線陣CCD圖像的弱小目標(biāo)檢測算法

李雅婧，雷志勇，高俊釵

(西安工業(yè)大學(xué) 電子信息工程學(xué)院，西安 710021)

?

線陣CCD圖像的弱小目標(biāo)檢測算法

李雅婧，雷志勇，高俊釵

(西安工業(yè)大學(xué) 電子信息工程學(xué)院，西安 710021)

為解決在復(fù)雜室外環(huán)境中，受到特殊因素干擾時獲取的線陣CCD圖像目標(biāo)檢測率低的問題 本文提出了一種基于視覺顯著性的線陣CCD圖像弱小目標(biāo)檢測算法.該算法根據(jù)線陣CCD圖像的特點(diǎn)，構(gòu)建了新的特征向量，設(shè)計了與目標(biāo)形狀相似的雙窗口進(jìn)行多特征比較，通過計算中心與周圍像素鄰域窗口特征向量的相似性來表達(dá)各個像素的顯著程度，得到圖像的顯著度圖，將顯著度圖聚類，分割出包含目標(biāo)的一類，從復(fù)雜的背景中提取出弱小目標(biāo).經(jīng)過實(shí)驗(yàn)對比分析表明，與傳統(tǒng)目標(biāo)檢測法相比，該算法可以更有效檢測出線陣CCD圖像中的弱小目標(biāo).

圖像處理；線陣CCD；弱小目標(biāo)；視覺顯著性；聚類

復(fù)雜背景下的弱小目標(biāo)檢測是數(shù)字圖像處理與計算機(jī)視覺領(lǐng)域的研究熱點(diǎn)之一.在自然環(huán)境下，CCD相機(jī)的成像質(zhì)量不但受限于相機(jī)的性能、光學(xué)系統(tǒng)、目標(biāo)特性等，而且，他還被攝像時的光線、云層變化、蚊蟲、背景等因素所干擾.這些干擾因素有時會導(dǎo)致目標(biāo)被淹沒在復(fù)雜的背景中，使圖像檢測系統(tǒng)失效.特別是當(dāng)這些目標(biāo)的像素個數(shù)少、形狀信息不完善、成像強(qiáng)度弱、背景灰度不均勻、目標(biāo)灰度極其接近背景灰度時，如何能在這樣復(fù)雜的背景環(huán)境下檢測出弱小目標(biāo)成為一個非常有意義的研究課題.

傳統(tǒng)的目標(biāo)檢測方法有最小均方濾波法[1]、中值濾波法[2]、數(shù)學(xué)形態(tài)學(xué)方法[3]、邊緣檢測法等.這些傳統(tǒng)方法在目標(biāo)與背景有較大特征差異時，可以準(zhǔn)確地檢測出目標(biāo)，但是當(dāng)目標(biāo)與背景的灰度差很小即信噪比較低時，大多則不能準(zhǔn)確地檢測出目標(biāo)甚至完全失效.本文針對此難題，將人類視覺系統(tǒng)可以根據(jù)目標(biāo)與背景的細(xì)小差異快速發(fā)現(xiàn)低信噪比目標(biāo)的特性運(yùn)用到復(fù)雜背景下的弱小目標(biāo)檢測中去，采用了一種基于視覺顯著性[4]的線陣CCD圖像弱小目標(biāo)檢測算法.該算法根據(jù)線陣CCD圖像中目標(biāo)的特點(diǎn)，采用四個特征構(gòu)建了新的特征向量，設(shè)計了與目標(biāo)形狀相似的雙搜索窗口，通過計算中心鄰域窗口與周圍鄰域窗口特征向量的相似性來表達(dá)各個像素的顯著程度，從而得到圖像的顯著度圖，將顯著度圖聚類，把包含目標(biāo)的一類分割出來，實(shí)現(xiàn)復(fù)雜背景中弱小目標(biāo)的檢測.

1 視覺顯著性弱小目標(biāo)檢測算法

視覺顯著性表現(xiàn)為場景中元素吸引視覺注意力的能力，而顯著性計算模型是對該能力進(jìn)行建模和量化評估.本文以經(jīng)典的顯著性模型框架[5]為基礎(chǔ)，針對線陣CCD圖像目標(biāo)的特點(diǎn)，設(shè)計了針對線陣CCD圖像的視覺顯著性弱小目標(biāo)檢測算法.

1.1 線陣CCD圖像特征向量的建立

線陣CCD圖像為灰度圖像，在圖像采集過程中，目標(biāo)與背景中的晃動樹木相互遮擋重合，在圖像中表現(xiàn)出了低信噪比的特征，且目標(biāo)飛行速度快，自身表現(xiàn)出弱小特征，顏色、紋理、形狀、邊界特征無法加以利用，圖像的灰度信息構(gòu)建了以下四個特征來建立新的特征向量.

1) 鄰域最大灰度值

圖像中目標(biāo)與周圍像素的灰度值存在差異，取最大灰度值可用來表示區(qū)域中中弱小目標(biāo)的灰度特征.則像素pi的鄰域最大灰度值為

(1)

式中:pi=(xi，yi)為其鄰域W(xi，yi)內(nèi)的中心像素，I(xk，yk)為鄰域中(xk，yk)處的灰度值大小.

2) 鄰域灰度均值

利用鄰域最大灰度值表示目標(biāo)特征往往會收到隨機(jī)噪聲的影響，為了消除噪聲干擾，選灰度均值作為第二個特征.鄰域灰度均值定義為

(2)

3) 鄰域方差

(3)

4) 鄰域最大梯度

梯度是圖像灰度值顯著變化的地方，梯度值越大，則變化越強(qiáng)烈.可用該特征描述當(dāng)有目標(biāo)出現(xiàn)時的灰度變化程度，即

(4)

其中Gh(xk,yk)+Gv(xk,yk),

Gh(xk,yk)=|i(xk,yk)-I(xk,yk)+1)|,

Gv(xk,yk)=|I(xk,yk)-I(xk,yk).

1.2 計算線陣CCD圖像的顯著度圖

依據(jù)視覺系統(tǒng)中的側(cè)抑制原理[6]，即中心元素會受到周圍元素的視覺感官影響，圖像中的每個像素的顯著性可以通過其與周圍區(qū)域其他像素的相似性來度量.本文通過雙窗口來進(jìn)行多特征比較，從而計算圖像中各個像素的顯著性大小.由于目標(biāo)的形狀為細(xì)長形，經(jīng)過實(shí)驗(yàn)對比確定了外窗口大小為9×9，內(nèi)窗口的大小為3×7.主要步驟如下：

1) 依次以線陣CCD圖像中的每一個像素為中心點(diǎn)，選定一個大小為9×9的窗口，作為點(diǎn)的中心-周圍域，再選定一個用來表示其鄰域結(jié)構(gòu)的大小為3×7的內(nèi)窗口.在中心-周圍域中，稱中心點(diǎn)的鄰域窗口為Center矩陣，稱周圍其他各點(diǎn)的鄰域窗口為Surround域矩陣.如下圖1所示；

2) 對中心-周圍區(qū)域中的中心像素pi與周圍像素pj，分別利用Center矩陣與Surround域矩陣建立特征向量來描述其鄰域結(jié)構(gòu)，即：

(5)

其中L為特征向量的分量個數(shù).

圖1 雙窗口示意圖

結(jié)合線陣CCD圖像目標(biāo)的特點(diǎn)，文中采用式(1)～(4)所定義的四個特征來構(gòu)造新的特征向量.然后通過計算中心像素和周圍其他像素鄰域矩陣的特征向量的距離來比較其相似程度.Fi和Fj的相似性計算公式為

(6)

其中wl為加權(quán)值，p(fil，fjl)為各個特征分量間的相似性，即：

(7)

最后經(jīng)過歸一化得到pi的顯著性計算公式為

(8)

圖2為一幅線陣CCD復(fù)雜背景下單目標(biāo)的原圖和顯著度圖.圖3為線陣CCD復(fù)雜背景下多目標(biāo)圖像的原圖和顯著度圖.由圖2(b)和圖3(b)的顯著圖可以看出，目標(biāo)明顯高于背景和噪聲區(qū)域，為分割奠定基礎(chǔ).

圖2 線陣CCD單目標(biāo)顯著度圖

圖3 線陣CCD圖像多目標(biāo)顯著度圖

1.3 顯著度圖分割

從以上得到的顯著圖中可以看出，目標(biāo)凸出明顯，因此本文采用聚類分割[7]即可將目標(biāo)提取出來.經(jīng)過分析，在對顯著圖進(jìn)行聚類分割時，將圖像分為目標(biāo)、背景及待判定區(qū)域(包含偽目標(biāo))三類即k=3，由圖4檢測結(jié)果圖可以看出，對于復(fù)雜背景下的弱小目標(biāo)，可有效地檢測.

圖4 線陣CCD圖像最終檢測結(jié)果

2 實(shí)驗(yàn)結(jié)果分析

通過抑制背景信息來增強(qiáng)感興趣的目標(biāo)信息，采用分割提取出目標(biāo)，屬于圖像增強(qiáng)的范疇.本文算法與傳統(tǒng)的圖像增強(qiáng)算法Sobel算子檢測法[8]，Canny算子檢測法[9]進(jìn)行比較.

Sobel算子采用縱橫兩個3*3模板作為核與圖像中每個像素點(diǎn)做卷積和運(yùn)算，提取合適的閾值來提取邊緣.Canny邊緣檢測算法先用高斯平滑濾波器進(jìn)行卷積降噪，接著計算梯度幅值和方向，進(jìn)行非極大值抑制和滯后閾值來獲取感興趣目標(biāo)的邊緣.圖5和圖6為三種方法的目標(biāo)檢測結(jié)果.

圖5 單目標(biāo)圖像本文算法與Sobel算子檢測法，Canny算子檢測法比較結(jié)果

圖6 多目標(biāo)圖像本文算法與Sobel算子檢測法，Canny算子檢測法比較結(jié)果

圖5(a)為線陣CCD復(fù)雜背景單目標(biāo)的原始圖像，圖6(a)為線陣CCD復(fù)雜背景四目標(biāo)的原始圖像，其中目標(biāo)被淹沒在背景中很難觀測到.圖5(b)、圖6(b)和圖5(c)、圖6(c)分別為用Sobel算子檢測法檢測的結(jié)果和用Canny檢測法檢測的結(jié)果，結(jié)果中依然包含大量的背景信息，無法分離出弱小目標(biāo).圖5(d)、圖6(d)是用本文算法檢測的結(jié)果，圖中復(fù)雜背景被去除，單目標(biāo)和四目標(biāo)均被提取出來了，通過不同檢測方法的對比驗(yàn)證了本文算法的有效性.

3 結(jié) 論

將基于視覺顯著性的顯著度圖計算模型用于線陣CCD圖像弱小目標(biāo)檢測中，經(jīng)過于傳統(tǒng)目標(biāo)檢測方法的對比分析，驗(yàn)證了本文算法的有效性，可以最大化的抑制線陣CCD圖像中的復(fù)雜背景與干擾噪聲，準(zhǔn)確地檢測出弱小目標(biāo)，但仍需在下一步的工作中進(jìn)一步提高算法的實(shí)時性.

[1] 汪成曦,劉以安,張強(qiáng).改進(jìn)的最小均方自適應(yīng)濾波算法[J].計算機(jī)應(yīng)用,2012,32(7):2078.

WANG Chengxi,LIU Yian,ZHANG Qiang.An Improved Least Mean Square Adaptive Filter algorithm[J].Journal of Computer Applications,2012,32(7):2078.(in Chinese)

[2] 黃寶貴,盧振泰,馬春梅,等.改進(jìn)的自適應(yīng)中值濾波算法[J].計算機(jī)應(yīng)用,2011,31(7):1835.

HUANG Baogui，LU Zhentai，MA Chunmei，et al.An Improved Adaptive Median Filtering Algorithm[J].Journal of Computer Applications,2011,31(7):1835.(in Chinese)

[3] 王小兵,孫久運(yùn),湯海燕.一種基于數(shù)學(xué)形態(tài)學(xué)與小波域增強(qiáng)的濾波算法[J].微電子學(xué)與計算機(jī),2012,29(7):64.

WANGXiaobing，SUN Jiuyun，TANG Haiyan.A New Filter Algorithm Based on Mathematical Morphology and Wavelet Domain Enhancement[J].Microelectronics & Computer,2012,29(7):64.(in Chinese)

[4] LTTI L,KOCH C.Computational Modelling of Visual Attention.[J].Nature Reviews Neuroscience,2001,2(3):194.

[5] FAUGERAS O D.Digital Color image Processing Within the Framework of a Human Visual Model[J].IEEE Transactions on Acoustics Speech & Signal Processing,1979,27(4):380.

[7] 李翠,馮冬青.基于改進(jìn)K-均值聚類的圖像分割算法研究[J].鄭州大學(xué)學(xué)報(理學(xué)版),2011,43(1):109.

LI Cui,FENG Dongqing.Research on K-means Clustering Algorithm for Images[J].Journal of Zhengzhou University(Natural Science Edition),2011,43(1):109.(in Chinese)

[8] 熊秋菊,楊慕升.數(shù)字圖像處理中邊緣檢測算法的對比研究[J].機(jī)械工程與自動化,2009(2):43.

XIONG Qiuju,YANG Musheng.Contrasting Research on Algorithm for Edge Detection in Digital Image Processing[J].Mechanical Engineering & Automation,2009(2):43.(in Chinese)

[9] 呂哲,王福利,常玉清.一種改進(jìn)的Canny邊緣檢測算法[J].東北大學(xué)學(xué)報(自然科學(xué)版),2007,28(12):1681.

LYU Zhe,WANG Fuli,CHANG Y uqing,An Improved Canny Algorithm for Edge Detection[J].Journal of Northeastern University(Natural Science),2007,28(12):1681.(in Chinese)

(責(zé)任編輯、校對 張立新)

Dim Target Detection Algorithm Based on Linear CCD Image

LIYajing,LEIZhiyong,GAOJunchai

(School of Electronic Information Engineering,Xi’an Technological University Xi’an 710021,China)

A new target detection algorithm based on visual saliency was proposed to solve the problem of the low detection rate of linear array CCD image in a complex outdoor environment, which is subject to special interference.According to the characteristic of the linear array CCD image, a new feature vector was constructed, and a double window similar to the characteristics of the target image was designed to compare the features. The salience degree of each pixel was expressed by calculating the similarity of feature vectors between the center and the surrounding neighborhood windows, and then the image saliency map was obtained.Finally, the saliency map was clustered into several classes with the class that contained the targets obtained, from which the dim targets were extracted. The experiment shows that compared with the traditional target detection method, the proposed algorithm can suppress the noise and complex background, and more effectively detect the dim targets in the linear array CCD image.

image processing;linear array CCD;dim target;visual saliency;clustering

10.16185/j.jxatu.edu.cn.2016.09.011

2016-05-17

李雅婧(1989-)，女，西安工業(yè)大學(xué)研究生.

雷志勇(1962-)，男，西安工業(yè)大學(xué)教授，主要方向?yàn)閯討B(tài)測試、圖像處理.E-mail：leizy888@163.com.

TP391.41

A

1673-9965(2016)09-0744-05