CN109903272A - 目标检测方法、装置、设备、计算机设备和存储介质 - Google Patents
目标检测方法、装置、设备、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109903272A CN109903272A CN201910090557.1A CN201910090557A CN109903272A CN 109903272 A CN109903272 A CN 109903272A CN 201910090557 A CN201910090557 A CN 201910090557A CN 109903272 A CN109903272 A CN 109903272A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- variance weighted
- local entropy
- obtains
- 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
Links
Landscapes
- Image Analysis (AREA)
Abstract
本申请涉及一种目标检测方法、装置、设备、计算机设备和存储介质。所述方法包括:通过获取目标图像,对所述目标图像进行方差加权局部熵处理,得到所述目标图像的方差加权局部熵图像;进一步对所述方差加权局部熵图像进行二值化处理和聚类分析,得到处理后的方差加权局部熵图像;再根据所述处理后的方差加权局部熵图像和目标图像的局部对比度增强图像,获得融合图像;从而对所述融合图像进行解析,确定目标图像中的目标。采用本方法抑制了改进局部对比度图像中的背景干扰物,获得红外弱小目标准确位置,以及极大降低了检测虚警率。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种目标检测方法、装置、设备、计算机设备和存储介质。
背景技术
随着图像处理技术的发展,出现了图像局部对比度增强方法,此方法既扩大了图像灰度的动态范围,又使得图像中的局部对比度得到了增强,以获取图像中信息。
然而,目前的方法,存在虚警率高等问题。
发明内容
基于此,有必要针对上述技术问题,提供一种目标检测方法、装置、设备、计算机设备和存储介质。
一种目标检测方法,所述方法包括:
获取目标图像,对所述目标图像进行方差加权局部熵处理,得到所述目标图像的方差加权局部熵图像;
对所述方差加权局部熵图像进行二值化处理和聚类分析,得到处理后的方差加权局部熵图像;
根据处理后的方差加权局部熵图像和目标图像的局部对比度增强图像,获得融合图像;
对所述融合图像进行解析,确定目标图像中的目标。
在其中一个实施例中,所述对所述方差加权局部熵图像进行二值化处理和聚类分析,得到处理后的方差加权局部熵图像包括:
获取第一预设阈值,并根据所述第一预设阈值对所述目标图像的方差加权局部熵图像进行阈值分割,获得所述方差加权局部熵图像的初始二值图像,其中,所述初始二值图像包括候选目标区域和背景区域;
对所述初始二值图像进行连通域分析,得到处理后的方差加权局部熵图像。
在其中一个实施例中,所述获取第一预设阈值,并根据所述第一预设阈值对所述目标图像的方差加权局部熵图像进行阈值分割,获得所述方差加权局部熵图像的初始二值图像,其中,所述初始二值图像包括候选目标区域和背景区域包括:
根据所述目标图像的方差加权局部熵图像,获得所述方差加权局部熵图像的均值和标准差;
根据所述方差加权局部熵图像的均值和标准差,确定对所述目标图像的方差加权局部熵图像进行阈值分割的第一预设阈值。
在其中一个实施例中,所述对所述初始二值图像进行连通域分析,得到处理后的方差加权局部熵图像包括:
对所述初始二值图像进行聚类分析,并根据所述初始二值图像中的候选目标区域面积设定第二预设阈值;
若所述初始二值图像中的背景区域面积大于或等于第二预设阈值,则将所述初始二值图像中的背景区域面积大于或等于第二预设阈值的背景区域剔除。
在其中一个实施例中,所述根据处理后的方差加权局部熵图像和目标图像的局部对比度增强图像,获得融合图像包括:
根据所述目标图像,获得所述目标图像的局部对比度增强图像;
将所述局部对比度增强图像和处理后的方差加权局部熵图像进行与操作,得到融合图像。
在其中一个实施例中,所述将所述局部对比度增强图像和处理后的方差加权局部熵图像进行与操作包括:
选取所述处理后的方差加权局部熵图像和目标图像的局部对比度增强图像中相同位置点对应像素值小的像素。
在其中一个实施例中,所述对所述融合图像进行解析,确定目标图像中的目标包括:
获取第三预设阈值,并根据所述第三预设阈值对所述融合图像进行提取,得到目标二值图像;
对所述目标二值图像进行连通域分析,确定目标的尺寸和位置信息。
在其中一个实施例中,所述根据所述目标图像,获得所述目标图像的局部对比度增强图像包括:
将所述目标图像进行分割,分别获得中心图像块和多个邻邻图像块;
获取所述多个邻邻域图像块中的每个邻邻域图像块的像素灰度均值,并计算所述多个邻邻域图像块的平均灰度值;
获取中心图像块像素的最大值,并根据所述中心图像块像素的最大值和所述多个邻邻域图像块的平均灰度值,得到所述目标图像的局部最大差值;
根据多个邻邻域图像块中的每个邻邻域图像块的像素灰度均值和所述中心图像块像素的最大值,得到所述目标图像的局部最小对比度;
根据所述目标图像的局部最小对比度和所述目标图像的局部最大差值,得到所述目标图像的局部对比度增强图像。
一种目标检测装置,所述装置包括:
局部熵图像获取模块,用于获取目标图像,对所述目标图像进行方差加权局部熵处理,得到所述目标图像的方差加权局部熵图像;
处理后的方差加权局部熵图像获取模块,用于对所述方差加权局部熵图像进行二值化处理和聚类分析,得到处理后的方差加权局部熵图像;
融合图像获取模块,用于根据所述处理后的方差加权局部熵图像和目标图像的局部对比度增强图像,获得融合图像;
目标信息确定模块,用于对所述融合图像进行解析,确定目标图像中的目标。
一种目标检测设备,所述设备至少包括如上一种目标检测装置。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如上任一项所述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上任一项所述的方法的步骤。
上述目标检测方法、装置、设备、计算机设备和存储介质,通过获取目标图像,对所述目标图像进行方差加权局部熵处理,得到所述目标图像的方差加权局部熵图像;进一步对所述方差加权局部熵图像进行二值化处理和聚类分析,得到处理后的方差加权局部熵图像;再根据所述处理后的方差加权局部熵图像和目标图像的局部对比度增强图像,获得融合图像;从而对所述融合图像进行解析,确定目标图像中的目标。通过上述方法抑制了改进局部对比度图像中的背景干扰物,获得红外弱小目标准确位置,以及极大降低了检测虚警率。
附图说明
图1为一个实施例中一种目标检测方法的应用环境图;
图2为一个实施例中一种目标检测方法的流程示意图;
图3为另一个实施例中步骤S3的流程示意图;
图4为另一个实施例中步骤S21的流程示意图;
图5为另一个实施例中步骤S22的流程示意图;
图6为另一个实施例中步骤S3的流程示意图;
图7为另一个实施例中步骤S4的流程示意图;
图8为另一个实施例中步骤S31的流程示意图;
图9(a)为另一个实施例中低空场景1原图像的示意图;
图9(b)为另一个实施例中低空场景1改进局部对比度增强图像的示意图;
图9(c)为另一个实施例中低空场景1方差加权局部熵图像的示意图;
图9(d)为另一个实施例中低空场景1初始二值图像的示意图;
图9(e)为另一个实施例中低空场景1中间二值图像的示意图;
图9(f)为另一个实施例中低空场景1融合图像的示意图;
图9(g)为另一个实施例中低空场景1目标的示意图;
图10(a)为另一个实施例中低空场景2原图像的示意图;
图10(b)为另一个实施例中低空场景2改进局部对比度增强图像的示意图;
图10(c)为另一个实施例中低空场景2方差加权局部熵图像的示意图;
图10(d)为另一个实施例中低空场景2初始二值图像的示意图;
图10(e)为另一个实施例中低空场景2中间二值图像的示意图;
图10(f)为另一个实施例中低空场景2融合图像的示意图;
图10(g)为另一个实施例中低空场景2目标的示意图;
图11为一个实施例中一种目标检测装置的结构框图;
图12为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的一种目标检测方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。终端102获取目标图像,并将所述目标图像传输至服务器104,服务器104对所述目标图像进行方差加权局部熵处理,得到所述目标图像的方差加权局部熵图像;进一步对所述方差加权局部熵图像进行二值化处理和聚类分析,得到处理后的方差加权局部熵图像;再根据所述处理后的方差加权局部熵图像和目标图像的局部对比度增强图像,获得融合图像;从而对所述融合图像进行解析,确定目标图像中的目标。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种目标检测方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤S1:获取目标图像,对所述目标图像进行方差加权局部熵处理,得到所述目标图像的方差加权局部熵图像。
具体地,目标图像指待处理图像,至少包括红外光图像和可见光图像。一般来说,红外图像反应的是场景中的热信息,在红外图像中目标的热特征较明显,但图像对比度较低,视觉效果较差;可见光图像反映的是场景的亮度信息,图像具有较高的清晰度。而本申请采用方差加权局部熵算法对目标图像进行处理,可全面地反映目标图像中的细节与信息量,便于在复杂场景中获取弱小目标。
步骤S2:对所述方差加权局部熵图像进行二值化处理和聚类分析,得到处理后的方差加权局部熵图像。
具体地,图像二值化是将图像上的像素点的灰度值设置为0或255,也就是将整个图像呈现出明显的黑白效果的过程。对所述方差加权局部熵图像进行二值化处理后,使图像中数据量大为减少,从而能凸显出方差加权局部熵图像中目标的轮廓。
处理后的方差加权局部熵图像指对所述方差加权局部熵图像进行二值化处理后获得的图像。
步骤S3:根据所述处理后的方差加权局部熵图像和目标图像的局部对比度增强图像,获得融合图像。
具体地,本申请主要针对复杂低空以及高空场景中的红外或可见光图像中的弱小目标进行检测,由于一些地物在可见光、近红外或中红外波段具有相似的辐射强度,当一幅图像中具有相似辐射强度的地物比较集中时,会导致图像中的低对比度。因此,对目标图像进行局部对比度增强以获取目标图像的局部对比度增强图像,可使目标图像全部或局部的对比度提高。
图像融合是指将多源信道所采集到的关于同一目标的图像数据经过图像处理和计算机技术等,最大限度的提取各自信道中的有利信息,最后综合成高质量的图像,以提高图像信息的利用率、改善计算机解译精度和可靠性、提升原始图像的空间分辨率和光谱分辨率,利于监测。本申请将目标图像分别进行处理后,获得的处理后的方差加权局部熵图像和目标图像的局部对比度增强图像进行融合,可增强目标图像中的目标,抑制复杂背景干扰。
步骤S4:对所述融合图像进行解析,确定目标图像中的目标。
具体地,目标指在复杂场景中的弱小目标,如在云雾缭绕场景下的船只。获取融合后的图像,还需进一步处理,才能获取目标图像中的目标。
上述目标检测方法,通过获取目标图像,对所述目标图像进行方差加权局部熵处理,得到所述目标图像的方差加权局部熵图像;进一步对所述方差加权局部熵图像进行二值化处理和聚类分析,得到处理后的方差加权局部熵图像;再根据所述处理后的方差加权局部熵图像和目标图像的局部对比度增强图像,获得融合图像;从而对所述融合图像进行解析,确定目标图像中的目标。通过上述方法抑制了改进局部对比度图像中的背景干扰物,获得红外弱小目标准确位置,以及极大降低了检测虚警率。
在一个实施例中,结合图3,所述步骤S2包括:
步骤S21:获取第一预设阈值,并根据所述第一预设阈值对所述目标图像的方差加权局部熵图像进行阈值分割,获得所述方差加权局部熵图像的初始二值图像,其中,所述初始二值图像包括候选目标区域和背景区域。
具体地,阈值分割法是一种基于区域的图像分割技术,原理是把图像象素点分为若干类。特别适用于目标和背景占据不同灰度级范围的图像。它不仅可以极大的压缩数据量,而且也大大简化了分析和处理步骤,因此在很多情况下,是进行图像分析、特征提取与模式识别之前的必要的图像预处理过程。图像阈值化的目的是要按照灰度级,对像素集合进行一个划分,得到的每个子集形成一个与现实景物相对应的区域,各个区域内部具有一致的属性,而相邻区域不具有这种一致属性。
基于阈值分割技术,针对本申请的目标图像的方差加权局部熵图像进行阈值分割,需设定合适的阈值,即第一预设阈值。所述初始二值图像指对所述目标图像的方差加权局部熵图像进行阈值分割获得的图像。
步骤S22:对所述初始二值图像进行连通域分析,得到所述处理后的方差加权局部熵图像。
具体地,连通域分析指根据将二值图像进行区域的划分,形成不同的区域。二值图像中彼此连通的点形成了一个区域,而不连通的点形成了不同的区域,将所有的点彼此连通点构成的集合,称为一个连通区域。
处理后的方差加权局部熵图像通过对所述初始二值图像进行连通域分析获得的图像,以剔除大面积图像块,保留包含目标在内的面积较小的图像块。
在一个实施例中,结合图4,所述步骤S21包括:
步骤S211:根据所述目标图像的方差加权局部熵图像,获得所述方差加权局部熵图像的均值和标准差。
具体地,对于方差加权局部熵图像的均值和标准差的获取方式很多,可直接采用均值与标准差计算公式,也可直接利用软件编程实现。
例,下面是采用使用meanStdDev计算均值和标准差的代码如下:
步骤S212:根据所述方差加权局部熵图像的均值和标准差,确定对所述目标图像的方差加权局部熵图像进行阈值分割的第一预设阈值。
具体地,第一预设阈值指对所述目标图像的方差加权局部熵图像进行阈值分割所设定的阈值,为了适应不同复杂场景变化,阈值的计算方式如下:
其中,分别为方差加权局部熵的均值和标准差,k为常数,范围在1-2之间,根据实际场景而定。
在一个实施例中,结合图5,所述步骤S22包括:
步骤S221:对所述初始二值图像进行聚类分析,并根据所述初始二值图像中的候选目标区域面积设定第二预设阈值。
具体地,第二预设阈值指对所述初始二值图像进行连通域分析所设定的阈值,其中,第二预设阈值是根据候选目标区域面积设定的。
连通域分析主要采用聚类方法对初始二值图像进行处理,将距离最近白色区域块作为一一类目标块,由于聚类只在目标区域上进行计算,相比在整幅图像上进行运算而言,时间复杂度大大降低。
步骤S222:若所述初始二值图像中的背景区域面积大于或等于第二预设阈值,则将所述初始二值图像中的背景区域面积大于或等于第二预设阈值的背景区域剔除。
具体地,由于本申请是对复杂场景中弱小目标进行检测,那么所要获取的目标的面积比背景区域的面积小。例,目标区域面积为2,背景区域面积为6,那么第二预设阈值可设置为3,在采用第二预设阈值进行连通域分析时,则剔除面积大于3的图像块,留下包含目标在内的面积小于3的图像块。
在一个实施例中,结合图6,所述步骤S3包括:
步骤S31:根据所述目标图像,获得所述目标图像的局部对比度增强图像;
步骤S32:将所述局部对比度增强图像和处理后的方差加权局部熵图像进行与操作,得到融合图像。
具体地,融合图像方法很多,包括主成分变换融合、乘积变换融合或比值变换融合等。将所述局部对比度增强图像和处理后的方差加权局部熵图像通过计算机软件或编程进行与操作处理,获得融合图像。
在一个实施例中,所述步骤S32包括:
步骤S321:选取所述处理后的方差加权局部熵图像和目标图像的局部对比度增强图像中相同位置点对应像素值小的像素。
具体地,在对初始二值图像进行连通域分析后,获得包含目标和干扰物的处理后的方差加权局部熵图像,在将处理后的方差加权局部熵图像和目标图像的局部对比度增强图像进行与操作时,选取两幅图像中同一点像素值小的点,作为融合图像的新的像素点,且去除处理后的方差加权局部熵图像中的干扰物。
在一个实施例中,结合图7,所述步骤S4包括:
步骤S41:获取第三预设阈值,并根据所述第三预设阈值对所述融合图像进行提取,得到目标二值图像。
具体地,第三预设阈值指对所述融合图像进行分割所设定的阈值。本申请设定的第三预设阈值为融合图像中像素最大值的0.5倍。
目标二值图像指,对所述融合图像进行分割后获得的图像。
步骤S42:对所述目标二值图像进行连通域分析,确定目标的尺寸和位置信息。
具体地,位置信息指所述目标在所说目标二值图像中的相对位置,可采用坐标进行表示。尺寸指所述目标的具体几何大小,如所述目标图像为不规则几何体,如船只,则计算船只的几何面积。
在一个实施例中,结合图8,所述步骤S31包括:
步骤S311:将所述目标图像进行分割,分别获得中心图像块和多个邻域图像块。
具体地,对目标图像进行分割指几何分割,即将目标图像分为多个相等或不等的图像块。例将目标图像进行等分,形成N×N图像块,将N设置为3,每个图像块大小为3*3,即获得一个中心图像块和8个邻域图像块。
步骤S312:获取所述多个邻域图像块中的每个邻域图像块的像素灰度均值,并计算所述多个邻域图像块的平均灰度值。
具体地,将上述获得的中心图像块记为“0”,其余邻域图像块分别记为“1”-“8”,代表着中心图像块的8个邻域。
第i个邻域块的像素灰度均值mi为:
Nb表示每个图像子块的像素点个数,为第i个邻域块中第j个像素点的灰度值,i取值为1、2、…8。
计算8个邻域块的平均灰度值mI:
步骤S313:获取中心图像块像素的最大值,并根据所述中心图像块像素的最大值和所述多个邻域图像块的平均灰度值,得到所述目标图像的局部最大差值。
具体地,中心图像块指窗口中最中心的图像块。邻域图像块指目标图像中除去中心图像块剩余的每一个图像块。
设中心块像素最大值为Ln、所有邻域块的均值为mI、目标图像的局部最大差值ZI,具体计算过程如下:
ZI=Ln-mI。
步骤S314:根据多个邻域图像块中的每个邻域图像块的像素灰度均值和所述中心图像块像素的最大值,得到所述目标图像的局部最小对比度。
具体地,目标图像的的局部最小对比度Cw为:
其中,Ln为窗口中心子块像素的最大值,mi为第i个邻域子块的像素均值,i取值为1、2、…8。
步骤S315:根据所述目标图像的局部最小对比度和所述目标图像的局部最大差值,得到所述目标图像的局部对比度增强图像。
具体地,改进局部最小对比度Cw和局部最大差值Zt的平方的乘积,得到增强的局部对比度图像,记为EELCM:
在一个实施例中,对所述方法进行测试,选取两个场景图像,具体如下:
一、对低空场景1进行测试
利用图9(a)中低空场景1原图像进行测试,首先为实现目标增强与背景抑制,对原图像计算改进局部对比度,如图9(b)所示。由于背景中存在比目标还亮的树枝结点,其局部邻域对比度较大,所以树枝结点处被大幅度增强,而目标则增强不明显。仅通过改进局部对比度对图像增强,进行目标检测,仍存在一定困难且虚景率较高。
对原图像求取方差加权局部熵,如图9(c),目标和复杂背景处纹理细节较多,故方差加权局部熵较大。设置阈值大小TH1,对该图像进行阈值分割,得到初始二值图像,如图9(d)所示。该初始二值图像中,距离接近的树枝背景已组合为一个面积较大的图像块,接着对此初始二值图像进行连通域分析,并利用阈值TH2进行图像块面积筛选,剔除面积较大的背景区域,留下小面积的目标和干扰物,如图9(e)所示。
图9(b)和9(e)均对目标进行了不同程度的增强,同时又有不同背景干扰物的影响,所以取两者的与操作,得到图9(f)的融合图像。两种方法在背景干扰区域相互抑制,消除了背景干扰物影响,得到了单独目标区域。对融合结果进行阈值分割和连通域分析,能够准确得到目标位置和尺寸信息。
二、对低空场景2进行测试
采用如上融合方法继续对图10(a)进行测试,求取测试场景的改进局部对比度增强图像,如图10(b)所示。此时背景中出现了比目标更亮的图像块,这是由于原始图像中该图像块的局部邻域对比度比目标更大。
接着求取测试场景的方差加权局部熵图像,如图10(c)所示。该场景中所有复杂背景连成一个连通域,与两个目标分别独立,效果较理想,通过简单的阈值分割和连通域分析,能将大区域背景去除,剩余独立的增强目标,如图10(e)所示。
然后对图10(b)改进局部对比度增强图像和10(e)去除背景区域的方差加权局部熵图像进行与操作,利用图10(e)中纯净背景抑制图10(b)中被增强的背景区域,得到仅包含目标区域的融合图像,如图10(f)。最后,设置适当阈值TH3,对融合图像采用阈值分割,并进行连通域分析,即可获得目标位置,达到目标检测和降低虚警的目的。
应该理解的是,虽然图2的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图11所示,提供了一种目标检测装置,包括:局部熵图像获取模块、处理后的方差加权局部熵图像获取模块、融合图像获取模块和目标信息确定模块,其中:
局部熵图像获取模块10,用于获取目标图像,对所述目标图像进行方差加权局部熵处理,得到所述目标图像的方差加权局部熵图像;
处理后的方差加权局部熵图像获取模块20,用于对所述方差加权局部熵图像进行二值化处理和聚类分析,得到所述处理后的方差加权局部熵图像;
融合图像获取模块30,用于根据所述处理后的方差加权局部熵图像和目标图像的局部对比度增强图像,获得融合图像;
目标信息确定模块40,用于对所述融合图像进行解析,确定目标图像中的目标。
在一个实施例中,所述处理后的方差加权局部熵图像获取模块20包括:
初始二值图像获取模块201,用于获取第一预设阈值,并根据所述第一预设阈值对所述目标图像的方差加权局部熵图像进行阈值分割,获得所述方差加权局部熵图像的初始二值图像,其中,所述初始二值图像包括候选目标区域和背景区域;
处理后的方差加权局部熵图像处理模块202,用于对所述初始二值图像进行连通域分析,得到所述处理后的方差加权局部熵图像。
在一个实施例中,所述初始二值图像获取模块201包括:
均值和标准差获取模块2011,用于根据所述目标图像的方差加权局部熵图像,获得所述方差加权局部熵图像的均值和标准差;
第一预设阈值确定模块2012,用于根据所述方差加权局部熵图像的均值和标准差,确定对所述目标图像的方差加权局部熵图像进行阈值分割的第一预设阈值。
在一个实施例中,所述处理后的方差加权局部熵图像处理模块202包括:
第二预设阈值设定模块2021,用于对所述初始二值图像进行聚类分析,并根据所述初始二值图像中的候选目标区域面积设定第二预设阈值;
背景区域剔除模块2022,用于若所述初始二值图像中的背景区域面积大于或等于第二预设阈值,则将所述初始二值图像中的背景区域面积大于或等于第二预设阈值的背景区域剔除。
在一个实施例中,所述融合图像获取模块30包括:
局部对比度增强图像获取模块301,用于根据所述目标图像,获得所述目标图像的局部对比度增强图像;
融合图像处理模块302,用于将所述局部对比度增强图像和处理后的方差加权局部熵图像进行与操作,得到融合图像。
在一个实施例中,所述融合图像处理模块302包括:
像素选取模块3021,用于选取所述处理后的方差加权局部熵图像和目标图像的局部对比度增强图像中相同位置点对应像素值小的像素。
在一个实施例中,所述目标信息确定模块40包括:
目标二值图像获取模块401,用于获取第三预设阈值,并根据所述第三预设阈值对所述融合图像进行提取,得到目标二值图像;
连通域分析模块402,用于对所述目标二值图像进行连通域分析,确定目标的尺寸和位置信息。
在一个实施例中,所述局部对比度增强图像获取模块301包括:
目标图像分割模块3011,用于将所述目标图像进行分割,分别获得中心图像块和多个邻域图像块;
灰度值计算模块3012,用于获取所述多个邻域图像块中的每个邻域图像块的像素灰度均值,并计算所述多个邻域图像块的平均灰度值;
局部最大差值获取模块3013,用于获取中心图像块像素的最大值,并根据所述中心图像块像素的最大值和所述多个邻域图像块的平均灰度值,得到所述目标图像的局部最大差值;
局部最小对比度获取模块3014,用于根据多个邻域图像块中的每个邻域图像块的像素灰度均值和所述中心图像块像素的最大值,得到所述目标图像的局部最小对比度;
局部对比度增强图像计算模块3015,用于根据所述目标图像的局部最小对比度和所述目标图像的局部最大差值,得到所述目标图像的局部对比度增强图像。
在一个实施例中,还提供一种目标检测设备,所述设备至少包括如上所述装置。
关于一种目标检测装置的具体限定可以参见上文中对于一种目标检测方法的限定,在此不再赘述。上述一种目标检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图12所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储目标检测所需数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种目标检测方法。
本领域技术人员可以理解,图12中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现如上方法所述步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现如上方法所述步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (12)
1.一种目标检测方法,其特征在于,所述方法包括:
获取目标图像,对所述目标图像进行方差加权局部熵处理,得到所述目标图像的方差加权局部熵图像;
对所述方差加权局部熵图像进行二值化处理和聚类分析,得到处理后的方差加权局部熵图像;
根据所述处理后的方差加权局部熵图像和目标图像的局部对比度增强图像,获得融合图像;
对所述融合图像进行解析,确定目标图像中的目标。
2.根据权利要求1所述的方法,其特征在于,所述对所述方差加权局部熵图像进行二值化处理和聚类分析,得到处理后的方差加权局部熵图像包括:
获取第一预设阈值,并根据所述第一预设阈值对所述目标图像的方差加权局部熵图像进行阈值分割,获得所述方差加权局部熵图像的初始二值图像,其中,所述初始二值图像包括候选目标区域和背景区域;
对所述初始二值图像进行连通域分析,得到处理后的方差加权局部熵图像。
3.根据权利要求2所述的方法,其特征在于,所述获取第一预设阈值,并根据所述第一预设阈值对所述目标图像的方差加权局部熵图像进行阈值分割,获得所述方差加权局部熵图像的初始二值图像,其中,所述初始二值图像包括候选目标区域和背景区域包括:
根据所述目标图像的方差加权局部熵图像,获得所述方差加权局部熵图像的均值和标准差;
根据所述方差加权局部熵图像的均值和标准差,确定对所述目标图像的方差加权局部熵图像进行阈值分割的第一预设阈值。
4.根据权利要求3所述的方法,其特征在于,所述对所述初始二值图像进行连通域分析,得到处理后的方差加权局部熵图像包括:
对所述初始二值图像进行聚类分析,并根据所述初始二值图像中的候选目标区域面积设定第二预设阈值;
若所述初始二值图像中的背景区域面积大于或等于第二预设阈值,则将所述初始二值图像中的背景区域面积大于或等于第二预设阈值的背景区域剔除。
5.根据权利要求4所述的方法,其特征在于,所述根据处理后的方差加权局部熵图像和目标图像的局部对比度增强图像,获得融合图像包括:
根据所述目标图像,获得所述目标图像的局部对比度增强图像;
将所述局部对比度增强图像和处理后的方差加权局部熵图像进行与操作,得到融合图像。
6.根据权利要求5所述的方法,其特征在于,所述将所述局部对比度增强图像和处理后的方差加权局部熵图像进行与操作包括:
选取所述处理后的方差加权局部熵图像和目标图像的局部对比度增强图像中相同位置点对应像素值小的像素。
7.根据权利要求5所述的方法,其特征在于,所述对所述融合图像进行解析,确定目标图像中的目标包括:
获取第三预设阈值,并根据所述第三预设阈值对所述融合图像进行提取,得到目标二值图像;
对所述目标二值图像进行连通域分析,确定目标的尺寸和位置信息。
8.根据权利要求5所述的方法,其特征在于,所述根据所述目标图像,获得所述目标图像的局部对比度增强图像包括:
将所述目标图像进行分割,分别获得中心图像块和多个邻域图像块;
获取所述多个邻域图像块中的每个邻域图像块的像素灰度均值,并计算所述多个邻域图像块的平均灰度值;
获取中心图像块像素的最大值,并根据所述中心图像块像素的最大值和所述多个邻域图像块的平均灰度值,得到所述目标图像的局部最大差值;
根据多个邻域图像块中的每个邻域图像块的像素灰度均值和所述中心图像块像素的最大值,得到所述目标图像的局部最小对比度;
根据所述目标图像的局部最小对比度和所述目标图像的局部最大差值,得到所述目标图像的局部对比度增强图像。
9.一种目标检测装置,其特征在于,所述装置包括:
局部熵图像获取模块,用于获取目标图像,对所述目标图像进行方差加权局部熵处理,得到所述目标图像的方差加权局部熵图像;
处理后的方差加权局部熵图像获取模块,用于对所述方差加权局部熵图像进行二值化处理和聚类分析,得到处理后的方差加权局部熵图像;
融合图像获取模块,用于根据所述处理后的方差加权局部熵图像和目标图像的局部对比度增强图像,获得融合图像;
目标信息确定模块,用于对所述融合图像进行解析,确定目标图像中的目标。
10.一种目标检测设备,其特征在于,所述设备至少包括权利要求9所述装置。
11.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述方法的步骤。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910090557.1A CN109903272B (zh) | 2019-01-30 | 2019-01-30 | 目标检测方法、装置、设备、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910090557.1A CN109903272B (zh) | 2019-01-30 | 2019-01-30 | 目标检测方法、装置、设备、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109903272A true CN109903272A (zh) | 2019-06-18 |
CN109903272B CN109903272B (zh) | 2021-09-03 |
Family
ID=66944458
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910090557.1A Active CN109903272B (zh) | 2019-01-30 | 2019-01-30 | 目标检测方法、装置、设备、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109903272B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110288614A (zh) * | 2019-06-24 | 2019-09-27 | 睿魔智能科技(杭州)有限公司 | 图像处理方法、装置、设备及存储介质 |
CN111862006A (zh) * | 2020-06-30 | 2020-10-30 | 北京北方智图信息技术有限公司 | 一种小型飞行器的探测方法及装置 |
CN112184723A (zh) * | 2020-09-16 | 2021-01-05 | 杭州三坛医疗科技有限公司 | 图像处理方法及装置、电子设备、存储介质 |
CN113034389A (zh) * | 2021-03-17 | 2021-06-25 | 武汉联影智融医疗科技有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
CN113160106A (zh) * | 2020-04-29 | 2021-07-23 | 西安天和防务技术股份有限公司 | 红外目标检测方法及装置、电子设备、存储介质 |
WO2022227394A1 (zh) * | 2021-04-28 | 2022-11-03 | 上海商汤智能科技有限公司 | 图像处理方法、装置、设备、存储介质及程序 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102103748A (zh) * | 2010-12-14 | 2011-06-22 | 西北工业大学 | 一种复杂背景下红外弱小目标检测和跟踪方法 |
US20150105969A1 (en) * | 2013-10-15 | 2015-04-16 | Ford Global Technologies, Llc | System and methods for evaporative emissions leak detection based on a vehicle location |
CN104657945A (zh) * | 2015-01-29 | 2015-05-27 | 南昌航空大学 | 复杂背景下多尺度时空联合滤波的红外小目标检测方法 |
CN107403201A (zh) * | 2017-08-11 | 2017-11-28 | 强深智能医疗科技(昆山)有限公司 | 肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法 |
CN109272489A (zh) * | 2018-08-21 | 2019-01-25 | 西安电子科技大学 | 基于背景抑制与多尺度局部熵的红外弱小目标检测方法 |
CN109816641A (zh) * | 2019-01-08 | 2019-05-28 | 西安电子科技大学 | 基于多尺度形态学融合的加权局部熵红外小目标检测方法 |
-
2019
- 2019-01-30 CN CN201910090557.1A patent/CN109903272B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102103748A (zh) * | 2010-12-14 | 2011-06-22 | 西北工业大学 | 一种复杂背景下红外弱小目标检测和跟踪方法 |
US20150105969A1 (en) * | 2013-10-15 | 2015-04-16 | Ford Global Technologies, Llc | System and methods for evaporative emissions leak detection based on a vehicle location |
CN104657945A (zh) * | 2015-01-29 | 2015-05-27 | 南昌航空大学 | 复杂背景下多尺度时空联合滤波的红外小目标检测方法 |
CN107403201A (zh) * | 2017-08-11 | 2017-11-28 | 强深智能医疗科技(昆山)有限公司 | 肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法 |
CN109272489A (zh) * | 2018-08-21 | 2019-01-25 | 西安电子科技大学 | 基于背景抑制与多尺度局部熵的红外弱小目标检测方法 |
CN109816641A (zh) * | 2019-01-08 | 2019-05-28 | 西安电子科技大学 | 基于多尺度形态学融合的加权局部熵红外小目标检测方法 |
Non-Patent Citations (2)
Title |
---|
孟博: ""空中红外小目标检测及硬件加速研究"", 《中国优秀硕士学位论文全文数据库(电子期刊) 信息科技辑》 * |
田维: ""复杂背景下红外小目标检测方法研究"", 《中国优秀硕士学位论文全文数据库(电子期刊) 信息科技辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110288614A (zh) * | 2019-06-24 | 2019-09-27 | 睿魔智能科技(杭州)有限公司 | 图像处理方法、装置、设备及存储介质 |
CN113160106A (zh) * | 2020-04-29 | 2021-07-23 | 西安天和防务技术股份有限公司 | 红外目标检测方法及装置、电子设备、存储介质 |
CN113160106B (zh) * | 2020-04-29 | 2024-05-07 | 西安天和防务技术股份有限公司 | 红外目标检测方法及装置、电子设备、存储介质 |
CN111862006A (zh) * | 2020-06-30 | 2020-10-30 | 北京北方智图信息技术有限公司 | 一种小型飞行器的探测方法及装置 |
CN112184723A (zh) * | 2020-09-16 | 2021-01-05 | 杭州三坛医疗科技有限公司 | 图像处理方法及装置、电子设备、存储介质 |
CN112184723B (zh) * | 2020-09-16 | 2024-03-26 | 杭州三坛医疗科技有限公司 | 图像处理方法及装置、电子设备、存储介质 |
CN113034389A (zh) * | 2021-03-17 | 2021-06-25 | 武汉联影智融医疗科技有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
CN113034389B (zh) * | 2021-03-17 | 2023-07-25 | 武汉联影智融医疗科技有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
WO2022227394A1 (zh) * | 2021-04-28 | 2022-11-03 | 上海商汤智能科技有限公司 | 图像处理方法、装置、设备、存储介质及程序 |
Also Published As
Publication number | Publication date |
---|---|
CN109903272B (zh) | 2021-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109903272A (zh) | 目标检测方法、装置、设备、计算机设备和存储介质 | |
CN111080628B (zh) | 图像篡改检测方法、装置、计算机设备和存储介质 | |
Shahrian et al. | Improving image matting using comprehensive sampling sets | |
Satta et al. | Fast person re-identification based on dissimilarity representations | |
Li et al. | A multi-scale cucumber disease detection method in natural scenes based on YOLOv5 | |
Feng et al. | A novel saliency detection method for wild animal monitoring images with WMSN | |
Keserwani et al. | Text region conditional generative adversarial network for text concealment in the wild | |
Liu et al. | YOLACTFusion: An instance segmentation method for RGB-NIR multimodal image fusion based on an attention mechanism | |
Lou et al. | Smoke root detection from video sequences based on multi-feature fusion | |
CN113255427B (zh) | 数据处理方法、装置、电子设备和存储介质 | |
Zhang et al. | Saliency detection via image sparse representation and color features combination | |
CN113065553A (zh) | 数据处理方法、装置、三维扫描***和电子装置 | |
Zhang et al. | Saliency detection via sparse reconstruction and joint label inference in multiple features | |
Li et al. | A Lightweight Algorithm for Recognizing Pear Leaf Diseases in Natural Scenes Based on an Improved YOLOv5 Deep Learning Model | |
Zhu | Image quality assessment model based on multi-feature fusion of energy Internet of Things | |
Lu et al. | Lightweight green citrus fruit detection method for practical environmental applications | |
Xie et al. | Dynamic Dual-Peak Network: A real-time human detection network in crowded scenes | |
Yang et al. | Intelligent collection of rice disease images based on convolutional neural network and feature matching | |
Li et al. | YOLOv5s‐GC‐Based Surface Defect Detection Method of Strip Steel | |
CN110033474A (zh) | 目标检测方法、装置、计算机设备和存储介质 | |
Zheng et al. | MD-YOLO: Surface Defect Detector for Industrial Complex Environments | |
CN109934870A (zh) | 目标检测方法、装置、设备、计算机设备和存储介质 | |
Yang et al. | Dynamic representation-based tracker for long-term pedestrian tracking with occlusion | |
Ma et al. | Generative Adversarial Differential Analysis for Infrared Small Target Detection | |
Lei et al. | A multi-target cow face detection model in complex scenes |
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 |