CN113591628A - 一种基于红外偏振的无人机检测方法及系统 - Google Patents

一种基于红外偏振的无人机检测方法及系统 Download PDF

Info

Publication number
CN113591628A
CN113591628A CN202110807137.8A CN202110807137A CN113591628A CN 113591628 A CN113591628 A CN 113591628A CN 202110807137 A CN202110807137 A CN 202110807137A CN 113591628 A CN113591628 A CN 113591628A
Authority
CN
China
Prior art keywords
polarization
image
background
target
determining
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
Application number
CN202110807137.8A
Other languages
English (en)
Other versions
CN113591628B (zh
Inventor
范之国
叶敏锐
乔瑞
吴翊伟
陈励
胡泉
邹梓逸
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.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
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 Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202110807137.8A priority Critical patent/CN113591628B/zh
Publication of CN113591628A publication Critical patent/CN113591628A/zh
Priority to PCT/CN2022/104786 priority patent/WO2023284656A1/zh
Application granted granted Critical
Publication of CN113591628B publication Critical patent/CN113591628B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V8/00—Prospecting or detecting by optical means
    • G01V8/10—Detecting, e.g. by using light barriers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Aiming, Guidance, Guns With A Light Source, Armor, Camouflage, And Targets (AREA)

Abstract

本发明涉及一种基于红外偏振的无人机检测方法及系统。该方法包括利用无人机目标和背景偏振特性具有明显差异的特点，通过将与背景偏振角正交的偏振方向下的红外偏振图像和经过一种自适应对比熵顶帽变换后的红外光强图像进行融合，来实现对背景进行抑制，提升目标和背景的对比度，最后对融合图像应用偏振信息概率诱导下的直觉模糊C均值聚类，检测出复杂背景中的无人机目标。本发明能够提高无人机检测的准确性。

Description

一种基于红外偏振的无人机检测方法及系统
技术领域
本发明涉及成像探测领域，特别是涉及一种基于红外偏振的无人机检测方法及系统。
背景技术
当前存在无人机滥用给低空范围带来巨大安全隐患，非法入侵无人机目标的检测问题成为低空防御系统中重要的研究方向的现状。
现有技术中通过光电探测技术进行无人机检测。其中，传统光电探测技术主要有两类：可见光成像以及红外成像。
可见光成像是利用可见光摄像机对目标无人机的视频图像进行检测，从而识别确认目标，并对目标进行跟踪。该技术适合在白天使用，其设备成本较低，应用较为普遍。
红外成像是利用红外摄像机对目标无人机的红外图像进行检测，进而对无人机进行识别跟踪。事实上，一切温度高于绝对零度的物体都在辐射红外线，无人机在飞行过程中电池和电机会产生热量，为红外检测识别技术的应用提供了机会。
传统的红外成像探测系统主要是获取所观测场景的红外热辐射，利用目标与背景的辐射强度差异，将目标从背景中进行区分，进而实现对目标的检测、识别与跟踪。由于红外探测技术隐蔽性好、成像距离远，并且能够在一定程度上消除大气的干扰，对于观测遮蔽物下的目标具有很强的环境适应性，是现代战争中强有力的侦查手段。然而，随着新型红外伪装涂料及相关红外隐身设计技术的发展，目标表面的热辐射特征被极大地削弱，降低了目标与背景的热辐射差异；同时，诱饵、海杂波等大大削弱了目标与背景的红外辐射差异，使得应用传统的红外探测手段很难有效地检测目标。红外图像属于温差成像，具有“高背景，低温差”的特点，如地面场景或低空场景的温度通常为300K(27℃)左右，而地面的人或低空无人机与场景的温差只有几十几摄氏度，所以红外图像的对比度很低，而且缺乏轮廓细节。场景中的辐射通过大气传输到达探测器时会受到大气传输条件的影响，从而降低探测器所能接收到的红外辐射量，造成图像中的目标强度变弱、信杂比降低。同时，场景中的高温目标会向周围场景进行热辐射，使红外图像中目标边界细节模糊。
并且，“低慢小”无人机目标在距离红外成像探测系统较远时是典型的弱小目标。无人机由于红外辐射较低，与周围背景温差较小，因此目标与背景的信杂比非常低。在包含弱小目标的图像中，人们最为关注的目标点在单帧图像中只占据很小的一部分，仅仅包含灰度信息，而缺乏纹理细节等关键信息。在图像中占据大面积的背景具有较为丰富的纹理细节，且灰度分布范围较大，会对目标检测造成一定干扰。弱小目标的检测算法与面目标检测算法相比具有其特殊性，其中对图像的复杂背景进行抑制是弱小目标检测的关键步骤。
一般的红外小目标检测方法使用聚类算法对红外图像进行聚类，检测效果不佳，无人机目标轮廓不完整或无法检测出目标。
因此，亟需一种新的检测方法或系统以解决上述问题，进而提高无人机检测的准确性。
发明内容
本发明的目的是提供一种基于红外偏振的无人机检测方法及系统，能够提高无人机检测的准确性。
为实现上述目的，本发明提供了如下方案：
一种基于红外偏振的无人机检测方法，包括：
获取目标场景中三个不同偏振角度下的偏振图像；
根据所述三个不同偏振角度下的偏振图像计算斯托克斯矢量；所述斯托克斯矢量包括：光强图像、水平线偏振分量与垂直线偏振分量之差以及45°线偏振分量与135°线偏振分量之差；
将根据斯托克斯矢量确定的线偏振度图像和偏振角图像分别进行归一化后，再将归一化后的线偏振度图像和归一化后的偏振角图像进行叠加，确定三维图像；
利用K-means聚类方法对所述三维图像进行粗聚类，将所述三维图像的像素点分为目标类像素点和背景类像素点；并分别计算目标类像素点的均值和协方差矩阵以及背景类像素点的均值和协方差矩阵；
根据目标类像素点的均值和协方差矩阵以及背景类像素点的均值和协方差矩阵对高斯混合模型进行初始化，进而对所述三维图像进行二次聚类，并确定二次聚类后的目标类像素点的均值和协方差矩阵以及背景类像素点的均值和协方差矩阵；
根据二次聚类后的目标类像素点的均值和协方差矩阵构建二维高斯概率模型，确定目标概率图像；
根据二次聚类后的背景类像素点中偏振角图像的均值，确定与背景偏振角正交的偏振方向；进而确定在正交于背景偏振角的偏振方向下的目标线偏振分量图像；
对所述光强图像进行自适应对比熵顶帽变换，确定输出图像；
将所述输出图像与所述目标线偏振分量图像进行拉普拉斯金字塔融合，确定融合后的图像；
利用所述目标概率图像对隶属度矩阵加权，采用偏振信息诱导下的直觉模糊C均值聚类算法对融合后的图像进行聚类，确定二值化图像；
根据二值化图像确定目标；所述目标为无人机。
可选地，所述根据所述三个不同偏振角度下的偏振图像计算斯托克斯矢量，具体包括：
利用公式
Figure BDA0003167027370000031
确定光强图像；
利用公式
Figure BDA0003167027370000032
确定水平线偏振分量与垂直线偏振分量之差；
利用公式
Figure BDA0003167027370000033
确定45°线偏振分量与135°线偏振分量之差；
其中，I为光强图像，Q为水平线偏振分量与垂直线偏振分量之差，U为45°线偏振分量与135°线偏振分量之差，I(θ)表示偏振片旋转角度为θ时的偏振态图像，
Figure BDA0003167027370000041
可选地，所述根据二次聚类后的背景类像素点中偏振角图像的均值，确定与背景偏振角正交的偏振方向；进而确定在正交于背景偏振角的偏振方向下的目标线偏振分量图像，具体包括：
利用公式
Figure BDA0003167027370000042
对二次聚类后的背景类像素点中偏振角图像的均值进行反归一化处理，确定背景偏振角；
根据所述背景偏振角确定与背景偏振角正交的偏振方向；
利用公式
Figure BDA0003167027370000043
确定正交于背景偏振角方向下的偏振分量；
利用公式
Figure BDA0003167027370000044
确定在正交于背景偏振角的偏振方向下的目标线偏振分量图像；
其中，θb为背景偏振角，
Figure BDA0003167027370000045
为正交于背景偏振角方向下的偏振分量，
Figure BDA0003167027370000046
为
Figure BDA0003167027370000047
中的非偏振光成分，
Figure BDA0003167027370000048
为在正交于背景偏振角的偏振方向下的目标线偏振分量图像，μ′2Aop为二次聚类后的背景类像素点中偏振角图像的均值。
可选地，所述对所述光强图像进行自适应对比熵顶帽变换，确定输出图像，具体包括：
对所述光强图像采用加权局部自适应结构元，进行腐蚀操作；
对腐蚀操作后的光强图像采用自适应结构元，进行膨胀操作；
将所述光强图像减去膨胀操作后的光强图像，确定自适应对比熵顶帽变换后的输出图像。
一种基于红外偏振的无人机检测系统，包括：
偏振图像获取模块，用于获取目标场景中三个不同偏振角度下的偏振图像；
斯托克斯矢量计算模块，用于根据所述三个不同偏振角度下的偏振图像计算斯托克斯矢量；所述斯托克斯矢量包括：光强图像、水平线偏振分量与垂直线偏振分量之差以及45°线偏振分量与135°线偏振分量之差；
三维图像确定模块，用于将根据斯托克斯矢量确定的线偏振度图像和偏振角图像分别进行归一化后，再将归一化后的线偏振度图像和归一化后的偏振角图像进行叠加，确定三维图像；
第一聚类模块，用于利用K-means聚类方法对所述三维图像进行粗聚类，将所述三维图像的像素点分为目标类像素点和背景类像素点；并分别计算目标类像素点的均值和协方差矩阵以及背景类像素点的均值和协方差矩阵；
第二聚类模块，用于根据目标类像素点的均值和协方差矩阵以及背景类像素点的均值和协方差矩阵对高斯混合模型进行初始化，进而对所述三维图像进行二次聚类，并确定二次聚类后的目标类像素点的均值和协方差矩阵以及背景类像素点的均值和协方差矩阵；
目标概率图像确定模块，用于根据二次聚类后的目标类像素点的均值和协方差矩阵构建二维高斯概率模型，确定目标概率图像；
目标线偏振分量图像确定模块，用于根据二次聚类后的背景类像素点中偏振角图像的均值，确定与背景偏振角正交的偏振方向；进而确定在正交于背景偏振角的偏振方向下的目标线偏振分量图像；
输出图像确定模块，用于对所述光强图像进行自适应对比熵顶帽变换，确定输出图像；
融合后的图像确定模块，用于将所述输出图像与所述目标线偏振分量图像进行拉普拉斯金字塔融合，确定融合后的图像；
二值化图像确定模块，用于利用所述目标概率图像对隶属度矩阵加权，采用偏振信息诱导下的直觉模糊C均值聚类算法对融合后的图像进行聚类，确定二值化图像；
目标确定模块，用于根据二值化图像确定目标；所述目标为无人机。
可选地，所述斯托克斯矢量计算模块具体包括：
光强图像确定单元，用于利用公式
Figure BDA0003167027370000061
确定光强图像；
水平线偏振分量与垂直线偏振分量之差确定单元，用于利用公式
Figure BDA0003167027370000062
确定水平线偏振分量与垂直线偏振分量之差；
45°线偏振分量与135°线偏振分量之差确定单元，用于利用公式
Figure BDA0003167027370000063
确定45°线偏振分量与135°线偏振分量之差；
其中，I为光强图像，Q为水平线偏振分量与垂直线偏振分量之差，U为45°线偏振分量与135°线偏振分量之差，I(θ)表示偏振片旋转角度为θ时的偏振态图像，
Figure BDA0003167027370000064
可选地，所述目标线偏振分量图像确定模块具体包括：
背景偏振角确定单元，用于利用公式
Figure BDA0003167027370000065
对二次聚类后的背景类像素点中偏振角图像的均值进行反归一化处理，确定背景偏振角；
与背景偏振角正交的偏振方向确定单元，用于根据所述背景偏振角确定与背景偏振角正交的偏振方向；
偏振分量确定单元，用于利用公式
Figure BDA0003167027370000066
确定正交于背景偏振角方向下的偏振分量；
目标线偏振分量图像确定单元，用于利用公式
Figure BDA0003167027370000067
确定在正交于背景偏振角的偏振方向下的目标线偏振分量图像；
其中，θb为背景偏振角，
Figure BDA0003167027370000068
为正交于背景偏振角方向下的偏振分量，
Figure BDA0003167027370000071
为
Figure BDA0003167027370000072
中的非偏振光成分，
Figure BDA0003167027370000073
为在正交于背景偏振角的偏振方向下的目标线偏振分量图像，μ′2Aop为二次聚类后的背景类像素点中偏振角图像的均值。
可选地，所述输出图像确定模块具体包括：
腐蚀操作单元，用于对所述光强图像采用加权局部自适应结构元，进行腐蚀操作；
膨胀操作单元，用于对腐蚀操作后的光强图像采用自适应结构元，进行膨胀操作；
输出图像确定单元，用于将所述光强图像减去膨胀操作后的光强图像，确定自适应对比熵顶帽变换后的输出图像。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明所提供的一种基于红外偏振的无人机检测方法及系统，利用无人机目标和背景偏振特性具有明显差异的特点，通过将与背景偏振角正交的偏振方向下的红外偏振图像和经过一种自适应对比熵顶帽变换后的红外光强图像进行融合，来实现对背景进行抑制，提升目标和背景的对比度，最后对融合图像应用偏振信息概率诱导下的直觉模糊C均值聚类，即能够在增加无人机目标的信息量的同时可减少红外偏振特性较弱的天空背景的干扰，检测出复杂背景中的无人机目标。本发明使用偏振信息对聚类过程进行诱导，对抑制背景的融合图像进行聚类，提升了聚类效果，检测出的无人机目标更精确，具有更多的细节轮廓。本发明能够提高无人机检测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明所提供的一种基于红外偏振的无人机检测方法流程示意图；
图2为本发明所提供的一种基于红外偏振的无人机检测方法整体流程示意图；
图3为在正交于背景偏振角的偏振方向下的目标线偏振分量图像确定流程图；
图4为自适应对比熵顶帽变换示意图；
图5采用本发明前后的对比图像；
图6为自适应对比熵顶帽变换参数结构示意图；
图7为本发明所提供的一种基于红外偏振的无人机检测系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于红外偏振的无人机检测方法及系统，能够提高无人机检测的准确性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明所提供的一种基于红外偏振的无人机检测方法流程示意图，图2为本发明所提供的一种基于红外偏振的无人机检测方法整体流程示意图，如图1和图2所示，本发明所提供的一种基于红外偏振的无人机检测方法，包括：
S101，获取目标场景中三个不同偏振角度下的偏振图像；
其中，利用分时旋转偏振片型红外偏振成像装置获得目标场景中三个不同偏振角度下的偏振图像；该装置采用时序工作方式，使用步进电机高速旋转偏振片，偏振片旋转到指定角度时红外相机同步曝光，在偏振片每旋转到指定角度的情况下采集一帧红外强度图像。
S102，根据所述三个不同偏振角度下的偏振图像计算斯托克斯矢量；所述斯托克斯矢量包括：光强图像、水平线偏振分量与垂直线偏振分量之差以及45°线偏振分量与135°线偏振分量之差；利用线偏振片的Mueller矩阵得到任意偏振方向θ下的出射辐射光强与入射光斯托克斯矢量之间的关系。即
Figure BDA0003167027370000091
S102具体包括：
利用公式
Figure BDA0003167027370000092
确定光强图像；
利用公式
Figure BDA0003167027370000093
确定水平线偏振分量与垂直线偏振分量之差；
利用公式
Figure BDA0003167027370000094
确定45°线偏振分量与135°线偏振分量之差；
线偏振度是红外偏振探测最本质的特征，反映了偏振光的偏振程度，取值范围为0～1，线偏振度的存在性与差异性决定了红外偏振探测的可行性。偏振角的物理意义为光波振动方向与参考方向的夹角，反映的是偏振光的偏振方向。一般而言，来自物体的光波偏振角参数是一个与物体表观及固有特性直接相关的本征信息，可以用来表征目标及背景的状态特性。线偏振度和偏振角的获取可以通过斯托克斯参量的组合计算得到。
利用公式
Figure BDA0003167027370000095
确定线偏振度图像；
利用公式
Figure BDA0003167027370000096
确定偏振角图像；
其中，I为光强图像，Q为水平线偏振分量与垂直线偏振分量之差，U为45°线偏振分量与135°线偏振分量之差，DOLP为线偏振度图像，AOP为偏振角图像，I(θ)表示偏振片旋转角度为θ时的偏振态图像，
Figure BDA0003167027370000097
无人机目标和背景的线偏振度和偏振角均存在较大差异，故可以使用这两种偏振特性来对无人机目标和背景进行区分。
S103，将根据斯托克斯矢量确定的线偏振度图像和偏振角图像分别进行归一化后，再将归一化后的线偏振度图像和归一化后的偏振角图像进行叠加，确定三维图像；即叠加后图像上每一个像素点都是一个样本，每个样本数据为该像素点的线偏振度和偏振角组成的二维向量。
计算得到的线偏振度取值范围[0，1]，不需要进行归一化处理；计算得到的偏振角取值范围为
Figure BDA0003167027370000101
故对于偏振角的归一化操作为：
Figure BDA0003167027370000102
将归一化后的DOLP图像和AOP图像叠加成为三维图像将归一化后的DOLP图像和AOP图像叠加成为三维图像IAP。
S104，利用K-means聚类方法对所述三维图像进行粗聚类，将所述三维图像的像素点分为目标类像素点和背景类像素点；并分别计算目标类像素点的均值和协方差矩阵以及背景类像素点的均值和协方差矩阵；
为了利用偏振特性来区分目标与背景分离，使用K均值聚类方法进行聚类。首先将图像上像素点代表的样本划分为K个子集，随机生成或者选择K个样本作为聚类中心(目标类和背景类共两类，故K取值为2，目标类k＝2，背景类k＝1)。
定义第k个类别的中心为μk，μk是一个二维的特征向量μk(μkAop，μkDolp)。我们需要找到每个样本所属的类别，以及一组向量{μk}，使得每个样本与它所属的类别的中心μk的距离平方和最小。为度量样本之间的相似度，采用欧式距离的平方作为标准：
d(IiAP-IjAP)2＝(Ai-Aj)2+(Pi-Pj)2。
其中，IiAP(Ai，Pi)为第i个样本点，A和P分别代表样本的偏振角和线偏振度。把所有样本与所属类的中心之间距离的平方之和定义为损失函数：
Figure BDA0003167027370000103
其中，rnk∈{0，1}，n＝1，2，...，N，k＝1，2，...，K，N为图像像素点个数，如果rnk＝1，那么表示样本InAP属于第k类。
保持μk固定，选择rnk来最小化J，也就是把样本指派到与其最近的中心所属的类中，得到一个聚类结果。如果这个样本和第k个类别的距离最小，那么令rnk＝1。对N个样本都这样进行分配，自然就得到了使所有样本与类中心的距离平方和最小的{rnk}
Figure BDA0003167027370000111
保持rnk固定，计算μk来最小化J，也就是更新每个类别的中心。目标函数J是μk的一个二次函数，令它关于μk的导数为零，就可以使目标函数达到最小值，即：
Figure BDA0003167027370000112
解出μk的结果为：
Figure BDA0003167027370000113
μk就是类别k中所有样本的均值。重新为样本分配类别，再重新计算每个类别的均值，不断重复这两个步骤，直到满足以下条件之一：
1)没有(或最小数目)样本被重新分配给不同的聚类。
2)没有(或最小数目)聚类中心再发生变化。
3)误差平方和局部最小(目标函数值的改变小于设定的阈值)
通过上述K均值聚类过程，可以得到目标类样本均值μ2和背景类样本均值μ1，并通过计算可以获得目标类样本协方差∑2和背景类样本协方差∑1
Figure BDA0003167027370000121
Figure BDA0003167027370000122
式中k代表类别，k＝2为目标类，k＝1为背景类；Nk为属于k类的样本数量，
Figure BDA0003167027370000123
为属于第k类的第n个样本(n＝1，2，3...Nk)，
Figure BDA0003167027370000124
和
Figure BDA0003167027370000125
为该样本点的线偏振度和偏振角。即
Figure BDA0003167027370000126
为第k类样本均值，∑k为第k类样本协方差矩阵。
S105，根据目标类像素点的均值和协方差矩阵以及背景类像素点的均值和协方差矩阵对高斯混合模型进行初始化，进而对所述三维图像进行二次聚类，并确定二次聚类后的目标类像素点的均值和协方差矩阵以及背景类像素点的均值和协方差矩阵；
S105具体包括：
由于初始类中心的选择会直接影响聚类结果，选择不同的初始类中心，可能会得到不同的聚类结果，为了进一步精确区分图像中的目标与背景，采用K均值聚类后得到的μk和∑k作为初始化数值代入高斯混合模型(Gaussian Mixed Model，GMM)模型中进行聚类，以达到最优解。GMM由K个单高斯模型生成(K个类)，在目标检测中，图像中的每一个像素点都可以用混合模型描述。高斯混合模型是指具有如下形式的概率分布模型：
Figure BDA0003167027370000127
其中αk是权重系数，αk≥0，
Figure BDA0003167027370000128
φ(IAP|θk)是高斯分布密度，θk＝(μk，∑k)；
Figure BDA0003167027370000131
上式中K为类的数目，有目标类和背景类故K＝2，式(12)称为第k个分模型。
初始化αk，θk＝(μk，∑k)，其中μk和∑k采用K均值聚类后得到的结果，αk根据K均值聚类的结果，为第k类中的数据个数与样本总数之比。根据参数的初始值开始迭代，依据当前模型参数，计算分模型k对第j个样本点IjAP的响应度：
Figure BDA0003167027370000132
根据响应度
Figure BDA0003167027370000133
计算新一轮迭代的模型参数：
Figure BDA0003167027370000134
Figure BDA0003167027370000135
重复上述迭代步骤，直到迭代结果收敛到一定小的时候停止。根据最终迭代结果可以得到精确聚类后的目标类样本均值μ′2和背景类样本均值μ′1，并通过与式
Figure BDA0003167027370000136
相同的计算可以获得目标类样本协方差矩阵∑′2和背景类样本协方差矩阵Σ′1。
S106，根据二次聚类后的目标类像素点的均值和协方差矩阵构建二维高斯概率模型，确定目标概率图像；
S106具体包括：
用聚类得到的目标类均值μ′2(μ′2Aop，μ′2Dolp)和协方差矩阵∑′2来描述实际目标线偏振度和偏振角值的概率分布，建立二维高斯概率模型，计算每一个像素点属于目标的概率。目标概率图像P能够通过以下过程得到：
1)高斯混合模型(GMM)聚类给出目标类的均值μ′2和协方差矩阵Σ′2，其中δ11为偏振角方差，δ22为线偏振度方差，δ12和δ21为线偏振度和偏振角之间的协方差；
μ′2＝(μ′2Aop，μ′2Dolp)，
Figure BDA0003167027370000141
2)建立二维高斯概率模型，将利用斯托克斯矢量计算得到的线偏振度图像和偏振角图像归一化后进行叠加，即叠加后图像每一个像素点可表示为IiAP(Aopi，Dolpi)(由线偏振度和偏振角组成的二维向量)，将IAP代入二维高斯概率模型，计算每一个像素点属于目标类的概率，Pi是第i个像素点属于目标的概率，归一化后得到目标概率图像P。
Figure BDA0003167027370000142
Figure BDA0003167027370000143
上式中n＝2，为高斯概率模型的维数
S107，根据二次聚类后的背景类像素点中偏振角图像的均值，确定与背景偏振角正交的偏振方向；进而确定在正交于背景偏振角的偏振方向下的目标线偏振分量图像；
S107具体包括：
利用公式
Figure BDA0003167027370000144
对二次聚类后的背景类像素点中偏振角图像的均值进行反归一化处理，确定背景偏振角；
根据所述背景偏振角确定与背景偏振角正交的偏振方向；
利用公式
Figure BDA0003167027370000145
确定正交于背景偏振角方向下的偏振分量；
利用公式
Figure BDA0003167027370000146
确定在正交于背景偏振角的偏振方向下的目标线偏振分量图像；
其中，θb为背景偏振角，
Figure BDA0003167027370000151
为正交于背景偏振角方向下的偏振分量，
Figure BDA0003167027370000152
为
Figure BDA0003167027370000153
中的非偏振光成分，
Figure BDA0003167027370000154
为在正交于背景偏振角的偏振方向下的目标线偏振分量图像，μ′2Aop为二次聚类后的背景类像素点中偏振角图像的均值。
一般景物的辐射强度I可以分为线偏振光成分IP和自然光成分IN，可用式I＝IN+IP表示，IP和IN可以用斯托克斯矢量计算求得。
其中，
Figure BDA0003167027370000155
Figure BDA0003167027370000156
根据马吕斯(E.L.Malus)定律，在对辐射强度I在指定偏振方向θ下提取的偏振分量Iθ可以分为线偏振成分
Figure BDA0003167027370000157
和非偏振光成分
Figure BDA0003167027370000158
非偏振光成分
Figure BDA0003167027370000159
为自然光成分IN的一半可用式
Figure BDA00031670273700001510
表示，A为偏振角。Iθ可由式
Figure BDA00031670273700001511
求得。
Figure BDA00031670273700001512
Figure BDA00031670273700001513
考虑到目标像素的偏振性具有一致性，偏振方向取
Figure BDA00031670273700001514
利用式
Figure BDA00031670273700001515
可得到正交于背景偏振角方向下的偏振分量
Figure BDA00031670273700001516
如式
Figure BDA00031670273700001517
所示，从而抑制背景像素点的线偏振成分。
求出偏振分量
Figure BDA0003167027370000161
的非偏振光成分，再减去非偏振光成分剩余目标像素点的线偏振成分，如式
Figure BDA0003167027370000162
所示。
Figure BDA0003167027370000163
具体的流程如图3所示。为了检测强杂光背景中的目标，绝大部分光强信息不能用于目标与背景的辨识，因此利用偏振成分分解，去除偏振分量
Figure BDA0003167027370000164
中的非线偏振光成分
Figure BDA0003167027370000165
使背景信息完全被抑制，仅保留目标线偏振光成分
Figure BDA0003167027370000166
从而能够对无人机目标起到增强效果。
S108，对所述光强图像进行自适应对比熵顶帽变换，确定输出图像ITh；即在光强强度上进行背景的抑制。
S108具体包括：
对所述光强图像采用加权局部自适应结构元，进行腐蚀操作；
对腐蚀操作后的光强图像采用自适应结构元，进行膨胀操作；
将所述光强图像减去膨胀操作后的光强图像，确定自适应对比熵顶帽变换后的输出图像。
自适应对比熵顶帽变换通过使用自适应结构元来获取红外图像中的局部特征，并使用对比度熵对结构元局部加权，自适应地对背景信息进行抑制。
其中，自适应结构元为
Figure BDA0003167027370000167
Wk是一个大小为W×W的自适应结构元，对应于输入图像I上的一个滤波窗k，Ii是滤波窗中心点的值，Ij是滤波窗除中心点外的值。μk为窗口内像素点的均值，σk为窗口内像素点的方差，ε是一个惩罚值。Ii和Ij如果处在目标和背景的分界处，(Ii-μk)和(Ij-μk)异号，否则，则同号。而异号时的权重值将远远小于同号时的权重值，这样处于平坦区域的像素则会被加以较大的权重，平滑效果效果更明显，而处于边界两侧的像素则会被加以较小的权重，平滑效果较弱，能够起到保持边界的效果。
在抑制背景的同时利用目标和周围区域的差异信息以增强目标。改进后的顶帽变换过程如图4所示：
对于一块大小为L×L的区域，共有N个像素点，其中I(x，y)代表中心像素点的灰度值大小，对这一区域内的所有像素点作直方图统计得到各个灰度级。部对比度熵如下定义：
Figure BDA0003167027370000171
其中Ii代表此区域内第i个像素点，
Figure BDA0003167027370000177
代表Ii经过低通滤波后的值，该值可以由对该区域使用一个
Figure BDA0003167027370000172
卷积核进行滤波后得到。Pi代表概率密度函数中第i个灰度级概率(
Figure BDA0003167027370000173
Ni为属于第i个灰度级像素点个数)。
利用加权局部自适应结构元对I(光强图像)进行腐蚀操作得到Ie；
Figure BDA0003167027370000174
如图6所示，定义了bs，bm，bb这三个不同尺寸，相同形状的自适应结构元，对应的尺寸分别为Ws＜Wm＜Wb，Δb为bb减去bs获得的区域，Δb能够体现目标区域和背景区域之间的差异信息(在图6中，Δb为深色区域，bb为整个区域，bm为虚线框内的区域，bs为白色区域)。通过计算原图像Δb内的对比度熵(Sc)，对自适应结构元中的Δb赋权重，使得结构元能够包含更多的目标和背景间差异信息。
对Ie使用自适应结构元进行膨胀操作得到Ie&d，即
Figure BDA0003167027370000175
使用I减去Ie&d得到自适应对比熵顶帽变换的输出结果ITh，即ITh＝I-Ie&d。
即
Figure BDA0003167027370000176
利用公式确定自适应对比熵顶帽变换的输出结果。
S109，将所述输出图像与所述目标线偏振分量图像进行拉普拉斯金字塔融合，确定融合后的图像；
拉普拉斯金字塔分解可将源图像分解到金字塔的不同层，利用其分解后的塔形结构，对具有不同空间频率的各层图像，根据图像的特征分别采用不同的融合算子进行融合处理，可将经过自适应对比熵顶帽变换后的红外强度图像和只保留了目标线偏振分量的偏振信息图像的特征细节融合在一起，从而使融合后的图像进一步对背景进行抑制，提升了目标和背景之间的对比度。
拉普拉斯金字塔融合过程如下：
1)设融合的其中一幅图像为G0，以G0为进行金字塔分解后的第0层，对图像进行低通滤波和下采样，得到第一层；对图像继续进行低通滤波和下采样，处理后的图像是金字塔的第二层；一直对新得到的图像进行这样的处理，就形成了源图像的高斯金字塔。用具体的公式表示为：设将要进行融合的金字塔的第l层为Gl：
Figure BDA0003167027370000181
(1≤l≤N，0≤i＜Rl，0≤j＜Cl)；
其中，N为将要进行融合的图像金字塔的层数，Cl和Rl是源图像分解形成的金字塔第1层图像的列和行的大小，w(m，n)是进行低通滤波的函数：
Figure BDA0003167027370000191
2)将已经得到的高斯金字塔中的1层Gl进行内插值，从而形成尺寸比它自身大一倍的图像
Figure BDA0003167027370000192
的大小和金字塔低一层的子图像Gl-1的大小相等，可以用公式表示图像放大的计算过程，设为Expand，那么：
Figure BDA0003167027370000193
Figure BDA0003167027370000194
(1≤l≤N，0≤i＜Rl，0≤j＜Cl)；
式中：
Figure BDA0003167027370000195
Figure BDA0003167027370000196
拉普拉斯金字塔的每一层子图像等于原始图像形成的高斯金字塔某一层图子像减去它上面一层的子图像经过插值大一倍大小后的图像。
3)将要融合的两幅图像形成的金字塔的每一层做比较，选出每一幅子图像中像素的灰度值较大的那一个像素作为结果金字塔的像素值，可以设要被处理的图像A，B形成的金字塔l级是LPLA，LPLB，处理后形成的金字塔L层是LPLF，融合的法则可以定义为：
LPLF(i，j)＝max{LPlA(i，j)，LPlB(i，j)}；
4)两幅源图像的拉普拉斯金字塔融合形成新的金字塔后，要对其进行金字塔的逆变换后才能得到结果图像，具体计算过程如下：
Figure BDA0003167027370000201
将自适应对比熵顶帽变换后的红外强度图像ITh和只保留了目标线偏振分量的偏振信息图像
Figure BDA0003167027370000202
作为图像A和图像B输入，拉普拉斯金字塔融合输出结果G0即为最终融合图像Iin。
S110，利用所述目标概率图像对隶属度矩阵加权，采用偏振信息诱导下的直觉模糊C均值聚类算法对融合后的图像进行聚类，确定二值化图像；
模糊C均值聚类算法最先由Dunn出，之后Bezdek对其进行了改进。它通过优化目标函数得到每个样本点对所有类中心的隶属度，从而决定样本点的类属以达到自动对样本数据进行分类的目的。其目标函数如下定义：
Figure BDA0003167027370000203
上式中c是聚类数目，N是数据个数，m是模糊参数通常设为2。xk和vi分别代表第k个数据点和第i个聚类中心。uik代表xk属于vi的隶属度，如下定义：
Figure BDA0003167027370000211
目标函数的局部最小值通过拉格朗日数乘法进行迭代运算获得，过程如下：
Figure BDA0003167027370000212
Figure BDA0003167027370000213
为了进一步提升FCM聚类效果，Vlaschos和Sergiadis将直觉模糊集理论引入，以IFS的形式来对图像进行表示。设I为具有N个像素点的图像，Xk是第k个像素点的灰度级，图像I的IFS形式如下式：
I＝{<xk，μI(xk)，vI(xk)>|k＝1，2…，N}；
μI(xk)，vI(xk)分别代表像素点xk的隶属度和非隶属度。隶属度和非隶属度的计算过程如下：
Figure BDA0003167027370000214
Figure BDA0003167027370000215
xmax和xmin分别代表图像I的最大灰度级和最小灰度级，其中λ是控制隶属度与犹豫程度之间比率的常量。至此，图像被转移到直觉模糊域中，直觉模糊c均值聚类算法的目标函数可以表示如下：
Figure BDA0003167027370000221
Figure BDA0003167027370000222
其中
Figure BDA0003167027370000223
以IFSs的形式表示为
Figure BDA0003167027370000224
聚类中心
Figure BDA0003167027370000225
可表示为
Figure BDA0003167027370000226
到
Figure BDA0003167027370000227
的欧几里德直觉模糊距离
Figure BDA0003167027370000228
如下定义：
Figure BDA0003167027370000229
像FCM一样，可以通过基于拉格朗日乘数法来对目标函数进行迭代求解。
首先将目标线性偏振分量图像和经过自适应对比熵顶帽变换后的红外图像进行拉普拉斯金字塔图像融合结果Iin作为聚类的输入图像。利用GMM聚类得到的目标均值μ′2和协方差矩阵∑′2，建立二维高斯概率模型来确定目标概率图像P，Pk为目标概率图像中第k个像素点的值，在直觉模糊C均值聚类的目标函数中引入概率权重系数Pk如下式：
Figure BDA00031670273700002210
Pk是第k个像素点属于目标的概率，不同的i值代表不同的类，h(i)取不同的指数值。在本方法中，i＝1代表背景类，i＝2代表目标区域，取值
Figure BDA00031670273700002211
Figure BDA00031670273700002212
最终目标函数：
Figure BDA00031670273700002213
约束条件：
Figure BDA0003167027370000231
构造拉格朗日目标函数：
Figure BDA0003167027370000232
上式中λk为拉格朗日乘子，为了求得拉格朗日目标函数的最优解，分别对uik，μ(vi)，v(vi)，π(vi)和λk求偏导，使求导结果等于零：
Figure BDA0003167027370000233
Figure BDA0003167027370000234
Figure BDA0003167027370000235
Figure BDA0003167027370000236
Figure BDA0003167027370000237
通过同步求解上式，可以求得隶属度和聚类中心：
Figure BDA0003167027370000238
Figure BDA0003167027370000241
Figure BDA0003167027370000242
Figure BDA0003167027370000243
聚类过程如下：
1)使用目标类均值和协方差构建二维高斯概率模型，计算目标概率图像P；
2)设置聚类数目，模糊参数m＝2，迭代阈值ε，随机初始化隶属度矩阵U和聚类中心；
3)更新隶属度矩阵U和聚类中心，设置t＝1；
4)当||U(t+1)-U(t)||∞＜ε，停止迭代；否则返回第二步，t＝t+1；
5)当聚类满足停止条件后，将目标类隶属度大于背景类隶属度(即u2k＞u1k)对应的像素点xk设为255，反之则设为0，输出二值化图像；
聚类结果输出为二值化图像Iout，白色区域即为要检测的无人机目标。
S111，根据二值化图像确定目标；所述目标为无人机。
本发明采用红外偏振图像，依据对偏振图像进行处理分解出无效的强度成分，提取其中最有效的偏振信息的思想，通过GMM聚类获得背景偏振角，通过提取正交于背景偏振角方向下的目标线偏振分量，消除背景线偏振成分，并基本保留目标线偏振成分(体现目标细节轮廓)，来实现偏振维度上对背景进行抑制的效果；顶帽变换是一种能够对红外图像进行背景削弱的形态学方法，现在已有不少改进的顶帽变换算法。本发明提出了一种改进的自适应对比熵顶帽变换来实现对红外图像中的背景进行抑制；本发明通过计算生成与背景偏振角正交方向下的目标线偏振分量图像，实现在偏振信息这一维度上对背景进行抑制；通过对红外图像进行自适应对比熵顶帽变换，实现在强度信息这一维度上对背景进行抑制。将抑制背景了的红外图像和偏振图像进行融合实现了1+1＞2的背景抑制效果
图7为本发明所提供的一种基于红外偏振的无人机检测系统结构示意图，如图7所示，本发明所提供的一种基于红外偏振的无人机检测系统，包括：
偏振图像获取模块601，用于获取目标场景中三个不同偏振角度下的偏振图像；
斯托克斯矢量计算模块602，用于根据所述三个不同偏振角度下的偏振图像计算斯托克斯矢量；所述斯托克斯矢量包括：光强图像、水平线偏振分量与垂直线偏振分量之差以及45°线偏振分量与135°线偏振分量之差；
三维图像确定模块603，用于将根据斯托克斯矢量确定的线偏振度图像和偏振角图像分别进行归一化后，再将归一化后的线偏振度图像和归一化后的偏振角图像进行叠加，确定三维图像；
第一聚类模块604，用于利用K-means聚类方法对所述三维图像进行粗聚类，将所述三维图像的像素点分为目标类像素点和背景类像素点；并分别计算目标类像素点的均值和协方差矩阵以及背景类像素点的均值和协方差矩阵；
第二聚类模块605，用于根据目标类像素点的均值和协方差矩阵以及背景类像素点的均值和协方差矩阵对高斯混合模型进行初始化，进而对所述三维图像进行二次聚类，并确定二次聚类后的目标类像素点的均值和协方差矩阵以及背景类像素点的均值和协方差矩阵；
目标概率图像确定模块606，用于根据二次聚类后的目标类像素点的均值和协方差矩阵构建二维高斯概率模型，确定目标概率图像；
目标线偏振分量图像确定模块607，用于根据二次聚类后的背景类像素点中偏振角图像的均值，确定与背景偏振角正交的偏振方向；进而确定在正交于背景偏振角的偏振方向下的目标线偏振分量图像；
输出图像确定模块608，用于对所述光强图像进行自适应对比熵顶帽变换，确定输出图像；
融合后的图像确定模块609，用于将所述输出图像与所述目标线偏振分量图像进行拉普拉斯金字塔融合，确定融合后的图像；
二值化图像确定模块610，用于利用所述目标概率图像对隶属度矩阵加权，采用偏振信息诱导下的直觉模糊C均值聚类算法对融合后的图像进行聚类，确定二值化图像；
目标确定模块611，用于根据二值化图像确定目标；所述目标为无人机。
所述斯托克斯矢量计算模块602具体包括：
光强图像确定单元，用于利用公式
Figure BDA0003167027370000261
确定光强图像；
水平线偏振分量与垂直线偏振分量之差确定单元，用于利用公式
Figure BDA0003167027370000262
确定水平线偏振分量与垂直线偏振分量之差；
45°线偏振分量与135°线偏振分量之差确定单元，用于利用公式
Figure BDA0003167027370000263
确定45°线偏振分量与135°线偏振分量之差；
其中，I为光强图像，Q为水平线偏振分量与垂直线偏振分量之差，U为45°线偏振分量与135°线偏振分量之差，I(θ)表示偏振片旋转角度为θ时的偏振态图像，
Figure BDA0003167027370000264
所述目标线偏振分量图像确定模块607具体包括：
背景偏振角确定单元，用于利用公式
Figure BDA0003167027370000265
对二次聚类后的背景类像素点中偏振角图像的均值进行反归一化处理，确定背景偏振角；
与背景偏振角正交的偏振方向确定单元，用于根据所述背景偏振角确定与背景偏振角正交的偏振方向；
偏振分量确定单元，用于利用公式
Figure BDA0003167027370000271
确定正交于背景偏振角方向下的偏振分量；
目标线偏振分量图像确定单元，用于利用公式
Figure BDA0003167027370000272
确定在正交于背景偏振角的偏振方向下的目标线偏振分量图像；
其中，θb为背景偏振角，
Figure BDA0003167027370000273
为正交于背景偏振角方向下的偏振分量，
Figure BDA0003167027370000274
为
Figure BDA0003167027370000275
中的非偏振光成分，
Figure BDA0003167027370000276
为在正交于背景偏振角的偏振方向下的目标线偏振分量图像，μ′2Aop为二次聚类后的背景类像素点中偏振角图像的均值。
所述输出图像确定模块608具体包括：
腐蚀操作单元，用于对所述光强图像采用加权局部自适应结构元，进行腐蚀操作；
膨胀操作单元，用于对腐蚀操作后的光强图像采用自适应结构元，进行膨胀操作；
输出图像确定单元，用于将所述光强图像减去膨胀操作后的光强图像，确定自适应对比熵顶帽变换后的输出图像。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种基于红外偏振的无人机检测方法，其特征在于，包括：
获取目标场景中三个不同偏振角度下的偏振图像；
根据所述三个不同偏振角度下的偏振图像计算斯托克斯矢量；所述斯托克斯矢量包括：光强图像、水平线偏振分量与垂直线偏振分量之差以及45°线偏振分量与135°线偏振分量之差；
将根据斯托克斯矢量确定的线偏振度图像和偏振角图像分别进行归一化后，再将归一化后的线偏振度图像和归一化后的偏振角图像进行叠加，确定三维图像；
利用K-means聚类方法对所述三维图像进行粗聚类，将所述三维图像的像素点分为目标类像素点和背景类像素点；并分别计算目标类像素点的均值和协方差矩阵以及背景类像素点的均值和协方差矩阵；
根据目标类像素点的均值和协方差矩阵以及背景类像素点的均值和协方差矩阵对高斯混合模型进行初始化，进而对所述三维图像进行二次聚类，并确定二次聚类后的目标类像素点的均值和协方差矩阵以及背景类像素点的均值和协方差矩阵；
根据二次聚类后的目标类像素点的均值和协方差矩阵构建二维高斯概率模型，确定目标概率图像；
根据二次聚类后的背景类像素点中偏振角图像的均值，确定与背景偏振角正交的偏振方向；进而确定在正交于背景偏振角的偏振方向下的目标线偏振分量图像；
对所述光强图像进行自适应对比熵顶帽变换，确定输出图像；
将所述输出图像与所述目标线偏振分量图像进行拉普拉斯金字塔融合，确定融合后的图像；
利用所述目标概率图像对隶属度矩阵加权，采用偏振信息诱导下的直觉模糊C均值聚类算法对融合后的图像进行聚类，确定二值化图像；
根据二值化图像确定目标；所述目标为无人机。
2.根据权利要求1所述的一种基于红外偏振的无人机检测方法，其特征在于，所述根据所述三个不同偏振角度下的偏振图像计算斯托克斯矢量，具体包括：
利用公式
Figure FDA0003167027360000021
确定光强图像；
利用公式
Figure FDA0003167027360000022
确定水平线偏振分量与垂直线偏振分量之差；
利用公式
Figure FDA0003167027360000023
确定45°线偏振分量与135°线偏振分量之差；
其中，I为光强图像，Q为水平线偏振分量与垂直线偏振分量之差，U为45°线偏振分量与135°线偏振分量之差，I(θ)表示偏振片旋转角度为θ时的偏振态图像，θ∈[0°，360°)。
3.根据权利要求2所述的一种基于红外偏振的无人机检测方法，其特征在于，所述根据二次聚类后的背景类像素点中偏振角图像的均值，确定与背景偏振角正交的偏振方向；进而确定在正交于背景偏振角的偏振方向下的目标线偏振分量图像，具体包括：
利用公式
Figure FDA0003167027360000024
对二次聚类后的背景类像素点中偏振角图像的均值进行反归一化处理，确定背景偏振角；
根据所述背景偏振角确定与背景偏振角正交的偏振方向；
利用公式
Figure FDA0003167027360000025
确定正交于背景偏振角方向下的偏振分量；
利用公式
Figure FDA0003167027360000026
确定在正交于背景偏振角的偏振方向下的目标线偏振分量图像；
其中，θb为背景偏振角，
Figure FDA0003167027360000027
为正交于背景偏振角方向下的偏振分量，
Figure FDA0003167027360000031
为
Figure FDA0003167027360000032
中的非偏振光成分，
Figure FDA0003167027360000033
为在正交于背景偏振角的偏振方向下的目标线偏振分量图像，μ′2Aop为二次聚类后的背景类像素点中偏振角图像的均值。
4.根据权利要求1所述的一种基于红外偏振的无人机检测方法，其特征在于，所述对所述光强图像进行自适应对比熵顶帽变换，确定输出图像，具体包括：
对所述光强图像采用加权局部自适应结构元，进行腐蚀操作；
对腐蚀操作后的光强图像采用自适应结构元，进行膨胀操作；
将所述光强图像减去膨胀操作后的光强图像，确定自适应对比熵顶帽变换后的输出图像。
5.一种基于红外偏振的无人机检测系统，其特征在于，包括：
偏振图像获取模块，用于获取目标场景中三个不同偏振角度下的偏振图像；
斯托克斯矢量计算模块，用于根据所述三个不同偏振角度下的偏振图像计算斯托克斯矢量；所述斯托克斯矢量包括：光强图像、水平线偏振分量与垂直线偏振分量之差以及45°线偏振分量与135°线偏振分量之差；
三维图像确定模块，用于将根据斯托克斯矢量确定的线偏振度图像和偏振角图像分别进行归一化后，再将归一化后的线偏振度图像和归一化后的偏振角图像进行叠加，确定三维图像；
第一聚类模块，用于利用K-means聚类方法对所述三维图像进行粗聚类，将所述三维图像的像素点分为目标类像素点和背景类像素点；并分别计算目标类像素点的均值和协方差矩阵以及背景类像素点的均值和协方差矩阵；
第二聚类模块，用于根据目标类像素点的均值和协方差矩阵以及背景类像素点的均值和协方差矩阵对高斯混合模型进行初始化，进而对所述三维图像进行二次聚类，并确定二次聚类后的目标类像素点的均值和协方差矩阵以及背景类像素点的均值和协方差矩阵；
目标概率图像确定模块，用于根据二次聚类后的目标类像素点的均值和协方差矩阵构建二维高斯概率模型，确定目标概率图像；
目标线偏振分量图像确定模块，用于根据二次聚类后的背景类像素点中偏振角图像的均值，确定与背景偏振角正交的偏振方向；进而确定在正交于背景偏振角的偏振方向下的目标线偏振分量图像；
输出图像确定模块，用于对所述光强图像进行自适应对比熵顶帽变换，确定输出图像；
融合后的图像确定模块，用于将所述输出图像与所述目标线偏振分量图像进行拉普拉斯金字塔融合，确定融合后的图像；
二值化图像确定模块，用于利用所述目标概率图像对隶属度矩阵加权，采用偏振信息诱导下的直觉模糊C均值聚类算法对融合后的图像进行聚类，确定二值化图像；
目标确定模块，用于根据二值化图像确定目标；所述目标为无人机。
6.根据权利要求5所述的一种基于红外偏振的无人机检测系统，其特征在于，所述斯托克斯矢量计算模块具体包括：
光强图像确定单元，用于利用公式
Figure FDA0003167027360000041
确定光强图像；
水平线偏振分量与垂直线偏振分量之差确定单元，用于利用公式
Figure FDA0003167027360000042
确定水平线偏振分量与垂直线偏振分量之差；
45°线偏振分量与135°线偏振分量之差确定单元，用于利用公式
Figure FDA0003167027360000043
确定45°线偏振分量与135°线偏振分量之差；
其中，I为光强图像，Q为水平线偏振分量与垂直线偏振分量之差，U为45°线偏振分量与135°线偏振分量之差，I(θ)表示偏振片旋转角度为θ时的偏振态图像，θ∈[0°，360°)。
7.根据权利要求6所述的一种基于红外偏振的无人机检测系统，其特征在于，所述目标线偏振分量图像确定模块具体包括：
背景偏振角确定单元，用于利用公式
Figure FDA0003167027360000051
对二次聚类后的背景类像素点中偏振角图像的均值进行反归一化处理，确定背景偏振角；
与背景偏振角正交的偏振方向确定单元，用于根据所述背景偏振角确定与背景偏振角正交的偏振方向；
偏振分量确定单元，用于利用公式
Figure FDA0003167027360000052
确定正交于背景偏振角方向下的偏振分量；
目标线偏振分量图像确定单元，用于利用公式
Figure FDA0003167027360000053
确定在正交于背景偏振角的偏振方向下的目标线偏振分量图像；
其中，θb为背景偏振角，
Figure FDA0003167027360000054
为正交于背景偏振角方向下的偏振分量，
Figure FDA0003167027360000055
为
Figure FDA0003167027360000056
中的非偏振光成分，
Figure FDA0003167027360000057
为在正交于背景偏振角的偏振方向下的目标线偏振分量图像，μ′2Aop为二次聚类后的背景类像素点中偏振角图像的均值。
8.根据权利要求5所述的一种基于红外偏振的无人机检测系统，其特征在于，所述输出图像确定模块具体包括：
腐蚀操作单元，用于对所述光强图像采用加权局部自适应结构元，进行腐蚀操作；
膨胀操作单元，用于对腐蚀操作后的光强图像采用自适应结构元，进行膨胀操作；
输出图像确定单元，用于将所述光强图像减去膨胀操作后的光强图像，确定自适应对比熵顶帽变换后的输出图像。
CN202110807137.8A 2021-07-16 2021-07-16 一种基于红外偏振的无人机检测方法及系统 Active CN113591628B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110807137.8A CN113591628B (zh) 2021-07-16 2021-07-16 一种基于红外偏振的无人机检测方法及系统
PCT/CN2022/104786 WO2023284656A1 (zh) 2021-07-16 2022-07-11 一种基于红外偏振的无人机检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110807137.8A CN113591628B (zh) 2021-07-16 2021-07-16 一种基于红外偏振的无人机检测方法及系统

Publications (2)

Publication Number Publication Date
CN113591628A true CN113591628A (zh) 2021-11-02
CN113591628B CN113591628B (zh) 2024-07-02

Family

ID=78247858

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110807137.8A Active CN113591628B (zh) 2021-07-16 2021-07-16 一种基于红外偏振的无人机检测方法及系统

Country Status (2)

Country Link
CN (1) CN113591628B (zh)
WO (1) WO2023284656A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115034690A (zh) * 2022-08-10 2022-09-09 中国航天科工集团八五一一研究所 一种基于改进模糊c-均值聚类的战场态势分析方法
WO2023284656A1 (zh) * 2021-07-16 2023-01-19 合肥工业大学 一种基于红外偏振的无人机检测方法及系统

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116433532B (zh) * 2023-05-06 2023-09-26 合肥工业大学 一种基于注意力引导滤波的红外偏振图像融合去噪方法
CN116939376B (zh) * 2023-09-14 2023-12-22 长春理工大学 一种基于stokes矢量的四目相机同时偏振成像系统及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013061858A1 (ja) * 2011-10-24 2013-05-02 株式会社ニコン 照明光学系、露光装置、およびデバイス製造方法
US20150023553A1 (en) * 2013-07-18 2015-01-22 U.S. Army Research Laboratory Attn: Rdrl-Loc-I Image anomaly detection in a target area using polarimetric sensor data polarimetric sensor data
CN105787499A (zh) * 2014-12-26 2016-07-20 南京理工大学 基于K-means聚类和偏振信息提取的伪装目标识别方法
CN108460750A (zh) * 2018-04-03 2018-08-28 中国人民解放军国防科技大学 一种水面背景下舰船目标长波红外图像增强方法
CN108955625A (zh) * 2018-02-05 2018-12-07 合肥工业大学 一种获取太阳位置信息的方法和系统
WO2021007744A1 (zh) * 2019-07-15 2021-01-21 广东工业大学 一种集成空间约束的核模糊c均值快速聚类算法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108492274B (zh) * 2018-04-03 2020-08-07 中国人民解放军国防科技大学 一种长波红外偏振特征提取与融合的图像增强方法
US11499911B2 (en) * 2019-11-15 2022-11-15 Montana State University Systems and methods for detecting thermodynamic phase of clouds with optical polarization
CN113591628B (zh) * 2021-07-16 2024-07-02 合肥工业大学 一种基于红外偏振的无人机检测方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013061858A1 (ja) * 2011-10-24 2013-05-02 株式会社ニコン 照明光学系、露光装置、およびデバイス製造方法
US20150023553A1 (en) * 2013-07-18 2015-01-22 U.S. Army Research Laboratory Attn: Rdrl-Loc-I Image anomaly detection in a target area using polarimetric sensor data polarimetric sensor data
CN105787499A (zh) * 2014-12-26 2016-07-20 南京理工大学 基于K-means聚类和偏振信息提取的伪装目标识别方法
CN108955625A (zh) * 2018-02-05 2018-12-07 合肥工业大学 一种获取太阳位置信息的方法和系统
CN108460750A (zh) * 2018-04-03 2018-08-28 中国人民解放军国防科技大学 一种水面背景下舰船目标长波红外图像增强方法
WO2021007744A1 (zh) * 2019-07-15 2021-01-21 广东工业大学 一种集成空间约束的核模糊c均值快速聚类算法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
XUELIAN YU 等: "An infared polarization image fusion method based on NSCT and fuzzy C-means clustering segmentation algorithm", 《BING》, 20 November 2014 (2014-11-20) *
朱攀: "红外与红外偏振/可见光图像融合算法研究", 《中国博士学位论文电子期刊网 信息科技辑》, vol. 2018, no. 08, 15 August 2018 (2018-08-15) *
闫羽 徐小红 范之国等: "微偏振片阵列型长波红外成像系统定标方法", 《光子学报》, vol. 48, no. 6, 30 June 2019 (2019-06-30) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023284656A1 (zh) * 2021-07-16 2023-01-19 合肥工业大学 一种基于红外偏振的无人机检测方法及系统
CN115034690A (zh) * 2022-08-10 2022-09-09 中国航天科工集团八五一一研究所 一种基于改进模糊c-均值聚类的战场态势分析方法

Also Published As

Publication number Publication date
CN113591628B (zh) 2024-07-02
WO2023284656A1 (zh) 2023-01-19

Similar Documents

Publication Publication Date Title
CN113591628B (zh) 一种基于红外偏振的无人机检测方法及系统
Zhao et al. Single-frame infrared small-target detection: A survey
CN108492274B (zh) 一种长波红外偏振特征提取与融合的图像增强方法
Liu et al. Small target detection in infrared videos based on spatio-temporal tensor model
Hu et al. An adaptive fusion algorithm for visible and infrared videos based on entropy and the cumulative distribution of gray levels
CN111145131A (zh) 一种基于多尺度生成式对抗网络的红外和可见光图像融合方法
Broadwater et al. Hybrid detectors for subpixel targets
Yu et al. Real‐time single image dehazing using block‐to‐pixel interpolation and adaptive dark channel prior
CN109447073B (zh) 一种基于张量鲁棒主成分分析的红外弱小目标检测方法
CN109754384B (zh) 一种非制冷红外分焦平面阵列的红外偏振图像融合方法
Yan et al. Injected infrared and visible image fusion via $ l_ {1} $ decomposition model and guided filtering
CN110660065B (zh) 一种红外故障检测识别算法
CN110751087B (zh) 一种基于eof的无人机信号识别系统和方法
CN116823694B (zh) 基于多聚焦信息整合的红外与可见光图像融合方法及系统
Li et al. Infrared-visible image fusion method based on sparse and prior joint saliency detection and LatLRR-FPDE
Han et al. Edge-preserving filtering-based dehazing for remote sensing images
Lu et al. Penalized linear discriminant analysis of hyperspectral imagery for noise removal
Fang et al. Infrared small target detection with total variation and reweighted ℓ1 regularization
Fan et al. Unmanned Aerial Vehicle remote sensing image dehazing via global parameters
Zhang et al. Infrared Small Target Detection Based on Four-Direction Overlapping Group Sparse Total Variation.
Liao et al. An unsupervised image dehazing method using patch-line and fuzzy clustering-line priors
Wu et al. Infrared LSS-target detection via adaptive TCAIE-LGM smoothing and pixel-based background subtraction
Qi et al. Robust detection of small infrared objects in maritime scenarios using local minimum patterns and spatio-temporal context
CN117994745B (zh) 用于无人车辆的红外偏振目标检测方法、系统及介质
Blasch et al. Multi-modal video fusion for context-aided tracking

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