[发明专利]基于视觉显著性的红外成像卷云检测方法和装置

说明书

本发明涉及一种基于视觉显著性的红外成像卷云检测方法、装置和计算机可存储介质，其中方法包括：输入待检测红外图像；使用频率调制显著性检测方法对所述红外图像进行检测，得到显著性特征图；对所述显著性特征图进行伽马变化增强对比度，得到对比度增强图；对所述对比度增强图进行拉普拉斯高提升滤波，得到边缘增强图；对显著性特征图进行区域生长处理，其中采用的种子点为边缘增强图中灰度值高于99％的点，得到区域生长图；对区域生长图进行轮廓提取，得到轮廓二值图；根据轮廓二值图对红外图像进行目标区域标注，输出卷云检测结果图。本发明使得检测区域更加精准并且算法复杂度低，具有良好的实时性并且对成像设备要求不高。

技术领域

本发明涉及遥感及红外图像处理中的目标检测领域，尤其涉及一种基于视觉显著性的红外成像卷云检测方法、装置和计算机可读存储介质。

背景技术

红外成像具有作用距离远、隐蔽性高、抗干扰性好、不受烟雾等障碍影响、可全天候工作等优点，因此被广泛应用于安防监控、侦察、导航以及寻的制导等军事领域。在军事预警、导弹拦截等系统中，目标检测作为寻的制导系统中的前端处理环节，是精确制导中最为关键和核心的组成部分。然而距离越远，目标成像面积越小，图像质量越差，对目标的检测越困难。在遥感红外成像卫星图片中，卷云作为一种虚警源，有较高的红外辐射能量，导致在目标检测中出现能量集中的局部干扰，容易造成遥感预警系统的虚警。此外，在气象环境检测中，高空卷云的检测研究也一直是热点问题。

现有的技术中，红外成像的卷云检测方法主要分为两大类：物理阈值法和机器学习法。早期的卷云检测如1987年桑德斯(Saunders)提出的使用一组物理阈值对高级甚高分辨率辐射(AVHRR)数据进行云检测；1998年阿克曼(Ackerman)提出综合考虑几种光谱谱段进行阈值检测等，大多依据某些光谱谱段的数据进行检测，所以通常仅局限于特定的遥感数据，其普适性较差，且该类算法需要人为设定阈值，而卷云的反射光谱易受时间、天气等因素的影响，因而算法鲁棒性不高、准确率较低。目前的卷云检测方法主要有利用卷云的分形维数、纹理、频率等特征，再结合统计法、聚类法，以及神经网络、VSM支持向量机、AdaBoost一类的学习分类算法等进行检测。然而机器学习类的方法需要大量的数据集作训练，在军事预警方面难以达到足够的数据量，使得检测率低，并且难以满足实时性的要求。因此需要一种实时性高，同时能提高检测精度，降低虚警率的红外成像卷云检测方法。

发明内容

本发明的目的在于：解决现有红外成像卷云检测中存在的数据量需求大、实时性不高、检测率低且对成像设备要求高的问题，本发明提供一种基于视觉显著性的红外成像卷云检测方法、装置和计算机可读存储介质。

为了解决上述技术问题，本发明第一方面提供了一种基于视觉显著性的红外成像卷云检测方法，该方法包括以下步骤：

S1：输入待检测红外图像f₀(x,y)；

S2：使用频率调制显著性检测方法对所述红外图像f₀(x,y)进行检测，得到显著性特征图f₁(x,y)；

S3：对所述显著性特征图f₁(x,y)进行伽马变化增强对比度，得到对比度增强图f₂(x,y)；

S4：对所述对比度增强图f₂(x,y)进行拉普拉斯高提升滤波，得到边缘增强图f₃(x,y)；

S5：对步骤S2获得的显著性特征图f₁(x,y)进行区域生长处理，其中采用的种子点为边缘增强图f₃(x,y)中灰度值高于99％的点，得到区域生长图f₄(x,y)；

S6：对区域生长图f₄(x,y)进行轮廓提取，得到轮廓二值图f₅(x,y)；