基于区域定位与轮廓分割的红外目标检测

张宝华; 刘鹤

doi:10.7510/jgjs.issn.1001-3806.2015.06.023

高级检索

ISSN 1001-3806CN 51-1125/TN 网站地图

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于区域定位与轮廓分割的红外目标检测

张宝华 , 刘鹤

文章导航 > 激光技术 > 2015 > 39(6): 840-844

引用本文:

Citation:

基于区域定位与轮廓分割的红外目标检测

张宝华,
刘鹤

1.
内蒙古科技大学信息学院, 包头 014010

作者简介: 张宝华(1981-),男,副教授,硕士生导师,研究方向为数字图像处理.E-mail:zbh_wj2004@imust.cn.

基金项目:
国家自然科学基金资助项目(61261028);国家海洋局海洋遥测工程技术研究中心创新青年基金资助项目(20140030);内蒙古自治区高等学校青年科技英才支持计划青年科技骨干基金资助项目(NJYT-14-B11);内蒙古自治区自然科学基金资助项目(2014MS0610)
中图分类号: TP391.41

Infrared target detection based on regional location and contour segmentation

1.
School of Information Engineering, Inner Mongolia University of Science and Technology, Baotou 014010, China
CLC number: TP391.41

摘要: 红外图像受随机噪声干扰严重.传统的基于高斯混合模型的检测算法检测得到的红外目标受虚假轮廓影响,不易准确辨识.为了准确识别红外目标,采用了一种基于脉冲耦合神经网络和高斯混合模型的红外目标检测算法.首先利用高斯混合模型定位红外目标区域的位置,然后利用基于空间信息的分水岭算法得到闭合区域,再利用基于脉冲耦合神经网络的分割算法剪切其虚影,最终检测到完整的运动目标.结果表明,该方法能够消除在传统方法中产生的虚影现象,得到精确的红外运动目标.通过比较,实验结果优于传统方法.
- 图像处理 /
- 目标检测 /
- 脉冲耦合神经网络 /
- 高斯混合模型 /
- 红外序列图像
Abstract: Infrared images are usually interfered by random noise seriously. Infrared targets detected by the traditional detection algorithm based on Gaussian mixture model are difficult to be identified because of false contour. In order to identify the infrared target accurately, an infrared target detection algorithm based on pulse coupled neural network(PCNN) and Gaussian mixture model was proposed. Firstly, Gaussian mixture model was used to locate the approximate location of moving targets. And then, a closed region was obtained by using watershed algorithm based on spatial information. Segmentation algorithm based on PCNN was used to shear the pseudo-target and the complete moving target was detected. The experimental results show that this method can eliminate the pseudo target of the traditional methods and detect the infrared moving targets accurately. The new algorithm is superior to the other conventional algorithms.
- image processing /
- target detection /
- pulse coupled neural network /
- Gaussian mixture model /
- infrared image sequence

[1]	LI J F, GONG W G, LI W H, et al. Robust pedestrian detection in thermal infrared imagery using the wavelet transform [J].Infrared Physics Technology, 2010, 53(4):267-273.
[2]	ZIN T T, TIN P, HIROMITSU H. Pedestrian detection based on hybrid features using near infrared images[J]. International Journal of Innovative Computing Information and Control, 2011, 7(8): 5015-5025.
[3]	GENIN L, CHAMPAGNAT F, BESNERAIS G L. Single frame IR point target detection based on a Gaussian mixture model classification[C]//Electro-Optical and Infrared Systems: Technology and Applications Ⅸ. Edinburgh, United Kingdom: SPIE, 2012: 854111.
[4]	ELGUEBALY T, BOUGUILA N. Finite asymmetric generalized Gaussian mixture models learning for infrared object detection [J]. Computer Vision and Image Understanding, 2013,117(12): 1659-1671.
[5]	LI Y, WANG J B, LU J J, et al. Single frame infrared image targets detection based on multi-mixture filters model[J]. Advanced Materials Research, 2012, 486(3): 1389-1392(in Chinese).
[6]	WANG Y Y, ZHANG Y Sh, HE P. Research on IR target-detecting method based on morphology and entropy[J]. Laser Infrared, 2012, 42(5): 513-517(in Chinese).
[7]	WANG Y Zh, LIANG Y, PAN Q, et al . Spatiotemporal background modeling based on adaptive mixture of Gaussians [J]. Acta Automatica Sinica, 2009, 35(4): 371-378(in Chinese).
[8]	WEI Zh Q, JI Y P,FENG Y W. A moving object detection method based on self-adaptive updating of background [J]. Acta Electronica Sinica, 2005, 33(12): 2261-2264(in Chinese).
[9]	STAUFFER C, GRIMSON W E L. Adaptive background mixture models for real-time tracking[C]//Computer Society Conference on Computer Vision and Pattern Recognition. New York,USA:IEEE,1999:252.
[10]	VINCENT L, SOILLE P. Watersheds in digital spaces: an efficient algorithm based on immersion simulations[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1991, 3(6):583-598.
[11]	ZHANG B H, LIU H, ZHANG Ch T. Medical image fusion algorithm based on texture extraction by means of bidimensional empirical mode decomposition[J]. Laser Technology, 2014, 38(4): 463-468 (in Chinese).

[1]	冯洋 . 基于改进的奇异值分解的红外弱小目标检测. 激光技术, 2016, 40(3): 335-338. doi: 10.7510/jgjs.issn.1001-3806.2016.03.007
[2]	杨桄 , 田张男 , 李豪 , 关世豪 . 基于线性解混的高光谱图像目标检测研究. 激光技术, 2020, 44(2): 143-147. doi: 10.7510/jgjs.issn.1001-3806.2020.02.001
[3]	张宝华 , 刘鹤 . 基于能量梯度场映射关系的红外图像分割方法. 激光技术, 2015, 39(1): 76-81. doi: 10.7510/jgjs.issn.1001-3806.2015.01.015
[4]	张宝华 , 刘鹤 , 张传亭 . 基于经验模态分解提取纹理的图像融合算法. 激光技术, 2014, 38(4): 463-468. doi: 10.7510/jgjs.issn.1001-3806.2014.04.007
[5]	李文龙 , 戈海龙 , 任远 , 成巍 . 图像处理技术在激光熔池温度检测的应用. 激光技术, 2018, 42(5): 599-604. doi: 10.7510/jgjs.issn.1001-3806.2018.05.004
[6]	孙越娇 , 雷武虎 , 胡以华 , 赵楠翔 , 任晓东 . 基于视觉显著模型的遥感图像舰船快速检测. 激光技术, 2018, 42(3): 379-384. doi: 10.7510/jgjs.issn.1001-3806.2018.03.017
[7]	刘逸飞 , 苏亚 , 姚晓天 , 崔省伟 , 杨丽君 , 周聪聪 , 何松 . OCT无创血糖检测图像处理最优化方法研究. 激光技术, 2023, 47(2): 178-184. doi: 10.7510/jgjs.issn.1001-3806.2023.02.004
[8]	江天 , 沈会良 , 杨冬晓 , 刘建军 , 邹哲 . 基于模糊局部信息C均值的太赫兹图像目标检测. 激光技术, 2015, 39(3): 289-294. doi: 10.7510/jgjs.issn.1001-3806.2015.03.001
[9]	王其华 , 叶苗 . 基于裂变自举粒子滤波的红外目标跟踪处理. 激光技术, 2011, 35(1): 141-144. doi: 10.3969/j.issn.1001-3806.2011.01.038
[10]	何易德 , 朱斌 , 姜湖海 , 刘书信 , 李黎明 , 胡绍云 . 红外图像多尺度统计和应用先验去模糊模型. 激光技术, 2023, 47(3): 360-365. doi: 10.7510/jgjs.issn.1001-3806.2023.03.012
[11]	陈树越 , 朱双双 , 蒋星 , 徐扬 . 基于高斯型点扩展函数的红外图像热源复原. 激光技术, 2016, 40(2): 270-273. doi: 10.7510/jgjs.issn.1001-3806.2016.02.025
[12]	李昌海 , 叶玉堂 , 沈淦松 , 徐伟 , 叶涵 , 姚景昭 . 基于图像轮廓分析的LCD线路缺陷检测. 激光技术, 2013, 37(2): 207-210. doi: 10.7510/jgjs.issn.1001-3806.2013.02.017
[13]	李泽峰 , 欧阳八生 . 基于MFC+HALCON图像识别Mark圆的检测方法. 激光技术, 2020, 44(3): 358-363. doi: 10.7510/jgjs.issn.1001-3806.2020.03.016
[14]	刘煊 , 渠慎明 . 低秩稀疏和改进SAM的高光谱图像误标签检测. 激光技术, 2022, 46(6): 808-816. doi: 10.7510/jgjs.issn.1001-3806.2022.06.016
[15]	谢军昱 , 许杨剑 , 王效贵 . 基于贝叶斯模型和数字图像相关的视觉测量. 激光技术, 2016, 40(6): 866-870. doi: 10.7510/jgjs.issn.1001-3806.2016.06.019
[16]	纪文 , 孙水发 , 王帅 , 董方敏 . 对数域的光学相干层析图像噪声模型分析. 激光技术, 2014, 38(6): 848-853. doi: 10.7510/jgjs.issn.1001-3806.2014.06.027
[17]	王东方 , 王玉德 , 王景武 . 基于改进的混合高斯模型的运动目标检测方法. 激光技术, 2014, 38(6): 776-779. doi: 10.7510/jgjs.issn.1001-3806.2014.06.011
[18]	张海庄 , 姚梅 , 雷萍 , 李鹏 , 曾庆平 . 远场激光光斑图像处理方法研究. 激光技术, 2013, 37(4): 460-463. doi: 10.7510/jgjs.issn.1001-3806.2013.04.010
[19]	汤敏 , 王惠南 . 激光扫描共聚焦显微镜图像的计算机处理. 激光技术, 2007, 31(5): 558-560.
[20]	张羽鹏 , 王开福 . LabVIEW和MATLAB在电子散斑干涉图像处理中的应用. 激光技术, 2009, 33(6): 582-585,589. doi: 10.3969/j.issn.1001-3806.2009.06.007

点击查看大图

计量

文章访问数: 5069
HTML全文浏览量: 2542
PDF下载量: 807
被引次数: 0

基于区域定位与轮廓分割的红外目标检测

张宝华
刘鹤

作者简介: 张宝华(1981-),男,副教授,硕士生导师,研究方向为数字图像处理.E-mail:zbh_wj2004@imust.cn

1. 内蒙古科技大学信息学院, 包头 014010

收稿日期: 2014-08-18
录用日期: 2014-10-20
网络出版日期: 2015-11-25

基金项目: 国家自然科学基金资助项目(61261028);国家海洋局海洋遥测工程技术研究中心创新青年基金资助项目(20140030);内蒙古自治区高等学校青年科技英才支持计划青年科技骨干基金资助项目(NJYT-14-B11);内蒙古自治区自然科学基金资助项目(2014MS0610)

关键词:

摘要: 红外图像受随机噪声干扰严重.传统的基于高斯混合模型的检测算法检测得到的红外目标受虚假轮廓影响,不易准确辨识.为了准确识别红外目标,采用了一种基于脉冲耦合神经网络和高斯混合模型的红外目标检测算法.首先利用高斯混合模型定位红外目标区域的位置,然后利用基于空间信息的分水岭算法得到闭合区域,再利用基于脉冲耦合神经网络的分割算法剪切其虚影,最终检测到完整的运动目标.结果表明,该方法能够消除在传统方法中产生的虚影现象,得到精确的红外运动目标.通过比较,实验结果优于传统方法.