[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

摘要

本发明公开了一种改进的二维最大熵分割夜视图像融合目标检测算法。首先通过对二维直方图的改进，即灰度级-加权的区域灰度最大值的灰度级建立二维直方图，选取权值利用该直方图计算最大熵对红外和微光图像分割，较传统最大熵分割算法在目标检测方面效果明显，具有抑制背景和提取目标的作用。然后验证多维特征的相与运算的有效性，对分割后的红外和微光图像特征级融合检测出目标。本发明的检测算法对于复杂背景下的目标检测及多目标检测方面都具有较好的效果和适用性。

主权项

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 × N i , j = 1,2 , . . . , L - - - ( 1 ) 定义背景和目标两个区域的二维熵为： H 1 = Σ i = 1 t Σ j = 1 s ( p ( i , j ) / p 1 ( t , s ) ) log ( p ( i , j ) / p 1 ( t , s ) ) = log ( p 1 ( t , s ) + h 1 ( t , s ) / p 1 ( t , s ) - - - ( 2 ) H 2 = Σ i = t + 1 L Σ j = s + 1 L ( p ( i , j ) / p 2 ( t , s ) ) log ( p ( i , j ) / p 2 ( t , s ) ) = log ( p 2 ( t , s ) + h 2 ( t , s ) / p 2 ( t , s ) - - - ( 3 ) 式中 p 1 ( t , s ) = Σ i = 1 t Σ j = 1 s p ( i , j ) 为背景区域的概率分布， p 2 ( t , s ) = Σ i = t + 1 L Σ j = s + 1 L p ( 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： h 1 ( t , s ) = - Σ i = 1 t Σ j = 1 s p ( i , j ) log ( p ( i , j ) ) - - - ( 4 ) h 2 ( t , s ) = - Σ i = t + 1 L Σ j = s + 1 L p ( 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 ( p 1 ( t , s ) p 2 ( t , s ) + h 1 ( t , s ) p 1 ( t , s ) + h 2 ( t , s ) p 2 ( t , s ) = log { p 1 ( t , s ) [ 1 - p 1 ( t , s ) ] } + h 1 ( t , s ) p 1 ( t , s ) + h 2 ( t , s ) 1 - p 1 ( 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 = Arg max 1 < t < L max 1 < 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Ia(x1,y1)，红外图像经过同样方法分割后的图像为Ib(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)＝Ia(x1,y1)∧Ib(x2,y2)                     （8）。