CN113592032A - 一种基于物理模型约束的红外成像虚警源分类方法 - Google Patents

一种基于物理模型约束的红外成像虚警源分类方法 Download PDF

Info

Publication number
CN113592032A
CN113592032A CN202110947168.3A CN202110947168A CN113592032A CN 113592032 A CN113592032 A CN 113592032A CN 202110947168 A CN202110947168 A CN 202110947168A CN 113592032 A CN113592032 A CN 113592032A
Authority
CN
China
Prior art keywords
alarm source
false alarm
infrared
image
texture
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
CN202110947168.3A
Other languages
English (en)
Other versions
CN113592032B (zh
Inventor
孙晓丽
彭真明
邓佳坤
伍风翼
张弦
肖晟远
郑华靖
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202110947168.3A priority Critical patent/CN113592032B/zh
Publication of CN113592032A publication Critical patent/CN113592032A/zh
Application granted granted Critical
Publication of CN113592032B publication Critical patent/CN113592032B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于红外图像处理及机器视觉应用领域，提供了一种基于物理模型约束的红外成像虚警源分类方法，实现物理特性与图像特征对虚警源的协同建模与表征，满足对地探测中对虚警源的抑制及智能化目标识别的要求。主要方案包括：红外虚警源特性分析，虚警源数据的样本集构建；对正演模拟仿真数据处理，提取物理特性参数表征特征；对传感器采集到的红外图像采用多向旋转结构算子提取虚警源的几何特征，采用局部纹理谱特征描述子(LTMV、局部纹理空间特征矩阵)提取虚警源的纹理特征；将训练集数据提取特征获得的几何特征、纹理特征及物理特征进行特征融合，得到综合特征向量并用于分类器训练；最后，利用测试集数据实现虚警源分类。

Description

一种基于物理模型约束的红外成像虚警源分类方法
技术领域
本发明属于红外图像处理及机器视觉应用领域，具体涉及一种基于物理模型约束的红外成像虚警源分类方法。
背景技术
随着红外成像技术的发展，红外成像被广泛地应用于各国军事、民用等相关领域，红外目标检测在预警系统、精确打击武器等方面发挥着巨大的作用，红外成像探测器一般具有成像距离远且易受环境因素干扰的特点，因此红外目标一直是目标检测领域的一个难题。
由于红外成像所用波段的特殊性，在军事应用中具有显著优势。与可见光成像相比，红外探测对于环境的依赖更小，可见光探测通常只能在白天进行，而红外探测成像则不会受制于此，红外探测具有全天候的工作能力。除此之外，红外探测还具有高灵敏度、抗电磁干扰能力强、动态范围大、环境适应性好等优势。因此红外探测可实现在复杂背景下，对目标的捕获、锁定、跟踪和识别。
天基红外卫星在对地遥感观测及导弹预警方面具有重要作用，是国防建设的重要组成部分。天基红外卫星利用其星载的红外对地探测器探测导弹或飞行器在飞行过程中产生的高强度红外辐射，实现对全球范围内实时的预警监测。然而在天基红外卫星的红外探测器成像波段内存在大量具有高辐射特性的目标，对导弹预警系统的正常工作造成干扰甚至误报，称为虚警源。典型的虚警源包括雪山、恒星、结冰湖泊以及高空卷云等，这些虚警源由于其高辐射或高反射特性不可避免地对成像系统产生干扰，因此需要对各种虚警源进行特征分析及建模实现对于虚警源的检测及分类，可将其作为目标检测的一种辅助手段，即检测引起虚警的虚警源，并对其进行检测分类，从目标检测的结果中去除虚警源检测的结果，从而一定程度上减少高辐射虚警源对真实空间目标检测的影响。除此之外，还满足了红外对地探测系统中对于虚警源智能化识别的要求。综合上述因素本文提出了一种基于物理模型约束的红外成像虚警源分类方法，因此在实际应用中虚警源的分类算法具有十分重要的研究意义。
发明内容
基于现有技术中虚警源对于智能化识别的问题，本发明提供了一种基于物理模型约束的红外成像虚警源分类方法，实现对多种虚警源的分类。
本发明采用的技术方案如下：
一种基于物理模型约束的红外成像虚警源分类方法，包括如下步骤：
步骤1：分析红外虚警源特点，并建立虚警源数据的图像样本集；
步骤2：对图像样本集进行正演模拟得到的虚警源仿真数据，提取虚警源仿真数据的物理特性参数表征特征，得到物理特征向量μ1；
步骤3：对图像样本集中的红外虚警源图像采用自适应多向旋转结构算子提取虚警源的几何特征，得到几何特征向量μ2；
步骤4：对图像样本集中的红外虚警源图像采用局部纹理谱特征描述子提取虚警源的纹理特征，得到纹理特征向量μ3；
步骤5：采用步骤2-步骤3对训练集数据进行提取特征，将得到的物理特征向量μ1、几何特征向量μ2、纹理特征向量μ3进行特征融合，得到融合后的特征向量，并将融合后得到的特征向量输入到分类器中进行训练，最终实现虚警源分类。
在上述技术方案的基础上，所述步骤1具体包括以下步骤：
步骤1.1：根据红外虚警源的形状、产状和物性数据，通过构造实体模型来观测虚警源所产生的地球物理效应的数值，通过地球物理效应的数值建立红外虚警源的物理特性参数样本集；
步骤1.2：根据天基红外对地观测系统中的传感器探测到的红外虚警源建立虚警源的图像样本集。
在上述技术方案的基础上，所述步骤2包括如下步骤：
步骤2.1：从步骤1.1中获得的红外虚警源的物理特性参数样本集中提取红外虚警源的散射、吸收参数特征，构建物理特征向量μ1。
在上述技术方案的基础上，所述步骤3包括如下步骤：
步骤3.1：根据步骤1.2中获得的图像样本集中的红外虚警源图像f(x，y)构造多尺度全方位算子，采用滤波窗口大小为(2N+1)*(2N+1)，当N＝I、2时，得到以下两组全方位结构算子
Figure BDA0003216828090000021
其中
Figure BDA0003216828090000022
的下标3是2N+1，N＝1时计算得到，
Figure BDA0003216828090000023
的下标5是2N+1，N＝2时计算得到：
Figure BDA0003216828090000024
Figure BDA0003216828090000025
步骤3.2：根据步骤3.1中构造的两组全方位结构算子，现以3*3结构算子
Figure BDA0003216828090000031
Figure BDA0003216828090000032
为中心，与四个5*5结构算子
Figure BDA0003216828090000033
自由组合，从而可得到16个多向旋转结构算子；
以θ＝0°的3*3结构算子为中心，得到以下四个多向旋转结构算子：
Figure BDA0003216828090000034
以θ＝45°的3*3结构算子为中心，得到以下四个多向旋转结构算子：
Figure BDA0003216828090000035
以θ＝90°的3*3结构算子为中心，得到以下四个多向旋转结构算子：
Figure BDA0003216828090000036
以θ＝135°的3*3结构算子为中心，得到以下四个多向旋转结构算子：
Figure BDA0003216828090000037
步骤3.3：
Figure BDA0003216828090000038
作为多向旋转结构算子相比于全方位结构算子更好的刻画窗口内的所有走向线条，输入图像样本集中的红外虚警源图像为f(x，y)，
Figure BDA0003216828090000039
为多向旋转结构算子，A为基础结构算子
Figure BDA00032168280900000310
经过下式形态学操作后得到y1(x，y)、y2(x，y)：
Figure BDA0003216828090000041
Figure BDA0003216828090000042
符号
Figure BDA0003216828090000043
是利用基础结构算子对输入图像进行形态学膨胀操作，符号“Θ”是利用基础结构算子对输入图像进行形态学腐蚀操作，符号“o”表示利用多向旋转结构算子对图像进行形态学开启操作，符号“·”表示利用多向旋转结构算子对图像进行形态学闭合操作。
y1(x，y)为输入红外虚警源图像利用多向旋转结构算子
Figure BDA0003216828090000044
进行开操作及膨胀操作之后得到的结果图像，y2(x，y)为输入红外虚警源图像利用多向旋转结构算子
Figure BDA0003216828090000045
进行闭操作及腐蚀操作之后的得到的结果图像；
Figure BDA0003216828090000046
yj(x，y)是某一方向θ，θ＝0°、45°、90°、135°，上的四个多向旋转结构算子
Figure BDA0003216828090000047
通过计算得到的y1(x，y)与y2(x，y)做差之后求和得到的检测结果；
Figure BDA0003216828090000048
ωj(x，y)为某一方向上的多向旋转结构算子权系数，ωj(x，y)受条件
Figure BDA0003216828090000049
约束，多向旋转结构算子权系数通过自适应过程根据约束条件下的最小平方误差准则实现；y(x，y)为虚警源的边缘检测结果，通过对四个方向上的检测结果求和获得；
步骤3.4：利用步骤3.3中所述的多向旋转结构算子对输入图像进行处理，得到虚警源的边缘检测结果y(x，y)，对虚警源检测结果进行边缘生长，并以栅格数据及矢量数据的形式来提取红外虚警源的几何特征，包括面积s、周长1、形态指数q，并将其串联得到虚警源的三维几何特征向量μ2。
μ2＝[s，l，q]
在上述技术方案的基础上，所述步骤4包括如下步骤：
步骤4.1：根据步骤1.2中获得的图像样本集中的红外虚警源图像f(x，y)，采用3*3的滑动窗口对红外虚警源图像f(x，y)进行全局遍历，根据在每一个滑动窗口中提取其0°、45°、90°、135°方向辐射强度值，在规定的一方向上的三个像素分别是p1，p，p2；
步骤4.2：根据步骤4.1得到某一方向上的三个像素点p1，p，p2，通过计算可得到中心像素点p在这固定的一方向上的辐射强度变换模式值
Figure BDA00032168280900000410
Figure BDA00032168280900000411
计算公式如下所示：
Figure BDA0003216828090000051
阈值Th取全局图像灰度的平均值，Th用来区分辐射强度值不同却具有相同纹理变化的模式，通过对全局图像进行滑窗遍历，并计算每一像素点的辐射强度变换模式值
Figure BDA0003216828090000052
最终可得到四个局部纹理空间特征矩阵M0°、M45°、M90°、M135°；
步骤4.3：根据步骤4.2得到的四个局部纹理空间特征矩阵，计算局部纹理空间特征矩阵相应的统计量，包括熵r、逆差矩v、能量m、对比度n、相关系数h，计算统计量的均值Ej和方差Dj(j∈(1，2，3，4，5))。
E1＝(r0+r1+r2+r3)/4
Figure BDA0003216828090000053
E2＝(v0+v1+v2+v3)/4
Figure BDA0003216828090000054
E3＝(m0+m1+m2+m3)/4
Figure BDA0003216828090000055
E4＝(n0+n1+n2+n3)/4
Figure BDA0003216828090000056
E5＝(h0+h1+h2+h3)/4
Figure BDA0003216828090000057
μ31＝[E1，D1，E2，D2，E3，D3，E4，D4，E5，D5]
上式中的E1，D1，E2，D2，E3，D3，E4，D4，E5，D5分别为五种统计量的均值及方差，通过串联得到10维局部纹理空间特征向量μ31。
步骤4.4：设输入的红外虚警源图像f(x，y)，将输入图像划分为10*10的块区域g(x，y)，采用3*3的滑动窗口对块区域进行遍历，在每一个滑动窗口中，中心像素辐射强度值为k，该纹理单元内还包括8个邻域像素，计算中心像素点k在四个方向(0°，45°，90°，135°)上的局部纹理模式值，计算公式如下所示：
Figure BDA0003216828090000061
LTMV＝s(k0°)×20+s(k45°)×21+s(k90°)×22+s(k135°)×23
pθ为方向θ上的三个像素辐射强度值，分别为k1，k，k2，阈值Th为全局图像灰度的平均值，s(pθ)为方向θ上的局部纹理模式值，LTMV为该滑动窗口中心像素的局部纹理模式值；
步骤4.5：根据步骤4.4计算得到块区域中所有像素点的局部纹理模式值，对每个块区域进行直方图统计，得到块区域的直方图Hi(i∈(1，2，3，...，100))，利用这10*10个统计直方图连接形成局部纹理统计特征向量μ32；
μ32＝[H1，H2，H3，...，H100]
步骤4.6：将局部纹理空间特征向量μ31及局部纹理统计特征向量μ32结合组成纹理特征向量μ3来描述。
μ3＝[μ31，μ32]
在上述技术方案的基础上，所述步骤5包括如下步骤：
步骤5.1：根据步骤2、步骤3和步骤4中提取的虚警源物理特性特征向量μ1、几何特征向量μ2和纹理特征向量μ3，将三者进行特征融合，并将融合后得到的特征向量μ输入到分类器中进行训练；
μ＝[μ1，μ2，μ3]
步骤5.2：采用测试集虚警源数据实现虚警源分类。
本发明还提供了一种存储介质，所述存储介质存储有一种基于物理模型约束的红外成像虚警源分类的程序，CPU在执行所述程序时，实现一种基于物理模型约束的红外成像虚警源分类方法。
本发明还提供了一种基于物理模型约束的红外成像虚警源分类装置，包括：
图像样本集模块：分析红外虚警源特点，并建立虚警源数据的图像样本集；
物理特征模块：对图像样本集进行正演模拟得到的虚警源仿真数据，提取虚警源仿真数据的物理特性参数表征特征，得到物理特征向量μ1；
几何特征模块：对图像样本集中的红外虚警源图像采用自适应多向旋转结构算子提取虚警源的几何特征，得到几何特征向量μ2；
纹理特征模块：对图像样本集中的红外虚警源图像采用局部纹理谱特征描述子提取虚警源的纹理特征，得到纹理特征向量μ3；
融合分类模块：采用步骤2-步骤3对训练集数据进行提取特征，将得到的物理特征向量μ1、几何特征向量μ2、纹理特征向量μ3进行特征融合，得到融合后的特征向量，并将融合后得到的特征向量输入到分类器中进行训练，最终实现虚警源分类。
上述技术方案中，图像样本集模块：
根据红外虚警源的形状、产状和物性数据，通过构造实体模型来观测虚警源所产生的地球物理效应的数值，通过地球物理效应的数值建立红外虚警源的物理特性参数样本集；
根据天基红外对地观测系统中的传感器探测到的红外虚警源建立虚警源的图像样本集。
上述技术方案中，物理特征模块：
从获得的红外虚警源的物理特性参数样本集中提取红外虚警源的散射、吸收参数特征，构建物理特征向量μ1。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1.本发明采用传统方法实现对于红外虚警源的特征提取，依次提取红外虚警源的物理特性参数表征特征、几何特征以及纹理特征，最终实现红外图像中虚警源的分类，满足了对地观测系统中对于虚警源智能化识别的要求。
2.本发明在对虚警源进行边缘检测时，采用自适应多向旋转结构算子，实现对于全方位结构算子的进一步改进，该方法可更好的刻画红外图像中虚警源的走向线条，为下一步虚警源几何特征的提取坚定了基础，有效地提高了红外图像中虚警源的分类准确率。
3.本发明在对虚警源进行纹理特征提取时，采用将局部纹理空间特征矩阵和LTMV结合构建局部纹理谱特征描述子的方式提取虚警源的纹理特征，相对于普通的纹理谱特征提取方法，该方法既考虑了邻域像素对于中心像素的影响又考虑了局部区域内纹理空间特征，该方法能更好的反映图像的纹理特征，有效地提高红外图像中虚警源分类的准确率。
附图说明
图1为本发明基于物理模型约束的红外成像虚警源分类方法系统流程图；
图2为本发明中自适应多向旋转结构算子虚警源边缘检测算法流程图
图3为本发明中采用局部纹理特征描述子提取纹理特征流程图
图4为本发明中输入的红外虚警源图像；
图5为本发明中采用常用算子对虚警源边缘检测结果；
图6为本发明中采用全方位结构算子边缘检测结果；
图7为本发明中采用自适应多向旋转结构算子边缘检测结果；
图8为本发明中计算辐射强度变换模式值过程。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和展示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
以下结合实施例对本发明的特征和性能作进一步的详细描述。
实施例1
如图1所示，一种基于物理模型约束的红外成像虚警源分类方法，包括如下步骤：
本实施例中，步骤1具体包括如下步骤：
步骤1.1：根据红外虚警源的形状、产状和物性数据，通过构造实体模型来观测虚警源所产生的地球物理效应的数值，通过上述仿真数据建立红外虚警源的物理特性参数样本集。
步骤1.2：根据天基红外对地观测系统中的传感器探测到的红外虚警源建立图像样本集；
本实施例中，步骤2具体包括如下步骤：
步骤2.1：从步骤1.1中获得的红外虚警源的物理特性参数样本集，提取其散射、吸收参数等特征，构建特征向量μ1；
本实施例中，步骤3具体包括如下步骤：
步骤3.1：根据步骤1.2中获得的红外虚警源图像f(x，y)构造多尺度全方位算子，设其滤波窗口大小为(2N+1)*(2N+1)，当N＝1、2时，得到以下两组全方位结构算子
Figure BDA0003216828090000081
Figure BDA0003216828090000082
Figure BDA0003216828090000091
Figure BDA0003216828090000092
步骤3.2：根据步骤3.1中构造的两组全方位结构算子，现以3*3结构算子
Figure BDA0003216828090000093
Figure BDA0003216828090000094
为中心，与四个5*5结构算子
Figure BDA0003216828090000095
自由组合，从而可得到16个多向旋转结构算子。
以θ＝0°的3*3结构算子为中心，得到以下四个多向旋转结构算子：
Figure BDA0003216828090000096
以θ＝45°的3*3结构算子为中心，得到以下四个多向旋转结构算子：
Figure BDA0003216828090000097
以θ＝90°的3*3结构算子为中心，得到以下四个多向旋转结构算子：
Figure BDA0003216828090000098
以θ＝135°的3*3结构算子为中心，得到以下四个多向旋转结构算子：
Figure BDA0003216828090000101
步骤3.3：
Figure BDA0003216828090000102
作为多向旋转结构算子相比于全方位结构算子更好的刻画窗口内的所有走向线条。设输入灰度图像为f(x，y)，
Figure BDA0003216828090000103
为多向旋转结构算子，A为基础结构算子
Figure BDA0003216828090000104
经过下式形态学操作后得到y1(x，y)、y2(x，y)：
Figure BDA0003216828090000105
Figure BDA0003216828090000106
Figure BDA0003216828090000107
是利用基础结构算子对输入图像进行形态学膨胀操作，符号“Θ”是利用基础结构算子对输入图像进行形态学腐蚀操作，符号“o”表示利用多向旋转结构算子对图像进行形态学开启操作，符号“·”表示利用多向旋转结构算子对图像进行形态学闭合操作。
y1(x，y)为输入灰度图像利用多向旋转结构算子
Figure BDA0003216828090000108
进行开操作及膨胀操作之后得到的边缘检测结果图像。y2(x，y)为输入灰度图像利用多向旋转结构算子
Figure BDA0003216828090000109
进行闭操作及腐蚀操作之后的得到的边缘检测结果图像。
Figure BDA00032168280900001010
yj(x，y)是某一方向θ(θ＝0°、45°、90°、135°)上的四个多向旋转结构算子
Figure BDA00032168280900001011
通过计算得到的y1(x，y)与y2(x，y)做差之后求和得到的虚警源边缘检测的结果。
Figure BDA00032168280900001012
ωj(x，y)为某一方向上的多向旋转结构算子权系数，yj(x，y)为某一方向上的虚警源边缘检测结果，y(x，y)为虚警源边缘检测的最终结果，通过对四个方向上的边缘检测结果求和获得。
ωj(x，y)权系数受条件
Figure BDA00032168280900001013
约束。权系数可根据约束条件下的最小平方误差准则实现。
步骤3.4：利用步骤3.2步骤3.中所述的自适应多向旋转结构算子对输入图像进行处理，得到虚警源的边缘检测结果。对虚警源检测结果进行边缘生长，并以栅格数据及矢量数据的形式来提取红外虚警源的几何特征，包括面积、周长、形态指数等，并将其连接即可得到虚警源的几何特征向量μ2。
本实施例中，步骤4具体包括如下步骤：
步骤4.1：设输入的红外图像f(x，y)，采用3*3的滑动窗口对全局图像f(x，y)进行遍历，在每一个滑动窗口中提取其0°、45°、90°、135°方向辐射强度值，设在某一方向上的三个像素分别是p1，p，p2。
步骤4.2：通过步骤4.1得到中心像素点p在这一方向上的辐射强度变换模式值
Figure BDA0003216828090000111
Figure BDA0003216828090000112
Figure BDA0003216828090000113
计算公式如下所示：
Figure BDA0003216828090000114
阈值Th取全局图像灰度的平均值，Th用来区分辐射强度值不同却具有相同纹理变化的模式。通过对全局图像进行滑窗遍历，并计算每一像素点的辐射强度变换模式值
Figure BDA0003216828090000115
最终可得到四个局部纹理空间特征矩阵M0°、M45°、M90°、M135°。
步骤4.3：通过步骤4.2得到局部纹理空间特征矩阵的计算结果之后，计算相应的统计量，包括纹理随机系数、局部均匀系数、局部纹理变化强度、局部辐射强度差值、局部辐射强度相关系数等，将所有计算后得到的统计量连接即可得到局部纹理空间特征向量μ31。
步骤4.4：设输入的红外图像f(x，y)，将输入图像划分为10*10的块区域g(x，y)，采用3*3的滑动窗口对块区域进行遍历，在每一个滑动窗口中，中心像素辐射强度值为p，该纹理单元内还包括8个邻域像素，计算中心像素点p在四个方向(0°，45°，90°，135°)上的局部纹理模式值，计算公式如下所示：
Figure BDA0003216828090000116
LTMV＝s(p0°)+s(p45°)+s(p90°)+s(p135°)
pθ为方向θ上的三个像素辐射强度值，分别为p1，p，p2，阈值th为全局图像灰度的平均值，s(pθ)为方向θ上的局部纹理模式值，LTMV为该滑动窗口中心像素的局部纹理模式值。
步骤4.5：根据步骤4.4计算得到块区域的局部纹理值，计算所有的局部纹理模式值出现频率，从而得到块区域的纹理直方图，将所有块区域的纹理直方图进行归一化处理，并将其连接成特征向量，最终得到虚警源的局部纹理统计特征向量μ32。
步骤4.6：将局部纹理空间特征向量μ31及局部纹理统计特征向量μ32结合组成纹理特征向量μ3来描述虚警源的纹理特征。
本实施例中，步骤5具体包括如下步骤：
步骤5.1：根据步骤2、步骤3和步骤4中提取的虚警源物理特性特征μ1、几何特征μ2和纹理征μ3。将三者进行特征融合，并将融合后得到的特征向量μ输入到分类器中进行训练；
步骤5.2：采用测试集虚警源数据实现虚警源分类。

Claims (10)

1.一种基于物理模型约束的红外成像虚警源分类方法，其特征在于，包括如下步骤：
步骤1：分析红外虚警源特点，并建立虚警源数据的图像样本集；
步骤2：对图像样本集进行正演模拟得到的虚警源仿真数据，提取虚警源仿真数据的物理特性参数表征特征，得到物理特征向量μ1；
步骤3：对图像样本集中的红外虚警源图像采用自适应多向旋转结构算子提取虚警源的几何特征，得到几何特征向量μ2；
步骤4：对图像样本集中的红外虚警源图像采用局部纹理谱特征描述子提取虚警源的纹理特征，得到纹理特征向量μ3；
步骤5：采用步骤2-步骤3对训练集数据进行提取特征，将得到的物理特征向量μ1、几何特征向量μ2、纹理特征向量μ3进行特征融合，得到融合后的特征向量，并将融合后得到的特征向量输入到分类器中进行训练，最终实现虚警源分类。
2.根据权利要求1所述的一种基于物理模型约束的红外成像虚警源分类方法，其特征在于：所述步骤1具体包括以下步骤：
步骤1.1：根据红外虚警源的形状、产状和物性数据，通过构造实体模型来观测虚警源所产生的地球物理效应的数值，通过地球物理效应的数值建立红外虚警源的物理特性参数样本集；
步骤1.2：根据天基红外对地观测系统中的传感器探测到的红外虚警源建立虚警源的图像样本集。
3.根据权利要求1所述的一种基于物理模型约束的红外成像虚警源分类方法，其特征在于：所述步骤2包括如下步骤：
步骤2.1：从步骤1.1中获得的红外虚警源的物理特性参数样本集中提取红外虚警源的散射、吸收参数特征，构建物理特征向量μ1。
4.根据权利要求1所述的一种基于物理模型约束的红外成像虚警源分类方法，其特征在于：所述步骤3包括如下步骤：
步骤3.1：根据步骤1.2中获得的图像样本集中的红外虚警源图像f(x，y)构造多尺度全方位算子，采用滤波窗口大小为(2N+1)*(2N+1)，当N＝I、2时，得到以下两组全方位结构算子
Figure FDA0003216828080000011
其中
Figure FDA0003216828080000012
均下标3是2N+1，N＝1时计算得到，
Figure FDA0003216828080000013
的下标5是2N+1，N＝2时计算得到：
Figure FDA0003216828080000021
Figure FDA0003216828080000022
步骤3.2：根据步骤3.1中构造的两组全方位结构算子，现以3*3结构算子
Figure FDA0003216828080000023
Figure FDA0003216828080000024
为中心，与四个5*5结构算子
Figure FDA0003216828080000025
自由组合，从而可得到16个多向旋转结构算子；
以θ＝0°的3*3结构算子为中心，得到以下四个多向旋转结构算子：
Figure FDA0003216828080000026
以θ＝45°的3*3结构算子为中心，得到以下四个多向旋转结构算子：
Figure FDA0003216828080000027
以θ＝90°的3*3结构算子为中心，得到以下四个多向旋转结构算子：
Figure FDA0003216828080000028
以θ＝135°的3*3结构算子为中心，得到以下四个多向旋转结构算子：
Figure FDA0003216828080000031
步骤3.3：
Figure FDA0003216828080000032
作为多向旋转结构算子相比于全方位结构算子更好的刻画窗口内的所有走向线条，输入图像样本集中的红外虚警源图像为f(x，y)，
Figure FDA0003216828080000033
为多向旋转结构算子，A为基础结构算子
Figure FDA0003216828080000034
经过下式形态学操作后得到y1(x，y)、y2(x，y)：
Figure FDA0003216828080000035
Figure FDA0003216828080000036
符号
Figure FDA0003216828080000037
是利用基础结构算子对输入图像进行形态学膨胀操作，符号“Θ”是利用基础结构算子对输入图像进行形态学腐蚀操作，符号
Figure FDA00032168280800000314
表示利用多向旋转结构算子对图像进行形态学开启操作，符号“·”表示利用多向旋转结构算子对图像进行形态学闭合操作；
y1(x，y)为输入红外虚警源图像利用多向旋转结构算子
Figure FDA0003216828080000038
进行开操作及膨胀操作之后得到的结果图像，y2(x，y)为输入红外虚警源图像利用多向旋转结构算子
Figure FDA0003216828080000039
进行闭操作及腐蚀操作之后的得到的结果图像；
Figure FDA00032168280800000310
yj(x，y)是某一方向θ，θ＝0°、45°、90°、135°，上的四个多向旋转结构算子
Figure FDA00032168280800000313
通过计算得到的y1(x，y)与y2(x，y)做差之后求和得到的检测结果；
Figure FDA00032168280800000311
ωj(x，y)为某一方向上的多向旋转结构算子权系数，ωj(x，y)受条件
Figure FDA00032168280800000312
约束，多向旋转结构算子权系数通过自适应过程根据约束条件下的最小平方误差准则实现；y(x，y)为虚警源的边缘检测结果，通过对四个方向上的检测结果求和获得；
步骤3.4：利用步骤3.3中所述的多向旋转结构算子对输入图像进行处理，得到虚警源的边缘检测结果y(x，y)，对虚警源检测结果进行边缘生长，并以栅格数据及矢量数据的形式来提取红外虚警源的几何特征，包括面积s、周长1、形态指数q，并将其串联得到虚警源的三维几何特征向量μ2；
μ2＝[s，l，q]。
5.根据权利要求4所述的一种基于物理模型约束的红外成像虚警源分类方法，其特征在于：所述步骤4包括如下步骤：
步骤4.1：根据步骤1.2中获得的图像样本集中的红外虚警源图像f(x，y)，采用3*3的滑动窗口对红外虚警源图像f(x，y)进行全局遍历，根据在每一个滑动窗口中提取其0°、45°、90°、135°方向辐射强度值，在规定的一方向上的三个像素分别是p1，p，p2；
步骤4.2：根据步骤4.1得到某一方向上的三个像素点p1，p，p2，通过计算可得到中心像素点p在这固定的一方向上的辐射强度变换模式值
Figure FDA0003216828080000041
Figure FDA0003216828080000042
计算公式如下所示：
Figure FDA0003216828080000043
阈值Th取全局图像灰度的平均值，Th用来区分辐射强度值不同却具有相同纹理变化的模式，通过对全局图像进行滑窗遍历，并计算每一像素点的辐射强度变换模式值
Figure FDA0003216828080000044
最终可得到四个局部纹理空间特征矩阵M0°、M45°、M90°、M135°；
步骤4.3：根据步骤4.2得到的四个局部纹理空间特征矩阵，计算局部纹理空间特征矩阵相应的统计量，包括熵r、逆差矩v、能量m、对比度n、相关系数h，计算统计量的均值Ej和方差Dj(j∈(1，2，3，4，5))；
E1＝(r0+r1+r2+r3)/4
Figure FDA0003216828080000051
E2＝(v0+v1+v2+v3)/4
Figure FDA0003216828080000052
E3＝(m0+m1+m2+m3)/4
Figure FDA0003216828080000053
E4＝(n0+n1+n2+n3)/4
Figure FDA0003216828080000054
E5＝(h0+h1+h2+h3)/4
Figure FDA0003216828080000055
μ31＝[E1，D1，E2，D2，E3，D3，E4，D4，E5，D5]
上式中的E1，D1，E2，D2，E3，D3，E4，D4，E5，D5分别为五种统计量的均值及方差，通过串联得到10维局部纹理空间特征向量μ31；
步骤4.4：设输入的红外虚警源图像f(x，y)，将输入图像划分为10*10的块区域g(x，y)，采用3*3的滑动窗口对块区域进行遍历，在每一个滑动窗口中，中心像素辐射强度值为k，该纹理单元内还包括8个邻域像素，计算中心像素点k在四个方向(0°，45°，90°，135°)上的局部纹理模式值，计算公式如下所示：
Figure FDA0003216828080000056
LTMV＝s(k0°)×20+s(k45°)×21+s(k90°)×22+s(k135°)×23
pθ为方向θ上的三个像素辐射强度值，分别为k1，k，k2，阈值Th为全局图像灰度的平均值，s(pθ)为方向θ上的局部纹理模式值，LTMV为该滑动窗口中心像素的局部纹理模式值；
步骤4.5：根据步骤4.4计算得到块区域中所有像素点的局部纹理模式值，对每个块区域中的局部纹理模式值进行直方图统计，得到块区域的直方图Hi(i∈(1，2，3，...，100))，利用这10*10个统计直方图连接形成局部纹理统计特征向量μ32；
μ32＝[H1，H2，H3，...，H100]
步骤4.6：将局部纹理空间特征向量μ31及局部纹理统计特征向量μ32结合组成纹理特征向量μ3来描述；
μ3＝[μ31，μ32]。
6.根据权利要求1所述的一种基于物理模型约束的红外成像虚警源分类方法，其特征在于：所述步骤5包括如下步骤：
步骤5.1：根据步骤2、步骤3和步骤4中提取的虚警源物理特性特征向量μ1、几何特征向量μ2和纹理特征向量μ3，将三者进行特征融合，并将融合后得到的特征向量μ输入到分类器中进行训练；
μ＝[μ1，μ2，μ3]
步骤5.2：采用测试集虚警源数据实现虚警源分类。
7.一种存储介质，其特征在于，所述存储介质存储有一种基于物理模型约束的红外成像虚警源分类的程序，CPU在执行所述程序时，实现如权利要求1-6任一所述的一种基于物理模型约束的红外成像虚警源分类方法。
8.一种基于物理模型约束的红外成像虚警源分类装置，其特征在于，包括：
图像样本集模块：分析红外虚警源特点，并建立虚警源数据的图像样本集；
物理特征模块：对图像样本集进行正演模拟得到的虚警源仿真数据，提取虚警源仿真数据的物理特性参数表征特征，得到物理特征向量μ1；
几何特征模块：对图像样本集中的红外虚警源图像采用自适应多向旋转结构算子提取虚警源的几何特征，得到几何特征向量μ2；
纹理特征模块：对图像样本集中的红外虚警源图像采用局部纹理谱特征描述子提取虚警源的纹理特征，得到纹理特征向量μ3；
融合分类模块：采用步骤2-步骤3对训练集数据进行提取特征，将得到的物理特征向量μ1、几何特征向量μ2、纹理特征向量μ3进行特征融合，得到融合后的特征向量，并将融合后得到的特征向量输入到分类器中进行训练，最终实现虚警源分类。
9.根据权利要求8所述的一种基于物理模型约束的红外成像虚警源分类装置，其特征在于，图像样本集模块：
根据红外虚警源的形状、产状和物性数据，通过构造实体模型来观测虚警源所产生的地球物理效应的数值，通过地球物理效应的数值建立红外虚警源的物理特性参数样本集；
根据天基红外对地观测系统中的传感器探测到的红外虚警源建立虚警源的图像样本集。
10.根据权利要求8所述的一种基于物理模型约束的红外成像虚警源分类装置，其特征在于，物理特征模块：
从获得的红外虚警源的物理特性参数样本集中提取红外虚警源的散射、吸收参数特征，构建物理特征向量μ1。
CN202110947168.3A 2021-08-18 2021-08-18 一种基于物理模型约束的红外成像虚警源分类方法 Active CN113592032B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110947168.3A CN113592032B (zh) 2021-08-18 2021-08-18 一种基于物理模型约束的红外成像虚警源分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110947168.3A CN113592032B (zh) 2021-08-18 2021-08-18 一种基于物理模型约束的红外成像虚警源分类方法

Publications (2)

Publication Number Publication Date
CN113592032A true CN113592032A (zh) 2021-11-02
CN113592032B CN113592032B (zh) 2023-04-18

Family

ID=78238399

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110947168.3A Active CN113592032B (zh) 2021-08-18 2021-08-18 一种基于物理模型约束的红外成像虚警源分类方法

Country Status (1)

Country Link
CN (1) CN113592032B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160356920A1 (en) * 2014-12-30 2016-12-08 Huazhong University Of Science And Technology Method for detecting zonal underground target in mountain land based on ridge energy correction
CN108805050A (zh) * 2018-05-28 2018-11-13 上海交通大学 基于局部二值模式的电线检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160356920A1 (en) * 2014-12-30 2016-12-08 Huazhong University Of Science And Technology Method for detecting zonal underground target in mountain land based on ridge energy correction
CN108805050A (zh) * 2018-05-28 2018-11-13 上海交通大学 基于局部二值模式的电线检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XIAOYANG WANG 等: "Infrared Dim and Small Target Detection Based on Stable Multisubspace Learning in Heterogeneous Scene" *
陶泽远: "大幅面遥感影像阵地目标检测与识别方法研究" *

Also Published As

Publication number Publication date
CN113592032B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN106356757B (zh) 一种基于人眼视觉特性的电力线路无人机巡检方法
CN110264448B (zh) 一种基于机器视觉的绝缘子故障检测方法
WO2017049994A1 (zh) 一种高光谱图像角点检测方法与系统
CN108898065B (zh) 候选区快速筛选与尺度自适应的深度网络舰船目标检测方法
CN111428748A (zh) 一种基于hog特征和svm的红外图像绝缘子识别检测方法
CN103942557B (zh) 一种煤矿井下图像预处理方法
CN109829423B (zh) 一种结冰湖泊红外成像检测方法
CN110660065B (zh) 一种红外故障检测识别算法
CN109949229A (zh) 一种多平台多视角下的目标协同检测方法
CN110580705B (zh) 一种基于双域图信号滤波检测建筑物边缘点的方法
CN110222661B (zh) 一种用于运动目标识别及跟踪的特征提取方法
CN110110618B (zh) 一种基于pca和全局对比度的sar目标检测方法
Zhao et al. An adaptation of CNN for small target detection in the infrared
CN114266947A (zh) 一种基于激光点云和可见光图像融合的分类方法及装置
Yan et al. Robust infrared superpixel image separation model for small target detection
Lee et al. Infrared small target detection algorithm using an augmented intensity and density-based clustering
Munawar et al. Isotropic surround suppression based linear target detection using hough transform
Manandhar et al. Segmentation based building detection in high resolution satellite images
Wang et al. A novel filter-based anomaly detection framework for hyperspectral imagery
CN113592032B (zh) 一种基于物理模型约束的红外成像虚警源分类方法
CN111311640A (zh) 一种基于运动估计的无人机识别跟踪方法
CN116862829A (zh) 一种覆冰环境下架空线路弧垂监测方法及装置
CN116311067A (zh) 基于高维特征图谱的目标综合识别方法、装置及设备
CN107403136B (zh) 基于结构保持字典学习的sar目标型号识别方法
CN108776968B (zh) 基于深度森林的sar图像变化检测方法

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