CN1604140A - 形态学滤波器自动目标检测方法 - Google Patents

Abstract

一种形态学滤波器自动目标检测方法，首先采集用来优化训练结构元素的训练样本，样本应尽可能包含各种点目标和背景，构造用于优化训练的遗传算法，该遗传算法采用新的区间离散化编码和自适应的主次式交叉与变异算子，利用采集到的样本用该遗传算法优化训练结构元素值，在这些优化好的结构元素的基础上构造基于Top－Hat算子的形态学滤波器，对红外目标图象进行滤波，最后针对所检测的大多数弱小点目标进行基于自适应门限的分割，对信躁比较高的点目标用固定门限进行分割检测出目标点。本发明实现了对复杂背景情况下的红外弱小点目标进行自动检测，极大提高了目标检测概率和抗干扰能力，在民用及军用方面有着极其广泛的应用前景。

Description

形态学滤波器自动目标检测方法

技术领域

本发明涉及一种用于图像处理技术领域的目标检测方法，具体是一种形态学滤波器自动目标检测方法。

背景技术

近年来，随着对形态学的研究发展，形态学图象处理这门特殊的图象处理学科逐渐发展成为图象处理的一个主要研究领域，并逐步成为弱小目标检测和识别的有利工具。形态学滤波器可分解为形态学运算和结构元素这两个基本的问题。腐蚀，膨胀，开和闭算子是形态学运算的4种基本算子，对这4个基本算子进行组合可以得出具有不同特性的形态学算子。当形态学运算规则确定后，形态滤波器的最终滤波性能就仅仅取决于结构元的选择，包括结构元素的形状和元素值。选择不同的结构元会导致运算对不同几何结构信息的分析和处理。在以往关于利用形态学算子对红外弱小目标进行检测的研究中，结构元素都是事先确定好了的。因此，这些滤波器仅仅在所对应的某类图像模型中具有较好的滤波性能。然而，通常情况下图像信号极为复杂且处于不断变化之中，这就要求选用的结构元素应具有自适应功能，以实现最优化处理。

目前，对于结构元素的优化训练，国内外研究者提出了形态学神经网络和形态学遗传算法两种学习方法。其中，将遗传算法与形态学滤波器相结合，利用遗传算法训练形态学滤波器结构元素以实现最优化处理是近年来国内外学者在红外点目标检测问题中重点研究的一种方法。

经对现有技术的文献检索发现，Terebes R等人在《Signal Processing，20026th International Conference on》(Volume：1，26-30 Aug.2002.Pages：853-857vol.1)(《2002年第6次信号处理国际会议》)上发表的“Adaptive Filtering UsingMorphological Operators and Genetic Algorithms”，(“基于形态学算子和遗传算法的自适应滤波”)该文中提出的遗传算法采用常规的交叉与变异算子，使得其在收敛寻优过程中效率不高。遗传算法是在概率意义上找到全局最优点，所要处理的数据量大，同时，对于作为检测红外弱小点目标的首选，目前对于Top-Hat形态学滤波器结构元素的自适应优化训练研究还较为薄弱。

发明内容

本发明的目的在于克服现有技术存在的不足，提出一种形态学滤波器自动目标检测方法，使其基于遗传算法优化训练，采用区间离散化编码和自适应的主次式交叉与变异算子的遗传算法，以用来优化训练结构元素，同时，选择Top-Hat高通滤波算子作为形态学滤波器算子，从而有效克服现有遗传算法优化形态学滤波器技术中滤波器最优性能不高，遗传算法收敛时间较长，寻优效率不高等缺点。

本发明是通过以下技术方案实现的，首先采集用来优化训练结构元素的训练样本，这些样本应尽可能包含各种点目标和背景，构造用于优化训练的遗传算法，该遗传算法采用新的区间离散化编码和自适应的主次式交叉与变异算子，利用采集到的样本用该遗传算法优化训练结构元素值，在这些优化好的结构元素的基础上构造基于Top-Hat算子的形态学滤波器，对红外目标图象进行滤波。最后针对所检测的大多数弱小点目标采用自适应门限进行分割，对信躁比较高的点目标用固定门限进行分割检测出目标点。

以下对本发明最进一步的说明，包括如下步骤：

(1)构造用于优化训练的遗传算法

具体包括编码，个体适应度计算，交叉和变异这几步。其中，编码方式采取一种新的区间离散化编码，这相当于将个体分量的取值实数范围离散化。然后计算群体中每个染色体的适应函数值，以下文遗传算法STEP3中所示概率用轮盘选择法从群体中随机选取一些染色体构成一个种群，最后通过自适应的主次式交叉与变异运算生成个新的群体。

遗传算法是一个群体优化过程，它是由一组初始值(生物群体)出发进行优化。这里，群体是指状态空间的有限点集，用pop表示。所谓优化的过程就是这个群体pop不断繁衍，竞争，遗传和变异的过程。依照生物学术语，将pop中任一有限点集{a₁，…，a_n}称为一个种群，n为该种群的规模。pop中任一点 ${\mathrm{pop}}_i=a_i^{\left(1\right)}{a}_i^{\left(2\right)}\·\·\·a_i^{\left(D\right)}(1\≤i\≤n)$ 称为一个个体或染色体，而pop_i中每一a_i ^(j)(1≤j≤D)称之为基因。遗传算法一般描述如下：

STEP1选择问题的一个编码；给出一个有N个染色体的初始群体pop(1)，t＝1。STEP2对群体pop(t)中的每个染色体pop_i(t)计算它的适应值函数

               f_i＝fitness(pop_i(t))

STEP3若停止规则满足，则算法停止；否则，计算概率

$p_i=\frac{\exp [f_i/T_k]}{\underset{j=1}{\overset{N}{\mathrm{\Σ}}}\exp [f_j/T_k]},i=\mathrm{1,2},\·\·\·,N$

其中{T_k}为渐趋于0的退火温度，且 $T_k=1/\ln [\frac{k}{T_0}+1],T_0=100,k=\mathrm{1,2},\·\·\·.$

并以此概率分布从pop(t)中随机选一些染色体构成一个种群

       newpop(t+1)＝{pop_j(t)|j＝1，2，…，N}

STEP4通过交配，交配概率为P_c，得到一个有N个染色体的crosspop(t+1)。STEP5以一个较小的概率P_m，使得染色体的基因发生变异，形成mutpop(t+1)；

令t＝t+1，一个新的群体pop(t)＝mutpop(t)生成；返回STEP2。

(2)基于自适应门限的分割

门限的确定应针对每个n×n图像单元，采用单帧检测概率，虚警概率及信噪比定门限。自适应门限分割对于弱小点目标的检测是非常有效的，但是对于信噪比较高的点目标却不能很好的检测出来。这是因为随着点目标信噪比的提高，自适应门限增长的速度远远大于点目标经开余运算后值的增长速度。如果降低自适应门限的增长速度使之与目标信噪比的增长速度相适应，又不能有效检测出弱小点目标。为此，本发明中针对每个n×n图像单元的均方差给定一阈值，因为信噪比较高的点目标利用固定门限就能很好的将其检测出来，所以高于此阈值的点目标利用固定门限进行分割检测，低于此阈值的弱小点目标利用自适应门限进行分割检测。

本发明的方法中，形态学算子选用具有高通滤波性的Top-Hat算子，可以有效的提高滤波器对目标点的检测能力和对背景噪声的抑制能力。用于优化训练滤波器的遗传算法采用新的区间离散化编码和自适应的交叉与变异算子，有效克服了以往方法中采用常规编码所带来的优化性能不高，收敛时间较长等缺点，以及提高遗传算法收敛寻优过程中的时效性，从而较大提高形态学滤波器的滤波性能。本发明在军事民用两方面有广泛的运用前途，可以为提高我国地空导弹的制导精度、扩大导弹的攻击范围(中远程)奠定基础，同时该技术还有助于提高地面电子支援系统的搜索预警跟踪性能，极大的提高我国的军事装备力量。

附图说明

图1为本发明基于遗传算法优化训练的形态学Top-Hat滤波器原理框图

图2为本发明对连续四幅低信噪比图象进行滤波处理后结果对比图。

其中，图2(a)，(b)，(c)，(d)为连续的四帧原始图象，图2(e)，(f)，(g)，(h)为运用本发明对它们进行滤波后的结果图象。

图3为应用本发明与基于神经网络优化训练的Top-Hat滤波器分别对同一幅图象中的弱小点目标进行检测后的对比图。

其中，图3(a)为待滤波的原始图象，图3(b)为用基于神经网络优化训练的Top-Hat滤波器对原始图象进行滤波后的结果图象，图3(c)为运用本发明对原始图象进行滤波后的结果图象。

具体实施方式

为了更好地了解本发明的技术方案，以下结合附图对本发明的实施方式做进一步描述。

本发明基于遗传算法优化训练的形态学滤波器对红外弱小点目标进行检测的原理框图如图1所示，滤波过程主要分为形态学滤波和门限分割两部分。其中形态学滤波是目标检测的重点，形态学滤波器可分解为形态学运算和结构元素这两个基本的问题。当形态学运算规则确定后，形态滤波器的最终滤波性能就仅仅取决于结构元的选择。本发明利用一系列事先得到的样本数据用遗传算法对滤波器结构元素进行训练，以获得最佳的滤波器参数。其中，遗传算法包括编码，个体适应度计算，交叉和变异这几步。原始图象通过遗传算法优化训练后的形态学滤波器滤波后，最后针对所检测的大多数弱小点目标采用自适应门限进行分割，对信躁比较高的点目标用固定门限进行分割 检测出目标点。

各部分具体实施细节如下：

1.构造用于优化训练的遗传算法

形态学滤波器参数主要由结构元素的各分量值构成，其训练学习过程属多参数优化问题。为此，将它们映射为遗传空间中由基因组成的串结构数据时，采用多参数编码方式。本发明引入一种新的区间离散化编码，假设个体B的各分量取值为区间[x_min，x_max]中的所有实数。此时，先确定构造的字符串长度K，然后在[x_min，x_max]上等间距地插入2^K-2个点，每相邻两点的距离为

$\mathrm{\δ}=\frac{x_{\max }-x_{\min }}{2^K-1}$

则在[x_min，x_max]上选取了2^K个点，它们分别为x_min，x_min+δ，x_min+2δ，…，x_min+(2^K-1)δ＝x_max，这2^K个点分别用K位二进制数表示，即

对区间离散化编码与常规编码分别进行仿真，仿真结果如表3，表4所示，表3为本发明与采用常规编码遗传算法训练时算法收敛到不同适应度情况下耗用CPU时间比较。表4为本发明与采用常规编码遗传算法训练时在一定循环次数下对个体适应度进行比较。表3反映了本发明中的区间离散化编码遗传算法收敛速度要大于常规编码遗传算法收敛速度，表4反映了其优化性能要好于常规编码遗传算法的优化性能。

遗传算法学习规则中需要引入相关的先验知识和统计规律加以约束，并提供优选标准(代价函数)以引导求解过程。对于滤波参数的优化训练而言，最关键的乃是形态滤波器的非线性映射输出要尽量地逼近训练样本的期望值，即要求最优解同所有示例保持一致且为最优的描述。同时，还需兼顾终止算法(停机准则)的可操纵性。因此，本发明选用最优解目标的平方误差代价函数作为纠偏与牵引优化搜索的代价函数较为理想，定义如下：

$E=\frac{1}{2L}\underset{k=1}{\overset{L}{\mathrm{\Σ}}}{(Y_k-d_k)}^2$

这里L为训练样本数，d_k为输出对应的第k个输入信号的期望值，Y_k定义为Top-Hat形态学滤波器在第k个训练样本输入后输出矩阵的最大值，如下所示：

开余运算时

闭余运算时

                 Y_k＝max((F_k·B)(x)-F_k)

于是个体pop_i(t)的适应值函数f_i＝fitness(pop_i(t))定义为：

$f_i=1/E=2L/\underset{k=1}{\overset{L}{\mathrm{\Σ}}}{(Y_k-d_k)}^2$

双亲的染色体在一定概率下以交叉的方式产生出子代染色体，从而使子代个体遗传双亲的基本特征。本发明新设计出一种主次式交叉算子，其思想是在算法初期，交叉运算主要针对原点附近的高权重分量，以加大优质解的生成速度和生成概率，加速淘汰劣质解，从而使搜索域及早转向具有优化潜力的解空间；在算法后期，交叉运算则重点针对个体边缘的低权重分量，以保护优化好的高权重分量，并逐渐优化次要分量。为此，大小n×n的结构元素可以看作为一系列以原点为中心的矩形，其某分量权重的大小程度以它所在矩形的边长来度量。结构元素中i×i的矩形其边长定义为i。

给定矢量集Q上2个结构元素个体pop₁(t)和pop₂(t).主次式交叉概率定义如下：

式中η为适应度常数，L为个体分量所在矩形的边长，K₁，K₂为常数，α，β＞0为权重常数， f为群体的平均适应值，定义如下

$\stackrel{\‾}{f}=\sqrt{{f_1}^2+{f_2}^2+\·\·\·{f_n}^2}$

每次交叉运算进行时，以遗传算法STEP3中所示的概率用轮盘选择法从数量为N的群体中随机选取N/2个样本作为种群。本发明采取一种新的遍历式交叉规则如下：

{crosspop_i，crosspop_(N/2)+i}＝cop(newpop_i，newpop_s)1≤i≤N/2其中，cop()为交叉函数，newpop_i为种群中第i个个体，newpop_s为每次交叉运算时以遗传算法STEP3中所示概率用轮盘选择法从种群中选择出来的个体，crosspop_i，crosspop_N/2+i为每次交叉运算后新生成的个体。这样在每一轮交叉运算结束后，产生出的新群体染色体个数与原群体染色体个数一样。

变异算子实现群体的优化改良，为交叉过程中可能丢失的某些遗传基因进行修复和补充，恢复群体失去的多样性，以避免陷入局部最优。

本发明根据先主后次，权重优先的优化原则采取新的主次式变异，在算法初期，变异操作主要针对个体原点附近的高权重分量，以减小这一阶段对次要分量不必要的盲目搜索；而在算法后期变异操作主要针对个体边缘的低权重分量，以保持优化好的主要分量，并渐进优化次要分量。

定义主次式变异概率如下：

式中，P₁，P₂为幅值常数，σ为调节个体参数权重大小的常数，τ为调节P_m随时间衰减快慢的时间常数，T为遗传算法设置的最大代数。

2.基于自适应门限的分割

本发明根据对所检测的大多数弱小点目标采用自适应门限进行分割，对信躁比较高的点目标用固定门限进行分割这一思想，采用单帧检测概率，虚警概率及信噪比定义自适应门限如下：

其中，P_d为单帧检测概率，SNR为信噪比，v为检测门限，u为某个n×n图象单元背景对消后的噪声均值，σ²为噪声均方差。u和σ²的求法如下式

                    f＝g-(gΘB)B

$u=\frac{1}{9}\underset{i=1}{\overset{3}{\mathrm{\Σ}}}\underset{j=1}{\overset{3}{\mathrm{\Σ}}}f(i,j)$

${\mathrm{\σ}}^2=\frac{1}{9}\underset{i=1}{\overset{3}{\mathrm{\Σ}}}\underset{j=1}{\overset{3}{\mathrm{\Σ}}}{(f(i,j)-u)}^2$

g为原始图象灰度，f为形态滤波开运算后的灰度。

运用本发明对一系列红外弱小点目标图象进行滤波处理，滤波结果如图2所示。并且与采用不同结构元素滤波器以及不同形态学算子滤波器分别进行仿真比较，结果如表1，表2所示。表1为本发明与另外两种采取不同结构元素的滤波器对100幅不同信噪比的图象进行单帧滤波处理比较。其中，方式(1)为用固定结构元素的Top-Hat形态学滤波器进行滤波处理，方式(2)为用神经网络优化训练了结构元素的Top-Hat形态学滤波器进行滤波处理，方式(3)为用本发明进行滤波处理。表2为本发明与采用不同形态学算子滤波器在不同信噪比情况下进行单帧滤波处理比较。从中可以看出本发明的方法与采用固定结构元素，用神经网络优化训练结构元素以及采用其他形态学算子的滤波器相比，可以显著提高对弱小点目标图象的滤波性能。与采用神经网络优化训练结构元素的形态学滤波器想比较，本发明还可以检测出一些它不能检测出的弱小点目标，如图3所示。

对比现有的红外弱小目标检测技术，本发明可以有效的抑制各种噪声干扰，对信噪比较低的点目标进行准确检测，能够达到工程化的实用效果。同时从整个实现步骤可知，本发明方法易于实现，从而为红外弱小点目标检测的工程化提供了一个技术实现方法。

     表1  不同结构元素滤波器检测目标概率对比表

SNR	方式(1)下点目标的检测概率	方式(2)下点目标的检测概率	方式(3)下点目标的检测概率
				1.5	90％	95％	97％

2	94％	96％	98％
				5	100％	100％	100％

         表2  不同形态学算子滤波器检测目标概率对比表

SNR	膨胀运算下点目标的检测概率	开运算下点目标的检测概率	Top-Hat运算下点目标的检测概率
				2	81％	92％	98％
3	84％	95％	100％

   表3  不同编码方式遗传算法收敛时间表

适应度	常规编码时占用CPU时间	区间离散化编码时占用CPU时间
			0.3355	61.7720	23.2340
0.3550	114.8130	39.0310

表4  不同编码方式遗传算法优化训练性能对比表

循环次数	常规编码时个体适应度	区间离散化编码时个体适应度
			10	0.3109	0.3637
20	0.3264	0.3659

Claims (3)

1、一种形态学滤波器自动目标检测方法，其特征在于，首先采集用来优化训练结构元素的训练样本，这些样本应尽可能包含各种点目标和背景，构造用于优化训练的遗传算法，该遗传算法采用新的区间离散化编码和自适应的主次式交叉与变异算子，利用采集到的样本用该遗传算法优化训练结构元素值，在这些优化好的结构元素的基础上构造基于Top-Hat算子的形态学滤波器，对红外目标图象进行滤波，最后针对所检测的大多数弱小点目标进行基于自适应门限的分割，对信躁比较高的点目标用固定门限进行分割检测出目标点。

2、根据权利要求1所述的形态学滤波器自动目标检测方法，其特征是，所述的构造用于优化训练的遗传算法，具体为：

包括编码，个体适应度计算，交叉和变异这几步，其中，编码方式采取一种新的区间离散化编码，这相当于将个体分量的取值实数范围离散化，然后计算群体中每个染色体的适应函数值，以STEP3中所示概率用轮盘选择法从群体中随机选取一些染色体构成一个种群，最后通过自适应的主次式交叉与变异运算生成个新的群体。

3、根据权利要求1所述的形态学滤波器自动目标检测方法，其特征是，所述的基于自适应门限的分割，具体为：

根据某个n×n图象单元背景对消后的噪声均值，噪声均方差，单帧检测概率及信噪比计算出自适应门限值，然后针对每个n×n图像单元的均方差给定一阈值，噪声均方差低于该阈值的大多数弱小点目标采用自适应门限进行分割，高于该阈值的点目标用固定门限进行分割。

Images