[发明专利]一种利用样本特征学习分类的红外弱小目标检测方法

摘要

本发明一种利用样本特征学习分类的红外弱小目标检测方法：设含有目标的区域为正样本，背景区域为负样本，且已从实际红外图像中获得足够多带标签的正负样本。首先，从灰度分布、边缘、信息熵和能量四方面对样本分析，提取出拟合残差、中心周围对比度、边缘拟合圆半径、边缘拟合圆圆心偏移量、边缘拟合圆圆心距方差、基准信息熵对比度和纹理能量对比度7个特征；然后，通过包裹式选择、前向搜索方式，将受试者工作特性曲线下方的面积作为评价指标，从所有特征中选出最优特征子集；随后，提取正负样本的最优特征子集训练支持向量机分类器，进行监督学习；最后，通过对图像进行高帽变换预处理得到候选目标，并通过分类器甄别筛选得到最终检测结果。

主权项

1.一种利用样本特征学习分类的红外弱小目标检测方法，其特征在于：该方法具体步骤如下：设含有目标的区域为正样本，背景区域为负样本，并且已经从实际红外图像中获得足够多带标签的正负样本：步骤一：从灰度分布、边缘、信息熵和纹理能量4个方面提取样本的7维特征向量，这7维特征分别计算如下：(Ⅰ)拟合残差首先把样本分为中心区域和周围区域，将灰度分布看作是由式(1)表示的二元二次函数曲面，像素坐标为(x，y)，z(x，y)为当前坐标下的灰度值，然后利用周围像素进行加权最小二乘法拟合，待拟合参数如式(2)所示，损失函数由式(3)给出，解得拟合参数最优解如式(4)所示：z(x，y)＝ax2+by2+cxy+dx+ey+f                (1)θ＝(a，b，c，d，e，f)T                (2)L(θ)＝(Xθ‑Y)TW(Xθ‑Y)               (3)其中式(3)权重矩阵如式(5)所示，由各像素到区域中点的距离决定，X如式(6)所示，为各像素坐标参数的n×6矩阵，Y如式(7)所示，为各像素的灰度值，n表示参与拟合运算的像素数；Y＝(gray(x1，y1)，gray(x2，y2)，...gray(xn，yn))T             (7)设拟合出的像素值为将拟合出的中心区域与实际的中心区域值相减，除以中心区域像素数取平均，就得到了拟合残差特征r，如式(8)所示，其中m表示中心区域像素数；同时为了保证该特征的多尺度检测能力，设r_s为当前尺度下的拟合残差结果，则最终结果由式(9)给出；residual＝max(rs)，s＝1,2,…               (9)(Ⅱ)中心周围对比度首先将输入区域其分为中心区域与周围区域，中心区域的范围可以稍大，避免周围区域包含目标从而影响后续计算，同时可以使得该特征具有多尺度检测能力；选取中心区域的最大灰度值作为中心值，为了度量中心与周围的对比度同时不受背景杂波干扰，将周围区域按照方向分为8个区域S1～S8，分别计算每个区域中的所有像素与中心值像素的差，最后取平均作为每个区域的对比度，将8个方向的对比度中最小的作为最后的测量结果：C＝min(Ci)，i＝1,2…8                 (10)其中Ci表示第i个方向区域的对比度值，计算如下：其中Si表示第i个区域，n表示第i个区域的像素个数，CV表示该区域的中心值像素；(Ⅲ)边缘拟合圆半径目标区域的边缘会出现因为目标突起形成一个近似的圆形，而背景边缘杂乱无章，不具有规律性，首先对区域进行高帽变换进行背景抑制，提取Canny边缘后选择中心的主边缘进行圆的拟合，待拟合参数为式(12)中的半径和圆心坐标，计算方法同样采用最小二乘；R2＝(x‑A)2+(y‑B)2             (12)将拟合圆的半径作为一个特征；(Ⅳ)边缘拟合圆圆心偏移量求拟合圆的圆心坐标与区域中心的距离，记为偏移量，作为特征；(Ⅴ)边缘拟合圆圆心距方差将每个参与运算的边缘点求其与拟合圆心的距离，得到一系列的圆心距，计算其方差作为特征；(Ⅵ)基准信息熵对比度将输入区域分为中心、周围区域以及介于它们之间的边界，为了减小周围复杂灰度的干扰影响，求边界区域的均值作为基准值，将每个灰度级与基准值相减作为调节系数，在计算信息熵时相乘，如式(13)所示；最后的对比度EC用中心值减去周围值得到，同样可以在多尺度下进行，选取最大的作为最后输出；ΔE＝Ecenter‑Esurround            (14)EC＝max(ΔEs)，s＝1,2,…             (15)(Ⅶ)纹理能量对比度利用灰度共生矩阵得到区域的纹理信息，提取4个方向的能量度量ASM，为了弱化边缘等干扰影响，定义对比度如式(16)所示，同样在多尺度下进行，选取最大的作为最后输出；C＝max(Cs)，s＝1,2,…              (17)至此提取完所有7个特征；步骤二：通过包裹式选择、前向搜索的方式，从所有特征中选出最优特征子集；首先将每个特征进行评价，按照优劣排序，将最优特征加入子集，然后添加下一个次优特征，若子集评价得以提高，则该特征保留，若没有提高，则剔除，重复这个过程直至添加完所有特征；评价指标使用受试者工作特性曲线的下方面积来表示，指标计算通过10折交叉验证的方式进行，即把样本集分为互斥的10个子集，尽量保证各样本均匀分布，每次选9个作为训练，剩余的1个作为测试，最后将10次测试结果取平均作为最后结果；步骤三：提取正负样本的最优特征子集训练支持向量机分类器，进行监督学习，核函数可以采用径向基核函数；步骤四：为了保证快速有效地得到候选目标，首先对图像进行结构算子尺寸足够大的高帽变换预处理，再通过分类器进行甄别筛选得到最终检测结果。