CN114037633A - 一种红外图像处理的方法及装置 - Google Patents

一种红外图像处理的方法及装置 Download PDF

Info

Publication number
CN114037633A
CN114037633A CN202111365536.XA CN202111365536A CN114037633A CN 114037633 A CN114037633 A CN 114037633A CN 202111365536 A CN202111365536 A CN 202111365536A CN 114037633 A CN114037633 A CN 114037633A
Authority
CN
China
Prior art keywords
pixel
current frame
infrared image
area
filtering
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
CN202111365536.XA
Other languages
English (en)
Other versions
CN114037633B (zh
Inventor
蔡李靖
陈林森
字崇德
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.)
Nanjing Zhipu Technology Co ltd
Original Assignee
Nanjing Zhipu Technology Co ltd
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 Nanjing Zhipu Technology Co ltd filed Critical Nanjing Zhipu Technology Co ltd
Priority to CN202111365536.XA priority Critical patent/CN114037633B/zh
Publication of CN114037633A publication Critical patent/CN114037633A/zh
Application granted granted Critical
Publication of CN114037633B publication Critical patent/CN114037633B/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
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • 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
    • G06T7/20—Analysis of motion
    • G06T7/215—Motion-based segmentation
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种红外图像处理的方法及装置，所述方法包括：获取包含当前帧的红外图像序列；根据红外图像序列，对当前帧的红外图像进行分割，获得其第一原始位置区、其第一当前位置区和其第一背景区，其中，第一当前位置区为红外图像中的移动物体当前所在区域，第一原始位置区为红外图像中的移动物体经过其他区域，第一背景区为红外图像中的移动物体未经过的区域；利用滤波核函数和FFT对所述当前帧的第一原始位置区进行第一滤波，其中，在设定的频域范围外，滤波核函数快速下降。本发明的方法及装置降低红外图像中噪声，去除红外图像中移动物体的第一原始位置的鬼影，从红外图像准确获取移动物体的当前图像。

Description

一种红外图像处理的方法及装置
技术领域
本申请涉及图像处理领域，特别是涉及一种红外图像处理的方法及装置。
背景技术
相对于可见光探测器来说，红外探测器目前发展周期短，仍存在噪声较大、分辨率不足等问题。红外探测器属于热探测型探测器，受温度影响大。前期发展的制冷型红外探测器由于有一个制冷机组件，设备工作时能够将探测器温度稳定制冷到80K左右，即-193℃，因此相比于非制冷型红外探测器，制冷型红外探测器受到的温度影响较小，因此噪声较小。但是制冷型红外探测器由于材料和制冷机的原因价格极其昂贵，因此非制冷型红外探测器正在大力研究阶段。由于没有制冷机这个结构，非制冷型红外探测器是通过电路设计进行热噪声平衡，其抑制噪声能力有限，并且产生噪声的原因大部分来源于温度波动而引入的时域条纹噪声。目前通过时域去噪的方式会引入鬼影等问题，影响对目标的识别，然而不使用算法进行去噪则噪声也会严重影响画面质量；若在硬件端进行更新迭代，则有时间周期长，效果无法评估等问题；因此，亟需一种方法从画面中去除鬼影。
发明内容
有鉴于此，本发明实施例提出了一种红外图像处理的方法及装置，通过建模法和光流法从当前的红外图像中分割出移动物体的第一原始位置、第一当前位置和第一背景位置，并对其第一原始位置进行基于专门设计的FFT滤波核函数进行滤波，实现去除红外图像中的鬼影，并且利用形态学的膨胀方法对分割结果进一步调整，进一步降低红外图像中噪声，从红外图像准确获取移动物体中的目标物体的当前图像。
本发明实施例还利用可见光图像的高分辨的特点调整红外图像中分割结果，并基于调整结果对移动物体的第一原始位置进行图像增强，提高红外图像中鬼影去除效果。
本申请实施例的第一方面提供了一种红外图像处理的方法，包括：获取包含当前帧的红外图像序列；根据红外图像序列，对所述当前帧的红外图像进行分割，获得其第一原始位置区、其第一当前位置区和其第一背景区，其中，所述第一当前位置区为红外图像中的移动物体当前所在区域，所述第一原始位置区为红外图像中的移动物体经过其他区域，所述第一背景区为红外图像中的移动物体未经过的区域，移动物体包括目标物体；利用滤波核函数和FFT对所述当前帧的所述第一原始位置区进行第一滤波，其中，在设定的频域范围外，所述滤波核函数快速下降。
由上，从当前帧的红外图像中分割出移动物体的第一原始位置、第一当前位置和第一背景位置，并对其第一原始位置进行基于专门设计的FFT滤波核函数进行滤波，所述滤波核函数为分段式，在设定的频域范围外所述滤波核函数快速，实现去除红外图像中的鬼影，使红外图像准确表示当前移动物体。
在第一方面的一种可能实施方式中，在进行所述第一滤波之前，一种红外图像处理的方法还包括：获取包含所述当前帧的可见光图像序列；利用获得所述当前帧的所述第一原始位置区的方法，从所述当前帧的可见光图像中获得其第三原始位置区，所述第三原始位置区为可见图像中的移动物体经过且不包括当前位置的其他区域；根据所述第三原始位置区，对所述当前帧的所述第一原始位置区、所述第一背景区和所述第一当前位置区的边界进行第一调整；用所述第一调整后的结果替代所述当前帧的所述第一原始位置区、所述第一背景区和所述第一当前位置区。
由上，利用可见光图像的高分辨的特点调整红外图像中分割结果，使红外图像的分割结果更加准确。
在第一方面的一种可能实施方式中，一种红外图像处理的方法还包括：根据所述第三原始位置区与所述当前帧的所述第一原始位置区的对比，把所述当前帧的所述第一原始位置区划分为不同分区;对所述当前帧的所述第一原始位置区进行第二滤波，所述第二滤波的方法至少包括下列二者一：均值法或中值法；对所述第一滤波结果和所述第二滤波结果在所述当前帧的所述不同分区中设置不同的分区权重；通过对所述不同分区的所述第一滤波结果和所述第二滤波结果根据所述分区权重加权求和，对所述当前帧的所述第一原始位置区的进行图像增强。
由上，利用可见光图像对红外图像的第一原始位置区进行分区，并基于分区分别进行图像增强，提高红外图像中鬼影去除效果。
在第一方面的一种可能实施方式中，所述利用滤波核函数和FFT对所述当前帧的所述第一原始位置区进行第一滤波，包括：对所述当前帧的所述第一原始位置区进行FFT变换；利用所述滤波核函数对FFT变换结果进行频域滤波；对所述频域滤波后的结果进行IFFT变换，获得所述第一滤波的结果。
由上，通过FFT、滤波核函数和IFFT实现对红外图像的第一原始位置区的快速去除鬼影。
在第一方面的一种可能实施方式中，所述滤波核函数为：
Figure 831712DEST_PATH_IMAGE001
其中，
Figure 293786DEST_PATH_IMAGE002
为所述滤波核函数，
Figure 140519DEST_PATH_IMAGE003
，
Figure 678948DEST_PATH_IMAGE004
为FFT变换后的 频域横坐标，
Figure 125979DEST_PATH_IMAGE005
为FFT变换后的频域纵坐标，
Figure 408056DEST_PATH_IMAGE006
为设定常数，
Figure 109295DEST_PATH_IMAGE007
表示所述设定的频 域范围。
由上，通过滤波核函数
Figure 333472DEST_PATH_IMAGE008
实现对红外图像的第一原始位置区的分段滤波， 不仅保证频域内滤波效果，又降低运算量和不丢失红外图像的细节信息。
在第一方面的一种可能实施方式中，一种红外图像处理的方法还包括：利用形态学对所述当前帧的所述第一原始位置区、所述第一背景区和所述第一当前位置区进行膨胀；对所述膨胀后的所述第一原始位置区、所述第一背景区和所述第一当前位置区进行合并，其中，对重叠区域的像素基于重叠方的灰度值进行平滑；根据所述合并后的红外图像获得所述当前帧的红外图像的各像素的边界概率，其中，当一像素的边界概率越大，该像素为区域边界的概率越大；根据所述边界概率获得所述当前帧的图像中各物体的边界。
由上，通过形态学对第一原始位置区、第一当前位置区和第一背景区进行调整膨胀和合并，进一步降低红外图像中噪声和空洞，并基于合并后红外图像的确定的边界概率获得所述当前帧的图像中各物体的更为准确的边界，进一步提高对红外图像的分割的准确性。
在第一方面的一种可能实施方式中，所述根据所述合并后的红外图像获得所述当前帧的红外图像的各像素的边界概率，包括：分别以所述当前帧的红外图像的每个像素为第一窗口的中心，根据所述合并后的红外图像在所述第一窗口内的像素计算所述每个像素的所述边界概率，其中，一像素的所述边界概率等于各第二像素的像素差异度的和，所述第二像素为以所述一像素为中心的所述第一窗口内的任一其他像素，所述第二像素的像素差异度基于该第二像素与所述第一窗口中心的距离、该第二像素与所述第一窗口中心的灰度差的绝对值而确定。
由上，根据设定的第一窗口对膨胀融合后图像的各像素与对应的第一窗口中心的距离和灰度差，生成边界概率，用于准确判断红外图像的同质区的边界。
在第一方面的一种可能实施方式中，所述获得所述当前帧的红外图像的物体的第一原始位置区和第一当前位置区、所述当前帧的红外图像的第一背景区，包括：根据红外图像序列，获得所述当前帧的红外图像的像素移动概率图，其中，所述像素移动概率图用于表示各像素体的移动概率；根据所述像素移动概率图，获得所述当前帧的红外图像的像素移动标记图，其中，所述像素移动标记图用于标记各像素是否移动；根据所述当前帧和其上一帧的红外图像和所述像素移动标记图，获得所述当前帧的红外图像的像素速度图，其中，所述像素速度图表示各像素体的移动速度；根据所述像素速度图和所述像素移动标记图，从所述当前帧的红外图像分割出所述当前帧的所述第一原始位置区、所述第一当前位置区和所述第一背景区。
由上，综合建模法对移动物体各像素的运动趋势的准确判断和光流法对移动物体两帧之间的运动速度的准确识别，实现对红外图像的准确分割，相对于单纯的建模法和光流法，本发明的方案对红外图像的分割更加准确。
在第一方面的一种可能实施方式中，所述从所述当前帧的红外图像分割出所述当前帧的所述第一原始位置区、所述第一当前位置区和所述第一背景区，包括：当所述像素移动标记图中一像素的所述移动标记为移动且所述像素速度图中该像素的所述移动速度大于速度阈值时，该像素属于所述第一当前位置区；当所述像素移动标记图中一像素的所述移动标记为移动且所述像素速度图中该像素的所述移动速度不大于速度阈值时，该像素属于所述第一原始位置区；当所述像素移动标记图中一像素的所述移动标记为不移动时，该像素属于所述第一背景区。
由上，通过像素的移动速度与移动标识的综合从而准确对当前帧的第一红外图像进行分割。
本申请实施例的第二方面提供了一种红外图像处理的装置，包括：图像获取模块，用于获取包含当前帧的红外图像序列；图像分割模块，用于根据红外图像序列，对所述当前帧的红外图像进行分割，获得其第一原始位置区、其第一当前位置区和其第一背景区，其中，所述第一当前位置区为红外图像中的移动物体当前所在区域，所述第一原始位置区为红外图像中的移动物体经过其他区域，所述第一背景区为红外图像中的移动物体未经过的区域；第一滤波模块，用于利用滤波核函数和FFT对所述当前帧的所述第一原始位置区进行第一滤波， 其中，在设定的频域范围外，所述滤波核函数快速下降。
由上，由上，从当前帧的红外图像中分割出移动物体的第一原始位置、第一当前位置和第一背景位置，并对其第一原始位置进行基于专门设计的FFT滤波核函数进行滤波，所述滤波核函数为分段式，在设定的频域范围外所述滤波核函数快速，实现去除红外图像中的鬼影，使红外图像准确表示当前移动物体。
在第二方面的一种可能实施方式中，所述图像获取模块还用于获取包含所述当前帧的可见光图像序列；所述图像分割模块还用于利用获得所述当前帧的所述第一原始位置区的方法，从所述当前帧的可见光图像中获得其第三原始位置区，所述第三原始位置区为可见图像中的移动物体经过且不包括当前位置的其他区域；所述装置还包括第一调整模块，用于在进行所述第一滤波之前根据所述第三原始位置区，对所述当前帧的所述第一原始位置区、所述第一背景区和所述第一当前位置区的边界进行第一调整；所述第一调整模块还用于用所述第一调整后的结果替代所述当前帧的所述第一原始位置区、所述第一背景区和所述第一当前位置区。
由上，利用可见光图像的高分辨的特点调整红外图像中分割结果，使红外图像的分割结果更加准确。
在第二方面的一种可能实施方式中，所述第一调整模块还用于根据所述第三原始位置区与所述当前帧的所述第一原始位置区的对比，把所述当前帧的所述第一原始位置区划分为不同分区；所述装置还包括第二滤波模块，用于对所述当前帧的所述第一原始位置区进行第二滤波，所述第二滤波的方法至少包括下列二者一：均值法或中值法；所述装置还包括原始位置增强模块，用于对所述第一滤波结果和所述第二滤波结果在所述当前帧的所述不同分区中设置不同的分区权重；所述原始位置增强模块还用于通过对所述不同分区的所述第一滤波结果和所述第二滤波结果根据所述分区权重加权求和，对所述当前帧的所述第一原始位置区的进行图像增强。
由上，利用可见光图像对红外图像的第一原始位置区进行分区，并基于分区分别进行图像增强，提高红外图像中鬼影去除效果。
在第二方面的一种可能实施方式中，所述第一滤波模块具体用于，包括：对所述当前帧的所述第一原始位置区进行FFT变换；利用所述滤波核函数对FFT变换结果进行频域滤波；对所述频域滤波后的结果进行IFFT变换，获得所述第一滤波的结果。
由上，通过FFT、滤波核函数和IFFT实现对红外图像的第一原始位置区的快速去除鬼影。
在第二方面的一种可能实施方式中，所述滤波核函数为：
Figure 487373DEST_PATH_IMAGE009
其中，
Figure 573141DEST_PATH_IMAGE010
为所述滤波核函数，
Figure 643734DEST_PATH_IMAGE011
，
Figure 789544DEST_PATH_IMAGE012
为FFT变换后的频 域横坐标，
Figure 430741DEST_PATH_IMAGE013
为FFT变换后的频域纵坐标，
Figure 303888DEST_PATH_IMAGE014
为设定常数，
Figure 979720DEST_PATH_IMAGE015
表示所述设定的频域 范围。
由上，通过滤波核函数
Figure 562011DEST_PATH_IMAGE016
实现对红外图像的第一原始位置区的分段滤波， 不仅保证频域内滤波效果，又降低运算量和不丢失红外图像的细节信息。
在第二方面的一种可能实施方式中，一种红外图像处理的装置还包括：区域膨胀模块，用于利用形态学对所述当前帧的所述第一原始位置区、所述第一背景区和所述第一当前位置区进行膨胀；区域合并模块，用于对所述膨胀后的所述第一原始位置区、所述第一背景区和所述第一当前位置区进行合并，其中，对重叠区域的像素基于重叠方的灰度值进行平滑；边界概率模块，用于根据所述合并后的红外图像获得所述当前帧的红外图像的各像素的边界概率，其中，当一像素的边界概率越大，该像素为区域边界的概率越大；边界确定模块，用于根据所述边界概率获得所述当前帧的图像中各物体的边界。
由上，通过形态学对第一原始位置区、第一当前位置区和第一背景区进行调整膨胀和合并，进一步降低红外图像中噪声和空洞，并基于合并后红外图像的确定的边界概率获得当前帧的图像中各物体的更为准确的边界，进一步提高对红外图像的分割的准确性。
在第二方面的一种可能实施方式中，所述边界概率模块具体用于分别以所述当前帧的红外图像的每个像素为第一窗口的中心，根据所述合并后的红外图像在所述第一窗口内的像素计算所述每个像素的所述边界概率，其中，一像素的所述边界概率等于各第二像素的像素差异度的和，所述第二像素为以所述一像素为中心的所述第一窗口内的任一其他像素，所述第二像素的像素差异度基于该第二像素与所述第一窗口中心的距离、该第二像素与所述第一窗口中心的灰度差的绝对值而确定。
由上，根据设定的第一窗口对膨胀融合后图像的各像素与对应的第一窗口中心的距离和灰度差，生成边界概率，用于准确判断红外图像的同质区的边界。
在第二方面的一种可能实施方式中，所述图像分割模块包括：概率生成模块，用于根据红外图像序列，获得所述当前帧的红外图像的像素移动概率图，其中，所述像素移动概率图用于表示各像素体的移动概率；标记生成模块，用于根据所述像素移动概率图，获得所述当前帧的红外图像的像素移动标记图，其中，所述像素移动标记图用于标记各像素是否移动；速度生成模块，用于根据所述当前帧和其上一帧的红外图像和所述像素移动标记图，获得所述当前帧的红外图像的像素速度图，其中，所述像素速度图表示各像素体的移动速度；区域分割模块，用于根据所述像素速度图和所述像素移动标记图，从所述当前帧的红外图像分割出所述当前帧的所述第一原始位置区、所述第一当前位置区和所述第一背景区。
由上，综合建模法对移动物体各像素的运动趋势的准确判断和光流法对移动物体两帧之间的运动速度的准确识别，实现对红外图像的准确分割，相对于单纯的建模法和光流法，本发明的方案对红外图像的分割更加准确。
在第二方面的一种可能实施方式中，所述区域分割模块具体用于，包括：当所述像素移动标记图中一像素的所述移动标记为移动且所述像素速度图中该像素的所述移动速度大于速度阈值时，该像素属于所述第一当前位置区；当所述像素移动标记图中一像素的所述移动标记为移动且所述像素速度图中该像素的所述移动速度不大于速度阈值时，该像素属于所述第一原始位置区；当所述像素移动标记图中一像素的所述移动标记为不移动时，该像素属于所述第一背景区。
由上，通过像素的移动速度与移动标识的综合从而准确对当前帧的红外图像进行分割。
本申请实施例的第三方面提供了一种计算设备，包括：
总线；
通信接口，其与总线连接；
至少一个处理器，其与总线连接；以及
至少一个存储器，其与总线连接并存储有程序指令，程序指令当被至少一个处理器执行时使得至少一个处理器执行本发明的第一方面和第一方面任一可能的实施方式。
本申请实施例的第四方面提供了一种计算机可读存储介质，其上存储有程序指令，程序指令当被计算机执行时使得计算机执行本发明的第一方面和第一方面任一可能的实施方式。
附图说明
图1A为本发明的一种红外图像处理的方法实施例一的流程示意图；
图1B为本发明的一种红外图像处理的方法实施例一的图像分割方法的流程示意图；
图1C为本发明的一种红外图像处理的方法实施例一的融合调整方法的流程示意图；
图2A为本发明的一种红外图像处理的方法实施例二的流程示意图；
图2B为本发明的一种红外图像处理的方法实施例二的图像增强方法的流程示意图；
图3A为本发明的一种红外图像处理的装置实施例一的结构示意图；
图3B为本发明的一种红外图像处理的装置实施例一的图像分割模块的结构示意图；
图3C为本发明的一种红外图像处理的装置实施例一的融合调整模块的结构示意图；
图4A为本发明的一种红外图像处理的装置实施例二的结构示意图；
图4B为本发明的一种红外图像处理的装置实施例二的图像增强模块的结构示意图；
图5为本发明实施例提供的计算设备的结构示意图。
具体实施方式
在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
在以下的描述中，所涉及的术语“第一\第二\第三等”或模块A、模块B、模块C等，仅用于区别类似的对象，或用于区别不同的实施例，不代表针对象的特定排序，可以理解地，在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本发明实施例能够以除了在这里图示或描述的以外的顺序实施。
在以下的描述中，所涉及的表示步骤的标号，如S110、S120……等，并不表示一定会按此步骤执行，在允许的情况下可以互换前后步骤的顺序，或同时执行。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本发明实施例的目的，不是旨在限制本发明。
本发明实施例提出了一种红外图像处理的方法，通过建模法和光流法从当前的红外图像中分割出运动的移动物体的第一原始位置、第一当前位置和第一背景位置，并对其第一原始位置进行基于专门设计的FFT滤波核函数进行滤波，实现去除红外图像中的鬼影，并且利用形态学的膨胀方法对分割结果进一步调整，进一步降低红外图像中噪声，准确表示当前移动物体，移动物体包括目标物体。
本发明实施例还利用可见光图像的高分辨的特点调整红外图像中分割结果，并基于调整结果对移动物体的第一原始位置进行图像增强，提高红外图像中鬼影去除效果。
本发明各实施例处理的红外图像中目标物体可以是红外相机探测的气体或液体。
下面结合附图详细介绍本发明各实施例。
【一种红外图像处理的方法实施例一】
下面基于图1A至图1C介绍一种红外图像处理的方法实施例一。
一种红外图像处理的实施例一通过建模法和光流法从当前的红外图像中分割出移动物体的当前位置与原始位置，并对原始位置进行基于专门设计的FFT滤波核函数进行滤波，实现去除红外图像中的鬼影。
图1A示出了一种红外图像处理的方法实施例一的流程，包括步骤S110至S150。
S110：获取包含当前帧的红外图像序列。
其中，所述红外图像序列包括按照时间顺序排列的时间连续的各帧红外图像。
其中，在一些环境中，为了获得足够的红外图像强度，通常采用延长曝光时间或基于时域的滤波处理，导致当前的图像中含有移动物体在过去的鬼影，需要对图像进行处理的时候不受鬼影的影响。
S120：根据红外图像序列，对当前帧的红外图像进行分割，获得当前帧的红外图像的第一原始位置区、第一当前位置区和第一背景区。
其中，第一当前位置区为红外探测的移动物体在当前帧的红外图像中实际的位置，其不包含鬼影，第一原始位置区为在获得当前帧的红外图像的过程中移动物体前几帧所经过的其他位置，其包括可能会引入鬼影的区域，第一背景区为在获得当前帧的红外图像的过程中移动物体未经过的其他位置。
其中，本步骤采用建模法加光流法的综合方法对当前帧的红外图像进行分割，分割准确。具体方法和优点请参考了一种红外图像处理的实施例一的图像分割方法。
S130：利用滤波核函数和FFT对当前帧的红外图像的第一原始位置区进行第一滤波。
其中，在设定的频域范围外，滤波核函数快速下降。
在一些实施例中，本步骤包括以下子步骤：
①利用式（1）对当前帧的红外图像的第一原始位置区进行FFT变换。
Figure 939772DEST_PATH_IMAGE017
（1）
其中，
Figure 632921DEST_PATH_IMAGE018
表示当前帧的红外图像的第一原始位置区的空间像素集 合，
Figure 897680DEST_PATH_IMAGE019
表示经过FFT变换的当前帧的红外图像的第一原始位置区的频域像 素集合。
②利用所述滤波核函数对FFT变换结果进行频域滤波，示例地，所述滤波核函数为式（2）：
Figure 634561DEST_PATH_IMAGE020
（2）
其中，
Figure 250350DEST_PATH_IMAGE021
为所述滤波核函数，
Figure 736738DEST_PATH_IMAGE022
，
Figure 121583DEST_PATH_IMAGE023
为FFT变换后的频 域横坐标，
Figure 780098DEST_PATH_IMAGE024
为FFT变换后的频域纵坐标，
Figure 132451DEST_PATH_IMAGE025
为设定常数，
Figure 901824DEST_PATH_IMAGE026
表示所述设定的频域 范围。设置合理的
Figure 406754DEST_PATH_IMAGE027
提高空间噪声处理的效果，同时又不造成画面模糊，设置合理的横向 频域截止参数
Figure 219858DEST_PATH_IMAGE028
控制频域范围，提高对图像中横条纹的处理能力，又保留横向细节的信 息。
③利用式（3）对所述频域滤波后的结果进行IFFT变换，获得所述第一滤波的结果。
Figure 810240DEST_PATH_IMAGE029
（3）
其中，
Figure 383303DEST_PATH_IMAGE030
表示第一滤波后的当前帧的红外图像的第一原始位置 区的空间像素集合。
由上，通过设置分段式滤波核函数，在设定的频域范围外，提高对图像中横条纹的 处理能力，又保留横向细节的信息，结合设置合理的
Figure 992008DEST_PATH_IMAGE031
提高空间噪声处理的效果，同时又 不造成画面模糊，从而去除当前帧的红外图像的第一原始位置区的鬼影信息。
S140：利用形态学膨胀方法获得所述当前帧的图像中各物体的边界。
其中，本步骤采用建形态学膨胀方法对当前帧的红外图像的所述第一原始位置区、所述第一背景区和所述第一当前位置区进行膨胀和合并，进一步降低噪声的影响，去除其中的空洞，更加准确显示其中目标物体的位置。具体方法和优点请参考了一种红外图像处理的实施例一的融合调整方法。
【一种红外图像处理的方法实施例一的图像分割方法】
图1B示出了一种红外图像处理的方法实施例一的图像分割方法的流程，其包括步骤S1210至S1240。
S1210：根据红外图像序列，获得当前帧的红外图像的像素移动概率图。
其中，所述像素移动概率图中各像素的灰度值用于表示当前帧中各像素的移动概率。
示例地，获得像素移动概率图的建模方法包括高斯建模法（MOG），K近邻法（KNN）和视觉背景提取法（VIBE），通过对历史帧序列中移动物体进行建模，获得0~255个灰度级的图像，以表示移动物体移动的情况，像素的灰度数值越小代表移动物体移动可能性越低，数值越大代表移动物体移动可能性越大。但是建模方法对于正在移动的移动物体，会将移动物体移动前的位置和移动后的位置都标记出来，然而移动物体移动前的位置是干扰部分，因此要将这个干扰部分进行剥离。
由上，通过建模法对一段时间序列的红外图像进行分析，对移动物体的各像素的移动趋势判断准确，同时对红外图像的背景识别较为清晰。
S1220：根据像素移动概率图，获得当前帧的红外图像的像素移动标记图。
其中，所述像素移动标记图用于标记各像素是否移动。
在一些实施例中，基于设定的移动概率阈值判断各像素是否移动。示例地：
所述像素移动概率图中一个像素的移动概率阈值大于移动概率阈值时，该像素在所述像素移动标记图中的移动标记为1，标识该像素为移动像素；
当所述像素移动概率图中一像素的所述移动概率不大于移动概率阈值时，该像素在所述像素移动标记图中的所述移动标记为0，标识该像素为不移动像素。
其中，移动概率阈值基于图像中干扰值设定，示例地，如果红外图像中产生干扰的物体较多可以将移动概率阈值适当调低，反之可以适当调高，根据实际应用场景确定。
S1230：根据当前帧和其上一帧的红外图像以及当前帧的像素移动标记图，获得当前帧的红外图像的像素速度图。
其中，所述像素速度图中各像素的灰度值表示该像素移动速度。
其中，根据当前帧和其上一帧的红外图像以及当前帧的像素移动标记图输入到光流法模块，得到每个像素点的速度大小。示例地，采用Farneback光流法得到当前帧的光流场，并且可以得到每个像素点的速度大小。
由上，通过光流法准确识别红外图像中的移动物体各像素在两帧之间的移动速度。
S1240：根据当前帧的红外图像的像素速度图和像素移动标记图，从当前帧的红外图像分割出其第一原始位置区、第一当前位置区和第一背景区。
其中，理论上第一原始区域的像素仍有可能会有一个较小的速度，因此，设置一个较小速度阈值，结合所述像素移动标记图的所述移动标记对当前帧的图像进行分割。
示例地，当所述像素移动标记图中一像素的所述移动标记为移动时且所述像素速度图中该像素的所述移动速度大于速度阈值时，该像素属于所述第一当前位置区；当所述像素移动标记图中一像素的所述移动标记为移动且所述像素速度图中该像素的所述移动速度不大于速度阈值时，该像素属于所述第一原始位置区；当所述像素移动标记图中一像素的所述移动标记为不移动时，该像素属于所述第一背景区。
由上，综合建模法对移动物体各像素的运动趋势的准确判断和光流法对移动物体的两帧之间的运动速率的准确计算，实现对红外图像的准确分割，相对于单纯的建模法和光流法，一种红外图像处理的方法实施例一的图像分割方法的分割更加准确。
需要强调的是，一种红外图像处理的方法实施例一的图像分割方法是对当前帧的红外图像进行分割，也可以各红外图像区进行分割，也可以可见光的图像进行分割，在分割过程中，可以分割出类似的三个区域，可以只分割出其中一个或两个区域。
【一种红外图像处理的方法实施例一的融合调整方法】
图1C示出了一种红外图像处理的方法实施例一的融合调整方法的流程，其包括步骤S1410至S1440。
S1410利用形态学对当前帧的红外图像的第一原始位置区、第一背景区和第一当前位置区进行膨胀。
其中，采用形态学的膨胀方法实现对图像中各区域进行扩展，实现领域扩展。
由上，采用形态学的膨胀方法进一步去除图像的第一原始位置区、第一背景区和第一当前位置区的噪声，同时去除各区域内空洞。
S1420：对膨胀后的当前帧的红外图像的第一原始位置区、第一背景区和第一当前位置区进行合并，对重叠区域的像素基于重叠方的灰度值进行平滑。
其中，经过形态学膨胀操作后，第一原始位置区、第一背景区和第一当前位置区进行了扩充，相互之间可能存在边缘的重叠，对重叠区域需进行平滑。
示例地，一种采用式（4）的方法把合并后的红外图像分为7种情况，分别进行平滑。
Figure 992325DEST_PATH_IMAGE032
(4)
其中，
Figure 70003DEST_PATH_IMAGE033
为当前帧的红外图像的一像素，
Figure 696025DEST_PATH_IMAGE034
为合并后的当前帧的红 外图像的该像素的灰度值，
Figure 909969DEST_PATH_IMAGE035
为膨胀后的当前帧的红外图像的第一背景 区的像素集合，
Figure 81187DEST_PATH_IMAGE036
为膨胀后的当前帧的红外图像的第一原始位置区的像素 集合，
Figure 629849DEST_PATH_IMAGE037
为膨胀后的当前帧的红外图像的第一当前区的像素集合，
Figure 544715DEST_PATH_IMAGE038
为所述一像素在膨胀后的当前帧的红外图像的第一背景区的灰度值，
Figure 878745DEST_PATH_IMAGE039
为所述一像素在膨胀后的当前帧的红外图像的第一原始位置区的灰度值，
Figure 470132DEST_PATH_IMAGE040
为所述一像素在膨胀后的当前帧的红外图像的第一当前区的灰度值。
S1430：根据合并后的红外图像获得当前帧的红外图像的各像素的边界概率。
其中，当一像素的边界概率越大，该像素为区域边界的概率越大。
计算边界概率的方法具体包括：以所当前帧的合并后的红外图像的每个像素作为设定大小的第一窗口的中心，以第一窗口的其他像素的像素差异度的和计算每个像素的边界概率，其中，第一窗口的任一像素的像素差异度基于该任一像素与所述第一窗口中心的距离、该任一像素与第一窗口中心的合并后的灰度差绝对值而确定。
示例地，利用式（5）获得所述一像素的边界概率：
Figure 256822DEST_PATH_IMAGE041
（5）
其中，
Figure 959068DEST_PATH_IMAGE042
为所述一像素的行编号和列编号，
Figure 413183DEST_PATH_IMAGE043
为所述一像素的边 界概率，
Figure 926204DEST_PATH_IMAGE044
为第一窗口的任一像素的行编号和列编号，
Figure 443599DEST_PATH_IMAGE045
和
Figure 700268DEST_PATH_IMAGE046
为所述第一窗口的行 宽度和列宽度，
Figure 743310DEST_PATH_IMAGE047
为所述第一窗口的灰度的标准差，
Figure 942079DEST_PATH_IMAGE048
为所述一像素的灰度，
Figure 437782DEST_PATH_IMAGE049
为第一窗口的任一像素的灰度。
S1440：根据边界概率获得当前帧的图像中各物体的边界。
其中，在一些实施例中，设置边界概率阈值，当合并后的当前帧的红外图像的一个像素的边界概率大于概率阈值时，则该像素属于边界；当确定完所有边界像素后，则形成合并后图像目标物体的边界。
其中，在一些实施例中，还对新形成的第一原始位置区、第一背景区和第一当前位置区进行均值滤波或中值滤波以进行平滑。
由上，基于形态学膨胀的方法调整图像分割的结果，进一步降低噪声的影响，去除其中的空洞，并根据膨胀合并后的图像确定各像素的同质区的边界概率，获得图像中各物体的边界，更加准确显示当前目标物体。
综上，一种红外图像处理的方法实施例一通过建模法和光流法从当前的红外图像中分割出移动物体的第一原始位置、第一当前位置和第一背景位置，并对其第一原始位置进行基于专门设计的FFT滤波核函数进行滤波，实现去除红外图像中的鬼影，并且利用形态学的膨胀方法对分割结果进一步调整，进一步降低红外图像中噪声，使红外图像准确显示当前目标物体。
【一种红外图像处理的方法实施例二】
一种红外图像处理的方法实施例二在一种红外图像处理的实施例一的基础上进行了增强，增加基于可见光图像调整图像分割结果，并对调整后的第一原始位置区进行图像增强。
图2A示出了一种红外图像处理的方法实施例二的流程，其包括步骤S210至S260。
S210：获取包含当前帧的红外图像序列和包含当前帧的可见光图像序列。
其中，本步骤在一种红外图像处理的方法实施例一的步骤S110的基础上增加获得可见光图像序列。
S220：根据各图像序列，从当前帧的红外图像分割出其第一原始位置区、第一当前位置区和第一背景区，从当前帧的可见光图像分割出其第三原始位置区。
其中，本步骤在一种红外图像处理的方法实施例一的步骤S120的基础上，还使用获得当前帧的红外图像的第一原始位置区的方法获得可见光图像的第三原始位置区。所述第三原始位置区为可见图像中的移动物体经过且不包括当前位置的其他区域。
其中，本具体方法和优点请参考了一种红外图像处理的实施例一的图像分割方法。
S230：根据当前帧的可见光图像的第三原始位置区对当前帧的红外图像的第一原始位置区、第一当前位置区和第一背景区的边界进行第一调整。
其中，用第一调整后的结果替代当前帧的红外图像的第一原始位置区、第一背景区和第一当前位置区。
在本实施例中，移动物体在可见光中可见，由于可见光相机分辨率高，噪声小，因此可见光相机得到的第三原始位置区和红外相机得到的第一原始位置区会有不同。为了得到更具有参考意义的第一原始位置区，利用可见光得到的第三原始位置区对红外相机得到的第一原始位置区进行调整。
其中，调整的方法如式（6）如下：
调整后的当前帧的红外图像的第一原始位置区等于原第一原始位置区与当前帧的可见光图像的第三原始位置区的并集；
调整后的当前帧的红外图像的第一当前位置区为从原第一当前区减去其与当前帧的可见光图像的第三原始位置区交集；
调整后的当前帧的红外图像的第一背景位置区为从原第一背景区减去其与当前帧的可见光图像的第三原始位置区交集。
Figure 498142DEST_PATH_IMAGE050
(6)
其中，
Figure 644959DEST_PATH_IMAGE051
表示当前帧的红外图像的第一原始位置区，
Figure 765361DEST_PATH_IMAGE052
表示 当前帧的红外图像的第一当前位置区，
Figure 13940DEST_PATH_IMAGE053
表示当前帧的红外图像的第一背景 区，
Figure 861679DEST_PATH_IMAGE054
表示当前帧的可见光图像的第三原始位置区。
S240：对调整后的第一原始位置区进行分区，基于分区进行图像增强。
其中，本步骤的具体方法和优点请参考了一种红外图像处理的实施例二的图像增强方法。
S250：对当前帧的图像的第一当前位置区、第一背景区分别进行滤波。
示例地，对第一当前位置区、第一背景区的有均值过滤、频域过滤、统计方法过滤等方法，或者各种过滤方法的组合，对不同区域基于区域特点选择合适的滤波分别单独滤波。
需要指出的是，本步骤是可选步骤。同时，可以选择第一当前位置区和/或第一背景区的组合进行滤波。
S260：利用形态学膨胀方法获得所述当前帧的图像中各物体的边界。
其中，本步骤采用建形态学膨胀方法对当前帧的红外图像的所述第一原始位置区、所述第一背景区和所述第一当前位置区进行膨胀和融合，进一步降低噪声的影响，去除其中的空洞，获得图像中各物体的边界，更加准确显示当前目标物体。具体方法和优点请参考了一种红外图像处理的实施例一的融合调整方法。
【一种红外图像处理的方法实施例二的图像增强方法】
图2B示出了一种红外图像处理的方法实施例二的流程，其包括步骤S2410至S2450。
S2410：利用滤波核函数和FFT对所述当前帧的所述第一原始位置区进行第一滤波。
其中，本步骤的具体方法和优点请参考了一种红外图像处理的实施例一的步骤S130，这里不再详述。
S2420：对当前帧的红外图像的第一原始位置区的进行第二滤波。
其中，所述第二滤波的方法至少包括下列二者一：均值法或中值法。在本实施例中，利用如式（7）所示中值法进行第二滤波。
Figure 613735DEST_PATH_IMAGE055
（7）
其中，
Figure 905039DEST_PATH_IMAGE056
表示第二滤波的结果。
S2430：把当前帧的红外图像的第一原始位置区划分为第一分区、第二分区和第三分区。
其中，各分区划分方法如下：
第一分区为当前帧的红外图像的第一调整前的第一原始位置区与当前帧的可见 光的第三原始位置区的交集，表示为
Figure 624602DEST_PATH_IMAGE057
；
第二分区为当前帧的可见图像的第三原始位置区减去第一分区，即当前帧的红外 图像的第一原始位置区中属于第三原始位置区但不属于调整前的第一原始位置区的区域， 表示为
Figure 26764DEST_PATH_IMAGE058
；
第三区为调整前的当前帧的红外图像的第一原始位置区减去第一区，即当前帧的 红外图像的第一原始位置区中属于调整前的第一原始位置区但不属于第三原始位置区的 区域，表示为
Figure 882594DEST_PATH_IMAGE059
。
S2440：对第一滤波结果和第二滤波结果，基于当前帧的红外图像的第一原始位置区的分区设置不同的分区权重。
示例地，设置第一权重参数，利用式（8）基于第一权重参数设置第一滤波结果的分区权重，第二滤波结果的分区权重等于1减去第一滤波结果的分区权重。
Figure 344799DEST_PATH_IMAGE060
（8）
其中，
Figure 302391DEST_PATH_IMAGE061
表示当前帧的红外图像的第一原始位置区的一像素，
Figure 757512DEST_PATH_IMAGE062
表示该 像素的第一滤波结果的权重，
Figure 484159DEST_PATH_IMAGE063
表示第一权重参数。
S2450：利用第一滤波结果和第二滤波结果，根据分区权重对当前帧的红外图像的第一原始位置区进行图像增强。
其中，利用式（9）根据分区权重对当前帧的第一原始位置区进行图像增强。
Figure 117266DEST_PATH_IMAGE064
（9）
其中，
Figure 545842DEST_PATH_IMAGE065
表示像素
Figure 289807DEST_PATH_IMAGE066
图像增强后的结果，
Figure 402120DEST_PATH_IMAGE067
表示像素
Figure 930096DEST_PATH_IMAGE068
第一滤波的结果，
Figure 127859DEST_PATH_IMAGE069
表示像素
Figure 409936DEST_PATH_IMAGE070
第二滤波的结果。
其中，本步骤还用图像增强的结果替代当前帧的红外图像的第一原始位置区。
综上，一种红外图像处理的方法实施例二继承了一种红外图像处理的方法实施例一的方法，并利用可见光图像的高分辨的特点调整红外图像中分割结果，并基于调整结果对移动物体的第一原始位置进行增强，提高红外图像中鬼影去除效果。
【一种红外图像处理的装置实施例一】
下面基于图3A至图3C介绍一种红外图像处理的方法装置实施例一。
一种红外图像处理的方法装置实施例一用于执行一种红外图像处理的方法实施例一的方法，图3A示出了其结构，包括图像获取模块310、图像分割模块320、第一滤波模块330、融合调整模块340。
图像获取模块310用于获取包含当前帧的红外图像序列。其具体方法和优点参照一种红外图像处理的方法实施例一的步骤S110，这里不再详述。
图像分割模块320用于根据所述红外图像序列，对当前帧的红外图像进行分割，获得当前帧的红外图像的第一原始位置区、第一当前位置区和第一背景区。其具体方法和优点参照一种红外图像处理的方法实施例一的步骤S120，这里不再详述。
第一滤波模块330用于利用滤波核函数和FFT对当前帧的红外图像的第一原始位置区进行第一滤波。其具体方法和优点参照一种红外图像处理的方法实施例一的步骤S130，这里不再详述。
融合调整模块340用于利用形态学膨胀方法获得当前帧的图像中各物体的边界。其具体方法和优点参照一种红外图像处理的方法实施例一的步骤S140，这里不再详述。
【一种红外图像处理的装置实施例一的图像分割模块】
图3B示出了一种红外图像处理的装置实施例一的图像分割模块的结构，包括概率生成模块3210、标记生成模块3220、速度生成模块3230和区域分割模块3240。
概率生成模块3210用于根据红外图像序列，获得当前帧的红外图像的像素移动概率图。其具体方法和优点参照一种红外图像处理的方法实施例一的图像分割方法的步骤S1210，这里不再详述。
标记生成模块3220用于根据像素移动概率图，获得当前帧的红外图像的像素移动标记图。其具体方法和优点参照一种红外图像处理的方法实施例一的图像分割方法的步骤S1220，这里不再详述。
速度生成模块3230用于根据当前帧和其上一帧的红外图像以及当前帧的像素移动标记图，获得当前帧的红外图像的像素速度图。其具体方法和优点参照一种红外图像处理的方法实施例一的图像分割方法的步骤S1230，这里不再详述。
区域分割模块3240用于根据当前帧的红外图像的像素速度图和像素移动标记图，从当前帧的红外图像分割出其第一原始位置区、第一当前位置区和第一背景区。其具体方法和优点参照一种红外图像处理的方法实施例一的图像分割方法的步骤S1240，这里不再详述。
需要强调的是，一种红外图像处理的装置实施例一的图像分割模块不仅用于红外图像的分割，还也用于可见光图像的分割，这里以对红外图形分割为例，介绍其模块结构，对可见光图像的分割也是同样的模块结构。
【一种红外图像处理的装置实施例一的融合调整模块】
图3C示出了一种红外图像处理的装置实施例一的融合模块的结构，包括区域膨胀模块3410、区域合并模块3420、边界概率模块3430、边界确定模块3440。
区域膨胀模块3410用于利用形态学对当前帧的红外图像的第一原始位置区、第一背景区和第一当前位置区进行膨胀。其具体方法和优点参照一种红外图像处理的方法实施例一的融合调整方法的步骤S1410，这里不再详述。
区域合并模块3420用于对膨胀后的当前帧的红外图像的第一原始位置区、第一背景区和第一当前位置区进行合并，对重叠区域的像素基于重叠方的灰度值进行平滑。其具体方法和优点参照一种红外图像处理的方法实施例一的融合调整方法的步骤S1420，这里不再详述。
边界概率模块3430用于根据合并后的红外图像获得当前帧的红外图像的各像素的边界概率。其具体方法和优点参照一种红外图像处理的方法实施例一的融合调整方法的步骤S1430，这里不再详述。
边界确定模块3440用于根据边界概率获得当前帧的图像中各物体的边界。其具体方法和优点参照一种红外图像处理的方法实施例一的融合调整方法的步骤S1440，这里不再详述。
【一种红外图像处理的装置实施例二】
下面基于图4A至图4B介绍一种红外图像处理的装置实施例二。
一种图红外图像处理的装置实施例二用于执行一种红外图像处理的方法实施例二的方法，把一种图红外图像处理的装置实施例一的第一滤波用图像增强模块替代，实现对当前帧的红外图像的第一原始位置区的图像增强。
图4A示出了一种红外图像处理的装置实例二的结构，包括图像获取模块410、图像分割模块420、第一调整模块430、图像增强模块440、图像滤波模块450、融合调整模块460。
图像获取模块410用于获取包含当前帧的红外图像序列和包含当前帧的可见光图像序列。其具体方法和优点参照一种红外图像处理的方法实施例二的步骤S210，这里不再详述。
图像分割模块420用于根据各图像序列，从当前帧的红外图像分割出其第一原始位置区、第一当前位置区和第一背景区，从当前帧的可见光图像分割出其第三原始位置区。其具体方法和优点参照一种红外图像处理的方法实施例二的步骤S220，这里不再详述。
第一调整模块430用于根据当前帧的可见光图像的第三原始位置区对当前帧的红外图像的第一原始位置区、第一当前位置区和第一背景区的边界进行第一调整。其具体方法和优点参照一种红外图像处理的方法实施例二的步骤S230，这里不再详述。
图像增强模块440用于对调整后的第一原始位置区进行分区，基于分区进行图像增强。其具体方法和优点参照一种红外图像处理的方法实施例二的步骤S240，这里不再详述。
图像滤波模块450用于对当前帧的图像的第一当前位置区、第一背景区分别进行滤波。其具体方法和优点参照一种红外图像处理的方法实施例二的步骤S250，这里不再详述。
融合调整模块460用于利用形态学膨胀方法获得所述当前帧的图像中各物体的边界。其具体方法和优点参照一种红外图像处理的方法实施例二的步骤S260，这里不再详述。
需要指出的是，在图像增强模块440工作时，第一调整模块430还用于把当前帧的红外图像的第一原始位置区划分为第一分区、第二分区和第三分区。其具体方法和优点参照一种红外图像处理的方法实施例二的图像增强方法的步骤S2430，这里不再详述。
【一种红外图像处理的装置实施例二的图像增强模块】
图4B示出了一种红外图像处理的装置实例二的图像增强模块的结构，包括第一滤波模块4410、第二滤波模块4420、原始位置增强模块4430。
第一滤波模块4410用于利用滤波核函数和FFT对所述当前帧的所述第一原始位置区进行第一滤波。其具体方法和优点参照一种红外图像处理的方法实施例二的图像增强方法的步骤S2410，这里不再详述。
第二滤波模块4420用于对当前帧的红外图像的第一原始位置区的进行第二滤波。其具体方法和优点参照一种红外图像处理的方法实施例二的图像增强方法的步骤S2420，这里不再详述。
原始位置增强模块4430用于对第一滤波结果和第二滤波结果，基于当前帧的红外图像的第一原始位置区的分区设置不同的分区权重。其具体方法和优点参照一种红外图像处理的方法实施例二的图像增强方法的步骤S2440，这里不再详述。
原始位置增强模块4430还用于利用第一滤波结果和第二滤波结果，根据分区权重对当前帧的第一原始位置区进行图像增强。其具体方法和优点参照一种红外图像处理的方法实施例二的图像增强方法的步骤S2450，这里不再详述。
【计算设备】
本发明还提供的一种计算设备，下面基于图5详细介绍。
该计算设备500包括，处理器510、存储器520、通信接口530、总线540。
应理解，该图所示的计算设备500中的通信接口530可以用于与其他设备之间进行通信。
其中，该处理器510可以与存储器520连接。该存储器520可以用于存储该程序代码和数据。因此，该存储器520可以是处理器510内部的存储单元，也可以是与处理器510独立的外部存储单元，还可以是包括处理器510内部的存储单元和与处理器510独立的外部存储单元的部件。
可选的，计算设备500还可以包括总线540。其中，存储器520、通信接口530可以通过总线540与处理器510连接。总线540可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(EFStended Industry StandardArchitecture，EISA)总线等。所述总线540可以分为地址总线、数据总线、控制总线等。为便于表示，该图中仅用一条线表示，但并不表示仅有一根总线或一类型型的总线。
应理解，在本发明实施例中，该处理器510可以采用中央处理单元(centralprocessing unit，CPU)。该处理器还可以是其它通用处理器、数字信号处理器(digitalsignal processor，DSP)、专用集成电路(application specific integrated circuit，ASIC)、现场可编程门阵列(field programmable gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。或者该处理器510采用一个或多个集成电路，用于执行相关程序，以实现本发明各方法实施例的功能。
该存储器520可以包括只读存储器和随机存取存储器，并向处理器510提供指令和数据。处理器510的一部分还可以包括非易失性随机存取存储器。例如，处理器510还可以存储设备类型的信息。
在计算设备500运行时，所述处理器510执行所述存储器520中的计算机执行指令执行的本发明各方法实施例的功能。
应理解，根据本发明实施例的计算设备500可以对应于执行根据本发明各实施例的方法中的相应主体，并且计算设备500中的各个模块的上述和其它操作和/或功能分别为了实现本发明各方法实施例的功能，为了简洁，在此不再赘述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括，U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
【计算介质】
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时用于本发明各方法实施例的功能。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是，但不限于，电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括，具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括、但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意类型的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，均属于本发明保护范畴。

Claims (20)

1.一种红外图像处理的方法，其特征在于，包括：
获取包含当前帧的红外图像序列；
根据红外图像序列，对所述当前帧的红外图像进行分割，获得其第一原始位置区、其第一当前位置区和其第一背景区，其中，所述第一当前位置区为红外图像中的移动物体当前所在区域，所述第一原始位置区为红外图像中的移动物体经过其他区域，所述第一背景区为红外图像中的移动物体未经过的区域；
利用滤波核函数和FFT对所述当前帧的所述第一原始位置区进行第一滤波，其中，在设定的频域范围外，所述滤波核函数快速下降。
2.根据权利要求1所述方法，其特征在于，在进行所述第一滤波之前，还包括：
获取包含所述当前帧的可见光图像序列；
利用获得所述当前帧的所述第一原始位置区的方法，从所述当前帧的可见光图像中获得其第三原始位置区，所述第三原始位置区为可见图像中的移动物体经过且不包括当前位置的其他区域；
根据所述第三原始位置区，对所述当前帧的所述第一原始位置区、所述第一背景区和所述第一当前位置区的边界进行第一调整；
用所述第一调整后的结果替代所述当前帧的所述第一原始位置区、所述第一背景区和所述第一当前位置区。
3.根据权利要求2所述方法，其特征在于，还包括：
根据所述第三原始位置区与所述当前帧的所述第一原始位置区的对比，把所述当前帧的所述第一原始位置区划分为不同分区;
对所述当前帧的所述第一原始位置区进行第二滤波，所述第二滤波的方法至少包括下列二者一：均值法或中值法；
对所述第一滤波结果和所述第二滤波结果在所述当前帧的所述不同分区中设置不同的分区权重；
通过对所述不同分区的所述第一滤波结果和所述第二滤波结果根据所述分区权重加权求和，对所述当前帧的所述第一原始位置区的进行图像增强。
4.根据权利要求1至3任一所述方法，其特征在于，所述利用滤波核函数和FFT对所述当前帧的所述第一原始位置区进行第一滤波，包括：
对所述当前帧的所述第一原始位置区进行FFT变换；
利用所述滤波核函数对FFT变换结果进行频域滤波；
对所述频域滤波后的结果进行IFFT变换，获得所述第一滤波的结果。
5.根据权利要求4所述方法，其特征在于，所述滤波核函数为：
Figure 95715DEST_PATH_IMAGE001
，
其中，
Figure 465385DEST_PATH_IMAGE002
为所述滤波核函数，
Figure 713964DEST_PATH_IMAGE003
，
Figure 312435DEST_PATH_IMAGE004
为FFT变换后的频域横 坐标，
Figure 579338DEST_PATH_IMAGE005
为FFT变换后的频域纵坐标，
Figure 605062DEST_PATH_IMAGE006
为设定常数，
Figure 340937DEST_PATH_IMAGE007
表示所述设定的频域范围。
6.根据权利要求1至3任一所述方法，其特征在于，还包括：
利用形态学对所述当前帧的所述第一原始位置区、所述第一背景区和所述第一当前位置区进行膨胀；
对所述膨胀后的所述第一原始位置区、所述第一背景区和所述第一当前位置区进行合并，其中，对重叠区域的像素基于重叠方的灰度值进行平滑；
根据所述合并后的红外图像获得所述当前帧的红外图像的各像素的边界概率，其中，当一像素的边界概率越大，该像素为区域边界的概率越大；
根据所述边界概率获得所述当前帧的图像中各物体的边界。
7.根据权利要求6所述方法，其特征在于，所述根据所述合并后的红外图像获得所述当前帧的红外图像的各像素的边界概率，包括：
分别以所述当前帧的红外图像的每个像素为第一窗口的中心，根据所述合并后的红外图像在所述第一窗口内的像素计算所述每个像素的所述边界概率，
其中，一像素的所述边界概率等于各第二像素的像素差异度的和，所述第二像素为以所述一像素为中心的所述第一窗口内的任一其他像素，所述第二像素的像素差异度基于该第二像素与所述第一窗口中心的距离、该第二像素与所述第一窗口中心的灰度差的绝对值而确定。
8.根据权利要求1至3任一所述方法，其特征在于，所述获得所述当前帧的红外图像的物体的第一原始位置区和第一当前位置区、所述当前帧的红外图像的第一背景区，包括：
根据红外图像序列，获得所述当前帧的红外图像的像素移动概率图，其中，所述像素移动概率图用于表示各像素体的移动概率；
根据所述像素移动概率图，获得所述当前帧的红外图像的像素移动标记图，其中，所述像素移动标记图用于标记各像素是否移动；
根据所述当前帧和其上一帧的红外图像和所述像素移动标记图，获得所述当前帧的红外图像的像素速度图，其中，所述像素速度图表示各像素体的移动速度；
根据所述像素速度图和所述像素移动标记图，从所述当前帧的红外图像分割出所述当前帧的所述第一原始位置区、所述第一当前位置区和所述第一背景区。
9.根据权利要求8所述方法，其特征在于，所述从所述当前帧的红外图像分割出所述当前帧的所述第一原始位置区、所述第一当前位置区和所述第一背景区，包括：
当所述像素移动标记图中一像素的所述移动标记为移动且所述像素速度图中该像素的所述移动速度大于速度阈值时，该像素属于所述第一当前位置区；
当所述像素移动标记图中一像素的所述移动标记为移动且所述像素速度图中该像素的所述移动速度不大于速度阈值时，该像素属于所述第一原始位置区；
当所述像素移动标记图中一像素的所述移动标记为不移动时，该像素属于所述第一背景区。
10.一种红外图像处理装置，其特征在于，包括：
图像获取模块，用于获取包含当前帧的红外图像序列；
图像分割模块，用于根据红外图像序列,对所述当前帧的红外图像进行分割，获得其第一原始位置区、其第一当前位置区和其第一背景区，其中，所述第一当前位置区为红外图像中的移动物体当前所在区域，所述第一原始位置区为红外图像中的移动物体经过其他区域，所述第一背景区为红外图像中的移动物体未经过的区域；
第一滤波模块，用于利用滤波核函数和FFT对所述当前帧的所述第一原始位置区进行第一滤波， 其中，在设定的频域范围外，所述滤波核函数快速下降。
11.根据权利要求10所述装置，其特征在于，
所述图像获取模块还用于获取包含所述当前帧的可见光图像序列；
所述图像分割模块还用于利用获得所述当前帧的所述第一原始位置区的方法，从所述当前帧的可见光图像中获得其第三原始位置区，所述第三原始位置区为可见图像中的移动物体经过且不包括当前位置的其他区域；
所述装置还包括第一调整模块，用于在进行所述第一滤波之前根据所述第三原始位置区，对所述当前帧的所述第一原始位置区、所述第一背景区和所述第一当前位置区的边界进行第一调整；
所述第一调整模块还用于用所述第一调整后的结果替代所述当前帧的所述第一原始位置区、所述第一背景区和所述第一当前位置区。
12.根据权利要求11所述装置，其特征在于，
所述第一调整模块还用于根据所述第三原始位置区与所述当前帧的所述第一原始位置区的对比，把所述当前帧的所述第一原始位置区划分为不同分区;
所述装置还包括第二滤波模块，用于对所述当前帧的所述第一原始位置区进行第二滤波，所述第二滤波的方法至少包括下列二者一：均值法或中值法；
所述装置还包括原始位置增强模块，用于对所述第一滤波结果和所述第二滤波结果在所述当前帧的所述不同分区中设置不同的分区权重；
所述原始位置增强模块还用于通过对所述不同分区的所述第一滤波结果和所述第二滤波结果根据所述分区权重加权求和，对所述当前帧的所述第一原始位置区的进行图像增强。
13.根据权利要求10至12任一所述装置，其特征在于，所述第一滤波模块具体用于，包括：
对所述当前帧的所述第一原始位置区进行FFT变换；
利用所述滤波核函数对FFT变换结果进行频域滤波；
对所述频域滤波后的结果进行IFFT变换，获得所述第一滤波的结果。
14.根据权利要求13所述装置，其特征在于，所述滤波核函数为：
Figure 992367DEST_PATH_IMAGE008
，
其中，
Figure 864508DEST_PATH_IMAGE009
为所述滤波核函数，
Figure 61134DEST_PATH_IMAGE010
，
Figure 267994DEST_PATH_IMAGE011
为FFT变换后的频域横 坐标，
Figure 208268DEST_PATH_IMAGE012
为FFT变换后的频域纵坐标，
Figure 200495DEST_PATH_IMAGE013
为设定常数，
Figure 82869DEST_PATH_IMAGE014
表示所述设定的频域范围。
15.根据权利要求10至12任一所述装置，其特征在于，还包括：
区域膨胀模块，用于利用形态学对所述当前帧的所述第一原始位置区、所述第一背景区和所述第一当前位置区进行膨胀；
区域合并模块，用于对所述膨胀后的所述第一原始位置区、所述第一背景区和所述第一当前位置区进行合并，其中，对重叠区域的像素基于重叠方的灰度值进行平滑；
边界概率模块，用于根据所述合并后的红外图像获得所述当前帧的红外图像的各像素的边界概率，其中，当一像素的边界概率越大，该像素为区域边界的概率越大；
边界确定模块，用于根据所述边界概率获得所述当前帧的图像中各物体的边界。
16.根据权利要求15所述装置，其特征在于，
所述边界概率模块具体用于分别以所述当前帧的红外图像的每个像素为第一窗口的中心，根据所述合并后的红外图像在所述第一窗口内的像素计算所述每个像素的所述边界概率，
其中，一像素的所述边界概率等于各第二像素的像素差异度的和，所述第二像素为以所述一像素为中心的所述第一窗口内的任一其他像素，所述第二像素的像素差异度基于该第二像素与所述第一窗口中心的距离、该第二像素与所述第一窗口中心的灰度差的绝对值而确定。
17.根据权利要求10所述装置，其特征在于，所述图像分割模块包括：
概率生成模块，用于根据红外图像序列，获得所述当前帧的红外图像的像素移动概率图，其中，所述像素移动概率图用于表示各像素体的移动概率；
标记生成模块，用于根据所述像素移动概率图，获得所述当前帧的红外图像的像素移动标记图，其中，所述像素移动标记图用于标记各像素是否移动；
速度生成模块，用于根据所述当前帧和其上一帧的红外图像和所述像素移动标记图，获得所述当前帧的红外图像的像素速度图，其中，所述像素速度图表示各像素体的移动速度；
区域分割模块，用于根据所述像素速度图和所述像素移动标记图，从所述当前帧的红外图像分割出所述当前帧的所述第一原始位置区、所述第一当前位置区和所述第一背景区。
18.根据权利要求17所述装置，其特征在于，所述区域分割模块具体用于，包括：
当所述像素移动标记图中一像素的所述移动标记为移动且所述像素速度图中该像素的所述移动速度大于速度阈值时，该像素属于所述第一当前位置区；
当所述像素移动标记图中一像素的所述移动标记为移动且所述像素速度图中该像素的所述移动速度不大于速度阈值时，该像素属于所述第一原始位置区；
当所述像素移动标记图中一像素的所述移动标记为不移动时，该像素属于所述第一背景区。
19.一种计算设备，其特征在于，包括：
总线；
通信接口，其与所述总线连接；
至少一个处理器，其与所述总线连接；以及
至少一个存储器，其与所述总线连接并存储有程序指令，所述程序指令当被所述至少一个处理器执行时使得所述至少一个处理器执行权利要求1至9任一所述方法。
20.一种计算机可读存储介质，其上存储有程序指令，其特征在于，所述程序指令当被计算机执行时使得所述计算机执行权利要求1至9任一所述方法。
CN202111365536.XA 2021-11-18 2021-11-18 一种红外图像处理的方法及装置 Active CN114037633B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111365536.XA CN114037633B (zh) 2021-11-18 2021-11-18 一种红外图像处理的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111365536.XA CN114037633B (zh) 2021-11-18 2021-11-18 一种红外图像处理的方法及装置

Publications (2)

Publication Number Publication Date
CN114037633A true CN114037633A (zh) 2022-02-11
CN114037633B CN114037633B (zh) 2022-07-15

Family

ID=80144737

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111365536.XA Active CN114037633B (zh) 2021-11-18 2021-11-18 一种红外图像处理的方法及装置

Country Status (1)

Country Link
CN (1) CN114037633B (zh)

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4116559A (en) * 1976-05-26 1978-09-26 Olympus Optical Co., Ltd. Process of and apparatus for forming a picture image information such as a manuscript, etc. on a dry treated film and developing the same
DE4039007A1 (de) * 1989-12-06 1991-06-13 Hitachi Ltd Infrarottemperaturmessgeraet, eichverfahren fuer das geraet, infrarottemperaturbildmessmethode, geraet zur messung desselben, heizgeraet mit messgeraet, verfahren zur steuerung der erwaermungstemperatur, und vakuumbedampfungsgeraet mit infrarotem temperaturmessgeraet
CN1581231A (zh) * 2004-05-20 2005-02-16 上海交通大学 基于运动目标检测的红外和可见光动态图像融合方法
CN1885346A (zh) * 2006-06-01 2006-12-27 电子科技大学 一种复杂背景下红外图像序列中运动目标的检测方法
US20080056568A1 (en) * 2006-08-30 2008-03-06 Porikli Fatih M Object segmentation using visible and infrared images
CN101558404A (zh) * 2005-06-17 2009-10-14 微软公司 图像分割
CN101789124A (zh) * 2010-02-02 2010-07-28 浙江大学 对已知摄像机参数和深度信息的视频序列的时空一致性分割方法
CA2667066A1 (en) * 2009-05-27 2010-11-27 Pierre Benoit Boulanger Apparatus and method for automatic real-time bi-layer segmentation using color and infrared images
CN102222349A (zh) * 2011-07-04 2011-10-19 江苏大学 一种基于边缘模型的前景帧检测方法
US20120154579A1 (en) * 2010-12-20 2012-06-21 International Business Machines Corporation Detection and Tracking of Moving Objects
US20160171706A1 (en) * 2014-12-15 2016-06-16 Intel Corporation Image segmentation using color & depth information
CN106296744A (zh) * 2016-11-07 2017-01-04 湖南源信光电科技有限公司 一种结合自适应模型和多阴影属性的运动目标检测方法
US20170161905A1 (en) * 2015-12-07 2017-06-08 Avigilon Analytics Corporation System and method for background and foreground segmentation
US20190331301A1 (en) * 2016-12-30 2019-10-31 Du Yuchuan Method for leakage detection of underground pipeline corridor based on dynamic infrared thermal image processing
CN110705492A (zh) * 2019-10-10 2020-01-17 北京北特圣迪科技发展有限公司 一种舞台移动机器人障碍目标检测方法
CN110738688A (zh) * 2019-10-25 2020-01-31 中国人民解放军国防科技大学 一种新的红外超弱运动目标检测方法
CN111179302A (zh) * 2019-12-27 2020-05-19 普联国际有限公司 一种运动目标检测方法、装置、存储介质及终端设备
WO2021031819A1 (zh) * 2019-08-22 2021-02-25 华为技术有限公司 一种图像处理方法和电子设备
WO2021212319A1 (zh) * 2020-04-21 2021-10-28 深圳市大疆创新科技有限公司 红外图像处理方法、装置、系统及可移动平台

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4116559A (en) * 1976-05-26 1978-09-26 Olympus Optical Co., Ltd. Process of and apparatus for forming a picture image information such as a manuscript, etc. on a dry treated film and developing the same
DE4039007A1 (de) * 1989-12-06 1991-06-13 Hitachi Ltd Infrarottemperaturmessgeraet, eichverfahren fuer das geraet, infrarottemperaturbildmessmethode, geraet zur messung desselben, heizgeraet mit messgeraet, verfahren zur steuerung der erwaermungstemperatur, und vakuumbedampfungsgeraet mit infrarotem temperaturmessgeraet
CN1581231A (zh) * 2004-05-20 2005-02-16 上海交通大学 基于运动目标检测的红外和可见光动态图像融合方法
CN101558404A (zh) * 2005-06-17 2009-10-14 微软公司 图像分割
CN1885346A (zh) * 2006-06-01 2006-12-27 电子科技大学 一种复杂背景下红外图像序列中运动目标的检测方法
US20080056568A1 (en) * 2006-08-30 2008-03-06 Porikli Fatih M Object segmentation using visible and infrared images
CA2667066A1 (en) * 2009-05-27 2010-11-27 Pierre Benoit Boulanger Apparatus and method for automatic real-time bi-layer segmentation using color and infrared images
CN101789124A (zh) * 2010-02-02 2010-07-28 浙江大学 对已知摄像机参数和深度信息的视频序列的时空一致性分割方法
US20120154579A1 (en) * 2010-12-20 2012-06-21 International Business Machines Corporation Detection and Tracking of Moving Objects
CN102222349A (zh) * 2011-07-04 2011-10-19 江苏大学 一种基于边缘模型的前景帧检测方法
US20160171706A1 (en) * 2014-12-15 2016-06-16 Intel Corporation Image segmentation using color & depth information
US20170161905A1 (en) * 2015-12-07 2017-06-08 Avigilon Analytics Corporation System and method for background and foreground segmentation
CN106296744A (zh) * 2016-11-07 2017-01-04 湖南源信光电科技有限公司 一种结合自适应模型和多阴影属性的运动目标检测方法
US20190331301A1 (en) * 2016-12-30 2019-10-31 Du Yuchuan Method for leakage detection of underground pipeline corridor based on dynamic infrared thermal image processing
WO2021031819A1 (zh) * 2019-08-22 2021-02-25 华为技术有限公司 一种图像处理方法和电子设备
CN110705492A (zh) * 2019-10-10 2020-01-17 北京北特圣迪科技发展有限公司 一种舞台移动机器人障碍目标检测方法
CN110738688A (zh) * 2019-10-25 2020-01-31 中国人民解放军国防科技大学 一种新的红外超弱运动目标检测方法
CN111179302A (zh) * 2019-12-27 2020-05-19 普联国际有限公司 一种运动目标检测方法、装置、存储介质及终端设备
WO2021212319A1 (zh) * 2020-04-21 2021-10-28 深圳市大疆创新科技有限公司 红外图像处理方法、装置、系统及可移动平台

Non-Patent Citations (12)

* Cited by examiner, † Cited by third party
Title
VINAYAK G UKINKAR等: "Object detection in dynamic background using image segmentation: A review", 《INTERNATIONAL JOURNAL OF ENGINEERING RESEARCH AND APPLICATIONS》 *
于素芬等: "一种新的红外序列图像运动小目标分割算法", 《电光与控制》 *
刘坤等: "基于区域分割的序列红外图像融合算法", 《红外与激光工程》 *
吴一全等: "基于最小二乘支持向量机时域背景预测的红外弱小目标检测", 《兵工学报》 *
吴巍等: "对红外序列图像中小目标分割的研究", 《电子学报》 *
张书真: "基于帧差和Otsu的红外行人分割算法", 《吉首大学学报(自然科学版)》 *
张智丰等: "加权融合特征耦合Top-Hat变换的红外目标检测算法", 《计算机工程与设计》 *
张蓉等: "空中红外运动点目标检测算法", 《红外与激光工程》 *
杨威等: "时空联合的红外运动目标提取算法", 《光电工程》 *
杨泽刚等: "红外运动目标图像的识别与跟踪技术研究", 《武汉理工大学学报(交通科学与工程版)》 *
聊蕾等: "基于图像序列的VideoSAR动目标检测方法", 《雷达科学与技术》 *
谷东亮等: "一种优化的运动目标检测与跟踪算法", 《舰船电子工程》 *

Also Published As

Publication number Publication date
CN114037633B (zh) 2022-07-15

Similar Documents

Publication Publication Date Title
CN110163215B (zh) 图像处理方法、装置、计算机可读介质及电子设备
US9811732B2 (en) Systems and methods for object tracking
US20150279021A1 (en) Video object tracking in traffic monitoring
CN110766724B (zh) 目标跟踪网络训练、跟踪方法及装置、电子设备及介质
JP2021508123A (ja) リモートセンシング画像認識方法、装置、記憶媒体及び電子機器
US20140369555A1 (en) Tracker assisted image capture
Praczyk A quick algorithm for horizon line detection in marine images
CN107729848B (zh) 对象检测方法及装置
CN112215773B (zh) 基于视觉显著性的局部运动去模糊方法、装置及存储介质
WO2016145591A1 (en) Moving object detection based on motion blur
WO2017135120A1 (en) Computationally efficient frame rate conversion system
CN103985106A (zh) 用于对强噪声图像进行多帧融合的设备和方法
CN110766725A (zh) 模板图像的更新、目标跟踪方法及装置、电子设备及介质
Kryjak et al. Real-time implementation of foreground object detection from a moving camera using the vibe algorithm
CN113129332A (zh) 执行目标对象跟踪的方法和装置
CN114170558A (zh) 用于视频处理的方法、系统、设备、介质和产品
CN113822879B (zh) 一种图像分割的方法及装置
CN113822878B (zh) 一种红外图像处理的方法及装置
CN114037633B (zh) 一种红外图像处理的方法及装置
CN115937051B (zh) 一种图像噪声处理方法、装置、设备及存储介质
US20240127567A1 (en) Detection-frame position-accuracy improving system and detection-frame position correction method
Yang et al. Depth-reliability-based stereo-matching algorithm and its VLSI architecture design
US20190251703A1 (en) Method of angle detection
CN113762027A (zh) 一种异常行为的识别方法、装置、设备及存储介质
JP7245370B2 (ja) フロー誘導適応学習を使用するビデオ・コンテンツ削除

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