自適應(yīng)門限的運動圖像圖像微小目標檢測

自適應(yīng)門限的運動圖像圖像微小目標檢測

近年來，紅外標檢測和跟蹤一直是監(jiān)測數(shù)據(jù)處理領(lǐng)域的研究重點，尤其是在不同于真實信息的各種背景干擾、人為干擾、低頻掃描噪聲和高頻檢測噪聲的低snr條件下，低目標檢測和跟蹤弱勢目標。隨著對形態(tài)學(xué)的研究發(fā)展,形態(tài)學(xué)圖像處理這門特殊的圖像處理學(xué)科逐漸發(fā)展成為圖像處理的一個主要研究領(lǐng)域,并逐步成為弱小目標檢測和識別的有利工具.形態(tài)濾波器可分解為形態(tài)學(xué)算子和結(jié)構(gòu)元選擇兩個基本問題.針對紅外弱小點目標,大多數(shù)研究者目前采用形態(tài)學(xué)Top-Hat這一具有高通濾波特性的算子進行檢測.當(dāng)形態(tài)學(xué)算子確定后,形態(tài)濾波器的最終濾波性能就僅僅取決于結(jié)構(gòu)元的選擇.選擇不同的結(jié)構(gòu)元會導(dǎo)致運算對不同幾何結(jié)構(gòu)信息的分析和處理.在以往關(guān)于利用形態(tài)學(xué)上的Top-Hat算子對紅外弱小目標進行檢測的研究中,結(jié)構(gòu)元素都是在事先確定好了的.因此,這些濾波器僅僅在所對應(yīng)的某類圖像模型中具有較好的性能.然而,通常情況下圖像信號極為復(fù)雜且處于不斷變化之中,這就要求選用的結(jié)構(gòu)元素應(yīng)具有自適應(yīng)功能,以實現(xiàn)最優(yōu)化處理.針對上述情況,李劍峰等先后提出了形態(tài)學(xué)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法.其中,Won等設(shè)計了一種形態(tài)學(xué)加權(quán)神經(jīng)網(wǎng)絡(luò)用于目標分類;Ritter等對形態(tài)學(xué)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力進行了研究;Grana等總結(jié)了形態(tài)學(xué)神經(jīng)網(wǎng)絡(luò)的應(yīng)用.在此基礎(chǔ)上,吳巍等提出了一種利用神經(jīng)網(wǎng)絡(luò)實現(xiàn)灰度形態(tài)濾波器參數(shù)的優(yōu)化設(shè)計方法,設(shè)計出了腐蝕和膨脹運算的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu).文獻中提出了一種三層前饋神經(jīng)網(wǎng)絡(luò)模型,用來訓(xùn)練開和閉算子形態(tài)學(xué)濾波器的結(jié)構(gòu)元素,以實現(xiàn)優(yōu)化濾波.但是無論是形態(tài)學(xué)腐蝕和膨脹算子還是形態(tài)學(xué)開和閉算子,與Top-Hat算子比起來都顯得太簡單,對于處理SNR較低、變化復(fù)雜的圖像顯然力不從心.本文針對紅外序列圖像中弱小運動點目標的檢測問題,提出了一種基于神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)功能來優(yōu)化訓(xùn)練形態(tài)濾波器結(jié)構(gòu)元素的Top-Hat形態(tài)學(xué)算法,使形態(tài)濾波過程融入特有的智能,并且將自適應(yīng)門限引入到目標分割中來.實驗結(jié)果表明,該方法對SNR較低的復(fù)雜圖像具有良好的濾波性能和穩(wěn)健的適應(yīng)能力.1結(jié)構(gòu)元素b的形態(tài)開閉運算本文的灰度形態(tài)濾波算法是針對一系列3×3灰值圖像,所選結(jié)構(gòu)元素B也為3×3結(jié)構(gòu).設(shè)灰度形態(tài)濾波的輸入為F,則F關(guān)于B的膨脹和腐蝕運算分別定義如下:F⊕B=max{F-1,1+B(-1,1),F0,1+B(0,1),??F1?-1+B(1,-1)}F?B=min{F-1,1-B(-1,1),F0,1-B(0,1),??F1?-1-B(1,-1)}}(1)式中,Fx,y表示圖像F沿矢量(x,y)作空間平移.F關(guān)于結(jié)構(gòu)元素B的形態(tài)開、閉運算分別定義如下:F?B=(F?B)⊕BF?B=(F⊕B)?B}(2)在此基礎(chǔ)上定義Top-Hat算子.Top-Hat算子根據(jù)使用開、閉運算的不同而分為開Top-Hat算子和閉Top-Hat算子,其定義分別如下:ΟΤΗF,B(x)=(F-F?B)(x)ΟΤΗF,B(x)=(F?B-F)(x)}(3)Top-Hat算子具有高通濾波的某些特性,開Top-Hat算子能檢測出圖像中的峰,閉Top-Hat算子能檢測出圖像中的谷.2網(wǎng)絡(luò)權(quán)值的迭代本文利用一系列事先得到的樣本數(shù)據(jù)用神經(jīng)網(wǎng)絡(luò)對濾波器結(jié)構(gòu)元素進行訓(xùn)練,以獲得最佳的濾波器參數(shù).采用兩層前饋神經(jīng)網(wǎng)絡(luò)模型,將Top-Hat運算作為一個整體當(dāng)作一層,輸出層節(jié)點定義為作Top-Hat運算后圖像矩陣的最大值.設(shè)輸入樣本矢量的維數(shù)為9維(對應(yīng)網(wǎng)絡(luò)輸入的接點數(shù)),訓(xùn)練樣本數(shù)為L,輸入樣本為Xk,權(quán)值為(結(jié)構(gòu)元素)B,網(wǎng)絡(luò)在第k個訓(xùn)練樣本輸入后輸出結(jié)點的輸出值為Yk.定義平方誤差代價函數(shù)為E=12LL∑k=1(Yk-dk)2(4)式中:dk為輸出對應(yīng)的第k個輸入信號的期望值(背景為0,目標點為λ);Yk為Top-Hat運算結(jié)果矩陣的最大值,Yk={max(Fk-(Fk?B)(x))開余運算max((Fk?B)(x)-Fk)閉余運算則代價函數(shù)對權(quán)值矢量的梯度為δ=?E?B=(?E?B1???E?Bm????E?BΜ)Τ(5)式中,δmdef=?E?Bm=L∑k=1{(Yk-dk)?g(Yk?Bm)}開余運算中,g(Yk?Bm)={1Yk=x*-(x*?*-Bm+Bn)n≠m-1Yk=x*-(x*?*-Bn+Bm)n≠m0其他(6)同理,閉余運算中,g(Yk?Bm)={-1Yk=x*-(x*?*+Bm-Bn)n≠m1Yk=x*-(x*?*+Bn-Bm)n≠m0其他(7)式中:x*為輸入矢量F(x)中的某個值;x*,*為輸入圖像沿矢量(*,*)作空間平移后的某個值.則權(quán)值的修正量為[ΤΡ001.ΤΙF,+4mm。4mm,BΡ]Bm=-ηδm=-ηLL∑k=1{(Yk-dk)?g(Yk?Bm)}(8)式中,η為學(xué)習(xí)常量.網(wǎng)絡(luò)權(quán)值的迭代公式為Bm(t+1)=Bm(t)+[ΤΡ001.ΤΙF,+4mm。4mm,BΡ]Bm(9)通常,為加快收斂速度,常在式(7)中引入動量項,則網(wǎng)絡(luò)權(quán)值的迭代公式如下:Bm(t+1)=Bm(t)+[ΤΡ001.ΤΙF,+4mm。4mm,BΡ]Bm+γ[Bm(t)-Bm(t-1)](10)式中:1≤m≤M;γ為動量因子,0<γ<1.灰度形態(tài)(開余和閉余運算)濾波器結(jié)構(gòu)元素優(yōu)化設(shè)計的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法描述如下:(1)給定初始權(quán)值Bm(0)(1≤m≤9)和誤差代價函數(shù)E的終止值ε,選擇合適的學(xué)習(xí)常數(shù)η和γ動量因子.(2)迭代開始,t=1.(3)計算輸出層結(jié)點在第k個訓(xùn)練模式輸入時的誤差信號和誤差代價函數(shù):ek=Yk-dkE=12LL∑k=1e2k=12LL∑k=1(Yk-dk)2(4)如果E>ε,轉(zhuǎn)至(5),否則轉(zhuǎn)至(7).(5)計算梯度:δm=1LL∑k=1{(Yk-dk)?g(Yk?Bm)}1≤m≤9(6)計算t+1時刻的權(quán)矢量(結(jié)構(gòu)元素)值Bm(1≤m≤9)轉(zhuǎn)入(3).(7)訓(xùn)練結(jié)束.3點目標v的估計門限的確定應(yīng)針對每個3×3圖像單元,采用單幀檢測概率、虛警概率及信噪比定門限,如下式:v=u+σ?SΝR-σΦ-1(Ρd)(11)式中:Pd為單幀檢測概率;SNR為信噪比;v為檢測門限;u為某個3×3圖像單元背景對消后的噪聲均值;σ2為噪聲均方差,u=193∑i=13∑j=1f(i,j)σ2=193∑i=13∑j=1(f(i,j)-u)2式中,f為形態(tài)濾波開運算后的灰度.自適應(yīng)門限分割對于弱小點目標的檢測是非常有效的,但是對于SNR較高的點目標卻不能很好地檢測出來.這是因為隨著點目標SNR的提高,v增長的速度遠遠大于點目標經(jīng)開余運算后值的增長速度.如果降低v的增長速度使之與目標信噪比的增長速度相適應(yīng),也不能有效檢測出弱小點目標.為此,可根據(jù)每個3×3圖像單元的均方差定出一閾值t,因為,SNR較高的點目標利用固定門限就能很好地將其識別出來,所以高于t的點目標利用固定門限進行分割識別,低于t的弱小點目標利用v進行分割識別.因此,v={u+SΝR-σΦ-1(Ρd)σ≤tΤσ>t(12)Pd由多幀總的檢測概率PD決定.設(shè)n為檢測次數(shù);i為實際檢測實驗成功的次數(shù);k為要求最小的成功次數(shù),則在n次檢測中至少獲得k次檢測的檢測概率為:ΡD(i≥k)=1-ΡD(i<k)=1-k-1∑i=0CinΡid(1-Ρd)n-i(13)一般要求PD≥0.98,取Pd≥0.9,則在16幀中出現(xiàn)11次以上就能達到總的檢測概率的要求.4計算目標圖像對比本實驗采用法國Sofradir中波熱成像儀采集到的320×240,6733幀8位真實紅外對空序列圖像.截取其中的1000幀圖像驗證本文提出的通過神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)構(gòu)元素后的Top-Hat算子形態(tài)學(xué)濾波器的適用性.由于目標很遠且受到云層的影響難以分辨.同時,在圖1中對比序列圖像(a)和(b)可以看出,圖像背景變化很大,計算目標SNR≤2,屬于典型的強雜波環(huán)境下的弱小點目標檢測問題.對不同SNR的點目標圖像進行對比實驗,定義:SΝR=fΤm-uσ(14)式中:fTm為可檢測出點目標的最小灰度值;u為圖像灰度均值;σ為圖像灰度標準差.對1000幅不同SNR的圖像分兩種方式進行單幀濾波處理比較,方式(1)為用固定結(jié)構(gòu)元素的Top-Hat算子濾波器進行濾波處理,方式(2)為用神經(jīng)網(wǎng)絡(luò)訓(xùn)練了結(jié)構(gòu)元素的Top-Hat算子濾波器進行濾波處理.實驗結(jié)果如表1所示.由表1可見,就單幀檢測來說,通過神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)構(gòu)元素后的形態(tài)學(xué)濾波器與固定結(jié)構(gòu)元素的形態(tài)學(xué)濾波器對于SNR較高的點目標檢測效果差別是不大的,但是對于SNR較低的弱小點目標檢測效果卻有著明顯的差別.方式(2)能顯著提高對紅外弱小目標和復(fù)雜圖像的檢測能力.用神經(jīng)網(wǎng)絡(luò)訓(xùn)練濾波器結(jié)構(gòu)元素,形態(tài)學(xué)算子分別選取膨脹、開和Top-Hat算子.對1000幅不同SNR圖像進行單幀濾波處理,結(jié)果如表2所示.通過以上對比分析可知,在檢測紅外弱小目標時,形態(tài)學(xué)Top-Hat算子要優(yōu)于其他形態(tài)學(xué)算子,是設(shè)計形態(tài)學(xué)