本發(fā)明涉及紅外與可見光異源圖像變化檢測的
技術(shù)領(lǐng)域：
，具體地說是一種面向異源序列圖像的變化檢測及其測試方法。
背景技術(shù)：
：紅外圖像與可見光圖像的變化檢測是圖像變化檢測的重要分支，在資源和環(huán)境監(jiān)測、自動目標識別等領(lǐng)域具有重要的應(yīng)用。紅外傳感器具有全天候工作、抗干擾能力強等特點，而可見光傳感器獲取的圖像具有對比度高、紋理信息豐富、圖像清晰等特點。在資源和環(huán)境監(jiān)測領(lǐng)域，主要在土地覆蓋變化、植被覆蓋變化、城市形態(tài)擴展、地形變化等方面用于獲得變化信息；在自動目標識別領(lǐng)域，根據(jù)可見光圖像中已知的目標信息，利用變化檢測從實時紅外圖像中找出對應(yīng)目標的變化情況，如目標數(shù)量的增加或減少等；在打擊效果評估領(lǐng)域，可以通過連續(xù)偵察得到序列圖像，動態(tài)感知目標的態(tài)勢信息。由于紅外圖像與可見光圖像的成像機理不同，導(dǎo)致兩者圖像特征具有不同的灰度值，在紅外圖像中出現(xiàn)的特征并不一定在可見光圖像中也出現(xiàn)。兩種圖像中對應(yīng)區(qū)域的灰度明暗變化并不一致，在紅外圖像中灰度較暗的地方在可見光圖像中很可能灰度較亮；而在紅外圖像中灰度較亮的區(qū)域在可見學(xué)圖像中又可能灰度較暗。因此簡單的圖像相減法、主分量分析法等變化檢測方法并不能有效地解決異源圖像的變化檢測問題。紅外與可見光圖像的變化檢測仍然是一個極具挑戰(zhàn)性的問題。技術(shù)實現(xiàn)要素：針對現(xiàn)有方法存在的問題，本發(fā)明的目的在于提供一種準確、快速的紅外與可見光異源圖像的變化檢測及其測試方法。本發(fā)明為實現(xiàn)上述目的所采用的技術(shù)方案是：一種面向異源序列圖像的變化檢測及其測試方法，包括以下步驟：步驟1：構(gòu)建標準化測試靶標，并將標準化測試靶標分散到紅外圖像中；步驟2：利用Canny算子邊緣特征提取算法，對紅外圖像和可見光圖像中穩(wěn)定的邊緣特征進行邊緣提取，輸出異源圖像的邊緣圖；步驟3：對異源圖像的邊緣圖進行圖像分塊，利用連續(xù)化邊緣概率的變化檢測算法，計算異源圖像的變化檢測圖譜；步驟4：將得到的變化檢測圖譜進行對比，選擇分辨能力較高的變化檢測圖譜進行均值計算，得到變化檢測閾值。所述標準化測試靶標被斜線分成兩個區(qū)域，每個區(qū)域包括根據(jù)遞推公比遞推的標準化圖案組，每個標準化圖案組包括一個正方形靶標、一條水平方向矩形靶線和一條垂直方向矩形靶線；其中，矩形靶線較長邊的長度與該標準化圖案組的正方形靶標的邊長相等，矩形靶線較短邊的長度為該標準化圖案組的正方形靶標邊長的1/4。所述遞推公比為1/2。所述正方形靶標和矩形靶線包含噪聲紋理特征。所述圖像分塊為將邊緣圖等分成若干正方形圖塊。所述連續(xù)化邊緣概率的變化檢測算法包括以下過程：步驟1：計算每一區(qū)塊邊緣概率Pedge：Pedge＝Nedge/Ntotal其中，Pedge為每一區(qū)塊邊緣概率，Nedge為該區(qū)塊內(nèi)邊緣點的個數(shù)，Ntotal為該區(qū)塊的像素總數(shù)；步驟2：以異源圖像邊緣圖的每一個像素作為中心，取包含該中心像素的周圍N×N個像素作為分割圖像的一個區(qū)塊，用該區(qū)塊的邊緣概率作為該中心像素的邊緣概率；步驟3：遍歷整個異源圖像邊緣圖，得到每個像素點的邊緣概率。所述異源圖像變化檢測圖譜為：Iedge(A,B)＝Pedge(A)+Pedge(B)-Pedge(A,B)其中，Iedge(A,B)為異源圖像變化檢測圖譜，Pedge(A)和Pedge(B)分別表示異源圖像的個體邊緣概率，Pedge(A,B)表示異源圖像的聯(lián)合邊緣概率。所述異源圖像的個體邊緣概率為異源圖像中每個圖像的邊緣概率。所述異源圖像的聯(lián)合邊緣概率為異源圖像的兩幅圖像中，位置相同的兩個區(qū)塊內(nèi)，當(dāng)對應(yīng)像素同時為邊緣點時的邊緣概率。本發(fā)明具有以下有益效果及優(yōu)點：1.本發(fā)明采用連續(xù)化邊緣概率的方法，利用異源圖像穩(wěn)定的邊緣特征，特別適用于灰度差異較大的紅外與可見光圖像的變化檢測，具有很高的變化檢測率；2.本發(fā)明通過構(gòu)建標準化測試靶標，直觀模擬真實地物的變化情況，并能有效地評價變化檢測的能力。附圖說明圖1是本發(fā)明的整體流程圖；圖2是圖像對比度比較圖，其中(a)為紅外圖像對比度比較圖，(b)為可見光圖像對比度比較圖；圖3是選取6組不同的Canny參數(shù)值，異源圖像的邊緣圖，其中(a)為可見光圖像邊緣圖，(b)為紅外圖像邊緣圖；圖4是邊緣圖分塊示意圖；圖5是連續(xù)化邊緣概率原理圖；圖6是標準化測試靶標圖；圖7是添加了噪聲的標準化測試靶標示意圖；圖8是標準化測試靶標的在機場目標和橋梁目標上的使用圖，其中(a)、(c)表示以可見光圖像作為基準圖，(b)、(d)表示將測試靶標添加至紅外圖像作為實時圖；圖9是機場目標的邊緣圖及變化檢測圖譜；圖10是橋梁目標的邊緣圖及變化檢測圖譜；圖11是四類目標變化檢測的均值曲線圖。具體實施方式下面結(jié)合附圖及實施例對本發(fā)明做進一步的詳細說明。如圖1所示為本發(fā)明的整體流程圖。本發(fā)明提出一種面向異源序列圖像的變化檢測及其測試方法，用于紅外序列圖像與可見光基準圖像的變化檢測。利用Canny算子，對紅外圖像和可見光圖像中穩(wěn)定的邊緣特征進行邊緣提取，輸出異源圖像的邊緣圖；針對邊緣圖進行圖像分塊，提出連續(xù)化邊緣概率的變化檢測算法，計算異源圖像的變化檢測圖譜；設(shè)計一種標準化測試靶標，作為變化檢測圖譜對檢測變化能力的直觀評價；采用一套完整的測試方法，驗證變化檢測圖譜隨算法參數(shù)的不同設(shè)置而改變的情況；統(tǒng)計分析異源圖像的變化檢測圖譜，計算變化檢測度量指標，輸出變化檢測閾值。利用Canny算子對紅外圖像和可見光圖像中穩(wěn)定的邊緣特征進行邊緣提取，輸出異源圖像的邊緣圖的過程：為了準確地檢測圖像的變化部分，需要算法對異源圖像中沒有發(fā)生變化的部分具有一致的適應(yīng)性從而正確篩選出變化信息。如圖2所示，對于紅外與可見光異源圖像，圖像中高對比度的區(qū)域是較為一致的特性，而高對比度的區(qū)域一般為兩種不同材質(zhì)的交界處，材質(zhì)分界線往往對應(yīng)于圖像的邊緣，因此，就選取圖像的特征而言，邊緣特征是較為穩(wěn)定的共性特征，并且圖像的邊緣信息可以大大減少所要處理的信息量的，并有效地保留有用信息。因而選取邊緣特征作為異源圖像中穩(wěn)定的不變特征，利用邊緣信息進行變化檢測。Canny算子具有優(yōu)秀的信噪比和檢測精度，并且可以較好地避免偽邊緣，選用Canny算子分別提取紅外圖像與可見光圖像的邊緣，得到邊緣圖。由于Canny算子提取出的邊緣直接影響到后文中圖像邊緣概率的統(tǒng)計計算，因此，Canny算子參數(shù)的合適取值就顯得異常重要。由于成像機理不同，可見光圖像對比紅外圖像，相對而言對比度更高，邊緣更“陡”，邊緣結(jié)構(gòu)也更復(fù)雜，并且可能摻雜了更多的細節(jié)紋理信息而造成干擾。正是利用這些特性，對可見光圖像與紅外圖像分別選取不同的Canny參數(shù)值，使Canny算子提取的圖像邊緣滿足以下原則：(1)既能使紅外圖像和可見光圖像中材質(zhì)分界處的有效邊緣得以提取；(2)由于可見光圖像邊緣更“陡”，因此提取出有效邊緣的同時，盡可能地過濾了干擾的紋理信息。分別選取6組不同的Canny參數(shù)值，對比異源圖像的邊緣圖，如圖3所示。按上述原則選取邊緣，本目標區(qū)域的Canny參數(shù)，可見光與紅外分別選擇0.25和0.1。針對邊緣圖進行圖像分塊，提出連續(xù)化邊緣概率的變化檢測算法，計算異源圖像的變化檢測圖譜的過程：如圖4所示，針對邊緣圖進行圖像分塊，對于每一小塊而言，該區(qū)塊內(nèi)的邊緣點總數(shù)與該區(qū)塊的像素總數(shù)之比即為該區(qū)塊的邊緣概率。設(shè)某一小塊內(nèi)邊緣點的個數(shù)為Nedge，該區(qū)塊的像素總數(shù)為Ntotal，則計算該區(qū)塊邊緣概率Pedge的公式為：Pedge＝Nedge/Ntotal。上述將圖像分塊的做法將導(dǎo)致圖像邊緣概率的離散化，離散程度受所分割的區(qū)塊大小影響，會導(dǎo)致變化檢測的精度受到影響。因此，提出連續(xù)化邊緣概率的方法。如圖5所示，以圖像的每一個像素作為中心，取包含該中心像素的周圍N×N個像素作為分割圖像區(qū)塊的一個小塊，用這一區(qū)塊的邊緣概率作為該中心像素的邊緣概率。遍歷整個圖像即可得到圖像每個像素點的邊緣概率，實現(xiàn)了邊緣概率的連續(xù)化。對于紅外圖像與可見光圖像的兩幅圖像而言，Ntotal的定義不變，Nedge則定義為兩幅圖像相同位置、一一對應(yīng)的兩個區(qū)塊內(nèi)，對應(yīng)像素同時為邊緣點的像素個數(shù)，并定義此時的邊緣概率為聯(lián)合邊緣概率，進而將單幅圖像的邊緣概率稱為個體邊緣概率以作區(qū)分。紅外圖像與可見光圖像之間變化可以通過邊緣概率的分布圖譜來反映。兩幅圖像A、B的連續(xù)化邊緣概率圖譜Iedge(A,B)可以用公式表示為：Iedge(A,B)＝Pedge(A)+Pedge(B)-Pedge(A,B)其中，Pedge(A)和Pedge(B)分別表示圖像A、B的個體邊緣概率，Pedge(A,B)表示兩幅圖像的聯(lián)合邊緣概率。因此，Iedge(A,B)的值越大，表示該處邊緣點個數(shù)的差異越大，越有可能是發(fā)生變化的區(qū)域。如圖6所示，在變化檢測過程中，為了能夠客觀、準確地估計、評價變化檢測的性能，提出并設(shè)計了一種標準化測試靶標，利用標準化的方法模擬各種地物的空間分辨率，作為對變化檢測能力的一種有效、直觀的標準化評價手段。標準化測試靶標的結(jié)構(gòu)如下所述。(1)基本靶標圖案如圖6所示，標準化測試靶標由A、B兩大區(qū)域，共7個小組的標準化圖案組成，每個小組由一個正方形靶標、一條水平方向靶線和一條垂直方向靶線組成，靶線較長邊的長度與同一小組正方形靶標的邊長相等，同一小組水平、垂直方向的兩條靶線的面積相等，且與下一小組的正方形靶標的面積相等。為避免靶線成為單一像素寬度的細線，A、B區(qū)域的最后一個小組的靶線忽略不計。(2)靶標遞推公比標準化測試靶標中的正方形靶標包含32×32，16×16，8×8，4×4，以及24×24，12×12，6×6共7組正方形。其中，A區(qū)域的基數(shù)為32，遞推公比為1/2；B區(qū)域的基數(shù)為24，遞推公比亦為1/2。即在同一區(qū)域內(nèi)，下一小組正方形靶標的邊長為上一小組正方形靶標邊長的1/2，面積為其1/4。(3)靶標紋理的添加為了盡可能直觀地反映實際地物場景的變化信息，如圖7所示，在靶標的純色黑色區(qū)域添加了均值為0、標準差為5的高斯噪聲，以模擬真實情況。(4)測試靶標的使用如圖8所示，將標準化測試靶標的各組圖案分散至一定距離后添加至圖像中，添加的位置盡量選擇在灰度較為單一的背景上，從而明確體現(xiàn)出標準化測試靶標對圖像的影響，而非來自圖像自身的影響。以某機場跑道圖像為例，靶標圖案的添加位置選擇在灰度分布較為一致的跑道上或草坪上。算法分塊大小的驗證：由上述提出的連續(xù)化邊緣概率的概念可知，邊緣概率的計算結(jié)果與算法將圖像分塊的大小有一定關(guān)系。設(shè)分塊的大小為N×N，將上文中設(shè)計的標準化測試靶標添加至紅外圖像作為實時圖，以可見光圖像作為基準圖，利用合適的Canny算子閾值分別對圖像進行邊緣提取，對得到的邊緣圖進行變化檢測圖譜的計算，選擇機場跑道和橋梁兩個目標，如圖9和圖10所示，圖(a)、(b)表示原始圖像進行邊緣提取得到的邊緣圖，圖(c)、(d)、(e)、(f)分別表示N取值為9，17，33和65時得到的變化檢測圖譜的結(jié)果，紅色部分表示檢測到的變化。只考慮有實際研究價值的平面目標部分，對于兩個目標而言，可以看到N＝9和N＝17時，草坪上和橋面上分辨率較高的6×6變化以及分辨率較低的32×32變化都可以檢測出來。與信號采樣理論的一致性驗證：采樣定理是美國電信工程師H.Nyquist提出的說明采樣頻率與信號頻譜之間關(guān)系的定理，即采樣頻率要大于信號最高頻率的2倍，才能無失真地保留信號的完整信息。通過驗證結(jié)果不難發(fā)現(xiàn)，當(dāng)算法分塊大小是標準化測試靶標圖案大小的1/2甚至更小時，可以顯著地將其檢測得到。聯(lián)想到信號采樣理論中的采樣定理，對二者的一致性進行驗證。為了精確定量地驗證，將標準化測試靶標進行精簡，分別添加像素面積為32×32、24×24、16×16的正方形靶標圖案至圖像中，相對應(yīng)的，算法中分別選取大小為15×15、11×11、7×7的分塊進行變化檢測。得到如下的實驗結(jié)果。如圖11所示的(a)、(b)、(c)、(d)、(e)五條曲線，橫坐標代表四類目標，縱坐標表示通過計算每類目標序列圖像的變化檢測圖譜得到的均值，具體數(shù)據(jù)列于表1中。以曲線(b)為例，7->16表示用7×7的算法分塊去檢測大小為16×16的正方形靶標圖案。可以看到，(b)、(c)、(d)三條曲線中，算法分塊大小是標準化測試靶標圖案大小的1/2時，相當(dāng)于采樣頻率等于信號最高頻率的2倍，變化檢測的值相對穩(wěn)定在一個固定區(qū)間；曲線(a)中算法分塊大小是標準化測試靶標圖案大小的1/3時，相當(dāng)于采樣頻率等于信號最高頻率的3倍，得到的均值更大，即變化檢測的效果更明顯；曲線(e)中算法分塊大小是標準化測試靶標圖案大小的3/4時，相當(dāng)于采樣頻率小于信號最高頻率的2倍，得到的均值更小，即變化檢測的效果相對減弱。因此，本方法與信號采樣理論是具有一致性的。表1四類目標變化檢測均值目標序號7->247->1611->2415->3211->1610.64940.57730.55370.54080.473120.67350.52660.5790.56440.427530.6710.56130.51570.49210.496240.64370.53030.57120.5880.4713通過以上的實驗結(jié)果進行分析可得，本發(fā)明提出的方法對變化的檢測能力與目標類型是沒有關(guān)聯(lián)性的，即方法對圖像變化檢測是具有適應(yīng)性的。并且當(dāng)算法分塊的取值較小時，如N＝9，圖像中有意義的目標區(qū)域內(nèi)的變化都可以檢測到，變化檢測率達100％?？紤]到并不是任何像素大小的變化都是有實際意義的，一般采取的變化檢測策略是，根據(jù)已知的目標圖像，預(yù)先有針對性的估計感興趣的最小變化大小。對于本發(fā)明中的圖像而言，分辨率為1000×1000，感興趣的變化大小一般在16×16～32×32范圍內(nèi)，因此，選取變化檢測圖譜中穩(wěn)定的、顯著變化的最小值作為閾值，由表1可知，變化檢測的閾值為0.4921。至此，完成了異源序列圖像的變化檢測與測試的過程。當(dāng)前第1頁1 2 3