• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看

      ?

      基于區(qū)域顯著性與穩(wěn)定性的小目標(biāo)檢測(cè)方法

      2020-07-13 06:36:40吳澤俊趙彤洲
      關(guān)鍵詞:雜波邊緣閾值

      吳澤俊,趙彤洲

      武漢工程大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院,湖北 武漢 430205

      小目標(biāo)檢測(cè)(small target detection,STD)不同于一般視距目標(biāo)檢測(cè)與識(shí)別,其難點(diǎn)是在遠(yuǎn)視角下缺乏豐富的特征信息。STD通常只含有少量的像素點(diǎn),光電儀器工程師協(xié)會(huì)(society of photo-op?tical instrumentation engineers,SPOIE)從成像角度定義STD的空間像素總量小于80像素[1]。STD的研究對(duì)象可以分為斑狀目標(biāo)、小擴(kuò)展目標(biāo)、斑狀目標(biāo)與小擴(kuò)展目標(biāo)的雜波。一般情況下,小目標(biāo)被淹沒(méi)在噪聲和背景雜波中,使小目標(biāo)檢測(cè)更具有挑戰(zhàn)性[2-4]。

      近些年,學(xué)者們專(zhuān)注于研究紅外小目標(biāo)檢測(cè)。由于小目標(biāo)遠(yuǎn)距離成像,時(shí)空信息、背景特征、目標(biāo)與背景之間的聯(lián)系成為STD的研究重點(diǎn)。因此關(guān)于STD的研究策略主要分為4大類(lèi):先檢測(cè)后跟蹤[5]、目標(biāo)增強(qiáng)[6]、背景抑制、前景分離[7]。先檢測(cè)后跟蹤型的方法一般通過(guò)處理多幀圖像來(lái)估計(jì)目標(biāo),這需要大量的先驗(yàn)知識(shí),因而其計(jì)算量較大。前景分離兼具目標(biāo)增強(qiáng)與背景抑制的優(yōu)勢(shì),一般采用對(duì)比方法。受人類(lèi)視覺(jué)機(jī)制的啟發(fā),對(duì)比方法運(yùn)用了小目標(biāo)的局部差異和全局稀缺性特點(diǎn),廣泛應(yīng)用于顯著性檢測(cè)。類(lèi)似于紅外小目標(biāo),彩色小目標(biāo)也具有如下性質(zhì):類(lèi)點(diǎn)狀、低熵、局部一致性、中心環(huán)繞對(duì)比度差異。在理想情況下,可將上述性質(zhì)應(yīng)用于穩(wěn)定性檢測(cè),提取穩(wěn)定性特征。

      在區(qū)域穩(wěn)定性的檢測(cè)方法中,最大穩(wěn)定性極值區(qū)域(maximally stable extremal region,MSER)方法[8]采用相似性度量準(zhǔn)則得出多個(gè)穩(wěn)定閾值檢測(cè)穩(wěn)定性區(qū)域,但其結(jié)果仍然存在很多虛警。關(guān)于區(qū)域顯著性方法中,頻域協(xié)調(diào)(frequency tuned,F(xiàn)T)方法[9]將目標(biāo)顏色全局稀缺性與高斯差分濾波相結(jié)合提取顯著性區(qū)域,但并不是所有的目標(biāo)都具有全局稀缺性,目標(biāo)與背景顏色相仿時(shí)檢測(cè)效果很差。關(guān)于穩(wěn)定性與顯著性相結(jié)合的方法中,區(qū)域顯著性和區(qū)域穩(wěn)定性(regional stability and saliency,RSS)方法[7]優(yōu)于其它單模型方法,但是仍然存在虛警和目標(biāo)丟失[10-11],其明顯的問(wèn)題是無(wú)法檢測(cè)邊緣的小目標(biāo)[12]。受RSS的啟發(fā),本文提出一種基于區(qū)域顯著性與穩(wěn)定性的小目標(biāo)檢測(cè)改進(jìn)方法(regional saliency and stability enhance?ment metrics,RSSEM),該方法可顯著改進(jìn) RSS算法對(duì)邊緣檢測(cè)的不敏感性,并且降低了強(qiáng)雜波的干擾。本文主要工作為:第一,在穩(wěn)定性特征提取階段,針對(duì)候選連通區(qū)域提取過(guò)程導(dǎo)致的邊緣信息缺失問(wèn)題,采用白像素邊界預(yù)處理方法,使邊緣小目標(biāo)信息不丟失;第二,設(shè)定多級(jí)閾值形成二值圖像加快穩(wěn)定特征的提取過(guò)程,并提出增加新的統(tǒng)計(jì)量?jī)?yōu)化RSS中的相似性度量標(biāo)準(zhǔn),提高穩(wěn)定性特征提取精度;第三,集成顯著性特征和穩(wěn)定性特征進(jìn)一步提高小目標(biāo)檢測(cè)效果。

      1 區(qū)域顯著性和穩(wěn)定性方法

      1.1 圖像灰度化的顯著性特征提取方法

      根據(jù)人眼視覺(jué)機(jī)制[13-14],遠(yuǎn)景小目標(biāo)信息量少,之所以能被人眼觀察到,是因?yàn)樾∧繕?biāo)在一定區(qū)域內(nèi)具有顯著性[15]。本文的圖像區(qū)域顯著性特征定義為圖像中每個(gè)像素點(diǎn)在區(qū)域范圍內(nèi)的相對(duì)顯著值。顯著性特征提取過(guò)程見(jiàn)圖1,將彩色圖像輸入后,首先將圖像灰度化,再利用高斯高通濾波提取顯著性特征,最終得到圖像的顯著性圖矩陣MA,顯著性圖的每個(gè)像素值代表了該像素點(diǎn)的和諧度。

      圖1 提取區(qū)域顯著性圖的流程圖Fig.1 Flowchart of extracting regional saliency map

      在RSS[7]中為了便于圖像顯著性特征提取,進(jìn)行了顏色空間轉(zhuǎn)化即將RGB轉(zhuǎn)化為L(zhǎng)AB。而本文直接對(duì)RGB圖像灰度化,該方法在簡(jiǎn)化圖像信息的同時(shí)保留了圖像的顯著性特征,其顯著性特征提取結(jié)果能達(dá)到與RSS方法基本一致的結(jié)果,且能顯著提升特征提取速度。在隨后的高斯高通濾波過(guò)程中,將灰度圖像表示為矩陣G,經(jīng)過(guò)高斯高通濾波器ω濾波得到Gω,最后對(duì)結(jié)果歸一化后得到顯著性圖矩陣MA。其變換過(guò)程見(jiàn)公式(1)所示:

      式(1)中,濾波操作的滑動(dòng)窗口大小為 3σ×3σ,標(biāo)準(zhǔn)差σ=min(W,H)/σs,W和H分別代表圖像的寬和高,參數(shù)σs為降低權(quán)重的幅值。

      1.2 多級(jí)閾值分割的穩(wěn)定性特征提取方法

      1.2.1 多級(jí)閾值分割過(guò)程 通過(guò)對(duì)小目標(biāo)的幾何變化規(guī)律進(jìn)行研究以更加準(zhǔn)確地描述小目標(biāo)區(qū)域,并提出用統(tǒng)計(jì)量方法作為小目標(biāo)區(qū)域穩(wěn)定性度量準(zhǔn)則。區(qū)域穩(wěn)定性特征是指圖像目標(biāo)區(qū)域在二值化時(shí)具有的幾何與統(tǒng)計(jì)不變特性。區(qū)域穩(wěn)定性提取過(guò)程如圖2所示,第一步:對(duì)圖像預(yù)處理,具體為對(duì)灰度圖像進(jìn)行白像素邊緣填充,使圖像邊緣的小目標(biāo)成為連通區(qū)域;然后采用多級(jí)閾值對(duì)圖像進(jìn)行二值化處理,獲取連通區(qū)域集合。第二步:設(shè)計(jì)穩(wěn)定性度量準(zhǔn)則提取穩(wěn)定性圖矩陣MT。本文提出的白像素邊緣填充預(yù)處理方法能解決邊緣小目標(biāo)無(wú)法成為連通區(qū)域的問(wèn)題(即導(dǎo)致文獻(xiàn)[7]方法無(wú)法檢測(cè)出邊緣小目標(biāo)),使穩(wěn)定性特征提取方法對(duì)邊緣小目標(biāo)敏感。

      圖2 提取區(qū)域穩(wěn)定性圖流程圖Fig.2 Flowchart of extracting regional stability map

      1.2.2 穩(wěn)定性度量過(guò)程 在二值圖像矩陣B中,由像素值1構(gòu)成的連通區(qū)域r具有5種基本結(jié)構(gòu)描述特性:1)區(qū)域大小 ||r;2)幾何中心像素點(diǎn)c;3)最小外接矩形框b;4)填充率f;5)連通區(qū)域的寬高比a。

      由于小目標(biāo)具有局部一致性,因此在穩(wěn)定性度量中Lou等[7]對(duì)上述連通區(qū)域的5種基本結(jié)構(gòu)描述進(jìn)行比較運(yùn)算,得到4種穩(wěn)定性度量準(zhǔn)則,即面積變化、中心距離、填充率差異、寬高比差異。在此基礎(chǔ)上,為了提高邊緣檢測(cè)能力,本文提出了用面積方差作為穩(wěn)定性度量的標(biāo)準(zhǔn),如公式(2)所示。用面積方差作為區(qū)域穩(wěn)定性二次后驗(yàn)的新標(biāo)準(zhǔn),能解決由于采用不連續(xù)的多級(jí)閾值造成區(qū)域漏檢而導(dǎo)致的區(qū)域不穩(wěn)定問(wèn)題。

      式(2)中,r i是在閾值i下子圖的目標(biāo)區(qū)域,集合R'由r i組成(i∈[?-δ,?+δ]),card(R')是集合R'的基數(shù),δ是閾值的間隔,?為閾值,以及mT是區(qū)域面積的平均值,計(jì)算方法如公式(3)所示。注意當(dāng)目標(biāo)連通區(qū)域在某閾值下不存在(|ri|=0)時(shí)需要調(diào)節(jié)閾值的范圍。

      穩(wěn)定性度量分為兩個(gè)部分:穩(wěn)定性區(qū)域聚類(lèi)和穩(wěn)定性區(qū)域二次后驗(yàn)。文獻(xiàn)[7]的穩(wěn)定性區(qū)域聚類(lèi)只采用了中心距離的相似性度量準(zhǔn)則,在白像素邊緣填充預(yù)處理后容易產(chǎn)生大區(qū)域覆蓋小區(qū)域的問(wèn)題,最終在小目標(biāo)檢測(cè)過(guò)程中導(dǎo)致小目標(biāo)丟失。而本文在穩(wěn)定性區(qū)域聚類(lèi)中利用面積變化和中心距離兩種相似性度量標(biāo)準(zhǔn),使閾值分割后產(chǎn)生的連通區(qū)域能按類(lèi)別聚集,具體過(guò)程為:設(shè)多級(jí)閾值分割后的二值圖像序列中連通區(qū)域集合,若存在連通區(qū)域r i?R和r j?R,設(shè)間中心距離為,其面積變化為。定義中心變化閾值Φr和面積變化閾值Δc,若,則區(qū)域ri、r j為同一簇。 Δc和Φr定義見(jiàn)公式(4)~(6)。

      式(4)中,br iw表示區(qū)域r i的寬、br ih表示區(qū)域r i的高。

      其中,φr表示區(qū)域ri、r j間選取的合適區(qū)域大小,Δr為權(quán)重系數(shù),ts表示小目標(biāo)的大小。

      為了進(jìn)一步驗(yàn)證穩(wěn)定性區(qū)域的可靠性,減少最終的小目標(biāo)檢測(cè)誤差,本文給出了穩(wěn)定性二次后驗(yàn)方法。具體過(guò)程為:設(shè)同簇連通區(qū)域中通過(guò)填充率差異和寬高比差異得到穩(wěn)定性候選區(qū)域r,r經(jīng)過(guò)OTSU閾值分割得到閾值?;設(shè)閾值間隔參數(shù)為δ,則區(qū)域r的閾值集合為R'={ri,…} ,r i為區(qū)域r在閾值i下的連通區(qū)域,i∈[?-δ,?+δ],且 |r i|≠0;于是利用公式(2)定義的面積方差準(zhǔn)則對(duì)區(qū)域r進(jìn)行度量,即設(shè)有參數(shù) Δd,若,則二次后驗(yàn)判定區(qū)域r為穩(wěn)定區(qū)域。

      1.3 背景濾波的顯著性與穩(wěn)定性特征集成方法

      RSS[7]在顯著性與穩(wěn)定性特征融合過(guò)程中利用穩(wěn)定性區(qū)域的顯著性平均值作為提取小目標(biāo)區(qū)域的閾值,但在白像素邊緣填充預(yù)處理后該方法對(duì)小目標(biāo)的檢測(cè)漏檢率高。為了提高檢測(cè)效果,本文融合顯著性圖與穩(wěn)定性圖,并利用先驗(yàn)知識(shí)進(jìn)行背景濾波,完成小目標(biāo)檢測(cè),如圖3所示。其過(guò)程為:設(shè)顯著性圖矩陣MA,穩(wěn)定性圖矩陣MT,則集成圖矩陣為M=MA?MT,若存在連通區(qū)域r?MT,其在原灰度圖矩陣的對(duì)應(yīng)區(qū)域?yàn)閞gray?G,設(shè)V=maxrgray,同理,連通區(qū)域r在集成圖矩陣的對(duì)應(yīng)區(qū)域?yàn)閞integrate?M。設(shè)D為強(qiáng)噪聲濾波閾值,若V≤D且區(qū)域rintegrate的最大顯著值為集成圖矩陣M的最大值,則連通區(qū)域r即為小目標(biāo)區(qū)域。

      圖3 集成方案流程圖Fig.3 Flowchart of integration scheme

      圖4 為集成模型與非集成模型的檢測(cè)結(jié)果,所有模型都有白像素邊緣填充處理過(guò)程。圖4(b)為輸入圖4(a)的真值,圖4(c)和圖4(d)分別為圖4(a)的顯著性圖和穩(wěn)定性圖,結(jié)果表明若僅用顯著性特征與穩(wěn)定性特征中的一種特征作為小目標(biāo)的檢測(cè)特征(即采用非集成模型進(jìn)行檢測(cè)),背景雜波較多影響檢測(cè)結(jié)果。圖4(e)為RSS方法,其受強(qiáng)雜波干擾,部分小目標(biāo)出現(xiàn)漏檢,但在圖4(f)中用集成模型RSSEM通過(guò)第二步可有效濾除強(qiáng)雜波。

      圖4 集成模型與非集成模型的檢測(cè)效果:(a)輸入圖像,(b)真值,(c)顯著性圖,(d)穩(wěn)定性圖,(e)RSS,(f)RSSEMFig.4 Detection effect of integrated and non-integrated models:(a)input image,(b)ground truth,(c)saliency map,(d)stability map,(e)RSS,(f)RSSEM

      2 結(jié)果與討論

      2.1 度量標(biāo)準(zhǔn)與參數(shù)分析

      本文實(shí)驗(yàn)采用數(shù)據(jù)集RSS[7]的3個(gè)子數(shù)據(jù)集。運(yùn)行平臺(tái)為matlab2018b,CPU為Intel Core i7-5500U。性能指標(biāo)包括精確度P、召回率R、P和R的調(diào)和值F。若檢測(cè)的結(jié)果與真實(shí)結(jié)果重疊超過(guò)50%則判為檢測(cè)成功。檢測(cè)指標(biāo)包含4種參數(shù):1)小目標(biāo)檢測(cè)為小目標(biāo)(true positive,TP),出現(xiàn)的總次數(shù)標(biāo)記為DTP;2)小目標(biāo)檢測(cè)為雜波(false negative,F(xiàn)N),出現(xiàn)的總次數(shù)標(biāo)記為DFN;3)雜波檢測(cè)為小目標(biāo)(false positive,F(xiàn)P),出現(xiàn)的總次數(shù)標(biāo)記為DFP;4)雜波檢測(cè)為雜波(true negative,TN),出現(xiàn)的總次數(shù)標(biāo)記為DTN。相關(guān)定義如式(7)~(9):

      該模型RSSEM的參數(shù)包括小目標(biāo)大小ts,二值化閾值間隔δ,面積變化閾值 Δr,高斯低通濾波標(biāo)準(zhǔn)差σs,面積方差閾值 Δd,背景雜波閾值D。在數(shù)據(jù)集RSS上各參數(shù)的最優(yōu)值選取實(shí)驗(yàn)結(jié)果如圖5,根據(jù)平均F值的結(jié)果,相應(yīng)參數(shù)設(shè)置分別為:δ=16,D=150,ts=100,Δr=0.2,σs=30,Δd=30。

      2.2 實(shí)驗(yàn)結(jié)果

      本文比較了3種顯著性特征提取方法的運(yùn)行速度,如表1所示。第一種方法是對(duì)原始RGB圖像進(jìn)行高斯高通濾波;第二種采用文獻(xiàn)[7]中RSa方法實(shí)現(xiàn)從RGB到LAB的顏色空間轉(zhuǎn)換,再對(duì)LAB圖像進(jìn)行高斯高通濾波;第三種是本文方法先將彩色圖像灰度化,再進(jìn)行高斯高通濾波。結(jié)果表明在數(shù)據(jù)集RSS上本文方法的平均運(yùn)行速度比RSa快2倍,比用原圖直接檢測(cè)速度略快。本方法速度快的原因是灰度圖像為單通道圖像,只經(jīng)過(guò)一次高斯高通濾波,而彩色圖像為三通道圖像,需要經(jīng)過(guò)3次高斯高通濾波。

      圖 5 RSSEM 的參數(shù)分析:(a) t s ,(b) δ ,(c) Δr ,(d) σs ,(e) Δd ,(f) DFig.5 Parameter analysis of RSSEM:(a) t s ,(b) δ ,(c) Δr ,(d) σs ,(e) Δd ,(f) D

      表1 三種顯著性方法的運(yùn)行速度比較Tab.1 Comparison of running speeds of three saliency methods ms

      圖6為在數(shù)據(jù)集RSS上采用本文方法的檢測(cè)效果。圖6(a)、圖6(c)分別為數(shù)據(jù)集 RSS的兩個(gè)輸入樣本圖像,圖6(b)和圖6(d)為其對(duì)應(yīng)的檢測(cè)結(jié)果。本文方法RSSEM通過(guò)白像素邊緣填充,解決了邊緣小目標(biāo)不易檢測(cè)或丟失的問(wèn)題[如圖6(b)所示]。本文方法在3個(gè)數(shù)據(jù)集上與其它同類(lèi)型集成模型進(jìn)行了比較,如表2所示。實(shí)驗(yàn)結(jié)果表明本文方法RSSEM在精確度、召回率、F值方面均優(yōu)于4 種集成方法,即“MSER+FT”[7]、“MSER+RSa”[7]、“MSER+RSa”[7]、RSS[7]方法。特別是在數(shù)據(jù)集 1中本文方法在3個(gè)性能指標(biāo)上都具有顯著優(yōu)勢(shì),由于數(shù)據(jù)集1中圖像存在尺度變換,因而本算法在一定程度上適用于多尺度小目標(biāo)檢測(cè)。

      圖6 RSSEM檢測(cè)效果:(a)輸入圖像,(b)圖(a)的檢測(cè)結(jié)果,(c)輸入圖像,(d)圖(c)的檢測(cè)結(jié)果Fig.6 Detection effect of RSSEM:(a)input image,(b)detection result of image(a),(c)input image,(d)detection result of image(c)

      表2 集成方法效果比較Tab.2 Effect comparison of integration methods

      3 結(jié) 論

      針對(duì)RSS無(wú)法檢測(cè)邊緣小目標(biāo)和無(wú)法濾除強(qiáng)噪聲導(dǎo)致的目標(biāo)易丟失與虛警率高問(wèn)題,本文提出了一種基于區(qū)域顯著性和穩(wěn)定性增強(qiáng)的小目標(biāo)檢測(cè)方法。其中采用邊緣填充法使邊緣小目標(biāo)由非連通區(qū)域變?yōu)檫B通區(qū)域,利于處理邊緣小目標(biāo),并采用閾值濾波濾除了部分邊緣強(qiáng)噪聲。RSSEM利用小目標(biāo)的內(nèi)在特性實(shí)現(xiàn)背景分離,比較適用于小目標(biāo)檢測(cè),實(shí)驗(yàn)表明本方法能降低小目標(biāo)檢測(cè)的漏檢率和虛警率。雖然RSSEM的實(shí)際效果在一定程度上有所提升,但由于整個(gè)過(guò)程中增加了較多約束條件,該算法無(wú)法滿(mǎn)足實(shí)時(shí)性要求,下一步的工作重點(diǎn)是優(yōu)化約束條件以提高運(yùn)行效率。

      猜你喜歡
      雜波邊緣閾值
      STAR2000型空管一次雷達(dá)雜波抑制淺析
      小波閾值去噪在深小孔鉆削聲發(fā)射信號(hào)處理中的應(yīng)用
      基于自適應(yīng)閾值和連通域的隧道裂縫提取
      比值遙感蝕變信息提取及閾值確定(插圖)
      河北遙感(2017年2期)2017-08-07 14:49:00
      一張圖看懂邊緣計(jì)算
      室內(nèi)表面平均氡析出率閾值探討
      密集雜波環(huán)境下確定性退火DA-HPMHT跟蹤算法
      相關(guān)廣義復(fù)合分布雷達(dá)海雜波仿真
      微波雷達(dá)海雜波混沌特性分析
      在邊緣尋找自我
      雕塑(1999年2期)1999-06-28 05:01:42
      江永县| 乌拉特前旗| 临泽县| 阿合奇县| 龙山县| 育儿| 临海市| 凤凰县| 道真| 凌海市| 武冈市| 镇原县| 长丰县| 昆山市| 彰武县| 柞水县| 宁陵县| 贵阳市| 揭东县| 安西县| 姜堰市| 溧阳市| 卓尼县| 民勤县| 西和县| 定南县| 兖州市| 竹溪县| 锡林郭勒盟| 扬州市| 武功县| 日土县| 海口市| 广水市| 鄢陵县| 嫩江县| 嘉黎县| 嘉鱼县| 方山县| 镇原县| 高雄市|