CN115345845A - 基于方向梯度直方图的特征融合烟幕干扰效能评估及处理方法及电子设备 - Google Patents
基于方向梯度直方图的特征融合烟幕干扰效能评估及处理方法及电子设备 Download PDFInfo
- Publication number
- CN115345845A CN115345845A CN202210956882.3A CN202210956882A CN115345845A CN 115345845 A CN115345845 A CN 115345845A CN 202210956882 A CN202210956882 A CN 202210956882A CN 115345845 A CN115345845 A CN 115345845A
- Authority
- CN
- China
- Prior art keywords
- image
- smoke screen
- histogram
- eemssj
- hog
- 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
- 239000000779 smoke Substances 0.000 title claims abstract description 61
- 238000011156 evaluation Methods 0.000 title claims abstract description 21
- 230000004927 fusion Effects 0.000 title claims abstract description 16
- 238000003672 processing method Methods 0.000 title claims description 6
- 239000011159 matrix material Substances 0.000 claims abstract description 36
- 230000009466 transformation Effects 0.000 claims abstract description 9
- 230000003321 amplification Effects 0.000 claims abstract description 4
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000013441 quality evaluation Methods 0.000 claims description 5
- 238000003491 array Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 claims 1
- 238000003384 imaging method Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 4
- 238000011158 quantitative evaluation Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于方向梯度直方图的特征融合烟幕干扰效能评估方法及电子设备,包括步骤,采集烟幕干扰前目标区域的图像为参考图像,烟幕干扰后目标区域的图像为受干扰图像。分别计算参考图像和受干扰图像的方向梯度直方图特征。基于参考图像和受干扰图像的方向梯度直方图特征作里斯变换并求取其相似矩阵、求取余弦相似度矩阵、求取相关系数矩阵。将以上矩阵进行融合,得到烟幕干扰效能评估值。计算并设定跟踪漂移阈值,使用该阈值对融合后的特征作特征放大处理。本发明可以从图像跟踪关注的图像特征的角度来定量评估烟幕对光电成像侦察制导设备的干扰效能。
Description
技术领域
本发明涉及到烟幕干扰效能的定量评估方法,尤其是涉及到从目标捕获跟踪关注的图像特征的角度定量评估烟幕的干扰效能。
背景技术
光电侦察、制导设备主要是通过对光电探测器对目标区域进行成像,然后将图像传输至信息处理器,信息处理器基于先验知识或深度学习的方式利用目标的图像特征将目标从背景图像中识别出来进行捕获和跟踪。
烟幕干扰是现代战场对光电侦察、制导设备实施干扰的有效手段,具有施放方式简单、成本低廉等优点,被各国军方大量的装备和应用,但目前针对烟幕干扰光电侦察制导设备的效果评估手段不多,主要为功率准则、概率准则等定性评估,以及遮蔽面积、遮蔽时间等少部分定量评估方法,缺少从目标捕获跟踪关注的图像特征的角度定量评估方法。
发明内容
本发明所要解决的技术问题是:目前缺少从目标捕获跟踪关注的图像特征的角度定量评估烟幕干扰的方法。本发明提供一种基于方向梯度直方图的特征融合烟幕干扰效能评估方法及电子设备,从图像跟踪关注的图像特征的角度来定量评估烟幕对光电成像侦察制导设备的干扰效能。
为解决上述技术问题,本发明采用的技术方案为:
基于方向梯度直方图的特征融合烟幕干扰效能评估方法,其步骤是:
步骤1,采集烟幕干扰前目标区域的图像为参考图像R,采集烟幕干扰后目标区域的图像为受干扰图像D。
步骤2,分别计算参考图像和受干扰图像的方向梯度直方图特征HogR,HogD。
步骤3,基于参考图像和受干扰图像的方向梯度直方图特征作里斯变换,并求取其相似矩阵。
步骤4,基于参考图像和受干扰图像的方向梯度直方图特征求取余弦相似度矩阵。
步骤5,基于参考图像和受干扰图像的方向梯度直方图特征求取相关系数矩阵。
步骤6,将以上计算所得的里斯变换相似矩阵、余弦相似度矩阵和相关系数矩阵进行融合,得到烟幕干扰下图像质量评估值。
步骤7,计算并设定跟踪漂移阈值,使用该阈值对融合后的特征作特征放大处理。
步骤8,分析烟幕干扰下图像质量评估值和烟幕干扰效能评估值的关系,计算得到烟幕干扰效能评估值。
本发明还提供一种电子设备,其包括存储器,配置为存储可执行指令;处理器,配置为执行存储器中存储的可执行指令,以实现以上所述的基于方向梯度直方图的特征融合烟幕干扰效能评估及处理方法。
随着目标跟踪类算法的发展,基于相关滤波的目标跟踪方法在HOG特征的加持下,运算速度和运算精度都有大幅度提升。其中,由于HOG是在图像的局部方格单元上操作,所以它对图像几何的和光学的形变都能保持很好的不变性,且由于它分块处理的特性,得出的特征会更加紧凑。其次,HOG描述的是边缘结构特征,可以充分描述物体的结构信息。即,HOG特征对运动模糊、光照变换及颜色变换等很鲁棒,但对形变的鲁棒性较差。基于HOG特征使用里斯变换,引入MS理论获取图像特征梯度相似矩阵,可以加强图像边缘特征的检测。又由于余弦相似度具有对向量方向敏感而对数的绝对值大小不敏感的特性,可以增强对特征检测的鲁棒性,且在高维空间下依旧保持了良好的检测精度。相关系数则用以反映目标干扰前后HOG特征的相关关系密切程度,从特征灰度值的角度直接出体现出烟幕干扰前后目标特征的差别。
本发明通过方向梯度直方图特征求取的里斯变换相似矩阵、余弦相似度矩阵和相关系数矩阵的融合,能够更加关注目标的边缘和结构信息,同时能够对图像几何、光学形变都能保持良好的不变性和鲁棒性。
本发明在步骤7中计算并设定跟踪漂移阈值,使用该阈值对融合后的特征作特征放大处理,可以增大烟幕干扰严重部分的烟幕干扰评估值,更加突出烟幕的干扰效果。同时,放大后的烟幕干扰评估值有利于将客观评估值与主观评估值进行更好的结合,得出更加直观的,具有实际参考价值的定性评估结果。
因此,本发明可以实现从图像跟踪关注的图像特征的角度来定量评估烟幕对光电成像侦察制导设备的干扰效能,重点关注图像目标的结构和边缘信息,将HOG特征与里斯变换相似矩阵、余弦相似度矩阵和相关系数矩阵融合,使得评估结果能够同时对图像几何的、光学的形变都能保持良好的不变性,并且增强了评估结果对目标形变的鲁棒性,提高了评估准确性。
附图说明
图1是本发明所述的基于方向梯度直方图的特征融合烟幕干扰效能评估方法流程;
图2是参考图像和干扰图像提取的方向梯度直方图特征;
图3是里斯变换空间图;
图4是烟幕干扰对跟踪影响的临界状态图例。
具体实施方式
下面结合附图,详细描述本发明的具体实施方案。
如图1所示,本发明所述的基于方向梯度直方图的特征融合烟幕干扰效能评估方法,其步骤是:
步骤1,采集烟幕干扰前目标区域的图像为参考图像,采集烟幕干扰后目标区域的图像为受干扰图像;设参考图像为R,干扰图像为D。
步骤2,首先对图像R,D分别求方向梯度直方图特征得到HogR,HogD,如图2所示,图中,上一行为行为参考图像,下一行为干扰图像,每行从左到右依次为原图、图像归一化、方向梯度图、方向梯度直方图特征。
步骤3,将方向梯度直方图特征HogR,HogD作里斯变换得到[R,R1,R2]和[D,D1,D2],利用局部特征的相似函数(局部振幅A、局部方向θ和局部相位ψ),得到了MS相似矩阵SM(R,D)。
图3显示了里斯变换空间在三维欧氏空间中的球坐标系,R、R1、R2是球坐标系中点在三个轴上的投影。在这个空间域内,局部振幅A、局部方向θ和局部相位ψ可表示为:
图像R和D在像素点(x,y)的MS相似度为:
其中C1为很小的正数,防止分母为零或接近零造成的不稳定。
构造参数SM作为MS相似矩阵:
SM=SA·Sθ·Sψ。
步骤4,将方向梯度直方图特征HogR,HogD分别转换为M×N大小的一维数组HR,HD,图像R和D的余弦相似度为:
步骤5,将方向梯度直方图特征HogR,HogD作自相关计算,得到相关系数矩阵:
步骤6,将以上计算得到的MS相似矩阵、余弦相似度矩阵和相关系数矩阵进行加权融合得到烟幕干扰下的图像质量评估指数IQ_EEMSSJ,取值范围为[0,1]:
IQ_EEMSSJ=SM(R,D)α*CosSim(R,D)β*Corr(R,D)τ
其中,α、β、τ是三种特征的融合权重值,设置α=β=τ=1。
如果受干扰图像计算得出的IQ_EEMSSJ值大于该阈值表明该烟幕干扰状态下,红外导引头能够有效跟踪到目标,即烟幕干扰不对目标跟踪造成有效遮蔽影响,此时将IQ_EEMSSJ值放大得到EEMSSJ_aug,主动增强图像质量。
图4显示了烟幕干扰对跟踪影响的临界状态图例,其中第1张图和第3张图时,跟踪算法能够稳定跟踪,第2张图和第4张图时,跟踪算法则会出现跟踪漂移。第2张图和第4张图分别是第1张图和第3张图在烟幕干扰过程中的下一帧的形态,从该图可以看出,烟幕恰好有效遮挡了目标,导致跟踪漂移。所以选取该帧图像作为临界状态图对IQ_EEMSSJ求取阈值
步骤8,评估烟幕干扰效能:
由于此时的EEMSSJ_aug指数是对图像质量的评估,而烟幕干扰效能值与图像质量相反,即图像质量越好则烟幕干扰效能越差,图像质量越差则烟幕干扰效能越好。所以将烟幕干扰效能评估用下式表示,取值范围为[0,1]:
EEMSSJ=1-EEMSSJ_aug。
Claims (9)
1.基于方向梯度直方图的特征融合烟幕干扰效能评估及处理方法,其特征在于,包括:
步骤1,采集烟幕干扰前目标区域的图像为参考图像R,采集烟幕干扰后目标区域的图像为受干扰图像D;
步骤2,分别计算参考图像和受干扰图像的方向梯度直方图特征HogR,HogD;
步骤3,基于参考图像和受干扰图像的方向梯度直方图特征作里斯变换,并求取其相似矩阵;
步骤4,基于参考图像和受干扰图像的方向梯度直方图特征求取余弦相似度矩阵;
步骤5,基于参考图像和受干扰图像的方向梯度直方图特征求取相关系数矩阵;
步骤6,将以上计算所得的里斯变换相似矩阵、余弦相似度矩阵和相关系数矩阵进行融合,得到烟幕干扰效能评估值;
步骤7,计算并设定跟踪漂移阈值,使用所述跟踪漂移阈值对融合后的特征作特征放大处理。
2.根据权利要求1所述的基于方向梯度直方图的特征融合烟幕干扰效能评估及处理方法,其特征在于,所述步骤3包括:
将方向梯度直方图特征HogR,HogD作里斯变换得到[R,R1,R2]和[D,D1,D2],利用局部特征的相似函数局部振幅A、局部方向θ和局部相位ψ,得到MS相似矩阵SM(R,D)。
6.根据权利要求2所述的基于方向梯度直方图的特征融合烟幕干扰效能评估及处理方法,其特征在于,所述步骤6包括:
将计算得到的MS相似矩阵、余弦相似度矩阵和相关系数矩阵进行加权融合得到烟幕干扰下的图像质量评估指数IQ_EEMSSJ,取值范围为[0,1]:
IQ_EEMSSJ=SM(R,D)α*CosSim(R,D)β*Corr(R,D)τ
其中,α、β、τ是三种特征的融合权重值,设置α=β=τ=1。
8.根据权利要求2所述的基于方向梯度直方图的特征融合烟幕干扰效能评估及处理方法,其特征在于,还包括步骤8,评估烟幕干扰效能:烟幕干扰效能评估用下式表示,取值范围为[0,1]:
EEMSSJ=1-EEMSSJ_aug。
9.一种电子设备,其特征在于:包括存储器,配置为存储可执行指令;处理器,配置为执行存储器中存储的可执行指令,以实现根据权利要求1至8中任意一项所述的基于方向梯度直方图的特征融合烟幕干扰效能评估及处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210956882.3A CN115345845B (zh) | 2022-08-10 | 基于方向梯度直方图的特征融合烟幕干扰效能评估及处理方法及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210956882.3A CN115345845B (zh) | 2022-08-10 | 基于方向梯度直方图的特征融合烟幕干扰效能评估及处理方法及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115345845A true CN115345845A (zh) | 2022-11-15 |
CN115345845B CN115345845B (zh) | 2024-07-30 |
Family
ID=
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117058670A (zh) * | 2023-10-12 | 2023-11-14 | 深圳市华加生物科技有限公司 | 一种电子烟油柔顺度评价方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107507140A (zh) * | 2017-08-03 | 2017-12-22 | 重庆大学 | 基于特征融合的高速公路露天场景车辆阴影干扰抑制方法 |
CN108765468A (zh) * | 2018-05-30 | 2018-11-06 | 中国石油大学(华东) | 一种基于特征融合的目标跟踪方法和装置 |
CN110569723A (zh) * | 2019-08-02 | 2019-12-13 | 西安工业大学 | 一种结合特征融合与模型更新的目标跟踪方法 |
CN111127387A (zh) * | 2019-07-11 | 2020-05-08 | 宁夏大学 | 无参考图像的质量的评价方法 |
CN111242912A (zh) * | 2020-01-08 | 2020-06-05 | 北京电子工程总体研究所 | 一种烟幕干扰效能获取方法 |
CN113610862A (zh) * | 2021-07-22 | 2021-11-05 | 东华理工大学 | 一种屏幕内容图像质量评估方法 |
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107507140A (zh) * | 2017-08-03 | 2017-12-22 | 重庆大学 | 基于特征融合的高速公路露天场景车辆阴影干扰抑制方法 |
CN108765468A (zh) * | 2018-05-30 | 2018-11-06 | 中国石油大学(华东) | 一种基于特征融合的目标跟踪方法和装置 |
CN111127387A (zh) * | 2019-07-11 | 2020-05-08 | 宁夏大学 | 无参考图像的质量的评价方法 |
CN110569723A (zh) * | 2019-08-02 | 2019-12-13 | 西安工业大学 | 一种结合特征融合与模型更新的目标跟踪方法 |
CN111242912A (zh) * | 2020-01-08 | 2020-06-05 | 北京电子工程总体研究所 | 一种烟幕干扰效能获取方法 |
CN113610862A (zh) * | 2021-07-22 | 2021-11-05 | 东华理工大学 | 一种屏幕内容图像质量评估方法 |
Non-Patent Citations (1)
Title |
---|
GUANGYI YANG: "RVSIM: a feature similarity method for full-reference image quality assessment", EURASIP JOURNAL ON IMAGE AND VIDEO PROCESSING, vol. 6, 31 December 2018 (2018-12-31), pages 1 - 15 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117058670A (zh) * | 2023-10-12 | 2023-11-14 | 深圳市华加生物科技有限公司 | 一种电子烟油柔顺度评价方法 |
CN117058670B (zh) * | 2023-10-12 | 2024-01-02 | 深圳市华加生物科技有限公司 | 一种电子烟油柔顺度评价方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110728697B (zh) | 基于卷积神经网络的红外弱小目标检测跟踪方法 | |
CN112800964B (zh) | 基于多模块融合的遥感影像目标检测方法及*** | |
Xue et al. | Low-rank approximation and multiple sparse constraint modeling for infrared low-flying fixed-wing UAV detection | |
CN116823694B (zh) | 基于多聚焦信息整合的红外与可见光图像融合方法及*** | |
CN112541403B (zh) | 一种利用红外摄像头的室内人员跌倒检测方法 | |
CN111429485B (zh) | 基于自适应正则化和高信度更新的跨模态滤波跟踪方法 | |
CN110390338B (zh) | 一种基于非线性引导滤波与比率梯度的sar高精度匹配方法 | |
Guo et al. | An anchor-free network with density map and attention mechanism for multiscale object detection in aerial images | |
Zhao et al. | Deep learning-based laser and infrared composite imaging for armor target identification and segmentation in complex battlefield environments | |
CN111091586A (zh) | 一种快速的烟雾动态遮挡区域检测和定位方法及其应用 | |
CN111127355A (zh) | 一种对缺损光流图进行精细补全的方法及其应用 | |
CN114821356B (zh) | 一种精确定位的光学遥感目标检测方法 | |
CN113470074B (zh) | 一种基于分块判别的自适应时空正则化目标跟踪方法 | |
CN115345845A (zh) | 基于方向梯度直方图的特征融合烟幕干扰效能评估及处理方法及电子设备 | |
CN115345845B (zh) | 基于方向梯度直方图的特征融合烟幕干扰效能评估及处理方法及电子设备 | |
CN111242980B (zh) | 一种面向点目标的红外焦平面盲元动态检测方法 | |
CN114429593A (zh) | 基于快速导向滤波的红外小目标检测方法及其应用 | |
CN114842506A (zh) | 一种人体姿态估计方法及*** | |
Qian et al. | STRCFD: Small maneuvering object tracking via improved STRCF and redetection in near infrared videos | |
Robinson et al. | Foreground segmentation in atmospheric turbulence degraded video sequences to aid in background stabilization | |
WO2022015260A1 (en) | An object detection method | |
CN112991390B (zh) | 一种基于背景感知的多***融合目标跟踪方法 | |
Gao et al. | Aero-optical image and video restoration based on mean filter and adversarial network | |
CN118172242B (zh) | 一种无人机水面影像拼接方法、介质及*** | |
CN111476821B (zh) | 基于在线学习的目标跟踪方法 |
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 | ||
GR01 | Patent grant |