基于Contourlet變換和BP神經(jīng)網(wǎng)絡(luò)的紅外空中小目標(biāo)檢測(cè)方法

1、紅外空中小目標(biāo)檢測(cè)的基于Contourlet變換和BP神經(jīng)網(wǎng)絡(luò)摘要針對(duì)復(fù)雜背景下的紅外成像空中小目標(biāo)的檢測(cè)問(wèn)題，基于Contourlet變換和BP神經(jīng)網(wǎng)絡(luò)提出了一種智能算法（BP）神經(jīng)網(wǎng)絡(luò)。首先，該方法將圖像從空間域變換域。然后，以最復(fù)雜的背景抑制算法，這套低通系數(shù)為零，因?yàn)樗思t外圖像的最溫柔的背景信息。此外，該方法構(gòu)建了一個(gè)新的帶通濾波器的系數(shù)是基于經(jīng)典的公式，并以定向能量閾值公式考慮保持邊緣和背景噪聲抑制。隨后進(jìn)行反向變換，得到了預(yù)處理結(jié)果。其次，將像素的灰度、水平梯度、垂直梯度、對(duì)角梯度、鄰域均值和鄰域方差作為輸入特征向量，構(gòu)建了具有三個(gè)層次的神經(jīng)網(wǎng)絡(luò)，從而使特征與目標(biāo)或背景像素之

2、間的非線性關(guān)系。最后，通過(guò)該神經(jīng)網(wǎng)絡(luò)對(duì)紅外小目標(biāo)進(jìn)行檢測(cè)，完成了訓(xùn)練過(guò)程。實(shí)驗(yàn)結(jié)果表明，本文所提出的方法不僅能有效地實(shí)現(xiàn)對(duì)紅外復(fù)雜背景的抑制，而且能檢測(cè)出信噪比（信噪比）值在2以上的小目標(biāo)。關(guān)鍵詞：紅外小目標(biāo)；背景抑制；Contourlet變換；定向能量；BP神經(jīng)網(wǎng)絡(luò)1引言根據(jù)檢測(cè)和跟蹤的序列，紅外小目標(biāo)檢測(cè)分為DBT方法（前跟蹤）檢測(cè)，TBD（跟蹤檢測(cè)前）。TBD方法對(duì)序列圖像的候選目標(biāo)的創(chuàng)新，包括噪聲和假警報(bào)，然后確定真正的目標(biāo)到底。這種方法適用于單幀檢測(cè)中的虛警，因?yàn)槟繕?biāo)的低信噪比值?；赥BD的思維的算法通常是計(jì)算復(fù)雜，實(shí)時(shí)性差。然而，DBT的思維不同，待定。首先，這種方法檢測(cè)單幀圖像

3、小目標(biāo)中的一些特征信息的光得到了包括噪聲或誤報(bào)候選目標(biāo)。隨后，該方法利用幀之間的真實(shí)目標(biāo)位置相關(guān)性，不包括假警報(bào)。然后，在確定目標(biāo)的情況下，跟蹤過(guò)程繼續(xù)進(jìn)行。DBT的研究主要集中在頻率域1-5，形態(tài)6-8，空間高通 9 ，羅賓遜后衛(wèi)10-11，背景預(yù)測(cè) 14 等。小目標(biāo)檢測(cè)的任務(wù)就是圖像中的奇異點(diǎn)的捕獲。小波變換，在頻率域的一個(gè)經(jīng)典的方法可以反映奇異點(diǎn)在通域和背景信息在低通域，因此它已被用于在紅外復(fù)雜背景下的小目標(biāo)檢測(cè)近年來(lái)2-5。小波能有效地代表一維空間的信號(hào)的奇異特征 15 。然而，這是不好的描述多維特征。邊緣，輪廓和紋理，屬于二維空間的奇異特征包括大部分的圖像信息。Contourlet變

4、換，通過(guò)文獻(xiàn) 16 和 17 ，是一個(gè)真正的二維表示具有多尺度特征，定位和方向。它將小波的優(yōu)點(diǎn)擴(kuò)展到多維空間，可以更好地處理奇異性。這種變換可以捕捉圖像的幾何結(jié)構(gòu)和二次分段光滑曲線的帶通子帶具有不同的尺度和方向。它具有方向性和各向異性的特點(diǎn)，所以它可以稀疏表示圖像。因此，在紅外小目標(biāo)檢測(cè)中要優(yōu)于小波。神經(jīng)網(wǎng)絡(luò)在模式識(shí)別領(lǐng)域得到了廣泛的應(yīng)用。它由輸入層、隱含層、輸出層和層間連接層組成。樣本被輸入到網(wǎng)絡(luò)中的權(quán)重層之間的偏差反向傳播算法訓(xùn)練，使輸出向量盡可能接近預(yù)期的向量。神經(jīng)網(wǎng)絡(luò)可以在訓(xùn)練結(jié)束后自動(dòng)識(shí)別測(cè)試樣本。在文獻(xiàn) 12 和 13 中，采用神經(jīng)網(wǎng)絡(luò)對(duì)紅外小目標(biāo)檢測(cè)中的復(fù)雜背景進(jìn)行估計(jì)。為了提高

5、抑制紅外復(fù)雜背景和空中小目標(biāo)的檢測(cè)能力，本文結(jié)合BP神經(jīng)網(wǎng)絡(luò)的輪廓波變換提出了一種新的檢測(cè)方法，紅外小目標(biāo)基于DBT的思維復(fù)雜背景下。該方法對(duì)復(fù)雜背景和去除噪聲和變換域處理算法。然后，神經(jīng)網(wǎng)絡(luò)的構(gòu)造和訓(xùn)練根據(jù)目標(biāo)的功能，使檢測(cè)程序，成功地進(jìn)行。本文其余部分的要點(diǎn)如下。在2節(jié)中，復(fù)雜背景抑制和噪聲去除了Contourlet域。在3節(jié)中，詳細(xì)描述了神經(jīng)網(wǎng)絡(luò)的紅外天線小目標(biāo)的檢測(cè)。仿真實(shí)驗(yàn)的代表在4。在第5節(jié)，結(jié)束語(yǔ)。Contourlet域紅外復(fù)雜背景抑制尺度分析和方向分析Contourlet域分離。Contourlet變換分解原始圖像的拉普拉斯金字塔（LP）濾波器首先得到低通圖像。帶通圖像是原始圖

6、像的差分圖像和低通圖像和目前的低通圖像發(fā)生下規(guī)模的LP分解。帶通圖像分解為2D（D = 1,2,3n）楔子的方向?yàn)V波器組（DFB）。這個(gè)過(guò)程是迭代的P（P = 1,2，n）次，這是由下方向分解所需的帶通圖像是以前的低通圖像和目前的低通的在每一個(gè)迭代之間的差異。Contourlet系數(shù)可分為兩類(lèi)。一種是噪聲的變換系數(shù)，具有較小的幅值和大的量。另一是信號(hào)系數(shù)，它具有大幅度和小的數(shù)量。系數(shù)的幅度差通常是一個(gè)區(qū)別于噪聲信號(hào)的規(guī)則。常用的方法是設(shè)置一個(gè)閾值，如果其幅度超過(guò)設(shè)定值，則會(huì)被認(rèn)為是第二類(lèi)。否則，系數(shù)將被視為第一類(lèi)。Donoho提出的小波域閾值選取方法對(duì)上述思想 15 的基礎(chǔ)上。這種方法可以被描

7、述為（1）其中n代表圖像和像素噪聲系數(shù)的標(biāo)準(zhǔn)偏差。這種方法通?？梢愿爬镃ontourlet域在紅外成像應(yīng)用中，絕大部分噪聲都來(lái)自探測(cè)器。紅外探測(cè)器的噪聲強(qiáng)度遠(yuǎn)大于其他因素。根據(jù)產(chǎn)生機(jī)理，將不可避免的噪聲分為散粒噪聲、熱噪聲、光子噪聲和組合噪聲。這些噪聲對(duì)紅外圖像質(zhì)量的影響是近似服從高斯分布，根據(jù)中心極限定理。大部分的背景信息存在于低通圖像后的紅外小目標(biāo)圖像進(jìn)行輪廓。然而，帶通圖像包括大部分的噪聲，保持背景邊緣和小目標(biāo)。剩余背景和目標(biāo)的系數(shù)有較大幅度值，屬于二級(jí)變換系數(shù)。在保持背景邊緣系數(shù)是反映在一定的帶通子帶由于其方向性。然而，小目標(biāo)系數(shù)存在于所有的帶通子帶由于其奇異性。此外，目標(biāo)信號(hào)的幅度

8、比背景的。圖1顯示紅外空中小目標(biāo)下的海面背景圖像的分解與Contourlet變換的影響。可分解的比例是1，數(shù)量是4方向。（一）原始圖像（b）低通圖像（C）的帶通圖像（d）方向1（E）direction2（F）方向3（G）方向4圖1。與Contourlet分解變換的影響Contourlet變換的相關(guān)特征，它保證了變換系數(shù)能量更為集中。能量在每個(gè)尺度是一個(gè)定值時(shí)，可分解尺度數(shù)決定。在一定范圍的方向數(shù)越多，每個(gè)方向的能量就越少。如果在某些方向占高比例尺度內(nèi)的能量，它表示在這個(gè)方向的Contourlet系數(shù)包含了更多的細(xì)節(jié)和保持背景抑制的閾值應(yīng)設(shè)置高以去除背景和噪聲進(jìn)一步。否則，該閾值應(yīng)設(shè)置低，以便保

9、持小目標(biāo)更好。因此，考慮定向能的因素，方程（1）可以提高（2）（3）和（4）在方程（3）和（4），MKJ表示能量比，ekj代表方向J在Contourlet域尺度系數(shù)K的能量，是規(guī)模最大的方向數(shù)和K C（x，y）的轉(zhuǎn)換系數(shù)X和Y行柱Contourlet變換矩陣。Contourlet域紅外復(fù)雜背景噪聲的抑制可以表示如下：（1）過(guò)程的紅外小目標(biāo)圖像Contourlet變換的圖像分為低通和帶通部分部分；（2）設(shè)置低通部分的系數(shù)為零，大部分的紅外背景抑制；（3）根據(jù)公式（2）計(jì)算出帶通部的背景和噪聲的抑制閾值，然后對(duì)帶通系數(shù)的處理進(jìn)行描述（5）轉(zhuǎn)換系數(shù)在哪里。（4）重建的Contourlet系數(shù)和得到背

10、景抑制和圖像去噪。神經(jīng)網(wǎng)絡(luò)的紅外小目標(biāo)檢測(cè)定義輸入層、隱含層和輸出層節(jié)點(diǎn)數(shù)、層間連通層是神經(jīng)網(wǎng)絡(luò)識(shí)別的關(guān)鍵。紅外小目標(biāo)通常存在于復(fù)雜背景和噪聲背景下的亮灰度區(qū)域，因此本文將像素灰度的6個(gè)特征概括為神經(jīng)網(wǎng)絡(luò)的輸入向量。也就是說(shuō)，神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)數(shù)是6。這些功能包括像素的灰度水平梯度A2，A1，A3對(duì)角線垂直梯度，梯度A4、A5和A6 neigiborhood鄰域均值方差。梯度順序?yàn)?，鄰域大小為3 3。A2、A3和A4可謂（6）（7）和（8）圖像像素灰度圖。神經(jīng)網(wǎng)絡(luò)的輸出節(jié)點(diǎn)數(shù)為1，表明該像素點(diǎn)為目標(biāo)或背景，如果節(jié)點(diǎn)值高于或低于0.5。隱藏層的數(shù)目通常滿(mǎn)足經(jīng)驗(yàn)公式（9）在與表示的輸入節(jié)點(diǎn)和輸出

11、節(jié)點(diǎn)的數(shù)目分別為，是恒定的，它的值通常是從1到10。logsig函數(shù)作為驅(qū)動(dòng)函數(shù)，隱層和輸出層。方程可以寫(xiě)成（10）4。實(shí)驗(yàn)與分析實(shí)驗(yàn)的軟件平臺(tái)是“matlab2008a”?！熬牌摺弊鳛榻鹱炙V波器和'pkva”為方向?yàn)V波的Contourlet域。的分解尺度數(shù)設(shè)為1，方向的子帶數(shù)是8。實(shí)驗(yàn)數(shù)據(jù)集包括三組的圖像序列，這是海洋背景，土地背景和空中背景。每個(gè)圖像序列有一百個(gè)幀。4.1。紅外復(fù)合背景抑制的影響本文采用局部信噪比增益指數(shù)來(lái)評(píng)價(jià)紅外復(fù)雜背景的抑制效果。它可以被描述為（11）信噪比是信噪比的地方，可以寫(xiě)成（12）在公式（12），S代表信號(hào)的振幅，u是平均值的局部區(qū)域和代表區(qū)域的偏差。

12、的snrgl價(jià)值越高，平滑的背景和較強(qiáng)的對(duì)比目標(biāo)與局部背景。因此，snrgl不僅可以評(píng)估保持目標(biāo)的算法的能力，還可以測(cè)量復(fù)雜背景抑制能力圖2，3，4和5顯示的各種算法，包括空間highbass濾波，巴特沃斯濾波器，形態(tài)學(xué)濾波的背景抑制的效果，小波濾波方法。圖3和2表示海背景的抑制效果。圖5和4代表了土地背景的抑制效應(yīng)。小波濾波器也使用公式（2）來(lái)定義閾值。的highbass濾波器可以被描述為可以看出，該方法優(yōu)于一些經(jīng)典的算法在復(fù)雜背景抑制。背景越復(fù)雜，抑制效果越好。Butterworth濾波和形態(tài)學(xué)濾波相比，該方法提高了SNR值明顯。另一方面，與小波濾波器相比，所提出的方法抑制背景雜波更清楚。

13、所提出的方法，從圖2到5所提出的圖像和所處理的圖像的三維灰度圖，如圖6和7。它可以看出，圖中的峰值對(duì)應(yīng)于小目標(biāo)和最復(fù)雜的背景被抑制， (a ) The original image (b) The spatial highpass (c) Butterworth (d) Morphology filter (e) Wavelet filter (f) The proposed method Figure 2. Suppression of sea background 1 (a) The original image (b) The spatial highpass (c) Butterwor

14、th (d) Morphology filter (e) Wavelet filter (f) The proposed method Figure 3. Suppression of sea background 2 (a) The original image (b) The spatial highpass (c) Butterworth (d) Morphology filter (e) Wavelet filter (f) The proposed method Figure 4. Suppression of land background 1 (a) The original i

15、mage (b) The spatial highpass (c) Butterworth (d) Morphology filter (e) Wavelet filter (f) The proposed methodFigure 5. Suppression of land background 2 (a) The original image (b) The suppressed image(c) The original image(d) The suppressed imageFigure 6. Three dimensional grayscale graph for sea ba

16、ckground suppression(a) The original image(b) The suppressed image(c)The original image(d) The suppressed image表1記錄snrgl平均值兩圖像序列進(jìn)行海面和陸地背景。所提出的方法的價(jià)值是最大的，所以它證明了它的有效性進(jìn)一步復(fù)雜背景抑制。表1。各種算法snrgl原始圖像SNR值空間高通snrg價(jià)值巴特沃斯snrg價(jià)值形態(tài)snrg值小波snrg值的方法snrg價(jià)值海背景0.8103 5.8828 1.0862 1.2414 2.7982 1.1345土地背景0.8095 1.2075 1.

17、2453 1.4339 2.8547 6.14354.2。神經(jīng)網(wǎng)絡(luò)中性點(diǎn)小目標(biāo)的訓(xùn)練與檢測(cè)本文以40個(gè)幀為訓(xùn)練樣本，分別來(lái)自海背景圖像序列和背景的背景的神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本。五十個(gè)采樣點(diǎn)被捕獲在一個(gè)幀中，這可能是目標(biāo)像素或背景的，因此，有二千個(gè)樣本被應(yīng)用到訓(xùn)練過(guò)程中，神經(jīng)網(wǎng)絡(luò)中立。其余的序列圖像作為測(cè)試數(shù)據(jù)，以驗(yàn)證網(wǎng)絡(luò)的檢測(cè)效果。二十個(gè)樣本的功能的數(shù)據(jù)顯示為標(biāo)簽。2。對(duì)應(yīng)于這些樣本的網(wǎng)絡(luò)輸出向量可以表示為（14）其中1個(gè)代表目標(biāo)像素，0表示背景像素。英國(guó)石油公司的一個(gè)缺點(diǎn)是，培訓(xùn)程序可能陷入局部最優(yōu)。因此，所提出的方法采用一個(gè)動(dòng)態(tài)的研究比例。為了跳出局部最優(yōu)，如果兩者之間的訓(xùn)練程序的總偏差低于一

18、定的閾值，該研究的比例將提高。否則，研究比例將降低。對(duì)神經(jīng)網(wǎng)絡(luò)的初始權(quán)值可以從0.1到0.4，而原研究的比例是0.5。最大訓(xùn)練次數(shù)設(shè)置為2000、培訓(xùn)目標(biāo)偏差為10-3。隱層節(jié)點(diǎn)數(shù)為8。圖9顯示了神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程的偏差收斂曲線。在訓(xùn)練次數(shù)為378時(shí)，訓(xùn)練偏差達(dá)到設(shè)定目標(biāo)值。標(biāo)簽：3表示檢測(cè)結(jié)果為15個(gè)樣本和目標(biāo)像素和背景已被分類(lèi)更好。將小目標(biāo)全部探測(cè)到海面背景和地面背景的靜止圖像的像素特征，然后將其輸入到訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)中。圖11和3顯示了從靜止圖像序列中的10幀的檢測(cè)結(jié)果。所提出的方法在空中背景下的紅外小目標(biāo)圖像處理，有100個(gè)幀和成功的檢測(cè)也可以被收購(gòu)。圖3顯示了12幀的結(jié)果。Figure 9. Training curve for BP neutral network (a)image 1 (b)image 2 (c)image 3 (d) result 1 (e) result 2 (f) result 3Figure 10. Detecting result for sea background (a)image 1 (b)image 2 (c)image 3 (d) re