針對紅外圖像中的云檢測問題,采用了一種分形維數+紋理特征的檢測方法。通過計算紅外圖像的平均分形維數,并根據閾值正確預判圖像是復雜地形還是云區域,解決了無云圖中的云的分類錯誤問題。通過構造局部云圖像的灰度共生矩陣,得到反映圖像紋理特征的四個二次統計特征,云區域和無云區域在四維特征上具有明顯的區分度,根據該特征訓練的非線性SVM分類器能夠有效地區分云區域和無云區域。通過分形維數預判以及由統計特征訓練的SVM分類器,可實現云區域的精確檢測與標記。上述方法對仿真、真實紅外圖像進行了驗證,具有實用性,準確率有較大提高。

【文章頁數】：5 頁

【部分圖文】：

圖1樣本分形維數分布

戈壁、沙漠等復雜地形在紅外圖像中存在一定的自相似特性,而分形維數能夠很好的描述這種自相似特性。選取90個亮云樣本的云圖、90個暗云樣本的云圖和90個復雜地形(無云)樣本圖,并將樣本分成三類。將每個樣本分成4個子塊,計算每個子塊的分形維數,然后取平均值,做出樣本的平均分形維數分布圖....

圖2云樣本與背景樣本的二次統計特征分布

對厚亮云、薄亮云和厚暗云三種類型的云圖提取了640個云區域樣本和640個無云區域樣本,大小為32×32。對兩類樣本分別構造其灰度共生矩陣,按照式(1)—式(4)計算每類樣本的四個統計特征。其中,像素對的方向分別選擇為0度、45度、90度、135度,像素對的距離均選擇為1個像素間距....

圖3算法流程

上文提到,云區域與無云區域在灰度共生矩陣的4個統計特征上具有明顯的可分性,可以構造一個四維特征向量,在特征空間中,通過核方法映射的非線性支持向量機可以實現對云區域的檢測。具體的檢測算法步驟如下:

圖4仿真云檢測結果

文中所用實驗樣本為640×512分辨率,8位深度的灰度圖像,針對部分仿真的云圖結果見圖4所示。圖4仿真云檢測結果

本文編號：3995765