基于紅外多目標圖像序列的自動判讀技術
加入技術交流群
由于經過預處理后的圖像中目標面積小，亮度變化小，因此可以采用單門限分割方法。即：
可見，閾值分割實際上就是根據某個判決準則來確定最佳閾值T的過程。為達到快速分割目標的目的，在這里根據圖像的統計特性來確定門限，并根據所要求的虛警概率對初始選擇閾值進行不斷修正。具體算法如下：
對待檢測圖像求其統計特征，即計算均值m和方差σ，從而計算初始閾值T1。即：
式中，M，N分別為待檢測圖像的行數和列數；m為矩形鄰域窗口內原圖像的均值；σ為標準差；k為系數，可通過實驗得到。為了保證對圖像中小目標盡可能高的檢測概率，同時又為了盡量虛警概率，將圖像的SNR作為一個考慮因素，取k為圖像的信噪比值。
1．3 判讀脫靶量計算
在視頻判讀中，脫靶量的測量結果對于檢驗和評估導彈性能起著關鍵作用。下面簡要介紹脫靶量計算原理。如圖2所示。
以靶面中心為原點建立笛卡爾坐標系，如圖3～6所示，設A點為目標像點，它偏離坐標原點的量稱為判讀脫靶量，記做△x，△y。計算出來的脫靶量△x，△y連同光測設備的測量信息作數據處理，可完成對目標運動參數的事后分析。在判讀時，取其質心作為判讀點，質心即目標可視部分圖像灰度分布重心。首先對存儲于硬盤中的圖像序列進行二值分割，把目標從背景中分割出來，然后根據重心計算公式求出目標重心。物理學重心定義，設一幅M×N的圖像，目標圖像在(x，y)點的灰度值f(x，y)，其重心為：
評論