基于小目標(biāo)檢測的改進小波閾值去噪算法?

Class NumberTN219

1引言

遠程小目標(biāo)檢測技術(shù)一直是視頻監(jiān)控領(lǐng)域中的重要組成部分和研究前沿，它涉及計算機視覺、運動分析、信號處理和模式識別等眾多技術(shù)，在諸如農(nóng)業(yè)、軍事、交通等領(lǐng)域具有重要的應(yīng)用價值。由于遠程小目標(biāo)在整個監(jiān)控視頻幀中占據(jù)的比例較小，受現(xiàn)有硬件技術(shù)的限制，所獲得的小目標(biāo)圖像的邊緣一般都較為模糊，缺少足夠的紋理信息等，特別是對于具有復(fù)雜背境的遠程小目標(biāo)則更加難于檢測識別，為了尋求更加準(zhǔn)確有效的檢測方法，一直以來是相關(guān)研究人員努力的熱點方向。

近年來，國內(nèi)外不少學(xué)者提出了許多的解決方案：文獻［1］通過基于閾值的分類方法得到目標(biāo)的位置信息來進行遠程小目標(biāo)檢測，但該種方法所分析的是圖像的灰度信息，其運算量往往較高，不利于實際的應(yīng)用。文獻［2］通過紅外探測器件對遠程小目標(biāo)的熱輻射進行探測來完成對其檢測，但由于檢測器件與目標(biāo)之間存在熱輻射，所獲得的圖像中含有較多的噪聲，導(dǎo)致圖像質(zhì)量很差。文獻［3］通過小波變換的多分辨率特性檢測遠程小目標(biāo)，對于背景不太復(fù)雜的目標(biāo)檢測效率較高，但通常的情況是遠程小目標(biāo)的背景一般比較復(fù)雜，從而使得檢測出的圖像中存在較多的噪聲等虛假信息。文獻［4～5］運用傳統(tǒng)的動態(tài)閾值分割方法，通過差分圖像的灰度直方圖獲取單一全局閾值進行目標(biāo)檢測，但不能對目標(biāo)和背景進行有效的劃分，致使目標(biāo)檢測精度不高。文獻［6］運用動態(tài)規(guī)劃的方法，將遠程小目標(biāo)檢測問題轉(zhuǎn)化成對目標(biāo)運動軌跡的檢測問題，但該種方法在對目標(biāo)軌跡進行尋優(yōu)的過程中需要耗費大量的時間和能量，應(yīng)用性較差。文獻［7］采用形態(tài)學(xué)運算的方法來對遠程小目標(biāo)進行檢測，該方法對圖像結(jié)構(gòu)元素的穩(wěn)定性要求較高，對于復(fù)雜環(huán)境下圖像結(jié)構(gòu)存在異常的小目標(biāo)圖像的檢測則存在一定困難。

針對以上方法存在的問題，在遠程小目標(biāo)檢測系統(tǒng)的設(shè)計中，本文提出了一種改進的小波閾值去噪算法，同時還給出了該檢測系統(tǒng)硬件結(jié)構(gòu)的詳細設(shè)計。

2改進小波閾值去噪法

本節(jié)在分析傳統(tǒng)的小波閾值去噪法存在的局限性的基礎(chǔ)上，提出了一種改進的小波閾值去噪法，并應(yīng)用于遠程小目標(biāo)檢測系統(tǒng)的軟件設(shè)計中。

2.1傳統(tǒng)的小波閾值去噪法

D.L.Donoho等在文獻［8～9］中率先提出了小波閾值去噪算法，按照對小波系數(shù)處理方法的不同，進一步分為硬閾值去噪法和軟閾值去噪法。其中：硬閾值去噪法的相應(yīng)數(shù)學(xué)模型為

軟閾值去噪法的相應(yīng)數(shù)學(xué)模型為

式（1～2）中：λ為閾值，通常取λ=2 log N；wjk為小波系數(shù)；w^jk為處理后小波系數(shù)。其圖形分別如圖1所示。

圖1 軟硬閾值去噪法曲線圖

2.2改進的小波閾值去噪法

從上節(jié)中可以看出，式（1）在|wjk|=λ時是不連續(xù)的，這容易導(dǎo)致利用w^jk所得到的重構(gòu)信號出現(xiàn)許多附加的振蕩，致使原始信號失去光滑性；而式（2）中的w^jk的整體連續(xù)性雖然較式（1）要好，但當(dāng)wjk≥λ時，閾值處理后的估計值w^jk與閾值處理前的各尺度下的wjk之間總存在恒定的偏差，同時w^jk的導(dǎo)數(shù)不連續(xù)，存在一定的局限性，在實際應(yīng)用中影響去噪的效果［10～11］。

針對傳統(tǒng)小波閾值去噪法存在的不足，文獻［12］提出了一種軟硬閾值折衷法。其數(shù)學(xué)模型如下：

式中sign()為符號函數(shù)，μ為調(diào)節(jié)因子，其于的與前述相同。在實際應(yīng)用中，可以通過適當(dāng)調(diào)整上述公式中μ的大小來調(diào)節(jié)閾值處理后的估計值w^jk與閾值處理前的各尺度下的wjk之間存在的恒定偏差，以獲得較好的去噪效果。但該方法無平滑作用，僅對軟、硬閾值函數(shù)進行了折衷，缺乏一定的靈活性。

為此，本文將在式（3）的基礎(chǔ)上，提出一種新的去噪算法：

對于wjk＞0時，不妨假設(shè)：

其中，n為接近速度系數(shù)。顯然，當(dāng)wjk＞＞λ時，有w^jk→wjk。

考慮到一般情況，式（4）可變形為

因此可將式（3）改為

3檢測系統(tǒng)的硬件設(shè)計

在遠程小目標(biāo)檢測的實際應(yīng)用中，除了有更好的算法以外，還要求要有設(shè)計合理、性能優(yōu)良的硬件平臺。下面給出該檢測系統(tǒng)的硬件邏輯結(jié)構(gòu)的詳細設(shè)計。

3.1總體邏輯結(jié)構(gòu)設(shè)計

本文中設(shè)計的遠程小目標(biāo)檢測系統(tǒng)的硬件邏輯結(jié)構(gòu)圖如圖2所示。

圖2 硬件總體邏輯結(jié)構(gòu)圖

該系統(tǒng)工作流程如下：

1）通過圖像采集模塊將采集到的遠程圖像數(shù)據(jù)保存至SDRAM模塊中；

2）將SDRAM模塊中的傳輸?shù)綀D像顯示模塊上顯示；

3）同時，將SDRAM模塊中的圖像數(shù)據(jù)傳輸至目標(biāo)檢測模塊，在該模塊中運行遠程小目標(biāo)檢測算法。

3.2各模塊具體設(shè)計

3.2.1圖像采集模塊的設(shè)計

圖像采集模塊的主要功能：對圖像傳感器進行驅(qū)動，將圖像傳感器采集到的圖像數(shù)據(jù)轉(zhuǎn)換成RGB格式，并保存至SDRAM中。該模塊的結(jié)構(gòu)如圖3所示。

圖3 圖像采集模塊的結(jié)構(gòu)設(shè)計圖

考慮到價格因素，本文中的傳感器選擇MT9J003傳感器，雖然其視覺效果較CCD傳感器略差，但其價格低廉，視覺效果也完全能勝任實驗性測試任務(wù)的要求。

3.2.2 SDRAM電路設(shè)計

本文中，選用四端口的SDRAM控制器作為SDRAM模塊，該模塊中有兩個讀端口和兩個寫端口，同時，該模塊還將作為圖像傳感器和VGA顯示器的緩存。SDRAM電路圖如圖4所示。

圖4 SDRAM電路設(shè)計圖

3.2.3圖像顯示模塊的設(shè)計

圖像顯示模塊的主要功能：將保存在SDRAM中的圖像數(shù)據(jù)發(fā)送至VGA上進行顯示。

該模塊主要由VGA控制器、SDRAM提供的緩存以及4端口SDRAM控制器提供的端口構(gòu)成。其結(jié)構(gòu)圖用圖5所示。

圖5 遠程圖像顯示模塊結(jié)構(gòu)圖

考慮到存儲的遠程圖像與顯示的遠程圖像的大小存在差異，為了避免導(dǎo)致存儲和顯示的數(shù)據(jù)異常，在該模塊中增加了一個FIFO存儲器，以實現(xiàn)數(shù)據(jù)的同步處理。

3.2.4檢測模塊的設(shè)計

檢測模塊的主要功能是負(fù)責(zé)對遠程小目標(biāo)進行檢測。在該模塊的設(shè)計中，以DE2開發(fā)板為核心，通過jtag-uart模塊對改進小波閾值去噪法進行下載，對圖像顯示模塊中的遠程小目標(biāo)圖像數(shù)據(jù)進行檢測。

4實驗分析

為了驗證本文提出的改進方法的有效性，在實驗中結(jié)合采用傳統(tǒng)的小波閾值去噪法，對某遠程視頻圖像中的小目標(biāo)序列進行分析檢測。其中，計算機硬件配置為：酷睿雙核、主頻2.0GHz的CPU，4G大小的內(nèi)存；計算機軟件配置為：Windows 7.0操作系統(tǒng)，軟件開發(fā)平臺為C++6.0；小波基函數(shù)選擇Daubechies。

實驗中輸入的數(shù)據(jù)為某街道的遠程視頻，其視頻幀大小為684*528，如圖6（a）、（b）所示。

從圖6的視頻幀中不難看出，街道中的行人在整個圖像中占據(jù)的比例是極小的，該行人上裝的顏色與周圍車輛顏色極其相近，下裝的顏色又與道路的顏色接近，要對該小目標(biāo)進行準(zhǔn)確檢測，顯然存在相當(dāng)大的難度。圖7（a）、（b）是運用傳統(tǒng)的小波閾值去噪法得到兩幅幀圖像，從這兩幅幀圖像中顯然無法檢測出行人的目標(biāo)。圖7（c）、（d）是運用本文提出的改進小波閾值去噪法得到的兩幅幀圖像，通過這幅幀圖像不難看出：背景中的車輛和道路的顏色對小目標(biāo)行人所造成的干擾被有效地過濾掉了，準(zhǔn)確檢測出了該小目標(biāo)。由此說明本文的改進方法具有較強的有效性。

圖6 某街道遠程視頻幀圖像

圖7 某街道遠程小目標(biāo)（行人）檢測效果對比圖

為了更進一步驗證本文方法的有效性及優(yōu)越性，在相同的實驗狀態(tài)下，分別運用本文方法和傳統(tǒng)小波閾值去噪法對3個遠程小目標(biāo)進行檢測比較分析，其結(jié)果如表1所示。

表1 3個運程小目標(biāo)檢測統(tǒng)計分析

從表1中可得，傳統(tǒng)方法的正確檢測率只有27%，而運用本文方法的正確檢測率則高達96%，說明運用本文方法在對多個運程小目標(biāo)進行檢測方面仍然具有很好的有效性及優(yōu)越性。

5結(jié)語

針對傳統(tǒng)小波閾值去噪法及其折衷法在遠程小目標(biāo)檢測中所存在的重構(gòu)信號出現(xiàn)的附加震蕩和估計值與原始值之前存在的恒定誤差，提出了一種改進的小波閾值去噪算法。在系統(tǒng)硬件模塊設(shè)計中，圖像傳感器在圖像采集模塊的驅(qū)動下，將采集到的圖像數(shù)據(jù)存儲到SDRAM模塊中，并傳輸至檢測模塊中，通過該模塊運行本文提出的改進算法。實驗表明，本文提出的算法與傳統(tǒng)方法相比具有可行性，能夠?qū)崟r準(zhǔn)確地將遠程小目標(biāo)從復(fù)雜的背境中分割出來，提高了檢測的精度和準(zhǔn)確性，在計算機視覺識別中有一定的適用價值。

［1］崔璇.天空背景下紅外小目標(biāo)檢測算法研究［D］.西安：陜西師范大學(xué)，2015：25-35.

CUI Xuan.Research on infrared small target detection al?gorithm in sky background［D］.Xi'an：Shanxi Normal Uni?versity，2015：25-35.

［2］高照忠，魏海霞，喻懷義.遙感圖像中微小紅外目標(biāo)的分類定位識別［J］.科技通報，2015，31（12）：231-233.

GAO Zhaozhong，WEI Haixia，YU Huaiyi.Classification and Identification of Micro Infrared Targets in Remote Sensing Image［J］.Bulletin of Science and Technology，2015，31（12）：231-233.

［3］呂建明，牛燕雄，劉海霞，等.基于局部特性實現(xiàn)單幀圖像小目標(biāo)檢測的研究［J］.紅外，2014，35（2）：37-43.

YU Jianming，NIU Yanxiong，LIU Hanxia，et al.Research on Detecting Small Targets in Single-frame Images Based on Local Features［J］.Infrared，2014，35（2）：37-43.

［4］趙征.紅外小目標(biāo)圖像預(yù)處理與檢測算法研究［D］.西安：西安電子科技大學(xué)，2014.17-40.

ZHAO Zheng.Research on Preprocessing and Detection Algorithm of Small Target in Infrared Image［D］.Xi'an：Xi'an University of Electronic Science and Technology，2014.17-40.

［5］王建璽，甘泉，馬飛.非線性干擾圖像下遠程船舶目標(biāo)自動檢測仿真［J］.計算機仿真，2015，32（5）：395-398.

WANG Jianxi，GAN Quan，MA Fei.Simulation of Remote Ship's Target Detection Based on Nonlinear Interference［J］.Computer Simulation，2015，32（5）：395-398.

［6］鄒洪清，王代強.基于GPRS動態(tài)圖像監(jiān)控的設(shè)計與實現(xiàn)［J］.電子設(shè)計工程，2015（1）：113-115.

ZOU Hongqing，WAN Daiqiang.Design and Implementa?tion of Dynamic Image Monitor Based on GPRS［J］.Elec?tronic Design Engineering，2015（1）：113-115.

［7］修曉玉，劉玉喜，周國輝.基于壓縮感知的遙感圖像小運動目標(biāo)檢測技術(shù)研究［J］.計算機應(yīng)用與軟件，2014（5）：219-222.

XIU Xiaoyu，LIU Yuxi，ZHOU Guohui.Research on De?tecting Small Moving Target Based on Compressed Sens?ing in Remote Sensing Image［J］.Computer Applications and Software，2014（5）：219-222.

［8］Donoho D L.Denoising by soft-thresholding［J］.IEEE Transactionson Information Theory，1995，41（3）：613-627.

［9］Donoho D L，Johnstone I M.Adapt to unknown smooth?ness via wavelet shrinkage［J］.Journal of the American Statistical Association，1995，90（432）：1200-1224.

［10］朱艷芹，楊先麟.幾種基于小波閾值去噪的改進方法

An Improved Wavelet Threshold Denoising Algorithm Based on SmallTarget Detection

LIU Bing1，2
（1.Dazhou Vocationaland Technical College，Dazhou 635001）（2.College of Computer and Information Science，Southwest University，Chongqing 400715）

In the remote small target detection，because of the traditional wavelet threshold denoising method and its algo?rithm will lead to additional oscillation of the reconstructed signal and the existence of the constant deviation before and after pro?cessing.An improved wavelet threshold denoising method is proposed to get the improved function curve to approach the traditional threshold curve quickly by the method ofthe higher root.And then，this paper presents the overalldesign ofthe hardware modules of the smalltargetdetection system，and applies the improved waveletthreshold denoising method to the software design ofthe system. Experimentalresults show thatthe algorithm proposed in this paper can segmentremote targets more quickly and accurately than tra?ditionalmethods，and improve the precision and accuracy ofthe detection.Ithas certain practicalvalue.

waveletthreshold，smalltarget，denoising，detection，video frame

2017年3月1日，

2017年4月17日

國家自然科學(xué)基金項目（編號：51972712）；四川省教育廳重點科技計劃項目（編號：14ZA0330）資助。

劉冰，男，副教授，研究方向：圖像處理、虛擬現(xiàn)實、信息安全等。