【技术实现步骤摘要】
一种红外目标隐身效能的评估方法及系统
本专利技术涉及红外隐身领域，特别涉及一种红外目标隐身效能的评估方法及系统。
技术介绍
对于特种车辆红外目标隐身效能评估来说，需要分别提取目标和背景的灰度值，在目标和背景的灰度值提取过程中，图像分割是关键一环，传统的阈值分割法能够较好地完成红外图像目标提取，但对红外目标边缘信息分割不理想，而图像分割是基于温差特征的特种车辆红外探测方法中的关键环节，图像分割效果的好坏影响特种车辆的隐身效能评估的准确性。
技术实现思路
本专利技术的目的是提供一种红外目标隐身效能的评估方法及系统，以提高特种车辆的隐身效能评估的准确性。为实现上述目的，本专利技术提供了如下方案：本专利技术提供一种红外目标隐身效能的评估方法，所述评估方法包括如下步骤：获取红外目标的红外图像；利用卷积神经网络算法，提取所述红外图像的特征集图像；采用聚类算法将所述特征集图像分割为目标图像和背景图像；计算所述目标图像和所述背景图像的温差；根据所述温差评估红外目标隐身效能。可选的，所述利用卷积神经网络算法，提取所述红外图像的特征集图像，具体包括：将所述红外图像进行像素压缩，得到压缩后...
【技术保护点】
1.一种红外目标隐身效能的评估方法，其特征在于，所述评估方法包括如下步骤：获取红外目标的红外图像；利用卷积神经网络算法，提取所述红外图像的特征集图像；采用聚类算法将所述特征集图像分割为目标图像和背景图像；计算所述目标图像和所述背景图像的温差；根据所述温差评估红外目标隐身效能。
【技术特征摘要】
1.一种红外目标隐身效能的评估方法，其特征在于，所述评估方法包括如下步骤：获取红外目标的红外图像；利用卷积神经网络算法，提取所述红外图像的特征集图像；采用聚类算法将所述特征集图像分割为目标图像和背景图像；计算所述目标图像和所述背景图像的温差；根据所述温差评估红外目标隐身效能。2.根据权利要求1所述的一种红外目标隐身效能的评估方法，其特征在于，所述利用卷积神经网络算法，提取所述红外图像的特征集图像，具体包括：将所述红外图像进行像素压缩，得到压缩后图像；利用卷积神经网络算法对所述压缩后图像进行预设次数的卷积和池化操作，得到所述压缩后图像的图像特征；将所述图像特征可视化，得到特征集图像。3.根据权利要求2所述的一种红外目标隐身效能的评估方法，其特征在于，所述利用卷积神经网络算法对所述压缩后图像进行预设次数的卷积和池化操作，得到所述压缩后图像的图像特征，具体包括：将所述压缩后图像作为输入图像，采样次数设置为1；利用卷积核大小为3×3的矩阵w，偏置为b的卷积层，利用公式对所述输入图像x进行卷积操作，获得卷积映射结果C；利用公式对所述卷积映射结果C进行块大小为λ×τ的最大池化采样，得到池化采样结果S；其中，表示块大小为λ×τ的最大池化采样操作；判断所述采样次数是否大于所述预设次数，获得第一判断结果；如所述第一判断结果为所述采样次数不大于所述预设次数，将所述池化采样结果设置为输入图像，所述采样次数增加1，返回步骤“利用卷积核大小为3×3的矩阵w，偏置为b的卷积层，利用公式对所述输入图像x进行卷积操作，获得卷积映射结果C”；若所述第一判断结果为所述采样次数大于所述预设次数，将所述池化采样结果设置为所述图像特征。4.根据权利要求1所述的一种红外目标隐身效能的评估方法，其特征在于，所述采用聚类算法将所述特征集图像分割为目标图像和背景图像，具体包括：提取所述特征集图像的特征矩阵；基于所述特征矩阵，获取K-means聚类的聚类数K；采用聚类数为K的K-means聚类算法，将所述特征集图像分割成目标图像和背景图像。5.根据权利要求4所述的一种红外目标隐身效能的评估方法，其特征在于，所述基于所述特征矩阵，获取K-means聚类的聚类数K，具体包括：任意确定第一中心点，并将中心点个数设置为1；选取所述特征矩阵中与所述第一中心点的距离最大的矩阵元作为下一个中心点，中心点个数增加1；根据所述特征矩阵中的矩阵元与每个中心点的距离，将所述特征矩阵中的每个矩阵元与距离最小的中心点划分为一类，并将每个矩阵元与距离最小的中心点的距离设置为标记距离，得到标记距离集合；判断所述标记距离集合中的最大的标记距离是否大于预设距离阈值，得到第二判断结果；若所述第二判断结果表示大于预设距离阈值，则将所述最大的标记距离对应的矩阵元作为下一个中心点，中心点的个数增加1，返回步骤“根据所述特征矩阵中的矩阵元与每个中心点的距离，将所述特征矩阵中的每个矩阵元与距离最小的中心点划分为一类，并将每个矩阵元与距离最小的中心点的距...
【专利技术属性】
技术研发人员：赵晓枫，魏银鹏，蔡伟，侯传勋，李洪才，王振业，刘君浩，周满，
申请(专利权)人：中国人民解放军火箭军工程大学，
类型：发明
国别省市：陕西,61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。