CN110110675A - 一种融合边缘信息的小波域分形红外卷云检测方法 - Google Patents
一种融合边缘信息的小波域分形红外卷云检测方法 Download PDFInfo
- Publication number
- CN110110675A CN110110675A CN201910392985.XA CN201910392985A CN110110675A CN 110110675 A CN110110675 A CN 110110675A CN 201910392985 A CN201910392985 A CN 201910392985A CN 110110675 A CN110110675 A CN 110110675A
- Authority
- CN
- China
- Prior art keywords
- pixel
- image
- value
- window
- cirrus
- 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
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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- 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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30192—Weather; Meteorology
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种融合边缘信息的小波域分形红外卷云检测方法,属于遥感图像处理领域,解决现有技术中对目标进行检测时,虚警率过高的问题。本发明输入待处理的红外卷云图像并进行预处理,得到预处理后的图像;利用最小核值相似区法对预处理后的图像提取SUSAN边缘特征图;对预处理后的图像进行小波变换,得到低频系数近似图;利用分步三角棱柱法和地毯覆盖法求得低频系数近似图的分形维数特征图和多尺度分形面积特征图;计算SUSAN边缘特征图、分形维数特征图和多尺度分形面积特征图三张特征图中每个像素点的一致性测度作为融合权重,基于融合权重对三张特征图像进行像素级的融合,得到特征融合图后再处理,得到最终的检测结果。本发明用于红外卷云检测。
Description
技术领域
一种融合边缘信息的小波域分形红外卷云检测方法,用于红外卷云检测,属于遥感图像处理领域。
背景技术
空间红外卫星是对地观测及遥感***的重要组成部分,在红外预警、导弹拦截等军事方面发挥着重要作用。由于红外成像条件,在红外图像无可避免会出现噪声或干扰。其中虚警源在卫星红外图像上与目标表现类似,都具有较高的灰度,因此可能造成遥感预警***的虚警。
大量研究表明,虚警源大部分来源于自然景物,如高空卷云、弯曲的河道、结冰的湖泊等。自然景物通常具有复杂的外形,传统的几何理论已经无法描述。
现有技术中红外卷云检测方法主要依靠于单帧图像检测,主要为阈值分割法和机器学习法。阈值分割将图像分割成不同区域,使得相邻区域在性质上有着显著差异。机器学习的方法主要是利用支持向量机训练或者建立神经网络进行训练。但是两种方法存在如下缺陷:阈值分割方法需要人为设置各种阈值,很大程度上依赖于操作者的经验,阈值分割法利用的阈值时往往取决于待处理图像,需要提前设定因素较多,同时还容易忽略卷云的纹理特征,且十分依赖卷云和其他物体的对比度,难以区分卷云和其他高辐射的物体。机器学习法检测结果准确率的高低依赖于前期大量的样本训练,在样本数量较少的情况下,机器学习法没有大量样本训练,会导致检测效果差。
发明内容
针对上述研究的问题,本发明的目的在于提供一种融合边缘信息的小波域分形红外卷云检测方法,解决现有技术中对目标进行检测时,虚警率过高的问题。
为了达到上述目的,本发明采用如下技术方案:
一种融合边缘信息的小波域分形红外卷云检测方法,其特征在于,包括以下步骤:
步骤1:输入待处理的红外卷云图像并进行预处理,得到预处理后的图像;
步骤2:利用最小核值相似区法对预处理后的图像提取SUSAN边缘特征图;
步骤3:对预处理后的图像进行小波变换,得到低频系数近似图;
步骤4:分别利用分步三角棱柱法和地毯覆盖法求得低频系数近似图的分形维数特征图和多尺度分形面积特征图;
步骤5:计算SUSAN边缘特征图、分形维数特征图和多尺度分形面积特征图三张特征图中每个像素点的一致性测度作为融合权重,基于融合权重对三张特征图像进行像素级的融合,得到特征融合图;
步骤6:将特征融合图依次经过阈值分割和形态学操作,得到检测结果。
进一步,所述步骤1中,对红外卷云图像进行预处理的具体步骤为:
步骤1.1、对红外卷云图像进行中值滤波处理,即将红外卷云图像中任意一像素点的值用该像素点的邻域里各像素点值排序后的中值代替;
步骤1.2、对中值滤波处理后得到的图像进行直方图均衡化处理。
进一步,所述步骤2的具体步骤为:
步骤2.1、首先在预处理后的图像的左上角建立一个a×a的窗口,窗口内每个像素点就是预处理后的图像中、在窗口内的图像的像素点,将窗口的中心像素点的灰度值与窗口内其它像素点的灰度值进行相似比较,相似比较函数如下:
式中,r和r0分别为窗口内的图像的中心像素点和窗口内的图像中除中心像素点以外的其他像素点的坐标,c(r,r0)为相似比较结果,I为像素点的灰度值,t为灰度差阈值;
步骤2.2、根据相似比较结果,计算窗口内的图像中中心像素点的核值相似区的大小,计算公式为:
步骤2.3、根据中心像素点的核值相似区的大小,计算窗口内的图像中中心像素点的边缘的响应值即预处理后的图像中像素点的边缘的响应值计算公式为:
式中,g为几何阈值;
步骤2.4、判断是否计算出预处理后的图像中每个像素点的边缘的响应值若是,得到SUSAN边缘特征图,若不是,转到步骤2.1,按照从左向右、从上至下的规律通过窗口移动像素点,每次只移动一个像素点,计算预处理后的图像中下一个像素点的边缘的响应值
进一步,所述步骤3的具体步骤为:
对预处理后的图像进行一次小波分解,得到低频系数近似图。
进一步,所述步骤4的具体步骤为:
步骤4.1、在低频系数近似图的左上角建立一个c×c的窗口,窗口内每个像素点就是低频系数近似图中、在窗口内的图像的像素点;
步骤4.2、利用分步三角棱柱法提取窗口内的图像中的分形维数特征图,具体为:
对于窗口内的图像的灰度值g(i,j),分步三角棱柱法是先给定窗口内的图像的两个相邻的角像素点之间的距离为步长s,s为一个变量,取值范围是1≤s≤c-1,角像素点的高度为所对应的灰度值,中心像素点的高度为四个角像素点的灰度值的平均值;利用几何知识分别计算由四个角像素点和中心像素点组成的四个三角棱柱的表面积Ai(s),i=1,2,3,4,得到三角棱柱总表面A(s)=∑Ai(s);根据式(4),利用最小二乘法对log A(s)和log s进行直线拟合,得到直线斜率k,即可得到分形维数特征值D=2-k;
log A(s)=(2-D)log s+K (4)
步骤4.3、利用地毯覆盖法提取窗口内的图像中的多尺度分形面积特征图,具体为:
对于窗口内的图像的灰度值g(i,j),地毯覆盖法是用厚度为2ε的毯子覆盖曲面,设覆盖的地毯有上表面uε和下表面bε,并且初始值u0(i,j)=b0(i,j)=g(i,j),对于ε=1,2,3......q,q为整数,地毯上下表面计算公式为:
式中,|(m,n)-(i,j)|≤1表示像素点(i,j)与像素点(m,n)之间的距离不超过1,即点(m,n)是点(i,j)的四邻域点;
根据地毯上下表面,计算厚度ε下地毯的体积Vε和灰度表面积A(ε),计算公式为:
根据log A(ε)=(2-D)logε+K利用最小二乘法拟合曲线,对log A(ε)与logε进行曲线拟合,得到直线的截距值,即多尺度分形面积值;
步骤4.3、判断是否计算出低频系数近似图所有像素点的分形维数特征值和多尺度分形面积值,若是,将得到的所有像素点的分形维数特征值和多尺度分形面积值经过采样恢复到预处理后的图像的尺寸,即得到对应的分形维数特征图和多尺度分形面积特征图;若不是,转到步骤4.1,按照从左向右、从上至下的规律通过窗口移动像素点,每次只移动一个像素点,计算下一个像素点的分形维数特征值和多尺度分形面积值。
进一步,所述步骤5的具体步骤为:
步骤5.1、对于原始的红外卷云图像上任意一像素i,其在SUSAN边缘特征图F1、分形维数特征图F2、多尺度分形面积特征图F3中的特征值分别表示为F1(i)、F2(i)、F3(i),计算像素点i在任意两张特征图j和k中的特征值差异,计算公式为:
步骤5.2、根据3幅特征图计算得到的两两特征图中特征值差异,得到3幅特征图对应的像素i的相似矩阵,相似矩阵如下:
其中,a11=a22=a33=1;
步骤5.3、基于相似矩阵,计算像素点i在第p幅特征图与其他特征图的特征值的一致性测度,计算公式为:
式中,P=1、2、3;
步骤5.4、将得到的一致性测试用作像素点i在特征图p中的融合权重,根据融合权重进行像素级别的融合,融合后得到特征融合图,融合公式为:
进一步,所述步骤6的具体步骤为:
利用0tsu法对特征融合图进行阈值分割,阈值分割后利用形态学操作消除干扰点,即得到最终的检测结果。
本发明同现有技术相比,其有益效果表现在:
一、本发明在小波域上利用了卷云固有的分形维数特征和多尺度分形面积特征,并融合了SUSAN边缘特征,基于像素点的特征值一致性测度的特征融合,能够有效利用特征将卷云与背景区分开,能够实现自动融合而不需提前设值,检测的准确率可达到90%以上。
二、本发明事先不需要采集样本,区别于机器学习类方法所需的大样本,可以解决机器学习在样本数量少时卷云检测不准确的问题。
三、本发明将基于小波域计算分形特征,相较于直接使用原始图像计算分形特征的计算量大大减少,并且融合边缘信息能够有效减小分形特征边缘粘连的问题。
附图说明
图1为本发明的流程图;
图2为本发明中红外卷云图像及其预处理后的图像,其中,(a)表示红外卷云图像,(b)表示预处理后的图像;
图3为本发明中提取预处理后图像后得到的SUSAN边缘特征图;
图4为本发明中提取低频系数近似图提取的分形维数特征图及多尺度分形面积特征图,其中,(a)表示分形维数特征图,(b)表示多尺度分形面积特征图;
图5为本发明中基于像素级的特征融合图;
图6为本发明中最终的检测结果图。
具体实施方式
下面将结合附图及具体实施方式对本发明作进一步的描述。
分形理论对自然界出现的一些不规则的自然物体给予了数学描述。低层次的图像处理小核值相似区方法(Smallest Univalue Segment Assimilating,SUSAN)最早是由Smith等人提出,该算法基于图像的灰度值,对低层次图像处理有很好的适用性,具有方法简便,抗噪能力强、鲁棒性好等特点。本发明基于分形理论针对高空卷云这一虚警源进行研究,旨在减少目标检测时的虚警率,提高检测精度。具体为:
一种融合边缘信息的小波域分形红外卷云检测方法,包括以下步骤:
对m×n的红外卷云图像进行中值滤波处理,如图2所示,即将红外卷云图像中任意一像素点的值用像素该点的邻域里各像素点值排序后的中值代替;中值滤波去噪时,能够消除孤立的噪点,并且保持边缘完整。
对中值滤波处理后得到的图像进行直方图均衡化处理,直方图均衡化处理可增强对比度。首先在预处理后的图像的左上角建立一个a×a的窗口,一般取值为5*5、7*7或9*9,窗口内每个像素点就是预处理后的图像中、在窗口内的图像的像素点,将窗口的中心像素点的灰度值与窗口内其它像素点的灰度值进行相似比较,相似比较函数如下:
式中,r和r0分别为窗口内的图像的中心像素点和窗口内的图像中除中心像素点以外的其他像素点的坐标,c(r,r0)为相似比较结果,I为像素点的灰度值,t为灰度差阈值;
根据相似比较结果,计算窗口内的图像中中心像素点的核值相似区的大小,计算公式为:
根据中心像素点的核值相似区的大小,计算窗口内的图像中中心像素点的边缘的响应值即预处理后的图像中像素点的边缘的响应值计算公式为:
式中,g为几何阈值;
判断是否计算出预处理后的图像中每个像素点的边缘的响应值若是,得到SUSAN边缘特征图,如图3所示,若不是,按照从左向右、从上至下的规律通过窗口移动预处理后的图像中的像素点,每次只移动一个像素点,计算预处理后的图像中下一个像素点的边缘的响应值
对预处理后的图像进行一次小波分解,得到低频系数近似图。
在低频系数近似图的左上角建立一个c×c的窗口,窗口内每个像素点就是低频系数近似图中、在窗口内的图像的像素点,其中,c×c为5×5;
利用分步三角棱柱法提取窗口内的图像中的分形维数特征图,具体为:
对于窗口内的图像的灰度值g(i,j),分步三角棱柱法是先给定窗口内的图像的两个相邻的角像素点之间的距离为步长s,s为一个变量,取值范围是1≤s≤c-1,角像素点的高度为所对应的灰度值,中心像素点的高度为四个角像素点的灰度值的平均值;利用几何知识分别计算由四个角像素点和中心像素点组成的四个三角棱柱的表面积Ai(s),i=1,2,3,4,得到三角棱柱总表面A(s)=∑Ai(s);根据式(4),利用最小二乘法对log A(s)和log s进行直线拟合,得到直线斜率k,即可得到分形维数特征值D=2-k;
log A(s)=(2-D)logs+K (4)
利用地毯覆盖法提取窗口内的图像中的多尺度分形面积特征图,具体为:
对于窗口内的图像的灰度值g(i,j),地毯覆盖法是用厚度为2ε的毯子覆盖曲面,设覆盖的地毯有上表面uε和下表面bε,并且初始值u0(i,j)=b0(i,j)=g(i,j),对于ε=1,2,3......q,q为整数,地毯上下表面计算公式为:
式中,|(m,n)-(i,j)|≤1表示像素点(i,j)与像素点(m,n)之间的距离不超过1,即点(m,n)是点(i,j)的四邻域点;
根据地毯上下表面,计算厚度ε下地毯的体积Vε和灰度表面积A(ε),计算公式为:
根据log A(ε)=(2-D)logε+K利用最小二乘法拟合曲线,对log A(ε)与logε进行曲线拟合,得到直线的截距值,即多尺度分形面积值;
判断是否计算出低频系数近似图所有像素点的分形维数特征值和多尺度分形面积值,若是,将得到的所有像素点的分形维数特征值和多尺度分形面积值经过采样恢复到预处理后的图像的尺寸,即得到对应的分形维数特征图和多尺度分形面积特征图;若不是,按照从左向右、从上至下的规律通过窗口移动低频系数近似图中的像素点,每次只移动一个像素点,计算下一个像素点的分形维数特征值和多尺度分形面积值。
对于原始的红外卷云图像上任意一像素i,其在SUSAN边缘特征图F1、分形维数特征图F2、多尺度分形面积特征图F3中的特征值分别表示为F1(i)、F2(i)、F3(i),计算像素点i在任意两张特征图j和k中的特征值差异,计算公式为:
根据3幅特征图计算得到的两两特征图中特征值差异,得到3幅特征图对应的像素i的相似矩阵,相似矩阵如下:
其中,a11=a22=a33=1;
计算像素点i在第p幅特征图与其他特征图的特征值的一致性测度,计算公式为:
式中,p=1、2、3,如:
将得到的一致性测试用作像素点i在特征图p中的融合权重,根据融合权重进行像素级别的融合,融合后得到特征融合图,如图5所示,融合公式为:
利用Otsu法对特征融合图进行阈值分割,阈值分割后利用形态学操作消除干扰点,即得到最终的检测结果,如图6所示。
以上仅是本发明众多具体应用范围中的代表性实施例,对本发明的保护范围不构成任何限制。凡采用变换或是等效替换而形成的技术方案,均落在本发明权利保护范围之内。
Claims (7)
1.一种融合边缘信息的小波域分形红外卷云检测方法,其特征在于,包括以下步骤:
步骤1:输入待处理的红外卷云图像并进行预处理,得到预处理后的图像;
步骤2:利用最小核值相似区法对预处理后的图像提取SUSAN边缘特征图;
步骤3:对预处理后的图像进行小波变换,得到低频系数近似图;
步骤4:分别利用分步三角棱柱法和地毯覆盖法求得低频系数近似图的分形维数特征图和多尺度分形面积特征图;
步骤5:计算SUSAN边缘特征图、分形维数特征图和多尺度分形面积特征图三张特征图中每个像素点的一致性测度作为融合权重,基于融合权重对三张特征图像进行像素级的融合,得到特征融合图;
步骤6:将特征融合图依次经过阈值分割和形态学操作,得到检测结果。
2.根据权利要求1所述的一种融合边缘信息的小波域分形红外卷云检测方法,其特征在于,所述步骤1中,对红外卷云图像进行预处理的具体步骤为:
步骤1.1、对红外卷云图像进行中值滤波处理,即将红外卷云图像中任意一像素点的值用该像素点的邻域里各像素点值排序后的中值代替;
步骤1.2、对中值滤波处理后得到的图像进行直方图均衡化处理。
3.根据权利要求1或2所述的一种融合边缘信息的小波域分形红外卷云检测方法,其特征在于,所述步骤2的具体步骤为:
步骤2.1、首先在预处理后的图像的左上角建立一个a×a的窗口,窗口内每个像素点就是预处理后的图像中、在窗口内的图像的像素点,将窗口的中心像素点的灰度值与窗口内其它像素点的灰度值进行相似比较,相似比较函数如下:
式中,r和r0分别为窗口内的图像的中心像素点和窗口内的图像中除中心像素点以外的其他像素点的坐标,c(r,r0)为相似比较结果,I为像素点的灰度值,t为灰度差阈值;
步骤2.2、根据相似比较结果,计算窗口内的图像中中心像素点的核值相似区的大小,计算公式为:
步骤2.3、根据中心像素点的核值相似区的大小,计算窗口内的图像中中心像素点的边缘的响应值即预处理后的图像中像素点的边缘的响应值计算公式为:
式中,g为几何阈值;
步骤2.4、判断是否计算出预处理后的图像中每个像素点的边缘的响应值若是,得到SUSAN边缘特征图,若不是,转到步骤2.1,按照从左向右、从上至下的规律通过窗口移动像素点,每次只移动一个像素点,计算预处理后的图像中下一个像素点的边缘的响应值
4.根据权利要求1或2所述的一种融合边缘信息的小波域分形红外卷云检测方法,其特征在于,所述步骤3的具体步骤为:
对预处理后的图像进行一次小波分解,得到低频系数近似图。
5.根据权利要求4所述的一种融合边缘信息的小波域分形红外卷云检测方法,其特征在于,所述步骤4的具体步骤为:
步骤4.1、在低频系数近似图的左上角建立一个c×c的窗口,窗口内每个像素点就是低频系数近似图中、在窗口内的图像的像素点;
步骤4.2、利用分步三角棱柱法提取窗口内的图像中的分形维数特征图,具体为:
对于窗口内的图像的灰度值g(i,j),分步三角棱柱法是先给定窗口内的图像的两个相邻的角像素点之间的距离为步长s,s为一个变量,取值范围是1≤s≤c-1,角像素点的高度为所对应的灰度值,中心像素点的高度为四个角像素点的灰度值的平均值;利用几何知识分别计算由四个角像素点和中心像素点组成的四个三角棱柱的表面积Ai(s),i=1,2,3,4,得到三角棱柱总表面A(s)=∑Ai(s);根据式(4),利用最小二乘法对logA(s)和logs进行直线拟合,得到直线斜率k,即可得到分形维数特征值D=2-k;
logA(s)=(2-D)logs+K (4)
步骤4.3、利用地毯覆盖法提取窗口内的图像中的多尺度分形面积特征图,具体为:
对于窗口内的图像的灰度值g(i,j),地毯覆盖法是用厚度为2ε的毯子覆盖曲面,设覆盖的地毯有上表面uε和下表面bε,并且初始值u0(i,j)=b0(i,j)=g(i,j),对于ε=1,2,3......q,q为整数,地毯上下表面计算公式为:
式中,|(m,n)-(i,j)|≤1表示像素点(i,j)与像素点(m,n)之间的距离不超过1,即点(m,n)是点(i,j)的四邻域点;
根据地毯上下表面,计算厚度ε下地毯的体积Vε和灰度表面积A(ε),计算公式为:
根据logA(ε)=(2-D)logε+K利用最小二乘法拟合曲线,对logA(ε)与logε进行曲线拟合,得到直线的截距值,即多尺度分形面积值;
步骤4.3、判断是否计算出低频系数近似图所有像素点的分形维数特征值和多尺度分形面积值,若是,将得到的所有像素点的分形维数特征值和多尺度分形面积值经过采样恢复到预处理后的图像的尺寸,即得到对应的分形维数特征图和多尺度分形面积特征图;若不是,转到步骤4.1,按照从左向右、从上至下的规律通过窗口移动像素点,每次只移动一个像素点,计算下一个像素点的分形维数特征值和多尺度分形面积值。
6.根据权利要求3或5所述的一种融合边缘信息的小波域分形红外卷云检测方法,其特征在于,所述步骤5的具体步骤为:
步骤5.1、对于原始的红外卷云图像上任意一像素i,其在SUSAN边缘特征图F1、分形维数特征图F2、多尺度分形面积特征图F3中的特征值分别表示为F1(i)、F2(i)、F3(i),计算像素点i在任意两张特征图j和k中的特征值差异,计算公式为:
步骤5.2、根据3幅特征图计算得到的两两特征图中特征值差异,得到3幅特征图对应的像素i的相似矩阵,相似矩阵如下:
其中,a11=a22=a33=1;
步骤5.3、基于相似矩阵,计算像素点i在第p幅特征图与其他特征图的特征值的一致性测度,计算公式为:
式中,P=1、2、3;
步骤5.4、将得到的一致性测试用作像素点i在特征图p中的融合权重,根据融合权重进行像素级别的融合,融合后得到特征融合图,融合公式为:
7.根据权利要求6所述的一种融合边缘信息的小波域分形红外卷云检测方法,其特征在于,所述步骤6的具体步骤为:
利用Otsu法对特征融合图进行阈值分割,阈值分割后利用形态学操作消除干扰点,即得到最终的检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910392985.XA CN110110675B (zh) | 2019-05-13 | 2019-05-13 | 一种融合边缘信息的小波域分形红外卷云检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910392985.XA CN110110675B (zh) | 2019-05-13 | 2019-05-13 | 一种融合边缘信息的小波域分形红外卷云检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110110675A true CN110110675A (zh) | 2019-08-09 |
CN110110675B CN110110675B (zh) | 2023-01-06 |
Family
ID=67489629
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910392985.XA Active CN110110675B (zh) | 2019-05-13 | 2019-05-13 | 一种融合边缘信息的小波域分形红外卷云检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110110675B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110796677A (zh) * | 2019-10-29 | 2020-02-14 | 北京环境特性研究所 | 一种基于多波段特性的卷云虚警源检测方法 |
CN112116004A (zh) * | 2020-09-18 | 2020-12-22 | 推想医疗科技股份有限公司 | 病灶分类方法及装置、病灶分类模型的训练方法 |
CN112329677A (zh) * | 2020-11-12 | 2021-02-05 | 北京环境特性研究所 | 基于特征融合的遥感图像河道目标检测方法和装置 |
CN112329674A (zh) * | 2020-11-12 | 2021-02-05 | 北京环境特性研究所 | 基于多纹理特征融合的结冰湖泊检测方法和装置 |
CN114443880A (zh) * | 2022-01-24 | 2022-05-06 | 南昌市安厦施工图设计审查有限公司 | 一种装配式建筑的大样图审图方法及审图*** |
CN114842235A (zh) * | 2022-03-22 | 2022-08-02 | 西安电子科技大学 | 一种基于形状先验分割和多尺度特征聚合的红外弱小目标识别方法 |
CN115018850A (zh) * | 2022-08-09 | 2022-09-06 | 深圳市领拓实业有限公司 | 基于图像处理的精密电子零部件冲压孔毛刺检测方法 |
CN117350926A (zh) * | 2023-12-04 | 2024-01-05 | 北京航空航天大学合肥创新研究院 | 一种基于目标权重的多模态数据增强方法 |
CN114842235B (zh) * | 2022-03-22 | 2024-07-16 | 西安电子科技大学 | 一种基于形状先验分割和多尺度特征聚合的红外弱小目标识别方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070061022A1 (en) * | 1991-12-23 | 2007-03-15 | Hoffberg-Borghesani Linda I | Adaptive pattern recognition based controller apparatus and method and human-factored interface therefore |
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 |
CN102136059A (zh) * | 2011-03-03 | 2011-07-27 | 苏州市慧视通讯科技有限公司 | 一种基于视频分析的烟雾检测方法 |
CN102222322A (zh) * | 2011-06-02 | 2011-10-19 | 西安电子科技大学 | 基于多尺度非局部均值的红外图像背景抑制方法 |
CN102646200A (zh) * | 2012-03-08 | 2012-08-22 | 武汉大学 | 多分类器自适应权值融合的影像分类方法及*** |
CN103471552A (zh) * | 2013-09-04 | 2013-12-25 | 陈慧群 | 碳纤维复合材料切削加工表面形貌表征方法 |
CN103854267A (zh) * | 2014-03-12 | 2014-06-11 | 昆明理工大学 | 一种基于变分与分数阶微分的图像融合与超分辨率实现方法 |
CN108648184A (zh) * | 2018-05-10 | 2018-10-12 | 电子科技大学 | 一种遥感图像高空卷云的检测方法 |
CN108647658A (zh) * | 2018-05-16 | 2018-10-12 | 电子科技大学 | 一种高空卷云的红外成像检测方法 |
CN108830819A (zh) * | 2018-05-23 | 2018-11-16 | 青柠优视科技(北京)有限公司 | 一种深度图像与红外图像的图像融合方法及装置 |
CN109658429A (zh) * | 2018-12-21 | 2019-04-19 | 电子科技大学 | 一种基于边界分维数的红外图像卷云检测方法 |
-
2019
- 2019-05-13 CN CN201910392985.XA patent/CN110110675B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070061022A1 (en) * | 1991-12-23 | 2007-03-15 | Hoffberg-Borghesani Linda I | Adaptive pattern recognition based controller apparatus and method and human-factored interface therefore |
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 |
CN102136059A (zh) * | 2011-03-03 | 2011-07-27 | 苏州市慧视通讯科技有限公司 | 一种基于视频分析的烟雾检测方法 |
CN102222322A (zh) * | 2011-06-02 | 2011-10-19 | 西安电子科技大学 | 基于多尺度非局部均值的红外图像背景抑制方法 |
CN102646200A (zh) * | 2012-03-08 | 2012-08-22 | 武汉大学 | 多分类器自适应权值融合的影像分类方法及*** |
CN103471552A (zh) * | 2013-09-04 | 2013-12-25 | 陈慧群 | 碳纤维复合材料切削加工表面形貌表征方法 |
CN103854267A (zh) * | 2014-03-12 | 2014-06-11 | 昆明理工大学 | 一种基于变分与分数阶微分的图像融合与超分辨率实现方法 |
CN108648184A (zh) * | 2018-05-10 | 2018-10-12 | 电子科技大学 | 一种遥感图像高空卷云的检测方法 |
CN108647658A (zh) * | 2018-05-16 | 2018-10-12 | 电子科技大学 | 一种高空卷云的红外成像检测方法 |
CN108830819A (zh) * | 2018-05-23 | 2018-11-16 | 青柠优视科技(北京)有限公司 | 一种深度图像与红外图像的图像融合方法及装置 |
CN109658429A (zh) * | 2018-12-21 | 2019-04-19 | 电子科技大学 | 一种基于边界分维数的红外图像卷云检测方法 |
Non-Patent Citations (3)
Title |
---|
代鑫: "基于时空联合的海天背景舰船目标检测方法研究", 《中国优秀硕士论文电子期刊网 信息科技辑》 * |
李柯: "红外动态目标检测算法研究", 《中国优秀硕士论文电子期刊网 信息科技辑》 * |
杨春平: "天空背景光谱特性建模及仿真", 《中国博士学位论文电子期刊网 基础科学辑》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110796677A (zh) * | 2019-10-29 | 2020-02-14 | 北京环境特性研究所 | 一种基于多波段特性的卷云虚警源检测方法 |
CN110796677B (zh) * | 2019-10-29 | 2022-10-21 | 北京环境特性研究所 | 一种基于多波段特性的卷云虚警源检测方法 |
CN112116004A (zh) * | 2020-09-18 | 2020-12-22 | 推想医疗科技股份有限公司 | 病灶分类方法及装置、病灶分类模型的训练方法 |
CN112116004B (zh) * | 2020-09-18 | 2021-11-02 | 推想医疗科技股份有限公司 | 病灶分类方法及装置、病灶分类模型的训练方法 |
CN112329677B (zh) * | 2020-11-12 | 2024-02-02 | 北京环境特性研究所 | 基于特征融合的遥感图像河道目标检测方法和装置 |
CN112329677A (zh) * | 2020-11-12 | 2021-02-05 | 北京环境特性研究所 | 基于特征融合的遥感图像河道目标检测方法和装置 |
CN112329674A (zh) * | 2020-11-12 | 2021-02-05 | 北京环境特性研究所 | 基于多纹理特征融合的结冰湖泊检测方法和装置 |
CN112329674B (zh) * | 2020-11-12 | 2024-03-12 | 北京环境特性研究所 | 基于多纹理特征融合的结冰湖泊检测方法和装置 |
CN114443880A (zh) * | 2022-01-24 | 2022-05-06 | 南昌市安厦施工图设计审查有限公司 | 一种装配式建筑的大样图审图方法及审图*** |
CN114842235A (zh) * | 2022-03-22 | 2022-08-02 | 西安电子科技大学 | 一种基于形状先验分割和多尺度特征聚合的红外弱小目标识别方法 |
CN114842235B (zh) * | 2022-03-22 | 2024-07-16 | 西安电子科技大学 | 一种基于形状先验分割和多尺度特征聚合的红外弱小目标识别方法 |
CN115018850B (zh) * | 2022-08-09 | 2022-11-01 | 深圳市领拓实业有限公司 | 基于图像处理的精密电子零部件冲压孔毛刺检测方法 |
CN115018850A (zh) * | 2022-08-09 | 2022-09-06 | 深圳市领拓实业有限公司 | 基于图像处理的精密电子零部件冲压孔毛刺检测方法 |
CN117350926A (zh) * | 2023-12-04 | 2024-01-05 | 北京航空航天大学合肥创新研究院 | 一种基于目标权重的多模态数据增强方法 |
CN117350926B (zh) * | 2023-12-04 | 2024-02-13 | 北京航空航天大学合肥创新研究院 | 一种基于目标权重的多模态数据增强方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110110675B (zh) | 2023-01-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110110675A (zh) | 一种融合边缘信息的小波域分形红外卷云检测方法 | |
Hu et al. | Improving the efficiency and accuracy of individual tree crown delineation from high-density LiDAR data | |
Huang et al. | A new building extraction postprocessing framework for high-spatial-resolution remote-sensing imagery | |
CN109583293A (zh) | 星载sar图像中的飞机目标检测与鉴别方法 | |
CN104361582B (zh) | 一种对象级高分辨率sar影像洪水灾害变化检测方法 | |
CN107392885A (zh) | 一种基于视觉对比机制的红外弱小目标检测方法 | |
CN108491757A (zh) | 基于多尺度特征学习的光学遥感图像目标检测方法 | |
CN110148162A (zh) | 一种基于复合算子的异源图像匹配方法 | |
CN108764186A (zh) | 基于旋转深度学习的人物遮挡轮廓检测方法 | |
CN105279772B (zh) | 一种红外序列图像的可跟踪性判别方法 | |
CN108830331A (zh) | 一种基于全卷积网络的探地雷达目标检测方法 | |
CN108664939A (zh) | 一种基于hog特征与深度学习的遥感图像飞机识别方法 | |
CN108038856B (zh) | 基于改进多尺度分形增强的红外小目标检测方法 | |
Dixit et al. | Image texture analysis-survey | |
CN110378924A (zh) | 基于局部熵的水平集图像分割方法 | |
CN106600607B (zh) | 一种基于水平集分割极化sar影像的水体精确提取方法 | |
CN110443139A (zh) | 一种面向分类的高光谱遥感影像噪声波段探测方法 | |
Kumar et al. | Comparative analysis for edge detection techniques | |
CN107369163B (zh) | 一种基于最佳熵双阈值分割的快速sar图像目标检测方法 | |
CN106023166B (zh) | 微波图像中人体隐藏危险物体的检测方法和装置 | |
CN109785318B (zh) | 基于面线基元关联约束的遥感图像变化检测方法 | |
CN107729903A (zh) | 基于区域概率统计和显著性分析的sar图像目标检测方法 | |
CN111882573A (zh) | 一种基于高分辨率影像数据的耕地地块提取方法及*** | |
Vukadinov et al. | An algorithm for coastline extraction from satellite imagery | |
Kekre et al. | SAR Image Segmentation using co-occurrence matrix and slope magnitude |
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 |