基于分形和纹理特征的红外图像云检测

发布时间：2024-06-25 19:03

　　针对红外图像中的云检测问题,采用了一种分形维数+纹理特征的检测方法。通过计算红外图像的平均分形维数,并根据阈值正确预判图像是复杂地形还是云区域,解决了无云图中的云的分类错误问题。通过构造局部云图像的灰度共生矩阵,得到反映图像纹理特征的四个二次统计特征,云区域和无云区域在四维特征上具有明显的区分度,根据该特征训练的非线性SVM分类器能够有效地区分云区域和无云区域。通过分形维数预判以及由统计特征训练的SVM分类器,可实现云区域的精确检测与标记。上述方法对仿真、真实红外图像进行了验证,具有实用性,准确率有较大提高。

【文章页数】：5 页

【部分图文】：

图1样本分形维数分布

戈壁、沙漠等复杂地形在红外图像中存在一定的自相似特性,而分形维数能够很好的描述这种自相似特性。选取90个亮云样本的云图、90个暗云样本的云图和90个复杂地形(无云)样本图,并将样本分成三类。将每个样本分成4个子块,计算每个子块的分形维数,然后取平均值,做出样本的平均分形维数分布图....

图2云样本与背景样本的二次统计特征分布

对厚亮云、薄亮云和厚暗云三种类型的云图提取了640个云区域样本和640个无云区域样本,大小为32×32。对两类样本分别构造其灰度共生矩阵,按照式(1)—式(4)计算每类样本的四个统计特征。其中,像素对的方向分别选择为0度、45度、90度、135度,像素对的距离均选择为1个像素间距....

图3算法流程

上文提到,云区域与无云区域在灰度共生矩阵的4个统计特征上具有明显的可分性,可以构造一个四维特征向量,在特征空间中,通过核方法映射的非线性支持向量机可以实现对云区域的检测。具体的检测算法步骤如下:

图4仿真云检测结果

文中所用实验样本为640×512分辨率,8位深度的灰度图像,针对部分仿真的云图结果见图4所示。图4仿真云检测结果

本文编号：3995765