CN113223069B - 基于目标与背景差异的彩色图像背景杂波量化方法 - Google Patents

基于目标与背景差异的彩色图像背景杂波量化方法 Download PDF

Info

Publication number
CN113223069B
CN113223069B CN202110631158.9A CN202110631158A CN113223069B CN 113223069 B CN113223069 B CN 113223069B CN 202110631158 A CN202110631158 A CN 202110631158A CN 113223069 B CN113223069 B CN 113223069B
Authority
CN
China
Prior art keywords
target area
image
texture
gray
background region
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
Application number
CN202110631158.9A
Other languages
English (en)
Other versions
CN113223069A (zh
Inventor
吴嘉豪
吴颖霞
杨红坚
高鲜妮
刘德连
张建奇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Pla 63871 Force
Xidian University
Original Assignee
Pla 63871 Force
Xidian University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Pla 63871 Force, Xidian University filed Critical Pla 63871 Force
Priority to CN202110631158.9A priority Critical patent/CN113223069B/zh
Publication of CN113223069A publication Critical patent/CN113223069A/zh
Application granted granted Critical
Publication of CN113223069B publication Critical patent/CN113223069B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出一种基于目标与背景差异的彩色图像背景杂波量化方法，实现步骤为：对图像进行预处理；计算每幅图像目标区域与背景区域的纹理特征差异；计算每幅图像目标区域与背景区域的对比度；计算每幅图像目标区域与背景区域的光谱特征差异；将每幅图像目标区域与背景区域的纹理特征差异、对比度、光谱特征差异组合获得每幅图像目标区域与背景区域的差异量化结果；获取每幅RGB图像的背景杂波量化尺度。本发明解决了现有技术中获取所有局部背景杂波尺度的均值时的量化尺度很单一，同时没有考虑到目标区域的特征的问题，使得在不同的场景中对光电成像系统目标获取性能的预测和评估的可靠性和准确性提升。

Description

基于目标与背景差异的彩色图像背景杂波量化方法
技术领域
本发明属于图像处理技术领域，涉及一种彩色图像背景杂波量化方法，具体涉及一种基于目标与背景差异的彩色图像背景杂波量化方法，可用于对光电成像系统目标获取性能进行预测和评估。
背景技术
目标获取性能预测和评估是目标探测、识别领域的一个重要内容，要准确地评价、预测光电成像系统的目标获取性能，必须同时考虑三个重要因素：光电成像系统本身因素、大气环境因素和目标区域与背景区域特性因素。随着新材料、新技术不断地发展，在不断提高光电系统性能的同时，使目标区域与背景区域差异因素成为了当前限制光电成像系统获取目标性能的一个关键因素。
目标区域与背景区域的差异量化结果是定量描述目标区域与背景区域的差异对光电成像系统目标获取性能影响的一个物理量。目标区域与背景区域越相似，则目标区域与背景区域的差异就越小，会干扰观察主体的探测、延长探测时间并且降低探测概率，影响光电成像系统的目标获取性能。
有很多传统的光电成像系统目标获取性能的预测和评估方法，例如，申请公布号为CN101183460A,发明名称为“彩色图像背景杂波量化方法”的专利申请，提出了一种彩色图像背景杂波量化方法，该方法用四元数矩阵表示彩色图像，并利用扩展到四元数域的相位相关技术对彩色图像的背景杂波进行量化，以四元数相位相关的模值函数的主峰峰值作为待量化彩色图像的局部背景杂波尺度，最终将得到的所有局部背景杂波尺度的均值作为待量化彩色图像的整体背景杂波尺度，有效利用了彩色图像的色彩信息，提高了目标获取性能预测的准确度。但是其存在不足在于，该方法在获取所有局部背景杂波尺度的均值时的量化尺度很单一，同时没有考虑到目标区域的特征，导致在不同的场景中对光电成像系统目标获取性能的预测和评估的可靠性和准确性仍然较低。
发明内容
本发明的目的在于克服上述现有技术存在的缺陷，提出了一种基于目标与背景差异的彩色图像背景杂波量化方法，用于解决现有技术中存在的对光电成像系统目标获取性能评估的可靠性和准确性较低的技术问题。
为实现上述目的，本发明采取的技术方案包括如下步骤：
(1)对图像进行预处理：
(1a)获取N幅RGB图像，并将每幅RGB图像转换为灰度图像，得到灰度图像集合X＝{X1,X2,...,Xn,...,XN}，其中，N≥1，Xn表示第n幅灰度图像；
(1b)通过标注框对每幅灰度图像Xn中的目标区域进行标注，并计算灰度图像Xn的背景区域XBn，得到目标区域集合XT＝{XT1,XT2,...,XTn,...,XTN}和背景区域集合XB＝{XB1,XB2,...,XBn,...,XBN}，其中，XTn表示Xn的目标区域；
(2)计算每幅灰度图像Xn目标区域XTn与背景区域XBn的纹理特征差异：
(2a)计算每幅灰度图像Xn目标区域XTn的纹理对比性特征值Q1Tn、纹理一致性特征值Q2Tn、纹理能量特征值Q3Tn和纹理熵特征值Q4Tn，并将该四个特征值组合为目标区域XTn的纹理向量Ttn＝(Q1Tn,Q2Tn,Q3Tn,Q4Tn)，得到X对应的目标区域XT的纹理向量集合Tt＝{Tt1,Tt2,...,Ttn,...,TtN}，同时计算每幅灰度图像Xn背景区域XBn的纹理对比性特征值Q1Bn、纹理一致性特征值Q2Bn、纹理能量特征值Q3Bn和纹理熵特征值Q4Bn，并将该四个特征值组合为XBn的纹理向量Btn＝(Q1Bn,Q2Bn,Q3Bn,Q4Bn)，得到X对应的背景区域XB的纹理向量集合Bt＝{Bt1,Bt2,...,Btn,...,BtN}；
(2b)计算每幅灰度图像Xn目标区域XTn纹理向量Ttn与背景区域XBn纹理向量Btn的纹理特征差异，即Ttn与Btn的纹理特征相关系数rtn，得到X对应的纹理特征相关系数集合rt＝{rt1,rt2,...,rtn,...,rtN}；
(3)计算每幅灰度图像Xn目标区域XTn与背景区域XBn的对比度：
计算每幅灰度图像Xn目标区域XTn与背景区域XBn的对比度CRn，得到X对应的目标区域XTn和背景区域XBn的对比度集合CR＝{CR1,CR2,...,CRn,...,CRN}；
(4)计算每幅灰度图像Xn目标区域XTn与背景区域XBn的光谱特性差异：
(4a)计算每幅灰度图像Xn目标区域XTn中所有像素点R通道灰度值数据的平均值Tsnr、G通道灰度数据的平均值Tsng和B通道灰度数据的平均值Tsnb，并将这三个平均值组合为灰度图像Xn目标区域XTn的光谱向量Tsn＝(Tsnr,Tsng,Tsnb)，得到X对应的目标区域XT的光谱向量集合Ts＝{Ts1,Ts2,...,Tsn,...,TsN}，同时计算每幅灰度图像Xn背景区域XBn中所有像素点R通道灰度值数据的平均值Bsnr、G通道灰度数据的平均值Bsng和B通道灰度数据的平均值Bsnb，并将该三个平均值组合为灰度图像Xn背景区域XBn的光谱向量Bsn＝(Bsnr,Bsng,Bsnb)，得到X对应的背景区域XB的光谱向量集合Bs＝{Bs1,Bs2,...,Bsn,...,BsN}；
(4b)计算每幅灰度图像Xn目标区域XTn光谱向量Tsn与背景区域XBn光谱向量Bsn的光谱特征差异，即Tsn与Bsn的光谱特征相关系数rsn，得到X对应的光谱特征相关系数集合rs＝{rs1,rs2,...,rsn,...,rsN}；
(5)获取每幅灰度图像Xn目标区域XTn与背景区域XBn的差异量化结果：
将纹理特征相关系数集合rt中XTn与XBn的相关系数rtn、比度集合CR中XTn与XBn的对比度CRn、光谱特征相关系数集合rs中XTn与XBn的相关系数rsn组合Xn的目标区域XTn与背景区域XBn的辐射特性差异向量D1n＝(rtn,CRn,rsn)，得到X对应的目标区域XT与背景区域XB的辐射特性差异向量的集合D1＝{D11,D12,...,D1n,...,D1N}；
(6)获取每幅RGB图像的背景杂波量化尺度：
通过每幅灰度图像Xn目标区域XTn与背景区域XBn的相关系数rtn、对比度CRn和相关系数rsn，计算每幅RGB图像的背景杂波量化尺度Dn，得到N幅RGB图像对应的杂波量化尺度集合D＝{D1,D2,...,Dn,...,DN}，其中Dn的计算公式为：
Figure BDA0003103564230000041
本发明与现有技术相比，具有以下优点：
第一，本发明在计算RGB图像的杂波量化尺度时，使用了每幅灰度图像Xn目标区域XTn与背景区域XBn的相关系数rtn、对比度CRn和相关系数rsn，解决了现有技术中获取所有局部背景杂波尺度的均值时的量化尺度很单一，同时没有考虑到目标区域的特征的问题，使得在不同的场景中对光电成像系统目标获取性能的预测和评估的可靠性和准确性提升。
附图说明
图1为本发明的实现流程图。
具体实施方式
下面结合附图和具体实施例，对本发明作进一步的详细描述。
参照图1，本发明包括如下步骤：
步骤1)对图像进行预处理：
步骤1a)获取N幅RGB图像，并将每幅RGB图像转换为灰度图像，转换公式为：Xn＝(Rn×299+Gn×587+Bn×114+500)/1000，得到灰度图像集合X＝{X1,X2,…,Xn,...,XN}，其中，N≥1，Xn表示第n幅灰度图像；
步骤1b)通过标注框对每幅灰度图像Xn中的目标区域进行标注，并计算灰度图像Xn的背景区域XBn，计算方法是将以每幅灰度图像Xn目标区域XTn的几何中心为中心，以对XTn的长和宽扩大两倍形成的区域减去对XTn的长和宽扩大一倍形成的区域，作为Xn的背景区域XBn，得到目标区域集合XT＝{XT1,XT2,...,XTn,...,XTN}和背景区域集合XB＝{XB1,XB2,...,XBn,...,XBN}，其中，XTn表示Xn的目标区域；
步骤2)计算每幅灰度图像Xn目标区域XTn与背景区域XBn的纹理特征差异：
步骤2a)计算每幅灰度图像Xn目标区域XTn的纹理对比性特征值Q1Tn、纹理一致性特征值Q2Tn、纹理能量特征值Q3Tn和纹理熵特征值Q4Tn，并将该四个特征值组合为目标区域XTn的纹理向量Ttn＝(Q1Tn,Q2Tn,Q3Tn,Q4Tn)，得到X对应的目标区域XT的纹理向量集合Tt＝{Tt1,Tt2,...,Ttn,...,TtN}，同时计算每幅灰度图像Xn背景区域XBn的纹理对比性特征值Q1Bn、纹理一致性特征值Q2Bn、纹理能量特征值Q3Bn和纹理熵特征值Q4Bn，计算公式为：
Figure BDA0003103564230000051
Figure BDA0003103564230000052
Figure BDA0003103564230000053
Figure BDA0003103564230000054
Pn(i,j)＝|{[(k,l),(m,q)]∈Hn:k-m＝d,l-q＝-d}|
其中Hn表示每幅灰度图像Xn目标区域XTn或背景区域XBn，(m,q)表示Hn中原像素点的坐标，d表示像素间隔，(k,l)表示Hn中原像素点偏移d后的坐标，i和j分别表示(m,q)和(k,l)的灰度值，再由i和j组成(i,j)作为坐标，用pn(i,j)记录(i,j)出现的次数，pn(i,j)作为(i,j)处的值，构建Hn的灰度共生矩阵pn(i,j)，并将该四个特征值组合为XBn的纹理向量Btn＝(Q1Bn,Q2Bn,Q3Bn,Q4Bn)，得到X对应的背景区域XB的纹理向量集合Bt＝{Bt1,Bt2,...,Btn,...,BtN}；
步骤2b)计算每幅灰度图像Xn目标区域XTn纹理向量Ttn与背景区域XBn纹理向量Btn的纹理特征差异，就是计算Ttn与Btn的相关系数rtn，计算公式为：
Figure BDA0003103564230000061
Figure BDA0003103564230000062
Figure BDA0003103564230000063
Figure BDA0003103564230000064
其中，
Figure BDA0003103564230000065
表示目标区域XTn纹理向量Ttn中所有元素的平均值，
Figure BDA0003103564230000066
表示背景区域XBn纹理向量Btn中所有元素的平均值，
Figure BDA0003103564230000067
表示目标区域XTn纹理向量Ttn与背景区域XBn纹理向量Btn的协方差，
Figure BDA0003103564230000068
表示目标区域XTn纹理向量Ttn中每个元素的方差，
Figure BDA0003103564230000069
表示背景区域XBn纹理向量Btn中每个元素的方差，V表示目标区域XTn纹理向量Ttn或背景区域XBn纹理向量Btn中元素的个数，V＝4，同时得到X对应的相关系数集合rt＝{rt1,rt2,...,rtn,...,rtN}；
步骤3)计算每幅灰度图像Xn目标区域XTn与背景区域XBn的对比度：
计算每幅灰度图像Xn目标区域XTn与背景区域XBn的对比度CRn，计算公式为：
Figure BDA00031035642300000610
其中NTn表示每幅灰度图像Xn目标区域XTn所有像素点灰度值的平均值,NBn表示每幅灰度图像Xn背景区域XBn所有像素点灰度值的平均值，同时得到X对应的目标区域XTn和背景区域XBn的对比度集合CR＝{CR1,CR2,...,CRn,...,CRN}；
步骤4)计算每幅灰度图像Xn目标区域XTn与背景区域XBn的光谱特性差异：
步骤4a)计算每幅灰度图像Xn目标区域XTn中所有像素点R通道灰度值数据的平均值Tsnr、G通道灰度数据的平均值Tsng和B通道灰度数据的平均值Tsnb，并将这三个平均值组合为灰度图像Xn目标区域XTn的光谱向量Tsn＝(Tsnr,Tsng,Tsnb)，得到X对应的目标区域XT的光谱向量集合Ts＝{Ts1,Ts2,...,Tsn,...,TsN}，同时计算每幅灰度图像Xn背景区域XBn中所有像素点R通道灰度值数据的平均值Bsnr、G通道灰度数据的平均值Bsng和B通道灰度数据的平均值Bsnb，并将这三个平均值组合为灰度图像Xn背景区域XBn的光谱向量Bsn＝(Bsnr,Bsng,Bsnb)，得到X对应的背景区域XB的光谱向量集合Bs＝{Bs1,Bs2,...,Bsn,...,BsN}；
步骤4b)计算每幅灰度图像Xn目标区域XTn光谱向量Tsn与背景区域XBn光谱向量Bsn的光谱特征差异，就是计算Tsn与Bsn的相关系数rsn，得到X对应的相关系数集合rs＝{rs1,rs2,...,rsn,...,rsN}，计算公式同步骤2b)；
步骤5)获取每幅灰度图像Xn目标区域XTn与背景区域XBn的差异量化结果：
将相关系数集合rt中XTn与XBn的相关系数rtn、比度集合CR中XTn与XBn的对比度CRn、相关系数集合rs中XTn与XBn的相关系数rsn组合Xn的目标区域XTn与背景区域XBn的辐射特性差异向量D1n＝(rtn,CRn,rsn)，得到X对应的目标区域XT与背景区域XB的辐射特性差异向量的集合D1＝{D11,D12,...,D1n,...,D1N}；
步骤6)获取每幅RGB图像的背景杂波量化尺度：
将每幅灰度图像Xn目标区域XTn与背景区域XBn的相关系数rtn、对比度CRn和相关系数rsn进行组合计算，计算公式为
Figure BDA0003103564230000071
得到每幅RGB图像的背景杂波量化尺度Dn，使用了每幅灰度图像Xn目标区域XTn与背景区域XBn的相关系数rtn、对比度CRn和相关系数rsn，这样就利用了每幅灰度图像Xn目标区域XTn与背景区域XBn三个方面的差异，同时也利用了每幅灰度图像Xn目标区域XTn的特征信息，解决了现有技术中获取所有局部背景杂波尺度的均值时的量化尺度很单一，同时没有考虑到目标区域的特征的问题，使得在不同的场景中对光电成像系统目标获取性能的预测和评估的可靠性和准确性提升，最终得到N幅RGB图像对应的杂波量化尺度集合D＝{D1,D2,...,Dn,...,DN}。

Claims (5)

1.一种基于目标区域与背景区域差异的彩色图像背景杂波量化方法，其特征在于，包括如下步骤：
(1)对图像进行预处理：
(1a)获取N幅RGB图像，并将每幅RGB图像转换为灰度图像，得到灰度图像集合X＝{X1,X2,...,Xn,...,XN}，其中，N≥1，Xn表示第n幅灰度图像；
(1b)通过标注框对每幅灰度图像Xn中的目标区域进行标注，并计算灰度图像Xn的背景区域XBn，得到目标区域集合XT＝{XT1,XT2,...,XTn,...,XTN}和背景区域集合XB＝{XB1,XB2,...,XBn,...,XBN}，其中，XTn表示Xn的目标区域；
(2)计算每幅灰度图像Xn目标区域XTn与背景区域XBn的纹理特征差异：
(2a)计算每幅灰度图像Xn目标区域XTn的纹理对比性特征值Q1Tn、纹理一致性特征值Q2Tn、纹理能量特征值Q3Tn和纹理熵特征值Q4Tn，并将该四个特征值组合为目标区域XTn的纹理向量Ttn＝(Q1Tn,Q2Tn,Q3Tn,Q4Tn)，得到X对应的目标区域XT的纹理向量集合Tt＝{Tt1,Tt2,...,Ttn,...,TtN}，同时计算每幅灰度图像Xn背景区域XBn的纹理对比性特征值Q1Bn、纹理一致性特征值Q2Bn、纹理能量特征值Q3Bn和纹理熵特征值Q4Bn，并将该四个特征值组合为XBn的纹理向量Btn＝(Q1Bn,Q2Bn,Q3Bn,Q4Bn)，得到X对应的背景区域XB的纹理向量集合Bt＝{Bt1,Bt2,...,Btn,...,BtN}；
(2b)计算每幅灰度图像Xn目标区域XTn纹理向量Ttn与背景区域XBn纹理向量Btn的纹理特征差异，即Ttn与Btn的纹理特征相关系数rtn，得到X对应的纹理特征相关系数集合rt＝{rt1,rt2,...,rtn,...,rtN}，其中rtn的计算公式为：
Figure FDA0003928007280000011
Figure FDA0003928007280000021
Figure FDA0003928007280000022
Figure FDA0003928007280000023
其中，
Figure FDA0003928007280000024
表示目标区域XTn纹理向量Ttn中所有元素的平均值，
Figure FDA0003928007280000025
表示背景区域XBn纹理向量Btn中所有元素的平均值，
Figure FDA0003928007280000026
表示目标区域XTn纹理向量Ttn与背景区域XBn纹理向量Btn的协方差，
Figure FDA0003928007280000027
表示目标区域XTn纹理向量Ttn中每个元素的方差，
Figure FDA0003928007280000028
表示背景区域XBn纹理向量Btn中每个元素的方差，V表示目标区域XTn纹理向量Ttn或背景区域XBn纹理向量Btn中元素的个数；
(3)计算每幅灰度图像Xn目标区域XTn与背景区域XBn的对比度：
计算每幅灰度图像Xn目标区域XTn与背景区域XBn的对比度CRn，得到X对应的目标区域XTn和背景区域XBn的对比度集合CR＝{CR1,CR2,...,CRn,...,CRN}；
(4)计算每幅灰度图像Xn目标区域XTn与背景区域XBn的光谱特性差异：
(4a)计算每幅灰度图像Xn目标区域XTn中所有像素点R通道灰度值数据的平均值Tsnr、G通道灰度数据的平均值Tsng和B通道灰度数据的平均值Tsnb，并将这三个平均值组合为灰度图像Xn目标区域XTn的光谱向量Tsn＝(Tsnr,Tsng,Tsnb)，得到X对应的目标区域XT的光谱向量集合Ts＝{Ts1,Ts2,...,Tsn,...,TsN}，同时计算每幅灰度图像Xn背景区域XBn中所有像素点R通道灰度值数据的平均值Bsnr、G通道灰度数据的平均值Bsng和B通道灰度数据的平均值Bsnb，并将该三个平均值组合为灰度图像Xn背景区域XBn的光谱向量Bsn＝(Bsnr,Bsng,Bsnb)，得到X对应的背景区域XB的光谱向量集合Bs＝{Bs1,Bs2,...,Bsn,...,BsN}；
(4b)计算每幅灰度图像Xn目标区域XTn光谱向量Tsn与背景区域XBn光谱向量Bsn的光谱特征差异，即Tsn与Bsn的光谱特征相关系数rsn，得到X对应的光谱特征相关系数集合rs＝{rs1,rs2,...,rsn,...,rsN}；
(5)获取每幅灰度图像Xn目标区域XTn与背景区域XBn的差异量化结果：
将纹理特征相关系数集合rt中XTn与XBn的相关系数rtn、比度集合CR中XTn与XBn的对比度CRn、光谱特征相关系数集合rs中XTn与XBn的相关系数rsn组合Xn的目标区域XTn与背景区域XBn的辐射特性差异向量D1n＝(rtn,CRn,rsn)，得到X对应的目标区域XT与背景区域XB的辐射特性差异向量的集合D1＝{D11,D12,...,D1n,...,D1N}；
(6)获取每幅RGB图像的背景杂波量化尺度：
通过每幅灰度图像Xn目标区域XTn与背景区域XBn的相关系数rtn、对比度CRn和相关系数rsn，计算每幅RGB图像的背景杂波量化尺度Dn，得到N幅RGB图像对应的杂波量化尺度集合D＝{D1,D2,...,Dn,...,DN}，其中Dn的计算公式为：
Figure FDA0003928007280000031
2.根据权利要求1所述的基于目标区域与背景区域差异的彩色图像背景杂波量化方法，其特征在于，步骤(1a)中所述的将每幅RGB图像转换为灰度图像，转换公式为：
Xn＝(Rn×299+Gn×587+Bn×114+500)/1000
其中Rn表示第n幅RGB图像中的R通道所储存的灰度值数据，Gn表示第n幅RGB图像中的G通道所储存的灰度值数据，Bn表示第n幅RGB图像中的B通道所储存的灰度值数据。
3.根据权利要求1所述的基于目标区域与背景区域差异的彩色图像背景杂波量化方法，其特征在于，步骤(1b)中所述的计算灰度图像Xn的背景区域XBn，实现步骤为：将以每幅灰度图像Xn目标区域XTn的几何中心为中心，以对XTn的长和宽扩大两倍形成的区域减去对XTn的长和宽扩大一倍形成的区域，作为Xn的背景区域XBn。
4.根据权利要求1所述的基于目标区域与背景区域差异的彩色图像背景杂波量化方法，其特征在于，步骤(2a)中所述的计算每幅灰度图像Xn目标区域XTn的纹理对比性特征值Q1Tn、纹理一致性特征值Q2Tn、纹理能量特征值Q3Tn和纹理熵特征值Q4Tn，以及每幅灰度图像Xn背景区域XBn的纹理对比性特征值Q1Bn、纹理一致性特征值Q2Bn、纹理能量特征值Q3Bn和纹理熵特征值Q4Bn，计算公式分别为：
Figure FDA0003928007280000041
Figure FDA0003928007280000042
Figure FDA0003928007280000043
Figure FDA0003928007280000044
Pn(i,j)＝|{[(k,l),(m,q)]∈Hn:k-m＝d,l-q＝-d}|
其中Hn表示每幅灰度图像Xn目标区域XTn或背景区域XBn，(m,q)表示Hn中原像素点的坐标，d表示像素间隔，(k,l)表示Hn中原像素点偏移d后的坐标，i和j分别表示(m,q)和(k,l)的灰度值，pn(i,j)表示Hn的灰度共生矩阵。
5.根据权利要求1所述的基于目标区域与背景区域差异的彩色图像背景杂波量化方法，其特征在于，步骤(3)中所述的计算每幅灰度图像Xn目标区域XTn与背景区域XBn的对比度CRn，计算公式为：
Figure FDA0003928007280000051
其中NTn表示每幅灰度图像Xn目标区域XTn所有像素点灰度值的平均值,NBn表示每幅灰度图像Xn背景区域XBn所有像素点灰度值的平均值。
CN202110631158.9A 2021-06-07 2021-06-07 基于目标与背景差异的彩色图像背景杂波量化方法 Active CN113223069B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110631158.9A CN113223069B (zh) 2021-06-07 2021-06-07 基于目标与背景差异的彩色图像背景杂波量化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110631158.9A CN113223069B (zh) 2021-06-07 2021-06-07 基于目标与背景差异的彩色图像背景杂波量化方法

Publications (2)

Publication Number Publication Date
CN113223069A CN113223069A (zh) 2021-08-06
CN113223069B true CN113223069B (zh) 2023-02-10

Family

ID=77083077

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110631158.9A Active CN113223069B (zh) 2021-06-07 2021-06-07 基于目标与背景差异的彩色图像背景杂波量化方法

Country Status (1)

Country Link
CN (1) CN113223069B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7684596B2 (en) * 2003-02-11 2010-03-23 Qinetiq Limited Image analysis
CN104346800A (zh) * 2013-08-02 2015-02-11 南京理工大学 一种基于纹理显著性的微光图像目标检测方法
CN108447058A (zh) * 2018-03-30 2018-08-24 北京理工大学 一种图像质量评价方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007001352A2 (en) * 2004-08-31 2007-01-04 University Of Washington Ultrasonic technique for assessing wall vibrations in stenosed blood vessels
CN101183460B (zh) * 2007-11-27 2010-10-13 西安电子科技大学 彩色图像背景杂波量化方法
CN104392209B (zh) * 2014-11-07 2017-09-29 长春理工大学 一种目标与背景的图像复杂度评价方法
CN111027497B (zh) * 2019-12-17 2023-03-31 西安电子科技大学 基于高分辨率光学遥感影像的弱小目标快速检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7684596B2 (en) * 2003-02-11 2010-03-23 Qinetiq Limited Image analysis
CN104346800A (zh) * 2013-08-02 2015-02-11 南京理工大学 一种基于纹理显著性的微光图像目标检测方法
CN108447058A (zh) * 2018-03-30 2018-08-24 北京理工大学 一种图像质量评价方法及系统

Also Published As

Publication number Publication date
CN113223069A (zh) 2021-08-06

Similar Documents

Publication Publication Date Title
WO2023134791A2 (zh) 一种环境安防工程监测数据管理方法及系统
CN101281650B (zh) 用于视频稳定的快速全局运动估计方法
CN101562675B (zh) 基于Contourlet变换的无参考型图像质量评测方法
Chen et al. Semi-reference sonar image quality assessment based on task and visual perception
CN111476159A (zh) 一种基于双角回归的检测模型训练、检测方法及装置
CN117132510B (zh) 一种基于图像处理的监控图像增强方法及系统
Li et al. Image quality assessment using deep convolutional networks
CN107197121B (zh) 一种基于舰载设备的电子稳像方法
CN109002792B (zh) 基于分层多模型度量学习的sar图像变化检测方法
CN115578255B (zh) 一种基于帧间亚像素块匹配的超分辨率重建方法
CN108846800A (zh) 一种图像超分辨率重建的无参考图像质量评价方法
CN110910347A (zh) 一种基于图像分割的色调映射图像无参考质量评价方法
Jin et al. Perceptual Gradient Similarity Deviation for Full Reference Image Quality Assessment.
CN115937540A (zh) 基于Transformer编码器的图像匹配方法
CN113223069B (zh) 基于目标与背景差异的彩色图像背景杂波量化方法
Morzelona Human visual system quality assessment in the images using the IQA model integrated with automated machine learning model
CN117611830A (zh) 一种基于少样本标注的任意类别目标定位与计数方法
CN107273793A (zh) 一种用于人脸识别的特征提取方法
CN116363094A (zh) 一种超分辨率重建图像质量评价方法
WO2010070128A1 (en) Method for multi-resolution motion estimation
CN104112274B (zh) 基于混合尺度变换的图像质量评价方法
CN115294010A (zh) 一种基于支持向量机的降参考点云质量评估方法
Karwande et al. Time efficient training of progressive generative adversarial network using depthwise separable convolution and super resolution generative adversarial network
CN113936200A (zh) 一种基于移动终端的电表箱图像质量检测方法
Wang et al. Extracting the height of lettuce by using neural networks of image recognition in deep learning

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