一种利用样本特征学习分类的红外弱小目标检测方法技术

本发明专利技术一种利用样本特征学习分类的红外弱小目标检测方法：设含有目标的区域为正样本，背景区域为负样本，且已从实际红外图像中获得足够多带标签的正负样本。首先，从灰度分布、边缘、信息熵和能量四方面对样本分析，提取出拟合残差、中心周围对比度、边缘拟合圆半径、边缘拟合圆圆心偏移量、边缘拟合圆圆心距方差、基准信息熵对比度和纹理能量对比度7个特征；然后，通过包裹式选择、前向搜索方式，将受试者工作特性曲线下方的面积作为评价指标，从所有特征中选出最优特征子集；随后，提取正负样本的最优特征子集训练支持向量机分类器，进行监督学习；最后，通过对图像进行高帽变换预处理得到候选目标，并通过分类器甄别筛选得到最终检测结果。

【技术实现步骤摘要】
(一)
本专利技术涉及一种利用样本特征学习分类的红外弱小目标检测方法，属于数字图像处理领域，主要涉及数学形态学和机器学习。在各类基于图像的应用系统中有广阔的应用前景。(二)
技术介绍
红外预警系统通过被动接受热辐射来检测可疑目标，其中弱小目标检测一直是一个关键环节，如果可以尽早发现目标，就可以提前采取应对措施，争取到更多的准备时间，对于制导系统而言，在目标距离成像系统较远的时候就可以进行捕获与追踪。由于红外场景大多比较复杂，存在着噪声和边缘等诸多干扰，因此极易造成虚警率过高。研究者提出了很多方法进行小目标检测。基于最大-中值滤波和最大-均值滤波的方法(参见文献：迪什潘德孟等.用于小目标检测的最大-中值和最大-均值滤波器，国际光学工程学会光学科学、工程和仪器国际研讨会论文集，1999:74-83.(Deshpande S D,Meng H E,Venkateswarlu R,et al.Max-mean and max-median filters for detection of small targets[C]//SPIE's International Symposium on Optical Science,Engineering,and Instrumentation.International Society for Optics and Photonics,1999:74-83.))通过当前的图像邻域进行选择和排序来代替中心像素得到背景预测图，但对于复杂噪声较为敏感造成虚警过高。基于核的方法(参见文献：列昂诺夫.用于移除杂波的非参数方法，美国电气电子工程师学会宇航和电子系统汇刊，2001,37(3):832-848.(Leonov S.Nonparametric methods for clutter removal[J].IEEE Transactions on Aerospace and Electronic Systems,2001,37(3):832-848.))是一种非参数的抑制杂波、目标增强方法，该方法很大程度上取决于通过图像数据建立的数学模型和真实背景杂波数学模型是否一致，当杂波变化时，该方法的效果会受到影响。一些自适应滤波器(参见文献：哈霍德等.二维自适应最小均方差算法，美国电气电子工程师学会电路与系统汇刊，1988,35(5):485-494.(Hadhoud M M,Thomas D W.The two-dimensional adaptive LMS(TDLMS)algorithm[J].IEEE Transactions on Circuits and Systems,1988,35(5):485-494.))可以通过预测值与期望值之间的误差，自动地调整滤波器参数，但要求背景统计特征缓慢变化，这在很多情况下难以实现。基于人眼视觉的检测方法(参见文献：董夏斌等.受人眼视觉系统启发的红外弱小目标检测与跟踪方法，红外物理与技术，2014,62:100-109.(Dong X,Huang X,Zheng Y,et al.Infrared dim and small target detecting and tracking method inspired by human visual system[J].Infrared Physics&Technology,2014,62:100-109.))使用DoG进行显著性检测，但简单的通过中心与周围加权对比无法有效地区分目标与背景，使得对边缘区域比较敏感，造成误检过多。一些基于特征分类的方法通过对目标和背景进行多个特征提取从而建立起完备全面的描述准则，但一些常见的特征如标准差、频域能量等(参见文献：金善国.用于红外搜索和追踪的红外小目标特征及基于学习的误检移除分析，模式分析及应用，2014,17(4):883-900.(Kim S.Analysis of small infrared target features and learning-based false detection removal for infrared search and track[J].Pattern Analysis and Applications,2014,17(4):883-900.))描述能力有限，在干扰背景杂波中容易与正确目标混淆从而无法区分目标和背景。大多数检测算法只通过一种度量对目标和背景进行检测区分，但在大多数情况下即使考虑了边缘等干扰，也无法保证描述足够全面，复杂环境下总会有各种各样的背景杂波影响检测。为了全面清晰的描述并区分目标和背景，提高检测能力，本专利技术提出了一种利用样本特征学习分类的红外弱小目标检测方法。(三)
技术实现思路
1、目的：弱小目标检测是红外预警系统中的重要环节，但现有的检测方法并不能非常有效地检测目标。传统的各类算法在追求理想检测率的同时，可能会由于复杂环境下的边缘或噪声干扰使得虚警过高。为了解决上述问题并弥补传统方法的不足，本专利技术提供了一种利用样本特征学习分类的红外弱小目标检测方法，它从灰度空间分布、边缘、信息熵和纹理能量出发，充分考虑目标和背景的区别，提取了共7个特征，建立全面清晰的描述特征向量，并通过特征选择环节选出最优特征子集。红外的弱小目标通常难以用一个步骤就完全正确检测出来，因此本专利技术通过提取大量正负样本的特征训练分类器，并通过高帽变换预处理把检测问题转为后续分类问题，对候选目标进行精密筛选以达到理想的检测结果。2、技术方案：为了实现这个目的，本专利技术的技术方案如下，首先，从灰度分布、边缘、信息熵和能量四个方面对样本进行分析，提取出拟合残差、中心周围对比度、边缘拟合圆半径、边缘拟合圆圆心偏移量、边缘拟合圆圆心距方差、基准信息熵对比度和纹理能量对比度共7个特征；然后，通过包裹式选择、前向搜索的方式，将受试者工作特性曲线下方的面积作为评价指标，从所有特征中选出最优特征子集；随后，提取正负样本的最优特征子集训练支持向量机分类器，进行监督学习；最后，通过对图像进行高帽变换预处理得到候选目标，并通过分类器进行甄别筛选得到最终检测结果。本专利技术涉及一种利用样本特征学习分类的红外弱小目标检测方法，该方法具体步骤如下：设含有目标的区域为正样本，背景区域为负样本，并且已经从实际红外图像中获得足够多带标签的正负样本：步骤一：从灰度分布、边缘、信息熵和纹理能量4个方面提取样本的7维特征向量，这7维特征分别计算如下：(Ⅰ)拟合残差首先把样本分为中心区域和周围区域，将灰度分布看作是由式(1)表示的二元二次函数曲面，像素坐标为(x,y)，z(x,y)为当前坐标下的灰度值，然后利用周围像素进行加权最小二乘法拟合，待拟合参数如式(2)所示，损失函数由式(3)给出，解得拟合参数最优解如式(4)所示。z(x,y)＝ax2+by2+cxy+dx+ey+f (1)θ＝(a,b,c,d,e,f)T (2)L(θ)＝(Xθ-Y)TW(Xθ-Y) (3) θ ^ = ( X T 本文档来自技高网...

【技术保护点】
一种利用样本特征学习分类的红外弱小目标检测方法，其特征在于：该方法具体步骤如下：设含有目标的区域为正样本，背景区域为负样本，并且已经从实际红外图像中获得足够多带标签的正负样本：步骤一：从灰度分布、边缘、信息熵和纹理能量4个方面提取样本的7维特征向量，这7维特征分别计算如下：(Ⅰ)拟合残差首先把样本分为中心区域和周围区域，将灰度分布看作是由式(1)表示的二元二次函数曲面，像素坐标为(x，y)，z(x，y)为当前坐标下的灰度值，然后利用周围像素进行加权最小二乘法拟合，待拟合参数如式(2)所示，损失函数由式(3)给出，解得拟合参数最优解如式(4)所示：z(x，y)＝ax2+by2+cxy+dx+ey+f                  (1)θ＝(a，b，c，d，e，f)T                          (2)L(θ)＝(Xθ‑Y)TW(Xθ‑Y)                       (3)θ^=(XTWX)-1(XTWY)---(4)]]>其中式(3)权重矩阵如式(5)所示，由各像素到区域中点的距离决定，X如式(6)所示，为各像素坐标参数的n×6矩阵，Y如式(7)所示，为各像素的灰度值，n表示参与拟合运算的像素数；X=x12y12x1y1x1y11x22y22x2y2x2y21..................xn2yn2xnynxnyn1---(6)]]>Y＝(gray(x1，y1)，gray(x2，y2)，…gray(xn，yn))T               (7)设拟合出的像素值为将拟合出的中心区域与实际的中心区域值相减，除以中心区域像素数取平均，就得到了拟合残差特征r，如式(8)所示，其中m表示中心区域像素数；同时为了保证该特征的多尺度检测能力，设rs为当前尺度下的拟合残差结果，则最终结果由式(9)给出；r=Σj=1m(z(xj,yj)-z^(xj,yj))m---(8)]]>residual＝max(rs)，s＝1,2,…                (9)(Ⅱ)中心周围对比度首先将输入区域其分为中心区域与周围区域，中心区域的范围可以稍大，保证周围区域不会包含目标从而影响后续计算，同时可以使得该特征具有多尺度检测能力；选取中心区域的最大灰度值作为中心值，为了度量中心与周围的对比度同时不受背景杂波干扰，将周围区域按照方向分为8个区域S1～S8，分别计算每个区域中的所有像素与中心值像素的差，最后取平均作为每个区域的对比度，将8个方向的对比度中最小的作为最后的测量结果：C＝min(Ci)，i＝1,2…8                 (10)其中Ci表示第i个方向区域的对比度值，计算如下：Ci=Σj=1n(CV-Si(j)n---(11)]]>其中Si表示第i个区域，n表示第i个区域的像素个数，CV表示该区域的中心值；(Ⅲ)边缘拟合圆半径目标区域的边缘会出现因为目标突起形成一个近似的圆形，而背景边缘杂乱无章，不具有规律性，首先对区域进行高帽变换进行背景抑制，提取Canny边缘后选择中心的主边缘进行圆的拟合，待拟合参数为式(12)中的半径和圆心坐标，计算方法同样采用最小二乘；R2＝(x‑A)2+(y‑B)2                   (12)将拟合圆的半径作为一个特征；(Ⅳ)边缘拟合圆圆心偏移量求拟合圆的圆心坐标与区域中心的距离，记为偏移量，作为特征；(Ⅴ)边缘拟合圆圆心距方差将每个参与运算的边缘点求其与拟合圆心的距离，得到一系列的圆心距，计算其方差作为特征；(Ⅵ)基准信息熵对比度将输入区域分为中心、周围区域以及介于它们之间的边界，为了减小周围复杂灰度的干扰影响，求边界区域的均值作为基准值，将每个灰度级与基准值相减作为调节系数，在计算信息熵时相乘，如式(13)所示；E=-Σi=1lpilog2pi(Ii-Ibase)/n---(13)]]>最后的对比度EC用中心值减去周围值得到，同样可以在多尺度下进行，选取最大的作为最后输出；ΔE＝Ecenter‑Esurround                   (14)EC＝max(ΔEs)，s＝1,2,…                 (15)(Ⅶ)纹理能量对比度利用灰度共生矩阵得到区域的纹理信息，提取4个方向的能量度量ASM，为了弱化边缘等干扰影响，定义对比度如式(16)所示，同样在多尺度下进行，选取最大的作为最后输出；Cs=1-ASMcenter1-ASMtotal---(16)]]>C＝max(Cs)，s＝1,2,…                    (17)至此提取完所有7个特征；步骤二：通过包裹式选择、前向搜索的方式，从所有特征中选出最优特征子集；首先将每个特征进行评价，按...

【技术特征摘要】
1.一种利用样本特征学习分类的红外弱小目标检测方法，其特征在于：该方法具体步骤如下：设含有目标的区域为正样本，背景区域为负样本，并且已经从实际红外图像中获得足够多带标签的正负样本：步骤一：从灰度分布、边缘、信息熵和纹理能量4个方面提取样本的7维特征向量，这7维特征分别计算如下：(Ⅰ)拟合残差首先把样本分为中心区域和周围区域，将灰度分布看作是由式(1)表示的二元二次函数曲面，像素坐标为(x，y)，z(x，y)为当前坐标下的灰度值，然后利用周围像素进行加权最小二乘法拟合，待拟合参数如式(2)所示，损失函数由式(3)给出，解得拟合参数最优解如式(4)所示：z(x，y)＝ax2+by2+cxy+dx+ey+f (1)θ＝(a，b，c，d，e，f)T (2)L(θ)＝(Xθ-Y)TW(Xθ-Y) (3) θ ^ = ( X T WX ) - 1 ( X T WY ) - - - ( 4 ) ]]>其中式(3)权重矩阵如式(5)所示，由各像素到区域中点的距离决定，X如式(6)所示，为各像素坐标参数的n×6矩阵，Y如式(7)所示，为各像素的灰度值，n表示参与拟合运算的像素数； X = x 1 2 y 1 2 x 1 y 1 x 1 y 1 1 x 2 2 y 2 2 x 2 y 2 x 2 y 2 1 . . . . . . . . . . . . . . . . . . x n 2 y n 2 x n y n x n ...

【专利技术属性】
技术研发人员：白相志，毕研广，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11