面向小目标检测的快速核密度估计图像阈值分割方法

摘要

本发明涉及一种面向小目标检测的快速核密度估计图像阈值分割方法，该方法包括：读入图像，在计算机中得到该图像的灰度矩阵，并设置参数gate值；将图像中相同灰度级的像素点作为一个集合，如果该集合中的像素点数目N_i>gate，则使用FRSDE进行压缩；否则使用RSDE进行压缩；构建关系矩阵M来表示图像上不同灰度级之间的相互关系。将目标函数的求极值问题转化为基于矩阵区域的元素最小化求和问题，从而得到最佳阈值。本发明与已有技术相比，具有过程简单、易于实现、具有鲁棒性好与求解效率高等优点。因此，本发明为高分辨率图像的小目标检测问题提供了一种可行的方案；同时，为复杂背景下小目标图像的检测提供了一种行之有效的技术基础。

主权项

一种面向小目标检测的快速核密度估计图像阈值分割方法，其特征是，该方法包括如下步骤：步骤一：读入图像，在计算机中得到该图像的灰度矩阵，并设置参数gate值；步骤二：对于每个灰度级中的像素点，如果该灰度集像素点数目N_i>gate，则使用FRSDE进行压缩，并得到压缩后各像素点对应的权值α_i；对于每个灰度级中的像素点，如果该灰度集像素点数目N_i≤gate，则使用RSDE进行压缩，并得到压缩后各像素点对应的权值α_i；步骤三：构建关系矩阵M；该关系矩阵M的每个元素M(i,l)如式(1)进行计算：$M(i,l)=\underset{j=1}{\overset{N_i^{\left(r\right)}}{\Sigma }}\underset{k=1}{\overset{N_l^{\left(r\right)}}{\Sigma }}{N}_i^{\left(r\right)}{N}_l^{\left(r\right)}{\alpha }_j{\alpha }_{k}K(x_j-x_k,{\sigma }_j^2+{\sigma }_k^2)---\left(1\right)$其中N_i^(r)为集合V_i压缩后的像素点数目，V_i表示灰度级为i的像素点集合，α_j和α_k是系数，是步骤二得到的权值，满足N_l^(r)和α_k的关系同理；K(x_j‑x_k，σ_j²+σ_k²)是高斯核函数；步骤四：将目标函数的求极值问题转化为基于矩阵区域的元素最小化求和问题，从而得到最佳阈值；具体为：对于每个T值，将关系矩阵M的上三角区域划分出区域A和区域B两个顶点相接的直角三角形，随T值依次变化区域A和区域B的边界，并计算区域A和区域B中的所有数据元素总和，如式(2)：f(T)＝sum(A)+sum(B)                 (2)优化的阈值t_opt通过式(3)得到：$t_{\mathrm{opt}}=\arg \underset{T}{\min }f\left(T\right)---\left(3\right)$该式表示t_opt取函数f(T)为最小时的T值。