形态学滤波器自动目标检测方法技术

一种形态学滤波器自动目标检测方法，首先采集用来优化训练结构元素的训练样本，样本应尽可能包含各种点目标和背景，构造用于优化训练的遗传算法，该遗传算法采用新的区间离散化编码和自适应的主次式交叉与变异算子，利用采集到的样本用该遗传算法优化训练结构元素值，在这些优化好的结构元素的基础上构造基于Ｔｏｐ－Ｈａｔ算子的形态学滤波器，对红外目标图象进行滤波，最后针对所检测的大多数弱小点目标进行基于自适应门限的分割，对信躁比较高的点目标用固定门限进行分割检测出目标点。本发明专利技术实现了对复杂背景情况下的红外弱小点目标进行自动检测，极大提高了目标检测概率和抗干扰能力，在民用及军用方面有着极其广泛的应用前景。（*该技术在2024年保护过期，可自由使用*）

【技术实现步骤摘要】

本专利技术涉及一种用于图像处理
的目标检测方法，具体是一种。
技术介绍
近年来，随着对形态学的研究发展，形态学图象处理这门特殊的图象处理学科逐渐发展成为图象处理的一个主要研究领域，并逐步成为弱小目标检测和识别的有利工具。形态学滤波器可分解为形态学运算和结构元素这两个基本的问题。腐蚀，膨胀，开和闭算子是形态学运算的4种基本算子，对这4个基本算子进行组合可以得出具有不同特性的形态学算子。当形态学运算规则确定后，形态滤波器的最终滤波性能就仅仅取决于结构元的选择，包括结构元素的形状和元素值。选择不同的结构元会导致运算对不同几何结构信息的分析和处理。在以往关于利用形态学算子对红外弱小目标进行检测的研究中，结构元素都是事先确定好了的。因此，这些滤波器仅仅在所对应的某类图像模型中具有较好的滤波性能。然而，通常情况下图像信号极为复杂且处于不断变化之中，这就要求选用的结构元素应具有自适应功能，以实现最优化处理。目前，对于结构元素的优化训练，国内外研究者提出了形态学神经网络和形态学遗传算法两种学习方法。其中，将遗传算法与形态学滤波器相结合，利用遗传算法训练形态学滤波器结构元素以实现最优化处理是近年来国内外学者在红外点目标检测问题中重点研究的一种方法。经对现有技术的文献检索发现，Terebes R等人在《Signal Processing，20026th International Conference on》(Volume1，26-30 Aug.2002.Pages853-857vol.1)(《2002年第6次信号处理国际会议》)上发表的“Adaptive Filtering UsingMorphological Operators and Genetic Algorithms”，(“基于形态学算子和遗传算法的自适应滤波”)该文中提出的遗传算法采用常规的交叉与变异算子，使得其在收敛寻优过程中效率不高。遗传算法是在概率意义上找到全局最优点，所要处理的数据量大，同时，对于作为检测红外弱小点目标的首选，目前对于Top-Hat形态学滤波器结构元素的自适应优化训练研究还较为薄弱。
技术实现思路
本专利技术的目的在于克服现有技术存在的不足，提出一种，使其基于遗传算法优化训练，采用区间离散化编码和自适应的主次式交叉与变异算子的遗传算法，以用来优化训练结构元素，同时，选择Top-Hat高通滤波算子作为形态学滤波器算子，从而有效克服现有遗传算法优化形态学滤波器技术中滤波器最优性能不高，遗传算法收敛时间较长，寻优效率不高等缺点。本专利技术是通过以下技术方案实现的，首先采集用来优化训练结构元素的训练样本，这些样本应尽可能包含各种点目标和背景，构造用于优化训练的遗传算法，该遗传算法采用新的区间离散化编码和自适应的主次式交叉与变异算子，利用采集到的样本用该遗传算法优化训练结构元素值，在这些优化好的结构元素的基础上构造基于Top-Hat算子的形态学滤波器，对红外目标图象进行滤波。最后针对所检测的大多数弱小点目标采用自适应门限进行分割，对信躁比较高的点目标用固定门限进行分割检测出目标点。以下对本专利技术最进一步的说明，包括如下步骤(1)构造用于优化训练的遗传算法具体包括编码，个体适应度计算，交叉和变异这几步。其中，编码方式采取一种新的区间离散化编码，这相当于将个体分量的取值实数范围离散化。然后计算群体中每个染色体的适应函数值，以下文遗传算法STEP3中所示概率用轮盘选择法从群体中随机选取一些染色体构成一个种群，最后通过自适应的主次式交叉与变异运算生成个新的群体。遗传算法是一个群体优化过程，它是由一组初始值(生物群体)出发进行优化。这里，群体是指状态空间的有限点集，用pop表示。所谓优化的过程就是这个群体pop不断繁衍，竞争，遗传和变异的过程。依照生物学术语，将pop中任一有限点集{a1，…，an}称为一个种群，n为该种群的规模。pop中任一点popi=ai(1)ai(2)···ai(D)(1≤i≤n)]]>称为一个个体或染色体，而popi中每一ai(j)(1≤j≤D)称之为基因。遗传算法一般描述如下STEP1选择问题的一个编码；给出一个有N个染色体的初始群体pop(1)，t＝1。STEP2对群体pop(t)中的每个染色体popi(t)计算它的适应值函数fi＝fitness(popi(t))STEP3若停止规则满足，则算法停止；否则，计算概率pi=expΣj=1Nexp,i=1,2,···,N]]>其中{Tk}为渐趋于0的退火温度，且Tk=1/ln,T0=100,k=1,2,···.]]>并以此概率分布从pop(t)中随机选一些染色体构成一个种群newpop(t+1)＝{popj(t)|j＝1，2，…，N}STEP4通过交配，交配概率为Pc，得到一个有N个染色体的crosspop(t+1)。STEP5以一个较小的概率Pm，使得染色体的基因发生变异，形成mutpop(t+1)；令t＝t+1，一个新的群体pop(t)＝mutpop(t)生成；返回STEP2。(2)基于自适应门限的分割门限的确定应针对每个n×n图像单元，采用单帧检测概率，虚警概率及信噪比定门限。自适应门限分割对于弱小点目标的检测是非常有效的，但是对于信噪比较高的点目标却不能很好的检测出来。这是因为随着点目标信噪比的提高，自适应门限增长的速度远远大于点目标经开余运算后值的增长速度。如果降低自适应门限的增长速度使之与目标信噪比的增长速度相适应，又不能有效检测出弱小点目标。为此，本专利技术中针对每个n×n图像单元的均方差给定一阈值，因为信噪比较高的点目标利用固定门限就能很好的将其检测出来，所以高于此阈值的点目标利用固定门限进行分割检测，低于此阈值的弱小点目标利用自适应门限进行分割检测。本专利技术的方法中，形态学算子选用具有高通滤波性的Top-Hat算子，可以有效的提高滤波器对目标点的检测能力和对背景噪声的抑制能力。用于优化训练滤波器的遗传算法采用新的区间离散化编码和自适应的交叉与变异算子，有效克服了以往方法中采用常规编码所带来的优化性能不高，收敛时间较长等缺点，以及提高遗传算法收敛寻优过程中的时效性，从而较大提高形态学滤波器的滤波性能。本专利技术在军事民用两方面有广泛的运用前途，可以为提高我国地空导弹的制导精度、扩大导弹的攻击范围(中远程)奠定基础，同时该技术还有助于提高地面电子支援系统的搜索预警跟踪性能，极大的提高我国的军事装备力量。附图说明图1为本专利技术基于遗传算法优化训练的形态学Top-Hat滤波器原理框2为本专利技术对连续四幅低信噪比图象进行滤波处理后结果对比图。其中，图2(a)，(b)，(c)，(d)为连续的四帧原始图象，图2(e)，(f)，(g)，(h)为运用本专利技术对它们进行滤波后的结果图象。图3为应用本专利技术与基于神经网络优化训练的Top-Hat滤波器分别对同一幅图象中的弱小点目标进行检本文档来自技高网...

【技术保护点】
一种形态学滤波器自动目标检测方法，其特征在于，首先采集用来优化训练结构元素的训练样本，这些样本应尽可能包含各种点目标和背景，构造用于优化训练的遗传算法，该遗传算法采用新的区间离散化编码和自适应的主次式交叉与变异算子，利用采集到的样本用该遗传算法优化训练结构元素值，在这些优化好的结构元素的基础上构造基于Ｔｏｐ－Ｈａｔ算子的形态学滤波器，对红外目标图象进行滤波，最后针对所检测的大多数弱小点目标进行基于自适应门限的分割，对信躁比较高的点目标用固定门限进行分割检测出目标点。

【技术特征摘要】

【专利技术属性】
技术研发人员：李建勋，曾明，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：31[]