一种多特征双指数函数导数模型的目标检测方法.docxVIP

一种多特征双指数函数导数模型的目标检测方法 目前，识别和检测自动目标的算法可分为两类：一类是基于目标特征提取的识别方法，包括经典识别算法和知识基算法；另一种是基于目标模型的匹配方法。过去, 遥感工作者对航空影像或者卫星影像进行了一些有关目标检测的研究, 其中大多都是基于大目标的检测, 如机场检测、道路提取、建筑物检测等。对于特定小目标的检测, 大部分工作是基于航空影像来进行的。尽管如此, 目前针对高分辨率卫星影像的小目标检测的工作尚不多。典型的方法有主成分分析、形态共享权神经网络和危险感知网。这些高分辨率目标检测方法虽然在检测效果上取得了一定的成就, 但是都需要训练样本进行训练, 并且算法很大程度上依赖于训练样本的好坏。只有在足够数量和足够好的样本的情况下, 才能进行有效的检测。为此, 本文提出了一种基于双指数函数导数 (DODE) 模型的高分辨率目标检测方法。 1 目标的边界响应 从高分辨率卫星影像中可以清晰地看到路面和停车场上的车辆、海面上的船舰, 并且它们一般都有固定的形状。在卫星影像图上, 对于这些特定形状的目标, 从背景像素到目标像素, 其灰度值有一个改变, 即边界响应。目标边界的形状是目标的一个重要信息。按照一般的算法, 要先检测出这种边界, 进而来提取这些目标。因此, 需要一种既能检测到目标边缘灰度变化, 又能描述目标完整形状的综合检测算子。 1.1 最优平滑滤波算子 由于形状与边界有着密切的关系, 因此, 首先需要找到一个最优的边界检测算子。本文从寻找一个频域的最优边界检测算子入手来讨论目标检测算子的数学模型。 由于实际信号都不是理想信号, 假设在信号X(t) 中加入噪声N(t) , 则加入噪声后的信号为: ?X(t)=X(t)+Ν(t)(1)X?(t)=X(t)+N(t)(1) 假定噪声的自相关函数为RN(t) =μ*δ(t) , 其中,δ(t) 为冲击函数,μ为加权系数。需要找到一个最优的平滑滤波算子h对信号进行去噪。可以证明, 维纳滤波器是最优的平滑滤波算子。滤波算子h的频域表达式为: Η(w)=SX(w)SX(w)+SΝ(w)(2)H(w)=SX(w)SX(w)+SN(w)(2) 其中,SX(w) 和SN(w) 分别是信号X和噪声N的功率谱密度。 由于信号的边界是阶跃的, 噪声是高斯白噪声, 所以SX(w) = (α2/4)δ(w) +α2/ (4π2w2) , 并且SN(w) =μ2, 代入式 (2) 得到最优滤波器为: Η(w)=d2d2+4π2w2(d=αμ)(3)H(w)=d2d2+4π2w2(d=αμ)(3) 将式 (3) 变换到时域得: h(t)=d2exp(-d|t|)(4)h(t)=d2exp(?d|t|)(4) 其中,t为函数的自变量。由概率分布可知, 式 (4) 服从双指数分布, 所以最优的平滑滤波算子为双指数函数。 将一维的平滑滤波算子扩展到二维信号的图像中得: ˉh(x?y)=h(√x2+y2)(5)hˉ(x?y)=h(x2+y2??????√)(5) 最优的边界检测算子则是平滑滤波算子的一阶导数。对于二维信号的图像来说, 最优的边界检测算子则是二维平滑滤波算子的梯度图像。 1.2 检测算子的建立 以车辆目标为例, 用一个函数来描述车辆目标边界点的灰度值改变, 并假定边界是平滑的、简单连续的轮廓线 (可以是分段平滑的边界) 。假设D为车辆目标所在的连通区域 (包含边界C) ,ˉDDˉˉˉ为车辆目标所在的连通区域以外的区域,C为车辆边界, 如图1所示。需要找到一个水平函数L, 使得L满足: L(x)={minz∈C|x-z|?x∈D-minz∈C|x-z|?x∈ˉD(6) 这里,x为图像上任一点的坐标;z表示图像边界上的点;|x-z|表示点x和点z之间的欧氏距离。所以, 当点x在目标所在连通区域的内部时,L(x) 为点x到边界C上的最短距离;当点x在外部时,L(x) 为点x到边界C上的最短距离的负数。 使用水平函数L来构造目标检测算子f(x) : f(x)=h′(L(x)σ)(7) h是双指数函数,h(t)=h(t?σ)=1σexp(-|t|/σ);h′是指对函数h求一阶导数;σ为双指数函数的系数。与式 (4) 相比,σ=1/d, 并且为了使公式简练, 在幅值上乘以2。代入式 (7) 得检测算子为: f(x)={-1σexp(-L(x))L′(x),L(x)≥01σexp(L(x))L′(x),L(x)＜0(8) 其中, 对于二维函数L(x) ,L′ (x) 是其梯度结果, 即L′ (x) =?L(x) 。 图1为车辆检测模板及其三维立体图, 图1 (a) 为模拟的一个完整的车辆边界;图1 (b) 为使用式 (8) 并依据模拟的车辆形状边界图1 (a) 构造的能综合检测边界灰度改