一种成分不确定度测量的弱小目标检测方法及系统

1.本发明属于目标搜索和跟踪系统领域，具体涉及一种成分不确定度测量的弱小目标检测方法及系统。


背景技术：

2.弱小目标检测是目标搜索和跟踪系统中的关键技术。小目标由几个像素组成，这使得它占比低、缺乏结构信息，导致了较低的信杂比。此外，由于较长的成像距离和复杂的成像环境，很难将小目标与背景杂波和噪声区分开来。
3.现在已经有许多弱小目标检测算法，现有方法主要从抑制背景杂波与增强目标信号两个方面处理，来完成弱小目标的检测任务，其中单帧处理方法更受到广泛关注。
4.从图像信息成分分析的角度出发，the infrared patch-image(ipi)and non-convex rank approximation minimization(nram)、markov random field guided noise modeling等方法被提出希望克服复杂背景的干扰。这些方法基于目标信号、背景杂波与噪声信号的存在差异性的原理，将不同成分信号拆解分离出来，以此来提取出目标信号。但是，这类方法最大的问题是其对不同场景类型数据缺乏鲁棒性，复杂背景下误报率较高。而且他们常常需要通过优化的方法来实现，耗时久。
5.局部对比度测量(lcm)主要利用了人类视觉系统的对比机制思想，是相关领域的有效方法。近年来，众多方法被提出从不同角度对lcm进行了优化，取得了不错的效果。其中，improved local contrast measure(ilcm)，novel local contrast method(nlcm)改进了局部对比度测量方法，提高了杂波抑制能力。the multiscale patch-based contrast measure(mpcm)，通过目标区域与周围不同方向区域之间的差异来测量对比度，但背景抑制能力不强。而the relative local contrast measure(rlcm)，multiscale tri-layer lcm(tllcm)和weighted strengthened local contrast measure(wslcm)在局部对比度测量中融和了比率与差分计算，在抑制背景与提升目标信号方面都获得了很大的进步。
6.不确定性伴随着目标观测的过程产生。不同区域的背景波动、信号噪声、目标出现都带来观测数据空间方向上的不确定性变化。采用局部熵算子来度量局部区域灰度值分布的复杂度为局部对比度测量提供权值，来抑制云层背景，但未考虑不同成分信号之间、相同成分信号之间的关系，难以应对复杂背景的情况。


技术实现要素：

7.本发明的目的在于克服现有技术对不同场景类型数据缺乏鲁棒性，复杂背景下误报率较高的缺陷。
8.为了实现上述目的，本发明提出了一种成分不确定度测量的弱小目标检测方法，所述方法包括：
9.步骤1：构造一个三层嵌套的滑动窗口结构，由中心窗口向外扩展，形成一个多级窗口，由最内侧的中心层、最外侧的环境层以及夹在两层之间的邻域层三部分组成；利用最
外层的环境层对邻域层内信号的局部信号成分一致性进行评价，得到一个局部一致性图，通过局部一致性评价结果，指派成分一致性置信度，测量区域内的不确定度，绘制出不确定度分布图；
10.步骤2：在三层嵌套窗口内做高斯模板匹配滤波，利用残差完成局部能量加权因子的计算，得到有能量加权的不确定度图；
11.步骤3：对有能量加权的不确定度图进行自适应阈值分割，剔除非目标成分，完成目标提取。
12.作为上述方法的一种改进，所述步骤1具体包括：
13.步骤1-1：构造一个三层嵌套的滑动窗口结构，由中心窗口向外扩展，形成一个m*m的多级窗口，由最内侧的中心层、最外侧的环境层以及夹在两层之间的邻域层三部分组成；其中，m为正整数；
14.步骤1-2：利用局部信号灰度一致性评价标准，对所述环境层与周围邻域区域之间的信号成分一致性进行评价，得到一个n*n的局部一致性图；所述评价标准为：
[0015][0016]
其中：lc
ij
表示坐标(i,j)像元与周围邻域区域信号成分一致性评价；g
ij
表示以坐标(i,j)为中心的n*n块区域，m-n为偶数；表示坐标(i,j)像元；k＞0表示对应第k个编号邻域块的灰度均值，k取值为n
×
n-1；
[0017]
步骤1-3：通过局部信号灰度一致性评价结果，指派成分一致性置信度，测量区域内的不确定度，绘制出不确定度分布图；
[0018]
测量得到成分不确定度lum(i,j)公式如下：
[0019]
lum(i,j)＝u
ij-entorpy
min
[0020]
其中，u
ij
为像元(i，j)位置测得的不确定度：
[0021][0022]
其中，为以(i，j)为中心的窗口结构中各块所指派的成分一致性置信度值：
[0023][0024]
entorpy
min
为最小熵：
[0025][0026]
作为上述方法的一种改进，所述步骤2具体包括：
[0027]
在三层嵌套窗口内做(2*p 1)*(2*p 1)的高斯模板匹配滤波，利用残差完成局部能量加权因子的计算，得到有能量加权的不确定度图；
[0028]
高斯模板匹配滤波过程表示为：
[0029][0030]
其中，i(i x，j y)表示(i x，j y)点像元原始图像数据；i
gaus
(i，j)表示(i，j)点像元原始图像经高斯卷积后的结果；p表示高斯模板中心，σ表示调整参数，取值为0～5；
[0031]
经过高斯模板匹配卷积后，得到原始图像与高斯卷积后图像的残差i
res
(i，j)：
[0032]ires
(i，j)＝i(i，j)-i
gaus
(i，j)
[0033]
其中，i(i，j)表示(i，j)点像元原始图像数据；
[0034]
使用同成分一致性评价过程相同的滑动窗口计算残差图像中的局部能量差异作为信号能量加权：
[0035]
w(i，j)＝max{0，i
res
(i，j)-ib(i，j)}
[0036]
其中，ib(i，j)为残差图像i
res
中像元(i，j)周围邻域位置的残差均值；
[0037]
能量加权的不确定度elum(i，j)定义为：
[0038]
elum(i，j)＝w(i，j)*lum(i，j)。
[0039]
作为上述方法的一种改进，所述步骤3具体包括：
[0040]
使用阈值操作来提取真实目标；
[0041]
阈值th定义为：
[0042]
th＝λ
×
max (1-λ)
×
mean
[0043]
其中，max和mean分别是有能量加权的不确定度图中的最大值和均值；λ《1。
[0044]
本发明还提供一种成分不确定度测量的弱小目标检测系统，所述系统包括：
[0045]
局部不确定度测量模块，用于构造一个三层嵌套的滑动窗口结构，由中心窗口向外扩展，形成一个多级窗口，由最内侧的中心层、最外侧的环境层以及夹在两层之间的邻域层三部分组成；最外层的环境层被用于对邻域层内信号的局部信号成分一致性进行评价，最终得到一个局部一致性图，通过局部一致性评价结果，指派成分一致性置信度，测量区域内的不确定度，绘制出不确定度分布图；
[0046]
有能量加权的不确定度图模块，用于在三层嵌套窗口内做高斯模板匹配滤波，利用残差完成局部能量加权因子的计算，得到有能量加权的不确定度图；和
[0047]
目标提取模块，用于对有能量加权的不确定度图进行自适应阈值分割，剔除非目标成分，完成目标提取。
[0048]
作为上述系统的一种改进，所述局部不确定度测量模块处理过程为：
[0049]
构造一个三层嵌套的滑动窗口结构，由中心窗口向外扩展，形成一个m*m的多级窗口，由最内侧的中心层、最外侧的环境层以及夹在两层之间的邻域层三部分组成；其中，m为正整数；
[0050]
利用局部信号灰度一致性评价标准，对所述环境层与周围邻域区域之间的信号成分一致性进行评价，得到一个n*n的局部一致性图；所述评价标准为：
[0051]
[0052]
其中：lc
ij
表示坐标(i,j)像元与周围邻域区域信号成分一致性评价；g
ij
表示以坐标(i,j)为中心的n*n块区域，m-n为偶数；表示坐标(i,j)像元；k＞0表示对应第k个编号邻域块的灰度均值，k取值为n
×
n-1；
[0053]
通过局部信号灰度一致性评价结果，指派成分一致性置信度，测量区域内的不确定度，绘制出不确定度分布图；
[0054]
测量得到成分不确定度lum(i,j)公式如下：
[0055]
lum(i,j)＝u
ij-entorpy
min
[0056]
其中，u
ij
为像元(i,j)位置测得的不确定度：
[0057][0058]
其中，为以(i，j)为中心的窗口结构中各块所指派的成分一致性置信度值：
[0059][0060]
entorpy
min
为最小熵：
[0061][0062]
作为上述系统的一种改进，所述有能量加权的不确定度图模块处理过程为：
[0063]
在三层嵌套窗口内做(2*p 1)*(2*p 1)的高斯模板匹配滤波，利用残差完成局部能量加权因子的计算，得到有能量加权的不确定度图；
[0064]
高斯模板匹配滤波过程表示为：
[0065][0066]
其中，i(i x，j y)表示(i x，j y)点像元原始图像数据；i
gaus
(i，j)表示(i，j)点像元原始图像经高斯卷积后的结果；p表示高斯模板中心，σ表示调整参数，取值为0～5；
[0067]
经过高斯模板匹配卷积后，得到原始图像与高斯卷积后图像的残差i
res
(i，j)：
[0068]ires
(i，j)＝i(i，j)-i
gaus
(i，j)
[0069]
其中，i(i，j)表示(i，j)点像元原始图像数据；
[0070]
使用同成分一致性评价过程相同的滑动窗口计算残差图像中的局部能量差异作为信号能量加权：
[0071]
w(i，j)＝max{0，i
res
(i，j)-ib(i，j)}
[0072]
其中，ib(i，j)为残差图像i
res
中像元(i，j)周围邻域位置的残差均值；
[0073]
能量加权的不确定度elum(i，j)定义为：
[0074]
elum(i，j)＝w(i，j)*lum(i，j)。
[0075]
作为上述系统的一种改进，所述目标提取模块处理过程为：
[0076]
使用阈值操作来提取真实目标；
[0077]
阈值th定义为：
[0078]
th＝λ
×
max (1-λ)
×
mean
[0079]
其中，max和mean分别是有能量加权的不确定度图中的最大值和均值；λ《1。
[0080]
与现有技术相比，本发明的优势在于：
[0081]
1、通过评估局部区域信号的成分一致性情况，可以计算出局部成分不确定度(lum)，绘出局部成分不确定度图，抑制图像中的复杂背景；然后引入能量加权因子，在不确定度分布图中，强化目标蕴含的能量信息，实现对目标信号的增强。
[0082]
2、真实图像验证结果表明，能量加权的不确定度(elum)可以实现复杂背景下更好的小目标检测性能。
附图说明
[0083]
图1所示为成分不确定度测量的弱小目标检测方法流程图；
[0084]
图2所示为成分不确定度测量的弱小目标检测方法框架图；
[0085]
图3所示为多种方法针对多幅图的检测结果图；
[0086]
图4所示为第一序列图九种检测方法的roc曲线和运行时间图；
[0087]
图5所示为第二序列图九种检测方法的roc曲线和运行时间图；
[0088]
图6所示为第三序列图九种检测方法的roc曲线和运行时间图；
[0089]
图7所示为第四序列图九种检测方法的roc曲线和运行时间图；
[0090]
图8所示为第五序列图九种检测方法的roc曲线和运行时间图；
[0091]
图9所示为第六序列图九种检测方法的roc曲线和运行时间图。
具体实施方式
[0092]
下面结合附图对本发明的技术方案进行详细的说明。
[0093]
本发明提供了一种对低信噪比目标信号鲁棒且适用于复杂场景的单帧弱小目标的快速检测方法，即一种基于信号成分一致性的局部不确定度测量的方法。本发明的方法分为两个阶段，包括成分不确定度测量和基于能量的加权函数增强信号。首先通过分析局部区域信号成分一致性的情况，指派成分一致性置信度，通过变异熵算子测量出局部区域内的成分不确定度，抑制背景杂波。然后设计了一个能量加权函数，引入目标能量信息以强化目标信号。最后经过自适应阈值分割算法提取出目标。实验结果表明，本发明的方法具有更好的目标探测性能和更好的应对复杂背景的能力。
[0094]
本发明的方法包括：首先，构造一个三层嵌套的滑动窗口结构，它是由中心窗口向外扩展，形成一个m*m的多级窗口，由最内侧的中心层、最外侧的环境层以及夹在两层之间的邻域层三部分组成。最外层的环境层被用于对邻域层内信号的局部信号成分一致性进行评价，最终得到一个n*n的局部一致性图，通过局部一致性评价结果，指派成分一致性置信度，测量区域内的不确定度，绘制出不确定度分布图；然后在三层嵌套窗口内做(2*p 1)*(2*p 1)的高斯模板匹配滤波，利用残差完成局部能量加权因子的计算，得到有能量加权的不确定度图；最后对其进行自适应阈值分割，剔除非目标成分，完成目标提取。
[0095]
如图1、图2所示，本发明的方法具体包括：
[0096]
步骤1：构造三层嵌套的滑动窗口结构，进行局部信号成分一致性评价，指派成分
一致性置信度，绘制不确定度分布图；
[0097]
本发明提出了一种适用于目标信号增强的基于局部成分一致性评价指派的不确定度测量方法，帮助区分目标与背景。首先基于局部成分一致性评价结果构造置信度指派函数。然后，根据像元局部区域灰度值的一致性情况通过滑动窗口测量图像的局部成分不确定度。
[0098]
与基于人类视觉系统思想的方法类似，成分不确定度(lum)可以通过滑动窗口计算，滑动窗口的大小由中心窗口决定，中心窗口最优尺寸应可以包裹目标信号，完整窗口结构由m*m的中心窗口大小构成，通过调整中心窗口大小，可以有效处理不同大小、不同形状的目标。
[0099]
步骤1-1：信号成分一致性评价
[0100]
即使在复杂背景中，目标从能量角度与背景仍存在显著差异。假定在一个小窗口内，图像背景信号是相对稳定的：
[0101]
(1)当窗口只包裹背景信号时，局部灰度值稳定，一致性较高；
[0102]
(2)当窗口包裹目标信号时，局部灰度值同样相对稳定，但窗口内能量应明显高于背景区域；
[0103]
(3)而当窗口包裹目标与背景交界时，局部灰度值存在明显梯度，一致性较低。
[0104]
本发明提出了一种局部信号灰度一致性评价标准，用于评价目标区域与周围邻域区域之间的信号成分一致性。
[0105][0106][0107]
其中，lc
ij
表示坐标(i,j)像元与周围邻域区域信号成分一致性评价；g
ij
表示以坐标(i,j)为中心的n*n块区域，表示坐标(i,j)像元，k＞0表示对应第k个编号邻域块的灰度均值，k取值为(n
×
n-1)。
[0108]
根据公式，若g
ij
区域中心位置与其邻域区域一致性较高，则lc
ij
≈1，若g
ij
区域中心位置能量较低，则lc
ij
＜1，若g
ij
区域中心位置能量较高，则lc
ij
＞1。
[0109]
步骤1-2：不确定度测量
[0110]
在信息论中，通常用熵来表示随机变量的不确定度，也即是对信息量做期望计算。
[0111][0112]
其中，p(x)为事件x出现的概率，在证据理论中常使用置信度指派函数分配p(x)，本发明提出采用局部一致性作为置信度指派函数的一种基于变异熵算子测量的局部成分不确定度方法。
[0113]
当窗口划过目标区域时，由于局部成分一致性较低，一致性置信度指派函数值低，该区域内成分不确定度较高。通过变异熵算子可以测量局部空域信号成分一致性的不确定度。所提出的变异熵算子表达如下：
[0114][0115]
其中，u
ij
为像元(i,j)位置测得的不确定度。为以(i,j)为中心的窗口结构中各块所指派的成分一致性置信度值。置信度指派函数可表示为：
[0116][0117]
式(5)中对窗口结构内各块置信度做出处理，使其和为1，将局部不确定度测量结果缩放到同一尺度上，保证不同滑动窗口位置出测量得到的不确定度结果可比较。
[0118]
像信息熵服从最大熵原理一样，我们提出的变异熵算子服从最小熵定理，当时，最小熵满足下式：
[0119][0120]
结合最小熵原理，为更大程度上抑制背景，将测量得到成分不确定度修改为如下形式：
[0121]
lum(i,j)＝u
ij-entorpy
min
(7)
[0122]
当局部区域内信号成分一致性较高时，不确定度较低，测得变异熵算子数值越小，在修改后的不确定度算子表现甚至接近0。
[0123]
步骤2：局部能量加权因子
[0124]
在不确定度测量过程中，本发明计算了局部区域像元成分一致性情况的不确定度，但是变异熵的运算不涉及不同区域能量差异，这里通过高斯卷积进行背景估计，得到残差信号，基于局部能量差异设计出能量加权因子，在不确定度图的基础上，强化目标所蕴含的能量信息，提升目标信号。
[0125]
考虑到小目标信号呈二维高斯形状，通过高斯卷积滤波操作可以起到平滑背景信号的功能。在三层嵌套窗口内做尺寸为(2*p 1)*(2*p 1)的高斯模板匹配滤波。gk是高斯模板，模板中心为p，可以表示为：
[0126][0127]
其中：
[0128][0129][0130]
σ表示调整参数，取值范围在0.6～1。
[0131]
高斯模板匹配滤波过程可表示为：
[0132]
[0133]
其中，i是原始图像数据，i
gaus
是原始图像经高斯卷积后的结果，
[0134]
经过高斯模板匹配卷积后，可以得到原始图像与高斯卷积后图像的残差：
[0135]ires
(i，j)＝i(i，j)-i
gaus
(i，j)(9)
[0136]
目标中心能量因为积累周围邻域像元能量而降低，目标周围区域像元能量因为积累目标像元而升高，使用同成分一致性评价过程相同的滑动窗口可以计算残差图像中的局部能量差异作为信号能量加权：
[0137]
w(i，j)＝max{0，i
res
(i，j)-ib(i，j)}(10)
[0138]
其中，ib(i，j)为残差图像i
res
中像元(i，j)周围邻域位置的残差均值。
[0139]
在计算成分不确定度lum和加权因子之后，能量加权的不确定度elum可以定义为：
[0140]
elum(i，j)＝w(i，j)*lum(i，j)(11)
[0141]
步骤3：自适应阈值分割
[0142]
在不确定度分布图中真正的目标将是最突出的，并且将抑制其他干扰，加入能量权重后，目标信号被进一步加强，而其他区域结果接近于0。因此，使用阈值操作来提取真实目标，并且阈值被定义为：
[0143]
th＝λ
×
max (1-λ)
×
mean(12)
[0144]
其中，max和mean分别是elum图中的最大值和均值；λ＜1。
[0145]
可以通过真实数据实验来测试elum方法对暗弱小目标检测的性能：
[0146]
a.评价指标
[0147]
为了评估所提出的方法的性能，先说明几个常见的指标：信号的杂波比(scr)增益和背景抑制因子(bsf)是其中两个。scr，gscr(scr增益)和bsf定义为：
[0148][0149][0150]
其中，g
t
指目标区域能量最大值，μb为背景信号的能量均值，σb为背景信号的标准差。scr
in
和scr
out
分别是原始图像和不确定度分布图的scr；σ
in
和σ
out
分别是原始图像和不确定度分布图标准差。
[0151]
另外两个度量参数是真正的阳性率(tpr)和假阳性率(fpr)，用来验证最终的检测效果，其定义为：
[0152][0153][0154]
b.实验结果与比较
[0155]
在实验中，使用所提出的方法测试六组包含不同背景类型的真实红外序列。所有数据均来自《地/空背景下红外图像微弱小型飞机目标检测与跟踪》和《复杂背景下红外弱小运动目标检测数据集》中提供的数据集，数据集参考表i。
[0156]
表i：实验目标详细信息
[0157][0158]
为了确保全面性和多样性，将本发明方法与以下八种现有的代表性算法进行比较：lmwie、ipi、nram、mpcm、rlcm、admd、tllcm和wslcm。所有实验均使用matlab在具有2.8ghz intel(r)xeon(r)w-10855m cpu和32gb ram的设备上进行。显着性图和检测结果如图3所示。如图3所示，elum可以有效地增强小物体，同时抑制五幅图像中没有或只有很少假阳性物体的复杂背景。
[0159]
在对比实验中，mpcm、rlcm、admd表现不佳，admd检测差，mpcm、rlcm背景抑制差，难以解决复杂背景问题。tllcm和wscm都有三个未检测到的图像，wslcm在背景抑制方面优于tllcm；但是，两者的误报率都很高。lmwie虽然可以检测到所有目标，但是背景信息没有被完全过滤掉，保留了一些背景轮廓信息。通过从背景中分解目标信息，ipi和nram对目标的检测率也很高。然而，其中，ipi的效果不稳定，并且不同序列图像的性能差异很大。nram在八项对照试验中表现最佳，但其误报点与我们提出的方法相比仍然显着冗余。
[0160]
六个实验组的平均scrg和平均bsf如表ii所示。
[0161]
表ii：不同算法的scr和bsf值
[0162][0163]
seq.3中wslcm的bsf略大，其scrg也与本发明的方法相似。在seq.6中，nram的scrg和bsf最大，其次是本发明的方法。此外，lmwie、ipi和wslcm也有不错的表现。总体而言，本发明的方法实现了比其他方法更大的scrg、更大的bsf，以及在六组序列数据上的稳定性能。
[0164]
为了进一步证明elum的检测性能，测试集的九种检测方法的roc曲线和运行时间如图4和表iii所示。
[0165]
表iii：不同算法中一帧的运行时间(s)
[0166][0167]
在seq.1～seq.5中，elum比其他方法具有更高的tpr和更低的fpr。在seq.6中，nram、ipi和我们的方法都有很好的性能。结合表iii，在tpr和fpr相近的情况下，elum的效率明显高于其他方法。总体而言，elum在地面、地空和空中背景中取得了最佳性能。
[0168]
本发明提出了一种elum算法，包括两个模块：lum和能量加权函数。在lum中，采用局部成分一致性判别的思想来抑制复杂背景和增强目标，而能量加权函数被认为是对目标能量信息的强化利用。实验表明它可以在复杂背景下实现良好的检测性能。
[0169]
最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。