[发明专利]改进的二维最大熵分割夜视图像融合目标检测算法

权利要求书

1.一种改进的二维最大熵分割夜视图像融合目标检测算法，其特征在于：包括以下步骤：

步骤一：在二维直方图的建立方法上进行改进，选择不同的权值λ，λ的取值在（0.01，3）之间改进算法有效，权值λ相当于纵坐标的灰度级伸缩因子，即原图像与区域灰度增强图像构造二维直方图，根据红外和微光图像中目标的灰度特性，如果是对红外图像分割则λ取小于1的值，如果是对微光图像分割则λ取大于1的值；

步骤二：对直方图进行划分，用像素灰度等于t和邻域平均灰度等于s的两个门限来划分图像的二维直方图，直方图划分出的区域以最靠近坐标原点的区域为起始，顺时针方向依次为分别表示背景、噪声、目标信息和边缘信息的区域，图像的灰度级f(m,n)和g(m,n)组成灰度级对，其中g(m,n)是一个像素点为(m,n)的灰度值，用二维直方图区域划分中定义的二元组(i，j)表示，图像中点灰度值为i、邻域灰度均值为j，k(i,j)为在二维直方图中对应的灰度级对的像素点总数，M×N为图像大小，M为行，N为列，L为一幅图像的灰度级数，于是可得图像的联合概率密度为：

p(i,j)=k(i,j)M×Ni,j=1,2,...,L---(1)]]>

定义背景和目标两个区域的二维熵为：

H1=Σi=1tΣj=1s(p(i,j)/p1(t,s))log(p(i,j)/p1(t,s))=log(p1(t,s)+h1(t,s)/p1(t,s)---(2)]]>

H2=Σi=t+1LΣj=s+1L(p(i,j)/p2(t,s))log(p(i,j)/p2(t,s))=log(p2(t,s)+h2(t,s)/p2(t,s)---(3)]]>

式中p1(t,s)=Σi=1tΣj=1sp(i,j)]]>为背景区域的概率分布，p2(t,s)=Σi=t+1LΣj=s+1Lp(i,j)]]>为目标区域的概率分布，将噪声和边缘信息区域忽略，于是p₁(t,s)+p₂(t,s)＝1，则目标和背景区域的熵为：

h1(t,s)=-Σi=1tΣj=1sp(i,j)log(p(i,j))---(4)]]>

h2(t,s)=-Σi=t+1LΣj=s+1Lp(i,j)log(p(i,j))---(5)]]>

总的信息熵为目标和背景区域的相加，即

H(t,s)=log(p1(t,s)p2(t,s)+h1(t,s)p1(t,s)+h2(t,s)p2(t,s)]]>

=log{p1(t,s)[1-p1(t,s)]}+h1(t,s)p1(t,s)+h2(t,s)1-p1(t,s)---(6)]]>

使得H(t,s)获得最大值时的(t^*,s^*)值即为二维最大熵法求得的最佳阈值，(t^*,s^*)分别为最佳阈值对应的像素灰度和邻域平均灰度，最佳阈值向量如下式表示：

(t*,s*)T=Argmax1<t<Lmax1<s<L(H(t,s))---(7)]]>

步骤三：对分割后的图像进行提取工作，利用图像之间的相与运算，使得处理结果中比较清楚的目标被提取出来；

步骤四：最后，验证对分割后的二值图像采用相与运算的可行性，设微光图像经过改进的最大熵分割后的图像为I_a(x₁,y₁)，红外图像经过同样方法分割后的图像为I_b(x₂,y₂)，按照下式对它们进行特征级信息融合，提取目标得到最终的检测结果T(x,y)，其中，：x₁为微光图像的行变量y₁为微光图像的列变量x₂为红外图像的行变量y₂为红外图像的列变量x为最终检测结果的行变量y为最终检测结果的列变量，

T(x,y)＝I_a(x₁,y₁)∧I_b(x₂,y₂)                     （8）。

2.根据权利要求1所述的一种改进的二维最大熵分割夜视图像融合目标检测算法，其特征在于：步骤三的具体步骤为：多维特征矩阵相与运算就是将多维特征矩阵按位相与（文中主要是两维特征矩阵），定义两个m×n矩阵A_m×n和B_m×n如下式表示：

Am×n=a11a12a13...a1na21.........a2na31.........a3n...............aml.........amn]]>Bm×n=b11b12b13...b1nb21.........b2nb31.........b3n...............bml.........bmn]]>

则两个矩阵按位与运算如下式：

一幅分割后的二值图像可以看成是一个M×N的矩阵，矩阵的元素是由0和255组成。对上式举例分析，假设两个3×3二值图像矩阵A_3×3，B_3×3分别为：

A3×3=0025502552550255255]]>B3×3=2550002552550255255]]>

求取C＝A_3×3∧B_3×3，则C为：

C=00002552550255255]]>

对于二值图A_3×3来说相当于一维特征信息，a₁₃是噪点，a₂₂、a₂₃、a₃₂、a₃₃四个灰度值组成目标区域；而对于B_3×3来说相当于另一维特征信息，b₁₁是噪点，b₂₂、b₂₃、b₃₂、b₃₃四个灰度值组成目标区域，从相与运算结果C中可以看出最后滤除了噪点，保留了目标区域。