[发明专利]红外海面图像序列海天线的检测方法、装置、计算机和存储介质

说明书

本发明公开一种红外海面图像序列海天线的检测方法，包括：输入海上红外图像序列；对所述海上红外图像序列中的子序列进行海天线粗检测，获得海天线的上边界和下边界；根据粗检测得到的海天线上边界和下边界确定海天线细检测区域，在该区域中对海天线进行细检测得到所述当前帧的海天边界区域，并对所述海天边界区域进行直线拟合得到海天线；根据所述当前帧的海天线，确定相邻下一帧的海天线细检测区域，并对下一帧海天线区域进行海天线细检测，依次递推，最终实现整个序列的海天线检测。所述方法可有效解决因海天线附近受到海雾及海杂波干扰，或天空受到低空云干扰等复杂场景下的海天线检测问题。

技术领域

本发明属于图像增强技术领域，尤其是一种红外海面图像序列海天线的检测方法、装置、计算机和存储介质。

背景技术

在海上红外图像目标检测中，目标多存在于红外图像中的海天交界处或海天线下方的海水中，因此，海天线检测常作为海上目标检测的预处理环节，以确定目标检测的主要区域。此外，天空背景的存在，一方面增加了目标检测时的计算量，另一方面，在天空背景较为复杂的环境下，对海上目标的检测较为困难，海上目标检测的准确率下降。为解决上述问题，目前已有多种海上红外图像序列的海天线检测方法，主要可以分为以下两类：

边缘检测和直线拟合算法。此类算法首先提取图像的梯度特征或边缘特征，再通过直线拟合算法来进行海天线提取，但此类算法在障碍物灰度值明显高于其它区域、海水波动较为明显以及天空有低空云干扰的情况下，易对海天线误检测。

图像分割算法。此类算法通常先分别提取天空与海水的特征，再对二者分别建立模型，然后通过二者模型的差异性来对海水与天空进行分类，海水与天空的分类边界即为海天线。但已有的此类算法易受到白云，海雾等的干扰，从而降低海天线检测的精确度。

综上所述，现有的算法仍存在的问题有以下几点：在海面与天空背景较暗，并且受到明亮障碍物干扰时，海天线检测会受到影响；海天线附近存在海雾干扰时，海天线误检率较高。

发明内容

为解决上述技术问题，本发明创造的实施例提供一种红外海面图像序列海天线的检测方法，其特征在于，包括：

输入海上红外图像序列；

对所述海上红外图像序列中的子序列进行海天线粗检测，获得海天线的上边界和下边界；

根据粗检测得到的海天线上边界和下边界确定海天线细检测区域，在海天线细检测区域中对海天线进行细检测得到所述当前帧的海天边界区域，并对所述海天边界区域进行直线拟合得到海天线；

根据所述当前帧的海天线，确定相邻下一帧的海天线细检测区域，并对下一帧海天线区域进行海天线细检测，依次递推，最终实现整个序列的海天线检测

进一步地，对所述海上红外图像序列中的子序列进行海天线粗检测，获得海天线的上边界和下边界，包括：

从所述海上红外图像序列中提取子序列，并按照由上到下进行三维空时条带划分确定初始训练样本区域与测试样本区域；

以子块的方式从所述初始训练样本区域与所述测试样本区域中分别提取训练样本子块和测试样本子块；

分别对所述训练样本子块和所述测试样本子块进行样本特征变换和特征向量构建得到天空特征集合、海水特征集合和中间条带测试样本特征集合；

采用Fisher线性判别分析方法分别对所述天空特征集合、所述海水特征集合和所述中间条带测试样本集合进行特征降维，并利用降维后的天空特征集合和降维后的海水特征集合构建天空-海水概率分类模型；

利用降维后的测试样本集合更新训练样本集，当训练样本集不更新时确定最终海天线的上边界和下边界，其中，训练样本集为天空特征集合和海水特征集合。