论文研究-基于聚类分析的红外弱小目标检测.pdf

所需积分/C币:10 2019-09-08 17:51:15 549KB .PDF
收藏 收藏
举报

针对深空背景下的红外弱小目标检测,提出了一种基于聚类分析的目标检测方法,该方法将经过背景抑制的连续几帧图像构造组合帧,基于目标的运动特性,对分割后的组合帧进行聚类分析,从而检测到弱小目标并同时获得目标运动轨迹,再对检测结果进行聚类检验,从而去除虚假目标,降低虚警率。实验结果表明该算法对多目标的检测有较高的鲁棒性,且相对于传统的小目标检测算法有更高的检测率和较好的实时性。
罗大鹏,魏龙生,桑农:基于聚类分析的红外弱小目标检测 2013,49(8 19 非目标则服从均值为0,方差为2的正态高斯分布 (7) 2+∑B 可见若点集合{(x,y,k)=1中含有目标点,不仿设 (xy,k)处的像素点为日标点,则B→)1,而B,→0,l=0 1,…,K,≠k,由式(4)可知d(x,y)趋向目标的真实灰度 值。若点集合{(x1y,k)}A=1不含日标点,则f→1/2,而 →0,l=0、1,…,K,由式(4)可知4(x,y)趋向(x,y,0) 图5大视场多目标检测、裣验结果 的一半,进一步抑制了噪声强度加强了后续分割的效果, 具体算法如下 3组合帧图像的构造 (1)通过式(5)计算I(x,y,0 由于是弱小目标,从单帧来看没有任何形状、结构特 (2)通过式(6、7)计算各像素点的概率B0、B 征可以用于检测提取,本文将多帧图像组合成一幅纠合帧 (3)通过式(4)构造组合帧 图像进行聚类分析,这样每帧中的凵标点在组合帧图像中 在实际的使用中,可将每三帧图像构造组合帧,一方 可以形成了山标类。而对图像中的噪声而言巾于其随机面保证了聚类过程中聚出的目标类有足够多的目标点,另 性,一般是以孤立噪点的形式出现,很难聚合成类。从而 方面使整个算法的速度足够快。 大大简化了弱小目标检测方法。 构造组合帧的方法有很多,可以把它看成是从三维向 4图像分割 二维映射的过程。最简单的就是多帧累加平均技术,但 为了侏证算法的鲁棒性,这里采用红外小目标检测 是,这种方法会降低图像的信噪比,不利于后续的图像分 割。本文提出了改进的基于高斯灰度模型的组合帧构造 中常用的统计分割方法对构造出的组合帧图像进行分 方法。 割。分割效果如图6,可见除了目标之外,还分割出了一些 令{(x,y,k)k=1,2,…,k}表示经过背景抑制的图像噪点 序列。令空间位置(xy)处单个像素点的灰度值为 I(x,y,k),令空间位置(x,y)处像素点序列的灰度值集合 为:{(x1,y,k)}=1 针对序列图像中的弱小运动凵标,令事件θ表示像素 点(x,y,k)是目标,事件6。表小空间点位置(x1,y)处所 有像素点都不是日标。则各事件以观测值集合 {1(x1,y,k)}1为条件的概率为 Bx=P{x/{(x,y,k)}=} 且满足 ∑ (3) 图6组合帧分割结果 依概率组合像素,构成组合帧: 5聚类分析检测 d(x,y)=∑Bl(x,y,k) 4 从组合帧的分割图像中可以发现,标点出于具有运 动一致性,相互间距离很近,可以聚合成目标类,并且在连 其中: 续的几纠组合帧中,均有相应的目标类可以形成轨迹。而 (5)噪点一般是以孤立的形式出现,就算在某个组合帧中,几 个噪点偶尔聚合成类,也很难连续地组合聚类形成轨迹, F。为空间点位置(x,y)处所有像素点都不是凵标的概率 从而极大地抑制了孤立噪点,简化了弱小∏标检测。 β(k=1,2,…K)为第k帧像素点Ix,y,k是目标的概率。 在聚类分析"中,针对多目标的情况,有一个难点就 的计算基于一个基本假设,即岩观测值是目标,则是如何确定分类数,即一副图像中到底有几个目标,这也 它服从均值为m,方差为σ2的正态高斯分布 是聚类分析领域的难点。具体到弱小∏标检测这个应用 在以上基本假设下,和的计算公式如下 中即如何将一副分割图像的非零点分类,并确定哪几个类 Br=cxp(- (m-l(,v: k)) 真正属」目标。本文利用非零点间的距离分类,即首先求 },k=1,2,…,K 出这些非零点两两间的标准欧式距离: 20 013,49(8 Computer Engineering and Applications计算机工程与应用 其中x为非零点坐标矢量集合,M为分割后图像中非零 点数。经典的聚类分析流程就是根据这些矢量两两间的 距离构造聚类树,常用的构造算法为单连接算法,又称最 短距离法,它是取两类间的距离为两类点之间的最短距 离,即类间距离定义为 ),t∈(,2 j∈(1.2,…,n,) 其中n为类r中对象的数量,n为类s中对象的数量, 为类r中的第i个对象。然后根据给定的分类数,由聚类 图7聚类检测结果 树信息进行分类。为了度量这种分类的失真程度,可将聚 综上所述,本算法是一整套弱小目标检测、检验的处 类树中的距离信息7和非零点两两间的标准欧式距离D理框架,通过不断地对目标及轨迹进行聚类分析,能够在 进行比较,求它们的相干系数: 图像预处理及分割效果不太奸的情况下,稳健地检测到多 ∑(dn-d)(zn-2) 个弱小目标。且聚类检验算法对目标的出现、消失也能根 (10)据是否聚合成类进行较好的判断 (d-d)'(z 其中d为D中对象和j间的距离,Z为Z中对象和/6算法的实验及结果分析 间的距离,d和z分别为Y和Z的平均距离。 实验中将一序列含有邻边背景的红外图像中叠加弱 由于并不知道一酬图像中目标的具体数目,就无法事小运动目标,运动速度小于1个像素帧,图像信噪比为3 先确定分类数,本文对这一套经典的聚类分析流程进行改其中第一帧如图3,采用中值滤波进行背景抑制,即通过相 进,提出基于距离矩阵行间搜索的自组织聚类算法邻三顿图像计算中值图像作为估计出的背景图像,再将原 (DRAC),具体流程如下 图减去背景图像实现背景抑制,如图4。再将连续三帧屮 (1)由式(4)将背景抑制后的图像第k帧到第k+2帧值滤波后的像构造组合帧,并采用统计分割方法对构 构造组合帧。 的组合帧进行分割,其中一幅分割后的图像如图6,可见 (2)用统计分割算法对组合帧进行分割 由于仅采用中值滤波进行背景抑制,对结构型噪声去除不 (3)由式(8)计算非零点两两间距离,构造距离矩阵理想导致分割结果仍含有一些噪点。 S,矩阵中的每一项S表示点氵和点j间标准欧式距离。 对分割后的图像采用本文提出的DRAC算法进行聚 (4)设定阈值t,按行对S进行搜索,若S。<功h,且 类检测,其中山为7,检测结果如图7,可见凵经去除了大部 分噪点,多出来的四个点是因为检测到四个噪声类所形成 ≠,认为j属」i,当整个第i行搜索完后,将所有属ji 的点构造成类,若类中对象数小于2,则为孤立噪点,否则 的类中心点。对序列图像进行聚类检验,其中为7,nb 计算出该类坐标中心作为目标位置。 为4,前五帧的检验结果如图7,可见有个别噪声类在背景 5)对每一行均以步骤(4)计算∏标位置,找到所有的制及分割效果不好的情况下,仍可能在少数几帧内聚合 目标点 成短小的轨迹类,随着帧数增加,噪声轨迹不具有连续性, 6)由式(4)组合第k+1帧到第k+3帧,重复步骤(2 逐渐被剔岀掉,而臭实的目标轨迹则被稳健地跟踪下去 到(5) 图8为30帧处理结果。对于大视场多目标图像序列,本算 检测结果如图7所示,其中因为背景抑制和分割的处法也能取得较好的效果,如图5所示。 理过程均采用经典算法,导致每次聚类的结果都含有噪点 类,但是聚类检验处理下来,只有凵标能形成轨迹,如图8 所示。相应的聚类检验算法如下 (1)将每次检测结果与上一次进行比较,由式(8)计算 各点两两间距离S (2)设定阈值h,当S<m,则该距离S所对应的两个 坐标点构成一个轨迹类,没有归类的点认为是可能的目标 初始点。 (3)设定阈值n,当一个轨迹类内的点数n大于 则判定为真实目标轨迹,存储该轨迹坐标值。 (4)重复步骤(1)到(3)。 图8聚类检测、检验结果 罗大鹏,魏龙生,桑农:基于聚类分析的红外弱小目标检测 2013,49(8 21 此外,对本算进行了大规模实验,在不同信噪比的图好坏受图像前期预处理的影响很大,一且预处理效果不 像序列中进行小凵标检测,检测参数为:每三帧检测一佳,则大大增加斤续的检测时间,甚至造成月标检测无法 次,类内距离小于7,类内目标数目大于2,聚类检验连续进收敛。本文提出了一个完整的弱小目标检测、跟踪的处理 行20帧,若20帧内有8次检测到目标,则认为是真正的目框架,能够较好地完成弱小用标检测、跟踪问题。本文主 标。其中部分结果如表1所小。 要工作如下: 表1大规模实验结果 (1)前期的图像预处理采用经典的时域自适应滤波或 图片信噪比20dB信噪比40dB信噪比60dB信噪比0dB者中值滤波保了整个算法的处理速度 序列目标虚警目标虚警目标虛瞥目标虚瞥 (2)将连续几帧图像以改进的高斯灰度模型构造组合 1216101010帧,采用统计分割算法对组合帧进行分割,取得了不错的 5 效果 0 0 (3)将生物视觉中的聚类思想引入到弱小目标的检测 屮,充分地利用了目标的运动特性,自动聚合出目标类同 01 04000 时得到目标轨迹,避免了采用计算量较大的时域搜索算法 33 0 000000 或频域能量累积算沄 (4)将聚类思想引入到目标检验中,降低虚警率,结合 37 0 0000 0轨迹判定方法,能有效解决目标遮挡或暂时消失的情况, 5014001010得到真灾的目标轨迹 0 0 实验结果表明,本文算法可以有效地检测出信噪比大 可见本算法在不同信噪比的图像序列中检测率较高, 于3左右的缓动弱小目标,当目标运动速度小于1像索顺, 同时对虛警个数也控制的铰好,其中信噪比为4.0d时,虚则隔帧构造组合唢,进行聚类检测。若运动速度太大则有 警率仅为6%。 可能将噪声也聚到目标类中,所以本算法适用于檢测运动 此外,将文献[5]的统计检测算法(PA)及文献[改速度铰小的目标,一般来说目标运动速度小于5像素帧均 进投影检测算法(MPA)与本文算法在相同条件下进行比能取得不错的检测效果。 较,即采用采用相同的背景抑制算法和分割算法,图像大 此外,由于采用的预处理算法比较普通(尤其是屮值 小为128×128,虚警率为10,结果如表1所示,可见组合帧滤波),对信噪比较小,且有较强的结构型噪声的图像序列 数越少,就越能体现本算法在运算速度及检测率上的优势。处理效果不佳,有可能形成类似于轨迹的连续的噪声类 此时依靠简单的聚类检验算法无法去除这些噪声轨迹,今 表2算法检测率比较 后将在本文算法的基础上进一步研究轨迹识别算法以提 信噪比dB组合帧数 PA MPA DRAC(本文算法)高红外弱小目标检测精度 09750.988 0.953 3.0 0.8870.923 0.944 参考文献: 3 0.709 0.720 ]刘刚,梁晓庚,张灵玲基于NSCT变换的红外空中小目标检测 0.1960.369 0.312 方法研究[计算机科学,2011,38(4):292-294 2.0 0,1600.288 0.298 ]程德杰,李晓峰,李在铭基于场景运动分析的弱小目标形态 学检测方法[电子测量与仪器学报,2006,20(3):1-5 表3算法速度比较 13」胡欣,段晨东.一种红外序列图像弱小目标自动捕扶方法计 信噪比/dB组合帧数 PA MPA DRAC(本文算法 算机工程与应用,2010,46(30):184-187 2.6743.231 14 Li Guo-kuan, Peng Jia-xiong, Li Hong. Small target detection 3.0 1.5361.73 based on multi-wavelet transform[JJJournal of Huazhong Universily of Science Technology, 2000, 28(1): 72-75 1.5381.735 0.733 [5 Sheng Wen, Deng Bin, Liu Jian. Mulli-resoluling distance map 2.6793.237 1.756 based small target detection in infrared image [J]. Acla Elec 0.734 2002,30(1):42-45 [6]罗晓清,吴小俊应用多特征的红外弱小日标稔测门]计算机工 7结论 程与应用 由于没有形状、结构信息可被利用,如何检测到弱小[7] Reed i s, Gagliardi R M, Stotts L Optical moving target de 目标,如何判断目标的出现、消失,如何检测到多目标, tection with 3-D matched filtering [J]. IEEE Trans on AES 直是目标检测领域的难点,近年来已经出现了一些算法 1998,24(4):327-335 正在逐步解决这些问题,但是,现有的算法其检测、跟踪的 (下转155

...展开详情
试读 5P 论文研究-基于聚类分析的红外弱小目标检测.pdf
立即下载 低至0.43元/次 身份认证VIP会员低至7折
抢沙发
一个资源只可评论一次,评论内容不能少于5个字
weixin_38743737 欢迎大家使用并留下宝贵意见
2019-09-08
  • 至尊王者

    成功上传501个资源即可获取
关注 私信 TA的资源
上传资源赚积分or赚钱
最新推荐
论文研究-基于聚类分析的红外弱小目标检测.pdf 10积分/C币 立即下载
1/5
论文研究-基于聚类分析的红外弱小目标检测.pdf第1页

试读结束, 可继续读1页

10积分/C币 立即下载 >