>最小的样本块，将其作为第q个类的类屯、，返回步骤 (2-2-4)O
[0059] 通过上式得到聚类后的结果，灰度值大的那一类作为疑似地下建筑的一类，灰度 值小的一类作为非疑似地下建筑的一类。最后通过空间约束聚类算法得到地下建筑的位 置。
[0060] 由于存在分布式深层地下建筑区域的热量会经过岩石、±壤和植被的热调制传递 到山体的表面，反映到灰度图像中就会与周围无地下建筑的区域的灰度值有差异，因此根 据其不同灰度差异将其聚类，结果如图5所示。
[0061] 加亮的区域是聚类得到的地下建筑位置，红色是真实的地下建筑位置，进一步分 析其类内类间彼标准差，结果表明类内标准差明显小于类间标准差，白天有地下建筑的区 域均值高于无地下建筑块的均值。白天喻家山红外图目标快统计结果如图所示，其中，类间 距离是两类类内均值的差值，阳面有地下建筑类内均值30191 >无地下建筑类内均值 30141，阴面有地下建筑类内均值29974>无地下建筑类内均值29946。
[0062] di Sbetween class- 1116曰riwith-t arg e广 1116曰nwith_t arg et
[0063] 下表是喻家山白天红外图像样本块识别结果统计。
[0064]
[0065] 从上表中可W看出，无论是白天拍摄的喻家山阴面还是阳面下有地下建筑的样本 块的灰度均值（30214、29978)明显要大于下无地下建筑的样本块的灰度均值（30154、 29952)，但是从灰度均值可W看出阳面样本块的灰度均值明显高于阴面样本块的灰度均 值，所W如果不区分阴阳面直接将所有样本块进行聚类就会把一些阳面下无地下建筑的样 本块识别为下有地下建筑的样本块造成较高的虚警率。另外，下有地下建筑样本块的类内 标准差W及下无地下建筑样本块灰度均值的类内标准差均明显小于两类的类间距离，同时 下有地下建筑样本块的的类内标准差又略小于无地下建筑样本块的类内标准差。如图6(a) 和图6(b)分别是喻家山白天阳面和阴面红外图像样本块灰度分布图。
[0066] (2-3)对疑似目标区域进行基于邻近像素的截位处理，得到疑似目标区域的面积。
[0067] 深层地下建筑的微弱信号主要体现在整个图像灰度的低比特位，所W可W通过位 处理的方式滤除图像的高比特位，将背景滤除，将地下建筑凸显出来。
[006引具体地，用大小为w*h的窗口遍历疑似目标区域，对窗口内的像素灰度值做相互与 运算，根据与运算结果，对疑似目标区域的像素重新赋值。通过与运算和像素重新赋值，粗 略检测出了地下建筑的边缘区域，统计该区域内的像素个数，得到粗略检测出的地下建筑 区域的面积S。
[0069] img为疑似地下建筑区域，其大小为c*r。
[0070] 在疑似目标区域的图像坐标系中，对中屯、点坐标为(u，v)的窗口，其与运算结果可 表不为：
[0071 ] result = img(u-h/2，v-w/2)&img(u-h/2，v-w/2+l)&...&img(u，v)&…
[0072] &img(u+h/2,v+w/2) ；l<u<r,Kv<c
[0073] 如果 result = 0,则 img(u，v) =0,否则 img(u，v) = img(u，v)-result。
[0074] 分析上式，若窗口全为背景或全为目标区域，那么相与后，result变化不大，img (U，v)=0;如果窗口里为噪声，那么相与后result = 0，img(u，v) =0;如果窗口部分为目标 区域，部分为背景，由于目标区域可近似看成地下建筑信息场和背景信息场的叠加，整个模 板区域相与后，为背景信息场，img(u，v) = img(u，v)-result，则img(u，v)为地下建筑信息 场，运样就粗略检测出了地下建筑的边缘区域。
[0075] 如图7是基于邻近像素的截位处理后的喻家山白天目标区域检测结果，如图8是喻 家山白天目标区域标记结果。
[0076] (3)用"剥洋葱"算法对疑似目标区域进行精确检测：对地下建筑所在山体昼间红 外图的疑似目标区域分段进行背景滤除，得到地下建筑的热福射场为：
[0078] 其中，ki为地下建筑所在山体晚上红外图的疑似目标区域的第I个海拔段的权重 系数，Ei表示地下建筑所在山体晚上红外图的疑似目标区域的第1个海拔段的灰度均值，n 为地下建筑所在山体晚上红外图的疑似目标区域的海拔段数量，BT(x，y，z，t)为地下建筑 所在山体白天红外图，（x，y，z)为空间坐标，t为时间。
[0079] 通过调整ki的值，使地下建筑的热福射场的面积最接近(2-3)中粗略检测出的地 下建筑区域的面积S，从而对地下建筑实现精确检测定位。
[0080] 根据海拔高度分段，认为相同海拔的地形溫度场分布大致相同，由于晚上红外图 同样包含有地下建筑的信息场，对地下建筑所在山体晚上红外图的相同海拔段取均值再进 行背景滤除，运样可W在滤波过程中保护目标信息，同时也可W近似真实的地形溫度分布。 对(2-2)中检测出的白天喻家山的目标区域进行分层的背景滤除，逐步找到目标的信号表 现最强的层次。如图9是对疑似目标区域分段进行背景滤除示意图。
[0081 ]如图10是"剥洋葱"算法一层层"掲开"地层的结果，加上目标区域面积的寻优准则 后，最终的检测结果如图11所示。
[0082]本领域的技术人员容易理解，W上所述仅为本发明的较佳实施例而已，并不用W 限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含 在本发明的保护范围之内。
【主权项】
1. 一种利用双时相探测定位山体中地下建筑的背景滤波方法，其特征在于，包括如下 步骤： (1) 获取包含地下建筑的昼夜双时相红外图； (2) 对昼间红外图取其像素灰度值的低比特位进行地下建筑的粗检测，得到疑似目标 区域的面积； 进一步包括如下步骤： (2-1)对昼间红外图进行双边滤波，去除噪声； (2-2)对双边滤波后的昼间红外图进行大尺度聚类分析，检测出疑似目标区域； (2-3)对疑似目标区域进行基于邻近像素的截位处理，得到疑似目标区域的面积； (3) 对疑似目标区域分段进行背景滤除，得到地下建筑的热辐射场，调节地下建筑的热 辐射场的面积，使其最接近疑似目标区域的面积，实现对地下建筑的检测定位。2. 如权利要求1所述的利用双时相探测定位山体中地下建筑的背景滤波方法，其特征 在于，所述步骤(2-2)进一步包括如下步骤： (2-2-1)将双边滤波后的昼间红外图划分为多个多边形区域，将每个多边形区域的灰 度均值作为一个样本块； (2-2-2)计算所有样本块的距离比； 其中，第i个样本块bi的距离比，:s为样本块的个数，d()表示两个 样本块的距离； (2-2-3)令类的序号q=l，选择距离比最小的样本块作为第一个类的类心m; (2-2-4)将所有样本块分配到所有q个类中离其最近的类，并更新所有q个类的类心，其 中，第k个类的类心为，.k=l，. . .，q，Nk是第k个类的样本数，bkj表示第k个 类的第j个样本块； (2-2-5)令q = q+l，判断q是否大于2,是则将第一个类和第二个类中灰度值较大者对应 的图形区域作为疑似目标区域，否则顺序执行步骤(2-2-6);最小的样本块，将其作为第q个类的类心，返回步骤(2-2- 4)〇3. 如权利要求1或2所述的利用双时相探测定位山体中地下建筑的背景滤波方法，其特 征在于，所述步骤(2-3)中，用大小为w*h的窗口遍历疑似目标区域，对窗口内的像素灰度值 做相互与运算，根据与运算结果，对疑似目标区域的像素重新赋值，得到地下建筑的边缘区 域，统计该区域内的像素个数，得到疑似目标区域的面积。4. 如权利要求1或2所述的利用双时相探测定位山体中地下建筑的背景滤波方法，其特 征在于，地下建筑的热福射场为：其中，Ια为地下建筑所在山体晚上红外图的疑似目标区域的第1个海拔段的权重系数， E1表示地下建筑所在山体晚上红外图的疑似目标区域的第1个海拔段的灰度均值，η为地下 建筑所在山体晚上红外图的疑似目标区域的海拔段数量，BT(x，y，z，t)为地下建筑所在山 体白天红外图，（X，y，z)为空间坐标，t为时间；通过调整ki的值，调节地下建筑的热福射场 的面积。
【专利摘要】本发明公开了一种利用双时相探测定位山体中地下建筑的背景滤波方法。包括红外图像滤波预处理、对红外图像取其像素灰度值的低位进行地下建筑的粗检测和“剥洋葱”算法寻优精确检测三步骤，通过获取白天和晚上的双时相红外图，将晚上红外图作为背景场，首先对白天红外图进行双边滤波处理去除噪声，再进行聚类分析，检测出疑似目标区域，对疑似目标区域利用基于邻近像素的截位算法处理粗略检测出地下建筑区域，将粗检测的地下建筑面积作为寻优准则，对疑似目标区分段进行背景滤除，利用“剥洋葱”算法一层层揭开该区域的山体，直至最大程度精确检测出地下建筑。本发明避免了多时相红外图获取困难的问题，能准确地检测出深层地下建筑。
【IPC分类】G06K9/00
【公开号】CN105528586
【申请号】CN201510996615
【发明人】张天序, 马文绚, 曹少平, 郝龙伟, 黄正华, 杨柳, 孙向东, 江碧涛
【申请人】华中科技大学
【公开日】2016年4月27日
【申请日】2015年12月25日