基于卷積神經網絡的模糊圖像微小目標檢測方法

劉金花

（湖南信息職業(yè)技術學院 湖南 長沙 410203）

0 引言

在對圖像進行識別檢測的研究中，由于部分圖像的模糊程度較高，導致其中的微小目標識別難度較大，針對該問題不少學者也展開了相關的研究[1-2]。但是就現階段的研究成果而言，對于微小目標的識別檢測效率以及檢測精度仍然存在一定的提升空間[3]。為了能夠實現對圖像信息更加全面深層次的挖掘和分析，提高對微小目標的識別檢測效果是十分必要的[4-5]。在圖像目標檢測領域中，楊國亮等[6]對原始高光譜圖像進行最優(yōu)分數階傅里葉變換，構建背景協(xié)方差矩陣，提出了一種基于端元提取和低秩稀疏矩陣分解的高光譜圖像異常目標檢測算法。梅妍玭等[7]提出了基于形態(tài)學與多尺度空間聚類的SAR 圖像變化檢測方法，在多尺度子空間融合譜聚類的基礎上，結合子空間融合算法進行目標檢測，實驗發(fā)現具有良好的檢測效果。卷積神經網絡作為一種深度學習的算法，將其應用在目標檢測中將大大提高對特征的檢出效果。同時鑒于其強大的學習能力，也將改善在微小目標識別過程中由于圖像模糊造成的識別效果不好的問題。同時，由于微小目標本身的像素數量較低，因此在對其進行檢測的過程中，往往會出現由于像素識別錯誤導致的漏識別漏檢出的問題[8]，而卷積神經網絡的應用將有效改善由此帶來的困擾。

基于此，本文提出基于卷積神經網絡的模糊圖像微小目標檢測方法，并通過開展相關的實驗測試分析驗證了本文提出方法的實際應用效果。通過本文的研究也希望可以為相關圖像識別檢測工作開展提供有價值的參考，最大限度實現對圖像信息的完整挖掘。

1 模糊圖像微小目標檢測

模糊圖像中背景的模糊程度影響微小目標檢測的效果，因此在進行目標檢測之前，需要先抑制模糊圖像的背景部分，避免圖像背景降低微小目標檢測的準確性。其次，將背景抑制后的模糊圖像輸入至卷積神經網絡中，并堆疊處理卷積神經網絡結構，進一步提高微小目標檢測的準確性。

1.1 模糊圖像背景抑制

由于圖像的像素較為模糊，導致在對微小目標進行檢測的過程中，對其特征的判斷結果可靠性較低。為此，本文首先對圖像的各向進行同性濾波處理，以此消除圖像中的主要噪聲，為了避免在處理過程中造成微小圖像邊緣細節(jié)信息的丟失，本文采用PM 擴散模型[9]對模糊圖像進行背景抑制。

首先是對圖像各向同性擴散處理，其計算方式可以表示為

其中，b( ?E) 表示圖像像素的擴散梯度，在實際的計算過程中，本文未考慮梯度負向波動帶來的影響，以梯度的絕對值作為參數，d表示擴散邊緣停止函數系數。從式（1）中可以看出，線性擴散函數隨圖像的局部特性的變化而變化，因此可以最大限度保留圖像的原始信息。在此基礎上，本文設置邊緣停止函數的形式為非負遞減函數，通過這樣的方式實現對圖像中每個像素點灰度與周圍鄰域像素上的灰度向不同方向平滑擴散，對應的平滑系數根據圖像四鄰域的像素灰度計算的，其可以表示為

其中，k表示擴散處理的平滑系數，E’(x，y，z)表示目標擴散圖像信息，c1、c2、c3、c4分別表示像素在四鄰域對應的擴散程度，h為圖像的局部自適應算子。

對于擴散停止系數d的取值，本文以圖像像素點與周圍鄰域像素點的梯度變化程度為基準進行計算，其可以表示為

其中，e為大于0的常數，當d值擴散階段執(zhí)行的k值時，則認為此時的背景區(qū)域是相對平緩的，對應的平滑程度也較高，則繼續(xù)執(zhí)行擴散，否則停止擴散。

通過這樣的方式，實現對平穩(wěn)區(qū)域的有效抑制，同時在過濾掉起伏背景區(qū)域的條件下，保留發(fā)生突變的目標區(qū)域像素信息。

1.2 基于卷積神經網絡的微小目標檢測

在上述基礎上，為了實現對圖像微小目標的有效檢測，本文在檢測階段引入了卷積神經網絡，將經過背景抑制的模糊圖像輸入到卷積神經網絡中，實現對微小目標的檢測。其具體的實現流程見圖1。

按照圖1 所示，本文對卷積神經網絡的設置進行了結構堆疊處理，以此提高網絡模型的深度，確保對微小目標檢測的性能。在將處理后的模糊圖像輸入到卷積神經網絡中后，首先在3*3 的活動窗口對圖像進行初步分割處理，在此基礎上，在卷積層分別對9 個單元進行殘差計算。假設輸入到卷積神經網絡的圖像信息為E’(x，y，z)，設置卷積層頂部和底部的權值分別為W1和W2，f表示卷積層線性修正單元的激活函數relu，其對圖像信息的殘差計算方式可以表示為

其中，ε表示卷積層殘差網絡結構的輸出結果，該參數是卷積神經網絡對圖像檢測的主要依據。

除此之外，對權值參數的更新采用隨機梯度下降和反向傳播的方式進行，此時全連接層對圖像信息的端對端的訓練不再依賴于大規(guī)模的樣本數據，得到的結果也更加準確。

池化層對目標特征的提取主要是以殘差值的梯度大小為基礎進行的，其計算方式可以表示為

其中，G 表示目標特征的提取結果，εj 表示檢測目標的殘差值，當待檢測目標的殘差值的梯度未處于卷積層輸出的殘差閾值范圍內時，即G＜0，則認為此時的目標為檢測目標；當待檢測目標的殘差值的梯度處于卷積層輸出的殘差閾值范圍內時，即G≥0，則認為此時的目標為背景，以此實現對微小目標的準確檢測。

2 測試分析

為了進一步分析驗證本文提出的檢測方法在實際目標檢測中的應用效果，開展了對比分析測試。其中對照組分別為文獻[6]中提出的基于端元提取和低秩稀疏矩陣分解的高光譜圖像異常目標檢測方法（下文簡稱“A 算法”）和文獻[7]中提出的基于形態(tài)學與多尺度空間聚類的SAR圖像變化檢測方法（下文簡稱“B 算法”），通過對3 種方法的檢測效果進行比較，客觀地評價本文提出方法的應用效果。

2.1 測試數據準備

本文在對實驗數據進行準備階段，將 Camvid 數據集作為基礎數據，并劃分了對應的訓練集和測試集。其中訓練集中圖像的規(guī)模為356 張，測試集中圖像的規(guī)模為223張。其中，圖像中的信息內容包含天空、建筑、桿、路、人行道、樹、交通標識、柵欄、交通工具、行人和自行車。在此基礎上，利用卷積神經網絡進行識別時，采用帶動量隨機梯度下降算法對目標進行逐級檢測，對應的動量參數為0.95，設置檢測階段特征的權重衰減系數為 0.005。對于特征初始值的設置，令其大小為 0，方差為 0.01，并通過高斯分布的方式對圖像進行逐層檢測?？紤]到圖像模糊導致的參數偏置問題，本文使用常數1 對其進行初始化。卷積神經網絡的初始學習率為0.001。

2.2 評價指標構建

在上述實驗環(huán)境的基礎上，分別采用3 種方法對不同尺度大小的目標進行檢測。在對檢測結果進行分析的過程中，為了能夠更加直觀地體現出3 種方法的檢測效果，本文分別將目標檢出率以及目標檢出正確率作為評價指標。其中目標檢出率是指最終檢測出的目標數量占總目標數量的百分比，可用來判斷算法進行目標檢測的完整性，檢出率越高，說明檢測結果越完整。其計算方式可以表示為

其中，pc表示目標檢出率，ai表示檢測到的有效目標數量，Q表示目標總量。

目標檢出正確率是指在檢出的目標中，符合檢測要求的目標數量所占的百分比，可用來判斷算法在目標檢測過程中的精準性，檢出準確率越高，說明檢測結果精準度越高，算法性能越好。其計算方式可以表示為

其中，pz表示目標檢出正確率，Qi表示檢測到的目標總量。

借助上述兩個指標，對3 種方法的檢測效果進行評價對比。

2.3 測試結果與分析

3 種方法對于圖像中不同尺度目標的正確檢出率見表1。

表1 不同方法的目標正確檢出率 單位：%

由表1 中的數據可以看出，3 種方法的正確檢出率均隨著目標尺度的增加而逐漸增大。對比3 種方法對不同尺度目標的檢測效果，其中A 算法的檢出率相對穩(wěn)定，雖然整體正確檢出率呈現出了一定的波動，但是基本穩(wěn)定在80%以上，相比之下，B 算法對目標檢出的正確率受目標尺度大小的影響更加明顯，其最大值達到了96.33%，最小值僅為72.64%。本文提出方法的檢出正確率基本穩(wěn)定在92.00%左右，接受目標尺度大小的影響相對較小，表明本文提出的方法可以實現對微小目標的準確穩(wěn)定檢測。這是因為本文提出的方法，利用卷積神經網絡實現了對微小目標特征的深度學習，為檢測工作的開展提供了可靠依據。

對3 種方法的整體檢測完整性進行比較分析，得到的數據結果見表2。

表2 不同方法目標檢測完整性對比表 單位：%

從表2 中可以看出，3 種方法中，對微小目標檢測的完整性均呈現出了與檢測目標尺度大小成正比的關系，即檢測目標的尺度越大，檢測的完整性越高，檢測目標的尺度越小，檢測的完整性越低。但是通過縱向對比3 種方法的檢測效果可以發(fā)現，B 算法檢測的完整性受目標大小的影響最為明顯，其最大值達到了94.32%，但最小值僅為79.30%。A 算法與之相比有一定的優(yōu)勢，但整體完整性仍存在一定的提升空間，相比之下本文提出方法對微小目標的檢測完整性明顯優(yōu)于兩種對比方法，其最小值也達到了90.04%，測試結果表明本文提出的方法能夠實現對微小目標的完整檢測。這是因為本文提出的方法借助卷積神經網絡更加深層次地實現了對微小目標特征的提取，故對其進行檢測時，大大提高了識別的可靠性。

3 結語

由于模糊圖像本身在像素上存在的特殊性，導致對其中微小目標進行檢測的效果往往不夠理想。本文提出基于卷積神經網絡的模糊圖像微小目標檢測方法，在抑制初始模糊圖像背景的基礎上進行卷積神經計算，不僅提高了對微小目標的正確識別率，同時也極大地改善了對目標檢測的完整性。