基于光谱成像系统的小目标识别技术的研究
人工智能技术与咨询
来源：《计算机科学与应用》 ，作者管泽海等
关键词: 光谱成像；目标识别；图像；算法；
摘要: 针对天地复杂背景下红外弱小目标的检测，提出了一种基于光谱成像融合top-hat变换、光谱识别的新方法。首先将改进的top-hat变换应用于红外弱小目标图像，将图像中与目标特性相似的像素进行增强，并去除云层背景对目标的干扰，得到若干疑似目标的增强结果，并结合阈值分割方法对增强结果进行筛选，剔除大部分不符合弱小红外目标特性的背景干扰点。然后采用光谱匹配算法，通过三种测度进行加权匹配，去除图像处理中对干扰物、噪声等因素的干扰，得到筛选过的目标识别结果，通过实验证明，本文提出的算法相较于传统弱小目标检测有更好的检测效果。
1. 引言
由于当前战争领域已经逐渐转变为局部化、小规模化、高技术化。尤其是空中武器的打击力量，在现代战争中已经变得愈发重要。因此，对于复杂环境小的小目标算法的研究，对提高预警、制导等诸多领域的准确率有很大帮助。
国际上定义小目标尺寸不超过9 * 9个像素，无形状、无纹理等特征信息。在复杂的背景和早生种，很难将小目标与背景杂波有效区分。传统图像算法使用hand-made feature，常用方法有SIFT、HOG、图像金字塔等 [1] [2] [3] [4] [5]。对于小目标的检测，传统图像算法有人工复杂度高，模型泛化性差等缺点，因此逐渐被深度学习模型取代。而这些深度学习算法需要庞大的数据库进行训练，也需要庞大的计算量。由于传统的基于红外图像的目标识别技术都是通过图像信号的变化，来确定目标位置，因此受器件、信号处理系统等方面产生的噪声影响较大，而引入光谱成像等于增加了一个维度，将能更为准确地判断出目标。因此本文通过光谱匹配的方式弥补传统小目标识别算法的不足，降低虚警率，并通过小目标识别的算法降低光谱识别的计算量，达到实时性、准确性高的要求。
2. top-hat算子的目标增强算法
弱小目标检测一般由背景抑制、提取潜在目标点、提取真实目标点三部分组成。远距离成像的红外图像中主要包含目标、背景以及噪声，可以用式(2-1)描述 [6]
Figure 1. Algorithm steps
图1. 算法步骤图
红外弱小目标在图像的三维灰度分布上会呈峰值效应，因此红外弱小目标的检测任务即为将图像中具有峰值特性的位置从背景中完整的分割出来，并与非目标的噪声、干扰等进行区分，尽可能地降低虚警率。
1) 背景抑制
top-hat算法是一种形态学滤波算法，其算法主要有开运算和闭运算构成。在背景的预测阶段，取图像的开运算作用于红外图像来达到去除小目标的目的，使得红外图像中只剩下背景；在背景的去除阶段用原始图片减去预测的背景来提取出小目标。其算法原理如公式(2-2)所示 [8] [9]：
3. 光谱匹配算法
1) 自适应变权重光谱相似性测度
采用上述模型获得的特征光谱能够最大程度地表征不同目标间的光谱特征差异，下一步需要利用光谱相似性测度进行基于特征光谱的弹道目标匹配识别。由于导弹尾焰气体辐射特性主要受高温高压条件下二氧化碳和水蒸气的影响，其在特定波段的谱线会表现出一定程度的相似性，尾焰气体组分越接近，这种相似性表现得越为明显，若只采用单一相似性测度判别会造成较大程度的误判，因此需要采用更加精确的相似性判别方法 [13] [14]。本文结合多个光谱相似性指标，提出一种能够根据匹配对象间的差异特点自动调整权重系数的新型光谱相似性测度，即SAVM。下面分别介绍SAVM所涉及的相似性指标，并给出其表达式 [15] [16]。
4. 实验结果与分析
本文通过headwall光谱相机对空中背景的小目标进行成像，包括云团、地空背景等信息。通过MATLAB以及ENVI对数据进行处理。
如图2显示了对图像进行背景抑制以及阈值分割后的图像，可以看出在背景抑制后，已明显将大部分灰度较低的信息去除，并在阈值分割之后仅留下了变化较大的边缘部分以及可能的小目标点。
Figure 2. Image preprocessing results
图2. 图像预处理结果
通过对纯净背景下的目标进行的光谱提取得到目标的光谱图如图3。
Figure 3. Characteristic spectra of small targets
图3. 小目标的特征光谱
将该光谱用作特征光谱，结合光谱相机拍照图片可以得到小目标的识别结果如图4。
在特征光谱提取后，对目标图像进行光谱相似度的测试，通过前文提到的四种测度进行匹配。为验证本文基于光谱成像的小目标识别算法有效，与现有仅通过图像处理的提取算法对比，主要是阈值分割检测法的结果进行对比，可以明显看出对于目标的提取数量有显著区别，即能够较好地排除噪声即干扰物等的影响。
将该光谱用作特征光谱，结合光谱相机拍照图片可以得到小目标的识别结果如图4。
Figure 4. Small target extraction results
图4. 小目标提取结果图
通过两种提取方法的比较，仅从数量上就能看出光谱成像的识别方法。
本文算法对比传统小目标提取算法的结果，即单通过图像处理的角度提取小目标,消除了噪声和背景等因素的干扰，在提取的精度上有了明显的提升。
5. 结论
本文提出了基于光谱成像的小目标检测算法，该算法通过top-hat算法对空域图像进行初步处理，大致划分出可能的小目标区域，节省后续光谱匹配算法的计算量，利用光谱的特性对目标进行识别，达到时效性和准确性。并且通过实验结果表明，该算法对复杂背景下的小目标识别效果显著。
我们的服务类型公开课程
人工智能、大数据、嵌入式
内训课程
普通内训、定制内训
项目咨询
技术路线设计、算法设计与实现（图像处理、自然语言处理、语音识别）
