[发明专利]一种基于BP神经网络的红外多光谱微弱目标检测方法有效
申请号: | 201911057219.4 | 申请日: | 2019-10-31 |
公开(公告)号: | CN110619373B | 公开(公告)日: | 2021-11-26 |
发明(设计)人: | 安建波;李祥明;卜祥元 | 申请(专利权)人: | 北京理工大学 |
主分类号: | G06K9/62 | 分类号: | G06K9/62;G06K9/46;G01J5/10;G06N3/08 |
代理公司: | 北京正阳理工知识产权代理事务所(普通合伙) 11639 | 代理人: | 邬晓楠 |
地址: | 100081 *** | 国省代码: | 北京;11 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 bp 神经网络 红外 光谱 微弱 目标 检测 方法 | ||
本发明公开的一种基于BP神经网络的红外多光谱微弱目标检测方法,属于多光谱微弱目标检测领域。本发明实现方法为:搭建基于BP神经网络的红外多光谱微弱目标检测系统;通过红外成像模块获得红外多光谱特征向量;通过嵌入式信号处理模块对红外微弱目标和背景的多光谱特征向量进行处理,选取红外微弱目标对应的多光谱特征向量以及背景的多光谱特征向量作为输入的训练集;对BP神经网络的权值和阈值进行初始化后,使用已经标记的训练图像输入到BP神经网络分类器中进行训练,训练后获得红外微弱目标的检测模型;使用训练后得到红外微弱目标检测模型对红外微弱目标数字图像信号进行检测,通过终端显示模块显示红外微弱目标检测结果。
技术领域
本发明涉及一种红外微弱目标检测方法,尤其涉及一种基于BP神经网络的红外多光谱微弱目标检测方法,属于多光谱微弱目标检测领域。
背景技术
近年来,随着红外成像技术的发展,特别是红外焦平面成像技术的发展,红外目标检测技术已经应用到了成像末制导等武器导引技术中。红外探测系统中的微弱目标检测一直是红外成像制导技术中的核心和难点之一。包含红外微弱目标的红外场景图像主要是由背景、噪声和目标组成的组合图像,而红外微弱目标所占的面积较小,只占几个到十几个像素点,没有可以利用的形状、尺寸、纹理等特征信息,并且由于目标与背景的对比度较低,目标往往会跟图像中的噪声相混淆,一般情况下难以准确检测。
发明内容
为解决红外微弱目标难以检测的问题,本发明公开的一种基于BP神经网络的红外多光谱微弱目标检测方法要解决的技术问题是:基于BP神经网络实现红外多光谱微弱目标检测,具有检测精度高、实时性高的优点。
本发明的目的是通过下述技术方案实现的。
本发明公开的一种基于BP神经网络的红外多光谱微弱目标检测方法,搭建基于BP神经网络的红外多光谱微弱目标检测系统。通过红外成像模块获得红外多光谱特征向量,并将两者输出给嵌入式信号处理模块。通过嵌入式信号处理模块对红外微弱目标和背景的多光谱特征向量进行处理,选取红外微弱目标对应的多光谱特征向量以及背景的多光谱特征向量作为输入的训练集,以此作为BP神经网络的输入单元。对BP神经网络的权值和阈值进行初始化后,使用已经标记的训练图像输入到BP神经网络分类器中进行训练,通过BP神经网络分类器训练后获得红外微弱目标的检测模型。使用训练后得到红外微弱目标检测模型对红外微弱目标数字图像信号进行检测,并通过终端显示模块显示红外微弱目标检测结果。
本发明公开的一种基于BP神经网络的红外多光谱微弱目标检测方法,包括如下步骤:
步骤一:搭建基于BP神经网络的红外多光谱微弱目标检测系统。
基于BP神经网络的红外多光谱微弱目标检测系统包括红外成像模块、嵌入式信号处理模块和终端显示模块。
红外成像模块用于将红外微弱目标成像后变成数字图像信号,并形成红外微弱目标和背景的多光谱特征向量。
嵌入式信号处理模块的用于根据红外微弱目标和背景的多光谱特征向量作为训练样本,送入到BP神经网络中进行训练,使用训练后得到红外微弱目标检测模型对红外微弱目标数字图像信号进行检测,并获得红外微弱目标检测结果。
终端显示模块用于用于显示红外微弱目标检测结果。
步骤二:通过红外成像模块获得红外多光谱特征向量,并将两者输出给嵌入式信号处理模块。
对于单个光谱的成像,A/D转换模块通过成像器采集场景图像,A/D转换模块首先对成像器输出的多路模拟图像信号进行开关选择和差分放大,然后对放大后的成像器多路模拟图像信号进行A/D转换,将多路模拟图像信号变换成数字图像信号。红外成像模块对于多个光谱进行红外成像后,获得红外多光谱数字图像信号。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于北京理工大学,未经北京理工大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201911057219.4/2.html,转载请声明来源钻瓜专利网。