本發(fā)明涉及紅外與可見光異源圖像變化檢測(cè)的
技術(shù)領(lǐng)域：
，具體地說是一種面向異源序列圖像的變化檢測(cè)及其測(cè)試方法。
背景技術(shù)：
：紅外圖像與可見光圖像的變化檢測(cè)是圖像變化檢測(cè)的重要分支，在資源和環(huán)境監(jiān)測(cè)、自動(dòng)目標(biāo)識(shí)別等領(lǐng)域具有重要的應(yīng)用。紅外傳感器具有全天候工作、抗干擾能力強(qiáng)等特點(diǎn)，而可見光傳感器獲取的圖像具有對(duì)比度高、紋理信息豐富、圖像清晰等特點(diǎn)。在資源和環(huán)境監(jiān)測(cè)領(lǐng)域，主要在土地覆蓋變化、植被覆蓋變化、城市形態(tài)擴(kuò)展、地形變化等方面用于獲得變化信息；在自動(dòng)目標(biāo)識(shí)別領(lǐng)域，根據(jù)可見光圖像中已知的目標(biāo)信息，利用變化檢測(cè)從實(shí)時(shí)紅外圖像中找出對(duì)應(yīng)目標(biāo)的變化情況，如目標(biāo)數(shù)量的增加或減少等；在打擊效果評(píng)估領(lǐng)域，可以通過連續(xù)偵察得到序列圖像，動(dòng)態(tài)感知目標(biāo)的態(tài)勢(shì)信息。由于紅外圖像與可見光圖像的成像機(jī)理不同，導(dǎo)致兩者圖像特征具有不同的灰度值，在紅外圖像中出現(xiàn)的特征并不一定在可見光圖像中也出現(xiàn)。兩種圖像中對(duì)應(yīng)區(qū)域的灰度明暗變化并不一致，在紅外圖像中灰度較暗的地方在可見光圖像中很可能灰度較亮；而在紅外圖像中灰度較亮的區(qū)域在可見學(xué)圖像中又可能灰度較暗。因此簡(jiǎn)單的圖像相減法、主分量分析法等變化檢測(cè)方法并不能有效地解決異源圖像的變化檢測(cè)問題。紅外與可見光圖像的變化檢測(cè)仍然是一個(gè)極具挑戰(zhàn)性的問題。技術(shù)實(shí)現(xiàn)要素：針對(duì)現(xiàn)有方法存在的問題，本發(fā)明的目的在于提供一種準(zhǔn)確、快速的紅外與可見光異源圖像的變化檢測(cè)及其測(cè)試方法。本發(fā)明為實(shí)現(xiàn)上述目的所采用的技術(shù)方案是：一種面向異源序列圖像的變化檢測(cè)及其測(cè)試方法，包括以下步驟：步驟1：構(gòu)建標(biāo)準(zhǔn)化測(cè)試靶標(biāo)，并將標(biāo)準(zhǔn)化測(cè)試靶標(biāo)分散到紅外圖像中；步驟2：利用Canny算子邊緣特征提取算法，對(duì)紅外圖像和可見光圖像中穩(wěn)定的邊緣特征進(jìn)行邊緣提取，輸出異源圖像的邊緣圖；步驟3：對(duì)異源圖像的邊緣圖進(jìn)行圖像分塊，利用連續(xù)化邊緣概率的變化檢測(cè)算法，計(jì)算異源圖像的變化檢測(cè)圖譜；步驟4：將得到的變化檢測(cè)圖譜進(jìn)行對(duì)比，選擇分辨能力較高的變化檢測(cè)圖譜進(jìn)行均值計(jì)算，得到變化檢測(cè)閾值。所述標(biāo)準(zhǔn)化測(cè)試靶標(biāo)被斜線分成兩個(gè)區(qū)域，每個(gè)區(qū)域包括根據(jù)遞推公比遞推的標(biāo)準(zhǔn)化圖案組，每個(gè)標(biāo)準(zhǔn)化圖案組包括一個(gè)正方形靶標(biāo)、一條水平方向矩形靶線和一條垂直方向矩形靶線；其中，矩形靶線較長(zhǎng)邊的長(zhǎng)度與該標(biāo)準(zhǔn)化圖案組的正方形靶標(biāo)的邊長(zhǎng)相等，矩形靶線較短邊的長(zhǎng)度為該標(biāo)準(zhǔn)化圖案組的正方形靶標(biāo)邊長(zhǎng)的1/4。所述遞推公比為1/2。所述正方形靶標(biāo)和矩形靶線包含噪聲紋理特征。所述圖像分塊為將邊緣圖等分成若干正方形圖塊。所述連續(xù)化邊緣概率的變化檢測(cè)算法包括以下過程：步驟1：計(jì)算每一區(qū)塊邊緣概率Pedge：Pedge＝Nedge/Ntotal其中，Pedge為每一區(qū)塊邊緣概率，Nedge為該區(qū)塊內(nèi)邊緣點(diǎn)的個(gè)數(shù)，Ntotal為該區(qū)塊的像素總數(shù)；步驟2：以異源圖像邊緣圖的每一個(gè)像素作為中心，取包含該中心像素的周圍N×N個(gè)像素作為分割圖像的一個(gè)區(qū)塊，用該區(qū)塊的邊緣概率作為該中心像素的邊緣概率；步驟3：遍歷整個(gè)異源圖像邊緣圖，得到每個(gè)像素點(diǎn)的邊緣概率。所述異源圖像變化檢測(cè)圖譜為：Iedge(A,B)＝Pedge(A)+Pedge(B)-Pedge(A,B)其中，Iedge(A,B)為異源圖像變化檢測(cè)圖譜，Pedge(A)和Pedge(B)分別表示異源圖像的個(gè)體邊緣概率，Pedge(A,B)表示異源圖像的聯(lián)合邊緣概率。所述異源圖像的個(gè)體邊緣概率為異源圖像中每個(gè)圖像的邊緣概率。所述異源圖像的聯(lián)合邊緣概率為異源圖像的兩幅圖像中，位置相同的兩個(gè)區(qū)塊內(nèi)，當(dāng)對(duì)應(yīng)像素同時(shí)為邊緣點(diǎn)時(shí)的邊緣概率。本發(fā)明具有以下有益效果及優(yōu)點(diǎn)：1.本發(fā)明采用連續(xù)化邊緣概率的方法，利用異源圖像穩(wěn)定的邊緣特征，特別適用于灰度差異較大的紅外與可見光圖像的變化檢測(cè)，具有很高的變化檢測(cè)率；2.本發(fā)明通過構(gòu)建標(biāo)準(zhǔn)化測(cè)試靶標(biāo)，直觀模擬真實(shí)地物的變化情況，并能有效地評(píng)價(jià)變化檢測(cè)的能力。附圖說明圖1是本發(fā)明的整體流程圖；圖2是圖像對(duì)比度比較圖，其中(a)為紅外圖像對(duì)比度比較圖，(b)為可見光圖像對(duì)比度比較圖；圖3是選取6組不同的Canny參數(shù)值，異源圖像的邊緣圖，其中(a)為可見光圖像邊緣圖，(b)為紅外圖像邊緣圖；圖4是邊緣圖分塊示意圖；圖5是連續(xù)化邊緣概率原理圖；圖6是標(biāo)準(zhǔn)化測(cè)試靶標(biāo)圖；圖7是添加了噪聲的標(biāo)準(zhǔn)化測(cè)試靶標(biāo)示意圖；圖8是標(biāo)準(zhǔn)化測(cè)試靶標(biāo)的在機(jī)場(chǎng)目標(biāo)和橋梁目標(biāo)上的使用圖，其中(a)、(c)表示以可見光圖像作為基準(zhǔn)圖，(b)、(d)表示將測(cè)試靶標(biāo)添加至紅外圖像作為實(shí)時(shí)圖；圖9是機(jī)場(chǎng)目標(biāo)的邊緣圖及變化檢測(cè)圖譜；圖10是橋梁目標(biāo)的邊緣圖及變化檢測(cè)圖譜；圖11是四類目標(biāo)變化檢測(cè)的均值曲線圖。具體實(shí)施方式下面結(jié)合附圖及實(shí)施例對(duì)本發(fā)明做進(jìn)一步的詳細(xì)說明。如圖1所示為本發(fā)明的整體流程圖。本發(fā)明提出一種面向異源序列圖像的變化檢測(cè)及其測(cè)試方法，用于紅外序列圖像與可見光基準(zhǔn)圖像的變化檢測(cè)。利用Canny算子，對(duì)紅外圖像和可見光圖像中穩(wěn)定的邊緣特征進(jìn)行邊緣提取，輸出異源圖像的邊緣圖；針對(duì)邊緣圖進(jìn)行圖像分塊，提出連續(xù)化邊緣概率的變化檢測(cè)算法，計(jì)算異源圖像的變化檢測(cè)圖譜；設(shè)計(jì)一種標(biāo)準(zhǔn)化測(cè)試靶標(biāo)，作為變化檢測(cè)圖譜對(duì)檢測(cè)變化能力的直觀評(píng)價(jià)；采用一套完整的測(cè)試方法，驗(yàn)證變化檢測(cè)圖譜隨算法參數(shù)的不同設(shè)置而改變的情況；統(tǒng)計(jì)分析異源圖像的變化檢測(cè)圖譜，計(jì)算變化檢測(cè)度量指標(biāo)，輸出變化檢測(cè)閾值。利用Canny算子對(duì)紅外圖像和可見光圖像中穩(wěn)定的邊緣特征進(jìn)行邊緣提取，輸出異源圖像的邊緣圖的過程：為了準(zhǔn)確地檢測(cè)圖像的變化部分，需要算法對(duì)異源圖像中沒有發(fā)生變化的部分具有一致的適應(yīng)性從而正確篩選出變化信息。如圖2所示，對(duì)于紅外與可見光異源圖像，圖像中高對(duì)比度的區(qū)域是較為一致的特性，而高對(duì)比度的區(qū)域一般為兩種不同材質(zhì)的交界處，材質(zhì)分界線往往對(duì)應(yīng)于圖像的邊緣，因此，就選取圖像的特征而言，邊緣特征是較為穩(wěn)定的共性特征，并且圖像的邊緣信息可以大大減少所要處理的信息量的，并有效地保留有用信息。因而選取邊緣特征作為異源圖像中穩(wěn)定的不變特征，利用邊緣信息進(jìn)行變化檢測(cè)。Canny算子具有優(yōu)秀的信噪比和檢測(cè)精度，并且可以較好地避免偽邊緣，選用Canny算子分別提取紅外圖像與可見光圖像的邊緣，得到邊緣圖。由于Canny算子提取出的邊緣直接影響到后文中圖像邊緣概率的統(tǒng)計(jì)計(jì)算，因此，Canny算子參數(shù)的合適取值就顯得異常重要。由于成像機(jī)理不同，可見光圖像對(duì)比紅外圖像，相對(duì)而言對(duì)比度更高，邊緣更“陡”，邊緣結(jié)構(gòu)也更復(fù)雜，并且可能摻雜了更多的細(xì)節(jié)紋理信息而造成干擾。正是利用這些特性，對(duì)可見光圖像與紅外圖像分別選取不同的Canny參數(shù)值，使Canny算子提取的圖像邊緣滿足以下原則：(1)既能使紅外圖像和可見光圖像中材質(zhì)分界處的有效邊緣得以提??；(2)由于可見光圖像邊緣更“陡”，因此提取出有效邊緣的同時(shí)，盡可能地過濾了干擾的紋理信息。分別選取6組不同的Canny參數(shù)值，對(duì)比異源圖像的邊緣圖，如圖3所示。按上述原則選取邊緣，本目標(biāo)區(qū)域的Canny參數(shù)，可見光與紅外分別選擇0.25和0.1。針對(duì)邊緣圖進(jìn)行圖像分塊，提出連續(xù)化邊緣概率的變化檢測(cè)算法，計(jì)算異源圖像的變化檢測(cè)圖譜的過程：如圖4所示，針對(duì)邊緣圖進(jìn)行圖像分塊，對(duì)于每一小塊而言，該區(qū)塊內(nèi)的邊緣點(diǎn)總數(shù)與該區(qū)塊的像素總數(shù)之比即為該區(qū)塊的邊緣概率。設(shè)某一小塊內(nèi)邊緣點(diǎn)的個(gè)數(shù)為Nedge，該區(qū)塊的像素總數(shù)為Ntotal，則計(jì)算該區(qū)塊邊緣概率Pedge的公式為：Pedge＝Nedge/Ntotal。上述將圖像分塊的做法將導(dǎo)致圖像邊緣概率的離散化，離散程度受所分割的區(qū)塊大小影響，會(huì)導(dǎo)致變化檢測(cè)的精度受到影響。因此，提出連續(xù)化邊緣概率的方法。如圖5所示，以圖像的每一個(gè)像素作為中心，取包含該中心像素的周圍N×N個(gè)像素作為分割圖像區(qū)塊的一個(gè)小塊，用這一區(qū)塊的邊緣概率作為該中心像素的邊緣概率。遍歷整個(gè)圖像即可得到圖像每個(gè)像素點(diǎn)的邊緣概率，實(shí)現(xiàn)了邊緣概率的連續(xù)化。對(duì)于紅外圖像與可見光圖像的兩幅圖像而言，Ntotal的定義不變，Nedge則定義為兩幅圖像相同位置、一一對(duì)應(yīng)的兩個(gè)區(qū)塊內(nèi)，對(duì)應(yīng)像素同時(shí)為邊緣點(diǎn)的像素個(gè)數(shù)，并定義此時(shí)的邊緣概率為聯(lián)合邊緣概率，進(jìn)而將單幅圖像的邊緣概率稱為個(gè)體邊緣概率以作區(qū)分。紅外圖像與可見光圖像之間變化可以通過邊緣概率的分布圖譜來反映。兩幅圖像A、B的連續(xù)化邊緣概率圖譜Iedge(A,B)可以用公式表示為：Iedge(A,B)＝Pedge(A)+Pedge(B)-Pedge(A,B)其中，Pedge(A)和Pedge(B)分別表示圖像A、B的個(gè)體邊緣概率，Pedge(A,B)表示兩幅圖像的聯(lián)合邊緣概率。因此，Iedge(A,B)的值越大，表示該處邊緣點(diǎn)個(gè)數(shù)的差異越大，越有可能是發(fā)生變化的區(qū)域。如圖6所示，在變化檢測(cè)過程中，為了能夠客觀、準(zhǔn)確地估計(jì)、評(píng)價(jià)變化檢測(cè)的性能，提出并設(shè)計(jì)了一種標(biāo)準(zhǔn)化測(cè)試靶標(biāo)，利用標(biāo)準(zhǔn)化的方法模擬各種地物的空間分辨率，作為對(duì)變化檢測(cè)能力的一種有效、直觀的標(biāo)準(zhǔn)化評(píng)價(jià)手段。標(biāo)準(zhǔn)化測(cè)試靶標(biāo)的結(jié)構(gòu)如下所述。(1)基本靶標(biāo)圖案如圖6所示，標(biāo)準(zhǔn)化測(cè)試靶標(biāo)由A、B兩大區(qū)域，共7個(gè)小組的標(biāo)準(zhǔn)化圖案組成，每個(gè)小組由一個(gè)正方形靶標(biāo)、一條水平方向靶線和一條垂直方向靶線組成，靶線較長(zhǎng)邊的長(zhǎng)度與同一小組正方形靶標(biāo)的邊長(zhǎng)相等，同一小組水平、垂直方向的兩條靶線的面積相等，且與下一小組的正方形靶標(biāo)的面積相等。為避免靶線成為單一像素寬度的細(xì)線，A、B區(qū)域的最后一個(gè)小組的靶線忽略不計(jì)。(2)靶標(biāo)遞推公比標(biāo)準(zhǔn)化測(cè)試靶標(biāo)中的正方形靶標(biāo)包含32×32，16×16，8×8，4×4，以及24×24，12×12，6×6共7組正方形。其中，A區(qū)域的基數(shù)為32，遞推公比為1/2；B區(qū)域的基數(shù)為24，遞推公比亦為1/2。即在同一區(qū)域內(nèi)，下一小組正方形靶標(biāo)的邊長(zhǎng)為上一小組正方形靶標(biāo)邊長(zhǎng)的1/2，面積為其1/4。(3)靶標(biāo)紋理的添加為了盡可能直觀地反映實(shí)際地物場(chǎng)景的變化信息，如圖7所示，在靶標(biāo)的純色黑色區(qū)域添加了均值為0、標(biāo)準(zhǔn)差為5的高斯噪聲，以模擬真實(shí)情況。(4)測(cè)試靶標(biāo)的使用如圖8所示，將標(biāo)準(zhǔn)化測(cè)試靶標(biāo)的各組圖案分散至一定距離后添加至圖像中，添加的位置盡量選擇在灰度較為單一的背景上，從而明確體現(xiàn)出標(biāo)準(zhǔn)化測(cè)試靶標(biāo)對(duì)圖像的影響，而非來自圖像自身的影響。以某機(jī)場(chǎng)跑道圖像為例，靶標(biāo)圖案的添加位置選擇在灰度分布較為一致的跑道上或草坪上。算法分塊大小的驗(yàn)證：由上述提出的連續(xù)化邊緣概率的概念可知，邊緣概率的計(jì)算結(jié)果與算法將圖像分塊的大小有一定關(guān)系。設(shè)分塊的大小為N×N，將上文中設(shè)計(jì)的標(biāo)準(zhǔn)化測(cè)試靶標(biāo)添加至紅外圖像作為實(shí)時(shí)圖，以可見光圖像作為基準(zhǔn)圖，利用合適的Canny算子閾值分別對(duì)圖像進(jìn)行邊緣提取，對(duì)得到的邊緣圖進(jìn)行變化檢測(cè)圖譜的計(jì)算，選擇機(jī)場(chǎng)跑道和橋梁兩個(gè)目標(biāo)，如圖9和圖10所示，圖(a)、(b)表示原始圖像進(jìn)行邊緣提取得到的邊緣圖，圖(c)、(d)、(e)、(f)分別表示N取值為9，17，33和65時(shí)得到的變化檢測(cè)圖譜的結(jié)果，紅色部分表示檢測(cè)到的變化。只考慮有實(shí)際研究?jī)r(jià)值的平面目標(biāo)部分，對(duì)于兩個(gè)目標(biāo)而言，可以看到N＝9和N＝17時(shí)，草坪上和橋面上分辨率較高的6×6變化以及分辨率較低的32×32變化都可以檢測(cè)出來。與信號(hào)采樣理論的一致性驗(yàn)證：采樣定理是美國(guó)電信工程師H.Nyquist提出的說明采樣頻率與信號(hào)頻譜之間關(guān)系的定理，即采樣頻率要大于信號(hào)最高頻率的2倍，才能無失真地保留信號(hào)的完整信息。通過驗(yàn)證結(jié)果不難發(fā)現(xiàn)，當(dāng)算法分塊大小是標(biāo)準(zhǔn)化測(cè)試靶標(biāo)圖案大小的1/2甚至更小時(shí)，可以顯著地將其檢測(cè)得到。聯(lián)想到信號(hào)采樣理論中的采樣定理，對(duì)二者的一致性進(jìn)行驗(yàn)證。為了精確定量地驗(yàn)證，將標(biāo)準(zhǔn)化測(cè)試靶標(biāo)進(jìn)行精簡(jiǎn)，分別添加像素面積為32×32、24×24、16×16的正方形靶標(biāo)圖案至圖像中，相對(duì)應(yīng)的，算法中分別選取大小為15×15、11×11、7×7的分塊進(jìn)行變化檢測(cè)。得到如下的實(shí)驗(yàn)結(jié)果。如圖11所示的(a)、(b)、(c)、(d)、(e)五條曲線，橫坐標(biāo)代表四類目標(biāo)，縱坐標(biāo)表示通過計(jì)算每類目標(biāo)序列圖像的變化檢測(cè)圖譜得到的均值，具體數(shù)據(jù)列于表1中。以曲線(b)為例，7->16表示用7×7的算法分塊去檢測(cè)大小為16×16的正方形靶標(biāo)圖案?？梢钥吹剑?b)、(c)、(d)三條曲線中，算法分塊大小是標(biāo)準(zhǔn)化測(cè)試靶標(biāo)圖案大小的1/2時(shí)，相當(dāng)于采樣頻率等于信號(hào)最高頻率的2倍，變化檢測(cè)的值相對(duì)穩(wěn)定在一個(gè)固定區(qū)間；曲線(a)中算法分塊大小是標(biāo)準(zhǔn)化測(cè)試靶標(biāo)圖案大小的1/3時(shí)，相當(dāng)于采樣頻率等于信號(hào)最高頻率的3倍，得到的均值更大，即變化檢測(cè)的效果更明顯；曲線(e)中算法分塊大小是標(biāo)準(zhǔn)化測(cè)試靶標(biāo)圖案大小的3/4時(shí)，相當(dāng)于采樣頻率小于信號(hào)最高頻率的2倍，得到的均值更小，即變化檢測(cè)的效果相對(duì)減弱。因此，本方法與信號(hào)采樣理論是具有一致性的。表1四類目標(biāo)變化檢測(cè)均值目標(biāo)序號(hào)7->247->1611->2415->3211->1610.64940.57730.55370.54080.473120.67350.52660.5790.56440.427530.6710.56130.51570.49210.496240.64370.53030.57120.5880.4713通過以上的實(shí)驗(yàn)結(jié)果進(jìn)行分析可得，本發(fā)明提出的方法對(duì)變化的檢測(cè)能力與目標(biāo)類型是沒有關(guān)聯(lián)性的，即方法對(duì)圖像變化檢測(cè)是具有適應(yīng)性的。并且當(dāng)算法分塊的取值較小時(shí)，如N＝9，圖像中有意義的目標(biāo)區(qū)域內(nèi)的變化都可以檢測(cè)到，變化檢測(cè)率達(dá)100％?？紤]到并不是任何像素大小的變化都是有實(shí)際意義的，一般采取的變化檢測(cè)策略是，根據(jù)已知的目標(biāo)圖像，預(yù)先有針對(duì)性的估計(jì)感興趣的最小變化大小。對(duì)于本發(fā)明中的圖像而言，分辨率為1000×1000，感興趣的變化大小一般在16×16～32×32范圍內(nèi)，因此，選取變化檢測(cè)圖譜中穩(wěn)定的、顯著變化的最小值作為閾值，由表1可知，變化檢測(cè)的閾值為0.4921。至此，完成了異源序列圖像的變化檢測(cè)與測(cè)試的過程。當(dāng)前第1頁(yè)1 2 3