最大,最能表征目标和背景的差异。则取像素点(x,y)处的最大灰度差异得到图像的显著性映射,表达如下
D(x,y)=max{D1(x,y),D2(x,y),...,DL(x,y)} (7)
步骤3:自适应阈值分割提取疑似目标候选区域;
步骤31:显著性映射图的均值为u,显著性映射图的方差为σ;给出均值与方差的比值k。
当显著性映射图内容不同时,k值差异明显且有规律。当图像存在目标且背景均匀时,k值较小。当图像存在目标且背景不均匀时,k值略大。当图像存在目标且背景有云雾干扰时,k值较大。当图像无目标时,k值最大。根据此特点给定自适应阈值定义如下
其中c1、c2和c3为经验系数。本发明实施例中,比如c1取值100,当舰船和背景对比度较高时,可以尽可能减少虚警目标;c2取值40,当存在云雾等干扰时,可以尽可能降低目标漏检;其他情况时c2取值80。
步骤32:对图像进行阈值分割得到二值化图像,并对图像进行形态学处理。
步骤32具体包括以下内容:
步骤321:对提取的疑似目标候选区域进行膨胀操作,填充目标候选区域二值化图像的孔洞和修正其不连续性;
步骤322:对膨胀后的疑似目标候选区域进行修正腐蚀操作,去除异常点判别产生的噪点和修正连通域面积。
步骤322具体实施为设定结构算子如下式所示
采用给定的结构算子遍历二值图像的每一个像素,计算结构算子与其所覆盖二值图像的乘积和,当乘积和小于等于M时,此像素点置0;其中M为小于结构算子所有元素和的某个常数。比如当乘积和小于等于4时,此像素点置0。
步骤4:舰船几何特征提取与舰船鉴别。具体实施为,基于红外遥感图像舰船和碎云、海杂波、岛屿等干扰的差别,提出疑似目标面积、长度和宽度特征进行舰船鉴别。连通域提取可以得到舰船的面积信息,通过设定面积的上下阈值可以去除噪点和面积较大的岛屿等干扰。舰船形状为细长条状,通过长宽可以去除与舰船大小相近但形状不同的干扰。通过求解连通域凸包和凸包最小外接矩形两步操作可得到舰船长度和宽度信息。
实施例2:
本发明实施例还提供一种红外遥感图像在轨舰船检测装置,可以用于执行上述实施例1公开方法的实施例,参照图3所示,包括:
获取预处理模块31,用于红外遥感图像数据并进行预处理;
图像增强模块32,用于将经预处理后的红外遥感图像,根据多尺度灰度差分算法进行图像增强;
分割提取模块33,用于将图像增强后的红外遥感图像,采用自适应阈值分割提取疑似目标候选区域;
检测模块34,用于基于舰船几何特征在所述目标候选区域内提取目标舰船的检测结果。
进一步地,获取预处理模块31包括:
盲元校正单元,对获取目标区域的红外遥感图像进行盲元校正,去除图像中的死像元和过热像元;
非均匀校正单元,对所述红外遥感图像进行非均匀校正;
调整单元,对所述红外遥感图像进行动态范围调整,改变图像的灰度分布范围或者将其映射到其他灰度区间。
进一步地,所述盲元校正单元具体用于:构建盲元标记表;如果像元为盲元,则标记为第一符号,若为非盲元,则标记为第二符号;按列读取盲元标记表,若为盲元,则判断盲元的位置是否为边缘像素或者中间像素;若为边缘像素,则用若干列之内的最近邻非盲元位置像元进行替代;若为中间像素,则利用盲元左、右若干列内最近邻的非盲元像元进行线性加权补偿,权值根据与该像素的距离决定。
进一步地,非均匀校正单元包括:
在黑体温度为T1时,采集N帧图像数据,对每一个像元取N帧平均响应为:
在黑体温度为T2时,采集N帧图像数据,测得探测器N帧各像元的平均响应为:
计算各单元的校正系数;为T1和T2指定两个固定响应值Yi(T1)、Yi(T2),值的大小根据不同探测器的动态响应范围进行设置,计算各单元的校正系数G′i和O′i:
O′i=Yi(T1)-G′iXi(T1) (4)
根据校正方程(5)对各像元进行校正;
Yi=G′iXi+O′i (5)
其中,N表示图像数据的帧数;n表示图像数据帧数序号,取值为正整数,1≤n≤N;i表示像元序号;X表示响应值。
进一步地,所述调整单元具体用于统计图像灰度直方图,取直方图积累在per1处对应的像素值为min,per2处对应的像素值为max;其中per1、per2为不同的百分数;将直方图积累在per1和per2之间的像元值进行线性拉伸,若像素值小于min则置0或者min,若像素值大于max则置灰度级最大值或者max。
进一步地,所述图像增强模块,具体用于:
多尺度灰度差分用于表征目标和其周围区域灰度的不相似性,则图像I在坐标(x,y)的第l级灰度差分定义如下:
其中,Ωmax表示背景窗口像素点的集合,宽度为lmax;Ωk表示目标窗口像素点的集合,宽度k=1,2,...L,L<=0.5*(lmax-1);N表示图像I的帧数;
当目标框接近于舰船大小时,灰度差值Dl(x,y)最大,最能表征目标和背景的差异;则取像素点(x,y)处的最大灰度差异得到图像的显著性映射,表达如下
D(x,y)=max{D1(x,y),D2(x,y),...,DL(x,y)} (7)
D(x,y)表示像素点(x,y)处的最大灰度。
进一步地,所述分割提取模块,具体用于:
显著性映射图的均值为u,显著性映射图的方差为σ;给出均值与方差的比值k;
当显著性映射图内容不同时,k值差异明显且有规律;给定自适应阈值定义如下:
其中c1、c2和c3为经验系数;
对图像进行自适应阈值分割得到二值化图像,并对图像进行形态学处理。对提取的疑似目标候选区域进行膨胀操作,填充目标候选区域二值化图像的孔洞和修正其不连续性;对膨胀后的疑似目标候选区域进行修正腐蚀操作,去除异常点判别产生的噪点和修正连通域面积。
进一步地,设定结构算子,采用给定的结构算子遍历二值图像的每一个像素;计算结构算子与其所覆盖二值图像的乘积和;当乘积和小于等于M时,
此像素点置0;其中M为小于结构算子所有元素和的某个常数。
实施例3:
本发明实施例再提供一种红外遥感图像在轨舰船检测装置,包括:处理器;用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
获取目标区域的红外遥感图像数据并进行预处理;
将经预处理后的红外遥感图像,根据多尺度灰度差分算法进行图像增强;
将图像增强后的红外遥感图像,采用自适应阈值分割提取疑似目标候选区域;
基于舰船几何特征在所述目标候选区域内提取目标舰船的检测结果。其他未尽描述内容,在此不再赘述,可参照实施例1描述的方案。
实施例4:
根据本发明实施例,提供了一种存储介质的实施例,存储介质包括存储的程序,其中,程序运行时执行上述实施例1中的红外遥感图像在轨舰船检测方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种红外遥感图像在轨舰船检测方法,其特征在于,包括:
步骤1:获取目标区域的红外遥感图像数据并进行预处理;
步骤2:将经预处理后的红外遥感图像,根据多尺度灰度差分算法进行图像增强;
步骤3:将图像增强后的红外遥感图像,采用自适应阈值分割提取疑似目标候选区域;
步骤4:基于舰船几何特征在所述目标候选区域内提取目标舰船的检测结果。
2.如权利要求1所述的方法,其特征在于,所述步骤1包括:
步骤11:对获取目标区域的红外遥感图像进行盲元校正,去除图像中的死像元和过热像元;
步骤12:对所述红外遥感图像进行非均匀校正;
步骤13:对所述红外遥感图像进行动态范围调整,改变图像的灰度分布范围或者将其映射到其他灰度区间。
3.如权利要求2所述的方法,其特征在于,所述步骤11包括:
步骤111:构建盲元标记表;如果像元为盲元,则标记为第一符号,若为非盲元,则标记为第二符号;
步骤112:按列读取盲元标记表,若为盲元,则判断盲元的位置是否为边缘像素或者中间像素;
步骤113:若为边缘像素,则用若干列之内的最近邻非盲元位置像元进行替代;若为中间像素,则利用盲元左、右若干列内最近邻的非盲元像元进行线性加权补偿,权值根据与该像素的距离决定。
4.如权利要求2所述的方法,其特征在于,所述步骤12包括:
步骤121:在黑体温度为T1时,采集N帧图像数据,对每一个像元取N帧平均响应为:
步骤122:在黑体温度为T2时,采集N帧图像数据,测得探测器N帧各像元的平均响应为:
步骤123:计算各像元的校正系数;为T1和T2指定两个固定响应值Yi(T1)、Yi(T2),值的大小根据不同探测器的动态响应范围进行设置,计算各单元的校正系数G′i和O′i:
O'i=Yi(T1)-G'iXi(T1) (4)
根据校正方程(5)对各像元进行校正;
Yi=G′iXi+O′i (5)
其中,N表示图像数据的帧数;n表示图像数据帧数序号,取值为正整数,1≤n≤N;i表示像元序号;X表示响应值。
5.如权利要求2所述的方法,其特征在于,所述步骤13包括:
步骤131:统计图像灰度直方图,取直方图积累在per1处对应的像素值为min,per2处对应的像素值为max;其中per1、per2为不同的百分数;
步骤132:将直方图积累在per1和per2之间的像元值进行线性拉伸,若像素值小于min则置0或者min,若像素值大于max则置灰度级最大值或者max。
6.如权利要求1所述的方法,其特征在于,所述步骤2包括:
步骤21:多尺度灰度差分用于表征目标和其周围区域灰度的不相似性,则图像I在坐标(x,y)的第l级灰度差分定义如下:
其中,Ωmax表示背景窗口像素点的集合,宽度为lmax;Ωk表示目标窗口像素点的集合,宽度l=1,2,…L,L<=0.5*(lmax-1);N表示图像I的帧数;(s,t)表示目标窗口像素点的位置坐标;(p,q)表示背景窗口像素点的位置坐标;
步骤22:当目标框接近于舰船大小时,灰度差值Dl(x,y)最大,最能表征目标和背景的差异;则取像素点(x,y)处的最大灰度差异得到图像的显著性映射,表达如下
D(x,y)=max{D1(x,y),D2(x,y),...,DL(x,y)} (7)
D(x,y)表示像素点(x,y)处的最大灰度。
8.如权利要求7所述的方法,其特征在于,所述步骤32包括:
步骤321:对提取的疑似目标候选区域进行膨胀操作,填充目标候选区域二值化图像的孔洞和修正其不连续性;
步骤322:对膨胀后的疑似目标候选区域进行修正腐蚀操作,去除异常点判别产生的噪点和修正连通域面积。
9.如权利要求8所述的方法,其特征在于,所述步骤322包括:
设定结构算子,采用给定的结构算子遍历二值图像的每一个像素;
计算结构算子与其所覆盖二值图像的乘积和;
当乘积和小于等于M时,此像素点置0;其中M为小于结构算子所有元素和的某个常数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110565293.8A CN113192059A (zh) | 2021-05-24 | 2021-05-24 | 一种红外遥感图像在轨舰船检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110565293.8A CN113192059A (zh) | 2021-05-24 | 2021-05-24 | 一种红外遥感图像在轨舰船检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113192059A true CN113192059A (zh) | 2021-07-30 |
Family
ID=76985685
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110565293.8A Pending CN113192059A (zh) | 2021-05-24 | 2021-05-24 | 一种红外遥感图像在轨舰船检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113192059A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113673385A (zh) * | 2021-08-06 | 2021-11-19 | 南京理工大学 | 基于红外图像的海面舰船检测方法 |
CN115222758A (zh) * | 2022-09-21 | 2022-10-21 | 北京九章星图科技有限公司 | 一种低分辨广域序列遥感影像船动目标实时检测算法 |
CN116342556A (zh) * | 2023-03-30 | 2023-06-27 | 中国自然资源航空物探遥感中心 | 一种基于热红外遥感的高原隧道安全隐患识别方法 |
CN117197682A (zh) * | 2023-09-01 | 2023-12-08 | 山东产研卫星信息技术产业研究院有限公司 | 一种长波红外遥感影像进行盲元检测与去除的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103996209A (zh) * | 2014-05-21 | 2014-08-20 | 北京航空航天大学 | 一种基于显著性区域检测的红外舰船目标分割方法 |
CN106709426A (zh) * | 2016-11-29 | 2017-05-24 | 上海航天测控通信研究所 | 基于红外遥感图像的舰船目标检测方法 |
CN109886133A (zh) * | 2019-01-25 | 2019-06-14 | 北京市遥感信息研究所 | 一种基于光学遥感图像的船只检测方法及系统 |
-
2021
- 2021-05-24 CN CN202110565293.8A patent/CN113192059A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103996209A (zh) * | 2014-05-21 | 2014-08-20 | 北京航空航天大学 | 一种基于显著性区域检测的红外舰船目标分割方法 |
CN106709426A (zh) * | 2016-11-29 | 2017-05-24 | 上海航天测控通信研究所 | 基于红外遥感图像的舰船目标检测方法 |
CN109886133A (zh) * | 2019-01-25 | 2019-06-14 | 北京市遥感信息研究所 | 一种基于光学遥感图像的船只检测方法及系统 |
Non-Patent Citations (6)
Title |
---|
HE DENG等: "Infrared small-target detection using multi-scale gray difference weighted image entropy", 《IEEE TRANSACTIONS ON AEROSPACE AND ELECTRONIC SYSTEMS》, pages 3 * |
丁荣莉等: "基于红外遥感图像的舰船目标检测方法", 《光学与光电技术》, pages 24 - 33 * |
洪闻青;杨南生;王晓东;苏俊波;苏兰;胡志斌;: "红外焦平面联合非均匀性校正算法", 光学学报, no. 06, pages 2 * |
王文秀: "红外遥感图像舰船目标在线检测关键技术研究", 《中国博士学位论文全文数据库工程科技II辑》, pages 1 * |
王新余;徐火生;李恒;: "红外舰船目标的自适应鲁棒检测方法", 计算机工程与应用, no. 29, pages 211 - 213 * |
范心田等: "自适应红外焦平面器件成像系统盲元补偿", 《2004年全国光电技术学术交流会论文集》, pages 154 - 156 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113673385A (zh) * | 2021-08-06 | 2021-11-19 | 南京理工大学 | 基于红外图像的海面舰船检测方法 |
CN115222758A (zh) * | 2022-09-21 | 2022-10-21 | 北京九章星图科技有限公司 | 一种低分辨广域序列遥感影像船动目标实时检测算法 |
CN115222758B (zh) * | 2022-09-21 | 2023-01-10 | 北京九章星图科技有限公司 | 一种低分辨广域序列遥感影像船动目标实时检测方法 |
CN116342556A (zh) * | 2023-03-30 | 2023-06-27 | 中国自然资源航空物探遥感中心 | 一种基于热红外遥感的高原隧道安全隐患识别方法 |
CN117197682A (zh) * | 2023-09-01 | 2023-12-08 | 山东产研卫星信息技术产业研究院有限公司 | 一种长波红外遥感影像进行盲元检测与去除的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113192059A (zh) | 一种红外遥感图像在轨舰船检测方法 | |
CN109272489B (zh) | 基于背景抑制与多尺度局部熵的红外弱小目标检测方法 | |
CN112837303A (zh) | 一种用于模具监视的缺陷检测方法、装置、设备及介质 | |
CN111915704A (zh) | 一种基于深度学习的苹果分级识别方法 | |
CN112541486B (zh) | 基于改进Pixel分割的红外弱小目标检测算法 | |
CN109977944B (zh) | 一种数字水表读数的识别方法 | |
CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
CN112308854A (zh) | 一种芯片表面瑕疵的自动检测方法、系统及电子设备 | |
CN116416268B (zh) | 基于递归二分法的锂电池极片边缘位置检测方法及装置 | |
CN111611907A (zh) | 一种图像增强的红外目标检测方法 | |
CN109064479B (zh) | 一种基于邻近视频帧灰度动态特征的海天线检测方法 | |
CN116704516B (zh) | 一种用于水溶肥料包装的视觉检测方法 | |
CN112085700A (zh) | X射线图像中焊缝区域的自动化提取方法、系统及介质 | |
CN111652844B (zh) | 一种基于数字图像区域增长的x射线缺陷检测方法及系统 | |
CN111242888A (zh) | 一种基于机器视觉的图像处理方法及系统 | |
Fu et al. | Infrared sea-sky line detection utilizing self-adaptive Laplacian of Gaussian filter and visual-saliency-based probabilistic Hough transform | |
Yu et al. | Segmentation and density statistics of mariculture cages from remote sensing images using mask R-CNN | |
CN113484867B (zh) | 一种基于成像声呐封闭空间下鱼群密度探测方法 | |
CN117333489B (zh) | 一种薄膜破损检测装置及检测系统 | |
CN116012767B (zh) | 一种电控硅油风扇离合器壳体裂纹视觉检测方法 | |
CN113205494A (zh) | 基于自适应尺度图像块加权差测量的红外小目标检测方法和系统 | |
CN115797327A (zh) | 一种缺陷检测方法、装置、终端设备及存储介质 | |
CN114612333B (zh) | 一种基于显微镜图像的微囊藻类细胞统计方法 | |
CN113643290B (zh) | 一种基于图像处理的吸管计数方法、装置及存储介质 | |
CN115100068A (zh) | 一种红外图像校正方法 |
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 |