CN115797453A - 一种红外微弱目标的定位方法、定位装置及可读存储介质 - Google Patents

一种红外微弱目标的定位方法、定位装置及可读存储介质 Download PDF

Info

Publication number
CN115797453A
CN115797453A CN202310056449.9A CN202310056449A CN115797453A CN 115797453 A CN115797453 A CN 115797453A CN 202310056449 A CN202310056449 A CN 202310056449A CN 115797453 A CN115797453 A CN 115797453A
Authority
CN
China
Prior art keywords
target
centroid
gray
infrared
image
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
CN202310056449.9A
Other languages
English (en)
Other versions
CN115797453B (zh
Inventor
倪磊
廖璇
王耿
杨应洪
赵冬梅
任栖锋
赵旭龙
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.)
Southwest University Of Science And Technology Sichuan Tianfu New Area Innovation Research Institute
Original Assignee
Institute of Optics and Electronics of CAS
Southwest University of Science and 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 Institute of Optics and Electronics of CAS, Southwest University of Science and Technology filed Critical Institute of Optics and Electronics of CAS
Priority to CN202310056449.9A priority Critical patent/CN115797453B/zh
Publication of CN115797453A publication Critical patent/CN115797453A/zh
Application granted granted Critical
Publication of CN115797453B publication Critical patent/CN115797453B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Processing (AREA)

Abstract

本发明公开了一种红外微弱目标的定位方法、定位装置及可读存储介质，包括获取红外微弱目标的原始红外图像；对原始红外图像进行自适应增强，并获得灰度图像；选取灰度级别获得灰度质心；迭代灰度级别，获得质心坐标矩阵；进行聚类处理，并以第一个聚类的中心值作为目标质心坐标；确定红外微弱目标的位置；本发明通过对红外图像进行增强，并且将图像中的噪声滤除，突出原始红外图像中的红外微弱目标，并对增强后的红外图像灰度化后，按照不同的灰度级别获得不同的灰度质心，并通过构建质心坐标矩阵，通过对质心坐标矩阵中的元素进行聚类，获得目标质心坐标，从而获得红外微弱目标的位置；通过本发明的方法可以对红外微弱目标进行精确定位。

Description

一种红外微弱目标的定位方法、定位装置及可读存储介质
技术领域
本发明涉及定位领域，具体涉及一种红外微弱目标的定位方法、定位装置及可读存储介质。
背景技术
随着红外传感器技术的发展，目标的红外图像定位得到了广泛的应用。但是一般情况下获得的红外图像中存在较多的微弱目标,导致背景红外图像存在大量的杂波,传统红外微弱目标增强方法在背景图像呈连续分布的前提下,采用图像融合技术实现增强处理,一旦背景红外图像出现非连续波动,容易产生重叠现象,造成图像模糊。
由于红外图像为辐射成像，因此获得的图像一般为光团形状，对光团形状进行定位通常有两种方法，插值法和拟合法。但是通常方法存在下述缺点：对峰值周围的弱信号依赖性较大，抗噪声能力较弱；拟合需要确定目标边缘，但实际上光团的边缘变化非常平缓不宜确定；所以，对于红外图像确定目标的区域是极其困难的。
发明内容
本发明所要解决的技术问题是对红外微弱目标的获取困难，且无法有效的对目标位置进行定位，目的在于提供一种红外微弱目标的定位方法、定位装置及可读存储介质，解决了红外微弱目标的获取问题以及获取后的定位问题。
本发明通过下述技术方案实现：
第一方面，一种红外微弱目标的定位方法，包括：
获取红外微弱目标的原始红外图像；
对原始红外图像进行自适应增强，并获得灰度图像；
设定目标灰度范围；
选取目标灰度范围内的灰度级别，并获得灰度质心；
在目标灰度范围内迭代灰度级别，并将获得的灰度质心组成质心坐标矩阵；
对质心坐标矩阵进行聚类处理，并以第一个聚类的中心值作为目标质心坐标；
通过目标质心坐标确定红外微弱目标的位置。
具体地，对原始红外图像进行自适应增强的方法包括：
确定原始红外图像的像素
Figure SMS_1
与灰度级别数量，并构建原始红外图像的模糊点集矩阵，
Figure SMS_4
,其中
Figure SMS_5
表示矩阵
Figure SMS_6
中第
Figure SMS_7
个模糊点集的隶属函数是
Figure SMS_8
，
Figure SMS_9
；
Figure SMS_2
，
Figure SMS_3
构成的平面为模糊特征平面；
确定隶属函数
Figure SMS_11
的模糊模型，
Figure SMS_13
，其中
Figure SMS_15
表示调整形状参数，
Figure SMS_16
表示以
Figure SMS_17
为中心的
Figure SMS_18
窗口算数平均值，
Figure SMS_19
为输入图像
Figure SMS_10
的总信号，
Figure SMS_12
为
Figure SMS_14
的低频信号；
对原始红外图像进行对比度增强获得增强后的增强红外图像
Figure SMS_20
，增强关系式为
Figure SMS_21
，其中
Figure SMS_22
为增强系数。
具体地，对增强红外图像
Figure SMS_23
进行迭代滤波，迭代关系式为
Figure SMS_24
，其中
Figure SMS_25
为图像幅值幅度调节系数，
Figure SMS_26
，
Figure SMS_27
为终止频率，
Figure SMS_28
为滤波时间；
获得输出图像
Figure SMS_29
。
具体地，设定目标灰度范围为
Figure SMS_30
；
获得灰度质心
Figure SMS_31
的方法为：
选取目标灰度范围内的灰度级别为
Figure SMS_32
；
获取灰度级别为
Figure SMS_33
时的灰度质心
Figure SMS_34
，
Figure SMS_35
，其中
Figure SMS_36
为
Figure SMS_37
处的灰度级别；
从0至255依次提升灰度级别，同时求各个不同级别的灰度质心；
将所有有效的灰度质心的质心坐标组成主线坐标矩阵
Figure SMS_38
,
Figure SMS_39
为质心坐标的总点数，
Figure SMS_40
为有效的灰度质心的质心坐标。
具体地，进行聚类处理的方法包括：
获得聚类的中心矩阵
Figure SMS_42
，模糊隶属度矩阵
Figure SMS_43
，其中，
Figure SMS_44
为质心坐标矩阵所要分的类数，
Figure SMS_45
是第
Figure SMS_46
类中心，
Figure SMS_47
是质心坐标矩阵中
Figure SMS_48
属于第
Figure SMS_41
类的隶属度；
以最小类平方误差和为聚类准则，利用质心坐标矩阵中每个质心坐标作为加权隶属度，对目标函数进行迭代约束，
Figure SMS_49
，式中，
Figure SMS_50
为欧拉距离，
Figure SMS_51
为模糊加权指数；
获得聚类中心和隶属度函数关系式：
Figure SMS_52
；
获得聚类结果。
可选地，对目标函数进行迭代约束的约束条件为
Figure SMS_53
，其中，
Figure SMS_54
，
Figure SMS_55
。
第二方面，一种红外微弱目标的定位装置，包括：
获取模块，其用于获取红外微弱目标的原始红外图像；
增强模块，其用于对原始红外图像进行自适应增强；
灰度化模块，其用于获得增强后的红外图像对应的灰度图像；
迭代计算模块，其用于设定目标灰度范围；并选取目标灰度范围内的灰度级别，并获得灰度质心；在目标灰度范围内迭代灰度级别，并将获得的灰度质心组成质心坐标矩阵；
聚类模块，其用于对质心坐标矩阵进行聚类处理，并以第一个聚类的中心值作为目标质心坐标；
确定模块，其用于通过目标质心坐标确定红外微弱目标的位置。
具体地，所述增强模块包括：
矩阵模块，其用于确定原始红外图像的像素
Figure SMS_57
与灰度级别数量，并构建原始红外图像的模糊点集矩阵，
Figure SMS_58
,其中
Figure SMS_60
表示矩阵
Figure SMS_61
中第
Figure SMS_62
个模糊点集的隶属函数是
Figure SMS_63
，
Figure SMS_64
；
Figure SMS_56
，
Figure SMS_59
构成的平面为模糊特征平面；
模糊模型模块，其用于确定隶属函数
Figure SMS_66
的模糊模型，
Figure SMS_68
，其中
Figure SMS_70
表示调整形状参数，
Figure SMS_71
表示以
Figure SMS_72
为中心的
Figure SMS_73
窗口算数平均值，
Figure SMS_74
为输入图像
Figure SMS_65
的总信号，
Figure SMS_67
为
Figure SMS_69
的低频信号；
增强关系确定模块，其用于对原始红外图像进行对比度增强获得增强后的增强红外图像
Figure SMS_75
，增强关系式为
Figure SMS_76
，其中
Figure SMS_77
为增强系数；
滤波模块，其用于对增强红外图像
Figure SMS_78
进行迭代滤波，迭代关系式为
Figure SMS_79
，其中
Figure SMS_80
为图像幅值幅度调节系数，
Figure SMS_81
，
Figure SMS_82
为终止频率，
Figure SMS_83
为滤波时间；
输出模块，其用于获得输出图像
Figure SMS_84
。
具体地，所述迭代计算模块包括：
设定模块，其用于设定目标灰度范围为
Figure SMS_85
；且选取目标灰度范围内的灰度级别为
Figure SMS_86
质心获取模块，其用于获取灰度级别为
Figure SMS_87
时的灰度质心
Figure SMS_88
，
Figure SMS_89
，其中
Figure SMS_90
为
Figure SMS_91
处的灰度级别，且取
Figure SMS_92
；
迭代模块，其用于从0至255依次提升灰度级别，同时求各个不同级别的灰度质心；并将所有有效的灰度质心的质心坐标组成主线坐标矩阵
Figure SMS_93
,
Figure SMS_94
为质心坐标的总点数，
Figure SMS_95
为有效的灰度质心的质心坐标。
第三方面，一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述的一种红外微弱目标的定位方法的步骤。
本发明与现有技术相比，具有如下的优点和有益效果：
本发明通过对获取的原始红外图像进行对比度的增强，并且将增强后的红外图像中的噪声滤除，突出原始红外图像中的红外微弱目标，并对增强后的红外图像灰度化后，按照不同的灰度级别获得不同的灰度质心，并通过构建质心坐标矩阵，通过对质心坐标矩阵中的元素进行聚类，获得目标质心坐标，从而获得红外微弱目标的位置；通过本发明的方法可以对红外微弱目标进行精确定位。
附图说明
附图示出了本发明的示例性实施方式，并与其说明一起用于解释本发明的原理，其中包括了这些附图以提供对本发明的进一步理解，并且附图包括在本说明书中并构成本说明书的一部分，并不构成对本发明实施例的限定。
图1是根据本发明所述的一种红外微弱目标的定位方法的流程示意图。
图2是根据本发明所述的图像增强步骤的流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合附图和实施方式对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施方式仅用于解释相关内容，而非对本发明的限定。
另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分。
在不冲突的情况下，本发明中的实施方式及实施方式中的特征可以相互组合。下面将参考附图并结合实施方式来详细说明本发明。
实施例
本实施例提供一种红外微弱目标的定位方法，如图1所示，包括图像增强步骤和质心定位步骤。
如图2所示，图像增强步骤具体包括：
通过采集获取有红外微弱目标的原始红外图像。
模糊类问题可以通过模糊集的概念来有效解决，在进行本实施例中的问题解决时，采用宏观模糊集的方法，即设定模糊子集中的元素对整个子集的隶属度属于[-1,1]。
依据模糊子集的概念，确定原始红外图像的像素
Figure SMS_96
与灰度级别数量，并构建原始红外图像对应的模糊点集矩阵，
Figure SMS_99
,其中
Figure SMS_100
表示矩阵
Figure SMS_101
中第
Figure SMS_102
个模糊点集的隶属函数是
Figure SMS_103
，
Figure SMS_104
；
Figure SMS_97
，
Figure SMS_98
构成的平面为模糊特征平面；
针对输入的图像
Figure SMS_108
，可用
Figure SMS_110
描述其低频信号，用
Figure SMS_112
描述其总信号，由于低频信号不清晰，因此需要提高
Figure SMS_114
的值，降低模糊度，使得清晰度更高，因此确定隶属函数
Figure SMS_116
的模糊模型，
Figure SMS_118
，其中
Figure SMS_120
表示调整形状参数，
Figure SMS_105
表示以
Figure SMS_107
为中心的
Figure SMS_109
窗口算数平均值，
Figure SMS_111
为输入图像
Figure SMS_113
的总信号，
Figure SMS_115
的值与图像的局部范围有关，所以
Figure SMS_117
受局部起伏的影响，
Figure SMS_119
可以有效的体现红外图像的起伏状态，局部起伏剧烈程度与
Figure SMS_106
呈正相关。
建立模糊模型后，对原始红外图像进行对比度增强，然后获得增强后的增强红外图像
Figure SMS_121
，增强关系式为
Figure SMS_122
，其中
Figure SMS_123
为增强系数，根据具体情况进行选择，也可以设定范围进行迭代操作，并从中取得合适的值。
通过上述方法可有效完成红外微弱目标的增强,但是在进行处理的过程中红外图像很可能会受到信号干扰,因此需要对输出的增强红外图像进行滤波操作，对增强红外图像
Figure SMS_124
进行迭代滤波，迭代关系式为
Figure SMS_125
，其中
Figure SMS_126
为图像幅值幅度调节系数，
Figure SMS_127
，
Figure SMS_128
为终止频率，
Figure SMS_129
为滤波时间；可以采用巴特沃斯低通滤波器进行滤波操作，滤波器增益随截止频率的改变而改变，为了保证图像幅值的稳定性，需要选择合适的
Figure SMS_130
。
实现对原始红外图像进行自适应增强后获得输出图像
Figure SMS_131
。
对输出图像
Figure SMS_132
灰度化，可以获得灰度图像。
影响定位精度的主要因素是目标周围灰度级别的均衡性，而且，即使对红外微弱目标进行在增强后，也存在边缘梯度很小，很难准确区分目标和周围的背景像素的问题。
因此，本实施例提出通过质心定位来确定红外微弱目标的方法，质心定位步骤具体包括：
设定目标灰度范围为
Figure SMS_133
。
选取目标灰度范围内的灰度级别
Figure SMS_134
，初始装置选取g=1。
获取灰度级别为
Figure SMS_135
时的灰度质心
Figure SMS_136
，
Figure SMS_137
，其中
Figure SMS_138
为
Figure SMS_139
处的灰度级别；即当
Figure SMS_140
时，灰度质心为有效质心，当
Figure SMS_141
是为无效质心，不将其作为灰度质心。M和N为目标区域的长和宽。
从0至255依次提升灰度级别，即按照1、2、3、4……的顺序依次提升灰度级别，同时求各个不同级别的灰度质心，并将所有有效的灰度质心的质心坐标组成主线坐标矩阵
Figure SMS_142
,
Figure SMS_143
为质心坐标的总点数，即为矩阵单元总数，
Figure SMS_144
为有效的灰度质心的质心坐标。
由于图像背景灰度不均衡、噪声等因素的影响，各灰度层质心重合的并不多。此时，为了消除干扰，提高质心定位精度，需要对质心坐标矩阵进行聚类处理。
获得聚类的中心矩阵
Figure SMS_146
，模糊隶属度矩阵，
Figure SMS_147
，其中，
Figure SMS_149
为质心坐标矩阵所要分的类数，
Figure SMS_150
，
Figure SMS_151
是第
Figure SMS_152
类中心，
Figure SMS_153
是质心坐标矩阵中
Figure SMS_145
属于第
Figure SMS_148
类的隶属度；
以最小类平方误差和为聚类准则，利用质心坐标矩阵中每个质心坐标作为加权隶属度，对目标函数进行迭代约束，
Figure SMS_154
，式中，
Figure SMS_155
为欧拉距离，
Figure SMS_156
为模糊加权指数，
Figure SMS_157
，可以去m=1.5；约束条件为
Figure SMS_158
；
获得聚类中心和隶属度函数关系式：
Figure SMS_159
；
获得聚类结果。
因为在聚类结果中，数据间相关性最强并且数据间相差较近的作为第一个类，而各灰度级的质心坐标一般在第一个类中；因此，将结果第一个聚类的中心值作为目标质心坐标。
获得目标质心坐标后，即可以确定红外微弱目标的位置。
本实施例通过设置多个不同的灰度级别g，从而实现将灰度分层，并通过对分层后的多个灰度质心进行聚类，达到剔除干扰的目的，可以有效的提升定位精度。
实施例
本实施例提供一种红外微弱目标的定位装置，包括以下模块：
获取模块用于获取红外微弱目标的原始红外图像；
增强模块用于对原始红外图像进行自适应增强；
灰度化模块用于获得增强后的红外图像对应的灰度图像；
迭代计算模块用于设定目标灰度范围；并选取目标灰度范围内的灰度级别，并获得灰度质心；在目标灰度范围内迭代灰度级别，并将获得的灰度质心组成质心坐标矩阵；
聚类模块用于对质心坐标矩阵进行聚类处理，并以第一个聚类的中心值作为目标质心坐标；
确定模块用于通过目标质心坐标确定红外微弱目标的位置。
上述多个模块可以为独立的模块，也可以为同一个处理模块中的多个处理单元。
可以为分体式的结构，也可以为一体化的结构。
同样的，增强模块包括以下模块：
矩阵模块用于确定原始红外图像的像素
Figure SMS_160
与灰度级别数量，并构建原始红外图像的模糊点集矩阵，
Figure SMS_162
,其中
Figure SMS_164
表示矩阵
Figure SMS_165
中第
Figure SMS_166
个模糊点集的隶属函数是
Figure SMS_167
，
Figure SMS_168
；
Figure SMS_161
，
Figure SMS_163
构成的平面为模糊特征平面；
模糊模型模块用于确定隶属函数
Figure SMS_170
的模糊模型，
Figure SMS_172
，其中
Figure SMS_174
表示调整形状参数，
Figure SMS_175
表示以
Figure SMS_176
为中心的
Figure SMS_177
窗口算数平均值，
Figure SMS_178
为输入图像
Figure SMS_169
的总信号，
Figure SMS_171
为
Figure SMS_173
的低频信号；
增强关系确定模块用于对原始红外图像进行对比度增强获得增强后的增强红外图像
Figure SMS_179
，增强关系式为
Figure SMS_180
，其中
Figure SMS_181
为增强系数；
滤波模块用于对增强红外图像
Figure SMS_182
进行迭代滤波，迭代关系式为
Figure SMS_183
，其中
Figure SMS_184
为图像幅值幅度调节系数，
Figure SMS_185
，
Figure SMS_186
为终止频率，
Figure SMS_187
为滤波时间；
输出模块用于获得输出图像
Figure SMS_188
。
迭代计算模块包括：
设定模块用于设定目标灰度范围为
Figure SMS_189
；且选取目标灰度范围内的灰度级别为
Figure SMS_190
质心获取模块，其用于获取灰度级别为
Figure SMS_191
时的灰度质心
Figure SMS_192
，
Figure SMS_193
，其中
Figure SMS_194
为
Figure SMS_195
处的灰度级别；
迭代模块用于从0至255依次提升灰度级别，取值按照1、2、3、4……的顺序依次提升灰度级别。
同时求各个不同级别的灰度质心；并将所有有效的灰度质心的质心坐标组成主线坐标矩阵
Figure SMS_196
,
Figure SMS_197
为质心坐标的总点数，
Figure SMS_198
为有效的灰度质心的质心坐标。
各个模块的处理方法可以参照实施例一中的具体方法进行实施。
实施例
一种红外微弱目标的定位终端，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的一种红外微弱目标的定位方法的步骤。
存储器可用于存储软件程序以及模块,处理器通过运行存储在存储器的软件程序以及模块,从而执行终端的各种功能应用以及数据处理。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的执行程序等。
存储数据区可存储根据终端的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件,闪存器件、或其他易失性固态存储器件。
一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，其特征在于，计算机程序被处理器执行时实现如上述的一种红外微弱目标的定位方法的步骤。
不失一般性，计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令数据结构,程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM、EEPROM、闪存或其他固态存储技术,CD-ROM、DVD或其他光学存储﹑磁带盒﹑磁带﹑磁盘存储或其他磁性存储设备。当然,本领域技术人员可知计算机存储介质不局限于上述几种。上述的系统存储器和大容量存储设备可以统称为存储器。
在本说明书的描述中，参考术语“一个实施例/方式”、“一些实施例/方式”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例/方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例/方式或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例/方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例/方式或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例/方式或示例以及不同实施例/方式或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
本领域的技术人员应当理解，上述实施方式仅仅是为了清楚地说明本发明，而并非是对本发明的范围进行限定。对于所属领域的技术人员而言，在上述发明的基础上还可以做出其它变化或变型，并且这些变化或变型仍处于本发明的范围内。

Claims (10)

1.一种红外微弱目标的定位方法，其特征在于，包括：
获取红外微弱目标的原始红外图像；
对原始红外图像进行自适应增强，并获得灰度图像；
设定目标灰度范围；
选取目标灰度范围内的灰度级别，并获得灰度质心；
在目标灰度范围内迭代灰度级别，并将获得的灰度质心组成质心坐标矩阵；
对质心坐标矩阵进行聚类处理，并以第一个聚类的中心值作为目标质心坐标；
通过目标质心坐标确定红外微弱目标的位置。
2.根据权利要求1所述的一种红外微弱目标的定位方法，其特征在于，对原始红外图像进行自适应增强的方法包括：
确定原始红外图像的像素
Figure QLYQS_1
与灰度级别数量，并构建原始红外图像的模糊点集矩阵，
Figure QLYQS_4
,其中
Figure QLYQS_5
表示矩阵
Figure QLYQS_6
中第
Figure QLYQS_7
个模糊点集的隶属函数是
Figure QLYQS_8
，
Figure QLYQS_9
；
Figure QLYQS_2
，
Figure QLYQS_3
构成的平面为模糊特征平面；
确定隶属函数
Figure QLYQS_10
的模糊模型，
Figure QLYQS_13
，其中
Figure QLYQS_14
表示调整形状参数，
Figure QLYQS_16
表示以
Figure QLYQS_17
为中心的
Figure QLYQS_18
窗口算数平均值，
Figure QLYQS_19
为输入图像
Figure QLYQS_11
的总信号，
Figure QLYQS_12
为
Figure QLYQS_15
的低频信号；
对原始红外图像进行对比度增强获得增强后的增强红外图像
Figure QLYQS_20
，增强关系式为
Figure QLYQS_21
，其中
Figure QLYQS_22
为增强系数。
3.根据权利要求2所述的一种红外微弱目标的定位方法，其特征在于，对增强红外图像
Figure QLYQS_23
进行迭代滤波，迭代关系式为
Figure QLYQS_24
，其中
Figure QLYQS_25
为图像幅值幅度调节系数，
Figure QLYQS_26
，
Figure QLYQS_27
为终止频率，
Figure QLYQS_28
为滤波时间；
获得输出图像
Figure QLYQS_29
。
4.根据权利要求3所述的一种红外微弱目标的定位方法，其特征在于，设定目标灰度范围为
Figure QLYQS_30
；
获得灰度质心
Figure QLYQS_31
的方法为：
选取目标灰度范围内的灰度级别为
Figure QLYQS_32
；
获取灰度级别为
Figure QLYQS_33
时的灰度质心
Figure QLYQS_34
，
Figure QLYQS_35
，其中
Figure QLYQS_36
为
Figure QLYQS_37
处的灰度级别，且取
Figure QLYQS_38
；
从0至255依次提升灰度级别，同时求各个不同级别的灰度质心；
将所有有效的灰度质心的质心坐标组成主线坐标矩阵
Figure QLYQS_39
,
Figure QLYQS_40
为质心坐标的总点数，
Figure QLYQS_41
为有效的灰度质心的质心坐标。
5.根据权利要求4所述的一种红外微弱目标的定位方法，其特征在于，进行聚类处理的方法包括：
获得聚类的中心矩阵
Figure QLYQS_42
，模糊隶属度矩阵，
Figure QLYQS_44
，其中，
Figure QLYQS_45
为质心坐标矩阵所要分的类数，
Figure QLYQS_46
是第
Figure QLYQS_47
类中心，
Figure QLYQS_48
是质心坐标矩阵中
Figure QLYQS_49
属于第
Figure QLYQS_43
类的隶属度；
以最小类平方误差和为聚类准则，利用质心坐标矩阵中每个质心坐标作为加权隶属度，对目标函数进行迭代约束，
Figure QLYQS_50
，式中，
Figure QLYQS_51
为欧拉距离，
Figure QLYQS_52
为模糊加权指数；
获得聚类中心和隶属度函数关系式：
Figure QLYQS_53
；
获得聚类结果。
6.根据权利要求5所述的一种红外微弱目标的定位方法，其特征在于，对目标函数进行迭代约束的约束条件为
Figure QLYQS_54
，其中，
Figure QLYQS_55
，
Figure QLYQS_56
。
7.一种红外微弱目标的定位装置，其特征在于，包括：
获取模块，其用于获取红外微弱目标的原始红外图像；
增强模块，其用于对原始红外图像进行自适应增强；
灰度化模块，其用于获得增强后的红外图像对应的灰度图像；
迭代计算模块，其用于设定目标灰度范围；并选取目标灰度范围内的灰度级别，并获得灰度质心；在目标灰度范围内迭代灰度级别，并将获得的灰度质心组成质心坐标矩阵；
聚类模块，其用于对质心坐标矩阵进行聚类处理，并以第一个聚类的中心值作为目标质心坐标；
确定模块，其用于通过目标质心坐标确定红外微弱目标的位置。
8.根据权利要求7所述的一种红外微弱目标的定位装置，其特征在于，所述增强模块包括：
矩阵模块，其用于确定原始红外图像的像素
Figure QLYQS_58
与灰度级别数量，并构建原始红外图像的模糊点集矩阵，
Figure QLYQS_60
,其中
Figure QLYQS_61
表示矩阵
Figure QLYQS_62
中第
Figure QLYQS_63
个模糊点集的隶属函数是
Figure QLYQS_64
，
Figure QLYQS_65
；
Figure QLYQS_57
，
Figure QLYQS_59
构成的平面为模糊特征平面；
模糊模型模块，其用于确定隶属函数
Figure QLYQS_66
的模糊模型，
Figure QLYQS_68
，其中
Figure QLYQS_70
表示调整形状参数，
Figure QLYQS_72
表示以
Figure QLYQS_73
为中心的
Figure QLYQS_74
窗口算数平均值，
Figure QLYQS_75
为输入图像
Figure QLYQS_67
的总信号，
Figure QLYQS_69
为
Figure QLYQS_71
的低频信号；
增强关系确定模块，其用于对原始红外图像进行对比度增强获得增强后的增强红外图像
Figure QLYQS_76
，增强关系式为
Figure QLYQS_77
，其中
Figure QLYQS_78
为增强系数；
滤波模块，其用于对增强红外图像
Figure QLYQS_79
进行迭代滤波，迭代关系式为
Figure QLYQS_80
，其中
Figure QLYQS_81
为图像幅值幅度调节系数，
Figure QLYQS_82
，
Figure QLYQS_83
为终止频率，
Figure QLYQS_84
为滤波时间；
输出模块，其用于获得输出图像
Figure QLYQS_85
。
9.根据权利要求8所述的一种红外微弱目标的定位装置，其特征在于，所述迭代计算模块包括：
设定模块，其用于设定目标灰度范围为
Figure QLYQS_86
；且选取目标灰度范围内的灰度级别为
Figure QLYQS_87
;
质心获取模块，其用于获取灰度级别为
Figure QLYQS_88
时的灰度质心
Figure QLYQS_89
，
Figure QLYQS_90
，其中
Figure QLYQS_91
为
Figure QLYQS_92
处的灰度级别；
迭代模块，其用于从0至255依次提升灰度级别，同时求各个不同级别的灰度质心；并将所有有效的灰度质心的质心坐标组成主线坐标矩阵
Figure QLYQS_93
,
Figure QLYQS_94
为质心坐标的总点数，
Figure QLYQS_95
为有效的灰度质心的质心坐标。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6中任一项所述的一种红外微弱目标的定位方法的步骤。
CN202310056449.9A 2023-01-17 2023-01-17 一种红外微弱目标的定位方法、定位装置及可读存储介质 Active CN115797453B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310056449.9A CN115797453B (zh) 2023-01-17 2023-01-17 一种红外微弱目标的定位方法、定位装置及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310056449.9A CN115797453B (zh) 2023-01-17 2023-01-17 一种红外微弱目标的定位方法、定位装置及可读存储介质

Publications (2)

Publication Number Publication Date
CN115797453A true CN115797453A (zh) 2023-03-14
CN115797453B CN115797453B (zh) 2023-06-16

Family

ID=85429693

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310056449.9A Active CN115797453B (zh) 2023-01-17 2023-01-17 一种红外微弱目标的定位方法、定位装置及可读存储介质

Country Status (1)

Country Link
CN (1) CN115797453B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117853586A (zh) * 2024-03-08 2024-04-09 中国人民解放军63921部队 面向暗弱目标的质心定位方法和设备终端

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010182287A (ja) * 2008-07-17 2010-08-19 Steven C Kays 適応型インテリジェント・デザイン
CN104537673A (zh) * 2015-01-09 2015-04-22 西安电子科技大学 基于多阈值和自适应模糊聚类的红外图像分割方法
EP3242239A1 (en) * 2016-05-02 2017-11-08 Scantrust SA Optimized authentication of graphic authentication code
CN107464252A (zh) * 2017-06-30 2017-12-12 南京航空航天大学 一种基于混合特征的可见光与红外异源图像识别方法
CN108460756A (zh) * 2018-01-30 2018-08-28 西安电子科技大学 基于统计特征的无参考红外图像质量评价方法
CN109389608A (zh) * 2018-10-19 2019-02-26 山东大学 以平面为聚类中心具有抗噪性的模糊聚类图像分割方法
WO2019144581A1 (zh) * 2018-01-29 2019-08-01 江苏宇特光电科技股份有限公司 一种智能化红外图像场景增强方法
CN110728668A (zh) * 2019-10-09 2020-01-24 中国科学院光电技术研究所 一种小目标形态保持的空域高通滤波器
CN111626290A (zh) * 2019-12-31 2020-09-04 中国航天科工集团八五一一研究所 一种复杂海面环境下的红外舰船目标检测识别方法
CN111950568A (zh) * 2020-08-20 2020-11-17 西南科技大学 一种刺绣针法图样特征点提取及匹配方法
CN112215785A (zh) * 2020-11-05 2021-01-12 中国航空工业集团公司西安航空计算技术研究所 一种基于分层压缩的红外图像细节增强方法
US20210020360A1 (en) * 2019-07-15 2021-01-21 Wuhan University Internal thermal fault diagnosis method of oil-immersed transformer based on deep convolutional neural network and image segmentation
CN112424788A (zh) * 2019-06-17 2021-02-26 谷歌有限责任公司 使用三维眼睛注视矢量的车辆乘员参与
CN115393577A (zh) * 2022-09-02 2022-11-25 哈尔滨工程大学 一种红外海上小目标抗干扰的检测方法
CN115511804A (zh) * 2022-09-14 2022-12-23 西安镭映光电科技有限公司 一种基于管道自适应滤波的海上红外弱小目标检测方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010182287A (ja) * 2008-07-17 2010-08-19 Steven C Kays 適応型インテリジェント・デザイン
CN104537673A (zh) * 2015-01-09 2015-04-22 西安电子科技大学 基于多阈值和自适应模糊聚类的红外图像分割方法
EP3242239A1 (en) * 2016-05-02 2017-11-08 Scantrust SA Optimized authentication of graphic authentication code
CN107464252A (zh) * 2017-06-30 2017-12-12 南京航空航天大学 一种基于混合特征的可见光与红外异源图像识别方法
WO2019144581A1 (zh) * 2018-01-29 2019-08-01 江苏宇特光电科技股份有限公司 一种智能化红外图像场景增强方法
CN108460756A (zh) * 2018-01-30 2018-08-28 西安电子科技大学 基于统计特征的无参考红外图像质量评价方法
CN109389608A (zh) * 2018-10-19 2019-02-26 山东大学 以平面为聚类中心具有抗噪性的模糊聚类图像分割方法
CN112424788A (zh) * 2019-06-17 2021-02-26 谷歌有限责任公司 使用三维眼睛注视矢量的车辆乘员参与
US20210020360A1 (en) * 2019-07-15 2021-01-21 Wuhan University Internal thermal fault diagnosis method of oil-immersed transformer based on deep convolutional neural network and image segmentation
CN110728668A (zh) * 2019-10-09 2020-01-24 中国科学院光电技术研究所 一种小目标形态保持的空域高通滤波器
CN111626290A (zh) * 2019-12-31 2020-09-04 中国航天科工集团八五一一研究所 一种复杂海面环境下的红外舰船目标检测识别方法
CN111950568A (zh) * 2020-08-20 2020-11-17 西南科技大学 一种刺绣针法图样特征点提取及匹配方法
CN112215785A (zh) * 2020-11-05 2021-01-12 中国航空工业集团公司西安航空计算技术研究所 一种基于分层压缩的红外图像细节增强方法
CN115393577A (zh) * 2022-09-02 2022-11-25 哈尔滨工程大学 一种红外海上小目标抗干扰的检测方法
CN115511804A (zh) * 2022-09-14 2022-12-23 西安镭映光电科技有限公司 一种基于管道自适应滤波的海上红外弱小目标检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
倪磊: "红外材料低温折射率测量技术研究" *
许文武: "基于视频的运动目标检测与跟踪方法应用研究" *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117853586A (zh) * 2024-03-08 2024-04-09 中国人民解放军63921部队 面向暗弱目标的质心定位方法和设备终端
CN117853586B (zh) * 2024-03-08 2024-06-04 中国人民解放军63921部队 面向暗弱目标的质心定位方法和设备终端

Also Published As

Publication number Publication date
CN115797453B (zh) 2023-06-16

Similar Documents

Publication Publication Date Title
Chaudhuri et al. Depth from defocus: a real aperture imaging approach
CN108304883A (zh) 基于改进sift的sar图像匹配方法
US20110267485A1 (en) Range measurement using a coded aperture
WO2022179002A1 (zh) 图像匹配方法、装置、电子设备以及存储介质
Ofir et al. On detection of faint edges in noisy images
WO2022205605A1 (zh) 图像边缘特征库构建方法、装置、计算机设备及存储介质
CN114359042A (zh) 点云拼接方法和装置、三维扫描仪及电子设备
Jeon et al. Ring difference filter for fast and noise robust depth from focus
Ram et al. Size-invariant detection of cell nuclei in microscopy images
CN115797453A (zh) 一种红外微弱目标的定位方法、定位装置及可读存储介质
CN112381062A (zh) 一种基于卷积神经网络的目标检测方法及装置
CN112330701A (zh) 基于极坐标表示的组织病理图像细胞核分割方法及系统
CN112884820A (zh) 一种影像初始配准及神经网络的训练方法、装置和设备
CN107316296B (zh) 一种基于对数变换的遥感图像变化检测方法及装置
Lee et al. Robust focus measure operator using adaptive log-polar mapping for three-dimensional shape recovery
CN116310780A (zh) 基于轮廓建模的光学遥感图像任意方向船只目标检测方法
CN115205354A (zh) 基于ransac和icp点云配准的相控阵激光雷达成像方法
CN114943891A (zh) 一种基于特征描述符的预测框匹配方法
Khan et al. Deriving scale normalisation factors for a GLoG detector
Liu et al. A dense visual SLAM method in dynamic scenes
Wang et al. Contour detection based on anisotropic edge strength and hierarchical superpixel contrast
Zhang et al. Particle swarm optimisation algorithm for non-linear camera calibration
CN112734854A (zh) 一种基于三目极线约束的相机自标定方法
CN116939376B (zh) 一种基于stokes矢量的四目相机同时偏振成像系统及方法
Brown et al. Curve and surface fitting techniques in computer vision

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231213

Address after: Floor 14 and 15, Building 1, Block 2, East Tianfu Haichuangyuan, Zizhou Avenue Road, Chengdu City, Sichuan Province, 610000

Patentee after: Southwest University of Science and Technology Sichuan Tianfu New Area Innovation Research Institute

Address before: 621000 Fucheng District, Mianyang, Sichuan

Patentee before: Southwest University of Science and Technology

Patentee before: INSTITUTE OF OPTICS AND ELECTRONICS, CHINESE ACADEMY OF SCIENCES