基于聚类分析和特征过滤的红外图像尾迹检测及提取方法技术

本发明专利技术提供了一种基于聚类分析和特征过滤的红外图像尾迹检测及提取方法，属于人工智能和水下检测技术领域。本发明专利技术采用聚类方法，针对划分后每个簇进行对比分析，自动去除虚警信号，提高了检测准确度。本发明专利技术采用的基于聚类的检测尾迹的方法能检测到低信噪比的微弱信号，特别是对尾迹初始期的微弱信号也能有效检测与提取，解决了常用图像处理方法中不能自动识别小面积的微弱信号的问题，具有很好的鲁棒性和通用性。本发明专利技术利用高精度红外热像仪检测和提取水下航行器尾流产生的水表尾迹，对研究及探测水下航行体的工况具有重要意义。究及探测水下航行体的工况具有重要意义。究及探测水下航行体的工况具有重要意义。

【技术实现步骤摘要】
基于聚类分析和特征过滤的红外图像尾迹检测及提取方法


[0001]本专利技术属于人工智能和水下检测
，具体地说，尤其涉及一种基于聚类分析和特征过滤的红外图像尾迹提取及检测方法。

技术介绍

[0002]对水下航行体的探测手段有直接探测和间接探测。直接探测是指通过探测水下航行体本身的物理场特征，基于此发现并识别目标，如声呐探测。但随着消音技术的发展，利用传统声纳方法来发现与识别目标越来越困难；近年来国内外开始注重非声探测技术的发展与应用，试图与声呐探测技术形成互补。
[0003]在诸多非直接探测手段中，尾流探测是较为重要的一种方式，它由水动力学波动尾迹和温度异常信号尾迹组成。其中水动力学波动尾迹是水下目标在航行的过程中对海水进行扰动，引起的尾流破坏水体原来的稳定的密度或温度分层，在水体中产生内波和其它水动力学波动尾迹，通过合成孔径雷达可探测到此类尾迹；温度异常信号尾迹则是由于水下航行体的冷却水排放，在自然对流和浮升力作用下导致水表面形成的温度分布异常。由于水表的温度异常区域持续时间相对较长、范围较大，可以被红外热像仪探测到。
[0004]红外探测技术具有观测范围大、实时成像、环境适应性强、全天候工作与不易被干扰等优势，有利于观测与识别。国内外学者研究尾迹大多针对水面船舰的SAR尾迹图像，或者对热红外图像做常规的图像处理，包括滤波预处理、阈值分割、形态学处理等，对信噪比和信号强度具有较高要求，通用性较差。

技术实现思路

[0005]本专利技术的目的在于提供一种基于聚类分析和特征过滤的红外图像尾迹检测方法，并且在检测到尾迹之后进一步提取尾迹信号，以弥补现有技术的不足。
[0006]本专利技术基于聚类方法，将红外热像仪观测获取到的图像进行聚类处理，能够将低信噪比的微弱热信号有效检测，自动去除虚警信号；并利用尾迹特征进行筛选过滤，提高检测准确度，具有很好的鲁棒性和通用性。
[0007]聚类是“无监督学习”的一种，是针对未标记样本训练以揭示内在性质和规律的一种算法，而水表温度数据像素不能提前知悉像素的类别（背景或尾迹信号），但整体分布遵从于非定态集群平均的规律，适用于聚类方法。本专利技术基于聚类方法将数据进行簇、类划分，基于此再处理使目标区域与背景水域的差异增大，精确识别尾迹，并采用特征过滤方法去除其它噪点，实现对目标区域的提取；同时本专利技术利用检测与提取的尾迹结果，分析其特征并存入特征样本库，反馈用于尾迹检测与提取过程中。
[0008]为达到上述目的，本专利技术是通过以下技术方案实现的：一种基于聚类分析和特征过滤的红外图像尾迹检测方法，包括以下步骤：第一步：获取热红外监测水体表面温度数据，选取背景图像数据Fb(i,j)，和待检测图像数据F(i,j)，i,j代表红外图像二维坐标，对应函数值是该点热像仪观测反演的温度
值（℃）；该步骤中，通常处理中将待测数据对应减掉背景数据，突出变化，但由于相机运动、角度变化、外界环境变化等带来的图像元素不匹配或者位移，减掉对应数据会导致因像素位置不匹配而引入的虚警；本专利技术采用聚类思想，将背景数据划分不同的簇，对待测数据中对应每个簇中的像素分布变化，从而检测出目标信号。
[0009]第二步：采用聚类分析方法将背景图像数据划分为不同的簇，， N小于像素总数；每个簇具有相对相似的像素分布特征，如果对应的簇在待测图像中分布特征发生了明显的变化，则表明有异常或者变化，即说明有尾迹目标信号；第三步：按照背景图像数据的聚类划分结果，计算待检测图像数据中每个像素的马氏距离（Mahalanobis Distance, MD），得到MD图像数据；第四步：采用最大类间方差算法确定阈值，用阈值筛选选取马氏距离大的图像数据，从而最终筛选出尾迹目标信号。马氏距离偏大代表该像素未能很好的遵从于该簇的分布规律，可能由背景的浮动或者尾迹目标信号的出现，而后者的贡献更大。
[0010]进一步的，所述第二步中，聚类分析法选用K邻近算法（KNN）或K均值（K
‑
Means）或模糊聚类均值（FCM）等；选取K
‑
Means算法阐述具体步骤如下：a、初始化聚类中心，或者算法随机选择聚类中心为簇的个数。
[0011]b、计算像素到聚类中心的距离，并将其分到距离最近的聚类中心所属的簇中。
[0012]计算距离可采用欧式距离或者曼哈顿距离等。
[0013]c、产生的个簇，重新定义聚类中心，即到簇内其他店距离均值最小的点为该簇的聚类中心。
[0014]重复步骤a、b、c，直到达到停止条件（循环次数达到规定值，或聚类中心再无变化，或聚类中心变化小于规定值）。
[0015]进一步的，所述第三步中，MD具体计算公式为：其中分别为簇r中像素的均值与协方差，@代表矩阵乘法；，其中为该簇中的像素个数；。
[0016]一种基于聚类分析和特征过滤的红外图像尾迹提取方法，除包括以上第一步到第四步外，还包括以下步骤：第五步：检测得到尾迹目标信号之后，进行计算，获得尾迹特征，再选取显著特征，所述显著特征用来过滤提取结果中虚警部分即非目标区域；且建立尾迹特征样本库，再利用尾迹特征样本库，反馈用来过滤尾迹提取结果；第六步：过滤后的尾迹提取结果选择采用区域生长思想，选取马氏距离较大者为生长算法种子点，连接分布规律趋于相同的像素并逐渐生长成片，从而还原尾迹真实的丝
团状特征；第七步：再采用形态学等处理技术，将目标区域形状进行形态学开、闭运算，以消除噪点和空洞，形成闭合、连续的目标区域，即为最终的尾迹目标区域提取结果。
[0017]进一步的，所述提取方法还包括第八步：最后对提取的尾迹目标区域作特征提取，验证提取效果，并加入到尾迹特征样本库中，使其样本丰富、特征分析更精确。
[0018]进一步的，所述第五步中，所述尾迹特征具体包括尾迹区域的形状特征（长宽、直径、矩心、似圆率、面积等）、内容特征（温度均值、方差、梯度）及时间变化特征等；再利用主成分分析、决策树等方法选取显著特征。
[0019]与现有技术相比，本专利技术的优点和有益效果如下：（1）本专利技术采用聚类方法，针对划分后每个簇进行对比分析，自动去除虚警信号，提高了检测准确度。
[0020]（2）本专利技术采用的基于聚类的检测尾迹的方法能检测到低信噪比的微弱信号，特别是对尾迹初始期的微弱信号也能有效检测与提取，解决了常用图像处理方法中不能自动识别小面积的微弱信号的问题，具有很好的鲁棒性和通用性。
[0021]本专利技术利用高精度红外热像仪检测和提取水下航行器尾流产生的水表尾迹，对研究及探测水下航行体的工况具有重要意义。该方法能够适应尾迹目标从初始及扩散的各个阶段，尤其是尾迹初始浮现阶段的微弱信号，其信噪比小且像素数量占比低，具有很好的鲁棒性和通用性。
附图说明
[0022]图1为本专利技术的整体流程图。
[0023]图2为实施例1中图像原始数据、常规处理与原始数据像素图；(a)为某阶段尾迹原始数据示意图；(b)为利用常规图像处理结果图；(c)为原始数据像素分布图。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于聚类分析和特征过滤的红外图像尾迹检测方法，其特征在于，该检测方法包括以下步骤：第一步：获取热红外监测水体表面温度数据，选取背景图像数据和待检测图像数据；第二步：采用聚类分析方法将背景图像数据划分为不同的簇，每个簇具有相对相似的像素分布特征，如果对应的簇在待测图像中分布特征发生了明显的变化，则表明有异常或者变化，即说明有尾迹目标信号；第三步：按照背景图像数据的聚类划分结果，计算待检测图像数据中每个像素的马氏距离MD，得到MD图像数据；第四步：确定阈值后，用阈值筛选选取马氏距离大的图像数据，从而最终筛选出尾迹目标信号。2.如权利要求1所述的红外图像尾迹检测方法，其特征在于，所述第二步中，聚类分析法选用K邻近算法或K均值或模糊聚类均值。3.如权利要求2所述的红外图像尾迹检测方法，其特征在于，选取K
‑
Means算法阐述具体步骤如下：a、初始化聚类中心，或者算法随机选择聚类中心为r个簇；b、计算像素到聚类中心的距离，并将其分到距离最近的聚类中心所属的簇中；c、产生的个簇，重新定义聚类中心，即到簇内其他店距离均值最小的点为该簇的聚类中心；重复步骤a、b、c，直到达到停止条件。4.如权利要求1所述的红外图像尾迹检测方法，其特征在于，所述第三步中，MD具体计算公式为：其中...

【专利技术属性】
技术研发人员：张浩，段营营，叶春雨，甘子琦，
申请(专利权)人：中国海洋大学，
类型：发明
国别省市：