一種基于紋理顯著性的微光圖像目標(biāo)檢測(cè)方法
【專利摘要】本發(fā)明涉及一種基于紋理顯著性的微光圖像目標(biāo)檢測(cè)方法。本方法首先提取圖像粗糙度特征圖，進(jìn)行二值化特征處理，合并屬于同一目標(biāo)區(qū)域，分別計(jì)算全局顯著性、局部顯著性和位置顯著性，以此計(jì)算紋理顯著性獲得紋理顯著圖，最后利用紋理顯著圖進(jìn)行圖像目標(biāo)檢測(cè)。其核心內(nèi)容是利用微光圖像目標(biāo)紋理與背景差異較大的特點(diǎn)，通過紋理顯著性進(jìn)行目標(biāo)檢測(cè)。利用本發(fā)明方法探測(cè)微光圖像目標(biāo)，目標(biāo)輪廓性好、擊中率高。
【專利說明】一種基于紋理顯著性的微光圖像目標(biāo)檢測(cè)方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像處理【技術(shù)領(lǐng)域】，涉及一種基于紋理顯著性的微光圖像目標(biāo)檢測(cè)方 法。

【背景技術(shù)】
[0002] 微光技術(shù)是夜視技術(shù)的重要組成部分，微光成像系統(tǒng)利用夜天光的自然輻射和物 體的反射在像增強(qiáng)器的作用下得到圖像，提高了人眼在微弱光照條件下的觀察能力。然而 與一般可見光圖像不同，它是經(jīng)過多次光電轉(zhuǎn)換和電子倍增而形成的，具有對(duì)比度低、信噪 比低、灰度級(jí)有限等特征。這些特征使得微光圖像目標(biāo)受噪聲干擾大，與周圍環(huán)境對(duì)比度較 低，目標(biāo)顯著性不明顯，目標(biāo)的自動(dòng)探測(cè)難度較大。隨著軍事自動(dòng)化水平要求的不斷提高， 夜視目標(biāo)的自動(dòng)檢測(cè)與識(shí)別顯得尤為重要，研究適合夜視目標(biāo)的探測(cè)的技術(shù)是當(dāng)前亟待解 決的問題。
[0003] 視覺注意機(jī)制可以將人類注意快速指向復(fù)雜場(chǎng)景中的重要或感興趣目標(biāo)。視覺注 意機(jī)制實(shí)現(xiàn)有選擇性地獲取所探測(cè)目標(biāo)的顯著信息，將有限的硬件資源優(yōu)先分配給那些容 易引起注意的區(qū)域，提高了目標(biāo)檢測(cè)的效果和響應(yīng)速度。
[0004] 視覺顯著性是一個(gè)廣義的術(shù)語，當(dāng)場(chǎng)景的特定區(qū)域具有被預(yù)先注意到的獨(dú)特性 質(zhì)，并能夠在人類初級(jí)視覺階段產(chǎn)生特定形式的重要視覺刺激時(shí)，認(rèn)為這個(gè)特定區(qū)域具有 視覺顯著性。視覺感受上在粗糙背景下光滑物體將會(huì)吸引人的注意力。
[0005] 微光圖像細(xì)節(jié)性豐富，保持了較好的紋理結(jié)構(gòu)。微光圖像的應(yīng)用背景往往是野外 軍事目標(biāo)探測(cè)，非自然物體，如人、車輛、人造建筑是所要探測(cè)的目標(biāo)。這些目標(biāo)紋理粗糙度 顯然與自然場(chǎng)景如樹木、草地、山石不同，前者表面在視覺感受上趨于平滑，后者較為粗糙。 相對(duì)于其他低級(jí)視覺特征，紋理粗糙度特征是微光圖像更具有顯著性的視覺特征，可以利 用粗糙度特征進(jìn)行微光圖像的顯著性計(jì)算。
[0006] 利用視覺顯著性進(jìn)行目標(biāo)檢測(cè)成為近年來的研究熱點(diǎn)，其中最為著名的Itti顯 著性算法及Walther目標(biāo)檢測(cè)方法。現(xiàn)有方法主要通過顏色、亮度等特征的顯著性進(jìn)行目 標(biāo)檢測(cè)。然而由于微光圖像無彩色信息，對(duì)比度低，這些方法應(yīng)用于微光圖像目標(biāo)檢測(cè)，往 往擊中率較低，虛警率較大，目標(biāo)輪廓性較差。


【發(fā)明內(nèi)容】

[0007] 本發(fā)明的目的在于提供一種目標(biāo)輪廓性好、擊中率高的基于紋理顯著性的微光圖 像自動(dòng)探測(cè)方法。
[0008] 實(shí)現(xiàn)本發(fā)明目的的技術(shù)解決方案為：
[0009] 一種基于紋理顯著性的微光圖像目標(biāo)檢測(cè)方法，其特征在于，包括以下步驟：
[0010] 步驟一：按如下方法提取圖像粗糙度特征圖：
[0011] 1. 1計(jì)算圖像中大小為4kX4k活動(dòng)窗口中像素的平均灰度值，

【權(quán)利要求】
1. 一種基于紋理顯著性的微光圖像目標(biāo)檢測(cè)方法，其特征在于，包括以下步驟： 步驟一：按如下方法提取圖像粗糙度特征圖： 1. 1計(jì)算圖像中大小為4kX4k活動(dòng)窗口中像素的平均灰度值， A屮，k =込…，
的軍入俚，；U，J;刃諑效點(diǎn)坐標(biāo)；f(i，j)是位于（i，j) 的像素灰度值；當(dāng)k = 0時(shí)，取窗口尺寸大小為3X3 ; (x，y)為各平均灰度圖Ak的坐標(biāo)； 1.2對(duì)于每個(gè)像素，分別計(jì)算它在水平和垂直方向上窗口之間的平均灰度差，水平方 向平均灰度差計(jì)算方法如式（2a)所不，垂直方向平均灰度差計(jì)算方法如式（2b)所不， Ek；h (x, y) = | Ak> (x+ P , y) -Ak (x, y) (2a) Ek,v(x, y) = | Ak> (x, y+p )-Ak (x, y) (2b) 式中， k = max (k_Lb, 0)，Lb 為兩個(gè)窗 口偏差尺度，Lb = Lmax_ c[且 Lb > 1 ; 參數(shù)a取值如下：a = 3, Lmax ^ 5; a = min(2, Lmax-1), Lmax < 5 ； p為兩個(gè)窗口偏心距，p = 2k'+l ; 1.3計(jì)算每一像素點(diǎn)的最佳尺寸，計(jì)算公式如式（3a)所示， Sbest = 4kmax (3a) Ek = max (Ek'h，Ek'v) (3b) Emax = max (Ek)，Emin = min (Ek) (3c) 公式（3b)、（3c)為中間變量，式中， Ek表示每個(gè)尺寸k在水平和垂直方向平均灰度差值的最大值，E_為像素點(diǎn)最大平均 灰度差值，Emin為像素點(diǎn)最小平均灰度差值， kmax值按如下三種情形確定： ⑴若k = 0，E〇 > tM，取kmax = 0,其中^為匕所有像素點(diǎn)局部非零極大值的均值，否 貝1J轉(zhuǎn)入（ii); (ii) 若 Numel (DEk < t Q) = Lmax-1 且 Emax < tm，則取 kmax = Lmax，其中 Numel 表示對(duì)滿 足條件的k計(jì)數(shù)，DEk = IVEhI，參數(shù)5 =瓦1/1.5，參數(shù)C 為Emin的平均值，否 貝1J轉(zhuǎn)入（iii); (iii) kmax = argmax(Ek)； 1. 4根據(jù)圖像中每一像素點(diǎn)的最佳尺寸，計(jì)算該像素點(diǎn)的局部粗糙度，計(jì)算方法如式 (4)所示， Fcrs (x, y) = Sbest (x, y) (4); 步驟二：對(duì)特征圖F_進(jìn)行二值化處理，并根據(jù)格式塔知覺組織規(guī)則-接近律，對(duì)屬于 同一目標(biāo)的兩個(gè)區(qū)域進(jìn)行合并； 步驟三：依次使用公式（5a)、（5b)計(jì)算全局顯著性G& Aj = aj, Amin < aj < Amax (5a)
式中，a」為第j特征區(qū)域總像素?cái)?shù)，Ai為重新標(biāo)記后的區(qū)域，Amin是對(duì)h限定的最小值， Amax是對(duì)a』限定的最大值； 步驟四：計(jì)算局部顯著性IA，計(jì)算公式如式（6)所示，
L為第i特征區(qū)域在粗糙度特征圖中的灰度均值，M為特征圖最大灰度值；為得到區(qū)域 局部環(huán)境信息，將特征區(qū)域沿區(qū)域邊界外延r寬度像素，是外延區(qū)域在粗糙度特征 圖中的灰度均值，r G [5, 7]; 步驟五：計(jì)算位置顯著性PSp計(jì)算公式如式（7)所示，
式中，為圖像中心坐標(biāo)，（xiayiCI)第i特征區(qū)域中心坐標(biāo)，n為調(diào)節(jié)參數(shù)； 步驟六：計(jì)算紋理顯著性大小，以獲得顯著圖，計(jì)算紋理顯著性大小的方法如式（8)所 示，
式中，GSpLSpPSi均已歸一化； 步驟七：顯著圖中的各顯著區(qū)域即為提取原目標(biāo)的感興趣區(qū)域，對(duì)各感興趣區(qū)域進(jìn)行 注意焦點(diǎn)轉(zhuǎn)移，注意焦點(diǎn)為各感興趣區(qū)域的中心，注意焦點(diǎn)轉(zhuǎn)移的先后次序?yàn)閰^(qū)域顯著性 大小T&的遞減順序；根據(jù)抑制返回機(jī)制，已經(jīng)注意過的區(qū)域立即被抑制，TSi值歸零。
2. 如權(quán)利要求1所述的基于紋理顯著性的微光圖像目標(biāo)檢測(cè)方法，其特征在于，所述 步驟一之步驟1. 1中Lmax G [3, 6]。
3. 如權(quán)利要求1所述的基于紋理顯著性的微光圖像目標(biāo)檢測(cè)方法，其特征在于，所述 步驟一之步驟1. 4中，對(duì)最佳尺寸進(jìn)行冪次變換，變換公式如式（9)所示： Fcrs(x, y) = sbest (x, y) Y (9) 式中，Y > 1。
4. 如權(quán)利要求1所述的基于紋理顯著性的微光圖像目標(biāo)檢測(cè)方法，其特征在于，所述 步驟二中，合并區(qū)域方法可以為： 對(duì)滿足公式（10)的區(qū)域進(jìn)行合并， 設(shè)ek，為區(qū)域k，1的邊界，m G ek，n G Num (d (m, n) ^ 6 ) ^ p ? min (length (ek), length (ex)) (10) 式中，d (m, n) = max (| xm-xn|, | ym-yn |)，Num對(duì)屬于較短邊界的像素點(diǎn)計(jì)數(shù)，滿足條件的 點(diǎn)僅計(jì)數(shù)一次，length(ej邊界總像素?cái)?shù)。
5. 如權(quán)利要求4所述的基于紋理顯著性的微光圖像目標(biāo)檢測(cè)方法，其特征在于，所述 S取4個(gè)像素，p取24%。
6. 如權(quán)利要求1所述的基于紋理顯著性的微光圖像目標(biāo)檢測(cè)方法，其特征在于，所述 步驟三中 = max(45, 0? 16%*IA)，A_ = 33%*IA，IA 為圖像總面積。
7. 如權(quán)利要求1所述的基于紋理顯著性的微光圖像目標(biāo)檢測(cè)方法，其特征在于，所述 步驟五中n G [2. 1,2. 3]。
8. 如權(quán)利要求1所述的基于紋理顯著性的微光圖像目標(biāo)檢測(cè)方法，其特征在于，所述 步驟六中對(duì)TSi作對(duì)數(shù)變換，變換公式如式（11)所示： TS/ = log(l+K ? TSi) (11)
9. 如權(quán)利要求8所述的基于紋理顯著性的微光圖像目標(biāo)檢測(cè)方法，其特征在于，K = 30 〇
【文檔編號(hào)】G06T7/00GK104346800SQ201310334161
【公開日】2015年2月11日 申請(qǐng)日期:2013年8月2日 優(yōu)先權(quán)日:2013年8月2日
【發(fā)明者】柏連發(fā), 張毅, 金左輪, 韓靜, 岳江, 陳錢, 顧國華 申請(qǐng)人:南京理工大學(xué)