自適應(yīng)門限的運(yùn)動(dòng)圖像圖像微小目標(biāo)檢測

自適應(yīng)門限的運(yùn)動(dòng)圖像圖像微小目標(biāo)檢測

近年來，紅外標(biāo)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(diǎn)，尤其是在不同于真實(shí)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(biāo)檢測和跟蹤弱勢目標(biāo)。隨著對(duì)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(gè)主要研究領(lǐng)域,并逐步成為弱小目標(biāo)檢測和識(shí)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(gè)基本問題.針對(duì)紅外弱小點(diǎn)目標(biāo),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(jìn)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(huì)導(dǎo)致運(yùn)算對(duì)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(duì)紅外弱小目標(biāo)進(jìn)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(duì)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(hào)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(shí)現(xiàn)最優(yōu)化處理.針對(duì)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(jì)了一種形態(tài)學(xué)加權(quán)神經(jīng)網(wǎng)絡(luò)用于目標(biāo)分類;Ritter等對(duì)形態(tài)學(xué)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力進(jìn)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(shí)現(xiàn)灰度形態(tài)濾波器參數(shù)的優(yōu)化設(shè)計(jì)方法,設(shè)計(jì)出了腐蝕和膨脹運(yùn)算的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu).文獻(xiàn)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(shí)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(duì)于處理SNR較低、變化復(fù)雜的圖像顯然力不從心.本文針對(duì)紅外序列圖像中弱小運(yùn)動(dòng)點(diǎn)目標(biāo)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(biāo)分割中來.實(shí)驗(yàn)結(jié)果表明,該方法對(duì)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(yùn)算本文的灰度形態(tài)濾波算法是針對(duì)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(yùn)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(yùn)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(yùn)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(duì)濾波器結(jié)構(gòu)元素進(jìn)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(yùn)算作為一個(gè)整體當(dāng)作一層,輸出層節(jié)點(diǎn)定義為作Top-Hat運(yùn)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(duì)應(yīng)網(wǎng)絡(luò)輸入的接點(diǎn)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(gè)訓(xùn)練樣本輸入后輸出結(jié)點(diǎn)的輸出值為Yk.定義平方誤差代價(jià)函數(shù)為E=12LL∑k=1(Yk-dk)2(4)式中:dk為輸出對(duì)應(yīng)的第k個(gè)輸入信號(hào)的期望值(背景為0,目標(biāo)點(diǎn)為λ);Yk為Top-Hat運(yùn)算結(jié)果矩陣的最大值,Yk={max(Fk-(Fk?B)(x))開余運(yùn)算max((Fk?B)(x)-Fk)閉余運(yùn)算則代價(jià)函數(shù)對(duì)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(yùn)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(yùn)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(gè)值;x*,*為輸入圖像沿矢量(*,*)作空間平移后的某個(gè)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(dòng)量項(xiàng),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(dòng)量因子,0<γ<1.灰度形態(tài)(開余和閉余運(yùn)算)濾波器結(jié)構(gòu)元素優(yōu)化設(shè)計(jì)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(jià)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(dòng)量因子.(2)迭代開始,t=1.(3)計(jì)算輸出層結(jié)點(diǎn)在第k個(gè)訓(xùn)練模式輸入時(shí)的誤差信號(hào)和誤差代價(jià)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(jì)算梯度:δm=1LL∑k=1{(Yk-dk)?g(Yk?Bm)}1≤m≤9(6)計(jì)算t+1時(shí)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(diǎn)目標(biāo)v的估計(jì)門限的確定應(yīng)針對(duì)每個(gè)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(gè)3×3圖像單元背景對(duì)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(yùn)算后的灰度.自適應(yīng)門限分割對(duì)于弱小點(diǎn)目標(biāo)的檢測是非常有效的,但是對(duì)于SNR較高的點(diǎn)目標(biāo)卻不能很好地檢測出來.這是因?yàn)殡S著點(diǎn)目標(biāo)SNR的提高,v增長的速度遠(yuǎn)遠(yuǎn)大于點(diǎn)目標(biāo)經(jīng)開余運(yùn)算后值的增長速度.如果降低v的增長速度使之與目標(biāo)信噪比的增長速度相適應(yīng),也不能有效檢測出弱小點(diǎn)目標(biāo).為此,可根據(jù)每個(gè)3×3圖像單元的均方差定出一閾值t,因?yàn)?SNR較高的點(diǎn)目標(biāo)利用固定門限就能很好地將其識(shí)別出來,所以高于t的點(diǎn)目標(biāo)利用固定門限進(jìn)行分割識(shí)別,低于t的弱小點(diǎn)目標(biāo)利用v進(jìn)行分割識(shí)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(shí)際檢測實(shí)驗(yàn)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(dá)到總的檢測概率的要求.4計(jì)算目標(biāo)圖像對(duì)比本實(shí)驗(yàn)采用法國Sofradir中波熱成像儀采集到的320×240,6733幀8位真實(shí)紅外對(duì)空序列圖像.截取其中的1000幀圖像驗(yàn)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(biāo)很遠(yuǎn)且受到云層的影響難以分辨.同時(shí),在圖1中對(duì)比序列圖像(a)和(b)可以看出,圖像背景變化很大,計(jì)算目標(biāo)SNR≤2,屬于典型的強(qiáng)雜波環(huán)境下的弱小點(diǎn)目標(biāo)檢測問題.對(duì)不同SNR的點(diǎn)目標(biāo)圖像進(jìn)行對(duì)比實(shí)驗(yàn),定義:SΝR=fΤm-uσ(14)式中:fTm為可檢測出點(diǎn)目標(biāo)的最小灰度值;u為圖像灰度均值;σ為圖像灰度標(biāo)準(zhǔn)差.對(duì)1000幅不同SNR的圖像分兩種方式進(jìn)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(jìn)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(jìn)行濾波處理.實(shí)驗(yàn)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(duì)于SNR較高的點(diǎn)目標(biāo)檢測效果差別是不大的,但是對(duì)于SNR較低的弱小點(diǎn)目標(biāo)檢測效果卻有著明顯的差別.方式(2)能顯著提高對(duì)紅外弱小目標(biāo)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(duì)1000幅不同SNR圖像進(jìn)行單幀濾波處理,結(jié)果如表2所示.通過以上對(duì)比分析可知,在檢測紅外弱小目標(biāo)時(shí),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(jì)形態(tài)學(xué)