形態學濾波器自動目標檢測方法
2023-07-22 01:03:51
專利名稱：形態學濾波器自動目標檢測方法
技術領域：
本發明涉及一種用於圖像處理技術領域的目標檢測方法，具體是一種形態學濾波器自動目標檢測方法。
背景技術：
近年來，隨著對形態學的研究發展，形態學圖象處理這門特殊的圖象處理學科逐漸發展成為圖象處理的一個主要研究領域，並逐步成為弱小目標檢測和識別的有利工具。形態學濾波器可分解為形態學運算和結構元素這兩個基本的問題。腐蝕，膨脹，開和閉算子是形態學運算的4種基本算子，對這4個基本算子進行組合可以得出具有不同特性的形態學算子。當形態學運算規則確定後，形態濾波器的最終濾波性能就僅僅取決於結構元的選擇，包括結構元素的形狀和元素值。選擇不同的結構元會導致運算對不同幾何結構信息的分析和處理。在以往關於利用形態學算子對紅外弱小目標進行檢測的研究中，結構元素都是事先確定好了的。因此，這些濾波器僅僅在所對應的某類圖像模型中具有較好的濾波性能。然而，通常情況下圖像信號極為複雜且處於不斷變化之中，這就要求選用的結構元素應具有自適應功能，以實現最優化處理。
目前，對於結構元素的優化訓練，國內外研究者提出了形態學神經網絡和形態學遺傳算法兩種學習方法。其中，將遺傳算法與形態學濾波器相結合，利用遺傳算法訓練形態學濾波器結構元素以實現最優化處理是近年來國內外學者在紅外點目標檢測問題中重點研究的一種方法。
經對現有技術的文獻檢索發現，Terebes R等人在《Signal Processing，20026th International Conference on》(Volume1，26-30 Aug.2002.Pages853-857vol.1)(《2002年第6次信號處理國際會議》)上發表的「Adaptive Filtering UsingMorphological Operators and Genetic Algorithms」，(「基於形態學算子和遺傳算法的自適應濾波」)該文中提出的遺傳算法採用常規的交叉與變異算子，使得其在收斂尋優過程中效率不高。遺傳算法是在概率意義上找到全局最優點，所要處理的數據量大，同時，對於作為檢測紅外弱小點目標的首選，目前對於Top-Hat形態學濾波器結構元素的自適應優化訓練研究還較為薄弱。
發明內容
本發明的目的在於克服現有技術存在的不足，提出一種形態學濾波器自動目標檢測方法，使其基於遺傳算法優化訓練，採用區間離散化編碼和自適應的主次式交叉與變異算子的遺傳算法，以用來優化訓練結構元素，同時，選擇Top-Hat高通濾波算子作為形態學濾波器算子，從而有效克服現有遺傳算法優化形態學濾波器技術中濾波器最優性能不高，遺傳算法收斂時間較長，尋優效率不高等缺點。
本發明是通過以下技術方案實現的，首先採集用來優化訓練結構元素的訓練樣本，這些樣本應儘可能包含各種點目標和背景，構造用於優化訓練的遺傳算法，該遺傳算法採用新的區間離散化編碼和自適應的主次式交叉與變異算子，利用採集到的樣本用該遺傳算法優化訓練結構元素值，在這些優化好的結構元素的基礎上構造基於Top-Hat算子的形態學濾波器，對紅外目標圖象進行濾波。最後針對所檢測的大多數弱小點目標採用自適應門限進行分割，對信躁比較高的點目標用固定門限進行分割檢測出目標點。
以下對本發明最進一步的說明，包括如下步驟(1)構造用於優化訓練的遺傳算法具體包括編碼，個體適應度計算，交叉和變異這幾步。其中，編碼方式採取一種新的區間離散化編碼，這相當於將個體分量的取值實數範圍離散化。然後計算群體中每個染色體的適應函數值，以下文遺傳算法STEP3中所示概率用輪盤選擇法從群體中隨機選取一些染色體構成一個種群，最後通過自適應的主次式交叉與變異運算生成個新的群體。
遺傳算法是一個群體優化過程，它是由一組初始值(生物群體)出發進行優化。這裡，群體是指狀態空間的有限點集，用pop表示。所謂優化的過程就是這個群體pop不斷繁衍，競爭，遺傳和變異的過程。依照生物學術語，將pop中任一有限點集{a1，…，an}稱為一個種群，n為該種群的規模。pop中任一點popi=ai(1)ai(2)ai(D)(1in)]]>稱為一個個體或染色體，而popi中每一ai(j)(1≤j≤D)稱之為基因。遺傳算法一般描述如下STEP1選擇問題的一個編碼；給出一個有N個染色體的初始群體pop(1)，t＝1。STEP2對群體pop(t)中的每個染色體popi(t)計算它的適應值函數fi＝fitness(popi(t))STEP3若停止規則滿足，則算法停止；否則，計算概率pi=exp[fi/Tk]j=1Nexp[fj/Tk],i=1,2,,N]]>其中{Tk}為漸趨於0的退火溫度，且Tk=1/ln[kT0+1],T0=100,k=1,2,.]]>並以此概率分布從pop(t)中隨機選一些染色體構成一個種群newpop(t+1)＝{popj(t)|j＝1，2，…，N}STEP4通過交配，交配概率為Pc，得到一個有N個染色體的crosspop(t+1)。STEP5以一個較小的概率Pm，使得染色體的基因發生變異，形成mutpop(t+1)；令t＝t+1，一個新的群體pop(t)＝mutpop(t)生成；返回STEP2。
(2)基於自適應門限的分割門限的確定應針對每個n×n圖像單元，採用單幀檢測概率，虛警概率及信噪比定門限。自適應門限分割對於弱小點目標的檢測是非常有效的，但是對於信噪比較高的點目標卻不能很好的檢測出來。這是因為隨著點目標信噪比的提高，自適應門限增長的速度遠遠大於點目標經開餘運算後值的增長速度。如果降低自適應門限的增長速度使之與目標信噪比的增長速度相適應，又不能有效檢測出弱小點目標。為此，本發明中針對每個n×n圖像單元的均方差給定一閾值，因為信噪比較高的點目標利用固定門限就能很好的將其檢測出來，所以高於此閾值的點目標利用固定門限進行分割檢測，低於此閾值的弱小點目標利用自適應門限進行分割檢測。
本發明的方法中，形態學算子選用具有高通濾波性的Top-Hat算子，可以有效的提高濾波器對目標點的檢測能力和對背景噪聲的抑制能力。用於優化訓練濾波器的遺傳算法採用新的區間離散化編碼和自適應的交叉與變異算子，有效克服了以往方法中採用常規編碼所帶來的優化性能不高，收斂時間較長等缺點，以及提高遺傳算法收斂尋優過程中的時效性，從而較大提高形態學濾波器的濾波性能。本發明在軍事民用兩方面有廣泛的運用前途，可以為提高我國地空飛彈的制導精度、擴大飛彈的攻擊範圍(中遠程)奠定基礎，同時該技術還有助於提高地面電子支援系統的搜索預警跟蹤性能，極大的提高我國的軍事裝備力量。
圖1為本發明基於遺傳算法優化訓練的形態學Top-Hat濾波器原理框2為本發明對連續四幅低信噪比圖象進行濾波處理後結果對比圖。
其中，圖2(a)，(b)，(c)，(d)為連續的四幀原始圖象，圖2(e)，(f)，(g)，(h)為運用本發明對它們進行濾波後的結果圖象。
圖3為應用本發明與基於神經網絡優化訓練的Top-Hat濾波器分別對同一幅圖象中的弱小點目標進行檢測後的對比圖。
其中，圖3(a)為待濾波的原始圖象，圖3(b)為用基於神經網絡優化訓練的Top-Hat濾波器對原始圖象進行濾波後的結果圖象，圖3(c)為運用本發明對原始圖象進行濾波後的結果圖象。
具體實施例方式
為了更好地了解本發明的技術方案，以下結合附圖對本發明的實施方式做進一步描述。
本發明基於遺傳算法優化訓練的形態學濾波器對紅外弱小點目標進行檢測的原理框圖如圖1所示，濾波過程主要分為形態學濾波和門限分割兩部分。其中形態學濾波是目標檢測的重點，形態學濾波器可分解為形態學運算和結構元素這兩個基本的問題。當形態學運算規則確定後，形態濾波器的最終濾波性能就僅僅取決於結構元的選擇。本發明利用一系列事先得到的樣本數據用遺傳算法對濾波器結構元素進行訓練，以獲得最佳的濾波器參數。其中，遺傳算法包括編碼，個體適應度計算，交叉和變異這幾步。原始圖象通過遺傳算法優化訓練後的形態學濾波器濾波後，最後針對所檢測的大多數弱小點目標採用自適應門限進行分割，對信躁比較高的點目標用固定門限進行分割檢測出目標點。
各部分具體實施細節如下1.構造用於優化訓練的遺傳算法形態學濾波器參數主要由結構元素的各分量值構成，其訓練學習過程屬多參數優化問題。為此，將它們映射為遺傳空間中由基因組成的串結構數據時，採用多參數編碼方式。本發明引入一種新的區間離散化編碼，假設個體B的各分量取值為區間[xmin，xmax]中的所有實數。此時，先確定構造的字符串長度K，然後在[xmin，xmax]上等間距地插入2K-2個點，每相鄰兩點的距離為=xmax-xmin2K-1]]>則在[xmin，xmax]上選取了2K個點，它們分別為xmin，xmin+δ，xmin+2δ，…，xmin+(2K-1)δ＝xmax，這2K個點分別用K位二進位數表示，即 對區間離散化編碼與常規編碼分別進行仿真，仿真結果如表3，表4所示，表3為本發明與採用常規編碼遺傳算法訓練時算法收斂到不同適應度情況下耗用CPU時間比較。表4為本發明與採用常規編碼遺傳算法訓練時在一定循環次數下對個體適應度進行比較。表3反映了本發明中的區間離散化編碼遺傳算法收斂速度要大於常規編碼遺傳算法收斂速度，表4反映了其優化性能要好於常規編碼遺傳算法的優化性能。
遺傳算法學習規則中需要引入相關的先驗知識和統計規律加以約束，並提供優選標準(代價函數)以引導求解過程。對於濾波參數的優化訓練而言，最關鍵的乃是形態濾波器的非線性映射輸出要儘量地逼近訓練樣本的期望值，即要求最優解同所有示例保持一致且為最優的描述。同時，還需兼顧終止算法(停機準則)的可操縱性。因此，本發明選用最優解目標的平方誤差代價函數作為糾偏與牽引優化搜索的代價函數較為理想，定義如下E=12Lk=1L(Yk-dk)2]]>這裡L為訓練樣本數，dk為輸出對應的第k個輸入信號的期望值，Yk定義為Top-Hat形態學濾波器在第k個訓練樣本輸入後輸出矩陣的最大值，如下所示開餘運算時 閉餘運算時Yk＝max((Fk·B)(x)-Fk)於是個體popi(t)的適應值函數fi＝fitness(popi(t))定義為fi=1/E=2L/k=1L(Yk-dk)2]]>雙親的染色體在一定概率下以交叉的方式產生出子代染色體，從而使子代個體遺傳雙親的基本特徵。本發明新設計出一種主次式交叉算子，其思想是在算法初期，交叉運算主要針對原點附近的高權重分量，以加大優質解的生成速度和生成概率，加速淘汰劣質解，從而使搜索域及早轉向具有優化潛力的解空間；在算法後期，交叉運算則重點針對個體邊緣的低權重分量，以保護優化好的高權重分量，並逐漸優化次要分量。為此，大小n×n的結構元素可以看作為一系列以原點為中心的矩形，其某分量權重的大小程度以它所在矩形的邊長來度量。結構元素中i×i的矩形其邊長定義為i。
給定矢量集Q上2個結構元素個體pop1(t)和pop2(t).主次式交叉概率定義如下 式中η為適應度常數，L為個體分量所在矩形的邊長，K1，K2為常數，α，β＞0為權重常數，f為群體的平均適應值，定義如下
f=f12+f22+fn2]]>每次交叉運算進行時，以遺傳算法STEP3中所示的概率用輪盤選擇法從數量為N的群體中隨機選取N/2個樣本作為種群。本發明採取一種新的遍歷式交叉規則如下{crosspopi，crosspop(N/2)+i}＝cop(newpopi，newpops)1≤i≤N/2其中，cop為交叉函數，newpopi為種群中第i個個體，newpops為每次交叉運算時以遺傳算法STEP3中所示概率用輪盤選擇法從種群中選擇出來的個體，crosspopi，crosspopN/2+i為每次交叉運算後新生成的個體。這樣在每一輪交叉運算結束後，產生出的新群體染色體個數與原群體染色體個數一樣。
變異算子實現群體的優化改良，為交叉過程中可能丟失的某些遺傳基因進行修復和補充，恢復群體失去的多樣性，以避免陷入局部最優。
本發明根據先主後次，權重優先的優化原則採取新的主次式變異，在算法初期，變異操作主要針對個體原點附近的高權重分量，以減小這一階段對次要分量不必要的盲目搜索；而在算法後期變異操作主要針對個體邊緣的低權重分量，以保持優化好的主要分量，並漸進優化次要分量。
定義主次式變異概率如下 式中，P1，P2為幅值常數，σ為調節個體參數權重大小的常數，τ為調節Pm隨時間衰減快慢的時間常數，T為遺傳算法設置的最大代數。
2.基於自適應門限的分割本發明根據對所檢測的大多數弱小點目標採用自適應門限進行分割，對信躁比較高的點目標用固定門限進行分割這一思想，採用單幀檢測概率，虛警概率及信噪比定義自適應門限如下
其中，Pd為單幀檢測概率，SNR為信噪比，v為檢測門限，u為某個n×n圖象單元背景對消後的噪聲均值，σ2為噪聲均方差。u和σ2的求法如下式f＝g-(gΘB)Bu=19i=13j=13f(i,j)]]>2=19i=13j=13(f(i,j)-u)2]]>g為原始圖象灰度，f為形態濾波開運算後的灰度。
運用本發明對一系列紅外弱小點目標圖象進行濾波處理，濾波結果如圖2所示。並且與採用不同結構元素濾波器以及不同形態學算子濾波器分別進行仿真比較，結果如表1，表2所示。表1為本發明與另外兩種採取不同結構元素的濾波器對100幅不同信噪比的圖象進行單幀濾波處理比較。其中，方式(1)為用固定結構元素的Top-Hat形態學濾波器進行濾波處理，方式(2)為用神經網絡優化訓練了結構元素的Top-Hat形態學濾波器進行濾波處理，方式(3)為用本發明進行濾波處理。表2為本發明與採用不同形態學算子濾波器在不同信噪比情況下進行單幀濾波處理比較。從中可以看出本發明的方法與採用固定結構元素，用神經網絡優化訓練結構元素以及採用其他形態學算子的濾波器相比，可以顯著提高對弱小點目標圖象的濾波性能。與採用神經網絡優化訓練結構元素的形態學濾波器想比較，本發明還可以檢測出一些它不能檢測出的弱小點目標，如圖3所示。
對比現有的紅外弱小目標檢測技術，本發明可以有效的抑制各種噪聲幹擾，對信噪比較低的點目標進行準確檢測，能夠達到工程化的實用效果。同時從整個實現步驟可知，本發明方法易於實現，從而為紅外弱小點目標檢測的工程化提供了一個技術實現方法。
表1 不同結構元素濾波器檢測目標概率對比表
表2 不同形態學算子濾波器檢測目標概率對比表
表3 不同編碼方式遺傳算法收斂時間表
表4 不同編碼方式遺傳算法優化訓練性能對比表
權利要求
1.一種形態學濾波器自動目標檢測方法，其特徵在於，首先採集用來優化訓練結構元素的訓練樣本，這些樣本應儘可能包含各種點目標和背景，構造用於優化訓練的遺傳算法，該遺傳算法採用新的區間離散化編碼和自適應的主次式交叉與變異算子，利用採集到的樣本用該遺傳算法優化訓練結構元素值，在這些優化好的結構元素的基礎上構造基於Top-Hat算子的形態學濾波器，對紅外目標圖象進行濾波，最後針對所檢測的大多數弱小點目標進行基於自適應門限的分割，對信躁比較高的點目標用固定門限進行分割檢測出目標點。
2.根據權利要求1所述的形態學濾波器自動目標檢測方法，其特徵是，所述的構造用於優化訓練的遺傳算法，具體為包括編碼，個體適應度計算，交叉和變異這幾步，其中，編碼方式採取一種新的區間離散化編碼，這相當於將個體分量的取值實數範圍離散化，然後計算群體中每個染色體的適應函數值，以STEP3中所示概率用輪盤選擇法從群體中隨機選取一些染色體構成一個種群，最後通過自適應的主次式交叉與變異運算生成個新的群體。
3.根據權利要求1所述的形態學濾波器自動目標檢測方法，其特徵是，所述的基於自適應門限的分割，具體為根據某個n×n圖象單元背景對消後的噪聲均值，噪聲均方差，單幀檢測概率及信噪比計算出自適應門限值，然後針對每個n×n圖像單元的均方差給定一閾值，噪聲均方差低於該閾值的大多數弱小點目標採用自適應門限進行分割，高於該閾值的點目標用固定門限進行分割。
全文摘要
一種形態學濾波器自動目標檢測方法，首先採集用來優化訓練結構元素的訓練樣本，樣本應儘可能包含各種點目標和背景，構造用於優化訓練的遺傳算法，該遺傳算法採用新的區間離散化編碼和自適應的主次式交叉與變異算子，利用採集到的樣本用該遺傳算法優化訓練結構元素值，在這些優化好的結構元素的基礎上構造基於Top－Hat算子的形態學濾波器，對紅外目標圖象進行濾波，最後針對所檢測的大多數弱小點目標進行基於自適應門限的分割，對信躁比較高的點目標用固定門限進行分割檢測出目標點。本發明實現了對複雜背景情況下的紅外弱小點目標進行自動檢測，極大提高了目標檢測概率和抗幹擾能力，在民用及軍用方面有著極其廣泛的應用前景。
文檔編號G06T7/00GK1604140SQ20041006802
公開日2005年4月6日 申請日期2004年11月11日 優先權日2004年11月11日
發明者李建勳, 曾明 申請人:上海交通大學