用于自动目标识别的图像处理
ATR系统一般由三个过程组成。[1]：对整个图像进行用于目标分类的特征通常基于预处理目标芯片的形状或灰度信息。 因此，自动目标识别（ATR）系统的性能主要取决于预处理结果。 在本文中，我们建议应用最新的图像拼接技术来应对这些挑战。 首先，以自适应方式自动生成trimap，以分配适当的已知前景和背景约束。 然后修改的几何聚类，估计目标中心，执行估计trimap。 然后基于传播的消光用于移除非目标区域，同时保留目标信息。 建议使用视觉检查，ATR性能比较和约束依赖性分析进行评估。 我们的方法具有强大的功能，并且胜过传统方案。
I.引言
目标自动识别是将真实实物分为可感知的不同类别的一种行为，通常采用合成孔径雷达和红外探测器所感知到的图像。合成孔径雷达的探测成像可以非常好的满足战场要求，全天候作业能力，低气候状况敏感性，穿越障碍能力和长时待机能力。红外可以在完全漆黑的环境中提供和日光下一样清晰且高分辨率的图像。因为它们对战场行动的高度适应性，孔径合成雷达和红外成像传感器是现行的目标识别的传感器数据公认的主要方式。我们这篇论文将主要聚焦于合成孔径雷达和红外成像所得到的图像。不过这种思想可以用于其他任何传感器.
检测并提取包含潜在目标的区域的目标检测阶段。该识别阶段使用复杂的分类技术从检测阶段提供的潜在目标图像中剔除杂波图像(假警报)来识别真实目标。以及确定目标类型的分类(目标识别)阶段。在检测和识别阶段之后，得到一个“目标芯片”。目标及其阴影在目标芯片的中心部分占据了一小部分；其余的芯片由与目标无关的背景杂波组成，从而降低了有效的信噪比。[2]。
在ATR中，从预处理的目标芯片(有效信噪比增强)中获取具有代表性的特征(即目标图像再现)，然后分类器将它们分配给预定的一组类。由于用于目标分类的特征通常是基于预处理后的目标芯片的形状或灰度信息，因此ATR系统的精度主要取决于预处理的结果。[3]本课题主要研究了提高ATR目标芯片有效信噪比的预处理方法。
预处理可以使用多种可用的方法，可以分为两种：二次化预处理和非二值化预处理。二值化预处理在去除图像其余部分的同时保持目标形状和边界。合成的目标芯片由目标区域(设置为1)和非目标区域(设置为0)组成。最流行的二值化方法之一是阈值化。[4]-[6]但仅使用阈值无法准确分割自然图像中的目标，因为它们具有复杂的背景和不同灰度的目标一致性。因此，许多分割方法被提出。[3]，[7]-[13]。一种是使用模糊阈值和边缘检测。[3]另一种方法是利用强热点假设对热成像中的目标进行检测和跟踪。[7]其他人则使用马尔可夫随机场(Mrf)模型将pix-els之间的空间相关性纳入到分割中。[8]-[10]在MRF的基础上进行了几次尝试，例如Potts先验模型。[8]，迭代条件模型算法。[9]，后边缘最大似然法。[10]。这些方法的结果是令人鼓舞的，但MRF模型可能会删除一些微小但重要的细节，并引入难以确定的参数。提出了一种将各向异性扩散和贝叶斯范式相结合的基于知识的算法。[11]。摘要对于坡度测量土地应用，采用了基于广义最大似然方法的统计最优分段方案。[12]。Otsu法,[14]这是一种全局阈值化方法，被认为是一种有效的技术，也被应用于预处理中。[13]。然而，基于二值化的方法完全失去了强度信息，这是预处理后目标芯片的重要目标特征之一。
非二值化预处理方法在去除非目标区域时保留目标的强度信息。一种方法是删除对象，只留下估计的背景，然后从原点减去它并使用阈值，从而减少背景中的结构[15]。其他非二值化预处理算法是基于一种掩蔽方法，该方法使用一个分割的目标芯片作为二进制掩码。一种算法[16]使用自适应阈值、形态滤波和通用特征聚类去除剩余的非目标目标，结果被覆盖在原始目标芯片上，以获得最终结果。另一种方法[17]，[18]采用双参数恒虚警率(CFAR)进行目标分割，以消除背景杂波和目标阴影。然而，由于形态学滤波和几何聚类不能保持精确的目标形状，这些掩蔽方法可能会丢失目标的焦油获取面积或分割目标。
本文介绍了一种解决ATR前处理问题的图像拼接方法(详见[19])。据我们所知，这是第一次在ATR中应用图像垫。图像拼接指的是准确的前景建立问题，最初是为图像和视频编辑技术而发展起来的。一般情况下，利用前景opac 0le;alpha;ple;1，像素p的观察色ip可以模拟为前景色fp和背景色bp的凸组合。
其中alpha;p=0表示像素p属于背景，alpha;p=1表示像素p属于前景。这是一个不适定的问题，因此这种方法通常需要用户交互，例如三张地图，将图像划分为已知的前景、已知的背景和未知的区域。我们还提出了一种自动生成三位图的方案来解决这个问题。
以往的平席算法可分为基于传播的和基于采样的两种方法.。基于传播的方法[20]-[26]通过定义相邻像素之间的亲缘关系来使用相邻像素之间的关联。通过假设图像统计量，alpha;p信息从已知的前景或背景像素传播到未知像素。局部传播方法[20]-[23]基于局部邻域间的相关性，重点研究了亲和矩阵。非局部传播方法[24]，[25]连接邻居跨越大空间距离。局部和非局部彩色线模型匹配[26]结合了局部传播方法和非局部传播方法。基于传播的方法可以很好地估计alpha;匹配值，前提是将已知的前景和背景信息传播到未知的像素上。基于抽样的方法[27]-[31]使用前景和背景样本来确定阿尔法床垫。采样方法收集一组已知的前景和背景样本，并搜索最佳样本对来表示未知像素的真实前景和背景色。一般情况下，当输入图像包含平滑区域和三图未知区域较小时，基于采样的方法表现出较高的性能。然而，在图像不够平滑和三幅图粗糙的情况下，无法获得高质量的平片结果。
在目标芯片中，目标区域和非目标区域在空间上分离，整个目标区域被连接成一个没有孔的区域。此外，目标芯片中的背景噪声往往太大，无法自动解释数据。针对ATR问题，本文根据目标芯片的特点和组成，采用基于传播的垫片技术。另外，以自适应的方式生成三映射，以分配适当的已知前景和背景约束。然后在估计的三映射上进行修正几何聚类，对目标中心进行稳健估计，去除错误分配的约束。结果表明，该算法结合了基于传播的匹配方法，能够提取目标的精确目标形状，并具有较强的鲁棒性，优于传统的算法。
第二节给出了利用图像拼接的ATR框架，使用IR和SAR数据库的各种实验结果见第三节，第四节为我们的结论。
II.ATR的图像拼接
平片是指从图像和视频中准确提取前景不透明度的问题。一般情况下，图像处理的重点是确定目标边界附近像素的不透明度，而这些像素不是严格意义上的前景或背景。
目标边界将目标芯片划分为目标内部和外部的区域。假设目标芯片由两个层次组成：目标层和非目标层。目标层的值在目标边界内为1，否则为0。整个非目标层的值为0，因为预处理的目的是删除所有非目标区域。如果满足这一假设，实际的目标芯片可以被建模为目标层和非目标层的凸组合。
然而，在实际的图像中，强度在整个区域都有变化，这不符合实际情况。这种强度变化是目标反射率、散射特性、SAR或红外目标的传感波长和热特性等传感环境变化的结果。目标区域的强度表示目标的不透明度，这与传感环境有关。图像拼接可以通过将目标分配到前景，非目标到背景，目标不透明等方法来求解凸组合模型。
为了在ATR中使用图像垫，必须解决三个问题。首先，在ATR处理过程中，用户交互比较困难，因此必须自动分配约束.。对于图像拼接，必须提供足够的输入以解决模糊和约束问题.。根据两层假设，前景约束应该分配给目标区域中最亮的几个像素来表示目标层。相反，背景约束应该分配给构成大部分目标芯片的最暗像素。
第二个问题是实际目标芯片的非目标区域存在强度变化，这不符合两层假设。一些亮点是由噪声、自然杂波和人为杂波引起的，导致约束的正确分配。为了去除预处理后的目标芯片中的非目标信息，必须消除这些异常值。此外，为了防止目标信息的虚假支撑，目标内外像素之间的亲密度应该很低。因此，非局部或基于抽样的垫层方法并不适合解决这个问题。
第三个问题是，用自动生成的约束获得目标alpha（不透明）的凸组合不能容易确定。目标区域的强度变化是ATR的一个重要目标特征。例如，在红外目标图像中，行驶的齿轮（车轮和轨道）和汽车发动机的部件比其他部件更亮。同时，目标可以模仿作为一个有限数量的亮点称为SAR目标散射中心。预处理应保持强度的变化和目标形状的同时去除非目标区域。
为了去除复杂的背景，自动提取目标的精确表示，我们利用了图像拼接的最新进展。同时，本文提出的算法也是为解决ATR应用时在图像拼接中出现的问题而精心设计的。在这一部分中，我们分别提出了自动生成三位图、修改几何聚类和alpha;映射来解决第一、第二和第三个问题，然后详细描述了所提出的方案。该算法的流程图如图1所示。
A.自动三地形图生成
三地形图是由三个区域组成的图像：前场、背景和未知区域.。对于目标识别，我们定义目标区域为前景，非目标获取区域为背景.。要提取出高质量的光泽度，需要生成一个精细的三张图；作为ATR的一个组成部分，它应该是自动生成的。生成三位图的基本策略是检查输入图像，并将前景和背景约束放置在不同强度的区域上。由于在目标芯片中，目标区域的强度高于非目标区域，因此目标芯片的策略是将高强度区域分配给前景，将低强度区域分配给背景。
与一般的图像拼接问题不同的是，具有少量未知像素的稠密三角图并不是ATR的细三图。这意味着基于谱席[32]的无监督光席处理方法，是支持自动平席或基于区域增长的方法[33]的唯一技术，并不适合于目标芯片。
由于基于传播的垫层处理方法的特点，即使在像素具有相似强度和位置的每个区域出现单一约束，也可以获得良好的垫层结果[20]，[25]。然而，目标芯片中的背景噪声往往是严重的，因此使用单一的约束会遇到困难。此外，由于目标芯片的强度差异很大，因此应该自适应地确定约束。
重点是分配几个像散射中心一样的亮点，然后根据它们的空间强度分布来传播自动分配的信息。目标与背景之间的强度差异是目标芯片中的一个明确特征，我们发现强度直方图为目标芯片生成了一个很好的三幅图。
在该算法中，强度约束的实际放置是基于自适应选择的上阈值TH和下阈值TL。阈值的目的是将图像划分为目标区域、非目标区域和未知区域。我们假设用户知道操作环境，如预期目标的大小、传感器与场景之间的距离以及图像分辨率[6]、[34]、[35]。
图中说明了目标芯片和标记目标区域的一个典型示例。2.。为了分配约束，可以通过将目标大小和图像分辨率相乘来粗略估计目标区域内像素的数目。对于前台约束的th计算
其中，W是直方图的Bb宽度，B是直方图的数目，H(·)是直方图的bin计数，TSH是高强度的安全边缘阈值。类似地，TL计算为
其中nt是整个目标芯片中的像素数，而TLS是低强度的安全边缘阈值，nt表示目标区域ni-nt表示非目标区域
我们将像素i的强度表示为ii，其约束标记为ci，即
形式上，目标T、非目标N和未知U三个子集定义为T={i ci=1}，N={i ci=0}和U={i i=0.5}。以这种方式，分配的约束如图3所示。
B.修改的几何聚类
由于噪声的存在，所分配的前景约束可能包含非目标像素。为了消除错误分配的约束，几何聚类操作已被广泛使用[17]、[36]、[37]。由于存在严重的噪声，对传统代数计量学聚类的输入被分割(二值化)结果，如区域生长和区域填充运算结果[36]、自适应阈值化结果[37]和两个参数CFAR结果[17].由于存在严重的噪声，分割结果包括区域生长和区域填充运算结果[36]、自适应阈值化结果[37]和双参数CFAR结果[17].。几个不相交的图像区域，每个区域都包含足够明亮的图像区域，足以成为目标的一部分。传统的几何聚类执行区域标记，并收集统计数据，如大小、边界和每个区域的质量中心。该算法要么根据区域的大小和与目标估计中心线的垂直距离来保留或丢弃标记区域。保留，远离中心线的小区域被丢弃。传统的几何聚类遇到两个问题。第一个问题是使用整个不相交的图像区域来估计目标中心。如果明亮的噪声分量位于一侧，那么目标中心的估计就会被错误地估计。第二个主要问题是被错误丢弃的目标信息无法恢复。目标中心或距离阈值选择不当都会导致目标信息的丢失，由于所分配的前景约束可能包含非目标像素，所以该算法也采用几何聚类。但是，为了克服这些问题，我们提出了一种改进的几何聚类算法。其思想是通过排除远离目标区域的虚假前景约束来实现稳健的目标中心估计。另外，改进的几何聚类采用三映射作为输入，即使消除了一些真正的约束，但对于前景约束损失的鲁棒性强的图像匹配过程，可以恢复第三-C节所示的信息。
在生成的三位图中，前景约束集中在目标区域。我们建议在CIF上应用形态学闭合运算和中值滤波。前景约束在目标区域的人口最密集，但不相互接触。形态学关闭操作填补了实际前景约束之间的空白，然后再进行中值滤波去除独立的假约束。因此，目标中心被设置为上述结果的质量中心。在图中。4、传统几何聚类法估计的目标中心偏向于散射噪声分量，而修正的几何聚类法则对目标中心进行稳健估计。由于修改后的几何聚类是在由许多散乱约束组成的三映射层次上进行的，因此连通分量的数量往往要比传统方法生成的少得多。...。因此，我们标出每个区域，只计算质量中心。为了计算CIF中每个不相交区域到中心的距离，采用了C_nM中稳健估计的目标中心。将距离估计中心的已知目标长度远的前景约束重新定义为未知，得到最终的三映射。
C.Alpha消光
目标及其阴影位于目标芯片的中心部分，其余部分由背景杂波组成。目标区域与非目标区域在空间上分离，整个目标区域连接为一个无孔区域。由于这些特点，匹配算法应根据强度相似性，将指定的前景约束信息传播到其本地邻域。为了防止这些信息传播到非目标区域，非局部或基于抽样的席状图，这对于非均匀图是有效的。
4.。目标中心估计结果：(A)CIF，(B)C；蓝点：常规几何聚类，
全文共24235字，剩余内容已隐藏，支付完成后下载完整资料
英语原文共 18 页，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[10461]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
