【技术实现步骤摘要】
本专利技术涉及图像检测，更具体的涉及一种基于可见光和红外图像融合的图像隐藏目标检测方法。
技术介绍
1、隐藏目标检测在军事目标侦察、应急搜救、安检、野生动物保护等方面体现出巨大的应用前景和价值。利用图像进行隐藏目标检测的方法主要是从各种图像成像机理出发依靠单源图像实施，利用隐藏目标与背景之间存在的热辐射差异获取红外图像，由于隐藏目标在红外图像中特征明显，可以基于红外图像的处理实现隐藏目标检测；利用毫米波雷达和微波的穿透能力获取相应的图像，采用显著性比较、模糊聚类分割等方法从图像中提取隐藏目标所在的区域。通过图像处理技术从单源图像检测隐藏目标主导了隐藏目标检测的主流趋势。除此之外，还包括基本图像融合的方法和基于深度学习的隐藏目标检测算法。
2、目前，传统的依靠毫米波雷达和微波雷达的穿透能力进行隐藏目标检测在一些场合会侵犯到个人隐私，不便使用。基于图像融合的方法将融合后凸显隐藏目标特征为融合目标，没有从本质上解决隐藏目标判决的问题。基于深度学习的隐藏目标检测算法，需要一定的训练样本。依靠红外图像进行图像处理的检测方法，不仅将隐藏目标检测出来，而且有些非隐藏目标也作为显著特征被检测出来，导致误检。
3、综上，现有技术的红外图像进行图像处理的检测方法无法消除对非隐藏目标的误检，影响了隐藏目标检测的准确性。
技术实现思路
1、针对上述领域中存在的问题，本专利技术提出了一种图像隐藏目标检测方法，能够解决现有技术的红外图像进行图像处理的检测方法无法消除对非隐藏目标的误检，
2、为解决上述技术问题，本专利技术公开了一种图像隐藏目标检测方法，包括以下步骤：
3、获取原始图像的可见光图像和红外图像；
4、采用区域生长算法对原始图像的红外图像进行区域分割，将红外图像划分为目标区域和非目标区域；
5、在目标区域，根据红外图像与可见光图像的灰度值，通过区域能量计算图像相关系数，将计算的图像相关度系数与预设的相关度阈值进行比较，当计算的相关度系数大于预设的相关度阈值时定义为高相关度区域，基于加权融合进行处理获得融合后的图像；当计算的图像相关度系数小于预设的相关度阈值时定义为低相关度区域，基于直接替代法进行处理获得融合后的图像；在非目标区域，直接使用可见光图像作为融合后的图像；根据目标区域融合后的图像和非目标区域融合后的图像，确定红外图像的融合图像；
6、基于ica方法通过子空间映射进行特征提取，获取红外图像的融合图像与原始图像的可见光图像在子空间上的特征差异；根据子空间特征差异，获得体现变化强弱的差图像；
7、构造基于双阈值的共生区域生长算法，计算差图像的平均值，采用大小不同的系数对平均值进行加权得到高阈值和低阈值，进而得到分割后的高阈值二值图像和低阈值二值图像；以高阈值二值图像为种子点，在低阈值二值图像中进行并行生长，获取检测的隐藏目标。
8、优选地，所述采用区域生长算法对原始图像的红外图像进行区域分割，包括以下步骤：
9、利用邻域矩阵对待分割的红外图像进行遍历，选择种子像素点，选择图像灰度的均值点作为初始种子点；
10、在种子点进行四邻域扩张过程中，以种子区域内像素点与种子像素灰度值差的绝对值小于生长门限为生长规则，符合生长规则的区域像素灰度平均值，作为新的种子生长点；否则，生长结束，得到目标区域；
11、在符合生长规则的区域，判断是否有新的种子点加入；当有新的种子点加入，更新区域像素点集，返回重新选择种子像素点；当没有新的种子点加入，生长结束，得到目标区域。
12、优选地，所述通过区域能量计算图像相关系数，包括以下步骤：
13、假设存在两幅图像a，b，图像的大小都为m*n，对于每一幅图像而言，每一个像素点都有相对应的rgb数值，整个图像区域便是一个数字样本的集合，利用选取的图像其中的一个像素点对应的rgb数值与另一个图像数据进行相关度计算，通过相关系数公式计算相关系数ρ(i,j)，|ρ(i,j)|≤1；相关系数越接近于1，两者的相关度越高；
14、通过比较两幅图像相应区域对应的能量来确定目标区域的融合规则；
15、对于图像在(i,j)的位置，该点的局部能量即为以该点为中心的窗口内的像素值平方和；
16、区域能量的计算公式：
17、
18、
19、式中，f2(i+a,j+b)为(i+a,j+b)处像素灰度值的平方，w(a,b)为窗口系数，e(i,j)为计算得到的的区域能量；
20、基于区域能量的相关系数计算公式为：
21、
22、式中，ea(i,j)为图像a像素灰度值，为图像a邻域像素均值，eb(i,j)为图像b像素灰度值，为图像b邻域像素均值，邻域大小为(2m+1)×(2n+1)。
23、优选地，所述基于加权融合进行处理获得融合后的图像的灰度值的计算公式为：
24、f(i,j)＝m1×fa(i,j)+m2×fb(i,j),ρ(i,j)≥t
25、其中，fa(i,j)和fb(i,j)分别为红外图像和可见光图像对应像素的灰度值，f(i,j)为融合图像的灰度值，t为预设的相关度阈值。
26、优选地，所述基于直接替代法进行处理获得融合后的图像的灰度值的计算公式为：
27、f(i,j)＝fa(i,j),ρ(i,j)＜t
28、式中，fa(i,j)为红外图像对应像素的灰度值，t为相关度阈值。
29、优选地，所述直接使用可见光图像作为融合后的图像的灰度值的计算公式为：
30、f(i,j)＝fb(i,j)
31、式中，(i,j)遍历整个非目标区域。
32、优选地，所述体现变化强弱的差图像的获取，包括以下步骤：
33、对原始图像的可见光图像进行二进制小波变换，数据转换，ica子空间提取；
34、对融合后的图像进行二进制小波变换，数据转换，将小波变换各分量映射到ica子空间上，求取融合图像与原始图像的可见光图像在ica子空间上的差值；
35、对差值进行数据逆转换，及二进制小波逆变换，获取体现变化强弱的差图像；
36、通过获取的差图像，得到检测结果。
37、优选地，所述获得检测的隐藏目标，包括以下步骤：
38、根据获得的差图像，计算差图像的均值；
39、以大小不同的两个系数乘以均值，获取高阈值和低阈值；其中，高阈值系数设置在8～11之间，低阈值系数设置在2～3之间；
40、使用高阈值和低阈值对差图像进行分割，得到高阈值和低阈值对应的二值分割结果，即分割后的高阈值二值图像和低阈值二值图像；
41、以高阈值二值图像为种子点，采用并行区域生长算法，在低阈值二值图像中进行生长，获得的生长结果即为隐藏目标检测的最终结果。
42、与本文档来自技高网...
【技术保护点】
1.一种图像隐藏目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的图像隐藏目标检测方法，其特征在于，所述采用区域生长算法对原始图像的红外图像进行区域分割，包括以下步骤：
3.根据权利要求2所述的图像隐藏目标检测方法，其特征在于，所述通过区域能量计算图像相关系数，包括以下步骤：
4.根据权利要求3所述的图像隐藏目标检测方法，其特征在于，所述基于加权融合进行处理获得融合后的图像的灰度值的计算公式为：
5.根据权利要求4所述的图像隐藏目标检测方法，其特征在于，所述基于直接替代法进行处理获得融合后的图像的灰度值的计算公式为：
6.根据权利要求5所述的一种图像隐藏目标检测方法，其特征在于，所述直接使用可见光图像作为融合后的图像的灰度值的计算公式为：
7.根据权利要求6所述的图像隐藏目标检测方法，其特征在于，所述体现变化强弱的差图像的获取，包括以下步骤：
8.根据权利要求7所述的图像隐藏目标检测方法，其特征在于，所述获得检测的隐藏目标，包括以下步骤：
【技术特征摘要】
1.一种图像隐藏目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的图像隐藏目标检测方法，其特征在于，所述采用区域生长算法对原始图像的红外图像进行区域分割，包括以下步骤：
3.根据权利要求2所述的图像隐藏目标检测方法，其特征在于，所述通过区域能量计算图像相关系数，包括以下步骤：
4.根据权利要求3所述的图像隐藏目标检测方法，其特征在于，所述基于加权融合进行处理获得融合后的图像的灰度值的计算公式为：
5.根据权利...
【专利技术属性】
技术研发人员：李小春，黄帅珺，孙鹏，余旺盛，秦先祥，桂阳，
申请(专利权)人：中国人民解放军空军工程大学，
类型：发明
国别省市：
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。