【技术实现步骤摘要】
本专利技术涉及航空机载导航图像处理领域，尤其涉及一种基于空间熵的和声搜索的航空机载导航图像目标识别方法。
技术介绍
1、在航空机载导航图像处理领域中，许多目标检测方法专注于高分辨率下的图像处理，通常采用基于r-cnn（region with cnn feature）的神经网络、ssd（单阶段目标检测算法，single shot multibox detector）、ann等深度学习和构建多尺度特征融合的算法，大多是原理复杂，实现起来较困难，为此介绍一种机载导航图像处理后自动分类技术，通过设置图像转化、特征提取和结果比对，实现对机载导航图像集的自动转化识别和分类功能。整个算法系统在深度学习网络技术的控制下，实现全自动化，并通过人为干预与优化算法升级，提升深度学习网络的分类效果。
2、该系统包括图像获取预处理模块、图像识别模块和图像比对分类模块。其工作原理如下：图像获取预处理模块主要负责图像的前期处理，首先将机载导航图像集输入该系统，进行灰度化处理后便于后续算法识别分析，然后进行视点变化、缩放分析等简单分类；接着输入图像识别模块，负责对灰度图像中的同类对象特征进行识别、提取，采用概率论统计方法、逼近论等分析运算等进行联合处理，得到图像中待测目标的特征识别；最后进行图像对比分类，以深度神经网络学习模型为基础，通过人为变量赋值权重更新、模拟预测分析等算法处理，根据特征对图像中的目标进行自动分类识别。
3、上述提出的航空机载导航图像处理后自动分类技术，基于深度学习网络技术的控制，实现全自动化，无需依赖于操作人员的经
4、综上所述，需要一种基于空间熵的和声搜索的航空机载导航图像目标识别方法来解决现有技术中所存在的不足之处。
技术实现思路
1、针对现有技术的不足，本专利技术提供了一种基于空间熵的和声搜索的航空机载导航图像目标识别方法，旨在解决上述问题。
2、为实现上述目的，本专利技术提供如下技术方案：一种基于空间熵的和声搜索的航空机载导航图像目标识别方法，包括以下步骤：
3、步骤s1：原始图像灰度化，转化为灰度图像；
4、步骤s2：根据二维空间直方图计算图像的灰度空间熵和分布函数，对图形进行对比度增强；
5、步骤s3：变换及局部对比度增强，对变换域系数进行加权处理，进行局部图像的对比度增强；
6、步骤s4：寻找最佳阈值分割点，根据记载导航图像特点和特定目标特征，通过搜索最优算法寻找最佳阈值分割点；
7、步骤s5：目标识别与分割结果输出，根据确定的最优灰度向量，求得最佳阈值分割点，并据此进行阈值分割，输出最终的目标识别与分割结果的图像。
8、可选的，所述步骤s1中原始图像灰度化通过以下方式：
9、确定每个灰度级别对应的像素值范围，将原始图像转换为k个灰度级别的图像，计算图像的空间网格上的二维空间直方图，使原始图像与灰度图像相对应。
10、可选的，所述计算图像的空间网格上的二维空间直方图为：
11、假定原始图像大小h*w，x(i,j)是图像x的每个像素值，x(i,j)[0，z+]，并将作为图像x存在的k个灰度级的集合，其中，计算x的空间网格上灰度级的二维空间直方图为：
12、，
13、其中m,nz+，hk(m,n)[0,z+]是在空间网格中定位在图像区域灰度xx出现的次数，
14、二维直方图上的网格总数为m*n，利用不同灰度级的个数k和比率，，
15、其中表示取最近的整数，在形成灰度的二维空间直方图时，在空间网格上保护原始图像的长宽比。
16、可选的，所述步骤s2中计算灰度级的熵测度为：
17、，
18、计算离散函数衡量灰度相对于其余灰度级，并进行归一化：
19、，
20、，
21、式中，k为灰度级的数量。
22、可选的，所述步骤s2中计算分布函数fk为：
23、，
24、，
25、式中，，，。
26、可选的，所述步骤s3中变换及局部对比度增强，通过以下方式：
27、设定图片的原始图片和变换产生的相同大小的变换图片分别为x和d，
28、，
29、，
30、，
31、，，
32、其中: k和l的值分别表示频率分量，
33、对变换域系数d(k,l)进行修正，得到更高的频率变换系数，
34、，
35、，
36、式中，为调高之后的加权频率分配系数，
37、进行反变换：
38、，
39、，
40、得到全局或局部对比度均增强的输出图像。
41、可选的，所述步骤s4中寻找最佳阈值分割点，通过以下方式：
42、步骤s41：根据机载导航图像特点和特定目标特征，预设初始的特征阈值集，作为初始阈值分割点的灰度向量x=(x1,x2,...,xn)，其中1<n<128，阈值分割点为正态分布；
43、步骤s42：在每个初始阈值分割点下，计算目标和背景两类的熵值之和h(n)，生成初始和声记忆库hm，从和声库中选择一个或多个和声，进行音调微调，生成新的和声；
44、步骤s43：计算新和声向量对应的每个灰度级别下a、b两类的熵值，取最大的熵值作为此向量下的解，若该值大于hm中的值，则更新和声记忆库hm；
45、步骤s44：更新灰度向量的次数达到预设的迭代次数，或者新的灰度向量下的求解a、b两类的熵值之和达到最大时，确定最佳阈值分割点。
46、可选的，步骤s43中计算新和声向量对应的每个灰度级别下a、b两类的熵值为：
47、设定将图像灰度级从th处划分成a、b两类，其中a、b分别由图像中灰度级在[0,th]、[th+1,n]的所有像素组成，
48、，，
49、式中：为从1到th的灰度级概率之和，为从th+1到n的灰度级概率之和，pi为图像中个灰度级的概率分布。
50、可选的，所述步骤s44中a、b两类的熵值之和为：
51、，
52、和声记忆库为：
53、。
54、可选的，所述步骤s5中阈值图像分割为：
55、对图像进行二值化处理，选择一个阈值转化为黑白而知图像，并判断图像中的灰度值与阈值大小，若灰度值大于阈值，则将像素的灰度值置为255，反之则置为0。
56、本专利技术的有益效果：
57、本文档来自技高网...
【技术保护点】
1.一种基于空间熵的和声搜索的航空机载导航图像目标识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述基于空间熵的和声搜索的航空机载导航图像目标识别方法，其特征在于，所述步骤S1中原始图像灰度化通过以下方式：
3.根据权利要求2所述基于空间熵的和声搜索的航空机载导航图像目标识别方法，其特征在于，所述计算图像的空间网格上的二维空间直方图为：
4.根据权利要求1所述基于空间熵的和声搜索的航空机载导航图像目标识别方法，其特征在于，所述步骤S2中计算灰度级的熵测度为：
5.根据权利要求1所述基于空间熵的和声搜索的航空机载导航图像目标识别方法，其特征在于，所述步骤S2中计算分布函数Fk为：
6.根据权利要求1所述基于空间熵的和声搜索的航空机载导航图像目标识别方法，其特征在于，所述步骤S3中变换及局部对比度增强，通过以下方式：
7.根据权利要求1所述基于空间熵的和声搜索的航空机载导航图像目标识别方法，其特征在于，所述步骤S4中寻找最佳阈值分割点，通过以下方式：
8.根据权利要求7所述基于空间熵的和声搜
9.根据权利要求8所述基于空间熵的和声搜索的航空机载导航图像目标识别方法，其特征在于，所述步骤S44中A、B两类的熵值之和为：
10.根据权利要求1所述基于空间熵的和声搜索的航空机载导航图像目标识别方法，其特征在于，所述步骤S5中阈值图像分割为：
...【技术特征摘要】
1.一种基于空间熵的和声搜索的航空机载导航图像目标识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述基于空间熵的和声搜索的航空机载导航图像目标识别方法，其特征在于，所述步骤s1中原始图像灰度化通过以下方式：
3.根据权利要求2所述基于空间熵的和声搜索的航空机载导航图像目标识别方法，其特征在于，所述计算图像的空间网格上的二维空间直方图为：
4.根据权利要求1所述基于空间熵的和声搜索的航空机载导航图像目标识别方法，其特征在于，所述步骤s2中计算灰度级的熵测度为：
5.根据权利要求1所述基于空间熵的和声搜索的航空机载导航图像目标识别方法，其特征在于，所述步骤s2中计算分布函数fk为：
6.根据权利要求1所述基于空间熵的和...
【专利技术属性】
技术研发人员：戴贻康，潘超，柴俊，郏锐，何佳丽，胡兴，
申请(专利权)人：龙兴杭州航空电子有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。