采用形态神经网络背景自适应预测的图像弱小目标检测

1、采用形态神经网络背景自适应预测的图像弱小目标检测本文研究旨在解决图像数据中掩盖于强背景杂波中的弱小目标检测问题。 目前这方面的应用有诸如医学图像中的早期肿瘤检测以及红外成像中的微弱运动目标搜索等。 既然感兴趣的目标淹没于周围的强杂波背景中，没有检测器能够以极低的虚警概率从原始图像中直接捕捉到目标。目前的检测算法一般分为两步：强背景杂波的预测与抑制，它能为后续的检测提供更高的信噪比； 利用匹配滤波器检测目标。 本文提出采用形态神经网络的背景自适应预测算法主要针对的是。到目前为止已经提出了许多图像数据的背景杂波模型1 。而对于背景的预测算法，典型的有Reed等人提出的局域均值估计算法 2 ， Le

2、onov 的非参数空域滤波3 和 Soni 的 TDLMS4等。 然而， 这些线性预测方法对于复杂背景条件则难以达到理想的效果。余农等人5 则提出了采用形态滤波方法对非平稳复杂背景杂波进行跟踪， 取得了不错的效果。 形态滤波是一种由数学形态学发展而来的非线性滤波器，它采用预定义的结构元(StructuringElement , SE)来匹配和抽取感兴趣的结构特征。而形态学开、 闭运算可以分别消除小于结构元的亮斑和暗斑。 感兴趣的目标往往是以亮斑或暗斑的形式出现在图像中， 因此形态学滤波可以得到去掉疑似目标的背景杂波。 现在， 对结构元的自适应设计已经成为形态学中的热点问题6 , 7。Worl?

3、人提出了形态分权神经网络算法 8 优化腐蚀和膨胀运算的结构元，而余农则构建了形态开、 闭运算的神经网络模型。 本文提出一种有效的背景杂波预测的神经网络， 用于增强图像数据中的弱小目标检测。图像基本模型在进行计算机仿真时采用了红外目标信号模型6 。该模型假设目标灰度分布为二维高斯函数，其形式如下：其中，mwO（r2w分别为感兴趣目标邻域窗口内的杂波均值和方差，QS则为目标有效能量区域。由式（2）可知，若能准确估计背景分量B（ x,y） ，并从原始图像中将其去除，则可获得信号加高斯白噪声（SPGWWN模型。背景杂波预测的形态滤波器基本的形态学运算包括膨胀、 腐蚀、 开和闭。 在实际应用中，开运算通

4、常用于去除相对于结构元尺寸较小的明亮细节； 而闭运算则用来消除相对机构元尺寸较小的较暗细节。 由此， 就可利用开、 闭运算去除原始图像中小于预设结构元大小的亮目标和暗目标， 从而得到理想的背景估计结果。 而在估计背景与原始图像差分后， 目标能量能够在输出数据中得到充分保留。 四种灰度形态学基本运算定义为形态神经网络模型很明显，固定的SE无法适用于不同的图像数据，因此余农等人9提出了一种三层前馈 BP网络对SE的权值进行优化。然而， 遗憾的是其存在两个明显的缺陷： 网络的训练样本是从整幅图像中抽取的， 这会导致算法对包含不同子结构的杂波跟踪性能降低；而且用于计算输出层节点的输入层数据超出了 SE

5、 的滤波窗范围， 造成网络模型不完善。 本文将通过下述方法解决这两个 问题。仿真实验与性能评价选取一幅实际拍摄的红外地面背景图像(图5 (a),尺寸为240X 240。在其上不同的20个位置(图5中白框中心)上 加入点源目标，其空域扩展度(rx=(ry=0.5,记录各目标的输入LSBR设置子块大小为60X 60,学习本数L=20,学习常数 刀=0.2 o采用TDLMS4,传统形态滤波9以及本文算法分别对 背景杂波进行估计和抑制。统计残留数据中的输出LSBR由此获得LSBR增益：LSBR曾益=输出LSBR输入LSBR(20)实验结果(表1)表明，本文所提算法在保留目标、抑制背景能量方面有着最好的

6、性能。由于图像数据的复杂性，仅仅依靠LSBR增益难以真正说明杂波抑制算法的优劣， 还必须通过检测性能的检验。 在经过背景 杂波抑制后， 认为残留图像是信号加高斯白噪声模型10 ， 由此可以采用二元假设检验的方法检测目标点。 为了衡量经各种算法 抑制杂波后检测效果的好坏，通过固定检测概率Pd来比较虚警 概率 Pfa 。 在达到相同 Pd 的情况下， Pfa 越小说明杂波抑制预处理的效果越好。假设杂波去除后子窗口内的噪声灰度分布为N(j(t2),目标信噪比为SNR仿真时设定为最小输出LSBR求出给定Pd时的检测门限Th为其中， erfcinv(?) 是余误差逆函数。检测结果如表2 所示，预设的检测概率Pd=0.95。由表2可看出，在达到最高检测率的 条件下，该算法造成的虚警率远小于其他算法。图 5 (b) (d) 显示了在输入点源目标灰度丫 =18时，采用不同算法抑制杂波后的检测结果，白点为灰度高于 Th 的像素(疑似目标)。(a)加入20个目标的红外图像(b)TDLMS检测结果 形态滤波检测结果 (d) 本文算法结果图 5 红外图像及检测结果结束语本文提出一种更加完善的形态学开闭运算三层前馈BP 网络模型， 用于背景杂波的预测。 传统的神经网络模型通过扩展输入层数据进行了修正， 而且原始图像被首先划