CN113920283A - 基于聚类分析和特征过滤的红外图像尾迹检测及提取方法 - Google Patents

Abstract

本发明提供了一种基于聚类分析和特征过滤的红外图像尾迹检测及提取方法，属于人工智能和水下检测技术领域。本发明采用聚类方法，针对划分后每个簇进行对比分析，自动去除虚警信号，提高了检测准确度。本发明采用的基于聚类的检测尾迹的方法能检测到低信噪比的微弱信号，特别是对尾迹初始期的微弱信号也能有效检测与提取，解决了常用图像处理方法中不能自动识别小面积的微弱信号的问题，具有很好的鲁棒性和通用性。本发明利用高精度红外热像仪检测和提取水下航行器尾流产生的水表尾迹，对研究及探测水下航行体的工况具有重要意义。

Description

基于聚类分析和特征过滤的红外图像尾迹检测及提取方法

技术领域

本发明属于人工智能和水下检测技术领域，具体地说，尤其涉及一种基于聚类分析和特征过滤的红外图像尾迹提取及检测方法。

背景技术

对水下航行体的探测手段有直接探测和间接探测。直接探测是指通过探测水下航行体本身的物理场特征，基于此发现并识别目标，如声呐探测。但随着消音技术的发展，利用传统声纳方法来发现与识别目标越来越困难；近年来国内外开始注重非声探测技术的发展与应用，试图与声呐探测技术形成互补。

在诸多非直接探测手段中，尾流探测是较为重要的一种方式，它由水动力学波动尾迹和温度异常信号尾迹组成。其中水动力学波动尾迹是水下目标在航行的过程中对海水进行扰动，引起的尾流破坏水体原来的稳定的密度或温度分层，在水体中产生内波和其它水动力学波动尾迹，通过合成孔径雷达可探测到此类尾迹；温度异常信号尾迹则是由于水下航行体的冷却水排放，在自然对流和浮升力作用下导致水表面形成的温度分布异常。由于水表的温度异常区域持续时间相对较长、范围较大，可以被红外热像仪探测到。

红外探测技术具有观测范围大、实时成像、环境适应性强、全天候工作与不易被干扰等优势，有利于观测与识别。国内外学者研究尾迹大多针对水面船舰的SAR尾迹图像，或者对热红外图像做常规的图像处理，包括滤波预处理、阈值分割、形态学处理等，对信噪比和信号强度具有较高要求，通用性较差。

发明内容

本发明的目的在于提供一种基于聚类分析和特征过滤的红外图像尾迹检测方法，并且在检测到尾迹之后进一步提取尾迹信号，以弥补现有技术的不足。

本发明基于聚类方法，将红外热像仪观测获取到的图像进行聚类处理，能够将低信噪比的微弱热信号有效检测，自动去除虚警信号；并利用尾迹特征进行筛选过滤，提高检测准确度，具有很好的鲁棒性和通用性。

聚类是“无监督学习”的一种，是针对未标记样本训练以揭示内在性质和规律的一种算法，而水表温度数据像素不能提前知悉像素的类别（背景或尾迹信号），但整体分布遵从于非定态集群平均的规律，适用于聚类方法。本发明基于聚类方法将数据进行簇、类划分，基于此再处理使目标区域与背景水域的差异增大，精确识别尾迹，并采用特征过滤方法去除其它噪点，实现对目标区域的提取；同时本发明利用检测与提取的尾迹结果，分析其特征并存入特征样本库，反馈用于尾迹检测与提取过程中。

为达到上述目的，本发明是通过以下技术方案实现的：

一种基于聚类分析和特征过滤的红外图像尾迹检测方法，包括以下步骤：

第一步：获取热红外监测水体表面温度数据，选取背景图像数据Fb(i,j)，和待检测图像数据F(i,j)，i,j代表红外图像二维坐标，对应函数值是该点热像仪观测反演的温度值（℃）；

该步骤中，通常处理中将待测数据对应减掉背景数据，突出变化，但由于相机运动、角度变化、外界环境变化等带来的图像元素不匹配或者位移，减掉对应数据会导致因像素位置不匹配而引入的虚警；本发明采用聚类思想，将背景数据划分不同的簇，对待测数据中对应每个簇中的像素分布变化，从而检测出目标信号。

第二步：采用聚类分析方法将背景图像数据划分为不同的簇，

， N小于像素总数；每个簇具有相对相似的像素分布特征，如果对应的簇在待测图像中分布特征发生了明显的变化，则表明有异常或者变化，即说明有尾迹目标信号；

第三步：按照背景图像数据的聚类划分结果，计算待检测图像数据中每个像素的马氏距离（Mahalanobis Distance, MD），得到MD图像数据；

第四步：采用最大类间方差算法确定阈值，用阈值筛选选取马氏距离大的图像数据，从而最终筛选出尾迹目标信号。马氏距离偏大代表该像素未能很好的遵从于该簇的分布规律，可能由背景的浮动或者尾迹目标信号的出现，而后者的贡献更大。

进一步的，所述第二步中，聚类分析法选用K邻近算法（KNN）或K均值（K-Means）或模糊聚类均值（FCM）等；选取K-Means算法阐述具体步骤如下：

a、初始化聚类中心，或者算法随机选择聚类中心

为簇的个数。

b、计算像素到聚类中心的距离，并将其分到距离最近的聚类中心所属的簇中。

计算距离可采用欧式距离或者曼哈顿距离等。

c、产生的

个簇，重新定义聚类中心，即到簇内其他店距离均值最小的点为该簇的聚类中心。

重复步骤a、b、c，直到达到停止条件（循环次数达到规定值，或聚类中心再无变化，或聚类中心变化小于规定值）。

进一步的，所述第三步中，MD具体计算公式为：

其中

分别为簇r中像素的均值与协方差，@代表矩阵乘法；

，其中

为该簇中的像素个数；

。

一种基于聚类分析和特征过滤的红外图像尾迹提取方法，除包括以上第一步到第四步外，还包括以下步骤：

第五步：检测得到尾迹目标信号之后，进行计算，获得尾迹特征，再选取显著特征，所述显著特征用来过滤提取结果中虚警部分即非目标区域；且建立尾迹特征样本库，再利用尾迹特征样本库，反馈用来过滤尾迹提取结果；

第六步：过滤后的尾迹提取结果选择采用区域生长思想，选取马氏距离较大者为生长算法种子点，连接分布规律趋于相同的像素并逐渐生长成片，从而还原尾迹真实的丝团状特征；

第七步：再采用形态学等处理技术，将目标区域形状进行形态学开、闭运算，以消除噪点和空洞，形成闭合、连续的目标区域，即为最终的尾迹目标区域提取结果。

进一步的，所述提取方法还包括第八步：最后对提取的尾迹目标区域作特征提取，验证提取效果，并加入到尾迹特征样本库中，使其样本丰富、特征分析更精确。

进一步的，所述第五步中，所述尾迹特征具体包括尾迹区域的形状特征（长宽、直径、矩心、似圆率、面积等）、内容特征（温度均值、方差、梯度）及时间变化特征等；再利用主成分分析、决策树等方法选取显著特征。

与现有技术相比，本发明的优点和有益效果如下：

（1）本发明采用聚类方法，针对划分后每个簇进行对比分析，自动去除虚警信号，提高了检测准确度。

（2）本发明采用的基于聚类的检测尾迹的方法能检测到低信噪比的微弱信号，特别是对尾迹初始期的微弱信号也能有效检测与提取，解决了常用图像处理方法中不能自动识别小面积的微弱信号的问题，具有很好的鲁棒性和通用性。

本发明利用高精度红外热像仪检测和提取水下航行器尾流产生的水表尾迹，对研究及探测水下航行体的工况具有重要意义。该方法能够适应尾迹目标从初始及扩散的各个阶段，尤其是尾迹初始浮现阶段的微弱信号，其信噪比小且像素数量占比低，具有很好的鲁棒性和通用性。

附图说明

图1为本发明的整体流程图。

图2为实施例1中图像原始数据、常规处理与原始数据像素图；(a)为某阶段尾迹原始数据示意图；(b)为利用常规图像处理结果图；(c)为原始数据像素分布图。

图3为实施例1中聚类划分结果图、基于聚类计算马氏距离结果图和阈值划分结果图；(a)为聚类划分结果图；(b)为基于聚类计算马氏距离结果图；(c)为阈值划分结果图。

图4为实施例1中基于尾迹特征过滤图、尾迹检测与提取结果图和目标分布形态图；(a)为基于尾迹特征过滤图；(b)为尾迹检测与提取结果图；(c)为目标分布形态图。

图5为实施例2中初始阶段尾迹数据处理结果图；(a)为初始阶段某尾迹数据常规图像处理结果图；(b)为初始阶段某尾迹基于聚类计算马氏距离结果图；(c)为初始阶段某尾迹检测与提取结果图；(d)为初始阶段某尾迹目标分布形态图。

具体实施方式

下面结合实施例对本发明所述的技术方案作进一步地描述说明。需要说明的是，在下述段落可能涉及的方位名词，包括但不限于“上、下、左、右、前、后”等，其所依据的方位均为对应说明书附图中所展示的视觉方位，其不应当也不该被视为是对本发明保护范围或技术方案的限定，其目的仅为方便本领域的技术人员更好地理解本发明创造所述的技术方案。

在本说明书的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“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，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。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在本发明中的具体含义。

实施例1

该实施例是基于水下航行体模型模拟某深处、某工况的试验，用红外热像仪收集水表温度信号，基于此数据提取水表尾迹信号。实施例1的尾迹信号经验证为冷尾迹，即温度较周围水域温度较低。

一种基于聚类分析和特征过滤的红外图像尾迹检测和提取方法，包括以下步骤：

第一步：采集水表二维温度数据，形成时间序列数据集。选取初始帧为背景数据，采集第100秒（从水下航行体排放尾流开始计时）数据为待检测数据，即尾迹浮升某阶段。图2中(a)显示的是待检测数据，从图中可见看出待检测数据包含有水池壁面、梯形水域、管状设备、噪声坏点等多种类型。

图2中(b)显示的是按照将待测数据对应减掉背景数据、平滑去噪这一常规处理方法，结果会突出设备等非目标信号（差异约-0.5~0.6℃），而由于尾迹与背景水域温度差异及其微弱（差异约-0.06~0.02℃），与噪声大致相同，导致尾迹目标淹没于噪声中无法有效检测与提取。

图2中(c)是待检测数据即原始数据的直方图分布，图中的双峰均是背景水域与噪声，目标区域的像素数目占比很小，很难用常规的阈值分割法来将尾迹信号分割出来。

第二步：采用K-Means聚类算法将背景数据划分为2个不同的簇。 聚类划分结果如图3中(a)所示，黑色区域包含了试验器材、坏点的簇，而白色部分则是水表区域。由此将分析目标集中在同类别的簇中，避免了外界环境引入的干扰。

第三步：本步骤是对比待测数据与背景数据每簇中的像素分布特征，通过判断每簇的像素特征变化来检测尾迹信号。图3中(b)为MD变化结果图，其中方框标识部分为尾迹信号位置，从图中可见原本微弱的尾迹信号的MD变化与周围水域差异增大，范围集中在[2-6]，而其它水域的MD变化集中在[-0.5,0.5]，即尾迹信号部分与其它水域信号差异对比明显，能够有效检测出尾迹信号，有利于进一步提取。

第四步：对上一步骤结果采用最大类间方差算法确定阈值，本实例中计算所得阈值为0.6，即

的区域将被检测为目标。阈值提取结果如图3-(c)所示，可见将尾迹目标检测与提取了出来，但同时也包含了孤立噪声点。

第五步：图4中(a)是利用尾迹特征样本库中特征对提取结果进行进一步提取。本例采用了面积特征来过滤，将面积小于15的去掉，由图可见能够有效地将孤立噪声点去除掉，剩余部分即为检测到的尾迹目标。若仍有虚警可继续采用方差、均值等分布特征进行过滤。

第六步：图4中(b) 为选取马氏距离变化较大者为种子点，采用区域生长算法连接邻近符合条件的像素成团状特征。

第七步：进一步的可采用形态学等处理技术，如将识别的目标区域形状进行形态学开、闭运算，以消除噪点和空洞，形成闭合、连续的目标区域，即为最终的提取结果。

第八步：最后对提取的尾迹目标区域作特征提取，验证提取效果，包括计算尾迹区域的形状特征（长宽、直径、矩心、似圆率、面积）、内容特征（温度均值、方差、梯度）。本实例中的尾迹区域面积均大于18，进而验证了在第五步采用面积特征过滤是有效的。图4中(c)展示了本实例中尾迹目标区域的分布形态，具有符合尾迹规律的低方差高斯分布特征，可总结出均值、方差特征，加入到尾迹特征样本库中，进而可用在特征过滤阶段。

实施例2：

该实施例的试验工况相比较实例1水下航行体模型的深度更深，选取的待检测数据提前到浮升初始阶段，即水表尾迹信号更微弱，目标像素数量占比小，相比较实施例1的尾迹像素面积占比0.35%，降低为0.20%。实施例2的尾迹信号经验证为冷尾迹，即温度较周围水域温度较低。

一种基于聚类分析和特征过滤的红外图像尾迹检测和提取方法，包括以下步骤：

第一步：采集水表二维温度数据，形成时间序列数据集。选取初始帧为背景数据，采集第90秒（从水下航行体排放尾流开始计时）数据为待检测数据，即尾迹浮升初始阶段。

图5中(a)显示的是将待测数据对应减掉背景数据这一常规图像处理方式的结果，包括将待测数据对应减掉背景数据。因为尾迹目标像素数量少，且与周围水域之间的边缘模糊，常规图像处理方法将无法自动检测尾迹目标，即常规图像处理方法将在尾迹浮升的初始阶段导致尾迹目标漏检。

第二步：采用K-Means聚类算法将背景数据划分为2个不同的簇。

第三步：本步骤是对比待测数据与背景数据每簇中的像素分布特征，通过判断每簇的像素特征变化来检测尾迹信号。图5中(b)为MD变化结果图，从图中可见中央水域微弱的尾迹信号的MD变化值与原始值相比较差异增大，范围集中在[2-5]，而其它水域的MD变化集中在[-0.2,1.1]，依然能够通过阈值方法有效检测出尾迹信号；而水域外围的水池壁面、设备等区域的MD值变化呈现毛刺状，范围集中在[-10,10]，涵盖了尾迹目标区域，但由于本发明采用聚类算法将其自动划分为于另外的簇，将不影响尾迹目标所在簇的进一步处理，从而使得尾迹目标能够被有效检测和提取。

第四步：对上一步骤结果采用最大类间方差算法确定阈值，本实施例中计算所得阈值为1.3，即

的区域将被检测为目标。

第五步：利用尾迹特征样本库中特征对提取结果进行进一步提取。本实施例采用了面积特征来过滤，将面积小于15的过滤掉，如图5中(c)可见能准确提取到呈小团、羽状的尾迹目标。

第六步：因本实例中尾迹目标面积本应较小，且与周围水域差异微弱，为避免将周围水域的非目标信号错误地选择当成目标信号，本实例中未选择区域生长算法。

第七步：进一步的可采用形态学等处理技术，如将识别的目标区域形状进行形态学开、闭运算，以消除噪点和空洞，形成闭合、连续的目标区域，即为最终的提取结果。

第八步：最后对提取的尾迹目标区域作特征提取，验证提取效果，包括计算尾迹区域的形状特征（长宽、直径、矩心、似圆率、面积）、内容特征（温度均值、方差、梯度）。图5中(d)展示了本实例中尾迹目标区域的分布形态，同样符合尾迹规律的低方差高斯分布特征，可总结出均值、方差特征，加入到尾迹特征样本库中，进而可用在特征过滤阶段。

即，实施例2表明，尾迹信号更微弱的情况下也能进行有效识别和提取。

在上述实施例的基础上，本发明继续对其中涉及到的技术特征及该技术特征在本发明中所起到的功能、作用进行详细的描述，以帮助本领域的技术人员充分理解本发明的技术方案并且予以重现。

最后，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (7)

1.一种基于聚类分析和特征过滤的红外图像尾迹检测方法，其特征在于，该检测方法包括以下步骤：

第一步：获取热红外监测水体表面温度数据，选取背景图像数据和待检测图像数据；

第二步：采用聚类分析方法将背景图像数据划分为不同的簇，每个簇具有相对相似的像素分布特征，如果对应的簇在待测图像中分布特征发生了明显的变化，则表明有异常或者变化，即说明有尾迹目标信号；

第三步：按照背景图像数据的聚类划分结果，计算待检测图像数据中每个像素的马氏距离MD，得到MD图像数据；

第四步：确定阈值后，用阈值筛选选取马氏距离大的图像数据，从而最终筛选出尾迹目标信号。

2.如权利要求1所述的红外图像尾迹检测方法，其特征在于，所述第二步中，聚类分析法选用K邻近算法或K均值或模糊聚类均值。

3.如权利要求2所述的红外图像尾迹检测方法，其特征在于，选取K-Means算法阐述具体步骤如下：

a、初始化聚类中心，或者算法随机选择聚类中心为r个簇；

b、计算像素到聚类中心的距离，并将其分到距离最近的聚类中心所属的簇中；

c、产生的

个簇，重新定义聚类中心，即到簇内其他店距离均值最小的点为该簇的聚类中心；

重复步骤a、b、c，直到达到停止条件。

4.如权利要求1所述的红外图像尾迹检测方法，其特征在于，所述第三步中，MD具体计算公式为：

其中

分别为簇r中像素的均值与协方差，@代表矩阵乘法；

，其中

为该簇中的像素个数；

。

5.一种基于聚类分析和特征过滤的红外图像尾迹提取方法，其特征在于，该提取方法除包括权利要求1所述的步骤外，还包括：

第五步：检测得到尾迹目标信号之后，进行计算，获得尾迹特征，再选取显著特征，所述显著特征用来过滤提取结果中虚警部分即非目标区域；且建立尾迹特征样本库，再利用尾迹特征样本库，反馈用来过滤尾迹提取结果；

第六步：过滤后的尾迹提取结果选择采用区域生长思想，选取马氏距离较大者为生长算法种子点，连接分布规律趋于相同的像素并逐渐生长成片，从而还原尾迹真实的丝团状特征；

第七步：再采用形态学等处理技术，将目标区域形状进行形态学开、闭运算，以消除噪点和空洞，形成闭合、连续的目标区域，即为最终的尾迹目标区域提取结果。

6.如权利要求5所述的红外图像尾迹提取方法，其特征在于，所述提取方法还包括第八步：最后对提取的尾迹目标区域作特征提取，验证提取效果，并加入到尾迹特征样本库中。

7.如权利要求5所述的红外图像尾迹提取方法，其特征在于，所述第五步中，所述尾迹特征具体包括尾迹区域的形状特征，包括长宽、直径、矩心、似圆率、面积；内容特征，包括温度均值、方差、梯度，及时间变化特征；再利用主成分分析、决策树方法选取显著特征。

Images