基于Contourlet变换和BP神经网络的红外空中小目标检测方法

1、红外空中小目标检测的基于Contourlet变换和BP神经网络摘要针对复杂背景下的红外成像空中小目标的检测问题，基于Contourlet变换和BP神经网络提出了一种智能算法（BP）神经网络。首先，该方法将图像从空间域变换域。然后，以最复杂的背景抑制算法，这套低通系数为零，因为它包括了红外图像的最温柔的背景信息。此外，该方法构建了一个新的带通滤波器的系数是基于经典的公式，并以定向能量阈值公式考虑保持边缘和背景噪声抑制。随后进行反向变换，得到了预处理结果。其次，将像素的灰度、水平梯度、垂直梯度、对角梯度、邻域均值和邻域方差作为输入特征向量，构建了具有三个层次的神经网络，从而使特征与目标或背景像素之

2、间的非线性关系。最后，通过该神经网络对红外小目标进行检测，完成了训练过程。实验结果表明，本文所提出的方法不仅能有效地实现对红外复杂背景的抑制，而且能检测出信噪比（信噪比）值在2以上的小目标。关键词：红外小目标；背景抑制；Contourlet变换；定向能量；BP神经网络1引言根据检测和跟踪的序列，红外小目标检测分为DBT方法（前跟踪）检测，TBD（跟踪检测前）。TBD方法对序列图像的候选目标的创新，包括噪声和假警报，然后确定真正的目标到底。这种方法适用于单帧检测中的虚警，因为目标的低信噪比值。基于TBD的思维的算法通常是计算复杂，实时性差。然而，DBT的思维不同，待定。首先，这种方法检测单帧图像

3、小目标中的一些特征信息的光得到了包括噪声或误报候选目标。随后，该方法利用帧之间的真实目标位置相关性，不包括假警报。然后，在确定目标的情况下，跟踪过程继续进行。DBT的研究主要集中在频率域1-5，形态6-8，空间高通 9 ，罗宾逊后卫10-11，背景预测 14 等。小目标检测的任务就是图像中的奇异点的捕获。小波变换，在频率域的一个经典的方法可以反映奇异点在通域和背景信息在低通域，因此它已被用于在红外复杂背景下的小目标检测近年来2-5。小波能有效地代表一维空间的信号的奇异特征 15 。然而，这是不好的描述多维特征。边缘，轮廓和纹理，属于二维空间的奇异特征包括大部分的图像信息。Contourlet变

4、换，通过文献 16 和 17 ，是一个真正的二维表示具有多尺度特征，定位和方向。它将小波的优点扩展到多维空间，可以更好地处理奇异性。这种变换可以捕捉图像的几何结构和二次分段光滑曲线的带通子带具有不同的尺度和方向。它具有方向性和各向异性的特点，所以它可以稀疏表示图像。因此，在红外小目标检测中要优于小波。神经网络在模式识别领域得到了广泛的应用。它由输入层、隐含层、输出层和层间连接层组成。样本被输入到网络中的权重层之间的偏差反向传播算法训练，使输出向量尽可能接近预期的向量。神经网络可以在训练结束后自动识别测试样本。在文献 12 和 13 中，采用神经网络对红外小目标检测中的复杂背景进行估计。为了提高

5、抑制红外复杂背景和空中小目标的检测能力，本文结合BP神经网络的轮廓波变换提出了一种新的检测方法，红外小目标基于DBT的思维复杂背景下。该方法对复杂背景和去除噪声和变换域处理算法。然后，神经网络的构造和训练根据目标的功能，使检测程序，成功地进行。本文其余部分的要点如下。在2节中，复杂背景抑制和噪声去除了Contourlet域。在3节中，详细描述了神经网络的红外天线小目标的检测。仿真实验的代表在4。在第5节，结束语。Contourlet域红外复杂背景抑制尺度分析和方向分析Contourlet域分离。Contourlet变换分解原始图像的拉普拉斯金字塔（LP）滤波器首先得到低通图像。带通图像是原始图

6、像的差分图像和低通图像和目前的低通图像发生下规模的LP分解。带通图像分解为2D（D = 1,2,3n）楔子的方向滤波器组（DFB）。这个过程是迭代的P（P = 1,2，n）次，这是由下方向分解所需的带通图像是以前的低通图像和目前的低通的在每一个迭代之间的差异。Contourlet系数可分为两类。一种是噪声的变换系数，具有较小的幅值和大的量。另一是信号系数，它具有大幅度和小的数量。系数的幅度差通常是一个区别于噪声信号的规则。常用的方法是设置一个阈值，如果其幅度超过设定值，则会被认为是第二类。否则，系数将被视为第一类。Donoho提出的小波域阈值选取方法对上述思想 15 的基础上。这种方法可以被描

7、述为（1）其中n代表图像和像素噪声系数的标准偏差。这种方法通常可以概括为Contourlet域在红外成像应用中，绝大部分噪声都来自探测器。红外探测器的噪声强度远大于其他因素。根据产生机理，将不可避免的噪声分为散粒噪声、热噪声、光子噪声和组合噪声。这些噪声对红外图像质量的影响是近似服从高斯分布，根据中心极限定理。大部分的背景信息存在于低通图像后的红外小目标图像进行轮廓。然而，带通图像包括大部分的噪声，保持背景边缘和小目标。剩余背景和目标的系数有较大幅度值，属于二级变换系数。在保持背景边缘系数是反映在一定的带通子带由于其方向性。然而，小目标系数存在于所有的带通子带由于其奇异性。此外，目标信号的幅度

8、比背景的。图1显示红外空中小目标下的海面背景图像的分解与Contourlet变换的影响。可分解的比例是1，数量是4方向。（一）原始图像（b）低通图像（C）的带通图像（d）方向1（E）direction2（F）方向3（G）方向4图1。与Contourlet分解变换的影响Contourlet变换的相关特征，它保证了变换系数能量更为集中。能量在每个尺度是一个定值时，可分解尺度数决定。在一定范围的方向数越多，每个方向的能量就越少。如果在某些方向占高比例尺度内的能量，它表示在这个方向的Contourlet系数包含了更多的细节和保持背景抑制的阈值应设置高以去除背景和噪声进一步。否则，该阈值应设置低，以便保

9、持小目标更好。因此，考虑定向能的因素，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域尺度系数K的能量，是规模最大的方向数和K C（x，y）的转换系数X和Y行柱Contourlet变换矩阵。Contourlet域红外复杂背景噪声的抑制可以表示如下：（1）过程的红外小目标图像Contourlet变换的图像分为低通和带通部分部分；（2）设置低通部分的系数为零，大部分的红外背景抑制；（3）根据公式（2）计算出带通部的背景和噪声的抑制阈值，然后对带通系数的处理进行描述（5）转换系数在哪里。（4）重建的Contourlet系数和得到背

10、景抑制和图像去噪。神经网络的红外小目标检测定义输入层、隐含层和输出层节点数、层间连通层是神经网络识别的关键。红外小目标通常存在于复杂背景和噪声背景下的亮灰度区域，因此本文将像素灰度的6个特征概括为神经网络的输入向量。也就是说，神经网络的输入节点数是6。这些功能包括像素的灰度水平梯度A2，A1，A3对角线垂直梯度，梯度A4、A5和A6 neigiborhood邻域均值方差。梯度顺序为1，邻域大小为3 3。A2、A3和A4可谓（6）（7）和（8）图像像素灰度图。神经网络的输出节点数为1，表明该像素点为目标或背景，如果节点值高于或低于0.5。隐藏层的数目通常满足经验公式（9）在与表示的输入节点和输出

11、节点的数目分别为，是恒定的，它的值通常是从1到10。logsig函数作为驱动函数，隐层和输出层。方程可以写成（10）4。实验与分析实验的软件平台是“matlab2008a”。“九七”作为金字塔滤波器和'pkva”为方向滤波的Contourlet域。的分解尺度数设为1，方向的子带数是8。实验数据集包括三组的图像序列，这是海洋背景，土地背景和空中背景。每个图像序列有一百个帧。4.1。红外复合背景抑制的影响本文采用局部信噪比增益指数来评价红外复杂背景的抑制效果。它可以被描述为（11）信噪比是信噪比的地方，可以写成（12）在公式（12），S代表信号的振幅，u是平均值的局部区域和代表区域的偏差。

12、的snrgl价值越高，平滑的背景和较强的对比目标与局部背景。因此，snrgl不仅可以评估保持目标的算法的能力，还可以测量复杂背景抑制能力图2，3，4和5显示的各种算法，包括空间highbass滤波，巴特沃斯滤波器，形态学滤波的背景抑制的效果，小波滤波方法。图3和2表示海背景的抑制效果。图5和4代表了土地背景的抑制效应。小波滤波器也使用公式（2）来定义阈值。的highbass滤波器可以被描述为可以看出，该方法优于一些经典的算法在复杂背景抑制。背景越复杂，抑制效果越好。Butterworth滤波和形态学滤波相比，该方法提高了SNR值明显。另一方面，与小波滤波器相比，所提出的方法抑制背景杂波更清楚。

13、所提出的方法，从图2到5所提出的图像和所处理的图像的三维灰度图，如图6和7。它可以看出，图中的峰值对应于小目标和最复杂的背景被抑制， (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记录snrgl平均值两图像序列进行海面和陆地背景。所提出的方法的价值是最大的，所以它证明了它的有效性进一步复杂背景抑制。表1。各种算法snrgl原始图像SNR值空间高通snrg价值巴特沃斯snrg价值形态snrg值小波snrg值的方法snrg价值海背景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。神经网络中性点小目标的训练与检测本文以40个帧为训练样本，分别来自海背景图像序列和背景的背景的神经网络的训练样本。五十个采样点被捕获在一个帧中，这可能是目标像素或背景的，因此，有二千个样本被应用到训练过程中，神经网络中立。其余的序列图像作为测试数据，以验证网络的检测效果。二十个样本的功能的数据显示为标签。2。对应于这些样本的网络输出向量可以表示为（14）其中1个代表目标像素，0表示背景像素。英国石油公司的一个缺点是，培训程序可能陷入局部最优。因此，所提出的方法采用一个动态的研究比例。为了跳出局部最优，如果两者之间的训练程序的总偏差低于一

18、定的阈值，该研究的比例将提高。否则，研究比例将降低。对神经网络的初始权值可以从0.1到0.4，而原研究的比例是0.5。最大训练次数设置为2000、培训目标偏差为10-3。隐层节点数为8。图9显示了神经网络训练过程的偏差收敛曲线。在训练次数为378时，训练偏差达到设定目标值。标签：3表示检测结果为15个样本和目标像素和背景已被分类更好。将小目标全部探测到海面背景和地面背景的静止图像的像素特征，然后将其输入到训练后的神经网络中。图11和3显示了从静止图像序列中的10帧的检测结果。所提出的方法在空中背景下的红外小目标图像处理，有100个帧和成功的检测也可以被收购。图3显示了12帧的结果。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