本发明涉及图像处理与计算机视觉领域,尤其涉及一种复杂天空场景下的图像云背景检测方法。
背景技术:
随着现代战争环境复杂性加剧,光电搜索跟踪系统由于其被动性及不易受环境影响等特点,在各种战场防御场景有着越发广泛的需求。针对光电对空检测小目标存在较厚云层遮挡目标的问题,目前的解决方案主要有神经网络、形态学滤波、帧间差分法等,这在背景变化平缓时具有不错的性能,但是在复杂云层背景下低帧频时检测性能受到较大影响,并且算法虚警较高。
技术实现要素:
发明目的:本发明所要解决的技术问题是针对现有技术的不足,提供一种复杂天空场景下的图像云背景检测方法,包括如下步骤:
步骤1,构建5*5邻域卷积核模板s,提取相关第一、第二邻域包络特征中值,对原图image1进行邻域卷积操作,得到相关邻域滤波图像image2;
步骤2,构建方向梯度边缘算子,对图像image2进行形态学方向梯度轮廓边缘提取;
步骤3,提取轮廓细节边缘得到单方向边缘检测结果,构建融合边缘权重因子λi对水平、垂直、主对角线、次对角线方向边缘检测计算得到边缘图像image3;
步骤4,对边缘图像image3进行连通域标记,提取得到云背景连通域轮廓。
步骤1包括:
步骤1-1,定义5*5邻域卷积核模板为s,s矩阵初始值为0;
步骤1-2,计算当前图像中心f(x,y)窗口的第一邻域w1的中值m1,即m1=median(w1),其中median为计算向量的中值操作,x为水平坐标,y为垂直坐标,w1为:
w1=[f(x-1,y),f(x,y+1),f(x,y),f(x+1,y),f(x,y-1)]
步骤1-3,计算当前图像中心f(x,y)窗口的第二邻域w2的中值m2,即m2=median(w2),w2为:
步骤1-4,设置卷积核模板中心像素s(2,2)=max(m1,m2),得到邻域卷积核模板s,其中max为计算向量的最大值操作。
步骤2中,所述构建方向梯度边缘算子,包括:
分别建立水平、垂直、主对角线、次对角线方向梯度结构算子u1、u2、u3、u4,方向梯度结构算子ui为:
其中,i=1,2,3,4。
步骤2中,所述对图像image2进行形态学方向梯度轮廓边缘提取,包括:
采用如下公式进行形态学方向梯度轮廓边缘提取:
zii=f·ui-fθui·l
其中zei为外轮廓线边缘粗提取结果,zii为内轮廓线边缘粗提取结果,f为图像image2,
步骤3中,所述提取轮廓细节边缘得到单方向边缘检测结果,包括:
采用如下公式提取轮廓细节边缘得到单方向边缘检测结果:
zxi=max(zei,zii)-min(zei,zii)
zi=zei+zii+zxi
其中zxi为轮廓细节边缘,zi为单方向边缘检测结果,min表示计算向量的最小值。
步骤3中,所述构建融合边缘权重因子λi对水平、垂直、主对角线、次对角线方向边缘检测计算得到边缘图像image3,包括:
通过如下公式构建融合边缘权重因子λi:
di=∑|di-d0|
其中di表示各个方向梯度灰阶差值,i取值分别为1、2、3、4时,di分别表示水平、垂直、主对角线、次对角线的像素值,d0为中心点像素值;
提取多方向边缘检测结果生成最终边缘检测结果z,即为边缘图像image3:
步骤4包括:遍历边缘图像image3,提取image3中像素值为1的像素点作为种子像素点,将种子像素点相邻4邻域或8邻域像素值为1的所有前景像素点都标记为l,将同一标记为l所有像素构成区域生成连通域轮廓q1,重复上述步骤直至遍历整个图像得到最终连通域向量(q1,q2,...qi),i∈(1,2,3...),qi表示第i个连通域轮廓。
本发明主要是通过提出改进的形态学梯度边缘特征来提取云层与背景边缘特征,并通过各个方向形态学梯度融合自适应加权,能够有效地检测出较云层背景区域,预判目标被遮挡区域。
有益效果:本发明是针对图像对空检测目标存在云干扰的场景下,提出的一种复杂天空场景下的图像云背景检测方法。通过相关邻域滤波,有效减少了图像噪声对目标背景边缘干扰,利用多方向形态学梯度算子精确刻画云层背景的轮廓特征,大大减少伪边缘的生成与干扰,本发明方法对多种天空背景进行测试,均能有效对云背景进行有效检测,在国产化ft-2000平台上测试验证,处理平均帧频达到35hz。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明,本发明的上述和/或其他方面的优点将会变得更加清楚。
图1是本发明实施例中一种复杂天空场景下的图像云背景检测的流程图。
图2是本发明实施例中第一邻域示意图。
图3是本发明实施例中第二邻域示意图。
图4是本发明实施例中形态学方向梯度示意图。
图5是本发明实施例中输入图像。
图6是本发明实施例中图像边缘检测的结果。
图7是本发明实施例中轮廓检测结果。
具体实施方式
如图1所示,本发明提供了一种复杂天空场景下的图像云背景检测方法,包括:
a)如图5所示,获取红外图像数据image1,构建5*5邻域卷积核模板s,矩阵所有值设置为0,如图2、图3所示,提取到当前图像中心f(x,y)的5*5像素矩阵fw1:
计算当前窗口的第一邻域w1=(172,166,178,176,174)的中值m1=174,同理计算当前窗口的第二邻域w2的中值m2=170,设置卷积核模板中心像素s(2,2)=max(m1,m2),可得s(2,2)=170,其中max为计算向量的最大值操作,对原图image1遍历进行邻域卷积s操作,得到相关邻域滤波图像image2;
b)构建方向梯度边缘算子,为进一步增强对云背景边缘的提取,如图4所示,分别建立水平、垂直、主对角线、次对角线方向梯度结构算子u1、u2、u3、u4,方向梯度结构算子ui(i=1,2,3,4)为:
形态学方向梯度轮廓边缘提取包括:
zii=f·ui-fθui·l
其中zei为外轮廓线边缘粗提取结果,zii为内轮廓线边缘粗提取结果,f为图像image2,ui为方向梯度边缘算子,i取值为1、2、3、4,
c)提取轮廓细节边缘得到单方向边缘检测结果zi:
zxi=max(zei,zii)-min(zei,zii)
zi=zei+zii+zxi
其中zxi为轮廓细节边缘,zi为单方向边缘检测结果,max为计算向量的最大值,min为计算向量的最小值。如图6所示,提取多方向边缘检测结果生成最终边缘检测结果z,即为边缘图像image3,具体为:
其中融合边缘权重因子λi包括:
di=∑|di-d0|
其中di表示各个方向梯度灰阶差值,di表示水平、垂直、主对角线、次对角线的各个像素值,d0为中心点像素值,i取值为1、2、3、4。
d)遍历边缘图像image3,提取image3中像素值为1的像素点作为种子像素点,将其相邻4邻域或8邻域像素值为1的所有前景像素点都标记l,将同一标记为l所有像素构成区域生成连通域q1,重复上述步骤直至遍历整个图像得到最终连通域向量(q1,q2,...qi),i∈(1,2,3...)。最终结果如图7所示。
本发明提供了一种复杂天空场景下的图像云背景检测方法,具体实现该技术方案的方法和途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。