基于混合算法的红外图像显著性区域检测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN107451595A(43)申请公布日2017.12.08(21)申请号201710659347.0(22)申请日2017.08.04(71)申请人河海大学地址210098江苏省南京市鼓楼区西康路1号(72)发明人王鑫张春燕陈哲张振吕国芳(74)专利代理机构南京苏高专利商标事务所(普通合伙)32204代理人李玉平(51)Int.Cl.G06K9/46(2006.01)G06T7/136(2017.01)权利要求书2页说明书7页附图3页(54)发明名称基于混合算法的红外图像显著性区域检测方法(57)摘要本发明公开一种基于混合算法的红外图像显著性区域检测方法，首先，对原始红外图像进行局部稀疏表示，得到基于局部稀疏表示的初始显著图；其次，提出了融合二维最大熵/最小交叉熵和最大标准差的红外图像前景预测算法，对原始红外图像进行处理，得到突显目标并抑制背景的前景预测图；第三，将原始图像与前景预测图相减，得到原始红外图像的背景图；最后，将初始显著图减去背景图，得到最终的显著性区域检测结果。该结果与初始显著图相比，显著性区域的轮廓更加清晰，且非显著性区域被充分抑制。本发明通过混合局部稀疏表示理论、信息熵、及最大标准差，来实现红外图像的显著性区域检测，可以获得更加精确的结果。CN107451595ACN107451595A权利要求书1/2页1.一种基于混合算法的红外图像显著性区域检测方法，其特征在于，包括如下步骤：步骤一：对原始红外图像S进行局部稀疏表示，在进行局部稀疏表示的时候采用多尺度局部稀疏表示方法，得到初始显著图SM；步骤二：提出了融合二维最大熵/最小交叉熵和最大标准差的红外图像前景预测算法，对原始红外图像S进行处理，得到突显目标并抑制背景的前景预测图Sy；步骤三：将原始红外图像S与步骤二获得的前景预测图相减，得到原始红外图像的背景图Sb；步骤四：将步骤一得到的初始显著图SM减去步骤三得到的背景图Sb，得到最终的显著图SMap。2.如权利要求1所述的基于混合算法的红外图像显著性区域检测方法，其特征在于，所述步骤一中，基于某个单一尺度进行局部稀疏表示，得到显著图的具体操作过程如下：步骤a：给定一个以元素x∈R2为中心的输入图像S，表示以x为中心并且包含n个元素的块，设定一个大小为的局部搜索框，局部搜索框以x为中心，k为局部搜索框中非中心元素的个数，为以搜索框中每个非中心元素作为中心元素的块，其中i＝1,2...k，因此，用非中心块来线性表示中心块的表达式如下：其中，是非中心元素块的矩阵，是线性组合的系数向量；步骤b：将步骤a中中心块的表达式表示为下述等式：其中为包含少量非零元素的系数向量，表示伪l0范数，通过正交匹配追踪来解包含少量非零元素的系数向量中心块经过稀疏表示后得到的线性组合如下：步骤c：图像显著性可通过重构图像与原来图像的残差来获得，用下式来简单的表示图像显著性：其中||·||2表示L2范数；步骤d：对整个图像进行局部稀疏表示，即将搜索框从上到下，从左到右搜索整个图像，并且在局部搜索框内对每个元素都进行稀疏表示，最后求步骤c中等式的残差得到整个图像的显著图。3.如权利要求2所述的基于混合算法的红外图像显著性区域检测方法，其特征在于，所述步骤一中，进一步采用“多尺度”局部稀疏表示思想，得到初始显著图的具体操作过程如下：步骤a：对原始图像S进行分块处理时，为分块大小，再对分块后图像进行局部稀疏表示处理，得到图像显著图SM1；2CN107451595A权利要求书2/2页步骤b：将原始图像S的分块大小设置为再进行局部稀疏表示处理，得到图像显著图SM2；步骤c：将SM1和SM2进行加权融合，得到红外图像基于局部稀疏表示的初始显著图SM。4.如权利要求1所述的基于混合算法的红外图像显著性区域检测方法，其特征在于，所述步骤二中，提出了融合二维最大熵/最小交叉熵和最大标准差的红外图像前景预测算法，对原始红外图像进行处理，得到突显目标并抑制背景的前景预测图，具体操作过程如下：步骤a：设定二维最大熵为S(t,s)，二维最小交叉熵为I(t,s),(t,s)为阈值向量，通过多目标规划理论，将两种阈值法的目标函数构成新的目标函数：H(t,s)＝λ1×S(t,s)+λ2×I(t,s)则最佳阈值为：其中：L为整个图像的灰度级，λ1＝1-λ2，λ2的值由S(t,s)，I(t,s)通过线性加权法获得，而S(t,s)和I(t,s)通过递推算法来获得，最终得到H(t,s)以及我们所需的最佳阈值(t*,*s)，通过这个最佳阈值，得到阈值分割的分割图像Sf；步骤b：对于一个原始红外图像S，其最大标准差图像为：其中，M×N为红外图像的大小，为图像内像素的平均灰度值，并且步骤c：将分割图像Sf和最