自适应门限的运动图像图像微小目标检测

自适应门限的运动图像图像微小目标检测

近年来，红外标检测和跟踪一直是监测数据处理领域的研究重点，尤其是在不同于真实信息的各种背景干扰、人为干扰、低频扫描噪声和高频检测噪声的低snr条件下，低目标检测和跟踪弱势目标。随着对形态学的研究发展,形态学图像处理这门特殊的图像处理学科逐渐发展成为图像处理的一个主要研究领域,并逐步成为弱小目标检测和识别的有利工具.形态滤波器可分解为形态学算子和结构元选择两个基本问题.针对红外弱小点目标,大多数研究者目前采用形态学Top-Hat这一具有高通滤波特性的算子进行检测.当形态学算子确定后,形态滤波器的最终滤波性能就仅仅取决于结构元的选择.选择不同的结构元会导致运算对不同几何结构信息的分析和处理.在以往关于利用形态学上的Top-Hat算子对红外弱小目标进行检测的研究中,结构元素都是在事先确定好了的.因此,这些滤波器仅仅在所对应的某类图像模型中具有较好的性能.然而,通常情况下图像信号极为复杂且处于不断变化之中,这就要求选用的结构元素应具有自适应功能,以实现最优化处理.针对上述情况,李剑峰等先后提出了形态学神经网络的学习算法.其中,Won等设计了一种形态学加权神经网络用于目标分类;Ritter等对形态学神经网络的学习能力进行了研究;Grana等总结了形态学神经网络的应用.在此基础上,吴巍等提出了一种利用神经网络实现灰度形态滤波器参数的优化设计方法,设计出了腐蚀和膨胀运算的神经网络结构.文献中提出了一种三层前馈神经网络模型,用来训练开和闭算子形态学滤波器的结构元素,以实现优化滤波.但是无论是形态学腐蚀和膨胀算子还是形态学开和闭算子,与Top-Hat算子比起来都显得太简单,对于处理SNR较低、变化复杂的图像显然力不从心.本文针对红外序列图像中弱小运动点目标的检测问题,提出了一种基于神经网络的自学习功能来优化训练形态滤波器结构元素的Top-Hat形态学算法,使形态滤波过程融入特有的智能,并且将自适应门限引入到目标分割中来.实验结果表明,该方法对SNR较低的复杂图像具有良好的滤波性能和稳健的适应能力.1结构元素b的形态开闭运算本文的灰度形态滤波算法是针对一系列3×3灰值图像,所选结构元素B也为3×3结构.设灰度形态滤波的输入为F,则F关于B的膨胀和腐蚀运算分别定义如下: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表示图像F沿矢量(x,y)作空间平移.F关于结构元素B的形态开、闭运算分别定义如下:F˚B=(F⊖B)⊕BF⋅B=(F⊕B)⊖B}(2)在此基础上定义Top-Hat算子.Top-Hat算子根据使用开、闭运算的不同而分为开Top-Hat算子和闭Top-Hat算子,其定义分别如下:ΟΤΗF,B(x)=(F-F˚B)(x)ΟΤΗF,B(x)=(F⋅B-F)(x)}(3)Top-Hat算子具有高通滤波的某些特性,开Top-Hat算子能检测出图像中的峰,闭Top-Hat算子能检测出图像中的谷.2网络权值的迭代本文利用一系列事先得到的样本数据用神经网络对滤波器结构元素进行训练,以获得最佳的滤波器参数.采用两层前馈神经网络模型,将Top-Hat运算作为一个整体当作一层,输出层节点定义为作Top-Hat运算后图像矩阵的最大值.设输入样本矢量的维数为9维(对应网络输入的接点数),训练样本数为L,输入样本为Xk,权值为(结构元素)B,网络在第k个训练样本输入后输出结点的输出值为Yk.定义平方误差代价函数为E=12LL∑k=1(Yk-dk)2(4)式中:dk为输出对应的第k个输入信号的期望值(背景为0,目标点为λ);Yk为Top-Hat运算结果矩阵的最大值,Yk={max(Fk-(Fk˚B)(x))开余运算max((Fk⋅B)(x)-Fk)闭余运算则代价函数对权值矢量的梯度为δ=∂E∂B=(∂E∂B1‚⋯∂E∂Bm‚⋯‚∂E∂BΜ)Τ(5)式中,δmdef=∂E∂Bm=L∑k=1{(Yk-dk)⋅g(Yk‚Bm)}开余运算中,g(Yk‚Bm)={1Yk=x*-(x*‚*-Bm+Bn)n≠m-1Yk=x*-(x*‚*-Bn+Bm)n≠m0其他(6)同理,闭余运算中,g(Yk‚Bm)={-1Yk=x*-(x*‚*+Bm-Bn)n≠m1Yk=x*-(x*‚*+Bn-Bm)n≠m0其他(7)式中:x*为输入矢量F(x)中的某个值;x*,*为输入图像沿矢量(*,*)作空间平移后的某个值.则权值的修正量为[ΤΡ001.ΤΙF,+4mm。4mm,BΡ]Bm=-ηδm=-ηLL∑k=1{(Yk-dk)⋅g(Yk‚Bm)}(8)式中,η为学习常量.网络权值的迭代公式为Bm(t+1)=Bm(t)+[ΤΡ001.ΤΙF,+4mm。4mm,BΡ]Bm(9)通常,为加快收敛速度,常在式(7)中引入动量项,则网络权值的迭代公式如下:Bm(t+1)=Bm(t)+[ΤΡ001.ΤΙF,+4mm。4mm,BΡ]Bm+γ[Bm(t)-Bm(t-1)](10)式中:1≤m≤M;γ为动量因子,0<γ<1.灰度形态(开余和闭余运算)滤波器结构元素优化设计的神经网络学习算法描述如下:(1)给定初始权值Bm(0)(1≤m≤9)和误差代价函数E的终止值ε,选择合适的学习常数η和γ动量因子.(2)迭代开始,t=1.(3)计算输出层结点在第k个训练模式输入时的误差信号和误差代价函数:ek=Yk-dkE=12LL∑k=1e2k=12LL∑k=1(Yk-dk)2(4)如果E>ε,转至(5),否则转至(7).(5)计算梯度:δm=1LL∑k=1{(Yk-dk)⋅g(Yk‚Bm)}1≤m≤9(6)计算t+1时刻的权矢量(结构元素)值Bm(1≤m≤9)转入(3).(7)训练结束.3点目标v的估计门限的确定应针对每个3×3图像单元,采用单帧检测概率、虚警概率及信噪比定门限,如下式:v=u+σ⋅SΝR-σΦ-1(Ρd)(11)式中:Pd为单帧检测概率;SNR为信噪比;v为检测门限;u为某个3×3图像单元背景对消后的噪声均值;σ2为噪声均方差,u=193∑i=13∑j=1f(i,j)σ2=193∑i=13∑j=1(f(i,j)-u)2式中,f为形态滤波开运算后的灰度.自适应门限分割对于弱小点目标的检测是非常有效的,但是对于SNR较高的点目标却不能很好地检测出来.这是因为随着点目标SNR的提高,v增长的速度远远大于点目标经开余运算后值的增长速度.如果降低v的增长速度使之与目标信噪比的增长速度相适应,也不能有效检测出弱小点目标.为此,可根据每个3×3图像单元的均方差定出一阈值t,因为,SNR较高的点目标利用固定门限就能很好地将其识别出来,所以高于t的点目标利用固定门限进行分割识别,低于t的弱小点目标利用v进行分割识别.因此,v={u+SΝR-σΦ-1(Ρd)σ≤tΤσ>t(12)Pd由多帧总的检测概率PD决定.设n为检测次数;i为实际检测实验成功的次数;k为要求最小的成功次数,则在n次检测中至少获得k次检测的检测概率为: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,则在16帧中出现11次以上就能达到总的检测概率的要求.4计算目标图像对比本实验采用法国Sofradir中波热成像仪采集到的320×240,6733帧8位真实红外对空序列图像.截取其中的1000帧图像验证本文提出的通过神经网络训练结构元素后的Top-Hat算子形态学滤波器的适用性.由于目标很远且受到云层的影响难以分辨.同时,在图1中对比序列图像(a)和(b)可以看出,图像背景变化很大,计算目标SNR≤2,属于典型的强杂波环境下的弱小点目标检测问题.对不同SNR的点目标图像进行对比实验,定义:SΝR=fΤm-uσ(14)式中:fTm为可检测出点目标的最小灰度值;u为图像灰度均值;σ为图像灰度标准差.对1000幅不同SNR的图像分两种方式进行单帧滤波处理比较,方式(1)为用固定结构元素的Top-Hat算子滤波器进行滤波处理,方式(2)为用神经网络训练了结构元素的Top-Hat算子滤波器进行滤波处理.实验结果如表1所示.由表1可见,就单帧检测来说,通过神经网络训练结构元素后的形态学滤波器与固定结构元素的形态学滤波器对于SNR较高的点目标检测效果差别是不大的,但是对于SNR较低的弱小点目标检测效果却有着明显的差别.方式(2)能显著提高对红外弱小目标和复杂图像的检测能力.用神经网络训练滤波器结构元素,形态学算子分别选取膨胀、开和Top-Hat算子.对1000幅不同SNR图像进行单帧滤波处理,结果如表2所示.通过以上对比分析可知,在检测红外弱小目标时,形态学Top-Hat算子要优于其他形态学算子,是设计形态学