<tr id="gceo2"><optgroup id="gceo2"></optgroup></tr>
<acronym id="gceo2"><optgroup id="gceo2"></optgroup></acronym>
<tr id="gceo2"><xmp id="gceo2">
<menu id="gceo2"><div id="gceo2"></div></menu>
<tr id="gceo2"><xmp id="gceo2">

 

 

 

 

 

設為首頁 | 加入收藏




首 頁 |學校概況 |新聞中心 |學校設置 |招生在線 |就業指導 |教務教學 |校園風光 |學生管理 |圖書館 |證書查詢 |
1
  當前位置:首頁-> 信息瀏覽
   
 
 
 
信息瀏覽
蓋州市衛生學校-Matlab仿真分析

作者:admin  來源:admin  2015-4-28  瀏覽:531

 通過Matlab仿真分析得到,在這四種方法中小波變換的背景抑制效果最好,在后續的閾值分割中更能準確的檢測出紅外弱小目標。但是,在復雜背景紅外圖像中,這些方法的準確度和分離效果都存在不同程度地局限性。由前面可知,多尺度幾何分析是較小波分析具有各向異性的最優的圖像表示方法。
       因此,為了使低信噪比的紅外弱小目標圖像能更加準確的檢測弱小目標,本文探索性的利用多尺度幾何分析理論進行紅外弱小目標檢測,進而提高弱小目標檢測效果。遵循這個思路,本章研究了多尺度幾何分析方法中的非下采樣輪廓波變換(NSCT),并提出一種改進的NSCT紅外弱小目標檢測算法。在第五章我們將闡述剪切波(Shearlet)變換并實現一種基于剪切波(Shearlet)變換的紅外弱小目標檢測方法。在這兩章中我們詳細闡述了這兩種算法的基本原理,通過Matlab仿真驗證兩種算法的有效性,給出實驗結果并進行性能分析。
       4.1 NSCT基本原理
       4.1.1 NSCT變換
       NSCT是一種改進的多尺度幾何分析工具,給圖像處理提供了一個良好的分析方法。它是在一維à trous小波算法推廣得到的GAT 算法的基礎上,將非采樣濾波器組和上采樣操作相結合,用其構造的平移不變濾波器結構來實現。
       假設L通道的濾波器組在級有分解濾波器組,合成濾波器組,及一個廣義2維采樣矩陣M。如果一個除去采樣操作的濾波器組要獲得平移不變系統,則在層新的分解及合成濾波器分別是和。
由GAT 算法可得級和級的濾波器組遞推關系如下:
(4-1)
       為NSCT的結構示意圖和理想的頻域劃分圖。
       4.1.2 NSCT構造形式
       非采樣金字塔結構( Nonsubsampled Pyramid,NSP ):
       通過除去LP中的下采樣和上采樣操作獲得。它由一個雙通道的非采樣二維濾波器組構成,包括分解濾波器組和合成濾波器組。分解濾波器組由低通濾波器和高通濾波器組成,且;對應的合成濾波器組由低通濾波器和高通濾波器組成,且。此時滿足完全重構條件:。
       由GAT算法可得,通過反復利用NSP和上采樣操作可實現對圖像的多尺度分解且具有平移不變性。NSP每一級所采用的濾波器是對上一級所采用的濾波器按采樣矩陣進行上采樣得到的。圖像經過層非采樣塔式分解后,得到+1個與原圖像大小相同的子帶圖像。圖4-3給出了NSCT 的3級塔式分解結構示意圖.NSP進行第j層分解的理想低通濾波器的頻率支撐域是;其對應的理想高通濾波器的頻率支撐域是低頻支撐域的補集,即。
       它將二維頻域分成多個方向楔形。NSDFB通過在DFB的每個雙通道濾波器處關閉下/上采樣器除去下采樣和上采樣操作得到。它是由一個雙通道的非采樣二維濾波器組構成,包括分解濾波器組和合成濾波器組;其中和也滿足完全重構條件。然而,只關閉采樣器得到的方向子帶會產生嚴重混淆、在某些區域會丟失大量方向信息。由GAT算法可得,對NSDFB進行恰當的上采樣操作可以很好地克服此缺陷,得到平移不變系統,并且不會增加計算復雜度。為了獲得更多的方向分解,NSCT通過反復采用梅花矩陣對上級二通道方向濾波器組進行上采樣處理,得到本級所需的方向濾波器組和,然后用和對上級各方向子帶進行濾波,得到多方向分解。利用和分別對第一級NSDFB濾波分解得到的兩個方向子帶圖像進行濾波,得到四通道的方向分解。如果分解級數是,在第級()圖像進行層分解可得到個與原圖像大小相同的方向子帶。
       因此,圖像經J級TICT分解后可得到與原圖像大小相同的一個低頻子帶圖像和個方向子帶圖像。
       4.1.3 NSCT原理仿真
       zoneplate圖像各個方向信息明顯,圖像中心圓的周圍有8個對稱的圓圈,對原圖像進行多尺度方向分解時,能更直觀的顯示各個方向信息, 有助于更好的理解NSCT方向子帶的劃分形式。是利用Matlab對zoneplate圖像進行的兩級非采樣金字塔分解,分解的兩個高頻子帶依次為4個、8個方向。圖4-5從上向下,分別表示分解后的低頻子帶,第一級高頻子帶進行4方向的方向濾波得到的4個方向子帶,第二級高頻子帶進行8方向的方向濾波得到的8個方向子帶。第一級高頻子帶上方的2個方向子帶和第二級高頻子帶上方的4個方向子帶,相當于分別將水平方向進行2個角度和4個角度的近似平分。第一級高頻子帶下方的2個方向子帶和第二級高頻子帶下方的4個方向子帶,相當于分別將垂直方向進行2個角度和4個角度的近似平分。
       綜上所述,NSCT是一種較Contourlet變換更好的變換方法,它不僅繼承了Contourlet變換的多尺度、多方向以及良好的空域和頻域局部特性, 還具有平移不變性。將NSCT應用于目標檢測中,子帶閾值處理時在奇異點處不會出現偽吉布斯現象,能夠很好的捕捉紅外圖像弱小目標信息,更有利于弱小目標的檢測。
       4.2 改進的NSCT紅外弱小目標檢測算法
       對弱小目標而言,紅外圖像的背景覆蓋面較大,具有很強的相關性,是一個緩慢變化的非平穩過程。紅外圖像中目標在亮度上基本上都高于周圍的背景,表現出很強的高頻特征。在目標檢測時應盡可能的抑制背景、剔除噪聲,提高圖像的可辨讀性及增加目標像素在三維圖中的貢獻,從而更準確的檢測出弱小目標。
       4.2.1 幀差預處理
       背景像素之間有較強的相關性,但在圖像中某一部分的背景灰度可能產生較大變化。為了降低背景起伏的影響,加大目標信息的權重。需要對將相鄰幀相減(若目標移動較慢,可間隔采集圖像),進而對前一幀圖像增加背景和目標的對比度。
       其次,對幀差圖像進行2級“sym4”小波變換進行去噪處理,小波變換對圖像進行子帶分解的過程就相當于一個去噪過程。最后利用梯度銳化,突出圖像的邊緣輪廓。假設去噪后的圖像為,定義的梯度為:
 (4-2)
       求出和后,根據下式得到像素點的水平垂直差分K。
(4-3)
       利用值對圖像的像素點進行劃分可得到梯度銳化后的圖像。即當()時,將該像素點的灰度值設為255。
       4.2.2 非線性映射函數與能量交叉融合的改進算法
       背景抑制是通過對紅外圖像處理達到抑制背景、突出目標的效果,是小目標檢測的重要前提條件。對預處理后的圖像進行NSCT多尺度分解(分解級數一般為2~4;尺度方向數目16)。
       鑒于NSCT的平移不變性,可以通過NSCT系數將圖像的幾何特性描述出來。通過分析像素點的幾何特性可得:只有小目標對應所有子帶中的大系數。小目標區別于背景和噪聲的這一特性是實現小目標檢測的基礎。本文從這一特性出發,通過將文獻中的用于圖像增強的非線性映射函數改進得到用于分割小目標的非線性映射函數。然后將改進的非線性映射函數和引入的能量交叉融合方法相結合,進一步抑制背景雜波、去除噪聲并增強弱小目標。
       非線性映射函數與能量交叉融合相結合的改進算法的基本思想如下:
       首先確定NSCT分解后的各個方向子帶的子帶閾值,從而利用確定的子帶閾值對各個方向子帶進行閾值分割。
       設是尺度下的第個方向子帶系數的噪聲標準差。通過以下先驗估計式來確定,它是由Donoho等人提出的小波系數噪聲標準方差估計公式推廣得到的。
(4-4)
       式中,為原始方向子帶系數;為中值處理。
       求出后,根據下式可確定尺度下的第個方向子帶系數的閾值。
(4-5)
       式中,是尺度下的第個方向子帶系數標準差。
       文獻中用于圖像增強的非線性線性映射函數:
(4-6)
       式中,為1~5,為子帶均值,為子帶噪聲標準差,為最大梯度項。
       在文獻中,作者將式用于圖像目標增強,直接應用此公式并不能去除背景。因此,為了能有效抑制背景并檢測目標,本算法對此公式進行了如下改進:
(1) 去除式子帶最大梯度項;
(2) 將式中的子帶噪聲標準差改為確定的閾值;
(3) 將項去掉;
(4) 擴大閾值參數c的取值范圍。
       通過以上改進得到用于分割弱小目標的非線性映射函數式。通過仿真實驗表明,將此映射函數應用于各個方向子帶可進一步抑制背景和噪聲像素點、突出目標像素點。
       4.2.3 Otsu算法檢測弱小目標
       經過背景抑制處理后的圖像只含有目標點和很少量的背景,且目標灰度值明顯大于背景灰度值,背景抑制后圖像只含有一個峰值,因此引入Otsu算法[60]進行閾值分割檢測弱小目標。
       對于一幅紅外圖像,設當前景與背景的分割閾值為時,前景點占圖像比例為,均值為;背景點占圖像比例為,均值為。求得整個圖像的均值為,然后建立方差目標函數:
       當為最大時的值為,則就是Otsu算法所求的最佳閾值。
       本文通過對上述NSCT弱小目標檢測步驟進行Matlab仿真,從而得到算法的有效性。
       4.3 實驗結果及性能分析
       為了驗證所提NSCT弱小目標檢測算法的有效性,利用Matlab對多幅弱小目標紅外圖像(包括復雜背景環境和一般背景環境的紅外圖像)進行仿真,均能取得良好的目標檢測效果,實驗結果如下所述。
       實驗表明本算法能夠識別檢測的最小紅外圖像弱小目標尺寸為像素。本實驗采用“maxflat”塔形濾波器和“dmaxflat7”方向濾波器的2級NSCT。分別代表性的取了明暗兩個復雜場景的背景雜波紅外圖像。為了進行幀差相減處理,分別對兩個場景取相鄰的兩幀或間隔采集兩幀(目標移動緩慢)。
       通過幀差處理得到前一幀增強背景和目標對比度的圖像,再利用小波去噪和梯度銳化,不僅有效的平滑了原圖像中的背景雜波、去除了噪聲,而且突出了弱小目標點,增強了目標背景對比度。
是利用本文所提背景抑制方法對兩個場景的預處理圖進行背景抑制的Matlab仿真效果圖。
       利用改進的非線性映射函數和能量交叉融合相結合的方法對圖像進行處理后,不僅剩余背景和噪聲幾乎都得到有效抑制,而且目標與背景的對比度很明顯,為后續目標檢測打下了非常良好的基礎。
       在紅外圖像弱小目標檢測中,兩種算法均能檢測出弱小目標的位置。但文獻的目標檢測結果存在虛假目標。相比較而言,本文算法能取得很好的效果,不僅能準確的檢測出弱小目標所在位置,而且能很好的檢測出小目標的形狀信息。
       上述分析說明本算法不僅具有準確檢測弱小目標,而且具有良好的保持弱小目標形狀和大小的能力。為了定量地對本文NSCT檢測算法進行性能分析,本文采用圖像信噪比(SNR)和圖像信噪比增益(ISNR)兩個指標對文獻和本文NSCT方法進行評價:
       兩種檢測算法都能夠提高圖像信噪比、信噪比增益(ISNR)。本文NSCT算法兩項參數都大于文獻的算法,背景抑制性能得到大的改進。
       利用本文NSCT弱小目標檢測算法的其他兩幅紅外圖像的弱小目標檢測Matlab仿真結果展示。
       從以上分析可以看出,本文NSCT算法不僅在一般背景下可以準確的檢測出弱小目標,而且在強背景和噪聲的紅外圖像中都能很好的檢測出弱小目標。
4.4 結論
       對紅外弱小目標進行預處理后進行NSCT,本文利用改進的非線性映射函數和能量交叉融合相結合的方法實現背景雜波的抑制,在強背景雜波和一般背景雜波環境中,本文所提出的NSCT算法都具有較強的檢測性能。不僅能夠更加準確的檢測出弱小目標的位置,而且能得到更多的目標形狀信息,提高了對弱小目標的單幀檢測能力。
返回】 【頂部】 【關閉

Copyright © 2019  版權所有:admin Copyright © 2009 All rights reserved
 
網站瀏覽:  

WWW.1435H.COM