[发明专利]基于纹理分类的下视红外图像中云层区域检测方法

权利要求书

1.基于纹理分类的下视红外图像中云层区域检测方法，利用下视红外图像中云层区域与下垫面地物区域之间的纹理差异，完成云层区域检测，其特征在于：

对输入图像进行自适应子图划分，对每一子图块单独处理；采用灰度共生矩阵相关特征及旋转不变的均匀局部二值模式特征对纹理特征进行描述；依据对每一子图块所提取的纹理特征描述，基于预训练的支持向量机模型，对子图块是否为云层区域进行判别，进而完成图像中云层区域检测，其步骤包括：

(1)图像预处理：包含滤波处理、图像动态范围调整和子图块自适应划分，

采用中值滤波算法对下视红外图像进行滤波处理，在对一幅图像中的某一像素点进行中值滤波时，即将掩模内与滤波处理的像素与其邻域像素依据像素值进行排序，找出中值，并将其赋给该像素点，

式中I为输入图像，f为滤波处理后图像，S_uv为待滤波像素点(u,v)对应的掩模区域；s及t分别为像素点在S_uv中的相对横、纵坐标；

为消除动态范围差异带来的干扰，对输入图像进行动态范围调整，采用灰度归一化操作对图像动态范围进行调整，计算公式如下：

式中f为中值滤波后图像，及σ为图像f的灰度均值及均方差，公式(2)将输入图像映射为其灰度均值及方差为128及k为常数，常用取值范围为[3,5]；

对子图块进行自适应划分操作，以子图为基本处理单位，判断每一子图是否属于云层区域，在图像分块中，子图尺寸过大则无法保证结果的准确性，子图尺寸过小则包含的像素数较少，无法得到稳定的特征提取结果，对于一幅尺寸为M*N的输入图像，子图尺寸M_b*N_b与需要达到的分类准确度d％存在如下关系：

式中为向上取整操作；

(2)纹理特征提取：对每一子图块单独处理，提取子图块对应的灰度共生矩阵相关特征及旋转不变的均匀局部二值模式，作为其纹理特征描述；

(3)分类判别：针对每一子图块，依据所提取的纹理特征描述，采用预训练的支持向量机模型对每一子图类块型进行判别，进而检测出图像中云层区域。

2.根据权利要求1所述的基于纹理分类的下视红外图像中云层区域检测方法，其特征在于，所述纹理特征提取，采用灰度共生矩阵相关特征及旋转不变的均匀局部二值模式特征对纹理特征提取：

基于图像中两个位置上像素的灰度值的联合概率密度定义灰度共生矩阵，记灰度共生矩阵为P＝[p(i,j|d,θ)]_L×L，它描述的是方向θ上，相距步长d，灰度级分别为i及j的像元对出现的概率p(i,j)，其中i,j＝0,1,2,L,L-1为像素对应的灰度值，L为图像的灰度级数，由求取过程可知，灰度共生矩阵为对称矩阵，方向θ一般取0°、45°、90°及135°四个方向，每个方向对应一个矩阵，四个方向共得到四个矩阵，对于输入图像I，各方向灰度共生矩阵元素计算如公式(5)所示；

其中，(k,l)、(m,n)分别为待比较两个像素对应位置的横,纵坐标；

局部二值模式的基本原理即将图像中的像素与其邻域内的像素进行阈值比较，得到二进制编码序列，并将二进制序列对应的十进制数作为该点的局部二值模式值LBP_P,R，如公式(6)所示，

其中g_c为中心点像素(u_c,v_c)的灰度值，g_p为其邻域像素的灰度值，p为邻域内像素，s(·)为符号函数，

为适应旋转，将圆形邻域得到的二进制编码序列首尾连接构成循环编码序列，通过旋转圆形邻域得到一系列对应的局部二值模式值，将其中的最小值作为该邻域的局部二值模式特征见公式(8)，

ri表示旋转不变，ROR(LBP_P,R,l)表示将P位数LBP_P,R沿顺时针方向旋转l位，P表示采样点数，R表示圆形邻域半径；

局部二值模式二进制表示中0和1之间的跳变U定义如下

g₀表示中心像素点圆形邻域内第0号像素点的灰度值，g_p-1表示中心像素点圆形邻域内第(p-1)号像素点的灰度值，g_P-1表示中心像素点圆形邻域内第(P-1)号像素点的灰度值；

当局部二值模式所对应的循环二进制编码中包含的0和1之间的跳变数不大于2时，则该局部二值模式对应的二进制编码记为一个“等价模式类”，“等价模式类”以外的模式归为另一类，称为“混合模式类”，综合旋转不变及“等价模式”两个方面的改进，旋转不变均匀局部二值模式定义如公式(10)所示，

3.根据权利要求1所述的基于纹理分类的下视红外图像中云层区域检测方法，其特征在于，所述分类判别，采用支持向量机作为分类器，对子图类型进行判别，线性支持向量机定义为

y＝g(w^Tx+b) (11)

式中为y∈{-1,1}输出类别标签，x为输入特征向量，w为权重向量，b为偏移量，阈值函数g(·)输出-1(·＜0)或1(·＞0)，线性支持向量机通过最大化分类间隔确定最佳分类面，基于标注的训练样本，采用拉格朗日乘子法及序贯最小优化算法实现参数w,b；

为了处理非线性的分类问题，引入核函数的方法将线性支持向量机推广到非线性的情况，采用径向基核函数

其中σ为径向基核函数标准差参数，x为输入特征向量，x_z为第z个支持向量对应的特征向量，另外，为适应噪声的干扰，在基本支持向量机的基础上引入松弛变量ξ_z≥0，同时优化求解w,b,ξ_z。