CN114882235A - 基于图像数据特征的红外图像目标自动识别系统及方法 - Google Patents
基于图像数据特征的红外图像目标自动识别系统及方法 Download PDFInfo
- Publication number
- CN114882235A CN114882235A CN202210516364.XA CN202210516364A CN114882235A CN 114882235 A CN114882235 A CN 114882235A CN 202210516364 A CN202210516364 A CN 202210516364A CN 114882235 A CN114882235 A CN 114882235A
- Authority
- CN
- China
- Prior art keywords
- image data
- infrared
- target
- image
- infrared light
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 239000013598 vector Substances 0.000 claims abstract description 27
- 238000006243 chemical reaction Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000012937 correction Methods 0.000 claims abstract description 15
- 238000000605 extraction Methods 0.000 claims description 22
- 238000001914 filtration Methods 0.000 claims description 19
- 230000011218 segmentation Effects 0.000 claims description 17
- 238000010008 shearing Methods 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 238000003331 infrared imaging Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 230000007704 transition Effects 0.000 claims description 9
- 238000013500 data storage Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提出了基于图像数据特征的红外图像目标自动识别系统及方法，目标物体的红外光经过所述红外光线入口入射到所述DMD微镜；所述DMD微镜用于将目标物体的红外光反射至所述反射镜组；所述反射镜组收集所述DMD微镜反射的红外光，并反射至所述高斯滤波器；所述高斯滤波器对红外光进行滤波，对滤波后的红外光进行幂次变换，得到经幂次变换后的红外图像；对变换后的红外图像进行A/D转换生成图像数据，数据处理模块分割图像数据得到含有感兴趣区域的二值图像数据；对感兴趣区域的二值图像数据进行伽玛校正，计算校正后的感兴趣区域的二值图像数据的特征矢量；基于特征矢量进行自动目标识别。
Description
技术领域
本发明属于红外光学以及图像电数据处理领域，尤其涉及基于图像数据特征的红外图像目标自动识别系统及方法。
背景技术
近些年来，随着红外成像探测器技术的不断发展以及红外目标成像特性研究的不断深入，性能更好的红外成像探测器与先进的图像处理识别设备相结合，使红外成像制导系统在复杂的环境下具有图像分析和目标识别能力，并提高了对目标的识别精度。
一般而言，红外成像系统获取的原始红外图像具有信噪比和对比度较低的特点，同时红外图像在获取、传输及显示的过程中会受到各种因素的影响，从而产生噪声导致图像的质量下降。对红外图像进行相应的预处理，提高图像质量，增强图像中的有用信息，为目标识别打下良好的基础是十分必要的。
目前红外成像自动目标识别技术有两个研究方向:一是基于模板匹配的自动目标识别研究；二是基于目标特征提取的自动目标识别研究。
这两种自动目标识别方法各有优劣，其中基于模板匹配的自动目标识别方法，由于需要预先制备模板，主要应用于攻击地面固定目标的红外成像制导武器。对于空中目标而言，由于是三维目标并且处于运动状态，可能以任何姿态出现在任何方位，同时天空背景比较简单有利于目标的分割，因此通常采用特征提取的自动目标识别方法。
模板匹配自动目标识别是指将获取的实时红外图像与预先制备的模板进行匹配，求其相关量，从而确定目标的类型，实现对目标的自动识别。求取相关量的算法不要求图像有很高的对比度，因此对目标部分遮掩、复杂背景下的跟踪具有很大的优势。但是，基于模板匹配的自动目标识别算法存在着运算量大、精度低的缺点，限制了该方法的应用，研究进展也比较缓慢。
特征提取自动目标识别方法首先对原图像进行分割、特征提取等处理，然后将分割区域的特征值或特征向量与目标模型的特征值或特征向量相匹配，从而实现对目标的识别和分类。
由于特征提取自动目标识别方法要求对原图像进行比较细致的分割，将目标从图像中提取出来需要大量的时间，并且由于实际环境往往较为复杂，获得图像的背景也比较复杂，使得对图像的分割往往不能达到令人满意的效果，导致识别率不高。因此，基于特征提取的自动目标识别技术是自动目标识别领域的一个难点问题。
例如现有技术的专利文献CN113409352A，公开了单帧红外图像弱小目标检测方法、装置、设备和存储介质，方法包括：获取红外图像。通过弱小目标检测网络模型从红外图像中提取特征数据，并通过特征数据的自动组合与分析，得到目标分割图像。将目标分割图像转化成二值图像，并标记二值图像的连通区域，以得到目标的特征信息。但是该技术方案会削弱目标的强度，当目标识别系统设计得不够精巧的情况下，会影像红外图像中的弱小目标检测精度。
例如现有技术的专利文献CN109102003B，公开了一种基于红外物理特征融合的小目标检测方法和系统，包括：对样本多波段红外图像中的小目标进行标记，得到标记目标，随机选取样本多波段红外图像中的非目标进行标记，得到标记非目标，利用标记目标和标记非目标的特征向量训练分类器，得到目标分类器。对红外图像进行分割，得到分割图像，对分割图像进行标记得到候选目标区域；提取红外图像中候选目标区域的特征向量，将候选目标区域的特征向量输入目标分类器，检测候选目标区域是否有小目标。但是该技术方案对图像的分割不能达到令人满意的效果，识别率不高。
发明内容
为了解决上述技术问题，本发明提出了基于图像数据特征的红外图像目标自动识别系统，包括：红外光线入口、DMD微镜、反射镜组、高斯滤波器、透镜组、红外焦平面阵列和数据处理模块；
目标物体的红外光经过所述红外光线入口入射到所述DMD微镜；所述DMD微镜用于将目标物体的红外光反射至所述反射镜组；所述反射镜组收集所述DMD微镜反射的红外光，并反射至所述高斯滤波器；所述高斯滤波器采用局部线性滤波对红外光进行滤波，经过高斯滤波器滤波后的红外光到达所述透镜组；所述透镜组的出射光聚焦至所述红外焦平面阵列进行红外成像，获得图像像素，并对该图像像素进行转换生成图像数据；所述数据处理模块对所述图像数据进行处理和自动目标识别。
进一步地，所述数据处理模块包括：数据存储单元、数据分割提取单元、数据校正单元、目标特征提取单元以及目标识别单元；
所述数据存储单元用于对红外焦平面阵列转换生成的图像数据进行存储；
所述数据分割提取单元用于分割图像数据得到含有感兴趣区域的二值图像数据；
所述数据校正单元用于对感兴趣区域的二值图像数据进行伽玛校正；
所述目标特征提取单元用于计算经数据校正单元校正后的感兴趣区域的二值图像数据的特征矢量；
所述目标识别单元用于基于所述二值图像数据的特征矢量进行自动目标识别。
本发明还提出了基于图像数据特征的红外图像目标自动识别方法，利用红外图像目标自动识别系统，包括如下步骤：
S1、采用高斯滤波器对红外光进行滤波，对滤波后的红外光进行幂次变换，得到经幂次变换后的红外图像；
S2、对变换后的红外图像进行A/D转换生成图像数据，并对所述图像数据进行存储；
S3、分割所述图像数据得到含有感兴趣区域的二值图像数据；
S4、对所述感兴趣区域的二值图像数据进行伽玛校正；
S5、计算校正后的感兴趣区域的二值图像数据的特征矢量；
S6、基于所述特征矢量进行自动目标识别。
进一步地，步骤S1具体包括：
步骤1.1、利用高斯滤波器对红外光进行滤波去噪，滤波前的第i条红外光为Ii，滤波后的第i条红外光qi满足如下线性变化模型：
qi＝ak×Ii+bk；
式中，ak和bk是滤波窗口的线性系数；
在保持线性变化模型的前提下，得出噪声能量E(ak，bk)为：
E(ak，bk)＝∑i∈n((akIi+bk)2+εak 2)；
式中，∈是ak的正规划参数，n为波数；
步骤1.2、对滤波后的红外光进行幂次变换，得到经幂次变换后的红外图像；
根据I′i＝(Norm(Filter(qi)))γ对滤波后的红外光进行幂次变换，得到经幂次变换后的红外图像，其中，I′i代表经幂次变换后的红外图像，Filter(qi)表示去噪滤波，Norm(Filter(qi))表示去噪滤波后的归一化操作，幂次变换的伽马值满足γ＞1。
进一步地，步骤S3包括如下步骤：
步骤3.1、用直方图方法检测图像数据的背景数据峰值T1和目标数据峰值T2，并计算两峰值的平均值AVER，以峰值T1-2为图像数据灰度低端起始的剪切值；
步骤3.2、通过将低端剪切函数作用到像素像素(x，y)的灰度L(x，y)上，得到低端剪切值fL(x，y)，
步骤3.3、计算经步骤3.2低端剪切函数作用后的图像数据的有效平均梯度EAG确定过渡区，
EAG＝TG/TP；
其中，TG为图像数据的总梯度值，TP为非零梯度像素的总数：
(x，y)∈I，I为表示像素空间坐标的整数集合，
表示图像的梯度；
步骤3.4、以下一个灰度值作为剪切值，重复步骤3.3，一直到灰度值为AVER+2为止，得到EAGlow(L)～L曲线，取对应峰值的剪切值，记为Llow；
步骤3.5、以灰度值AVER-2为起始剪切值，将高端剪切函数作用到像素(x，y)的灰度L(x，y)上，得到高端剪切值fH(x，y)，
其中，L为在0～255之间变化的灰度值；
步骤3.6、以下一个灰度值作为剪切值，重复步骤3.5，一直到灰度值T2+2为止，得到高端剪切曲线EAGhigh(L)～L，取对应峰值的剪切值，记为Lhigh；
步骤3.7、将灰度值介于Llow和Lhigh之间的像素提取出来构成过渡区，由过渡区直方图得到分割门限，分割得到含有目标区域的二值图像数据。
进一步地，步骤S5中，采用基于小波变换的不变特征计算二值图像数据的特征矢量，包括如下步骤：
步骤5.1、对含有目标区域的二值图像数据进行多尺度小波分解；
步骤5.2、计算分解所得到的每一尺度低频子图像数据的能量，设第i个低频子图像数据为si(x，y)，其中x＝0，1，…，M-1；y＝0，1，…，N-1；
低频子图像数据的能量ei为：
式中，M×N为低频子图像数据的大小；k为分解得到的低频子图像数据数目；
步骤5.3、计算各低频子图像数据的不变矩Φ1和Φ2，
对于低频子图像数据的灰度图像数据fs(x，y)，其p+q阶矩定义为：
mpq＝∫∫xpyqfs(x，y)dxdy；
p+q阶中心矩upq为：
其中，
和
为图像数据的中心坐标，
当图像数据发生变化时，归一化中心矩ypq为：
则二阶和三阶，即p＝2，q＝3时的不变矩Φ1和Φ2为：
Φ1＝y23+y32；
步骤5.4、由能量ei的分量和不变矩的分量构成特征矢量S，作为红外图像目标特征用于图像目标识别。
进一步地，所述步骤S6，基于特征矢量S进行自动目标识别，算法的步骤如下：
步骤6.1、计算相同尺度下图像数据的离散傅立叶变换F(k)；
设红外图像目标的一维形状曲线为一个坐标序列s(n)，其离散傅立叶变换F(k)为：
其中，k为红外光频率，n为坐标序号，N为坐标序号的最大值；
步骤6.2、基于描述因子计算两个图像数据的相似度；
设两个图像数据分别为f(x，y)和g(x，y)，其傅立叶描述因子分别为Rf＝||Ff(k)||/Ef和Rg＝||Fg(k)||/Eg，采用欧氏距离计算相似度D(f，g)：
其中，M为选取的描述因子低频分量的个数；
步骤6.3、设置相似度阈值DT，通过比较相似度D(f，g)与相似度阈值DT的关系，确定两个目标是否属于同一目标，完成自动目标识别。
本发明实现了在保留红外图像重要信息的基础上最大限度对目标区域分割提取的目的，实现了对目标的区分和识别，提高计算速度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述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。
附图1为本发明的红外图像目标自动识别系统的结构示意图；
附图2为本发明的红外图像目标自动识别方法的流程图；
附图3为本发明的对红外光进行滤波的流程图；
附图4为本发明的分割目标区域得到含有感兴趣区域的二值图像数据的流程图；
附图5为本发明的采用基于小波变换的不变特征计算二值图像数据的特征矢量的流程图；
附图6为本发明的目标识别单元基于图像数据的特征进行自动目标识别的流程图。
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的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
在本发明的具体实施例附图中，为了更好、更清楚的描述系统中的各元件的工作原理，表现所述装置中各部分的连接关系，只是明显区分了各元件之间的相对位置关系，并不能构成对元件或结构内的信号传输方向、连接顺序及各部分结构大小、尺寸、形状的限定。
一种红外图像目标自动识别系统，其系统框图如图1所示，包括红外光线入口1、DMD微镜2、反射镜组3、高斯滤波器4、透镜组5、红外焦平面阵列6、数据处理模块7。
目标物体的红外光经过红外光线入口1入射到DMD微镜2，DMD微镜3用于跟踪、瞄准目标物体，并将目标物体的红外光反射至反射镜组3；反射镜组3收集DMD微镜2反射的红外光，并反射至高斯滤波器4；高斯滤波器4采用局部线性滤波对红外光进行滤波，经过高斯滤波器滤波后的红外光到达透镜组5；透镜组5的出射光聚焦至红外焦平面阵列6进行红外成像，获得图像像素，并对该图像像素进行A/D转换生成图像数据；数据处理模块7对该数据进行处理。
高斯滤波器采用局部线性滤波对红外光进行滤波，具体流程如图3所示，包括：
步骤1.1、利用高斯滤波器对红外光进行滤波去噪，滤波前的第i条红外光为Ii，滤波后的第i条红外光qi满足如下线性变化模型：
qi＝ak×Ii+bk；
式中，ak和bk是滤波窗口ωk的线性系数，滤波窗口的半径为r。
在保持线性变化模型的前提下，可以得出噪声能量E(ak，bk)为：
E(ak，bk)＝∑i∈n((akIi+bk)2+εak 2)；
式中，∈是ak的正规划参数，n为波数；要实现红外光去噪，E(ak，bk)必需尽量小。为此，需要根据滤波前的红外光Ii和滤波后的红外光qi来确定合适的ak和bk。
步骤1.2、对局部线性滤波后的红外图像进行幂次变换，得到经幂次变换后的红外图像；
根据I′i＝(Norm(Filter(qi)))γ对滤波后的红外光进行幂次变换，得到经幂次变换后的红外图像，其中，I′i代表经幂次变换后的红外图像，Filter(qi)表示去噪滤波，Norm(Filter(qi))表示去噪滤波后的归一化操作，幂次变换的伽马值满足γ＞1。这样使幂次变换后的热红外图像中灰度值较小的背景像素被抑制，灰度值较大的目标区域对比度得到增强。
数据处理模块9主要包括数据存储单元、数据分割提取单元、数据校正单元、目标特征提取单元以及目标识别单元。
数据存储单元，用于对进行A/D转换生成的图像数据进行存储。
数据分割提取单元用于分割图像数据得到含有感兴趣区域的二值图像数据。
图像数据分割是红外目标识别技术中的关键技术，图像数据分割的好坏直接影响到后面识别的好坏。
步骤3.1、用直方图方法检测图像数据的背景数据峰值T1和目标数据峰值T2，并计算两峰值的平均值AVER。以峰值T1-2为图像数据灰度低端起始的剪切值。
步骤3.2、通过将低端剪切函数作用到像素像素(x，y)的灰度L(x，y)上，得到低端剪切值fL(x，y)，
步骤3.3、通过计算经低端剪切后的图像数据的有效平均梯度EAG确定过渡区，用L(x，y)表示图像中像素(x，y)的灰度，(x，y)∈I，I为表示像素空间坐标的整数集合。
设
表示这幅图像数据的梯度，定义有效平均梯度EAG：
EAG＝TG/TP (1)；
其中，TG为图像数据的总梯度值，TP为非零梯度像素的总数：
步骤3.4、以下一个灰度值作为剪切值，重复步骤3.3，一直到灰度值AVER+2为止。到此，得到EAGlow(L)～L曲线，取对应峰值的剪切值，记为Llow。
步骤3.5、同理，以灰度值AVER-2为起始剪切值，对于高端剪切值fH(x，y)，
定义如下的高端剪切函数：
其中，L为在0～255之间变化的灰度值。
步骤3.6、以下一个灰度值作为剪切值，一直到灰度值T2+2为止。得到高端剪切曲线EAGhigh(L)～L，取对应峰值的剪切值，记为Lhigh。
步骤3.7、将灰度值介于Llow和Lhigh之间的像素提取出来构成过渡区。由过渡区直方图得到分割门限，分割得到含有感兴趣区域的二值图像数据。
数据校正单元用于对感兴趣区域的二值图像数据进行伽玛校正。对二值图像数据进行编辑，以对图像进行非线性色调编辑的方法，检出图像数据中的阈值部分的数据和阈值部分外的数据部分，并使两者比例增大，从而提高图像数据对比效果。
目标特征提取单元，计算经数据校正单元校正后的感兴趣区域的二值图像数据的特征矢量S，并作为红外图像数据的目标特征用于图像目标识别。
为了识别目标，需要从红外图像中提取表征目标的必要信息，这个过程就叫红外图像目标特征提取。本发明采用基于小波变换的不变特征提取方法。该方法融合了图像在小波域的能量特征和反映图像数据在整个空间统计特性的矩特征，利用该特征可以稳定可靠地识别形状有差异或者纹理有差异的红外目标。
采用基于小波变换的不变特征计算二值图像的特征矢量时，按如下步骤进行，如图5所示：
步骤5.1、对含有目标区域的二值图像数据进行多尺度小波分解；
步骤5.2、计算分解所得到的每一尺度低频子图像数据的能量，设子图像数据为si(x，y)，其中x＝0，1，…，M-1；y＝0，1，…，N-1；
子图像数据的能量ei为：
式中，M×N为子图像数据的大小；k为分解得到的低频子图像数据数量。
步骤5.3、对各低频子图像数据计算不变矩Φ1和Φ2，
在红外目标特征提取中，我们希望从目标中提出的特征，具有本原特性，即这个特征对提取时的场景等物理因素以及目标视点变化具有较强的不变性。
对于低频子图像数据的灰度图像数据fs(x，y)，其p+q阶矩定义为：
mpq＝∫∫xpyqfs(x，y)dxdy；
p+q阶中心矩upq为：
其中，
和
为图像数据的中心坐标，
当图像数据发生变化时，归一化中心矩ypq为：
则二阶和三阶即p＝2，q＝3时的不变矩Φ1和Φ2为：
Φ1＝y23+y32；
步骤5.4、由能量ei分量和不变矩分量构成特征矢量S。
该特征矢量S可以很好地描述图像数据的特征，具有平移不变性、旋转不变性及缩放不变性，因此可以作为红外图像目标特征用于图像目标识别。
目标识别单元用于基于图像数据的特征进行自动目标识别，如图6所示，识别算法的步骤如下：
步骤6.1、计算相同尺度下图像数据的离散傅立叶变换F(k)。
设红外图像目标的一维形状曲线表示为一个坐标序列s(n)，其离散傅立叶变换F(k)为：
其中，k为频率，n为坐标序号，N为坐标序号的最大值。
其逆变换公式为：
由于傅立叶系数有能量向低频集中的特性，故用较少的系数就可以达到区分不同形状轮廓曲线的目的。直接得到的傅立叶系数是对位移、旋转、尺度以及起点具有依赖性的，因此需要进一步处理。
傅立叶变换系数的幅值||F(k)||，k＝1，2，...，N-1具有平移和旋转不变性，并与起点的选择无关。当k＝0时F(0)为分量，不具备平移不变性。
为了使||F(k)||，k＝1，2，...，N-1具有尺度不变性，要对其进行归一化处理：
把每一个系数的幅值||F(k)||都除以特征矢量E，则||F(k)||/E同时具有平移、旋转和尺度不变性，称为红外图像目标形状的描述因子。
步骤6.2、基于描述因子计算两个图像数据的相似度。
由于傅立叶变换具有使能量向低频集中的特性，因此傅立叶变换后模值较大的系数主要集中在低频，而高频系数的模值很小且易受噪声干扰，因此傅立叶描述因子中模值较大的系数也主要集中在低频部分。所以，选择较少的低频部分的傅立叶描述因子进行相似度计算，实现对目标的区分和识别，提高计算速度。
相似度计算方法为：
设两两个图像数据分别为f(x，y)和g(x，y)，其傅立叶描述因子分别为Rf＝||Ff(k)||/Ef和Rg＝||Fg(k)||/Eg。由于傅立叶变换后各频率分量相互正交，采用欧氏距离计算相似度D(f，g)：
其中，M为选取的描述因子低频分量的个数。若形状区域f(x，y)和g(x，y)属于同一目标形状，相似度D(f，g)将比较小；若它们属于不同目标形状，则相似度D(f，g)将比较大。
步骤6.3、设置相似度阈值DT，通过比较相似度D(f，g)与相似度阈值DT的关系，确定两个目标是否属于同一目标，完成自动目标识别。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者通过所述计算机可读存储介质进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如，固态硬盘(solid state disk，SSD))等。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (7)
1.基于图像数据特征的红外图像目标自动识别方法，其特征在于，包括如下步骤：
S1、采用高斯滤波器对红外光进行滤波，对滤波后的红外光进行幂次变换，得到经幂次变换后的红外图像；
S2、对变换后的红外图像进行A/D转换生成图像数据，并对所述图像数据进行存储；
S3、分割所述图像数据得到含有感兴趣区域的二值图像数据；
S4、对所述感兴趣区域的二值图像数据进行伽玛校正；
S5、计算校正后的感兴趣区域的二值图像数据的特征矢量；
S6、基于所述特征矢量进行自动目标识别。
2.根据权利要求1所述的红外图像目标自动识别方法，其特征在于，步骤S1具体包括：
步骤1.1、滤波前的第i条红外光为Ii，滤波后的第i条红外光qi，满足如下线性变化模型：
qi＝ak×Ii+bk；
式中，ak和bk是滤波窗口的线性系数；
在保持线性变化模型的前提下，得出噪声能量E(ak，bk)为：
E(ak，bk)＝∑i∈n((akIi+bk)2+εak 2)；
式中，∈是ak的正规划参数，n为波数；
步骤1.2、对滤波后的红外光进行幂次变换，得到经幂次变换后的红外图像；
根据I′i＝(Norm(Filter(qi)))γ对滤波后的红外光进行幂次变换，得到经幂次变换后的红外图像，其中，I′i代表经幂次变换后的红外图像，Filter(qi)表示去噪滤波，Norm(Filter(qi))表示去噪滤波后的归一化操作，幂次变换的伽马值满足γ＞1。
3.根据权利要求1所述的红外图像目标自动识别方法，其特征在于，步骤S3包括如下步骤：
步骤3.1、用直方图方法检测图像数据的背景数据峰值T1和目标数据峰值T2，并计算两峰值的平均值AVER，以峰值T1-2为图像数据灰度低端起始的剪切值；
步骤3.2、通过将低端剪切函数作用到像素(x，y)的灰度L(x，y)上，得到低端剪切值fL(x，y)，
步骤3.3、计算经步骤3.2低端剪切函数作用后的图像数据的有效平均梯度EAG确定过渡区，
EAG＝TG/TP；
其中，TG为图像数据的总梯度值，TP为非零梯度像素的总数：
(x，y)∈I，I为表示像素空间坐标的整数集合，
表示图像的梯度；
步骤3.4、以下一个灰度值作为剪切值，重复步骤3.3，一直到灰度值为AVER+2为止，得到EAGlow(L)～L曲线，取对应峰值的剪切值，记为Llow；
步骤3.5、以灰度值AVER-2为起始剪切值，将高端剪切函数作用到像素(x，y)的灰度L(x，y)上，得到高端剪切值fH(x，y)，
其中，L为在0～255之间变化的灰度值；
步骤3.6、以下一个灰度值作为剪切值，重复步骤3.5，一直到灰度值T2+2为止，得到高端剪切曲线EAGhigh(L)～L，取对应峰值的剪切值，记为Lhigh；
步骤3.7、将灰度值介于Llow和Lhigh之间的像素提取出来构成过渡区，由过渡区直方图得到分割门限，分割得到含有目标区域的二值图像数据。
4.根据权利要求1所述的红外图像目标自动识别方法，其特征在于，步骤S5中，采用基于小波变换的不变特征计算二值图像数据的特征矢量，包括如下步骤：
步骤5.1、对含有目标区域的二值图像数据进行多尺度小波分解；
步骤5.2、计算分解所得到的每一尺度低频子图像数据的能量，设第i个低频子图像数据为si(x，y)，其中x＝0，1，…，M-1；y＝0，1，…，N-1；
低频子图像数据的能量ei为：
式中，M×N为低频子图像数据的大小；k为分解得到的低频子图像数据数目；
步骤5.3、计算各低频子图像数据的不变矩Φ1和Φ2，
对于低频子图像数据的灰度图像数据fs(x，y)，其p+q阶矩定义为：
mpq＝∫∫xpyqfs(x，y)dxdy；
p+q阶中心矩upq为：
其中，
和
为图像数据的中心坐标，
当图像数据发生变化时，归一化中心矩ypq为：
则二阶和三阶，即p＝2，q＝3时的不变矩Φ1和Φ2为：
Φ1＝y23+y32；
步骤5.4、由能量ei的分量和不变矩的分量构成特征矢量S，作为红外图像目标特征用于图像目标识别。
5.根据权利要求4所述的红外图像目标自动识别方法，其特征在于，步骤S6，基于特征矢量S进行自动目标识别，算法的步骤如下：
步骤6.1、计算相同尺度下图像数据的离散傅立叶变换F(k)；
设红外图像目标的一维形状曲线为一个坐标序列s(n)，其离散傅立叶变换F(k)为：
其中，k为红外光频率，n为坐标序号，N为坐标序号的最大值；
步骤6.2、基于描述因子计算两个图像数据的相似度；
设两个图像数据分别为f(x，y)和g(x，y)，其傅立叶描述因子分别为
和
采用欧氏距离计算相似度D(f，g)：
其中，M为选取的描述因子低频分量的个数；
步骤6.3、设置相似度阈值DT，通过比较相似度D(f，g)与相似度阈值DT的关系，确定两个目标是否属于同一目标，完成自动目标识别。
6.基于图像数据特征的红外图像目标自动识别系统，用于实现权利要求1-5任意一项所述的红外图像目标自动识别方法，其特征在于，包括：红外光线入口、DMD微镜、反射镜组、高斯滤波器、透镜组、红外焦平面阵列和数据处理模块；
目标物体的红外光经过所述红外光线入口入射到所述DMD微镜；所述DMD微镜用于将目标物体的红外光反射至所述反射镜组；所述反射镜组收集所述DMD微镜反射的红外光，并反射至所述高斯滤波器；所述高斯滤波器对红外光进行滤波，经过高斯滤波器滤波后的红外光到达所述透镜组；所述透镜组的出射光聚焦至所述红外焦平面阵列进行红外成像，获得图像像素，并对该图像像素进行转换生成图像数据；所述数据处理模块对所述图像数据进行处理和自动目标识别。
7.根据权利要求6所述的红外图像目标自动识别系统，其特征在于，所述数据处理模块包括：数据存储单元、数据分割提取单元、数据校正单元、目标特征提取单元以及目标识别单元；
所述数据存储单元用于对红外焦平面阵列转换生成的图像数据进行存储；
所述数据分割提取单元用于分割图像数据得到含有感兴趣区域的二值图像数据；
所述数据校正单元用于对感兴趣区域的二值图像数据进行伽玛校正；
所述目标特征提取单元用于计算经数据校正单元校正后的感兴趣区域的二值图像数据的特征矢量；
所述目标识别单元用于基于所述二值图像数据的特征矢量进行自动目标识别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210516364.XA CN114882235A (zh) | 2022-05-12 | 2022-05-12 | 基于图像数据特征的红外图像目标自动识别系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210516364.XA CN114882235A (zh) | 2022-05-12 | 2022-05-12 | 基于图像数据特征的红外图像目标自动识别系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114882235A true CN114882235A (zh) | 2022-08-09 |
Family
ID=82676549
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210516364.XA Withdrawn CN114882235A (zh) | 2022-05-12 | 2022-05-12 | 基于图像数据特征的红外图像目标自动识别系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114882235A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115633939A (zh) * | 2022-10-13 | 2023-01-24 | 北京鹰之眼智能健康科技有限公司 | 一种基于红外图像获取代谢状态复合区域的方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101551851A (zh) * | 2008-03-31 | 2009-10-07 | 中国科学院沈阳自动化研究所 | 一种红外图像目标识别方法 |
| CN101604383A (zh) * | 2009-07-24 | 2009-12-16 | 哈尔滨工业大学 | 一种基于红外图像的海上目标检测方法 |
| CN106952246A (zh) * | 2017-03-14 | 2017-07-14 | 北京理工大学 | 基于视觉注意特性的可见光红外图像增强彩色融合方法 |
| CN107784661A (zh) * | 2017-09-08 | 2018-03-09 | 上海电力学院 | 基于区域生长法的变电站设备红外图像分类识别方法 |
| CN108663118A (zh) * | 2018-01-18 | 2018-10-16 | 西安电子科技大学 | 红外宽波段高光谱计算成像装置及其方法 |
-
2022
- 2022-05-12 CN CN202210516364.XA patent/CN114882235A/zh not_active Withdrawn
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101551851A (zh) * | 2008-03-31 | 2009-10-07 | 中国科学院沈阳自动化研究所 | 一种红外图像目标识别方法 |
| CN101604383A (zh) * | 2009-07-24 | 2009-12-16 | 哈尔滨工业大学 | 一种基于红外图像的海上目标检测方法 |
| CN106952246A (zh) * | 2017-03-14 | 2017-07-14 | 北京理工大学 | 基于视觉注意特性的可见光红外图像增强彩色融合方法 |
| CN107784661A (zh) * | 2017-09-08 | 2018-03-09 | 上海电力学院 | 基于区域生长法的变电站设备红外图像分类识别方法 |
| CN108663118A (zh) * | 2018-01-18 | 2018-10-16 | 西安电子科技大学 | 红外宽波段高光谱计算成像装置及其方法 |
Non-Patent Citations (4)
| Title |
|---|
| YAN ZHENG ET AL.: "A Weighted Fourier and Wavelet-Like Shape Descriptor Based on IDSC for Object Recognition", 《SYMMETRY》 * |
| 付强 等: "基于红外图像的绝缘子串钢帽和盘面区域自动提取方法", 《红外技术》 * |
| 张建军 等: "基于图像矩和小波能量的红外目标特征提取", 《制导与引信》 * |
| 李清顺: "基于过渡区的图象分割", 《中国优秀博硕士学位论文全文数据库（硕士） 基础科学辑》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115633939A (zh) * | 2022-10-13 | 2023-01-24 | 北京鹰之眼智能健康科技有限公司 | 一种基于红外图像获取代谢状态复合区域的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Nishiyama et al. | Facial deblur inference using subspace analysis for recognition of blurred faces | |
| EP1594078B1 (en) | Multi-image feature matching using multi-scale oriented patches | |
| AU2017201281B2 (en) | Identifying matching images | |
| US20110170780A1 (en) | Scale space normalization technique for improved feature detection in uniform and non-uniform illumination changes | |
| CN109509163B (zh) | 一种基于fgf的多聚焦图像融合方法及系统 | |
| CN108564092A (zh) | 基于sift特征提取算法的向日葵病害识别方法 | |
| Agrawal et al. | Target detection in SAR images using SIFT | |
| CN113240697B (zh) | 一种生菜多光谱图像前景分割方法 | |
| Medouakh et al. | Improved object tracking via joint color-LPQ texture histogram based mean shift algorithm | |
| CN114663578A (zh) | 一种基于深度学习的多目标场景偏振三维成像方法 | |
| CN114255468A (zh) | 一种笔迹识别方法及其相关设备 | |
| Sun et al. | Recaptured image forensics algorithm based on image texture feature | |
| CN110458019B (zh) | 稀缺认知样本条件下的排除倒影干扰的水面目标检测方法 | |
| CN115272306A (zh) | 利用梯度运算的太阳能电池板栅线增强方法 | |
| CN114882235A (zh) | 基于图像数据特征的红外图像目标自动识别系统及方法 | |
| Fang et al. | Open set synthetic image source attribution | |
| CN115035281B (zh) | 一种快速的红外全景图像拼接方法 | |
| Sliti et al. | Efficient visual tracking via sparse representation and back-projection histogram | |
| CN114913607A (zh) | 一种基于多特征融合的指静脉仿冒检测方法 | |
| CN114429593A (zh) | 基于快速导向滤波的红外小目标检测方法及其应用 | |
| CN110830734B (zh) | 一种突变和渐变镜头切换识别方法及系统 | |
| Paramasivam et al. | Deep ensemble model-based moving object detection and classification using SAR images | |
| JP2013120482A (ja) | 画像特徴量抽出装置およびそのプログラム | |
| Yang et al. | Image copy–move forgery detection based on sped-up robust features descriptor and adaptive minimal–maximal suppression | |
| Li et al. | Image stitching algorithm based on fast feature extraction and perceptual hash |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220809 |