基于聚类思想的红外弱小目标检测.pdf
《基于聚类思想的红外弱小目标检测.pdf》由会员分享,可在线阅读,更多相关《基于聚类思想的红外弱小目标检测.pdf(11页珍藏版)》请在咨信网上搜索。
1、针对复杂背景下尺寸未知的红外弱小目标检测难题,一种基于聚类思想的红外弱小目标检测方法被提出。首先,利用小目标形态学特征对原始红外图像进行预处理,生成新的密度特征图。其次,使用改进的密度峰聚类算法对潜在候选目标进行粗定位。然后,针对潜在目标的局部候选集,采用加权模糊集聚类算法对局部候选集进行目标与背景区域的精细分割,利用目标与背景之间的差异性在增强目标的同时抑制虚警。最后,对处理后的局部候选集进行自适应阈值提取真实目标。实验结果表明,与7种对比算法相比,该算法对尺寸未知的小目标具有良好的鲁棒性和检测性能。关键词:红外弱小目标检测;聚类;密度峰聚类;模糊集;分割中图分类号:TP391 文献标识码:
2、AInfrared small target detection based on clustering ideaRAO Jun-Min1,2,3,MU Jing1,2,3,LIU Shi-Jian1,3,GONG Jin-Fu1,2,3,LI Fan-Ming1,3*(1.Key Laboratory of Infrared System Detection and Imaging Technology,Chinese Academy of Sciences,Shanghai 200083,China;2.University of Chinese Academy of Sciences,B
3、eijing 100049,China;3.Shanghai Institute of Technical Physics,Chinese Academy of Sciences,Shanghai 200083,China)Abstract:In order to solve the problem of detecting infrared small targets of unknown size in complex background,an infrared small target detection algorithm based on the clustering idea i
4、s proposed.First,the original infrared image is preprocessed by using small target morphological features to generate a new density feature map.Secondly,the potential candidate targets are coarsely localized with an improved density-peak clustering algorithm.Then,the local candidate sets of potentia
5、l targets are constructed.A weighted fuzzy set clustering algorithm is used to finely segment the target and background regions of the image block,and then the difference between the target and background is adopted to suppress false alarms while enhancing the target.Finally,an adaptive threshold is
6、 applied to the processed local candidate set to extract the real target.Experimental results show that the proposed algorithm has good robustness and detection performance for small targets of unknown size in comparison with the other seven methods.Key words:infrared small and dim target detection,
7、clustering,density peak clustering,fuzzy set,segmentation引言红外弱小目标检测作为红外搜索跟踪系统(Infrared Search and Track,IRST)关键技术之一,其被广泛应用在遥感和光电搜索等远距离目标探测场景中1。然而,由于远距离成像,目标在图像中所占比例很小,缺乏纹理结构等细节信息不易识别2。当复杂背景中存在严重的噪声和杂波干扰时,小目标极其容易被淹没。此外,由于红外弱小目标的尺寸随着目标的距离而变化,在很多时候目标尺寸是文章编号:1001-9014(2023)04-0527-11DOI:10.11972/j.issn.
8、1001-9014.2023.04.015收稿日期:2022 10 20,修回日期:2023 01 09 Received date:2022 10 20,revised date:2023 01 09基金项目:国家十四五预研课题(项目编号514010405-207)Foundation items:Supported by National 14th Five-Year Plan Preliminary Research Project(Project No.514010405-207)作者简介(Biography):饶俊民(1995),男,江西抚州人,博士研究生,主要研究领域为图像处理、红
9、外弱小目标检测等方面研究工作.E-mail:*通讯作者(Corresponding author):E-mail:42 卷 红 外 与 毫 米 波 学 报未知的,无法获得准确的先验信息。因此,复杂背景下的红外弱小目标检测任务依旧是一个具有挑战性的研究课题。在过去几十年间,许多相关学者针对红外弱小目标检测问题进行了大量研究。现有的红外弱小目标检测方法可分成多帧检测与单帧检测两大类3。多帧检测算法通常利用时空相关性进行弱小目标检测,需要结合较多先验信息,如航迹与速度,以实现弱小目标检测。通常,这类算法需要执行多帧关联,无法即时输出目标,计算复杂度高4。与之相比,单帧检测算法只需要少量的先验信息,具
10、有良好的实时性,较低的复杂度以及工程化应用潜力。因此,单帧检测算法受到广泛关注。在单帧检测算法中,基于滤波的方法通过特定设计的滤波器对红外图像进行背景抑制和目标增强。这类方法优势在于计算成本低,易于实现,适合于实时处理,如顶帽变换(Top-Hat)5、最大中值滤波器(Max-median filter)6、二 维 最 小 均 方(Two-dimensional Least Mean Square,TDLMS)7滤波器等,但在复杂背景和目标信噪比低的情况下,这类算法存在大量的虚警。基于低秩稀疏恢复的方法,这类方法的实质是利用小目标的稀疏特性以及红外背景图像的非局部自相关性(低秩特性),将小目标检
11、测问题转换成恢复低秩稀疏矩阵的数学优化问题,通过对稀疏矩阵进行阈值分割实现弱小目标检测。高等人8 提出的红外块图像(Infrared Patch-Image,IPI)模型拟合了很多复杂场景,有着不错的适应性。但不足的是,由于1范数度量的稀疏性存在缺陷,一些具有稀疏性质的杂波会造成大量虚警,影响检测性能。为了解决这个缺陷,戴等人9 将 IPI模型推广到红外图像块张量(Infrared Patch-Tensor Model,IPT)模型,从张量的不同维度获取更多的空间相关性信息用于抑制稀疏性质杂波的干扰。同时,将局部结构先验信息作为加权项纳入IPT模型,增强算法的鲁棒性和检测性能。但这类算法依赖于
12、目标背景范数的拟合程度,由于强边缘杂波和高亮点噪声也存在稀疏特性,很容易被错误地分解成稀疏矩阵,导致较高的虚警;此外,当背景复杂时,红外背景图像的低秩特性假设也不成立,检测性能会大幅度下降。近些年,受人类视觉机制(Human Visual System,HVS)启发,一些学者将HVS引入红外弱小目标检测中,由于这类算法具有良好的检测性能和实时性能,因此受到学者们的广泛关注。人眼的视觉特性根据对比度而非亮度来获取视觉显著性区域。换言之,在红外图像中,由于目标在局部邻域内与周围背景存在一定的对比度差异从而具有显著性。背景中虽然可能存在高亮度区域,但由于背景区域通常面积大,亮度过渡是平缓的,其局部对
13、比度差异并不明显10。因此,人眼可以从复杂背景和强杂波干扰中,快速捕捉到图像中的真实目标。基于HVS的方法,通过目标与周围背景的差异性来计算对比度。如陈俊龙等人11 提出的局部对比度衡量(Local Contrast Measure,LCM)算法,该算法使用一个两层嵌套窗口,分别捕捉目标与背景,通过滑动窗口遍历每个像素点计算比值型局部对比度,实现增强目标的同时抑制背景。但该方法存在两个明显缺陷:1.在高亮背景干扰下,对杂波(如:高亮云层的边缘杂波)无法有效抑制,且比值型局部对比度信息增强有限,目标难以脱颖而出,检测结果中存在较高的虚警;2.对窗口形状与尺寸十分敏感。不同大小的目标,需要不同大小
14、的子窗口。为了解决这些问题,在LCM的研究基础上,后续许多学者提出了改进算法。韩金辉等人12 通过比差联合的方式提出相对局部对比度(Relative Local Contrast Measure,RLCM),减轻了高亮背景的干扰,有效增强了目标,提升了检测性能。为了适应不同尺寸目标并调整计算窗口的大小,LCM和RLCM均采用多尺度窗口进行自适应检测。多尺度算法通常以多尺度下的最大响应值作为最终输出,若窗口单元大于真实目标,靠近目标的背景区域将被增强,形成“膨胀效应”,从而影响检测性能。为了解决“膨胀效应”问题,崔等人13提出一种加权三层窗口局部对 比 度 方 法(Weighted Three
15、Layer Window Local Contrast Method,WTLLCM),采用新的三层嵌套窗口设计,通过不同窗口间的差异性,在单一尺度下实现与多尺度相当的检测能力,并且克服了“膨胀效应”。但是,HVS算法的窗口模板大小形状是固定的,在实际场景中无法完全适应目标尺寸的变化。窗口过大,目标区域内不可避免混杂背景像素;窗口过小,背景区域内也可能存在部分目标像素。因此,窗口不匹配目标时的局部对比度会受到影响,从而造成检测性能的大幅度下降。在一些最新研究中,为了适应未知大小的目标,一些学者将聚类和分割思想引进红外弱小目标检测领域。受文献14 启发,黄等人15 引入点聚类思想提出一种密度528
16、4 期饶俊民 等:基于聚类思想的红外弱小目标检测峰 搜 索 和 最 大 值 灰 度 区 域 生 长(Density Peaks Searcher and Maximum-Gray Region Growing,DPS-MRG)算法,利用目标具有相对大的密度和较大的最临近距离等特性,全局搜索提取候选目标作为种子点,通过最大灰度区域生长来形成新的特征找到真实目标。虽然该算法对目标大小的变化具有鲁棒性,但忽略了相邻像素的相关性。另外,候选目标的最大灰度区域对明亮背景很敏感,容易造成误检。秦等人16 提出了基于 Facet 内核与随机游走(Facet Kernel and Random Walker,
17、FKRW)的检测算法。首先,利用Facet内核对红外图像进行滤波,增强目标类像素,再自适应阈值运算提取候选目标像素。随后,对候选目标采用随机游走算法聚类分割,解决了异质像素混杂从而影响对比度的问题,进而获得更准确的局部对比度。随机游走算法是一种监督类分割算法,需要人为标记像素点,并且求解未标记像素到标记像素点的概率,以概率大小判断像素类别的归属。但在复杂的高亮背景中,目标像素的灰度值与背景差异性不大,两者无法有效区分,造成了异质像素的混入,限制了检测率的上限。陈17等人利用模糊 C 均值(Fuzzy C-means,FCM)无监督聚类分割算法无需人为标记种子点的特点,并且结合像素的空间相关性实
18、现了对背景与目标像素进行精细分割。遗憾的是,该算法使用HVS算法提取候选目标,捕获真实目标的能力受到HVS算法的局限,无法摆脱窗口尺寸不匹配带来的检测性能下降问题。鉴于上述分析,受聚类思想和HVS启发,本文提出一种多层次聚类思想与对比度结合的检测方法。首先,对原始红外图像进行形态学处理,生成对目标更为鲁棒的密度特征显著图。然后,利用对尺寸不敏感的点聚类算法(Density Peaks Clustering,DPC)进行全局搜索,快速粗提取候选目标的坐标。其次,利用改进的无监督聚类算法(Improved Fuzzy C-means,IFCM)对候选目标邻域进行精细分割,划分目标像素与背景像素,构
19、造精确的对比度。两个不同层次的聚类算法,优势互补,既可解决目标大小未知对窗口尺寸形状设计的难题,又可避免混入异质像素带来的对比度信息衰减的可能。全局与局部结合的聚类算法使得复杂背景红外弱小目标检测的灵敏性和鲁棒性均得到了提升。1 本文方法 图1给出了本文算法的流程图,该算法分为四步:1)对原始红外图像进行形态学滤波(New White Top-Hat,NWTH)18预处理操作,生成新的密度特征图;2)在形态学预处理后的密度特征图上进行密度峰 聚 类(Morphology-Density Peaks Clustering,M-DPC)算法快速提取候选目标的坐标;3)采用改进型模糊C均值(Impr
20、oved Fuzzy C-means,IFCM)聚类算法对目标像素与背景像素进行精细分割,然后有效增强目标;4)利用自适应阈值获得真实目标。图1本文方法流程框图Fig.1Flowchart of the proposed method52942 卷 红 外 与 毫 米 波 学 报1.1NWTH预处理在原始红外图像中,小目标成像边缘模糊、信杂比低、易被杂波淹没。原始红外图像作为密度特征图对密度峰聚类(Density Peaks Clustering,DPC)算法捕获真实目标并不友好。因此,为了增强捕获真实目标的性能,本文根据目标的形态特征,利用形态学滤波构建对目标更为鲁棒的密度特征图。形态学滤波
21、是一种非线性滤波方法,根据目标特征设计特定的结构窗口,在每个像素点进行局部的腐蚀与膨胀操作,可以捕捉图像中目标形状、边缘等细节特征,从而实现突出目标,抑制杂波与噪声。顶帽变换(Top-hat)作为一种常见的形态学滤波方法,其优点是结构简单、运算速度快,因此被广泛使用。但是传统 Top-hat使用相同的平坦结构元素,没有考虑到目标与背景区域的差异性。因此,Top-hat在小目标检测方面表现并不好,存在大量虚警。改进型的NWTH参考了目标与背景区域存在差异性的先验知识,设计了新的平坦结构元素,两个不同半径的同心圆。它能更好地利用结构元素之间的差异信息,增强目标,抑制背景。图 2(a)是 NWTH
22、的结构元素关系图,Bi和Bo分别是内环半径与外环半径;Bb是实心结构,半径在Bi和Bo之间;B是环形结构,宽度B=Bo-Bi。fBoi操作子的定义为:(fBoi)(x,y)=(fB)Bb,(1)式(1)中 f 表示原始红外图像;Boi表示该操作与内外结构都有关;(x,y)为像素的坐标;表示膨胀操作;表示腐蚀操作。NWTH的定义为:NWTH(x,y)=f(x,y)-fBoi(x,y).(2)图2(b)是原始红外图像,图2(c)是NWTH滤波后的结果图。如图2(c)所示,预处理之后背景中点噪、平缓的高亮背景和边缘型杂波均被抑制。对目标进行了增强,为下一步点聚类算法提供了更好的密度特征图。1.2基于
23、M-DPC算法目标候选点粗提取密度峰聚类算法核心思想是基于两个假设:1.聚类中心均大于周围邻域的局部密度;2.聚类中心比它局部密度更大的点之间的距离相对较大。基于假设,DPS-MRG 利用密度峰值全局搜索候选目标,该方法可以检测不同大小的目标,并消除由各种复杂形状的杂波带来的干扰。红外小目标通常在局部有最大的灰度值,因此该算法局部密度i采用原始红外图像像素的灰度值:i=gi,(3)式(3)中,gi表示图像中像素i的灰度值。最临近相关距离i是通过像素点i与比它密度更高的像素点j之间的最小欧式距离计算得出i=minj()dij,j imaxj()dij,j i,(4)dij=()xi-xj2+()
24、yi-yj2,(5)式(5)中dij是两个像素之间的欧式距离。xi和yi是图2预处理阶段图:(a)结构元素关系图,(b)原始红外图像,(c)预处理结果图Fig.2Pretreatment stage graphs:(a)relationship of the structuring elements,(b)the raw infrared image,(c)the preprocessed result image5304 期饶俊民 等:基于聚类思想的红外弱小目标检测像素点i的横纵坐标,xj和yj是像素点j的横纵坐标。密度峰i是局部最大密度与最临近距离的联合概念。i=i i,(6)通过计算每个
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 思想 红外 弱小 目标 检测
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。