[发明专利]一种基于DS证据理论的多光谱图像弱小目标跟踪方法

摘要

本发明基于多光谱图像，提供一种用DS证据理论实现面空背景下弱小目标跟踪的方法，涉及目标跟踪、图像处理领域。本发明对目标、云、天空建立三角模糊模型，将模型展宽后对像素点分类，根据像素点分类结果得到目标位置实现对目标的跟踪，并用像素点分类结果更新当前三角模糊数模型。本发明采用DS证据理论对像素点分类，此分类方法较好的融合了不同波段的图像信息，能够实现目标跟踪，具有计算简单、实时性好的优点；本发明提出的干扰排除方法，很好的排除了随机干扰导致的误判，能够选取到真实的跟踪目标。

主权项

1.一种基于DS证据理论的多光谱图像弱小目标跟踪方法，其特征在于包括下述步骤：步骤一：输入一帧多光谱图像及当前环境下每个波段云、天空及目标灰度最小值、中值及最大值，根据输入的云、天空及当前目标成像的灰度最小值、中值、最大值，建立对应的三角模糊数模型，辨识框架为Θ＝{C,S,T}，辨识框架中C表示云，S表示天空，T表示目标，C，S，T三角模糊数模型建立的方法为：将波段i云成像的灰度最小值Cmin_i、中值Cave_i及最大值Cmax_i分别作为波段i云三角模糊数模型的最小值，中值，最大值，则波段i云的三角模糊数为将波段i天空成像的灰度最小值Smin_i、中值Save_i及最大值Smax_i分别作为波段i天空三角模糊数模型的最小值，中值，最大值，则波段i天空建立的三角模糊数为将波段i目标成像的灰度最小值Tmin_i、中值Tave_i及最大值Tmax_i分别作为波段i当前目标三角模糊数模型的最小值，中值，最大值，则波段i当前目标建立的三角模糊数为步骤二：将步骤一获得的模糊数展宽，即将模糊数的上界增大、下界减小，分别记云、天空、当前目标展宽后的模糊数为所述展宽方法为：步骤三：对输入图像中任一像素点p进行分类，分类结果为云、天空、目标：1)对任一分类像素点p，取其波段i灰度值G_i，用G_i和生成基本概率分配函数m_i，所述分别为前述波段i云、天空、目标的三角模糊数，所述基本概率分配函数在证据理论中被定义为对任意一个属于Θ的子集A，m(A)∈[0,1]，且满足则m_i为2^Θ上的基本概率分配函数，其中2^Θ为辨识框架的幂集，所述基本概率分配函数m_i生成方法为：将G_i与模糊数交点的高点赋给相应单子集元素的信度，将G_i与模糊数交点的最低点赋给相应双子集元素或多子集的信度，其中所述的单子集元素指的是步骤一中辨识框架Θ的子集{C}，{S}或{T}，所述的双子集元素指的是步骤一中辨识框架Θ的子集{C,S}，{C,T}或{S,T}，所述多子集元素指的是步骤一中辨识框架Θ的子集{C,S,T}；记生成的信度之和为Sum，将生成的信度归一化得到m_i；2)将25个波段生成的基本概率分配函数m_i使用平均融合方法融合得到m，所述平均融合方法为：其中m_i(i＝1,2,…,25)为生成的基本概率分配函数；3)使用Pignistic probability transformation方法将融合后的m转换为概率分布P，所述转换方法为：其中4)依据得到的概率分布P对像素点p分类，取P({C})，P({S})，P({T})中最大的概率对应的类别作为像素点p分类的结果，分类结果中C表示云，S表示天空，T表示目标；步骤四：对误识点进行干扰排除，以选取真实的跟踪目标，干扰排除的原理是利用相邻帧目标区域的位置相关性来实现：在当前帧所有目标区域中选取距离上帧图像中目标位置最近的区域作为待选目标，若距离在合理的阈值区间内，则认为待选目标是当前跟踪的目标，否则认为是随机干扰，阈值区间可根据目标运动速度选取；步骤五：根据当前帧的像素点分类结果更新上一帧目标、云、天空的三角模糊数模型，将更新后的模型作为下一帧图像云、天空、目标三种类别的模糊数模型，所述模型更新方法为：对于所有被识别为云的像素点，求出这些像素点波段i的最大值max和最小值min，若max>Cmax_i，将上界更新为max，若min<Cmin_i，将下界更新为min；对于所有被识别为天空的像素点，求出这些像素点波段i的最大值max和最小值min，若max>Smax_i，将上界更新为max，若min<Smin_i，将下界更新为min；对于所有被识别为目标的像素点，求出这些像素点波段i的最大值max和最小值min，若max>Tmax_i，将上界更新为max，若min<Tmin_i，将下界更新为min。