一种面向异源序列图像的变化检测及其测试方法与流程

本发明涉及红外与可见光异源图像变化检测的
技术领域：
，具体地说是一种面向异源序列图像的变化检测及其测试方法。
背景技术：
：红外图像与可见光图像的变化检测是图像变化检测的重要分支，在资源和环境监测、自动目标识别等领域具有重要的应用。红外传感器具有全天候工作、抗干扰能力强等特点，而可见光传感器获取的图像具有对比度高、纹理信息丰富、图像清晰等特点。在资源和环境监测领域，主要在土地覆盖变化、植被覆盖变化、城市形态扩展、地形变化等方面用于获得变化信息；在自动目标识别领域，根据可见光图像中已知的目标信息，利用变化检测从实时红外图像中找出对应目标的变化情况，如目标数量的增加或减少等；在打击效果评估领域，可以通过连续侦察得到序列图像，动态感知目标的态势信息。由于红外图像与可见光图像的成像机理不同，导致两者图像特征具有不同的灰度值，在红外图像中出现的特征并不一定在可见光图像中也出现。两种图像中对应区域的灰度明暗变化并不一致，在红外图像中灰度较暗的地方在可见光图像中很可能灰度较亮；而在红外图像中灰度较亮的区域在可见学图像中又可能灰度较暗。因此简单的图像相减法、主分量分析法等变化检测方法并不能有效地解决异源图像的变化检测问题。红外与可见光图像的变化检测仍然是一个极具挑战性的问题。技术实现要素：针对现有方法存在的问题，本发明的目的在于提供一种准确、快速的红外与可见光异源图像的变化检测及其测试方法。本发明为实现上述目的所采用的技术方案是：一种面向异源序列图像的变化检测及其测试方法，包括以下步骤：步骤1：构建标准化测试靶标，并将标准化测试靶标分散到红外图像中；步骤2：利用Canny算子边缘特征提取算法，对红外图像和可见光图像中稳定的边缘特征进行边缘提取，输出异源图像的边缘图；步骤3：对异源图像的边缘图进行图像分块，利用连续化边缘概率的变化检测算法，计算异源图像的变化检测图谱；步骤4：将得到的变化检测图谱进行对比，选择分辨能力较高的变化检测图谱进行均值计算，得到变化检测阈值。所述标准化测试靶标被斜线分成两个区域，每个区域包括根据递推公比递推的标准化图案组，每个标准化图案组包括一个正方形靶标、一条水平方向矩形靶线和一条垂直方向矩形靶线；其中，矩形靶线较长边的长度与该标准化图案组的正方形靶标的边长相等，矩形靶线较短边的长度为该标准化图案组的正方形靶标边长的1/4。所述递推公比为1/2。所述正方形靶标和矩形靶线包含噪声纹理特征。所述图像分块为将边缘图等分成若干正方形图块。所述连续化边缘概率的变化检测算法包括以下过程：步骤1：计算每一区块边缘概率Pedge：Pedge＝Nedge/Ntotal其中，Pedge为每一区块边缘概率，Nedge为该区块内边缘点的个数，Ntotal为该区块的像素总数；步骤2：以异源图像边缘图的每一个像素作为中心，取包含该中心像素的周围N×N个像素作为分割图像的一个区块，用该区块的边缘概率作为该中心像素的边缘概率；步骤3：遍历整个异源图像边缘图，得到每个像素点的边缘概率。所述异源图像变化检测图谱为：Iedge(A,B)＝Pedge(A)+Pedge(B)-Pedge(A,B)其中，Iedge(A,B)为异源图像变化检测图谱，Pedge(A)和Pedge(B)分别表示异源图像的个体边缘概率，Pedge(A,B)表示异源图像的联合边缘概率。所述异源图像的个体边缘概率为异源图像中每个图像的边缘概率。所述异源图像的联合边缘概率为异源图像的两幅图像中，位置相同的两个区块内，当对应像素同时为边缘点时的边缘概率。本发明具有以下有益效果及优点：1.本发明采用连续化边缘概率的方法，利用异源图像稳定的边缘特征，特别适用于灰度差异较大的红外与可见光图像的变化检测，具有很高的变化检测率；2.本发明通过构建标准化测试靶标，直观模拟真实地物的变化情况，并能有效地评价变化检测的能力。附图说明图1是本发明的整体流程图；图2是图像对比度比较图，其中(a)为红外图像对比度比较图，(b)为可见光图像对比度比较图；图3是选取6组不同的Canny参数值，异源图像的边缘图，其中(a)为可见光图像边缘图，(b)为红外图像边缘图；图4是边缘图分块示意图；图5是连续化边缘概率原理图；图6是标准化测试靶标图；图7是添加了噪声的标准化测试靶标示意图；图8是标准化测试靶标的在机场目标和桥梁目标上的使用图，其中(a)、(c)表示以可见光图像作为基准图，(b)、(d)表示将测试靶标添加至红外图像作为实时图；图9是机场目标的边缘图及变化检测图谱；图10是桥梁目标的边缘图及变化检测图谱；图11是四类目标变化检测的均值曲线图。具体实施方式下面结合附图及实施例对本发明做进一步的详细说明。如图1所示为本发明的整体流程图。本发明提出一种面向异源序列图像的变化检测及其测试方法，用于红外序列图像与可见光基准图像的变化检测。利用Canny算子，对红外图像和可见光图像中稳定的边缘特征进行边缘提取，输出异源图像的边缘图；针对边缘图进行图像分块，提出连续化边缘概率的变化检测算法，计算异源图像的变化检测图谱；设计一种标准化测试靶标，作为变化检测图谱对检测变化能力的直观评价；采用一套完整的测试方法，验证变化检测图谱随算法参数的不同设置而改变的情况；统计分析异源图像的变化检测图谱，计算变化检测度量指标，输出变化检测阈值。利用Canny算子对红外图像和可见光图像中稳定的边缘特征进行边缘提取，输出异源图像的边缘图的过程：为了准确地检测图像的变化部分，需要算法对异源图像中没有发生变化的部分具有一致的适应性从而正确筛选出变化信息。如图2所示，对于红外与可见光异源图像，图像中高对比度的区域是较为一致的特性，而高对比度的区域一般为两种不同材质的交界处，材质分界线往往对应于图像的边缘，因此，就选取图像的特征而言，边缘特征是较为稳定的共性特征，并且图像的边缘信息可以大大减少所要处理的信息量的，并有效地保留有用信息。因而选取边缘特征作为异源图像中稳定的不变特征，利用边缘信息进行变化检测。Canny算子具有优秀的信噪比和检测精度，并且可以较好地避免伪边缘，选用Canny算子分别提取红外图像与可见光图像的边缘，得到边缘图。由于Canny算子提取出的边缘直接影响到后文中图像边缘概率的统计计算，因此，Canny算子参数的合适取值就显得异常重要。由于成像机理不同，可见光图像对比红外图像，相对而言对比度更高，边缘更“陡”，边缘结构也更复杂，并且可能掺杂了更多的细节纹理信息而造成干扰。正是利用这些特性，对可见光图像与红外图像分别选取不同的Canny参数值，使Canny算子提取的图像边缘满足以下原则：(1)既能使红外图像和可见光图像中材质分界处的有效边缘得以提取；(2)由于可见光图像边缘更“陡”，因此提取出有效边缘的同时，尽可能地过滤了干扰的纹理信息。分别选取6组不同的Canny参数值，对比异源图像的边缘图，如图3所示。按上述原则选取边缘，本目标区域的Canny参数，可见光与红外分别选择0.25和0.1。针对边缘图进行图像分块，提出连续化边缘概率的变化检测算法，计算异源图像的变化检测图谱的过程：如图4所示，针对边缘图进行图像分块，对于每一小块而言，该区块内的边缘点总数与该区块的像素总数之比即为该区块的边缘概率。设某一小块内边缘点的个数为Nedge，该区块的像素总数为Ntotal，则计算该区块边缘概率Pedge的公式为：Pedge＝Nedge/Ntotal。上述将图像分块的做法将导致图像边缘概率的离散化，离散程度受所分割的区块大小影响，会导致变化检测的精度受到影响。因此，提出连续化边缘概率的方法。如图5所示，以图像的每一个像素作为中心，取包含该中心像素的周围N×N个像素作为分割图像区块的一个小块，用这一区块的边缘概率作为该中心像素的边缘概率。遍历整个图像即可得到图像每个像素点的边缘概率，实现了边缘概率的连续化。对于红外图像与可见光图像的两幅图像而言，Ntotal的定义不变，Nedge则定义为两幅图像相同位置、一一对应的两个区块内，对应像素同时为边缘点的像素个数，并定义此时的边缘概率为联合边缘概率，进而将单幅图像的边缘概率称为个体边缘概率以作区分。红外图像与可见光图像之间变化可以通过边缘概率的分布图谱来反映。两幅图像A、B的连续化边缘概率图谱Iedge(A,B)可以用公式表示为：Iedge(A,B)＝Pedge(A)+Pedge(B)-Pedge(A,B)其中，Pedge(A)和Pedge(B)分别表示图像A、B的个体边缘概率，Pedge(A,B)表示两幅图像的联合边缘概率。因此，Iedge(A,B)的值越大，表示该处边缘点个数的差异越大，越有可能是发生变化的区域。如图6所示，在变化检测过程中，为了能够客观、准确地估计、评价变化检测的性能，提出并设计了一种标准化测试靶标，利用标准化的方法模拟各种地物的空间分辨率，作为对变化检测能力的一种有效、直观的标准化评价手段。标准化测试靶标的结构如下所述。(1)基本靶标图案如图6所示，标准化测试靶标由A、B两大区域，共7个小组的标准化图案组成，每个小组由一个正方形靶标、一条水平方向靶线和一条垂直方向靶线组成，靶线较长边的长度与同一小组正方形靶标的边长相等，同一小组水平、垂直方向的两条靶线的面积相等，且与下一小组的正方形靶标的面积相等。为避免靶线成为单一像素宽度的细线，A、B区域的最后一个小组的靶线忽略不计。(2)靶标递推公比标准化测试靶标中的正方形靶标包含32×32，16×16，8×8，4×4，以及24×24，12×12，6×6共7组正方形。其中，A区域的基数为32，递推公比为1/2；B区域的基数为24，递推公比亦为1/2。即在同一区域内，下一小组正方形靶标的边长为上一小组正方形靶标边长的1/2，面积为其1/4。(3)靶标纹理的添加为了尽可能直观地反映实际地物场景的变化信息，如图7所示，在靶标的纯色黑色区域添加了均值为0、标准差为5的高斯噪声，以模拟真实情况。(4)测试靶标的使用如图8所示，将标准化测试靶标的各组图案分散至一定距离后添加至图像中，添加的位置尽量选择在灰度较为单一的背景上，从而明确体现出标准化测试靶标对图像的影响，而非来自图像自身的影响。以某机场跑道图像为例，靶标图案的添加位置选择在灰度分布较为一致的跑道上或草坪上。算法分块大小的验证：由上述提出的连续化边缘概率的概念可知，边缘概率的计算结果与算法将图像分块的大小有一定关系。设分块的大小为N×N，将上文中设计的标准化测试靶标添加至红外图像作为实时图，以可见光图像作为基准图，利用合适的Canny算子阈值分别对图像进行边缘提取，对得到的边缘图进行变化检测图谱的计算，选择机场跑道和桥梁两个目标，如图9和图10所示，图(a)、(b)表示原始图像进行边缘提取得到的边缘图，图(c)、(d)、(e)、(f)分别表示N取值为9，17，33和65时得到的变化检测图谱的结果，红色部分表示检测到的变化。只考虑有实际研究价值的平面目标部分，对于两个目标而言，可以看到N＝9和N＝17时，草坪上和桥面上分辨率较高的6×6变化以及分辨率较低的32×32变化都可以检测出来。与信号采样理论的一致性验证：采样定理是美国电信工程师H.Nyquist提出的说明采样频率与信号频谱之间关系的定理，即采样频率要大于信号最高频率的2倍，才能无失真地保留信号的完整信息。通过验证结果不难发现，当算法分块大小是标准化测试靶标图案大小的1/2甚至更小时，可以显著地将其检测得到。联想到信号采样理论中的采样定理，对二者的一致性进行验证。为了精确定量地验证，将标准化测试靶标进行精简，分别添加像素面积为32×32、24×24、16×16的正方形靶标图案至图像中，相对应的，算法中分别选取大小为15×15、11×11、7×7的分块进行变化检测。得到如下的实验结果。如图11所示的(a)、(b)、(c)、(d)、(e)五条曲线，横坐标代表四类目标，纵坐标表示通过计算每类目标序列图像的变化检测图谱得到的均值，具体数据列于表1中。以曲线(b)为例，7->16表示用7×7的算法分块去检测大小为16×16的正方形靶标图案。可以看到，(b)、(c)、(d)三条曲线中，算法分块大小是标准化测试靶标图案大小的1/2时，相当于采样频率等于信号最高频率的2倍，变化检测的值相对稳定在一个固定区间；曲线(a)中算法分块大小是标准化测试靶标图案大小的1/3时，相当于采样频率等于信号最高频率的3倍，得到的均值更大，即变化检测的效果更明显；曲线(e)中算法分块大小是标准化测试靶标图案大小的3/4时，相当于采样频率小于信号最高频率的2倍，得到的均值更小，即变化检测的效果相对减弱。因此，本方法与信号采样理论是具有一致性的。表1四类目标变化检测均值目标序号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通过以上的实验结果进行分析可得，本发明提出的方法对变化的检测能力与目标类型是没有关联性的，即方法对图像变化检测是具有适应性的。并且当算法分块的取值较小时，如N＝9，图像中有意义的目标区域内的变化都可以检测到，变化检测率达100％。考虑到并不是任何像素大小的变化都是有实际意义的，一般采取的变化检测策略是，根据已知的目标图像，预先有针对性的估计感兴趣的最小变化大小。对于本发明中的图像而言，分辨率为1000×1000，感兴趣的变化大小一般在16×16～32×32范围内，因此，选取变化检测图谱中稳定的、显著变化的最小值作为阈值，由表1可知，变化检测的阈值为0.4921。至此，完成了异源序列图像的变化检测与测试的过程。当前第1页1 2 3