国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

紅外圖像弱小目標檢測算法研究

2019-04-19 03:12:46
山東開放大學(xué)學(xué)報 2019年2期
關(guān)鍵詞:弱小像素點灰度

(國家開放大學(xué),北京 100039)

一、引言

隨著紅外技術(shù)的快速發(fā)展,紅外圖像弱小目標的檢測技術(shù)已經(jīng)廣泛應(yīng)用于軍事領(lǐng)域和醫(yī)學(xué)領(lǐng)域,如精確制導(dǎo)、自動控制和醫(yī)療成像等。上述應(yīng)用需要準確而又快速地發(fā)現(xiàn)目標,對紅外弱小目標檢測算法的精度和速度的可靠性要求極高。近些年來,弱小目標檢測的算法不斷涌現(xiàn),雖然這些算法能夠檢測出弱小目標,但或多或少存在某些缺陷。李欣等提出了基于模糊分類的微小目標檢測方法,該方法需要提前建立類別區(qū)域,分別定義類別特征和類別核,設(shè)定相似系數(shù)和類別貼近度,不能實現(xiàn)不同背景下的微小目標進行檢測,應(yīng)用范圍小。[1]劉偉寧提出了基于背景抑制與特征融合的檢測算法,該方法使用中值濾波器、形態(tài)學(xué)濾波器會削弱潛在目標的特征,同時也依賴于參數(shù)與結(jié)構(gòu)元素的限制。[2]楊帆等提出了基于小波域擴散濾波的弱小目標檢測算法,該方法利用小波變換系數(shù)的方向特性和擴散濾波擴散方向的可選擇性,很難同時滿足實時性與檢測效果兩方面的要求。[3]

綜上所述,本文提出一種基于多層數(shù)據(jù)融合的紅外圖像弱小目標檢測算法。算法通過高通濾波抑制背景,分析得出的特征間相關(guān)系數(shù)作為融合權(quán)值,對灰度、面積和質(zhì)心偏移量三個特征進行加權(quán)特征融合。聚類分析結(jié)合信任度計算完成決策融合,使得融合數(shù)據(jù)重新整合,再依據(jù)信任區(qū)間判斷區(qū)域融合數(shù)據(jù)是否為目標。該算法提高了對背景和噪聲的抗干擾性能以及容錯性能,從而實現(xiàn)了弱小目標準確而又實時的檢測。

二、背景抑制與參數(shù)估計

當(dāng)目標距離紅外成像系統(tǒng)較遠,圖像中目標與背景的對比度差、邊緣模糊,弱小目標與噪聲的辨析度下降,[4]應(yīng)采取背景抑制的方法減小背景與噪聲對檢測的影響。同時,由于不同背景下甚至是相同背景下不同時間所拍攝的紅外圖像噪聲水平、信噪比等參數(shù)指標差異很大,應(yīng)對不同紅外圖像進行分析得出融合過程中的參數(shù)。

(一)高斯濾波與高通濾波

已知紅外圖像噪聲近似為高斯分布,首先對圖像進行高斯濾波以抑制在成像過程中所產(chǎn)生的高斯噪聲,然后對圖像進行高通濾波器濾波以將背景區(qū)域中緩慢變化部分濾除。

(二)圖像參數(shù)估計

一般情況下目標的灰度值和所在區(qū)域面積較大,兩個特征具有一定的相關(guān)性,因此引入相關(guān)系數(shù)作為圖像度量值。對于兩個觀測矢量fi和si,其維數(shù)為N,兩個矢量之間的相關(guān)系數(shù)定義為:

(1)

INs(i)∈INA(k)}

(2)

式中:Ak為連通區(qū)域面積;ΩAk為圖像連通區(qū)域;INs和INA分別為灰度非零像素和區(qū)域面積的行列值集合。

三、特征融合與標記濾波

對于背景復(fù)雜、信噪比低的紅外圖像,若只提取弱小目標的單一特征進行特征融合,檢測結(jié)果的準確性將大打折扣。多特征提取及融合將會考慮目標的綜合特征,為進一步?jīng)Q策分析提供了可靠的依據(jù),因此選擇像素灰度值、像素所屬區(qū)域內(nèi)接正方形面積和區(qū)域質(zhì)心位置偏移作為每一個灰度非零像素點的特征。

(一)多特征提取

在紅外圖像中目標灰度值高于背景,因此可以提取灰度非零像素點的灰度值作為特征之一,F(xiàn)H(I,J)為高斯濾波后圖像:

fi={FH(f(I,J)|FH(I,J)>0}

(3)

由于弱小目標在紅外圖像上一般只占據(jù)5×5個像素大小,選取像素所屬區(qū)域內(nèi)接正方形面積作為特征可以最大程度上貼近目標的特點。該特征充分體現(xiàn)出目標與噪聲點的差異。定義ΩSQi為以fi像素點為中心的內(nèi)接正方形區(qū)域,與連通區(qū)域ΩAk有如下關(guān)系:若INs(i)∈INA(k),則有ΩSQi∩ΩAk=ΩSQi;若設(shè)內(nèi)接正方形邊長為li,則有l(wèi)i={2m-1|m∈N+}。

仔細對目標區(qū)域分析可知,灰度值較大的像素點集中于目標區(qū)域的中心,即區(qū)域質(zhì)心。對于真實目標,質(zhì)心位置偏移很小,在內(nèi)接正方形中心像素位置,而背景區(qū)域質(zhì)心位置具有不固定性,偏移量較大。提取該特征可以很好地區(qū)分目標與背景。圖1所示為區(qū)域模型,灰色部分是該區(qū)域的內(nèi)接正方形。

圖1 紅外圖像區(qū)域模型

綜上所述,目標具有明顯的灰度值特征,另外兩組特征具有互補的特點,即內(nèi)接正方形面積特征增加對噪聲點的辨析度,能明顯區(qū)分目標與噪聲點差異,而質(zhì)心位置特征對大面積背景區(qū)域有過濾作用。三組特征互相補充,可對目標區(qū)域做出準確的描述。

(二)特征融合算法實現(xiàn)

已知像素灰度和所屬區(qū)域內(nèi)接正方形面積具有一定的相關(guān)性,所以采用特征值相乘的方式來融合,并用相關(guān)系數(shù)等參數(shù)進行加權(quán)計算,以達到不同特征間的作用最大化。特征融合公式定義為:

(4)

本算法特征融合形式特點在于充分考慮了不同特征之間相關(guān)性,更有利于數(shù)據(jù)的決策與判斷,特征提取與融合框圖如圖2所示。

圖2 特征提取與融合框圖

(三)標記濾波

(5)

式中FS(I,J)為標記濾波后的圖像。

經(jīng)上述處理,一些孤立的噪聲和背景區(qū)域得到了明顯地濾除,而目標區(qū)域卻完整保留下來。此時,經(jīng)過第二次圖像參數(shù)估計和特征融合,減小了無關(guān)像素點對融合影響,可為決策融合提供更為可靠地融合數(shù)據(jù)。

四、決策融合

紅外圖像經(jīng)過特征融合后得出像素點的融合數(shù)據(jù),對這些數(shù)據(jù)進一步分析和推理得出相互之間的關(guān)聯(lián)性和概率信息。決策融合后使得數(shù)據(jù)重新整合,從而可以準確判決出目標。

(一)聚類分析

弱小目標在紅外圖像中會占據(jù)5×5像素大小的區(qū)域,如果用單個像素點的融合數(shù)據(jù)作為最終判決目標的依據(jù)是不全面的,對噪點的容錯性差。首先,采用聚類分析的方法將標記濾波后圖像的位置相近像素點聚集為一類,每一類會代表著一個局部區(qū)域;然后把該區(qū)域內(nèi)像素點的特征值相加得到該聚集區(qū)域的融合數(shù)據(jù);最后依據(jù)聚集區(qū)域的融合數(shù)據(jù)做出判決,完成對弱小目標的檢測。很明顯,作為融合判決的單元是位置相近像素點的聚集區(qū)域,而不是單個像素點。

為解決上述問題,提出一種非零點間動態(tài)標號聚類算法,選取歐式距離作為樣本相似性度量,非零像素點間的歐式距離定義為:

(6)

式中d為特征空間的維數(shù);xk和yk分別為兩非零點的坐標。

由于在聚類分析前并不清楚圖像中有多少個區(qū)域,因此就無法確定類型數(shù)目。另外,在每次有新的樣本歸為已有類型時,聚類中心將會發(fā)生改變,所以采用動態(tài)聚類算法標記濾波后圖中灰度非零像素點的類型標號。根據(jù)類型標號對融合數(shù)據(jù)進行統(tǒng)計,得出該區(qū)域(類型)決策數(shù)據(jù)。

(二)檢測概率與信任度

依據(jù)疑似目標區(qū)域數(shù)據(jù)進行檢測概率計算和推理,給出疑似目標區(qū)域的信任度分析,是檢測算法重要組成部分。通過上述特征融合,決策數(shù)據(jù)值越大的區(qū)域越可能是目標,另外目標區(qū)域的決策數(shù)據(jù)應(yīng)明顯大于背景和噪聲的決策數(shù)據(jù),而非目標區(qū)域的數(shù)據(jù)會趨于一致,所以選取區(qū)域決策數(shù)據(jù)概率以及決策數(shù)據(jù)差概率作為兩個特征進行推理評估。為了簡化計算,將決策數(shù)據(jù)按大小降序排列,選取前十位區(qū)域數(shù)據(jù)利用Fixsen修正D-S證據(jù)推理的方法進行推理評估,最終得出各區(qū)域信任度證據(jù)區(qū)間。

五、結(jié)果分析

在CPU為Intel(R)Core(TM)i7-6567(主頻3.30GHz)計算機平臺上,采用MATLAB軟件對算法的準確性和實時性進行分析。實驗采用多幅紅外復(fù)雜背景弱小目標圖像序列進行檢驗。在不同背景(天空或海天背景)、信噪比和圖像尺寸下的紅外圖像,目標識別率達到了96%,檢測耗時明顯小于其他算法?,F(xiàn)將本文提出的算法與另外三種算法的比較情況匯總至表1,主要從算法的準確性、實時性、應(yīng)用范圍以及智能性進行匯總。

表1 算法比較

由表1可知本文算法在實時性上優(yōu)于其它算法。另外三種算法使用特征模板在全圖范圍內(nèi)進行平移,同時計算特征融合及貼近度。這種檢測方法計算開銷大,并且只經(jīng)過一次特征融合,非常依賴特征的選取和融合數(shù)值的計算。而本文算法采用多層區(qū)域融合技術(shù),不會在全圖范圍內(nèi)進行計算,只選取特定的區(qū)域進行特征提取和融合使得計算開銷大大減少,通過決策融合控制計算復(fù)雜度的同時,也提高了弱小目標的檢測精度。

猜你喜歡
弱小像素點灰度
??!水手,上岸吧
采用改進導(dǎo)重法的拓撲結(jié)構(gòu)灰度單元過濾技術(shù)
基于灰度拉伸的圖像水位識別方法研究
基于canvas的前端數(shù)據(jù)加密
基于最大加權(quán)投影求解的彩色圖像灰度化對比度保留算法
基于逐像素點深度卷積網(wǎng)絡(luò)分割模型的上皮和間質(zhì)組織分割
基于灰度線性建模的亞像素圖像抖動量計算
我有特別的喝水技巧
柴的嘲笑
基于Node-Cell結(jié)構(gòu)的HEVC幀內(nèi)編碼
保康县| 天柱县| 尖扎县| 绥江县| 龙南县| 阿拉善右旗| 定远县| 朔州市| 绥宁县| 泸州市| 永仁县| 安国市| 平湖市| 建瓯市| 浠水县| 永顺县| 禹州市| 上犹县| 嵊州市| 小金县| 祁阳县| 惠州市| 宜阳县| 晋江市| 云林县| 乐安县| 柯坪县| 赤水市| 峡江县| 合阳县| 汤原县| 广汉市| 南开区| 合山市| 五原县| 武冈市| 宜州市| 潜江市| 清流县| 卢湾区| 津南区|