劉金花

（湖南信息職業(yè)技術(shù)學(xué)院 湖南 長(zhǎng)沙 410203）

0 引言

在對(duì)圖像進(jìn)行識(shí)別檢測(cè)的研究中，由于部分圖像的模糊程度較高，導(dǎo)致其中的微小目標(biāo)識(shí)別難度較大，針對(duì)該問(wèn)題不少學(xué)者也展開(kāi)了相關(guān)的研究[1-2]。但是就現(xiàn)階段的研究成果而言，對(duì)于微小目標(biāo)的識(shí)別檢測(cè)效率以及檢測(cè)精度仍然存在一定的提升空間[3]。為了能夠?qū)崿F(xiàn)對(duì)圖像信息更加全面深層次的挖掘和分析，提高對(duì)微小目標(biāo)的識(shí)別檢測(cè)效果是十分必要的[4-5]。在圖像目標(biāo)檢測(cè)領(lǐng)域中，楊國(guó)亮等[6]對(duì)原始高光譜圖像進(jìn)行最優(yōu)分?jǐn)?shù)階傅里葉變換，構(gòu)建背景協(xié)方差矩陣，提出了一種基于端元提取和低秩稀疏矩陣分解的高光譜圖像異常目標(biāo)檢測(cè)算法。梅妍玭等[7]提出了基于形態(tài)學(xué)與多尺度空間聚類(lèi)的SAR 圖像變化檢測(cè)方法，在多尺度子空間融合譜聚類(lèi)的基礎(chǔ)上，結(jié)合子空間融合算法進(jìn)行目標(biāo)檢測(cè)，實(shí)驗(yàn)發(fā)現(xiàn)具有良好的檢測(cè)效果。卷積神經(jīng)網(wǎng)絡(luò)作為一種深度學(xué)習(xí)的算法，將其應(yīng)用在目標(biāo)檢測(cè)中將大大提高對(duì)特征的檢出效果。同時(shí)鑒于其強(qiáng)大的學(xué)習(xí)能力，也將改善在微小目標(biāo)識(shí)別過(guò)程中由于圖像模糊造成的識(shí)別效果不好的問(wèn)題。同時(shí)，由于微小目標(biāo)本身的像素?cái)?shù)量較低，因此在對(duì)其進(jìn)行檢測(cè)的過(guò)程中，往往會(huì)出現(xiàn)由于像素識(shí)別錯(cuò)誤導(dǎo)致的漏識(shí)別漏檢出的問(wèn)題[8]，而卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用將有效改善由此帶來(lái)的困擾。

基于此，本文提出基于卷積神經(jīng)網(wǎng)絡(luò)的模糊圖像微小目標(biāo)檢測(cè)方法，并通過(guò)開(kāi)展相關(guān)的實(shí)驗(yàn)測(cè)試分析驗(yàn)證了本文提出方法的實(shí)際應(yīng)用效果。通過(guò)本文的研究也希望可以為相關(guān)圖像識(shí)別檢測(cè)工作開(kāi)展提供有價(jià)值的參考，最大限度實(shí)現(xiàn)對(duì)圖像信息的完整挖掘。

1 模糊圖像微小目標(biāo)檢測(cè)

模糊圖像中背景的模糊程度影響微小目標(biāo)檢測(cè)的效果，因此在進(jìn)行目標(biāo)檢測(cè)之前，需要先抑制模糊圖像的背景部分，避免圖像背景降低微小目標(biāo)檢測(cè)的準(zhǔn)確性。其次，將背景抑制后的模糊圖像輸入至卷積神經(jīng)網(wǎng)絡(luò)中，并堆疊處理卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，進(jìn)一步提高微小目標(biāo)檢測(cè)的準(zhǔn)確性。

1.1 模糊圖像背景抑制

由于圖像的像素較為模糊，導(dǎo)致在對(duì)微小目標(biāo)進(jìn)行檢測(cè)的過(guò)程中，對(duì)其特征的判斷結(jié)果可靠性較低。為此，本文首先對(duì)圖像的各向進(jìn)行同性濾波處理，以此消除圖像中的主要噪聲，為了避免在處理過(guò)程中造成微小圖像邊緣細(xì)節(jié)信息的丟失，本文采用PM 擴(kuò)散模型[9]對(duì)模糊圖像進(jìn)行背景抑制。

首先是對(duì)圖像各向同性擴(kuò)散處理，其計(jì)算方式可以表示為

其中，b( ?E) 表示圖像像素的擴(kuò)散梯度，在實(shí)際的計(jì)算過(guò)程中，本文未考慮梯度負(fù)向波動(dòng)帶來(lái)的影響，以梯度的絕對(duì)值作為參數(shù)，d表示擴(kuò)散邊緣停止函數(shù)系數(shù)。從式（1）中可以看出，線性擴(kuò)散函數(shù)隨圖像的局部特性的變化而變化，因此可以最大限度保留圖像的原始信息。在此基礎(chǔ)上，本文設(shè)置邊緣停止函數(shù)的形式為非負(fù)遞減函數(shù)，通過(guò)這樣的方式實(shí)現(xiàn)對(duì)圖像中每個(gè)像素點(diǎn)灰度與周?chē)徲蛳袼厣系幕叶认虿煌较蚱交瑪U(kuò)散，對(duì)應(yīng)的平滑系數(shù)根據(jù)圖像四鄰域的像素灰度計(jì)算的，其可以表示為

其中，k表示擴(kuò)散處理的平滑系數(shù)，E’(x，y，z)表示目標(biāo)擴(kuò)散圖像信息，c1、c2、c3、c4分別表示像素在四鄰域?qū)?yīng)的擴(kuò)散程度，h為圖像的局部自適應(yīng)算子。

對(duì)于擴(kuò)散停止系數(shù)d的取值，本文以圖像像素點(diǎn)與周?chē)徲蛳袼攸c(diǎn)的梯度變化程度為基準(zhǔn)進(jìn)行計(jì)算，其可以表示為

其中，e為大于0的常數(shù)，當(dāng)d值擴(kuò)散階段執(zhí)行的k值時(shí)，則認(rèn)為此時(shí)的背景區(qū)域是相對(duì)平緩的，對(duì)應(yīng)的平滑程度也較高，則繼續(xù)執(zhí)行擴(kuò)散，否則停止擴(kuò)散。

通過(guò)這樣的方式，實(shí)現(xiàn)對(duì)平穩(wěn)區(qū)域的有效抑制，同時(shí)在過(guò)濾掉起伏背景區(qū)域的條件下，保留發(fā)生突變的目標(biāo)區(qū)域像素信息。

1.2 基于卷積神經(jīng)網(wǎng)絡(luò)的微小目標(biāo)檢測(cè)

在上述基礎(chǔ)上，為了實(shí)現(xiàn)對(duì)圖像微小目標(biāo)的有效檢測(cè)，本文在檢測(cè)階段引入了卷積神經(jīng)網(wǎng)絡(luò)，將經(jīng)過(guò)背景抑制的模糊圖像輸入到卷積神經(jīng)網(wǎng)絡(luò)中，實(shí)現(xiàn)對(duì)微小目標(biāo)的檢測(cè)。其具體的實(shí)現(xiàn)流程見(jiàn)圖1。

按照?qǐng)D1 所示，本文對(duì)卷積神經(jīng)網(wǎng)絡(luò)的設(shè)置進(jìn)行了結(jié)構(gòu)堆疊處理，以此提高網(wǎng)絡(luò)模型的深度，確保對(duì)微小目標(biāo)檢測(cè)的性能。在將處理后的模糊圖像輸入到卷積神經(jīng)網(wǎng)絡(luò)中后，首先在3*3 的活動(dòng)窗口對(duì)圖像進(jìn)行初步分割處理，在此基礎(chǔ)上，在卷積層分別對(duì)9 個(gè)單元進(jìn)行殘差計(jì)算。假設(shè)輸入到卷積神經(jīng)網(wǎng)絡(luò)的圖像信息為E’(x，y，z)，設(shè)置卷積層頂部和底部的權(quán)值分別為W1和W2，f表示卷積層線性修正單元的激活函數(shù)relu，其對(duì)圖像信息的殘差計(jì)算方式可以表示為

其中，ε表示卷積層殘差網(wǎng)絡(luò)結(jié)構(gòu)的輸出結(jié)果，該參數(shù)是卷積神經(jīng)網(wǎng)絡(luò)對(duì)圖像檢測(cè)的主要依據(jù)。

除此之外，對(duì)權(quán)值參數(shù)的更新采用隨機(jī)梯度下降和反向傳播的方式進(jìn)行，此時(shí)全連接層對(duì)圖像信息的端對(duì)端的訓(xùn)練不再依賴(lài)于大規(guī)模的樣本數(shù)據(jù)，得到的結(jié)果也更加準(zhǔn)確。

池化層對(duì)目標(biāo)特征的提取主要是以殘差值的梯度大小為基礎(chǔ)進(jìn)行的，其計(jì)算方式可以表示為

其中，G 表示目標(biāo)特征的提取結(jié)果，εj 表示檢測(cè)目標(biāo)的殘差值，當(dāng)待檢測(cè)目標(biāo)的殘差值的梯度未處于卷積層輸出的殘差閾值范圍內(nèi)時(shí)，即G＜0，則認(rèn)為此時(shí)的目標(biāo)為檢測(cè)目標(biāo)；當(dāng)待檢測(cè)目標(biāo)的殘差值的梯度處于卷積層輸出的殘差閾值范圍內(nèi)時(shí)，即G≥0，則認(rèn)為此時(shí)的目標(biāo)為背景，以此實(shí)現(xiàn)對(duì)微小目標(biāo)的準(zhǔn)確檢測(cè)。

2 測(cè)試分析

為了進(jìn)一步分析驗(yàn)證本文提出的檢測(cè)方法在實(shí)際目標(biāo)檢測(cè)中的應(yīng)用效果，開(kāi)展了對(duì)比分析測(cè)試。其中對(duì)照組分別為文獻(xiàn)[6]中提出的基于端元提取和低秩稀疏矩陣分解的高光譜圖像異常目標(biāo)檢測(cè)方法（下文簡(jiǎn)稱(chēng)“A 算法”）和文獻(xiàn)[7]中提出的基于形態(tài)學(xué)與多尺度空間聚類(lèi)的SAR圖像變化檢測(cè)方法（下文簡(jiǎn)稱(chēng)“B 算法”），通過(guò)對(duì)3 種方法的檢測(cè)效果進(jìn)行比較，客觀地評(píng)價(jià)本文提出方法的應(yīng)用效果。

2.1 測(cè)試數(shù)據(jù)準(zhǔn)備

本文在對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行準(zhǔn)備階段，將 Camvid 數(shù)據(jù)集作為基礎(chǔ)數(shù)據(jù)，并劃分了對(duì)應(yīng)的訓(xùn)練集和測(cè)試集。其中訓(xùn)練集中圖像的規(guī)模為356 張，測(cè)試集中圖像的規(guī)模為223張。其中，圖像中的信息內(nèi)容包含天空、建筑、桿、路、人行道、樹(shù)、交通標(biāo)識(shí)、柵欄、交通工具、行人和自行車(chē)。在此基礎(chǔ)上，利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別時(shí)，采用帶動(dòng)量隨機(jī)梯度下降算法對(duì)目標(biāo)進(jìn)行逐級(jí)檢測(cè)，對(duì)應(yīng)的動(dòng)量參數(shù)為0.95，設(shè)置檢測(cè)階段特征的權(quán)重衰減系數(shù)為 0.005。對(duì)于特征初始值的設(shè)置，令其大小為 0，方差為 0.01，并通過(guò)高斯分布的方式對(duì)圖像進(jìn)行逐層檢測(cè)?？紤]到圖像模糊導(dǎo)致的參數(shù)偏置問(wèn)題，本文使用常數(shù)1 對(duì)其進(jìn)行初始化。卷積神經(jīng)網(wǎng)絡(luò)的初始學(xué)習(xí)率為0.001。

2.2 評(píng)價(jià)指標(biāo)構(gòu)建

在上述實(shí)驗(yàn)環(huán)境的基礎(chǔ)上，分別采用3 種方法對(duì)不同尺度大小的目標(biāo)進(jìn)行檢測(cè)。在對(duì)檢測(cè)結(jié)果進(jìn)行分析的過(guò)程中，為了能夠更加直觀地體現(xiàn)出3 種方法的檢測(cè)效果，本文分別將目標(biāo)檢出率以及目標(biāo)檢出正確率作為評(píng)價(jià)指標(biāo)。其中目標(biāo)檢出率是指最終檢測(cè)出的目標(biāo)數(shù)量占總目標(biāo)數(shù)量的百分比，可用來(lái)判斷算法進(jìn)行目標(biāo)檢測(cè)的完整性，檢出率越高，說(shuō)明檢測(cè)結(jié)果越完整。其計(jì)算方式可以表示為

其中，pc表示目標(biāo)檢出率，ai表示檢測(cè)到的有效目標(biāo)數(shù)量，Q表示目標(biāo)總量。

目標(biāo)檢出正確率是指在檢出的目標(biāo)中，符合檢測(cè)要求的目標(biāo)數(shù)量所占的百分比，可用來(lái)判斷算法在目標(biāo)檢測(cè)過(guò)程中的精準(zhǔn)性，檢出準(zhǔn)確率越高，說(shuō)明檢測(cè)結(jié)果精準(zhǔn)度越高，算法性能越好。其計(jì)算方式可以表示為

其中，pz表示目標(biāo)檢出正確率，Qi表示檢測(cè)到的目標(biāo)總量。

借助上述兩個(gè)指標(biāo)，對(duì)3 種方法的檢測(cè)效果進(jìn)行評(píng)價(jià)對(duì)比。

2.3 測(cè)試結(jié)果與分析

3 種方法對(duì)于圖像中不同尺度目標(biāo)的正確檢出率見(jiàn)表1。

表1 不同方法的目標(biāo)正確檢出率 單位：%

由表1 中的數(shù)據(jù)可以看出，3 種方法的正確檢出率均隨著目標(biāo)尺度的增加而逐漸增大。對(duì)比3 種方法對(duì)不同尺度目標(biāo)的檢測(cè)效果，其中A 算法的檢出率相對(duì)穩(wěn)定，雖然整體正確檢出率呈現(xiàn)出了一定的波動(dòng)，但是基本穩(wěn)定在80%以上，相比之下，B 算法對(duì)目標(biāo)檢出的正確率受目標(biāo)尺度大小的影響更加明顯，其最大值達(dá)到了96.33%，最小值僅為72.64%。本文提出方法的檢出正確率基本穩(wěn)定在92.00%左右，接受目標(biāo)尺度大小的影響相對(duì)較小，表明本文提出的方法可以實(shí)現(xiàn)對(duì)微小目標(biāo)的準(zhǔn)確穩(wěn)定檢測(cè)。這是因?yàn)楸疚奶岢龅姆椒?，利用卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了對(duì)微小目標(biāo)特征的深度學(xué)習(xí)，為檢測(cè)工作的開(kāi)展提供了可靠依據(jù)。

對(duì)3 種方法的整體檢測(cè)完整性進(jìn)行比較分析，得到的數(shù)據(jù)結(jié)果見(jiàn)表2。

表2 不同方法目標(biāo)檢測(cè)完整性對(duì)比表 單位：%

從表2 中可以看出，3 種方法中，對(duì)微小目標(biāo)檢測(cè)的完整性均呈現(xiàn)出了與檢測(cè)目標(biāo)尺度大小成正比的關(guān)系，即檢測(cè)目標(biāo)的尺度越大，檢測(cè)的完整性越高，檢測(cè)目標(biāo)的尺度越小，檢測(cè)的完整性越低。但是通過(guò)縱向?qū)Ρ? 種方法的檢測(cè)效果可以發(fā)現(xiàn)，B 算法檢測(cè)的完整性受目標(biāo)大小的影響最為明顯，其最大值達(dá)到了94.32%，但最小值僅為79.30%。A 算法與之相比有一定的優(yōu)勢(shì)，但整體完整性仍存在一定的提升空間，相比之下本文提出方法對(duì)微小目標(biāo)的檢測(cè)完整性明顯優(yōu)于兩種對(duì)比方法，其最小值也達(dá)到了90.04%，測(cè)試結(jié)果表明本文提出的方法能夠?qū)崿F(xiàn)對(duì)微小目標(biāo)的完整檢測(cè)。這是因?yàn)楸疚奶岢龅姆椒ń柚矸e神經(jīng)網(wǎng)絡(luò)更加深層次地實(shí)現(xiàn)了對(duì)微小目標(biāo)特征的提取，故對(duì)其進(jìn)行檢測(cè)時(shí)，大大提高了識(shí)別的可靠性。

3 結(jié)語(yǔ)

由于模糊圖像本身在像素上存在的特殊性，導(dǎo)致對(duì)其中微小目標(biāo)進(jìn)行檢測(cè)的效果往往不夠理想。本文提出基于卷積神經(jīng)網(wǎng)絡(luò)的模糊圖像微小目標(biāo)檢測(cè)方法，在抑制初始模糊圖像背景的基礎(chǔ)上進(jìn)行卷積神經(jīng)計(jì)算，不僅提高了對(duì)微小目標(biāo)的正確識(shí)別率，同時(shí)也極大地改善了對(duì)目標(biāo)檢測(cè)的完整性。