基于無人平臺的多波段融合探測方法
【專利摘要】本發(fā)明公開了一種基于無人平臺的多波段融合探測方法，將無人平臺上獲取的紅外圖像序列和可見光圖像序列進行空間配準(zhǔn)，再對配準(zhǔn)好的紅外圖像序列和可見光圖像序列進行預(yù)處理，將所述預(yù)處理后的紅外圖像序列和可見光圖像序列進行圖像融合，最后，對融合后的圖像序列進行多弱小目標(biāo)檢測處理，輸出目標(biāo)的狀態(tài)數(shù)據(jù)和數(shù)目信息。本發(fā)明采用紅外和光學(xué)圖像融合技術(shù)，實現(xiàn)對目標(biāo)的精確檢測。解決了無人機平臺成像質(zhì)量差，單一紅外探測器分辨率低、不利于目標(biāo)準(zhǔn)確識別的缺點，且算法優(yōu)于傳統(tǒng)的目標(biāo)檢測算法，對目標(biāo)的探測和識別更加容易，能夠?qū)Ψ烙到y(tǒng)和對抗系統(tǒng)提供目標(biāo)的準(zhǔn)確指示，可廣泛應(yīng)用于各類復(fù)雜背景的弱小目標(biāo)準(zhǔn)確檢測系統(tǒng)中。
【專利說明】
基于無人平臺的多波段融合探測方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于紅外和光學(xué)圖像處理及目標(biāo)融合探測技術(shù)領(lǐng)域，具體涉及一種基于無 人平臺的多波段融合探測方法。
【背景技術(shù)】
[0002] 無人平臺是指無人駕駛的、完全按遙控操作或者按預(yù)編程序自主運作的、攜帶武 器進行一定任務(wù)的一類平臺，它包括無人作戰(zhàn)機、無人水面艇、無人潛航器和無人地面平臺 以及包括魚雷、機動水雷、彈道導(dǎo)彈和巡航導(dǎo)彈等武器系統(tǒng)。因其具有風(fēng)險小、低價低、適用 于偵查云層下或隱蔽的目標(biāo)、適用于長時間"盯梢"監(jiān)視、偵查、預(yù)警、穩(wěn)瞄、火控和打擊評估 等獨特優(yōu)勢，一直備受關(guān)注。目前無人機成像傳感器可以獲取可見光圖像、紅外圖像、多光 譜圖像等類型圖像。
[0003]由于目標(biāo)輻射特性、光照、氣候等條件的影響，單一波段傳感器拍攝的圖像會受到 一定的影響導(dǎo)致目標(biāo)的誤判，無法滿足實際應(yīng)用需求。伴隨成像傳感器技術(shù)的成熟，多波段 成像傳感器應(yīng)運而生，多波段成像傳感器可以通過融合技術(shù)將復(fù)雜、多變的數(shù)據(jù)處理成更 可靠、更全面的數(shù)據(jù)。多波段傳感器的成像原理有時不盡相同，如可見光成像與紅外成像。 可見光成像傳感器利用的是光反射原理，拍攝得到彩色的細節(jié)清晰的圖像，但是在能見度 較低的條件下，獲得的圖像效果有局限性;紅外成像傳感器利用的是熱輻射原理，獲得的圖 像紅外目標(biāo)亮度大，但是目標(biāo)不清晰、邊緣模糊。

【發(fā)明內(nèi)容】

[0004] 有鑒于此，本發(fā)明的主要目的在于提供一種基于無人平臺的多波段融合探測方 法。
[0005] 為達到上述目的，本發(fā)明的技術(shù)方案是這樣實現(xiàn)的：
[0006] 本發(fā)明實施例提供一種基于無人平臺的多波段融合探測方法，該方法為:將無人 平臺上獲取的紅外圖像序列和可見光圖像序列進行空間配準(zhǔn)，再對配準(zhǔn)好的紅外圖像序列 和可見光圖像序列進行預(yù)處理，將所述預(yù)處理后的紅外圖像序列和可見光圖像序列進行圖 像融合，最后，對融合后的圖像序列進行多弱小目標(biāo)檢測處理，輸出目標(biāo)的狀態(tài)數(shù)據(jù)和數(shù)目 信息。
[0007] 上述方案中，所述對配準(zhǔn)好的紅外圖像序列和可見光圖像序列進行預(yù)處理為：基 于統(tǒng)計濾波對配準(zhǔn)好的紅外圖像序列和可見光圖像序列進行平滑去噪。
[0008] 上述方案中，所述對配準(zhǔn)好的紅外圖像序列和可見光圖像序列進行預(yù)處理，具體 通過以下步驟實現(xiàn)：
[0009] 步驟2-1:在給定像素 x(i，j)的鄰域窗S內(nèi)，求出所有像素的平均值μ和方差σ2;
[0010] 步驟2-2:基于簡單統(tǒng)計法的閾值選取，如（1)式所示。
[0012]其中e(x，y)為ex、ey中最大絕對值，g( x，y)為像素點的灰度值。ex7jC平方向的灰度 差值如⑵式:ex=g(x_l，y)_g(x+l，y)，ey為垂直方向的灰度差值如⑶式:e y = g(x，y-l)_g (x，y+l)，e(x，y)為水平和垂直方向最大的灰度差值；
[0013]步驟2-3:通過給定閾值T求出S窗口的像素 s(i，j)表達式，如(4)式所示。
[0015] 式中是像素 s(i，j)為鄰域窗S內(nèi)像素 x(i，j)的濾波后的數(shù)值，μ為鄰域窗S內(nèi)所有 像素的平均值，σ2為鄰域窗S內(nèi)所有像素的方差。
[0016] 上述方案中，將所述預(yù)處理后的紅外圖像序列和可見光圖像序列進行圖像融合， 具體為:將可見光圖像序列由RGB空間變換到HSI空間，提取亮度分量I，即灰度圖像序列;對 配準(zhǔn)好的紅外圖像序列和灰度圖像序列進行多尺度變換，獲得邊緣圖像序列和不同尺度下 的紋理圖像序列;根據(jù)不同的融合策略分別對所述邊緣圖像序列和紋理圖像序列進行融合 處理，最后根據(jù)多尺度逆變換對融合后的圖像進行圖像重構(gòu)，獲得可見光圖像序列和紅外 圖像序列融合后的圖像序列，即為最終融合圖像序列。
[0017] 上述方案中，所述邊緣圖像序列采用區(qū)域能量法進行融合，具體為:低頻系數(shù)矩陣 中以某像素點P( i，j)為中心的區(qū)域大小為LX W的能量大小定義為
[0019]其中，f(i+m，j+η)為圖像的亮度信息，4pn的變化在L和W之內(nèi)，融合規(guī)則為
[0021]其中，CP(i，j)表示像素點p(i，j)處的低頻變換系數(shù)，fA(i，j)表示灰度圖像序列A 的邊緣圖像像素點P(i，j)處的亮度信息，fB(i，j)表示紅外圖像序列B的邊緣圖像像素點p (i，j)處的亮度信息，Ea( i，j)表示灰度圖像序列A的邊緣圖像L X W區(qū)域能量，Eb(i，j)表示紅 外圖像序列B的邊緣圖像LXW區(qū)域能量，計算采用的區(qū)域大小為3X3。
[0022]上述方案中，所述紋理圖像序列采用基于Canny算子的區(qū)域方差法進行圖像融合， 具體為:對灰度圖像序列A的紋理圖像和紅外圖像序列B的紋理圖像分別取一個RXS大小的 窗口，μ表示窗口區(qū)域方差均值;按照式(7)和式(8)計算兩個窗口的局部方差，H Al(x，y)、HBl (x，y)分別表示灰度圖像序列A的紋理圖像和紅外圖像序列B的紋理圖像的高頻系數(shù);i = l， 2,3分別表示水平方向、垂直方向及對角線方向的系數(shù)?；叶葓D像序列A的紋理圖像和紅外 圖像序列B的紋理圖像分解尺度為Q n，在各個方向上的局部方差仏必(U)、(U)可 表示為：

[0027]對于融合后圖像的高頻系數(shù)拖心，7)，當(dāng)11>￥2，拖心，7)=取心，7);反之，版（1， y) = Hbi ( x , y) ο
[0028] 上述方案中，所述對融合后的圖像序列進行多弱小目標(biāo)檢測處理，輸出目標(biāo)的狀 態(tài)數(shù)據(jù)和數(shù)目信息，具體為:對融合后的圖像序列進行改進的四階偏微分處理，獲得背景抑 制、目標(biāo)增強后的圖像序列；然后根據(jù)數(shù)理統(tǒng)計原理確定融合圖像序列中的目標(biāo)與背景的 決策邊界、自適應(yīng)決策邊界系數(shù)和分塊數(shù)目，最后對背景抑制、目標(biāo)增強后的圖像序列進行 分塊自適應(yīng)決策邊界分割處理，以提取融合圖像序列中候選目標(biāo)的位置信息及數(shù)目信息。
[0029] 與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果：
[0030] 本發(fā)明采用紅外和光學(xué)圖像融合技術(shù)，實現(xiàn)對目標(biāo)的精確檢測。解決了無人機平 臺成像質(zhì)量差，單一紅外探測器分辨率低、不利于目標(biāo)準(zhǔn)確識別的缺點，且算法優(yōu)于傳統(tǒng)的 目標(biāo)檢測算法，對目標(biāo)的探測和識別更加容易，能夠?qū)Ψ烙到y(tǒng)和對抗系統(tǒng)提供目標(biāo)的準(zhǔn) 確指示，可廣泛應(yīng)用于各類復(fù)雜背景的弱小目標(biāo)準(zhǔn)確檢測系統(tǒng)中。
【附圖說明】
[0031] 圖1為本發(fā)明的總體流程示意圖；
[0032] 圖2為本發(fā)明的紅外和光學(xué)圖像序列基于多尺度變換的圖像融合流程示意圖； [0033]圖3為本發(fā)明的基于融合圖像序列的多弱小目標(biāo)檢測處理流程示意圖。
【具體實施方式】
[0034]為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下結(jié)合附圖及實施例，對 本發(fā)明進行進一步詳細說明。應(yīng)當(dāng)理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并 不用于限定本發(fā)明。
[0035] 本發(fā)明實施例提供一種基于無人平臺的多波段融合探測方法，如圖1所示，該方法 通過以下步驟實現(xiàn)：
[0036] 步驟1:將無人平臺上獲取的紅外圖像序列和可見光圖像序列進行空間配準(zhǔn)。
[0037] 具體地，首先無人平臺上，調(diào)整紅外和光學(xué)探測系統(tǒng)的探測俯仰角及方位角，使兩 種成像探測器所成的像為同一場景，保持兩種探測器同時工作，并使其數(shù)據(jù)率相同，一般應(yīng) 均大于等于25Hz;其次將無人平臺上獲取的紅外圖像序列和可見光圖像序列進行空間配 準(zhǔn)。
[0038] 步驟2:再對配準(zhǔn)好的紅外圖像序列和可見光圖像序列進行預(yù)處理。
[0039]具體地，基于統(tǒng)計濾波對配準(zhǔn)好的紅外圖像序列和可見光圖像序列進行平滑去 噪，通過以下步驟實現(xiàn)：
[0040]步驟2-1:在給定像素 x( i，j)的鄰域窗S內(nèi)，求出所有像素的平均值μ和方差σ2;
[0041 ]步驟2-2:基于簡單統(tǒng)計法的閾值選取，如（1)式所示。
[0043] 其中e(x，y)為ex、ey中最大絕對值，g(x，y)為像素點的灰度值。平方向的灰度 差值如⑵式:ex=g(x_l，y)_g(x+l，y)，ey為垂直方向的灰度差值如⑶式:e y = g(x，y-l)_g (x，y+l)，e(x，y)為水平和垂直方向最大的灰度差值；
[0044] 步驟2-3:通過給定閾值T求出S窗口的像素 s (i，j)表達式，如(4)式所示。
[0046]式中是像素 s(i，j)為鄰域窗S內(nèi)像素 x(i，j)的濾波后的數(shù)值，μ為鄰域窗S內(nèi)所有 像素的平均值，σ2為鄰域窗S內(nèi)所有像素的方差。
[0047]步驟3:將所述預(yù)處理后的紅外圖像序列和可見光圖像序列進行圖像融合。
[0048]具體地，將所述預(yù)處理后的紅外圖像序列和可見光圖像序列進行圖像融合，如圖2 所示，具體為:將可見光圖像序列由RGB空間變換到HSI空間，提取亮度分量I，即灰度圖像序 列；對配準(zhǔn)好的紅外圖像序列和灰度圖像序列進行多尺度變換，獲得邊緣圖像序列和不同 尺度下的紋理圖像序列，所述多尺度變換的層數(shù)不是任意的，而是由圖像尺寸決定的，并且 經(jīng)過多層分解后的圖像序列最高層尺寸大小不能小于2X2;根據(jù)不同的融合策略分別對所 述邊緣圖像序列和紋理圖像序列進行融合處理，最后根據(jù)多尺度逆變換對融合后的圖像進 行圖像重構(gòu)，獲得可見光圖像序列和紅外圖像序列融合后的圖像序列，即為最終融合圖像 序列。
[0049]所述邊緣圖像序列采用區(qū)域能量法進行融合，具體為:低頻系數(shù)矩陣中以某像素 點P (i，j)為中心的區(qū)域大小為L X W的能量大小定義為
[0051]其中，f(i+m，j+n)為圖像的亮度信息，m和η的變化在L和W之內(nèi)，融合規(guī)則為
[0053]其中，CP(i，j)表示像素點p(i，j)處的低頻變換系數(shù)，fA(i，j)表示灰度圖像序列A 的邊緣圖像像素點P(i，j)處的亮度信息，fB(i，j)表示紅外圖像序列B的邊緣圖像像素點P (i，j)處的亮度信息，Ea( i，j)表示灰度圖像序列A的邊緣圖像L X W區(qū)域能量，Eb(i，j)表示紅 外圖像序列B的邊緣圖像LXW區(qū)域能量，計算采用的區(qū)域大小為3X3。
[0054]所述紋理圖像序列采用基于Canny算子的區(qū)域方差法進行圖像融合，具體為:對灰 度圖像序列A的紋理圖像和紅外圖像序列B的紋理圖像分別取一個RXS大小的窗口，μ表示 窗口區(qū)域方差均值;按照式(7)和式(8)計算兩個窗口的局部方差，取 1(1，7)、拖1(1，7)分別 表不灰度圖像序列Α的紋理圖像和紅外圖像序列Β的紋理圖像的尚頻系數(shù)；i = 1，2，3分別表 示水平方向、垂直方向及對角線方向的系數(shù)。所述灰度圖像序列A的紋理圖像和紅外圖像序 列B的紋理圖像分解尺度為^，在各個方向上的局部方差D4,a(x，)〇、可表示為：
[0059]對于融合后圖像的高頻系數(shù)拖心，7)，當(dāng)11>12，拖心，7)=取心，7);反之，版（1， y) = Hbi (X, y) 〇
[0060] 步驟4:對融合后的圖像序列逐幀進行多弱小目標(biāo)檢測處理，輸出目標(biāo)的狀態(tài)數(shù)據(jù) 和數(shù)目信息。
[0061] 具體地，對融合后的圖像序列進行改進的四階偏微分處理，獲得背景抑制、目標(biāo)增 強后的圖像序列；然后根據(jù)數(shù)理統(tǒng)計原理確定融合圖像序列中的目標(biāo)與背景的決策邊界、 自適應(yīng)決策邊界系數(shù)和分塊數(shù)目，最后對背景抑制、目標(biāo)增強后的圖像序列進行分塊自適 應(yīng)決策邊界分割處理，以提取融合圖像中候選目標(biāo)的位置信息及數(shù)目信息。
[0062]假設(shè)η為融合圖像序列的幀數(shù)，所述對融合后的圖像序列進行多弱小目標(biāo)檢測處 理，處理過程為逐幀對這η幀圖像進行處理，如圖3所示，具體步驟如下：
[0063]步驟3-1:根據(jù)改進的四階偏微分方程方法對融合后的圖像逐幀進行處理，直到η 幀圖像全部處理完為止。
[0064] 獲得背景抑制、目標(biāo)增強后的圖像序列。假設(shè)融合后的尺寸為ΜΧΝ，當(dāng)讀取的紅外 圖像為第k幀時，采用改進的四階偏微分方程對其進行處理，將（10)式定義的擴散系數(shù)s (X'）帶入式（11)，對原始的融合后的第k幀圖像進行處理，獲得背景抑制和目標(biāo)增強后的第 k幀融合圖像6。其中，V\是圖像灰度值的二階差分，可表示為（12)式，式中i，j表示像素在 圖像中所處位置的橫縱坐標(biāo)。
[0065] s(x,)=KnX(l-(l+x，2/k2) -1) (10)
[0068] 其中，k為一個大于零的常量，1("為一個大于等于1的正整數(shù)，取值為1，2，···，擴散 系數(shù)的大小與圖像在該點處的梯度有關(guān)，且梯度越大處的擴散系數(shù)應(yīng)該越小。且不同圖像 區(qū)域s(x'）的取值情況如下：
[0069] ①整個紅外圖像區(qū)域中，e [0,+_x)，則s(|V2m|)嚴格單調(diào)遞增；
[0070] ②背景均勾或等梯度漸變區(qū)域中，|v2?卜〇,則- 0;
[0071 ]③灰度起伏較大或邊緣輪廓區(qū)域，|v2w| ? 〇，則·?(|ν2Μ:|) 4 l":,Kne [0，+00 )。根據(jù)改 進的四階偏微分方程實現(xiàn)背景抑制、目標(biāo)增強后的圖像序列中：
[0072] (1)當(dāng)圖像的某個區(qū)域灰度均勻分布或灰度等梯度分布，則該區(qū)域很可能是背景， 這時根據(jù)（12)式，有|v 2?|趨近于0,根據(jù)不同圖像區(qū)域中s(x'）的取值情況，可知此時 s(|v2w|)=〇,進而由（id式可得?=ο,即可實現(xiàn)背景被抑制。
[0073] (2)當(dāng)圖像中某個小區(qū)域灰度變化劇烈，則該區(qū)域很可能存在感興趣的目標(biāo)，這時 根據(jù)（12)式，得出該區(qū)域|ν 2?| ? Θ，進而·?(|ν2?|)二:，Kn e[0，+ c?]，由（11)式可得 16卜& X 416χ心，因此在該區(qū)域的灰度值會被較大程度地增強。
[0074] ( 3 )在圖像的邊緣輪廓區(qū)域，|v2w| ? 0，因此= 5,進而由（11)式可得 x|v2(V2m)| 4 4x氡叫:/，由此可見，圖像邊緣輪廓的增強程度相對目標(biāo)區(qū)域來說 較小。
[0075] 步驟3-2:分塊自適應(yīng)決策邊界分割處理。
[0076]對背景抑制、目標(biāo)增強后的圖像序列逐幀進行分塊自適應(yīng)決策邊界分割處理，以 提取融合圖像中候選目標(biāo)的位置信息及數(shù)目信息。
[0077] 具體處理是：
[0078] (1)將所述獲得背景抑制和目標(biāo)增強后的融合圖像序列逐幀劃分成m個小塊(m可 取正整數(shù)，例如50)，當(dāng)融合圖像序列的高度和寬度不滿足m的倍數(shù)時，對原始紅外圖像進行 擴展，直到可以均分成m個小塊為止，即當(dāng)M、N不能整除m時，設(shè)lu、k 2分別為M/m和N/m的整數(shù) 部分，則擴展后的圖像每一幀的大小都為[mX (h+1)] X [mX (k2+l)];
[0079] (2)對于劃分后的每一個小塊，根據(jù)公式（13):T = a(y'+k。· σ'）確定分割決策邊 界，其中τ為分塊決策邊界;α為自適應(yīng)決策邊界系數(shù)，取值為正;μ'為分塊圖像均值;σ '為分 塊圖像方差;k。為常數(shù)，可通過實驗得到，通常其取值范圍為3~10;
[0080] (3)確定好決策邊界后，將灰度大于決策邊界的像素賦值為255,而小于決策邊界 的像素賦值為〇;
[0081] (4)截取擴展圖像序列每一幀的前Μ行、前N列分別作為決策邊界分割后圖像序列 中的對應(yīng)幀，根據(jù)分割后的圖像序列確定候選目標(biāo)的位置坐標(biāo)和數(shù)目信息。
[0082] 以上所述，僅為本發(fā)明的較佳實施例而已，并非用于限定本發(fā)明的保護范圍。
【主權(quán)項】
1. 一種基于無人平臺的多波段融合探測方法，其特征在于，該方法為:將無人平臺上獲 取的紅外圖像序列和可見光圖像序列進行空間配準(zhǔn)，再對配準(zhǔn)好的紅外圖像序列和可見光 圖像序列進行預(yù)處理，將所述預(yù)處理后的紅外圖像序列和可見光圖像序列進行圖像融合， 最后，對融合后的圖像序列進行多弱小目標(biāo)檢測處理，輸出目標(biāo)的狀態(tài)數(shù)據(jù)和數(shù)目信息。2. 根據(jù)權(quán)利要求1所述的基于無人平臺的多波段融合探測方法，其特征在于:所述對配 準(zhǔn)好的紅外圖像序列和可見光圖像序列進行預(yù)處理為:基于統(tǒng)計濾波對配準(zhǔn)好的紅外圖像 序列和可見光圖像序列進行平滑去噪。3. 根據(jù)權(quán)利要求1或2所述的基于無人平臺的多波段融合探測方法，其特征在于:所述 對配準(zhǔn)好的紅外圖像序列和可見光圖像序列進行預(yù)處理，具體通過W下步驟實現(xiàn)： 步驟2-1:在給定像素 x(i，j)的鄰域窗S內(nèi)，求出所有像素的平均值μ和方差 步驟2-2:基于簡單統(tǒng)計法的闊值選取，如（1)式所示。{1) 其中e(x，y)為ex、ey中最大絕對值，g(x，y)為像素點的灰度值。ex水平方向的灰度差值 如（2)式：ex = g(x-l，y)-g(x+l，y)，ey為垂直方向的灰度差值如（3)式：ey = g(x，;y-l)-g(x，y +1)，e(x，y)為水平和垂直方向最大的灰度差值； 步驟2-3:通過給定闊值T求出S窗口的像素 s(i，j)表達式，如(4)式所示。(4) 式中是像素 s(i，j)為鄰域窗S內(nèi)像素 x(i，j)的濾波后的數(shù)值，μ為鄰域窗S內(nèi)所有像素 的平均值，為鄰域窗S內(nèi)所有像素的方差。4. 根據(jù)權(quán)利要求3所述的基于無人平臺的多波段融合探測方法，其特征在于:將所述預(yù) 處理后的紅外圖像序列和可見光圖像序列進行圖像融合，具體為:將可見光圖像序列由RGB 空間變換到HSI空間，提取亮度分量I，即灰度圖像序列;對配準(zhǔn)好的紅外圖像序列和灰度圖 像序列進行多尺度變換，獲得邊緣圖像序列和不同尺度下的紋理圖像序列；根據(jù)不同的融 合策略分別對所述邊緣圖像序列和紋理圖像序列進行融合處理，最后根據(jù)多尺度逆變換對 融合后的圖像進行圖像重構(gòu)，獲得可見光圖像序列和紅外圖像序列融合后的圖像序列，即 為最終融合圖像序列。5. 根據(jù)權(quán)利要求4所述的基于無人平臺的多波段融合探測方法，其特征在于:所述邊緣 圖像序列采用區(qū)域能量法進行融合，具體為:低頻系數(shù)矩陣中W某像素點P(i，j)為中屯、的 區(qū)域大小為LXW的能量大小定義為(5) 其中，f (i+m，j+n)為圖像的亮度信息，m和η的變化在L和W之內(nèi)，融合規(guī)則為(6) 其中，Cp(i，j)表示像素點p(i，j)處的低頻變換系數(shù)，fA(i，j)表示灰度圖像序列A的邊 緣圖像像素點P(i，j)處的亮度信息，表示紅外圖像序列B的邊緣圖像像素點p(i，j) 處的亮度信息，EA(i，j)表示灰度圖像序列A的邊緣圖像LXW區(qū)域能量，EB(i，j)表示紅外圖 像序列B的邊緣圖像LXW區(qū)域能量，計算采用的區(qū)域大小為3X3。6.根據(jù)權(quán)利要求5所述的基于無人平臺的多波段融合探測方法，其特征在于:所述紋理 圖像序列采用基于化nny算子的區(qū)域方差法進行圖像融合，具體為:對灰度圖像序列A的紋 理圖像和紅外圖像序列B的紋理圖像分別取一個RXS大小的窗口，μ表示窗口區(qū)域方差均 值;按照式(7)和式(8)計算兩個窗口的局部方差，HAi(x，y)、化i(x，y)分別表示灰度圖像序 列A的紋理圖像和紅外圖像序列B的紋理圖像的高頻系數(shù)；i = l，2,3分別表示水平方向、垂 直方向及對角線方向的系數(shù)?；叶葓D像序列A的紋理圖像和紅外圖像序列B的紋理圖像分解 尺度為Qn，在各個方向上的局部方差.!'）、〇?..?. (-V，_!')可表示為：對于融合后圖像的高頻系數(shù)化1^，7)，當(dāng)胖1〉胖2，化1^，7)=齡1^，7);反之，化1^，7)= 曲i(x，y)。 7 .根據(jù)權(quán)利要求6所述的基于無人平臺的多波段融合探測方法，其特征在于，所述對融 合后的圖像序列進行多弱小目標(biāo)檢測處理，輸出目標(biāo)的狀態(tài)數(shù)據(jù)和數(shù)目信息，具體為:對融 合后的圖像序列進行改進的四階偏微分處理，獲得背景抑制、目標(biāo)增強后的圖像序列;然后 根據(jù)數(shù)理統(tǒng)計原理確定融合圖像序列中的目標(biāo)與背景的決策邊界、自適應(yīng)決策邊界系數(shù)和 分塊數(shù)目，最后對背景抑制、目標(biāo)增強后的圖像序列進行分塊自適應(yīng)決策邊界分割處理，W 提取融合圖像序列中候選目標(biāo)的位置信息及數(shù)目信息。
【文檔編號】G06K9/62GK106096604SQ201610387328
【公開日】2016年11月9日
【申請日】2016年6月2日 公開號201610387328.2, CN 106096604 A, CN 106096604A, CN 201610387328, CN-A-106096604, CN106096604 A, CN106096604A, CN201610387328, CN201610387328.2
【發(fā)明人】周慧鑫, 杜娟, 龐英名, 秦翰林, 榮生輝, 賴睿, 王炳健, 金浩文, 成寬洪, 宋尚真
【申請人】西安電子科技大學(xué)昆山創(chuàng)新研究院