基于特点提取和形态理论的实时自动小目标检测

1、基于特点提取和形态理论的实时自动小目标检测摘要：我们提出了一个实时红外图像的目标检测方法。该方法结合了特点检测技术和形态学理论。基于特点提取技术的本地调频专为突出潜在的目标区域。通过特点提取和与阈值处理得到潜在的目标映射，然后形态学操作用于噪声抑制。实验结果证明该方法用于目标检测是可靠和有效的。1、引言作为自动目标识别（ATR）的基本步骤，利用红外系统的自动目标检测（ATD）技术已经发展到可以估计图像中目标的位置和形状。ATD的主要任务是在杂乱的背景中以较低的误警率检测所需目标。ATD技术有很多种1.例如，传统方法包括形态学小波法2、方向小波法3、形态学法4。Top-Hat5、Max-Mean

2、和Max-Median6都是基于形态学的滤波算法。图像熵和经验模态分解用于sea-sky7背景下目标检测。分形方法被广泛用于红外目标探测8。然而，事实证明分形方法有时是不准确的并且耗费时间。有关于设计用于人造目标的红外特征过滤器的研究。例如，Park将Mexican hat滤波用于红外检测9。此外Weber设计了six Gabor过滤器，其中两个是真正定向Gabor函数来检测物体的高度和宽度，其他四个用于寻找物体10。Sun将区域和边界结合、本地模糊阈值、杂波抑制用于小目标检测11。Deng进一步完善了基于自适应阈值方法的SINM进行小目标检测12。基于块的统计，Bae 用新的重量结构和非线性

3、步长对小目标检测13。视觉显著检测最近很受欢迎14-20。特点提取在许多计算机视觉任务中是一个重要的步骤，视觉任务包括物体的识别，图像分割和自适应压缩。由于它对对象分割有作用，因此视觉注意分析和特点提取也应用于目标检测21,22.当目标较小、背景杂波严重时，检测将变得更加困难。在这项研究中，我们关心的是小目标，其大小是小于1010的。由于红外图像有着大量的背景杂波，使得探测小目标难度更大。昏暗的红外图像目标检测将更加困难，这是因为目标和背景之间的低对比度造成的。准确并且快速的检测目标对自动目标跟踪是很重要的。这里我们提出了一个基于特点检测和形态学理论的实时ATD算法。主要思想是，我们应用特点提

4、取方法提高昏暗目标 ，并利用形态学滤波器抑制背景杂波和噪声。实验结果证明，我们的算法可以准确快速地检测目标。2、数学理论在本节中，我们将回顾形态滤波理论。我们还提出了基于带通理论的特点提取的本地调频方法。2.1、数学形态学 数学形态学已经广泛的应用于图形处理23。令f（X，Y）和B（M，N）分别代表原始图像和一个结构元素，（X，Y）和（m，n）是f和B的像素坐标，腐蚀和膨胀用fB和 表示，其定义如下根据这些操作，一些重要的复合操作，如开、关操作，用fB和fB表示24,252.2 基于显著性提取的本地调频视觉的显著性提取和检测对应用程序来说是有用的，如目标分割和目标识别。那些设计方法中的大多数是

5、使用与他们周围相关的图像区域的对比特征。调频的显著性检测方法 15 制造了带有明确显著目标边界的显著性图像方法。这个方法将强调，特别是图像中最大的显著目标。然而在目标的检测中，所需目标通常很小，因而我们对应用程序改进了这个方法。显著性提取方法起源于带有低频率临界值flow和高频率临界值fhigh的带通滤波器。这个模型结合了两个高斯函数：其中是一个高斯函数，是高斯函数的标准差，flow是由决定的，fhigh与相关。假设原始的红外图像O，对于一个任意像素（x,y），带通结果的差异被定义为显著性图像H的相应值。由于在红外图像中目标很小，算法的应用范围是本地而不是全球范围，如图1 所示。显著性图H，在

6、一个本地的t*t的窗口内计算任意像素 (x，y) 的值，这个窗口在整个图像中逐像素地移动。对于视频数据（图像序列Oi，i=1,2N) 来说，使用3帧来作为时空的本地窗口从O1到Oi+2，第i个帧的显著性图变成图1任意的像素（x,y），在一个本地的t*t的窗口范围内计算的显著性数值，单独的图像和图像序列（视频）。3 我们的检测算法在本节中，介绍了我们的红外目标检测算法。我们的模型主要包括两种技术，形态理论以及第2节所述的基于显著性提取的本地调频。用本地的调频方法提取显著性图像。把形态的操作用于噪声抑制。图 2 显示了整个流程图。图2 目标分割算法3.1 显著性图像和自适应阈值图在红外图像中，一般

7、来说检测到的目标位于较大的中心环绕对比区域内。一个好的显著性提取方法可以很好的显示潜在的目标以获取一个显著图。在本文中，得到的显著图是依据显著性提取方法的本地调频。显著图H由方程（6）确定，方程（7）是一个单独的图像和视频。为了设计自适应阈值图T，我们利用原始图像的信息。我们还对每个像素阈值使用一个t*t的滑动本地窗口。在本地窗口范围内，使用标准化红外图像O的均值m和方差来计算阈值。 其中k1和k2是常量，取决于虚假警报的概率(PFA)。当像素为(x,y)时，在t*t的本地窗口范围内，m和的计算如下。3.2 噪声抑制由于潜在的目标图像可能包含小脉冲噪声，我们引入形态学操作的噪声抑制。执行开放操

8、作来构造潜在目标图，使用直径为R的结构化元素B，把它作为脉冲噪声，我们设R为2。3.3 目标检测根据图2，很容易地得到最后一个分割的结果。例如采取单个图像，目标检测的主要步骤如下：1.由于已知的原始红外图O，计算显著图H和自适应阈值图T，如3.1节中介绍。2.通过运行HT，得到潜在目标图P。 3.使用方程（3），其中直径R=2的结构化元素，对潜在的目标图执行一次开放的操作。4.通过逐像素地乘法和原始图像O得到上一次的分割结果。4 实验的结果和分析4.1 参数的设定首先，我们应该在方程（5）中给出参数。根据注释15的分析，一个好的显著性提取结果应保留一个广泛频率范围的原始红外图像。为了突出显示潜

9、在的目标，我们需要保持低频率，这意味着我们应采取一个低的flow。这个低的flow可帮助一致地突出显示整个目标，不只是一个或两个像素。与此同时，我们需要保存这个目标的细节，图像的高频率应该用一个大的fhigh来保留。对于低频率flow，设1为无穷大，因而Olow (x，y) 等于原始图像的平均像素值，这使得保留除了DC (直流) 组件的所有频率。对于高频率fhigh来说，作为离散的例子，对于小内核的二项式型滤波器很好的接近了高斯。我们还需要要移除高频率的噪音和工件以及考虑计算效率。太小的2会导致保留太多的高频率。r越大，算法的运行越慢。最后，我们采用一个小的高斯内核，其中r=3，2=10。r

10、和2可以略有调整，结果类似。第二，需要为显著图像计算来设定本地窗口t*t的大小。t值通常由所需目标的大小来确定的，正如当t比目标值更大时，我们的算法执行最佳。因为目标的型号比10*10小，所以t应该也小。并且t越小，算法就越有效。因此，在我们的实验中，t=15是默认的选择，可以在不同的情况中调整。最后，需要设置两个参数：常数k1和方程(8)中的k2。k1和k2是常数，取决于PFA（虚假报警的概率）。事实上，选择的k1和k2越大，每个像素的阈值就会越大。如果需要一个较低的PFA，阈值应更大。根据我们的实验，k1=k2=k，k(0，2) 对于应用程序来说是足够的。4.2 目标检测的评估影像传感器是

11、安装在固定架子上的一个红外热视线，工作波长为814um。测试的目标是移动流量。我们在各种条件下收集图像，如不同季节和天气情况，各种方面角度。包含的图像与所需目标的距离大约是2千米到3千米。我们收集三个视频来测试提出方法的性能。在表1中表述了数据信息。第一个数据库主要包含尺寸约为7*7的快速行驶的巴士。这些巴士在两侧有高大树木的公路上行驶。第二个和第三个主要包括在桥上尺寸约为5*5的巴士车流量。在冬季的一个雨天收集数据库1，在夏季的一个阴天得到数据库2。在夏季烟雨蒙蒙的天气中收集了第三个数据库，与数据库2中的情景相似。图3显示了数据库1中的几个帧。图4显示了分割结果包含了对于数据库1的图像所使用

12、图2的算法。表1 目标检测的3个图像数据库可以从原始图像中计算显著图和自适应阈值图。如图4所示，与显著图和自适应阈值图相比较得到潜在的目标图。噪声抑制处理过程中，主要删除背景中干扰的部分。最后，逐像素地相乘得到目标的原始信息。通过受试者操作特征(ROC)曲线来评估ATD的性能。此ROC曲线作为虚假报警概率（PFA）的一个函数来描述检测的概率（PD）。将PD和PFA定义为可以通过优化算法参数来改变PD和PFA，如在我们研究方法中的t、k1和k2。为了显示我们方法的优点，比较了所涉及的七个算法，包括注释57，12-13和21 22。根据目标检测方法，注释21和22 也是显著的。不仅绘制了ROC 曲

13、线，也比较了计算的效率。对于算法6，我们可以用可变的参数k来得到ROC曲线，为确定PFA而设计的。在李的算法5中，使用参数L1、L2和来改变PD和PFA。所有其它的方法也可以给出ROC曲线。图5显示了使用各种目标检测方法得到的ROC曲线。它显示了所提出的方法对于一个任意的PAF有较高的PD。在PFA=0.5时，PD值显示了低虚假报警为0.5时目标检测的概率。在数据库1中，使用注释57,12,13,21,22和提出的方法，对于PFA=0.5，PD的值有0.71,0.31,0.76,0.69,0.72,0.61,0.38 和0.81。在数据库2中，使用是数据库1中同样顺序的测试方法，数据库2中PD

14、值有0.79,0.72,0.65,0.75,0.77,0.79,0.3和0.84。同样的，数据库3 中的PD值有0.67,0.71,0.55,0.56,0.8,0.67,0.11和0.88。事实上，不仅仅是在PFA=0.5时，所提出的方法比其它现存的大多数PFA值的算法具有较高的检测性能。根据这3个数据库，在PFA值相同的情况下，所提出的方法比其它7个方法具有较高的PD值。对于这些图像，我们所提出模型结果的性能最好。此外，根据它们对三个数据库的表现，我们的算法比其他两个更强大。我们在一个个人电脑上用MATLAB R2009b开始我们的实验（2.7 GHz AMD的酷睿2处理器， 4GB内存）。

15、在这三个数据库中每个图像的平均计算时间如表2中所示。在相同PFA的条件下计算时间。从表2可以看出，所提出的具有t 15的算法运行的要比任何其它方法都快。 根据ROC曲线和效率的比较，所提出的算法性能比其他七种方法好。表2 对于三个数据库的平均计算时间 单位：秒4.3 参数的分析由于在我们的方法中可以通过调整算法参数t，k1和k2来改变PD和PFA，我们需要分析这些参数在性能方面的影响。事实上，t值对检测性能有很大的影响，尤其是对显着性提取。我们尝试了一个带有两个目标的图像，正如图6所示，在原始图像中，目标的大小约为28*28。随着t的变化，所提取的显著图如图6所示。根据图6所示的分析结果，当t

16、比目标大的时候，目标就会很好的突出。图6 t变化时的显著提取结果：（a）原始图像（b）调频方法的显著图像15 (c)-(f)我们方法的显著图像接下来，我们对证明检测的结果如何受t和常数k1、k2的影响提供更多的分析。在第4.1节中，K1=K2=K，K（0，2）。如图7所示，k1在0和2之间变化。同时，由于目标的大小为5*5或者7*7，局部窗口大小t为3，5， 7，9，15和25。图7a -c表示当t不同时，数据库1、数据库2、数据库3中PD和PFA与k的曲线。无论t是大还是小，随着k的增长，PFA便迅速减小。当t小的时候，PD随着k的增加而迅速下降。然而如果t较大时， PD会随着k的增加而缓慢

17、减少。根据图7 的结果，t越大，PD会随着相同的PFA变得更高。但是，大的窗口t会导致低效率。因此，应该平衡不同应用中的检测能力和效率。对于在不同环境中收集的图像，需要稍微调整K和t以便得到一个好的结果。在我们的实验中，我们对于小目标探测通常设置t= 15来作为默认的选择。图7 随着窗口大小t的不同，检测性能方面常量k的影响，（a）数据库1中对于k值的PD和PFA，（b）数据库2中对于k值的PD和PFA，（c）数据库3中对于k值的PD和PFA4.4 所提出的显着性提取方法优点首先，我们将证明对于红外目标提取使用频率的物理性。在红外的非点目标检测中，目标的位置和形状应该都能检测到。为了找到目标的

18、位置，我们应该尝试检测目标在哪儿。并且整个目标区域应强调用于检测目标的形状。目标区域通常在红外图像中有大的中心环绕对比。在本文中，引入调频的想法是为了诱导使用亮度特性来估计中心环绕对比。认为大的估计中心环绕对比位置是目标位置，如图8-11所示。因此，在物理学中，目标可以位于带有基于频率观点的位置。图8 显著图：（a）原始图像 （b）AC14，（c）CA16，（e）SR17,(f)MZ18，（g）GB19. (h) VSSR20,(i) 我们的图像图9 显著图 (a)原始图像 (b)AC14, (c)FT15, (d) CA16, (e) SR17, (f)MZ18, (g) GB19, (h)

19、 VSSR20, (i) 我们的图像图10 显著图 (a) 原始图像, (b)AC14, (c)FT15, (d) CA16, (e) SR17, (f)MZ18, (g) GB19, (h) VSSR20, (i) 我们的图像图11 显著图. (a) original image, (b)AC14, (c)FT15, (d) CA16, (e) SR17, (f)MZ18, (g) GB19, (h) VSSR20, (i) 我们的图像在红外目标检测中，应该检测整个目标区域。正如我们在4.1节中分析的，一个好的显着性提取结果应保留大范围的频率，并且保持较低的频率将有助于突出整个目标的一致性，

20、不仅仅是一个或两个像素。在本文中，不仅通过保留更多的频率内容来保存目标的边界，通过从原始的图像保持低的频率内容，整个目标区域也能被均匀地突出显示。这就是为什么我们的基于频率方法可以很好地提取目标，如图8-11所示。因此，在物理学中，可以为目标检测突出显示整个目标区域。通常是为显著性提取来使用区域的对比度，亮度等特性。在这里，把我们的方法同国家的最先进七个显着性算法作比较，列于表3 。在表3中，对显著性的功能或灵感进行了简要总结。表3 对于显著性检测的不同功能或灵感为了分析算法的准确度，效率和鲁棒性，我们尝试4个具有不同目标大小和形状的红外图像。如图8-11所示。算法的效率示见表4所示。表4 显

21、著性提取的效率 单位：秒图8（a）包含两个小的目标和背景明亮的物体，如屋顶。根据结果，SR，GB和VSSR不突出的目标。而FT和CA的显着性图显示它们已经加强了双方的目标和背景。AC，MZ和我们的方法可以使目标达到最亮。从表4中可以看出，AC和MZ的运行比我们的方法要慢得多。图9（a）还包含两个小目标和背景明亮的物体。SR，GB和VSSR不能很好的突出目标。AC，FT和CA可以提升目标以及背景对象。只有MZ和我们的方法可以使目标显著。然而，根据表4，我们的算法运行速度比MZ更快。图10（a）也只包含一个小目标，并且没有回到地面明亮的物体。MZ和VSSR不能很好突出的目标。FT和GB突出目标以及

22、背景对象。使用AC，CA，SR和我们的算法，可以使这些小目标得以增强。AC和我们的方法效果最好。对于效率而言，我们的显着性提取比AC.好得多。图11（a）中还包含两个目标和背景明亮的物体。这两个目标比上述三种图像大得多，因此算法应该给了整个形状。从显着性检测结果来看，MZ和GB没有很好地突出目标。FT增强了目标以及回到地面的物体。AC，CA，SR，VSSR和我们的方法使目标显著。然而，CA，SR和VSSR不能给出目标的整体形状。此外，根据表4，我们的算法运行速度比AC更快。图12显示了对于图8-11的带有手动分割的地面实况。为了与地面实测来比较实际尺寸，并使用完整的对象，以获得定量的指标，引入

23、文献26介绍的结构相似度指数（SSIM）。SSIM广泛用于全参考图像质量评估，它由三部分组成，包括亮度I，对比度c和结构s。假设参考图像A和测试的图像B，定义SSIM为图12 对于图8-11的带有手动分割的地面实况其中，是平均强度和标准偏差，局部的计算SSIM指数。因此，SSIM是一个矩阵。人们通常使用SSIM（MSSIM）的平均值作为最后的度量。MSSIM越大，测试的图像和参考的图像越相似。在我们的应用程序中，认为在图12中的四个图像作为参考的图像，并将显著性提取结果视为测试的图像。根据图8-12和表4的结果，我们设置了精确度，效率和鲁棒性的等级，见表5。 表5 精确度、效率和鲁棒性的等级使

24、用该MSSIM值进行精确度的测量。MSSIM越大，算法越准确。认为处理时间最快的是 方法1，然后将表4中的耗费时间进行归一化以形成效率指数。效率指数越大，方法运行的越慢。当MSSIM 0.5时，我们认为这个方法执行准确。使用满足这个条件的图像数目进行评估鲁棒性。数目越大，这个方式执行的越强大。最后，不同的显着性提取方法的性能见表6。表6 不同显著性提取方法的性能从表6中可以发现我们的基于局部频率显着性检测方法执行最佳精度，效率和鲁棒性。因此，这种基于频率的方法在红外目标检测中可以执行的极好。4.5 相关的文献和我们方法的更多讨论参考文献21,22是两个类似的应用。我们会特别分析在我们的方法和这两种典型方法之间存在的差异。首先，显着性提取的理论和建设是不同的。在文献21中，Seo的显着图的设计具有自相似性，这是在一个标量图中局部的功能结果之间的测量，在这