CN114419342A - 一种基于fpga的高分辨率图像多目标多特征实时提取方法 - Google Patents
一种基于fpga的高分辨率图像多目标多特征实时提取方法 Download PDFInfo
- Publication number
- CN114419342A CN114419342A CN202210110677.5A CN202210110677A CN114419342A CN 114419342 A CN114419342 A CN 114419342A CN 202210110677 A CN202210110677 A CN 202210110677A CN 114419342 A CN114419342 A CN 114419342A
- Authority
- CN
- China
- Prior art keywords
- target
- pixel
- pixels
- label
- mark
- 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.)
- Pending
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明属于航天或卫星的遥感或红外高分辨率图像目标实时检测技术领域,具体地说,涉及一种基于FPGA的高分辨率图像多目标多特征实时提取方法,该方法包括:对接收的高分辨率原始图像进行分割,得到多个像素,并对每个像素进行二值标注,将二值信息标注在每个像素的最高位上,得到多个带有二值信息的像素;针对多个带有二值信息的像素,建立标号表;并根据建立的标号表,对目标做连通域标记和标号合并,并进行连通标记,形成目标区域,根据该目标区域,建立目标特征集,并提取目标特征集中的目标的基础特征属性;在一次遍历接收的原始图像后,输出原始图像内所有的目标区域和对应的目标的基础特征属性。
Description
技术领域
本发明属于航天或卫星的遥感或红外高分辨率图像目标实时检测技术领域,具体地说,涉及一种基于FPGA的高分辨率图像多目标多特征实时提取方法。
背景技术
目标特征提取是目标确认的前提,是目标标识的关键步骤。目标特征提取是将背景抑制后的离散目标区域标记为完整目标并提取出目标特征,涉及连通区域标记与区域特征实时计算与输出。连通域标记与连通域的形状和结构有密切关系,标记算法中又含有大量的判断、比较和移位操作,计算虽然不复杂,但数据在缓存中交互操作以及数据间的比较等操作众多,且标记处理不能在局部进行完全并行操作,需要串行处理,运行效率低,特征输出滞后。由于当前图像分辨率越来越高,帧频越来越快,在连续高分辨图像序列(包含航天或卫星的遥感或红外高分辨图像)快速进入时,实时连通出目标区域且提取特征难度大,是实时目标检测处理***中的瓶颈点。
传统的目标特征提取方法采用的先连通域标记,再对标记完成的连通域进行二次处理,统计连通域各项特征后再输出。但是,上述方法流程需要对图像区域进行至少两次甚至多次遍历,严重影响目标检测实时性能。
发明内容
为了解决现有技术存在的问题,本发明提出了一种基于FPGA的高分辨率图像多目标多特征实时提取方法,解决现有的高分辨率高频图像目标特征提取方法实时性差,不能在图像经过阈值分割生成离散目标点后,仅对图像进行一次遍历即完成将离散点连通成目标区域,并即时输出该目标区域特征的问题。该方法利用FPGA的半定制特点,内部资源可以自由调配的长处,调整标记和计算方法,将连通域标记和特征提取结合到一起,在图像进入的同时边标记边统计特征,一次遍历图像后即时输出目标区域及相关特征,实现目标特征实时提取,且有效降低***资源,可满足高速实时目标检测***的需求。
本发明提供了一种基于FPGA的高分辨率图像多目标多特征实时提取方法,该方法包括:
对接收的高分辨率原始图像进行分割,得到多个像素,并对每个像素进行二值标注,将二值信息标注在每个像素的最高位上,得到多个带有二值信息的像素;
针对多个带有二值信息的像素,建立标号表;并根据建立的标号表,对目标做连通域标记和标号合并,并进行连通标记,形成目标区域,根据该目标区域,建立目标特征集,并提取目标特征集中的目标的基础特征属性;
在一次遍历接收的原始图像后,输出原始图像内所有的目标区域和对应的目标的基础特征属性。
作为上述技术方案的改进之一,所述对接收的高分辨率原始图像进行分割,得到多个像素,并对每个像素中的每个像素进行二值标注,将二值信息标注在每个像素的最高位上,得到多个带有二值信息的像素;其具体过程包括:
接收输入的高分辨率原始图像,并按设定阈值将高于阈值的为目标点,低于阈值的为背景点,对接收的原始图像进行分割,得到多个像素;
对每个像素中的每个点的像素进行二值标注;将目标点的像素最高位设置为1,背景点的像素最高位设置为0;完成将二值信息标注在每个点的像素的最高位上,得到多个带有二值信息的像素,实现对输入的原始图像的二值化标注。
作为上述技术方案的改进之一,所述针对多个带有二值信息的像素,建立标号表;其具体过程包括:
针对多个带有二值信息的像素,根据像素最高位的二值化信息,按光栅扫描方向对接收的原始图像做区域连通,采用8邻域连通准则,设定连通工作窗,该连通工作窗中的像素p为前景像素,并对其进行标号,记为f(p);像素a、b、c和d均为背景像素,将每个背景像素进行对应的标号,记为f(a)、f(b)、f(c)和f(d),将上述标号进行保存,并存储在预先创建的空的标号表中。
作为上述技术方案的改进之一,所述根据建立的标号表,目标连通域标记和标号合并,进行连通标记,形成目标区域,根据该目标区域,建立目标特征集,并提取目标特征集中的目标的基础特征属性;其具体过程包括:
根据建立的标号表,假设像素p为前景像素,并对其进行标号,记为f(p),作为待标记像素;像素a、b、c和d均为背景像素,将每个背景像素进行对应的标号,记为f(a)、f(b)、f(c)和f(d);
根据连通工作窗内背景像素与前景像素的关系,对连通工作窗内的像素进行判断,分配临时标号;
其中,临时标号flag(p)的分配和判断过程具体如下:
第一种情况,邻域为背景像素,p为新的连通域起点,定义其标号为flag(i+1);
第二种情况,领域内有1~4个已标记点,但标号相同,则当前像素标号继承邻域标号flag(i);
第三种情况,邻域内两个点标号不同,根据8邻域连通准则,两个不同标号位置只有两种:a和c不同,以及d和c不同;
此时设flag(p)为两个不同标号中的小标号;在遍历过程中,仅在第三种情况下,使用建立的标号表flag(x),该标号表缓存包含上一行与当前行共2行的标号信息;
当标号冲突时,将前景像素p确定为小标号,同时将上一行的大标号也同步更新为小标号;
当两片独立的连通区域相遇时,连接处的两个临时标号根据上述判断过程进行标号合并和分配,将两片区域连接成一片,得到完整的连通区域,并更新标号表;
经过一次遍历后,不同情况下区域连通后标号在完整的连通区域的底部被统一更新为同一标号;
将经过连通标记后形成的区域作为目标区域,该目标区域中,只有目标像素才有对应的标号。根据目标像素除去最高位的二值化信息的数值信息,计算及统计目标区域的各项特征信息,建立目标特征集I(f)={E(f),S(f),N(f),e(f)};
其中,E(f)为目标的强度;S(f)为目标的大小;N(f)为目标的数量;e(f)为目标的代表点;
对每个目标标号建立一个对应的特征集,该特征集a高速缓存在外部存储器中;
将每个标号对应的目标特征集按标号顺序高速缓存在外部存储器中;对建立的目标特征集同步建立的一一映射的标号映射表,使标号映射表与目标特征集一一对应;
当一个目标区域的底边的任意一点的8连通区域内没有前景像素时,则连通确认完成,输出该目标区域,同时读取对应的目标特征集,并提取该目标特征集中的实时目标的基础特征属性。
作为上述技术方案的改进之一,所述当一个目标区域的底边的任意一点的8连通区域内没有前景像素时,则连通确认完成,输出该目标区域,同时读取对应的目标特征集,并提取该目标特征集中的实时目标的基础特征属性;其具体过程包括:
通过下式,判断目标区域是否已连通完成;
其中,N(f)conn表示目标区域底行任一像元8连通区域内前景像素数量;为区域底行任意像素c;Fg为前景像素;Ωc为目标区域底边Rowbottom上位于(xc,yc)的像元c的8连通区域;Ωc∈{p(x,y)||x-xc|≤1&|y-yc|≤1};其中,p(x,y)为位于坐标(x,y)的像元p;
N(f)conn等于0时,表明目标区域的底边的任意一点的8连通区域内没有前景像素,并已连通完成,此时根据最后的标号读取标号映射表,再根据标号映射表读取外部缓存中的特征集,输出特征集,完成目标区域与特征集的实时输出,进而提取目标的基础特征属性。
作为上述技术方案的改进之一,所述目标的基础特征属性包括:目标的强度、大小、数量及目标代表点。
本发明与现有技术相比的有益效果是:
1、目标特征提取的实时性强,图像进入分割出目标点后,在遍历像素的同时,完成连通域的标记和目标多个特征值的计算、存储及输出;
2、不同于其他连通标记算法的二次或多次遍历,本发明特征提取随图像一次遍历完成,因此不需要耗费更多的资源去存储标号或中间值等信息,节省资源;
3、本发明遍历方法不受图像大小限制,可以适应任意尺寸图像;
4、本发明模块功能独立,可以多个模块并行处理,提升处理速度。
附图说明
图1是本发明的一种基于FPGA的高分辨率图像多目标多特征实时提取方法的方法流程图;
图2是本发明的一种基于FPGA的高分辨率图像多目标多特征实时提取方法中创建标号表的示意图;
图3是本发明的一种基于FPGA的高分辨率图像多目标多特征实时提取方法中标号表传递更新示意图。
具体实施方式
现结合附图对本发明作进一步的描述。
本发明提供了一种基于FPGA的高分辨率图像多目标多特征实时提取方法,该方法是一种对阈值分割后生成的离散目标连通成区域并提取区域特征的方法,利用FPGA的半定制特点,即内部逻辑资源全开放且内部缓存可编程的特点,通过寄存器与缓存联合调用,实现仅一次遍历图像即完成对多个目标区域的连通标记,并同时计算出每个目标连通域的多种属性特征,实现实时多目标特征标记提取。
如图1所示,该方法包括:
对接收的高分辨原始图像进行分割,得到多个像素,并对每个像素进行二值标注,将二值信息标注在每个像素的最高位上,得到多个带有二值信息的像素;
具体地,接收输入的原始图像,并按设定阈值将高于阈值的为目标点,低于阈值的为背景点,对接收的原始图像进行分割,得到多个像素;
对每个像素中的每个点的像素进行二值标注;将目标点的像素最高位设置为1,背景点的像素最高位设置为0;完成将二值信息标注在每个点的像素的最高位上,得到多个带有二值信息的像素,实现对输入的原始图像的二值化标注。
针对多个带有二值信息的像素,建立标号表;并根据建立的标号表,对目标做连通域标记和标号合并,并进行连通标记,形成目标区域,根据该目标区域,建立目标特征集,并提取目标特征集中的目标的基础特征属性;其中,所述目标的基础特征属性包括:目标的强度、大小、数量及目标代表点。其中,通过对上述目标的基础特征属性中的目标的强度和大小进行二次计算,可进一步得到质心和面积。
其中,所述针对多个带有二值信息的像素,建立标号表;其具体过程包括:
针对多个带有二值信息的像素,根据像素最高位的二值化信息,按光栅扫描方向对接收的原始图像做区域连通,采用8邻域连通准则,设定连通工作窗,该连通工作窗中的像素p为前景像素,并对其进行标号,记为f(p);像素a、b、c和d均为背景像素,将每个背景像素进行对应的标号,记为f(a)、f(b)、f(c)和f(d),将上述标号进行保存,并存储在预先创建的空的标号表中。
其中,8邻域连通准则,即对当前像素的标记处理只与其左上、上、右上及左边的像素状态有关。本发明的连通标记方法在传统的连通工作窗的基础上创造了标号表,如图2。
其中,根据建立的标号表,对目标做连通域标记和标号合并,并进行连通标记,形成目标区域,根据该目标区域,建立目标特征集,并提取目标特征集中的目标的基础特征属性的具体过程包括:
根据建立的标号表,假设像素p为前景像素,并对其进行标号,记为f(p),作为待标记像素;像素a、b、c和d均为背景像素,将每个背景像素进行对应的标号,记为f(a)、f(b)、f(c)和f(d);如图2所示,Lprev和Lcurr分别为上一行标号表和当前行的标号表;像素p的临时标号取决于其左上(a),上(b)、左侧(d)和右上(c)的标号。
其中,临时标号flag(p)的分配和判断过程具体如下:
第一种情况,邻域为背景像素,p为新的连通域起点,定义其标号为flag(i+1);
第二种情况,领域内有1~4个已标记点,但标号相同,则当前像素标号继承邻域标号flag(i);
第三种情况,邻域内两个点标号不同,根据8邻域连通准则,两个不同标号位置只有两种:a和c不同,以及d和c不同;
此时设flag(p)为两个不同标号中的小标号;在遍历过程中,仅在第三种情况下,使用建立的标号表flag(x),该标号表缓存包含上一行与当前行共2行的标号信息;
当标号冲突时,将前景像素p确定为小标号,同时将上一行的大标号也同步更新为小标号;
当两片独立的连通区域相遇时,连接处的两个临时标号根据上述判断过程进行标号合并和分配,将两片区域连接成一片,得到完整的连通区域,并更新标号表;通过标号表的建立与更新,实现在判断是否连通的同时完成等价标号的合并,将连通判断与标号合并在一个流程中完成。
结合图3,经过一次遍历后,不同情况下区域连通后标号在完整的连通区域的底部被统一更新为同一标号;
将经过连通标记后形成的区域作为目标区域,该目标区域中,只有目标才有对应的标号,根据目标像素除去最高位的二值化信息的数值信息,计算及统计目标区域的各项特征信息,建立目标特征集I(f)={E(f),S(f),N(f),e(f)};
其中,E(f)为目标的强度;S(f)为目标的大小;N(f)为目标的数量;e(f)为目标的代表点;
对每个目标标号建立一个对应的特征集,该特征集a高速缓存在外部存储器中;
将每个标号对应的目标特征集按标号顺序高速缓存在外部存储器(外部缓存)中;对建立的目标特征集同步建立的一一映射的标号映射表,使标号映射表与目标特征集一一对应;
当一个目标区域的底边的任意一点的8连通区域内没有前景像素时,则连通确认完成,输出该目标区域,同时读取对应的目标特征集,并提取该目标特征集中的实时目标的基础特征属性。
具体地,通过下式,判断目标区域是否已连通完成;
其中,N(f)conn表示目标区域底行任一像元8连通区域内前景像素数量;为区域底行任意像素c;Fg为前景像素;Ωc为目标区域底边Rowbottom上位于(xc,yc)的像元c的8连通区域;Ωc∈{p(x,y)||x-xc|≤1&|y-yc|≤1};其中,p(x,y)为位于坐标(x,y)的像元p;
N(f)conn等于0时,表明目标区域的底边的任意一点的8连通区域内没有前景像素,并已连通完成,此时根据最后的标号读取标号映射表,再根据标号映射表读取外部缓存中的特征集,输出特征集,完成目标区域与特征集的实时输出,进而提取目标的基础特征属性。
在一次遍历接收的原始图像后,输出原始图像内所有的目标区域和对应的目标的基础特征属性。
实施例1.
本发明提供了一种基于FPGA的高分辨率图像多目标多特征实时提取方法,该方法包括:
步骤1)图像接收及二值化标注:接收输入的高分辨率原始图像,并按设定阈值对接收的原始图像进行分割,得到多个像素,对每个像素进行二值标注;将高于阈值的像素设为1,为目标像素;低于阈值的像素设为0,为背景像素;将二值结果标注在每个像素的最高位上,完成对输入的原始图像的二值化标注;其中,该高分辨原始图像为来自于航天或卫星的遥感或红外高分辨图像;
步骤2)标号表建立:根据像素的最高位的二值化信息,按光栅扫描方向对像素做区域连通。连通域标记算法采用8邻域连通准则,即对当前像素的标记处理只与其左上、上、右上及左边的像素状态有关。本发明的连通标记方法在传统的连通工作窗的基础上创造了标号表,如图2。
根据建立的标号表,假设像素p为前景像素,并对其进行标号,记为f(p),作为待标记像素;像素a、b、c和d均为背景像素,将每个背景像素进行对应的标号,记为f(a)、f(b)、f(c)和f(d);如图2所示,Lprev和Lcurr分别为上一行标号表和当前行的标号表;像素p的临时标号取决于其左上(a),上(b)、左侧(d)和右上(c)的标号。
步骤3)连通域标记与标号合并:根据标号表,邻域内不同点分布状态可分为三种不同工作窗,根据工作窗内背景与前景像素的关系分别进行判读、标记和标号合并。通过标号表的建立与更新实现在判断是否连通的同时完成等价标号的合并,将连通判断与标号合并在一个流程中完成。
在步骤2)中,像素p为待标记像素,Lprev和Lcurr分别为上一行标号表和当前行的标号表。像素p的临时标号取决于其左上(a),上(b)、左侧(d)和右上(c)的标号。根据工作窗内编号的状态,p的临时标号flag(p)设立分三种情况:
1、邻域为背景像素,p为新的连通域起点,定义其标号为flag(i+1);
2、领域内有1~4个已标记点,但标号相同,则当前像素标号继承邻域标号flag(i);
3、邻域内两个点标号不同,按8邻域连通准则,两不同标号位置只有两种,分别为a和c不同,或d和c不同。此时设p为两标号中的小标号;在遍历过程中,仅在此种情况下,使用步骤2)建立的标号信息表flag(x),该表缓存上一行与当前行共2行的标号信息。当标号冲突时,将前景像素确定为小标号,同时将上一行的大标号也同步更新为小标号。
结合图3所示,经过一次遍历后,不同情况下区域连通后标号在连通域底部被统一更新为同一标号。
步骤4)目标特征集建立:根据目标检测的实际需求,经过连通标记后形成的区域为目标区域,根据目标像素除去最高位的二值化信息的数值信息,计算及统计目标区域的各项特征信息,建立目标特征集I(f)={E(f),S(f),N(f),e(f)};
其中,E(f)为目标的强度;S(f)为目标的大小;N(f)为目标的数量;e(f)为目标区域代表点;
具体地,目标强度E(f):目标强度为目标区域内前景像素的总能量和,设e(i)为单个前景像素的能量,则目标区域强度为E(f)=∑p(x,y)=fe(i);对每个标号,每标记一个前景像素,将前景像素能量值累加进对应的E(f)中;
目标的大小S(f):目标的大小为前景像素所包围的区域,由区域的左上角坐标p(xmin,ymin)和右下角坐标p(xmax,ymax)决定。对每个标号,每连通一个前景像素,将该像素的坐标与特征集中的坐标比较,按如下原则对坐标进行更新;
p'(xmin)≤p(xmin)则p(xmin)=p'(xmin)
p'(ymin)≤p(ymin)则p(ymin)=p'(ymin)
p'(xmax)≥p(xmax)则p(xmax)=p'(xmax)
p'(ymax)≥p(ymax)则p(ymax)=p'(ymax)
更新后,两个坐标锁定的区域为目标区域的大小。
目标的数量N(f):目标的数量为连通区域内包含的标号为flag(i)的前景像素的数量,计算公式为:A[f]=|O(f)|=|{p(x,y)|p(x,y)=f}|。对每个标号,每连通一个前景像素,将数量累积和加1,连通域完成后,得到目标区域内前景像素总数;
目标区域代表点e(f):目标区域连通后的区域较大,后续检测处理时需要选择目标区域的代表点,通常可以为最亮点、质心、形心等。本发明选用最亮点作为代表点(通过特征集里坐标,也可计算质心)。对每个标号,每连通一个前景像素,判断该像素能量与特征集中能量的大小,保留最大能量值在特征集中。
该目标特征集可根据实际需求包含目标的强度、面积、大小、数量及目标代表点、形状、质心、空间关系等各种特征信息;本发明基于二值结果,建立了(但不限于)含目标强度、大小、数量及代表点在内的目标基础特征集。在基础特征集的基础上,可以进一步计算目标的形状、质心、位置关系、相对速度等等复杂的目标特征信息;
步骤5)特征集存储:将建立的目标特征集缓存在高速外部缓存中;
步骤6)标号映射表建立:对步骤4)和5)建立的目标特征集同步建立标号映射表,使标号映射表与目标特征集一一对应;
步骤7)特征集读取与更新:图像持续读入,重复步骤3)~6),出现连通域需要合并时,根据步骤3)的原则将连通域标号合并。再根据步骤6)建立的标号映射表从外部缓存中读取特征集,完成目标标记、标号更新及特征提取;
具体地,当步骤3)中的两个标号区域连通到一起,两个标号合并为一个标号时。通过标号映射表,将两个标号对应的特征集同时从外部缓存中读取出来,对特征集的每个元素按步骤4)分别计算各特征内容,并将结果更新到小标号对应的特征集里,将更新后特征集写回小标号存储区,完成特征属性的传递更新,同时更新标号映射表。大标号对应存储区则废弃。
步骤8)特征输出:当一个目标区域的底边的任意一点的8连通区域内没有前景像素时,连通确认完成,输出该目标区域,同时读取目标特征集输出实时目标的基础特征属性;
通过下式,判断目标区域是否已连通完成;
其中,N(f)conn表示目标区域底行任一像元8连通区域内前景像素数量;为区域底行任意像素c;Fg为前景像素;Ωc为目标区域底边Rowbottom上位于(xc,yc)的像元c的8连通区域;Ωc∈{p(x,y)||x-xc|≤1&|y-yc|≤1};其中,p(x,y)为位于坐标(x,y)的像元p;
N(f)conn等于0时,表明目标区域的底边的任意一点的8连通区域内没有前景像素,并已连通完成,此时根据最后的标号读取标号映射表,再根据标号映射表读取外部缓存中的特征集,输出特征集,完成目标区域与特征集的实时输出,进而提取目标的基础特征属性。
步骤9)重复步骤2)~8),完成全图所有目标标记及目标的基础特征属性的提取。
最后所应说明的是,以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,对本发明的技术方案进行修改或者等同替换,都不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.一种基于FPGA的高分辨率图像多目标多特征实时提取方法,该方法包括:
对接收的高分辨率原始图像进行分割,得到多个像素,并对每个像素进行二值标注,将二值信息标注在每个像素的最高位上,得到多个带有二值信息的像素;
针对多个带有二值信息的像素,建立标号表;并根据建立的标号表,对目标做连通域标记和标号合并,并进行连通标记,形成目标区域,根据该目标区域,建立目标特征集,并提取目标特征集中的目标的基础特征属性;
在一次遍历接收的原始图像后,输出原始图像内所有的目标区域和对应的目标的基础特征属性。
2.根据权利要求1所述的基于FPGA的高分辨率图像多目标多特征实时提取方法,其特征在于,所述对接收的高分辨率原始图像进行分割,得到多个像素,并对每个像素进行二值标注,将二值信息标注在每个像素的最高位上,得到多个带有二值信息的像素;其具体过程包括:
接收输入的高分辨率原始图像,并按设定阈值将高于阈值的为目标点,低于阈值的为背景点,对接收的原始图像进行分割,得到多个像素;
对每个像素中的每个点的像素进行二值标注;将目标点的像素最高位设置为1,背景点的像素最高位设置为0;完成将二值信息标注在每个点的像素的最高位上,得到多个带有二值信息的像素,实现对输入的原始图像的二值化标注。
3.根据权利要求1所述的基于FPGA的高分辨率图像多目标多特征实时提取方法,其特征在于,所述针对多个带有二值信息的像素,建立标号表;其具体过程包括:
针对多个带有二值信息的像素,根据像素最高位的二值化信息,按光栅扫描方向对接收的原始图像做区域连通,采用8邻域连通准则,设定连通工作窗,该连通工作窗中的像素p为前景像素,并对其进行标号,记为f(p);像素a、b、c和d均为背景像素,将每个背景像素进行对应的标号,记为f(a)、f(b)、f(c)和f(d),将上述标号进行保存,并存储在预先创建的空的标号表中。
4.根据权利要求1所述的基于FPGA的高分辨率图像多目标多特征实时提取方法,其特征在于,所述根据建立的标号表,目标连通域标记和标号合并,进行连通标记,形成目标区域,根据该目标区域,建立目标特征集,并提取目标特征集中的目标的基础特征属性;其具体过程包括:
根据建立的标号表,假设像素p为前景像素,并对其进行标号,记为f(p),作为待标记像素;像素a、b、c和d均为背景像素,将每个背景像素进行对应的标号,记为f(a)、f(b)、f(c)和f(d);
根据连通工作窗内背景像素与前景像素的关系,对连通工作窗内的像素进行判断,分配临时标号;
其中,临时标号flag(p)的分配和判断过程具体如下:
第一种情况,邻域为背景像素,p为新的连通域起点,定义其标号为flag(i+1);
第二种情况,领域内有1~4个已标记点,但标号相同,则当前像素标号继承邻域标号flag(i);
第三种情况,邻域内两个点标号不同,根据8邻域连通准则,两个不同标号位置只有两种:a和c不同,以及d和c不同;
此时设flag(p)为两个不同标号中的小标号;在遍历过程中,仅在第三种情况下,使用建立的标号表flag(x),该标号表缓存包含上一行与当前行共2行的标号信息;
当标号冲突时,将前景像素p确定为小标号,同时将上一行的大标号也同步更新为小标号;
当两片独立的连通区域相遇时,连接处的两个临时标号根据上述判断过程进行标号合并和分配,将两片区域连接成一片,得到完整的连通区域,并更新标号表;
经过一次遍历后,不同情况下区域连通后标号在完整的连通区域的底部被统一更新为同一标号;
将经过连通标记后形成的区域作为目标区域,该目标区域中,只有目标像素才有对应的标号。根据目标像素除去最高位的二值化信息的数值信息,计算及统计目标区域的各项特征信息,建立目标特征集I(f)={E(f),S(f),N(f),e(f)};
其中,E(f)为目标的强度;S(f)为目标的大小;N(f)为目标的数量;e(f)为目标的代表点;
对每个目标标号建立一个对应的特征集,该特征集a高速缓存在外部存储器中;
将每个标号对应的目标特征集按标号顺序高速缓存在外部存储器中;对建立的目标特征集同步建立一一映射的标号映射表,使标号映射表与目标特征集一一对应;
当一个目标区域的底边的任意一点的8连通区域内没有前景像素时,则连通确认完成,输出该目标区域,同时读取对应的目标特征集,并提取该目标特征集中的实时目标的基础特征属性。
5.根据权利要求4所述的基于FPGA的高分辨率图像多目标多特征实时提取方法,其特征在于,所述当一个目标区域的底边的任意一点的8连通区域内没有前景像素时,则连通确认完成,输出该目标区域,同时读取对应的目标特征集,并提取该目标特征集中的实时目标的基础特征属性;其具体过程包括:
通过下式,判断目标区域是否已连通完成;
其中,N(f)conn表示目标区域底行任一像元8连通区域内前景像素数量;为区域底行任意像素c;Fg为前景像素;Ωc为目标区域底边Rowbottom上位于(xc,yc)的像元c的8连通区域;Ωc∈{p(x,y)||x-xc|≤1&|y-yc|≤1};其中,p(x,y)为位于坐标(x,y)的像元p;
N(f)conn等于0时,表明目标区域的底边的任意一点的8连通区域内没有前景像素,并已连通完成,此时根据最后的标号读取标号映射表,再根据标号映射表读取外部缓存中的特征集,输出特征集,完成目标区域与特征集的实时输出,进而提取目标的基础特征属性。
6.根据权利要求5所述的基于FPGA的高分辨率图像多目标多特征实时提取方法,其特征在于,所述目标的基础特征属性包括:目标的强度、大小、数量及目标代表点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210110677.5A CN114419342A (zh) | 2022-01-29 | 2022-01-29 | 一种基于fpga的高分辨率图像多目标多特征实时提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210110677.5A CN114419342A (zh) | 2022-01-29 | 2022-01-29 | 一种基于fpga的高分辨率图像多目标多特征实时提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114419342A true CN114419342A (zh) | 2022-04-29 |
Family
ID=81278363
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210110677.5A Pending CN114419342A (zh) | 2022-01-29 | 2022-01-29 | 一种基于fpga的高分辨率图像多目标多特征实时提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114419342A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115778374A (zh) * | 2022-10-14 | 2023-03-14 | 广东工业大学 | 一种跌倒检测方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103646232A (zh) * | 2013-09-30 | 2014-03-19 | 华中科技大学 | 飞行器地面运动目标红外图像识别装置 |
CN107194946A (zh) * | 2017-05-11 | 2017-09-22 | 昆明物理研究所 | 一种基于fpga的红外显著物体检测方法 |
US20190066294A1 (en) * | 2017-08-31 | 2019-02-28 | Shenzhen United Imaging Healthcare Co., Ltd. | System and method for image segmentation |
US20190147597A1 (en) * | 2017-11-14 | 2019-05-16 | Boe Technology Group Co., Ltd. | Maximum connected domain marking method, target tracking method, and augmented reality/virtual reality apparatus |
CN110321888A (zh) * | 2019-03-18 | 2019-10-11 | 华中科技大学 | 一种基于fpga的星载红外小目标检测方法 |
CN110533678A (zh) * | 2019-07-26 | 2019-12-03 | 杭州电子科技大学 | 基于fpga帧并行连通域筛选特征目标的图像处理方法 |
CN112509002A (zh) * | 2020-11-27 | 2021-03-16 | 山东航天电子技术研究所 | 一种基于连通域标记的目标检测跟踪方法 |
-
2022
- 2022-01-29 CN CN202210110677.5A patent/CN114419342A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103646232A (zh) * | 2013-09-30 | 2014-03-19 | 华中科技大学 | 飞行器地面运动目标红外图像识别装置 |
CN107194946A (zh) * | 2017-05-11 | 2017-09-22 | 昆明物理研究所 | 一种基于fpga的红外显著物体检测方法 |
US20190066294A1 (en) * | 2017-08-31 | 2019-02-28 | Shenzhen United Imaging Healthcare Co., Ltd. | System and method for image segmentation |
US20190147597A1 (en) * | 2017-11-14 | 2019-05-16 | Boe Technology Group Co., Ltd. | Maximum connected domain marking method, target tracking method, and augmented reality/virtual reality apparatus |
CN110321888A (zh) * | 2019-03-18 | 2019-10-11 | 华中科技大学 | 一种基于fpga的星载红外小目标检测方法 |
CN110533678A (zh) * | 2019-07-26 | 2019-12-03 | 杭州电子科技大学 | 基于fpga帧并行连通域筛选特征目标的图像处理方法 |
CN112509002A (zh) * | 2020-11-27 | 2021-03-16 | 山东航天电子技术研究所 | 一种基于连通域标记的目标检测跟踪方法 |
Non-Patent Citations (4)
Title |
---|
FEDERICO BOLELLI, MICHELE CANCILLA, LORENZO BARALDI & COSTANTINO: "Toward reliable experiments on the performance of Connected Components Labeling algorithms", 《JOURNAL OF REAL-TIME IMAGE PROCESSING》 * |
周海,侯晴宇,卞春江,冯水春,刘一腾: "一种FPGA实现的复杂背景红外小目标检测网络", 《北京航空航天大学学报》 * |
王 凯,施隆照: "基于 FPGA的快速连通区域标记算法的设计与实现", 《计算机工程与应用》 * |
葛春平: "一种二值图像连通区域标记的简单快速算法", 《价值工程》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115778374A (zh) * | 2022-10-14 | 2023-03-14 | 广东工业大学 | 一种跌倒检测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108986119B (zh) | 图像分割方法及装置、计算机设备及可读存储介质 | |
CN108765371B (zh) | 一种病理切片中非常规细胞的分割方法 | |
CN110196053B (zh) | 一种基于fpga的实时田间机器人视觉导航方法与*** | |
CN113506318B (zh) | 一种车载边缘场景下的三维目标感知方法 | |
CN103473785B (zh) | 一种基于三值化图像聚类的快速多目标分割方法 | |
CN107784657A (zh) | 一种基于颜色空间分类的无人机遥感图像分割方法 | |
WO2021082507A1 (zh) | 半自动化图像分割数据标注方法、电子装置及存储介质 | |
CN107423734B (zh) | 一种sar图像海洋目标快速检测方法与装置 | |
CN111461036B (zh) | 一种利用背景建模增强数据的实时行人检测方法 | |
CN110210418A (zh) | 一种基于信息交互和迁移学习的sar图像飞机目标检测方法 | |
CN115661173B (zh) | 一种基于遥感图像的地块分割方法 | |
CN111881801B (zh) | 基于不变检测策略的新增建设用地遥感监测方法及设备 | |
Cao et al. | Traffic sign detection and recognition using multi-scale fusion and prime sample attention | |
CN114419342A (zh) | 一种基于fpga的高分辨率图像多目标多特征实时提取方法 | |
CN109903379A (zh) | 一种基于点云优化采样的三维重建方法 | |
Zhou et al. | Building segmentation from airborne VHR images using Mask R-CNN | |
CN104680531A (zh) | 一种连通量统计信息提取方法及vlsi结构 | |
CN113971723A (zh) | 高精地图中三维地图的构建方法、装置、设备和存储介质 | |
CN112487537A (zh) | 一种基于全卷积神经网络的建筑面多级优化提取方法 | |
CN110634142B (zh) | 一种复杂车路图像边界优化方法 | |
CN115100099A (zh) | 点云数据的处理方法、装置、设备及介质 | |
CN103093241B (zh) | 基于同质化处理的光学遥感图像非匀质云层判别方法 | |
CN115937719A (zh) | 一种基于最大面积的跑道轮廓线获取方法 | |
Song et al. | Image tracking and matching algorithm of semi-dense optical flow method | |
CN112330611B (zh) | 一种面向fpga的高并行性光斑分割方法 |
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 |