基于恒虛警率的雙閾值檢測方法?

(海軍航空工程學院信息融合技術研究所,山東煙臺264001)

0 引言

對海導航雷達視頻圖像經過預處理(包括平滑去噪和背景移除)以后,艦船目標表現為亮度(灰度值)較高的區(qū)域,而海面背景表現為較暗的區(qū)域,艦船目標的檢測即是暗背景下亮目標的檢測問題[1-3]。利用艦船目標和周圍海域所表現出灰度特征差異,可以通過對雷達視頻圖像的閾值分割[4-5]實現目標檢測。簡單的閾值處理是將大于閾值T的點作為對象標注,其他點作為背景點置零,從而實現對目標的提取。

常用的閾值處理方法有全局閾值和局部閾值兩種處理思路[6-9]。全局閾值針對背景灰度值恒定,所有目標與背景對比度相似的圖像使用,用固定的閾值來對整幅圖像進行門限選擇,快速簡單地實現目標的檢測;局部閾值針對背景的灰度值分布不均勻,目標與背景對比度相差較大的圖像使用,常用的處理方法是針對各個區(qū)域局部進行預處理補償圖像,然后再進行全局閾值檢測,該思路算法復雜,處理時間長。

對海導航雷達視頻圖像由于其成像特點和掃描環(huán)境,背景灰度值分布不均勻,不同距離、不同環(huán)境下目標與背景的對比度不盡相同,本文結合全局閾值和局部閾值處理思路,綜合全局閾值處理速度快、算法簡單,局部閾值處理精度高的優(yōu)點,提出一種基于恒虛警率的雙閾值檢測方法。該方法針對對海導航雷達視頻圖像目標檢測的特點和要求,能夠快速、準確地進行目標檢測。

1 基于恒虛警率的雙閾值檢測方法

1.1 基于恒虛警率的閾值檢測

在對海雷達視頻圖像中,經過預處理后,目標檢測問題主要是暗背景下亮目標的檢測問題,則該圖像可以看成僅包含兩個主要灰度級區(qū)域:由雜波構成的暗灰度區(qū)域和由目標構成的亮灰度區(qū)域,如圖1所示。我們將這些值看成隨機量,并將其直方圖看成其概率密度函數(PDF)的估計p(z)。目標檢測的實質上是選擇一個合適的閾值T,并滿足式(1),使圖像在滿足虛警率為Pf的前提下分割為兩個可區(qū)分的區(qū)域。

圖1 兩個區(qū)域的灰度級概率密度函數

假設對海雷達視頻圖像經過地物雜波移除和平滑去噪以后,圖像背景雜波為均勻分布的,則圖像背景雜波的概率密度服從均值為μ方差為σ2的高斯分布。即

選擇閾值為T,則虛警率Pf為

通常我們希望虛警率越低越好,設定Pf≤1 0-6,查表可得

由式(4)可知,只要計算對海導航雷達視頻圖像預處理后背景圖像的均值和方差,就可以確定出閾值T,使其滿足恒定的低虛警率。

1.2 雙閾值檢測方法

由對海雷達視頻圖像特點和要求分析可知,單獨進行全局閾值處理或者局部閾值處理不能很好地滿足圖像檢測要求,本文算法將兩者結合在一起,如圖2所示,首先選擇全局閾值T1,將弱雜波背景去除,得到可能的目標點;然后對每個目標進行局部閾值處理,選擇閾值T2,進一步將目標與背景分割。

圖2 雙閾值檢測算法流程

1.2.1 全局閾值T1

對于經過預處理的對海雷達視頻圖像,首先進行全局閾值處理,即選定一個門限閾值T1,對整幅圖像進行式(1)的處理,經過全局閾值處理,得到疑似目標。對海雷達視頻圖像經過預處理,理論上圖像僅為背景雜波與目標的線性相加。但是由于雷達成像結果受距離影響,并且不同環(huán)境的背景復雜程度不盡相同,不同區(qū)域的背景灰度均值和方差也有較大差別。

為保證目標全部檢測出來,本算法選取均勻背景區(qū)域的均值和方差為參數求取全局閾值T1。在經過預處理的對海雷達視頻圖像中選取無目標的均勻背景區(qū)域,如圖3所示,分別求取均值和方差,獲得其平均值,以此來作為系統的全局閾值。

圖3 對海雷達視頻圖像

在研究實驗中發(fā)現,均勻背景求取的全局閾值與整幅圖像的均值和方差存在關系。設全圖的均值為μ1,方差為σ1,獲得全局閾值的公式為T′=μ1+kσ1,分別取k為2.5,3和3.5,而經過均勻背景選取的全局閾值為T1。比較25幀圖像處理結果如圖4所示,當k=3時與T1較為接近。為簡化算法,選取全圖的均值和方差為參數設定全局閾值。

圖4 均勻背景求取全局閾值與全圖均值方差關系

1.2.2 局部閾值T2

經過全局閾值處理的圖像,濾除了大部分背景雜波,但對于背景雜波強度大,與目標的對比度小,整體灰度值高的區(qū)域,無法用取自于均勻背景的全局閾值將其與目標分割開來。為使不同背景下的疑似目標準確地檢測出來,分別求取不同區(qū)域內的背景的閾值進行處理。

局部閾值選取方法如下:

以疑似目標的重心為中心,以其外接最小矩形為保護窗口,以外接矩形長寬2倍形成的矩形為目標窗口,并以目標窗口除保護窗口之外的區(qū)域為參考窗口,如圖5所示。本文認為參考窗口的區(qū)域為該目標的背景區(qū)域。求取參考窗口的均值和方差,代入式(4),得到局部閾值。對目標窗口進行式(1),用閾值進行圖像分割,檢測目標特征信息,實現對該目標的檢測。依次遍歷所有疑似目標,即可得到所有目標的特征信息,實現目標檢測。

2 實驗驗證

本文采用民用導航雷達(JRC)采集的圖像作算法驗證。圖6為該導航雷達采集的某幀原始圖像,本文針對該數據用Matlab7.0作數據處理。

對海導航雷達視頻圖像由于其成像特點和掃描環(huán)境,艦船目標存在一定特點,由雷達原始圖像(圖3)可以分析得出:

(1)不同距離、不同環(huán)境下的背景灰度值不同,如圖3中實驗區(qū)域一和實驗區(qū)域二中的背景雜波不同,實驗區(qū)域一背景灰度較為均勻,而實驗區(qū)域二背景區(qū)域雜波較多。

(2)不同距離、不同環(huán)境下目標與背景的對比度不同,如圖3中實驗區(qū)域一和實驗區(qū)域二中的目標與背景對比度不同,實驗區(qū)域一目標與背景對比度高,而實驗區(qū)域二中目標與背景對比度較低。

(3)不同距離、不同環(huán)境下不同目標的灰度值也不盡相同,如圖3中實驗區(qū)域一和實驗區(qū)域二中的目標灰度值不同。相似背景區(qū)域內不同目標的灰度值也不相同。

由于圖像數據量較大,僅展示部分切片的處理結果。從工程使用角度出發(fā),本文對雷達圖像數據分別進行全局最優(yōu)閾值Otsu算法和本文算法進行處理,便于分析比較。

為保證實驗效果,本文選取圖3中均勻背景區(qū)域和強干擾背景區(qū)域的目標分別進行全局最優(yōu)閾值Otsu算法和本文算法進行處理,結果展示如圖6～14所示。

由圖6到圖14可以看出:

(1)經過全局閾值處理,均勻背景區(qū)域的目標能較好地與背景分割開來,實現目標檢測;而強干擾背景區(qū)域的目標淹沒在強干擾背景中,無法與背景分割實現目標檢測。

(2)經過局部閾值處理,均勻背景區(qū)域的目標變化不大,依然保持原有的目標形態(tài)特征,邊緣清晰,細節(jié)明顯,能進行圖像分割實現目標檢測;強干擾背景區(qū)域的目標能夠從強干擾背景中分離出來,邊緣明顯,能進行圖像分割實現目標檢測。

(3)經過Otsu算法處理,均勻背景區(qū)域的目標能較好地實現目標檢測,但是強干擾背景區(qū)域的目標淹沒在背景中,無法與背景分割實現目標檢測。而本文算法能實現不同背景區(qū)域內的目標檢測,優(yōu)于Otsu算法。

圖6 均勻背景區(qū)域目標原始圖像

圖7 均勻背景區(qū)域目標經過Otsu算法檢測

圖8 均勻背景區(qū)域目標經過全局閾值檢測

圖9 均勻背景區(qū)域目標經過局部閾值檢測

圖10 雜波背景區(qū)域目標原始圖像

圖11 雜波背景區(qū)域目標經過Otsu算法檢測

圖12 雜波背景區(qū)域目標經過全局閾值檢測

圖13 雜波背景區(qū)域目標經過局部閾值檢測

圖14 基于恒虛警率的雙閾值檢測算法處理結果

3 結束語

本文提出了一種基于恒虛警率的雙閾值目標檢測方法。針對對海導航雷達視頻圖像特點和處理要求,在保證低虛警率要求的前提下結合全局閾值處理和局部閾值處理思路,用雙閾值處理方法解決不同背景下目標的檢測問題。經過實測數據的驗證,本算法簡單快速,檢測精度高,滿足對海導航雷達視頻圖像目標檢測處理要求。

[1]艾加秋.基于灰度相關性的SAR圖像聯合CFAR艦船檢測算法[J].雷達科學與技術,2014,12(2):149-155,160.

[2]孫宏巖.基于邊緣特征的SAR圖像目標檢測方法[J].雷達科學與技術,2013,11(5):462-468.

[3]徐蔚然.基于視頻處理的雷達圖像目標檢測與跟蹤研究[D].大連:大連理工大學,2000.

[4]GONZALEZ R C,WOODS R E.Digital Image Processing[M].2nd ed.[S.l.]:[s.n.],2007:305-307.

[5]章毓晉.圖像分析[M].2版.北京:清華大學出版社,2005:73-136.

[6]高晶,孫繼銀,吳昆,等.基于形狀特征的紅外目標檢測方法[J].激光與紅外,2013,43(1):49-53.

[7]張永,劉巧玲.基于自適應閾值的運動目標檢測方法[J].計算機工程與應用,2012,50(12):166-168.

[8]楊斯涵.基于自適應尺度的小目標檢測方法[J].光電工程,2014,41(4):9-16.

[9]王瑩瑩,何蘋,李永賓,等.基于屬性直方圖的快速Otsu紅外目標檢測算法[J].激光與紅外,2014,44(5):577-582.