CN114782464A - 基于目标区域局部增强的反射层析激光雷达图像分割方法 - Google Patents

基于目标区域局部增强的反射层析激光雷达图像分割方法 Download PDF

Info

Publication number
CN114782464A
CN114782464A CN202210360532.0A CN202210360532A CN114782464A CN 114782464 A CN114782464 A CN 114782464A CN 202210360532 A CN202210360532 A CN 202210360532A CN 114782464 A CN114782464 A CN 114782464A
Authority
CN
China
Prior art keywords
image
target
value
segmentation
gray value
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
CN202210360532.0A
Other languages
English (en)
Other versions
CN114782464B (zh
Inventor
胡以华
张鑫源
方佳节
王一程
徐世龙
韩飞
陈友龙
马圣杰
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.)
National University of Defense Technology
Original Assignee
National University of Defense 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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202210360532.0A priority Critical patent/CN114782464B/zh
Publication of CN114782464A publication Critical patent/CN114782464A/zh
Application granted granted Critical
Publication of CN114782464B publication Critical patent/CN114782464B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

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

Abstract

本发明提出一种基于目标区域局部增强的反射层析激光雷达图像分割方法，包括：输入经滤波反投影重构得到的反射层析激光雷达生成的原始图像；通过二维低通滤波器去除原始图像中的环状伪影；进一步执行均值滤波处理，以滤除噪点，并使用迭代阈值法执行对经滤除噪点后的图像的初始分割，以获得分割图像；对分割图像按照外接凸多边形面积最小的准则进行目标区域的提取，提取出闭合的外接凸多边形的目标区域；针对提取出的目标区域采用图像填充算法完成图像填充，得到目标显著图；将目标显著图与原始图像融合，获得目标区域增强的融合图像；采用迭代阈值法求出增强的目标区域图像的最佳阈值，然后使用最佳阈值对整幅融合图像进行分割。

Description

基于目标区域局部增强的反射层析激光雷达图像分割方法
技术领域
本发明属于激光雷达技术领域，尤其涉及一种基于目标区域局部增强的反射层析激光雷达图像分割方法。
背景技术
激光反射层析雷达成像是一种兼顾远距离和高分辨率成像的新型激光雷达系统，这项技术最早由Parker J K于1988年提出(Parker J K,Craig E B, Klick D I,etal.Reflective tomography:images from rangeresolved laser radar measurements[J].Appl Opt,1988,27(13):2642-2643)。其工作原理是通过激光雷达探测目标的多个角度并收集回波信号，获取目标多角度的深度信息，利用成像算法来计算重构目标的层析面轮廓图像。但在实际工作过程中，利用常见的成像算法如滤波反投影算法来计算重构目标的层析面轮廓图像时，通常伴随大量的伪影和噪点，需要从中分割得到纯目标廓像。为提高目标廓像的分割质量，给出了一种反射层析激光雷达图像目标区域提取与分割方法。该算法能够去除反射层析激光雷达图像中的伪影和噪点，分割得到的图像能够最大限度保留原始图像中的目标信息，相较于传统阈值分割方法，提高了分割图像的分割质量。
现有的反射层析激光雷达图像分割方法主要包括Ostu算法、迭代阈值法和最大熵算法，其中最为常见的是迭代阈值法：迭代阈值法是基于逼近的思想，先求出图像的最大灰度值Tmax和最小灰度值Tmin，然后取其平均作为初始阈值
Figure RE-GDA0003675879500000011
根据该阈值将图像分割后，再求分割图像两类的平均灰度值并取平均，重复该流程直到两者的平均灰度值不再发生变化，此时两者的平均灰度值取平均即为最佳阈值。
此种实现方式的优点包括计算简单、运算效率较高、速度快，但是分割阈值的选取是个难点，对如图1(a)和1(b)所示的飞机模型经目标成像采样滤波反投影算法重构得到原始图像如图2(a)，可以看到原始图像中存在大量的伪影和噪点。采用传统阈值分割法对图像进行二值化处理，得到Ostu算法、迭代阈值法和最大熵算法阈值分割图像如图2(b)、图2(c)和图2(d)所示。
从阈值分割图像来看，上述三种传统阈值分割法均对条状伪影和噪点有较好的分割效果，但环状伪影和因其灰度值与目标图像接近，使用传统阈值分割法很难将其与目标分割。此外，三种阈值分割法均存在不同程度过度分割的情况，去除伪影和噪点的同时缺失了部分目标信息，尤其是最大熵算法缺失的目标信息最多。
原始图像灰度直方图如图3所示，可以看到图中只有一个明显的峰，这是由于图像背景引起的，节选灰度值范围100-140的灰度直方图，标记上述Ostu 算法、迭代阈值法和最大熵算法计算得到的分割阈值，使用传统阈值分割法选取的分割阈值通常较高，容易出现过度分割的情况。然而，由于环状伪影的灰度值与目标图像接近，即使选取较高分割阈值，简单的阈值分割处理也难以将其与目标分割。
发明内容
为解决上述技术问题，本发明提出了一种基于目标区域局部增强的反射层析激光雷达图像分割方法，所述方法包括如下步骤：
步骤1，输入经滤波反投影重构得到的反射层析激光雷达生成的原始图像；
步骤2，通过二维低通滤波器去除所述原始图像中的环状伪影；
步骤3，对经过步骤2处理后的图像执行均值滤波处理，以滤除噪点，并使用迭代阈值法执行对经滤除噪点后的图像的初始分割，以获得分割图像；
步骤4，对步骤3获得的所述分割图像按照外接凸多边形面积最小的准则进行目标区域的提取，提取出闭合的外接凸多边形的目标区域；
步骤5，针对提取出的所述目标区域采用图像填充算法完成图像填充，得到目标显著图；
步骤6，将步骤5中完成填充的所述目标显著图与所述原始图像进行融合，获得目标区域增强的融合图像；
步骤7，采用迭代阈值法求出增强的目标区域图像的最佳阈值，然后使用所述最佳阈值对整幅所述融合图像进行分割。
进一步的，步骤2包括子步骤：
步骤2.1，首先确定所述环状伪影的中心位置、采样间隔和采样点数；利用拉东Radon变换将所述环状伪影转化为线性伪影；
步骤2.2，对所述线性伪影进行傅里叶变换，从而将所述线性伪影转换到频谱信号；
步骤2.3，使用所述二维低通滤波器对所述线性伪影的频谱信号执行低通滤波，以滤除所述线性伪影；
步骤2.4，对滤波后的频谱信号执行傅里叶逆变换和坐标逆变换，获得校正后的图像。
进一步的，步骤3中所述均值滤波处理包括子步骤：
步骤3.1，针对图像上的一个目标像素，圈定所述目标像素和其周围预定半径区块内的所有相邻像素；
步骤3.2，计算所述目标像素和其所有相邻像素的平均值；
步骤3.3，使用所述平均值替换目标像素的原始像素值。
进一步的，步骤3中采用迭代阈值法执行对所述经滤除噪点后的图像的初始分割包括子步骤：
步骤3.4，首先求出整幅所述经滤除噪点后的图像的最大灰度值和最小灰度值，取最大灰度值和最小灰度值的平均值T0作为初始阈值；
步骤3.5，找出所述经滤除噪点后的图像中灰度值大于等于T0的部分R1和灰度值小于T0的部分R2，分别计算R1内的平均值u1和R2内的平均值u2，取u1和u2的平均值T1作为下一次分割的阈值；
步骤3.6，重复步骤3.5，每次用新的阈值取代上次的阈值，直到平均灰度值不再发生变化，以不再变化的平均灰度值T作为最佳阈值T；
步骤3.7，以最佳阈值T执行对整幅图像的初始分割，设置图像中灰度值大于等于T的点赋值为1，小于T的点赋值为0，得到二值化的初始分割图像。
进一步的，在步骤4中，仅对所述分割图像中不为零的点集按照所述外接凸多边形面积最小准则进行目标区域提取，具体包括以下子步骤：
步骤4.1，首先输入初始的所述分割图像，将其中不为零的点组成点集V；
步骤4.2，剖分所述点集V，以构建空间网格；
步骤4.3，利用凸包算法得到经剖分的所述空间网格的凸包顶点数目k；
步骤4.4，串联外接凸多边形的各个顶点得到闭合的外接凸多边形。
进一步的，步骤5中，采用图像填充算法完成所述图像填充包括以下子步骤：
步骤5.1，判断所述目标区域中的点位于所述外接凸多边形内还是所述外接凸多边形外；
步骤5.2，将位于所述外接凸多边形内的区域赋值1.0，将位于所述外接凸多边形外的区域赋值0.5；
步骤5.3，得到目标显著图S(x，y)。
进一步的，步骤6中，将所述目标显著图与所述原始图像进行融合的算法满足下式：
IR'(x,y)＝S(x,y)×IR(x,y)
其中IR′(x，y)为融合后的图像，IR(x，y)为原始图像，S(x，y)为采用所述图像填充算法得到的所述目标显著图。
进一步的，步骤7中，使用所述最佳阈值对整幅所述融合图像进行分割包括以下子步骤：
步骤7.1，首先求出整幅所述融合图像中增强区域的最大灰度值和最小灰度值，取最大灰度值和最小灰度值的平均值T2作为初始阈值；
步骤7.2，找出所述增强的目标区域图像中灰度值大于等于T2的部分R3和灰度值小于T2的部分R4，分别计算R3的平均灰度值u3和R4的平均灰度值u4，取 u3和u4的平均值T3作为下一次分割的阈值；
步骤7.3，重复步骤7.2，每次用新的阈值取代上次的阈值，直到平均灰度值不再发生变化，以不再变化的平均灰度值作为最佳阈值Tm；
步骤7.4，以最佳阈值Tm执行对整幅所述融合图像的分割，图像中灰度值大于等于Tm的点赋值为1，小于Tm的点赋值为0，得到整幅所述融合图像的二值化的分割图像。
本发明还提出一种基于目标区域局部增强的反射层析激光雷达图像分割系统，所述系统包括：图像输入模块、环状伪影去除模块、均值滤波模块、目标区域提取模块、图像填充模块、图像融合模块、区域阈值分割模块和图像分割模块；
所述图像输入模块接收经滤波反投影重构得到的反射层析激光雷达生成的原始图像；
所述环状伪影去除模块使用二维低通滤波器
所述均值滤波模块对经过去除环状伪影处理后的图像执行均值滤波处理，以便滤除噪点；并使用迭代阈值法执行对经滤除噪点后的图像的初始分割，以获得分割图像；
所述目标区域提取模块对所述分割图像按照外接凸多边形面积最小的准则进行目标区域的提取，提取出闭合的外接凸多边形的目标区域；
所述图像填充模块对提取出的所述闭合的外接凸多边形的目标区域使用图像填充算法完成图像填充，得到目标显著图；
所述图像融合模块将所述目标显著图与所述原始图像进行融合，获得目标区域增强的融合图像；
所述区域阈值分割模块采用迭代阈值法求出所述目标区域增强的融合图像的最佳阈值；
所述图像分割模块；使用所述最佳阈值对整幅所述融合图像进行分割，以得到整幅融合后的图像的二值化的分割图像。
本发明还要求保护一种计算机可读介质，该计算机可读存储介质所上存储有述执行所述的方法的操作步骤的代码，所述代码适合于当该计算机可读介质在计算机上被运行时执行所述的方法的所述步骤。以完成对基于目标区域局部增强的反射层析激光雷达图像的分割。
采用本发明的反射层析激光雷达图像目标区域提取与分割方法，其原理可靠，易于实现反射层析激光雷达图像目标区域提取与分割，尤其对那些有明显环状伪影、条状伪影和噪点的图像能保持较好的分割结果，同时避免分割时出现分割不足或过度分割的现象，很好地保证了目标分割的完整性，尽可能保留了目标外轮廓和细节结构信息，提高了原始图像目标分割质量。较之传统阈值分割方法具有明显优势，这种反射层析激光雷达图像目标区域提取与分割方法，是一种反射层析激光雷达图像分割的全新思路。
附图说明
图1(a)为现有技术模型中的飞机模型俯视图；
图1(b)为现有技术模型中的飞机模型仰视图；
图2(a)为现有技术中的雷达原始图像；
图2(b)为现有技术中的对雷达原始图像经OSTU算法处理后的结果图；
图2(c)为现有技术中的对雷达原始图像经迭代阈值算法处理后的结果图；
图2(d)为现有技术中的对雷达原始图像经最大熵算法处理后的结果图；
图3为现有技术中的雷达原始图像的灰度直方图；
图4为根据本发明实施例的算法流程图；
图5(a)为根据本发明实施例的去除环状伪影后的结果；
图5(b)为根据本发明实施例的均值滤波结果；
图6(a)为根据本发明实施例的阈值分割后图像；
图6(b)为根据本发明实施例的带标记的原始图像；
图7(a)为根据本发明实施例的融合图像后结果；
图7(b)为根据本发明实施例的区域分割图像。
具体实施方式
本发明结合反射层析激光雷达探测特点，提出了一种基于目标区域局部增强的反射层析激光雷达图像分割方法。具体来看，目标表面最外部轮廓的回波较强，而其表面细节结构的回波较弱，表现在重构图像上则是目标最外部轮廓的灰度值较高，而细节结构的灰度值较低，与目标外围的条状伪影灰度值接近，难以将其分割。因此，可以先提取得到目标区域并填充，然后融合得到目标区域显著增强的融合图像，最后再对该图像进行区域阈值分割得到所需的目标分割图像。应用该算法提取得到的目标区域与实际目标区域基本一致，目标区域内包含了全部外部轮廓信息，而目标区域外滤除了大量的伪影和噪点。进一步对融合图像进行区域阈值分割，得到的分割图像去除了原始图像中的伪影和噪点，同时能够最大限度保留原始图像中的目标信息，其效果明显优于传统阈值分割方法。
本发明所述的反射层析激光雷达图像目标区域提取与分割方法，其流程图如图4所示，首先输入常用的滤波反投影(Filtered back projection，FBP) 算法重构得到的原始图像，利用二维低通滤波器去除环状伪影，接着对图像均值滤波处理滤除噪点，在此基础上利用迭代阈值法实现对图像的初始分割；然后结合阈值分割图像点集的坐标分布，按照外接凸多边形最小面积准则进行目标区域提取，获得闭合的外接凸多边形后进行图像填充；最后，将完成填充的图像与原始图像融合，获得目标区域增强的融合图像，采用目标区域迭代阈值法去除目标区域内的伪影和噪点，得到所需的目标分割图像。
以下结合附图对本发明的具体实施方式作出详细说明。
首先建立反射层析激光雷达的回波信号仿真系统，运用3DSMAX生成探测目标飞机的1:1的三维立体模型如图1所示，其中图1(a)是俯视图，图1(b)是仰视图，图中飞机翼展约为13米，长约19米，机身高度约为2.8米。设置激光雷达距离目标坐标原点约为10Km,激光束中心相对于目标场景的俯仰角为0 度，激光束全发散角为2mrad。
本发明提出一种基于目标区域局部增强的反射层析激光雷达图像分割方法，所述方法包括如下步骤：
步骤1，输入经滤波反投影重构(Filtered back projection，FBP)得到的反射层析激光雷达生成的原始图像；所述的滤波反投影重构的图像如图2(a) 所示。
步骤2，通过二维低通滤波器去除所述原始图像中的环状伪影；
步骤3，对经过步骤2处理后的图像执行均值滤波处理，以便滤除噪点，并使用迭代阈值法执行对经滤除噪点后的图像的初始分割，以获得分割图像；
步骤4，对步骤3获得的所述分割图像按照外接凸多边形面积最小的准则进行目标区域的提取，提取出闭合的外接凸多边形的目标区域；
步骤5，针对提取出的所述目标区域采用图像填充算法完成图像填充，得到目标显著图；
步骤6，将步骤5中完成填充的所述目标显著图与所述原始图像进行融合，获得目标区域增强的融合图像；
步骤7，采用迭代阈值法求出增强的目标区域图像的最佳阈值，然后使用所述最佳阈值对整幅所述融合图像进行分割。
进一步的，步骤2包括子步骤：
步骤2.1，首先确定所述环状伪影的中心位置、采样间隔和采样点数；利用拉东(Radon)变换将所述环状伪影转化为线性伪影；
步骤2.2，对所述线性伪影进行傅里叶变换，从而将所述线性伪影转换到频谱信号；
步骤2.3，使用所述二维低通滤波器对所述线性伪影的频谱信号执行低通滤波，以滤除所述线性伪影；
步骤2.4，对滤波后的频谱信号执行傅里叶逆变换和坐标逆变换，获得校正后的图像。
图5(a)为去除环状伪影后的结果，可以看到环状伪影被去除，但目标内轮廓也随之变得模糊，且处理后图像仍然存在大量噪点和条状伪影。
进一步的，步骤3中所述均值滤波处理包括子步骤：
步骤3.1，结合阈值分割图像点集的坐标分布，针对图像上的一个目标像素，圈定所述目标像素和其周围预定半径区块内的所有相邻像素；
步骤3.2，计算所述目标像素和其所有相邻像素的平均值；
步骤3.3，使用所述平均值替换目标像素的原始像素值。
图5(b)为均值滤波结果；均值滤波是常见的用于图像去噪的线性滤波算法，它是指给图像上的目标像素一个模板，该模板包含了它周围的相邻像素，然后用模板中所有像素的平均值替换原始像素值。计算公式如下：
Figure RE-GDA0003675879500000101
式中，g(x,y)是均值滤波后图像，m是窗口大小，f(x,y)是去除环状伪影的校正后图像，(2m+1)2是模板中包含当前像素的总像素数，得到的均值滤波后图像如图5(b)所示，目标四周条状伪影和噪点明显被滤除。
进一步的，步骤3中采用迭代阈值法执行对所述经滤除噪点后的图像的初始分割包括子步骤：
步骤3.4，首先求出整幅所述经滤除噪点后的图像的最大灰度值和最小灰度值，取最大灰度值和最小灰度值的平均值T0作为初始阈值；
步骤3.5，找出所述经滤除噪点后的图像中灰度值大于等于T0的部分R1和灰度值小于T0的部分R2，分别计算R1内的平均值u1和R2内的平均值u2，取u1和u2的平均值T1作为下一次分割的阈值；
步骤3.6，重复步骤3.5，每次用新的阈值取代上次的阈值，直到平均灰度值不再发生变化，以不再变化的平均灰度值T作为最佳阈值T；
步骤3.7，以最佳阈值T执行对整幅图像的初始分割，设置图像中灰度值大于等于T的点赋值为1，小于T的点赋值为0，得到二值化的初始分割图像。
通过上述方法去除原始图像中的条状伪影、环状伪影和噪点后，利用迭代阈值法分割得到阈值分割图像，如图6(a)所示。可以看到此时图像处于过度分割状态，目标目标轮廓像的边界轮廓不连续，且缺失大量的细节结构信息。。在原始图像中标记目标区域如图6(b)所示，可以看到提取得到的目标区域与实际目标区域基本一致，目标区域内缺失的外部轮廓信息很少，而目标区域外滤除了大量的伪影和噪点。
进一步的，在步骤4中，仅对所述分割图像中不为零的点集按照所述外接凸多边形面积最小准则进行目标区域提取，具体包括以下子步骤：
步骤4.1，首先输入初始的所述分割图像，将其中不为零的点组成点集V；
步骤4.2，剖分所述点集V，以构建空间网格；
步骤4.3，利用凸包(Convex Hull)算法得到经剖分的所述空间网格的凸包顶点数目k；
步骤4.4，串联外接凸多边形的各个顶点得到闭合的外接凸多边形。
进一步的，步骤5中，采用图像填充算法完成所述图像填充包括以下子步骤：
步骤5.1，判断所述目标区域中的点位于所述外接凸多边形内还是所述外接凸多边形外；
步骤5.2，将位于所述外接凸多边形内的区域赋值1.0，将位于所述外接凸多边形外的区域赋值0.5；
步骤5.3，得到目标显著图S(x，y)。
进一步的，步骤6中，将所述目标显著图与所述原始图像进行融合的算法满足下式：
IR'(x,y)＝S(x,y)×IR(x,y)
其中IR′(x，y)为融合后的图像，IR(x，y)为原始图像，S(x，y)为采用所述图像填充算法得到的所述目标显著图。
融合图像如图7(a)所示，可以看到目标区域内的图像明显增强。
进一步的，步骤7中，使用所述最佳阈值对整幅所述融合图像进行分割包括以下子步骤：
步骤7.1，首先求出整幅所述融合图像中增强区域的最大灰度值和最小灰度值，取最大灰度值和最小灰度值的平均值T2作为初始阈值；
步骤7.2，找出所述增强的目标区域图像中灰度值大于等于T2的部分R3和灰度值小于T2的部分R4，分别计算R3的平均灰度值u3和R4的平均灰度值u4，取 u3和u4的平均值T3作为下一次分割的阈值；
步骤7.3，重复步骤7.2，每次用新的阈值取代上次的阈值，直到平均灰度值不再发生变化，以不再变化的平均灰度值作为最佳阈值Tm；
步骤7.4，以最佳阈值Tm执行对整幅所述融合图像的分割，图像中灰度值大于等于Tm的点赋值为1，小于Tm的点赋值为0，得到整幅所述融合图像的二值化的分割图像。
利用目标区域的迭代阈值法实现所需目标图像的再次分割，区域分割图像如图7(b)所示，可以看到去除了原始图像中的伪影和噪点，分割得到的图像能够最大限度保留原始图像中的目标信息，其效果明显优于图2(b)(c)(d)所示的传统阈值分割方法。
本发明还提出一种基于目标区域局部增强的反射层析激光雷达图像分割系统，所述系统用于实现上述各项计算步骤，所述系统包括：图像输入模块、环状伪影去除模块、均值滤波模块、目标区域提取模块、图像填充模块、图像融合模块、区域阈值分割模块和图像分割模块；
所述图像输入模块接收经滤波反投影重构得到的反射层析激光雷达生成的原始图像；
所述环状伪影去除模块使用二维低通滤波器
所述均值滤波模块对经过去除环状伪影处理后的图像执行均值滤波处理，以便滤除噪点；并使用迭代阈值法执行对经滤除噪点后的图像的初始分割，以获得分割图像；
所述目标区域提取模块对所述分割图像按照外接凸多边形面积最小的准则进行目标区域的提取，提取出闭合的外接凸多边形的目标区域；
所述图像填充模块对提取出的所述闭合的外接凸多边形的目标区域使用图像填充算法完成图像填充，得到目标显著图；
所述图像融合模块将所述目标显著图与所述原始图像进行融合，获得目标区域增强的融合图像；
所述区域阈值分割模块采用迭代阈值法求出所述目标区域增强的融合图像的最佳阈值；
所述图像分割模块；使用所述最佳阈值对整幅所述融合图像进行分割，以得到整幅融合后的图像的二值化的分割图像。
本发明还要求保护一种计算机可读介质，该计算机可读存储介质所上存储有述执行上述操作步骤的代码，所述代码适合于当该计算机可读介质在计算机上被运行时执行所述步骤。以完成对基于目标区域局部增强的反射层析激光雷达图像的分割。
采用本发明的反射层析激光雷达图像目标区域提取与分割方法，其原理可靠，易于实现反射层析激光雷达图像目标区域提取与分割，尤其对那些有明显环状伪影、条状伪影和噪点的图像能保持较好的分割结果，同时避免分割时出现分割不足或过度分割的现象，很好地保证了目标分割的完整性，尽可能保留了目标外轮廓和细节结构信息，提高了原始图像目标分割质量。较之传统阈值分割方法具有明显优势，这种反射层析激光雷达图像目标区域提取与分割方法，是一种反射层析激光雷达图像分割的全新思路。
最后应说明的是，以上实施方式仅用以说明本发明实施例的技术方案而非限制，尽管参照以上较佳实施方式对本发明实施例进行了详细说明，本领域的普通技术人员应当理解，可以对本发明实施例的技术方案进行修改或等同替换都不应脱离本发明实施例的技术方案的精神和范围。

Claims (10)

1.一种基于目标区域局部增强的反射层析激光雷达图像分割方法，其特征在于，所述方法包括如下步骤：
步骤1，输入原始图像，所述原始图像为通过滤波反投影重构得到的反射层析激光雷达图像；
步骤2，通过二维低通滤波器去除所述原始图像中的环状伪影；
步骤3，对经过步骤2处理后的图像执行均值滤波处理，以滤除噪点，并使用迭代阈值法执行对经滤除噪点后的图像的初始分割，以获得分割图像；
步骤4，对步骤3获得的所述分割图像按照外接凸多边形面积最小的准则进行目标区域的提取，提取出闭合的外接凸多边形的目标区域；
步骤5，针对提取出的所述目标区域采用图像填充算法完成图像填充，得到目标显著图；
步骤6，将步骤5中完成填充的所述目标显著图与所述原始图像进行融合，获得目标区域增强的融合图像；
步骤7，采用迭代阈值法求出增强的目标区域图像的最佳阈值，然后使用所述最佳阈值对整幅所述融合图像进行分割。
2.如权利要求1所述的方法，其特征在于，步骤2包括子步骤：
步骤2.1，首先确定所述环状伪影的中心位置、采样间隔和采样点数；利用拉东Radon变换将所述环状伪影转化为线性伪影；
步骤2.2，对所述线性伪影进行傅里叶变换，从而将所述线性伪影转换到频谱信号；
步骤2.3，使用所述二维低通滤波器对所述线性伪影的频谱信号执行低通滤波，以滤除所述线性伪影；
步骤2.4，对滤波后的频谱信号执行傅里叶逆变换和坐标逆变换，获得校正后的图像。
3.如权利要求1所述的方法，其特征在于，步骤3中所述均值滤波处理包括子步骤：
步骤3.1，针对图像上的一个目标像素，圈定所述目标像素和其周围预定半径区块内的所有相邻像素；
步骤3.2，计算所述目标像素和其所有相邻像素的平均值；
步骤3.3，使用所述平均值替换目标像素的原始像素值。
4.如权利要求3所述的方法，其特征在于，步骤3中采用迭代阈值法执行对所述经滤除噪点后的图像的初始分割包括子步骤：
步骤3.4，首先求出整幅所述经滤除噪点后的图像的最大灰度值和最小灰度值，取最大灰度值和最小灰度值的平均值T0作为初始阈值；
步骤3.5，找出所述经滤除噪点后的图像中灰度值大于等于T0的部分R1和灰度值小于T0的部分R2，分别计算R1内的平均值u1和R2内的平均值u2，取u1和u2的平均值T1作为下一次分割的阈值；
步骤3.6，重复步骤3.5，每次用新的阈值取代上次的阈值，直到平均灰度值不再发生变化，以不再变化的平均灰度值T作为最佳阈值T；
步骤3.7，以最佳阈值T执行对整幅图像的初始分割，设置图像中灰度值大于等于T的点赋值为1，小于T的点赋值为0，得到二值化的初始分割图像。
5.如权利要求1所述的方法，其特征在于，在步骤4中，仅对所述分割图像中不为零的点集按照所述外接凸多边形面积最小准则进行目标区域提取，具体包括以下子步骤：
步骤4.1，首先输入初始的所述分割图像，将其中不为零的点组成点集V；
步骤4.2，剖分所述点集V，以构建空间网格；
步骤4.3，利用凸包算法得到经剖分的所述空间网格的凸包顶点数目k；
步骤4.4，串联外接凸多边形的各个顶点得到闭合的外接凸多边形。
6.如权利要求1所述的方法，其特征在于，步骤5中，采用图像填充算法完成所述图像填充包括以下子步骤：
步骤5.1，判断所述目标区域中的点位于所述外接凸多边形内还是所述外接凸多边形外；
步骤5.2，将位于所述外接凸多边形内的区域赋值1.0，将位于所述外接凸多边形外的区域赋值0.5；
步骤5.3，得到目标显著图S(x，y)。
7.如权利要求1所述的方法，其特征在于，步骤6中，将所述目标显著图与所述原始图像进行融合的算法满足下式：
IR'(x,y)＝S(x,y)×IR(x,y)
其中IR′(x，y)为融合后的图像，IR(x，y)为原始图像，S(x，y)为采用所述图像填充算法得到的所述目标显著图。
8.如权利要求1所述的方法，其特征在于，步骤7中，使用所述最佳阈值对整幅所述融合图像进行分割包括以下子步骤：
步骤7.1，首先求出整幅所述融合图像中增强区域的最大灰度值和最小灰度值，取最大灰度值和最小灰度值的平均值T2作为初始阈值；
步骤7.2，找出所述增强的目标区域图像中灰度值大于等于T2的部分R3和灰度值小于T2的部分R4，分别计算R3的平均灰度值u3和R4的平均灰度值u4，取u3和u4的平均值T3作为下一次分割的阈值；
步骤7.3，重复步骤7.2，每次用新的阈值取代上次的阈值，直到平均灰度值不再发生变化，以不再变化的平均灰度值作为最佳阈值Tm；
步骤7.4，以最佳阈值Tm执行对整幅所述融合图像的分割，图像中灰度值大于等于Tm的点赋值为1，小于Tm的点赋值为0，得到整幅所述融合图像的二值化的分割图像。
9.一种基于目标区域局部增强的反射层析激光雷达图像分割系统，其特征在于，所述系统包括：图像输入模块、环状伪影去除模块、滤波与分割模块、目标区域提取模块、图像填充模块、图像融合模块、最佳阈值确定模块和图像分割模块；其中：
所述图像输入模块被配置为：输入原始图像，所述原始图像为通过滤波反投影重构得到的反射层析激光雷达图像；
所述环状伪影去除模块被配置为：通过二维低通滤波器去除所述原始图像中的环状伪影；
所述滤波与分割模块被配置为：对经过去除环状伪影处理后的图像执行均值滤波处理，以便滤除噪点；并使用迭代阈值法执行对经滤除噪点后的图像的初始分割，以获得分割图像；
所述目标区域提取模块被配置为：对所述分割图像按照外接凸多边形面积最小的准则进行目标区域的提取，提取出闭合的外接凸多边形的目标区域；
所述图像填充模块被配置为：对提取出的所述闭合的外接凸多边形的目标区域使用图像填充算法完成图像填充，得到目标显著图；
所述图像融合模块被配置为：将所述目标显著图与所述原始图像进行融合，获得目标区域增强的融合图像；
所述最佳阈值确定模块被配置为：采用迭代阈值法求出所述目标区域增强的融合图像的最佳阈值；
所述图像分割模块；使用所述最佳阈值对整幅所述融合图像进行分割，以得到整幅融合后的图像的二值化的分割图像。
10.一种计算机可读介质，其特征在于，该计算机可读存储介质所上存储有述执行权利要求1-8中任一项所述的方法的操作步骤的代码，所述代码适合于当该计算机可读介质在计算机上被运行时执行根据权利要求1至8中任一项所述的方法的所述步骤，以完成对基于目标区域局部增强的反射层析激光雷达图像的分割。
CN202210360532.0A 2022-04-07 2022-04-07 基于目标区域局部增强的反射层析激光雷达图像分割方法 Active CN114782464B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210360532.0A CN114782464B (zh) 2022-04-07 2022-04-07 基于目标区域局部增强的反射层析激光雷达图像分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210360532.0A CN114782464B (zh) 2022-04-07 2022-04-07 基于目标区域局部增强的反射层析激光雷达图像分割方法

Publications (2)

Publication Number Publication Date
CN114782464A true CN114782464A (zh) 2022-07-22
CN114782464B CN114782464B (zh) 2023-04-07

Family

ID=82427059

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210360532.0A Active CN114782464B (zh) 2022-04-07 2022-04-07 基于目标区域局部增强的反射层析激光雷达图像分割方法

Country Status (1)

Country Link
CN (1) CN114782464B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103098100A (zh) * 2010-12-03 2013-05-08 中国科学院自动化研究所 基于感知信息的三维模型形状分析方法
CN104102899A (zh) * 2014-05-23 2014-10-15 首都医科大学附属北京同仁医院 视网膜血管识别方法及装置
CN104992409A (zh) * 2014-09-30 2015-10-21 中国科学院苏州生物医学工程技术研究所 一种ct图像的金属伪影校正方法
CN106780430A (zh) * 2016-11-17 2017-05-31 大连理工大学 一种基于被包围状态和马尔可夫模型的图像显著性检测方法
CN107610117A (zh) * 2017-09-18 2018-01-19 广州慧扬健康科技有限公司 冠状动脉管腔图像自动分割系统
CN111507913A (zh) * 2020-04-08 2020-08-07 四川轻化工大学 一种基于纹理特征的图像融合算法
US20200268330A1 (en) * 2017-04-17 2020-08-27 The Regents Of The University Of Colorado, A Body Corporate A Hybrid Flat Panel Detector For Cone Beam CT Systems
CN113125120A (zh) * 2021-04-15 2021-07-16 北京理工大学 一种基于多抖动法的低重频光纤激光相干合成方法
CN113657375A (zh) * 2021-07-07 2021-11-16 西安理工大学 一种基于3d点云的瓶装物体文字检测方法
CN113936197A (zh) * 2021-09-30 2022-01-14 中国人民解放军国防科技大学 一种基于视觉显著性对图像进行目标检测的方法和系统
CN114187195A (zh) * 2021-11-29 2022-03-15 中国航天空气动力技术研究院 一种2d前视声呐图像去噪方法
CN114266788A (zh) * 2021-12-27 2022-04-01 华中科技大学 基于超声断层成像反射图像凸目标的抗伪影特征提取方法
CN115439497A (zh) * 2022-08-31 2022-12-06 北京瀚景锦河科技有限公司 基于改进hou模型的红外图像舰船目标快速识别方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103098100A (zh) * 2010-12-03 2013-05-08 中国科学院自动化研究所 基于感知信息的三维模型形状分析方法
CN104102899A (zh) * 2014-05-23 2014-10-15 首都医科大学附属北京同仁医院 视网膜血管识别方法及装置
CN104992409A (zh) * 2014-09-30 2015-10-21 中国科学院苏州生物医学工程技术研究所 一种ct图像的金属伪影校正方法
CN106780430A (zh) * 2016-11-17 2017-05-31 大连理工大学 一种基于被包围状态和马尔可夫模型的图像显著性检测方法
US20200268330A1 (en) * 2017-04-17 2020-08-27 The Regents Of The University Of Colorado, A Body Corporate A Hybrid Flat Panel Detector For Cone Beam CT Systems
CN107610117A (zh) * 2017-09-18 2018-01-19 广州慧扬健康科技有限公司 冠状动脉管腔图像自动分割系统
CN111507913A (zh) * 2020-04-08 2020-08-07 四川轻化工大学 一种基于纹理特征的图像融合算法
CN113125120A (zh) * 2021-04-15 2021-07-16 北京理工大学 一种基于多抖动法的低重频光纤激光相干合成方法
CN113657375A (zh) * 2021-07-07 2021-11-16 西安理工大学 一种基于3d点云的瓶装物体文字检测方法
CN113936197A (zh) * 2021-09-30 2022-01-14 中国人民解放军国防科技大学 一种基于视觉显著性对图像进行目标检测的方法和系统
CN114187195A (zh) * 2021-11-29 2022-03-15 中国航天空气动力技术研究院 一种2d前视声呐图像去噪方法
CN114266788A (zh) * 2021-12-27 2022-04-01 华中科技大学 基于超声断层成像反射图像凸目标的抗伪影特征提取方法
CN115439497A (zh) * 2022-08-31 2022-12-06 北京瀚景锦河科技有限公司 基于改进hou模型的红外图像舰船目标快速识别方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
HUIJUAN ZHANG 等: ""A new deep learning network for motigating limited-view and under-sampling artifacts in ring-shaped photoacoustic tomography"" *
YIHUA HU 等: ""Characterization of electrical-thermal-mechanical deformation of bonding wires under silicone gel using LF-OCT"" *
张鑫源 等: ""公里级激光反射层析试验和碎片质心估计"" *
胡以华 等: ""激光反射层析成像技术的研究进展"" *
胡凯: ""基于分层信息的鲁棒图像融合算法研究"" *
赵明波: ""激光成像雷达地面遮蔽目标检测方法研究"" *
阳振宇;潘建平;陈梦;: "基于高低帽变换的图像迭代分割方法" *

Also Published As

Publication number Publication date
CN114782464B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN109903327B (zh) 一种稀疏点云的目标物尺寸测量方法
CN109636732B (zh) 一种深度图像的空洞修复方法以及图像处理装置
CN111951197B (zh) 一种基于结构光的点云分割方法
CN112686935B (zh) 基于特征融合的机载测深雷达与多光谱卫星影像配准方法
CN110363719B (zh) 一种细胞分层图像处理方法及系统
US9881381B2 (en) Image processing apparatus, image processing method, and computer-readable recording medium
Li et al. Adaptive building edge detection by combining LiDAR data and aerial images
CN110544300B (zh) 一种基于二维手绘图像特征自动生成三维模型的方法
CN110580680A (zh) 基于组合学习的人脸超分辨率方法及装置
CN106355552B (zh) 一种基于虚拟视点绘制质量的深度图上采样方法
KR101549155B1 (ko) 라이다 자료를 활용한 구조물의 직선경계 추출방법
CN106780718A (zh) 一种古生物化石的三维重建方法
CN114742968B (zh) 一种基于建筑物立面点云的立面图生成方法
CN112614174A (zh) 点云补全和点云分割方法、装置、电子设备及存储介质
CN112529853A (zh) 一种用于水下养殖网箱的网衣破损检测方法及装置
Ghircoias et al. Contour lines extraction and reconstruction from topographic maps
CN106910166B (zh) 一种图像处理方法和装置
CN111127622A (zh) 基于图像分割的三维点云离群点剔除方法
CN114782464B (zh) 基于目标区域局部增强的反射层析激光雷达图像分割方法
CN116128916B (zh) 一种基于空间能流对比度的红外弱小目标增强方法
CN117372563A (zh) 一种cbct影像去金属伪影的方法、系统及计算机可读存储介质
CN112581479A (zh) 一种基于医疗影像的肺结节交互式分割方法
JP6132485B2 (ja) 画像処理装置、画像処理装置の作動方法、及び画像処理プログラム
CN111179289A (zh) 一种适用于网页长图宽图的图像分割方法
Zhu et al. Hybrid scheme for accurate stereo matching

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