国产精品1024永久观看,大尺度欧美暖暖视频在线观看,亚洲宅男精品一区在线观看,欧美日韩一区二区三区视频,2021中文字幕在线观看

  • <option id="fbvk0"></option>
    1. <rt id="fbvk0"><tr id="fbvk0"></tr></rt>
      <center id="fbvk0"><optgroup id="fbvk0"></optgroup></center>
      <center id="fbvk0"></center>

      <li id="fbvk0"><abbr id="fbvk0"><dl id="fbvk0"></dl></abbr></li>

      基于超完備稀疏表示的紅外小目標(biāo)檢測(cè)方法

      文檔序號(hào):6606228閱讀:433來源:國(guó)知局
      專利名稱:基于超完備稀疏表示的紅外小目標(biāo)檢測(cè)方法
      技術(shù)領(lǐng)域
      本發(fā)明涉及的是一種圖像處理技術(shù)領(lǐng)域的方法,具體是一種基于超完備稀疏表示 的紅外小目標(biāo)檢測(cè)方法。
      背景技術(shù)
      隨著紅外探測(cè)技術(shù)和紅外傳感器件的快速發(fā)展,該技術(shù)在紅外天文觀測(cè)、紅外遙 感、紅外安全檢測(cè)、以及紅外醫(yī)療成像等領(lǐng)域的應(yīng)用迅速擴(kuò)展。從上個(gè)世紀(jì)九十年代起,紅 外成像技術(shù)就被用來輔助各種環(huán)境下的搜救工作,紅外成像利用的是目標(biāo)的輻射能量,因 其具有穿透煙霧、云層、雨雪等的能力,抗干擾能力強(qiáng),可夜間工作,所以目前在交通和安全 領(lǐng)域,紅外弱小目標(biāo)的檢測(cè)和跟蹤技術(shù)受到了越來越多的關(guān)注。然而,由于紅外傳感器受到 大氣,海面輻射和作用距離以及探測(cè)器噪聲等因素影響,使得遠(yuǎn)距離的目標(biāo)在紅外圖像上 尺寸較小,甚至呈現(xiàn)點(diǎn)狀,沒有明顯的紋理和結(jié)構(gòu)特征。此外,圖像的信噪比較低,加上背景 通常情況下比較復(fù)雜,目標(biāo)很容易被噪聲和背景雜波所淹沒,使得紅外小目標(biāo)的檢測(cè)變得 更加困難。目前基于單幀的紅外小目標(biāo)檢測(cè)方法主要分為兩類基于圖像濾波的檢測(cè)方法和 基于機(jī)器學(xué)習(xí)的檢測(cè)方法?;趫D像濾波的檢測(cè)方法的基本思想是首先對(duì)紅外圖像的背 景起伏分量進(jìn)行估計(jì),即背景估計(jì),然后將原始圖像與背景起伏分量相減,以得到包含目標(biāo) 成分和噪聲成分的圖像,接著通過閾值處理或其他方法得到目標(biāo)的位置。具體方法包括二 維最小均方濾波、空域高通濾波、空域匹配濾波、中值濾波、形態(tài)學(xué)濾波、非線性濾波、以及 基于小波變換的濾波等。這些方法相互間的區(qū)別僅在于背景估計(jì)部分所采用方法的不同, 因此它們又被稱為基于背景估計(jì)的檢測(cè)方法?;跈C(jī)器學(xué)習(xí)的目標(biāo)檢測(cè)方法將目標(biāo)檢測(cè)問 題轉(zhuǎn)化為模式分類問題,該類方法不需要對(duì)紅外圖像進(jìn)行預(yù)處理,其基本思想是首先根據(jù) 紅外目標(biāo)特性構(gòu)造目標(biāo)樣本庫(kù)和背景樣本庫(kù),接著通過具體的學(xué)習(xí)方法對(duì)目標(biāo)模型和背景 模型進(jìn)行訓(xùn)練,最后利用得到的目標(biāo)模型和背景模型對(duì)輸入的測(cè)試圖像進(jìn)行分類判別,即 分塊提取輸入圖像的子圖像,然后根據(jù)判別規(guī)則直接判別該子圖像塊為背景圖像還是含有 目標(biāo)的圖像。隨著機(jī)器學(xué)習(xí)和模式識(shí)別技術(shù)的快速發(fā)展,該類方法越來越受到人們的關(guān)注 和重視。經(jīng)對(duì)現(xiàn)有文獻(xiàn)檢索發(fā)現(xiàn),劉瑞明在2009年用PCA (主成分分析)和KPCA (核主成分 分析)來檢測(cè)紅夕卜小目標(biāo)(Ruiming Liu. "Eigentargets Versus Kernel Eigentargets Detection ofInfrared Point Targets Using Linear and Nonlinear Subspace Algorithms (特征目標(biāo)和核特征目標(biāo)基于線性和非線性子空間的紅外點(diǎn)目標(biāo)檢測(cè)方 法)”,Infrared Milli Terahz Waves30 :278_293.),該方法通過對(duì)大量的樣本進(jìn)行訓(xùn)練, 利用最終得到的目標(biāo)模型,將目標(biāo)檢測(cè)問題轉(zhuǎn)化為模式分類問題,但對(duì)目標(biāo)模型的學(xué)習(xí)過 程使得該方法變得十分復(fù)雜,實(shí)用性不強(qiáng)。

      發(fā)明內(nèi)容
      本發(fā)明的目的在于克服現(xiàn)有技術(shù)的上述不足,提供一種基于超完備稀疏表示的紅 外小目標(biāo)檢測(cè)方法。本發(fā)明通過二維高斯模型來生成紅外小目標(biāo)樣本,繼而構(gòu)造紅外目標(biāo) 的超完備字典,采用基追蹤方法來求解子圖像塊在超完備字典中的表示系數(shù),最終根據(jù)目 標(biāo)和背景的表示系數(shù)的稀疏程度顯著不同來完成目標(biāo)檢測(cè)的任務(wù),該方法不需要對(duì)目標(biāo)模 型進(jìn)行訓(xùn)練,不需要任何背景先驗(yàn)知識(shí),具有更強(qiáng)的通用性和實(shí)用性。本發(fā)明是通過以下技術(shù)方案實(shí)現(xiàn)的,本發(fā)明包括以下步驟第一步,采用二維高斯模型生成W個(gè)紅外目標(biāo)樣本圖像,進(jìn)而構(gòu)造紅外目標(biāo)超完 備字典。所述的二維高斯模型是以mXm圖像左上角的像素點(diǎn)為原點(diǎn)建立坐標(biāo)系,得到坐 標(biāo)為(i,j)的像素點(diǎn)的像素值I (i,j)為 其中Imax是(X。,y0)處的像素值,O χ為水平散布參數(shù),σ y為垂直散布參數(shù),(X。, Y0)為目標(biāo)的坐標(biāo),所述的構(gòu)造紅外超完備字典,包括以下步驟1)設(shè)定目標(biāo)的坐標(biāo)個(gè)數(shù)為k,通過調(diào)節(jié)Imax、Ox和%三個(gè)參數(shù)生成的樣本個(gè)數(shù)是 q,則得到的紅外目標(biāo)樣本圖像的個(gè)數(shù)為W = kXq ;2)分別將每個(gè)mXm圖像展開為m2 X 1的一維列向量,W個(gè)m2 X 1的一維列向量組 成的矩陣就是紅外目標(biāo)的超完備字典。第二步,將測(cè)試圖像劃分為若干mXm的子圖像,分別對(duì)每個(gè)子圖像進(jìn)行提取表示 系數(shù)處理,得到每個(gè)子圖像在紅外目標(biāo)樣本圖像的超完備字典下的表示系數(shù)。所述的提取表示系數(shù)處理,是min || α || j s. t. || D α -χ || 2 ^ ε ,其中^eiT2是子圖像的向量表示,DeiT2xw^超完備字典,α e Rw是子圖像χ在 超完備字典中的表示系數(shù),s. t.表示約束關(guān)系,ε是誤差,min Il1是I1范數(shù)最小化。第三步,對(duì)表示系數(shù)進(jìn)行指標(biāo)化處理,得到每個(gè)子圖像的稀疏系數(shù)。所述的指標(biāo)化處理,是 其中SI(x)是向量為χ的子圖像的稀疏系數(shù),k為設(shè)定的目標(biāo)坐標(biāo)的個(gè)數(shù),Cii(X) 表示在設(shè)定的第i個(gè)目標(biāo)坐標(biāo)下得到的向量為X的子圖像的表示系數(shù),1 < i ^ k。第四步,當(dāng)子圖像的稀疏系數(shù)大于閾值τ時(shí),則該子圖像內(nèi)存在目標(biāo),從而得到 目標(biāo)的位置。與現(xiàn)有技術(shù)相比,本發(fā)明的有益效果是不需要對(duì)目標(biāo)模型和背景模型進(jìn)行訓(xùn)練,只 需解相關(guān)的線性規(guī)劃問題,實(shí)現(xiàn)起來更加簡(jiǎn)單;利用二維高斯模型來生成目標(biāo)樣本,繼而構(gòu)造 超完備目標(biāo)字典,能夠更加有效地抓住目標(biāo)的內(nèi)在幾何特征,即圖像子塊在該字典下的表示系 數(shù)具有更加顯著的差異性,因此,本方法能夠更好的抑制背景,突出目標(biāo),得到更高的檢測(cè)率。


      圖1是實(shí)施例的測(cè)試圖像及其三維顯示結(jié)果;其中(a)是實(shí)施例的測(cè)試圖像;(b)是實(shí)施例的測(cè)試圖像的三維顯示結(jié)果。圖2是實(shí)施例中子圖像在超完備字典中的表示系數(shù);其中(a)是不含噪聲的目標(biāo)樣本在超完備字典中的表示系數(shù);(b)是圖1(a)中 目標(biāo)4所在的子圖像在超完備字典中的表示系數(shù);(c)是背景子圖像在超完備字典中的表 示系數(shù)。圖3是采用現(xiàn)有技術(shù)方法和本實(shí)施例方法得到的檢測(cè)結(jié)果圖及其三維顯示圖;其中(al)是采用最大均值濾波器得到的檢測(cè)結(jié)果圖;(a2)是圖(al)的三維顯 示圖;(bl)是采用最大中值濾波器得到的檢測(cè)結(jié)果圖;(b2)是圖(bl)的三維顯示圖;(cl) 是采用Top-Hat濾波器得到的檢測(cè)結(jié)果圖;(c2)是圖(cl)的三維顯示圖;(dl)是采用二維 最小均方濾波器得到的檢測(cè)結(jié)果圖;(d2)是圖(dl)的三維顯示圖;(el)是采用主成分分 析方法得到的檢測(cè)結(jié)果圖;(e2)是圖(el)的三維顯示圖;(fl)是采用本實(shí)施例方法得到 的檢測(cè)結(jié)果圖;(f2)是圖(fl)的三維顯示圖。圖4是實(shí)施例中不同的虛警概率下采用不同的檢測(cè)方法得到的ROC (Receiver operatingcharacteristic,觀察者操作特性)曲線示意圖。
      具體實(shí)施例方式下面結(jié)合附圖對(duì)本發(fā)明的實(shí)施例作詳細(xì)說明本實(shí)施例在以本發(fā)明技術(shù)方案為前 提下進(jìn)行實(shí)施,給出了詳細(xì)的實(shí)施方式和具體的操作過程,但本發(fā)明的保護(hù)范圍不限于下 述的實(shí)施例。實(shí)施例本實(shí)施例對(duì)圖1(a)所示的含有10個(gè)小目標(biāo)的測(cè)試圖像進(jìn)行檢測(cè),圖1(b)為圖 1(a)所示的測(cè)試圖像的三維顯示結(jié)果,包括以下步驟第一步,采用二維高斯模型生成1476個(gè)紅外目標(biāo)樣本圖像,進(jìn)而構(gòu)造紅外目標(biāo)超 完備字典。所述的二維高斯模型是以16X16圖像左上角的像素點(diǎn)為原點(diǎn)建立坐標(biāo)系,得到 坐標(biāo)為(i,j)的像素點(diǎn)的像素值I (i,j)為 其中Imax是(Χ。,y0)處的像素值,σ χ為水平散布參數(shù),σ y為垂直散布參數(shù),(X。, Y0)為目標(biāo)的坐標(biāo),所述的構(gòu)造紅外超完備字典,包括以下步驟1)設(shè)定目標(biāo)的坐標(biāo)個(gè)數(shù)為36,通過調(diào)節(jié)Imax、0;£和%三個(gè)參數(shù)生成的樣本個(gè)數(shù) 是41,則紅外目標(biāo)樣本圖像的個(gè)數(shù)為W= 36X41 = 1476 ;2)分別將每個(gè)16 X 16圖像展開為256 X 1的一維列向量,1476個(gè)256 X 1的一維 列向量組成的256X1476維矩陣就是紅外目標(biāo)的超完備字典。第二步,采用一個(gè)16X16的正方形滑動(dòng)窗口,依照從上至下、從左至右的順序逐 像素地提取測(cè)試圖像的子圖像塊,并將每個(gè)子圖像塊展開成256維的列向量,分別對(duì)每個(gè)子圖像進(jìn)行提取表示系數(shù)處理,得到每個(gè)子圖像在紅外目標(biāo)樣本圖像的超完備字典下的表 示系數(shù)。圖像塊在超完備字典中的表示系數(shù)可以通過以下優(yōu)化問題來求解min Il α || 0 s. t. χ = D α(1)其中Χ是輸入的子圖像塊的向量表示,D是紅外小目標(biāo)超完備字典,α為圖像塊 χ在超完備字典中的表示系數(shù)。由于字典是超完備的,所以α非唯一,壓縮傳感理論表明
      當(dāng)W, 時(shí),χ在字典D中的稀疏表示α GRn就是唯一的,σ為D列向量線性無關(guān)的最
      小值。公式⑴是一個(gè)NP問題,可用I1范數(shù)來替代Itl范數(shù),這樣就將公式⑴從一個(gè)非凸 問題轉(zhuǎn)變成了凸優(yōu)化問題min Il α || 丄 s. t. χ = D α(2)在紅外小目標(biāo)檢測(cè)問題中,輸入的測(cè)試圖像通常會(huì)含有噪聲和雜波,因此,為了消 除噪聲的干擾,得到更加穩(wěn)定的解,本實(shí)施例所述的提取表示系數(shù)處理,是min Il α || j s. t. || D α -χ || 2 ^ ε ,其中X e R256是子圖像的向量表示,D e R256xi476是超完備字典,α e R1476是子 圖像X在超完備字典中的表示系數(shù),S. t.表示約束關(guān)系,ε是誤差,min Il Il工是I1范數(shù)最 小化。本實(shí)施例中的ε是子圖像塊的標(biāo)準(zhǔn)差。第三步,對(duì)表示系數(shù)進(jìn)行指標(biāo)化處理,得到每個(gè)子圖像的稀疏系數(shù)。所述的指標(biāo)化處理,是 其中SI(x)是向量為χ的子圖像的稀疏系數(shù),k為設(shè)定的目標(biāo)坐標(biāo)的個(gè)數(shù)(k =36),Qi(X)表示在設(shè)定的第i個(gè)目標(biāo)坐標(biāo)下得到的向量為χ的子圖像的表示系數(shù),
      1 ^ i ^ 36 ο第四步,當(dāng)子圖像的稀疏系數(shù)大于閾值τ時(shí),則該子圖像內(nèi)存在目標(biāo),從而得到 目標(biāo)的位置。所述的閾值τ e (0,1)。圖2是不同子圖像在超完備字典中的表示系數(shù),其中圖2(a)是不含噪聲的目標(biāo) 樣本在超完備字典中的表示系數(shù),圖2(b)是圖1(a)中目標(biāo)4所在的子圖像在超完備字典 中的表示系數(shù),圖2(c)是背景子圖像在超完備字典中的表示系數(shù)。圖2說明子圖像是否包 含目標(biāo),包含目標(biāo)和不包含目標(biāo)在超完備字典中的表示系數(shù)有著顯著的差異,據(jù)此可以輕 易的將目標(biāo)和背景區(qū)分開來。采用Max-Mean (最大均值濾波器)得到的檢測(cè)結(jié)果圖如圖3 (al)所示,三維顯示 圖如圖3(a2)所示;采用Max-Median (最大中值濾波器)得到的檢測(cè)結(jié)果圖如圖3 (bl)所 示,三維顯示圖如圖3 (b2)所示;采用Top-Hat濾波器得到的檢測(cè)結(jié)果圖如圖3 (cl)所示, 三維顯示圖如圖3(c2)所示;采用TDLMS(二維最小均方濾波器)得到的檢測(cè)結(jié)果圖如圖 3(dl)所示,三維顯示圖如圖3(d2)所示;采用PCA(主成分分析方法)得到的檢測(cè)結(jié)果圖 如圖3(el)所示,三維顯示圖如圖3(e2)所示;采用本實(shí)施例方法得到的檢測(cè)結(jié)果圖如圖3(fl)所示,三維顯示圖如圖3(f2)所示。比較上述圖像可知本實(shí)施例方法能更好的抑制 背景,突出目標(biāo),得到更高的檢測(cè)率。圖4給出了在不同的虛警概率下采用不同的檢測(cè)方法得到的檢測(cè)概率,即 ROC (Receiveroperating characteristic,觀察者操作特性)曲線,當(dāng)曲線以下包含的面積 越大,則證明性能越好,通過觀察圖4可知本實(shí)施例方法得到的曲線最接近左上角,曲線 以下面積最大。采用不同檢測(cè)方法得到的信噪比如表1所示,由該表可知本實(shí)施例方法得到的 數(shù)值最大,故再次證明其檢測(cè)效果最好。表 權(quán)利要求
      一種基于超完備稀疏表示的紅外小目標(biāo)檢測(cè)方法,其特征在于,包括以下步驟第一步,采用二維高斯模型生成W個(gè)紅外目標(biāo)樣本圖像,進(jìn)而構(gòu)造紅外目標(biāo)超完備字典;第二步,將測(cè)試圖像劃分為若干m×m的子圖像,分別對(duì)每個(gè)子圖像進(jìn)行提取表示系數(shù)處理,得到每個(gè)子圖像在紅外目標(biāo)樣本圖像的超完備字典下的表示系數(shù);第三步,對(duì)表示系數(shù)進(jìn)行指標(biāo)化處理,得到每個(gè)子圖像的稀疏系數(shù);第四步,當(dāng)子圖像的稀疏系數(shù)大于閾值τ時(shí),則該子圖像內(nèi)存在目標(biāo),從而得到目標(biāo)的位置。
      2.根據(jù)權(quán)利要求1所述的基于超完備稀疏表示的紅外小目標(biāo)檢測(cè)方法,其特征是,第 一步中所述的二維高斯模型是以mXm圖像左上角的像素點(diǎn)為原點(diǎn)建立坐標(biāo)系,得到坐標(biāo) 為(i,j)的像素點(diǎn)的像素值I (i,j)為 其中是(x。,y。)處的像素值,ο x為水平散布參數(shù),O y為垂直散布參數(shù),(x。,y。)為 目標(biāo)的坐標(biāo)。
      3.根據(jù)權(quán)利要求1所述的基于超完備稀疏表示的紅外小目標(biāo)檢測(cè)方法,其特征是,第 一步中所述的構(gòu)造紅外超完備字典,包括以下步驟1)設(shè)定目標(biāo)的坐標(biāo)個(gè)數(shù)為k,通過調(diào)節(jié)1_、0;£和Oy三個(gè)參數(shù)生成的樣本個(gè)數(shù)是q, 則得到的紅外目標(biāo)樣本圖像的個(gè)數(shù)為W = kXq ;2)分別將每個(gè)mXm圖像展開為m2Xl的一維列向量,W個(gè)m2Xl的一維列向量組成的 矩陣就是紅外目標(biāo)的超完備字典。
      4.根據(jù)權(quán)利要求1所述的基于超完備稀疏表示的紅外小目標(biāo)檢測(cè)方法,其特征是,第 二步中所述的提取表示系數(shù)處理,是min Il α Il j s. t. || D α -χ || 2 ^ ε ,其中^eiT2是子圖像的向量表示,De兄"2>^是超完備字典,α e Rw是子圖像χ在超完 備字典中的表示系數(shù),s. t.表示約束關(guān)系,ε是誤差,min Il Il工是I1范數(shù)最小化。
      5.根據(jù)權(quán)利要求1所述的基于超完備稀疏表示的紅外小目標(biāo)檢測(cè)方法,其特征是,第三步所述的指標(biāo)化處理,是 其中SI(X)是向量為X的子圖像的稀疏系數(shù),k為設(shè)定的目標(biāo)坐標(biāo)的個(gè)數(shù),CIi(X)表 示在設(shè)定的第i個(gè)目標(biāo)坐標(biāo)下得到的向量為χ的子圖像的表示系數(shù),1 ≤i ≤k。
      全文摘要
      一種圖像處理技術(shù)領(lǐng)域的基于超完備稀疏表示的紅外小目標(biāo)檢測(cè)方法,包括以下步驟采用二維高斯模型生成若干紅外目標(biāo)樣本圖像,進(jìn)而構(gòu)造紅外目標(biāo)超完備字典;將測(cè)試圖像劃分為若干子圖像,分別對(duì)每個(gè)子圖像進(jìn)行提取表示系數(shù)處理,得到每個(gè)子圖像在紅外目標(biāo)樣本圖像的超完備字典下的表示系數(shù);對(duì)表示系數(shù)進(jìn)行指標(biāo)化處理,得到每個(gè)子圖像的稀疏系數(shù);當(dāng)子圖像的稀疏系數(shù)大于閾值τ時(shí),則該子圖像內(nèi)存在目標(biāo),從而得到目標(biāo)的位置。本發(fā)明不需要進(jìn)行訓(xùn)練,實(shí)現(xiàn)起來更加簡(jiǎn)單;能夠更加有效地抓住目標(biāo)的內(nèi)在幾何特征,即圖像子塊在該字典下的表示系數(shù)具有更加顯著的差異性,能夠更好的抑制背景,突出目標(biāo),得到更高的檢測(cè)率。
      文檔編號(hào)G06T7/00GK101882314SQ20101023087
      公開日2010年11月10日 申請(qǐng)日期2010年7月20日 優(yōu)先權(quán)日2010年7月20日
      發(fā)明者唐崢遠(yuǎn), 楊杰, 趙佳佳 申請(qǐng)人:上海交通大學(xué)
      網(wǎng)友詢問留言 已有0條留言
      • 還沒有人留言評(píng)論。精彩留言會(huì)獲得點(diǎn)贊!
      1