一种序列图像变化检测的伪变化目标去除方法技术

一种序列图像变化检测的伪变化目标去除方法，本发明专利技术属于序列图像变化检测技术领域，目的是解决现有的图像变化检测方法未能有效的利用序列图像间的帧间信息且伪变化目标排除率低的技术问题，本发明专利技术采用的技术方案为：首先将序列图像中具有伪变化目标的第一帧作为样本进行分块并计算各块的特征；然后对各特征进行矢量分析，训练出用于伪目标去除的双向圆锥形决策规则进行决策，最后利用帧间变化对该规则进行自适应递推。本发明专利技术解决了现有的图像变化检测方法未能有效的利用序列图像间的帧间信息，不适用于目标较少或目标类型不统一甚至类型未知的情况，且伪变化目标排除率低的技术问题，并提出了一种双向圆锥三维矢量分析的伪目标去除方法。

【技术实现步骤摘要】

本专利技术属于序列图像变化检测
，具体涉及一种序列图像变化检测的伪变 化目标去除方法。
技术介绍
常规的图像变化检测是利用同一地区在不同时刻拍摄的两幅图像，采用图像处理 和模式识别等手段，检测出该地区的地物变化信息的过程;然而实际拍摄时，所获取的图像 并不只有一幅静态图像，而是图像序列，仅对静态图像进行变化目标检测将无法利用图像 序列间的帧间信息；序列图像目标变化检测主要针对两组图像序列间变化目标的检测，两 组图像序列各帧一一对应，并进行图像配准。在进行图像目标变化检测时，受阴影等因素的 影响图像中可能出现大量伪目标，目标误检率高。目前，目标变化检测方法分为静态图像和序列图像两类。其中静态图像目标变化 检测法主要包括增强真实目标区分度和减弱伪目标影响两方面;静态图像的目标变化检测 未能有效利用帧间关联信息，误检测率没有得到有效控制。序列图像目标变化检测法主要 有基于图像镶嵌的方法和基于目标训练的检测方法，基于镶嵌的方式将序列图像进行镶 嵌，然后对镶嵌后的区域图像进行配准，并在此基础上分析配准误差完成变化检测，该类方 法仅将序列图像进行了拼接，未能有效的利用该序列间的帧间信息;基于目标训练的方法 通过对样本图像的训练得到目标的变化类型的决策规则，并用规则检测出同类型的变化目 标，当实际拍摄时所获取的图像，待检测目标并不一定出现在每帧图像中且可能属于不同 类别，其变化特征可能具有较大差异；而伪变化目标在各帧图像中都会出现，类别较为固 定。例如在用于作战检测时，船只、车辆、飞机、驻扎的帐篷等都可能是待检测目标，他们在 图像中表现出的变化特征并不相同，而影响检测的伪变化目标可能同样是由阴影引起的图 像灰度变化，基于目标训练的方法难以准确的处理该类型的目标变化。 综合考虑以上方法可以看出，需要有一种新方法来解决现有序列图像目标变化检 测方法，不适用于目标较少或目标类型不统一甚至类型未知的情况，并且该方法需要有效 的排除伪变化目标，保证准确的检测出真实变化目标。
技术实现思路
本专利技术的目的是解决现有的图像变化检测方法未能有效的利用序列图像间的帧 间信息且伪变化目标排除率低的技术问题，提供一种序列图像变化检测的伪变化目标去除 方法。 为解决上述技术问题，本专利技术采用的技术方案为:首先将序列图像中具有伪变化 目标的第一帧作为样本进行分块并计算各块的特征;然后对各特征进行矢量分析，训练出 用于伪目标去除的双向圆锥形决策规则进行决策，最后利用帧间变化对该规则进行自适应 递推。 为解决上述技术问题，本专利技术采用具体的技术方案为： -种序列图像变化检测的伪变化目标去除方法，其中：它包含以下步骤： S1:将同一地区不同时间拍摄的两组图像序列输入，并进行配准，使得序列各帧一 一对应； S2:选取每组图像序列的第一帧图像，利用模糊C均值聚类的方法进行变化检测， 并通过人工判读的方法标记出模糊C均值聚类检测结果中的伪变化目标； S3:将每组图像序列的第一帧图像分块处理获得图像块； S4:计算各个图像块的三种鉴别特征值，所述鉴别特征用以鉴别真实与伪变化目 标； S5:利用S4步骤中选取的鉴别特征构建直角坐标系，将各图像块按其鉴别特征值 构建三维坐标，将其对应的三维点标记在直角坐标中； S6:根据S2步骤中标记出的伪变化目标，选出S5步骤中存在伪变化目标的图像块 的三维点； S7:利用S6步骤中获得的存在伪变化目标的图像块的三维点训练出存在伪变化目 标的图像块的决策规则； S8:将S7步骤中获得的决策规则对应的图像进行自适应递推，使其用于序列中后 续图像中； S9:去除符合S8步骤中决策规则的伪变化目标图像块，输出剩余变化目标图像块。 所述S4步骤中的三种鉴别特征为边缘变化特征、图像纹理复杂度变化特征和图像 视觉对比度变化特征，按以下步骤确定三种鉴别特征值： S41:确定边缘变化特征值： 首先，采用如下整体变分算法模型提取图像块的结构图，求解能量泛函最小值得 到结构图S，提取得到的结构图S的边缘特征，并利用Sobel算子得到图像块的图像边缘；上式中:E表示能量泛函，I为输入图像，S为结构图，p为像素位置，λ为正则化参数， 取值范围为，I表示梯度，用来抑制噪声；（SP-I P)2为正则 项，用来保护边缘；然后，提取每组图像序列的第一帧图像的图像块边缘的长宽特征，并将第一组图 像序列的第一帧图像中的图像块边缘的长宽特征与另一组图像序列的第一帧图像中对应 图像块边缘的长宽特征作差，得到的差值作为边缘变化特征值； S42:确定图像纹理复杂度变化特征值：采用如下公式提取两组图像序列的第一帧图像中相应图像块的图像纹理复杂度 变化特征值XD2;1Φ为X的概率密度函数，X为像素点的 灰度值； S43:确定图像视觉对比度变化特征值： 采用如下公式提取两组图像序列的第一帧图像中相应图像块的图像视觉对比度 变化特征值Xm;上式中：C为图像对比度特征，μι(ηι，η)为图像块的平均灰度，μ2(ηι，η)为整幅图像的 平均灰度，L为图像块灰度的量程，λ为加权参数上式中：S为整幅面积，St为图像块的面积，μτ为图像块边界像素灰度均值，μτο为图 像块边界像素领域像素均值。 所述长宽特征为该图像块各个边缘外接矩形长宽的和。 所述的决策规则为双向圆锥形的决策规则，决策规则量按以下步骤确定： S71:求伪变化目标图像块决策规则的正向中心方向与逆向中心方向：选取各正向或逆向存在伪变化目标的图像块的三维点的鉴别特征值的均值点作 为正向或逆向中心点，零点到正向或逆向中心点的连线即为伪变化变化类的正向或逆向中 心方向； S72:求伪变化目标图像块决策规则的正向中心角与逆向中心角：首先求各存在伪变化目标的图像块的三维点到正向或逆向中心方向的距离，然后 通过反三角函数求得各存在伪变化目标的图像块的三维点的点方向与正向或逆向中心方 向的夹角，上式中：0(i，j)表示存在伪变化目标的图像块的三维点的中心角，cU(i，j)表示该 存在伪变化目标的图像块的三维点到中心方向的距离，d2(i，j)表示该存在伪变化目标的 图像块的三维点到零点的距离；将0°到90°划分为90个等级，统计各等级中的存在伪变化目标的图像块的三维点 的个数，从89°~90°开始进行判定，如果该等级中存在伪变化目标的图像块的三维点的数 目大于等级中最大数目的0.1倍，则选取该角度作为阈值，并将其作为决策规则的正向中心 角与逆向中心角。 所述自适应递推的步骤如下： S81:确定最终种决策规则中心点： 将前一帧得到的检测结果作为下一帧图像的训练样本，并在训练样本中加入第一 帧图像进行指导，根据下式确定最终种决策规则中心点；上式中：pi(x，y，z)为第一帧图像的中心点，pn-i(x，y，z)为该帧图像前一帧图像伪 目标结果的中心位置，η为图像帧数，v为飞行器移动速度，单位为m/帧； S82:确定决策规则的中心角： 正向或逆向变化中心点与零点作为正向或逆向中心方向，并利用下式求取决策规 则的中心角，上式中：ω ^为前一帧图像规则中求得的中心角，mean((i，j))为前一帧图像 中各点到中心方向角度的均值，mean(ΘΚi，j))为第一帧图像中各点到中心方向角度的均 值，mean (Θn(i，j))本文档来自技高网...

【技术保护点】
一种序列图像变化检测的伪变化目标去除方法，其特征在于：它包含以下步骤：S1：将同一地区不同时间拍摄的两组图像序列输入，并进行配准，使得序列各帧一一对应；S2：选取每组图像序列的第一帧图像，利用模糊C均值聚类的方法进行变化检测，并通过人工判读的方法标记出模糊C均值聚类检测结果中的伪变化目标；S3：将每组图像序列的第一帧图像分块处理获得图像块；S4：计算各个图像块的三种鉴别特征值；S5：利用S4步骤中选取的鉴别特征构建直角坐标系，将各图像块按其鉴别特征值构建三维坐标，将其对应的三维点标记在直角坐标中；S6：根据S2步骤中标记出的伪变化目标，选出S5步骤中存在伪变化目标的图像块的三维点；S7：利用S6步骤中获得的存在伪变化目标的图像块的三维点训练出存在伪变化目标的图像块的决策规则；S8：将S7步骤中获得的决策规则对应的图像进行自适应递推，使其用于序列中后续图像中；S9：去除符合S8步骤中决策规则的伪变化目标图像块，输出剩余变化目标图像块。

【技术特征摘要】

【专利技术属性】
技术研发人员：杨风暴，王建萍，刘冰清，郎文杰，吉琳娜，李亦军，闫仕侬，
申请(专利权)人：中北大学，
类型：发明
国别省市：山西;14