一種基于卷積神經(jīng)網(wǎng)絡(luò)的海面目標(biāo)圖像背景抑制方法
【專利摘要】本發(fā)明公開了一種基于卷積神經(jīng)網(wǎng)絡(luò)的海面目標(biāo)圖像背景抑制方法。包括：選取復(fù)雜場景下海面目標(biāo)的成像數(shù)據(jù)，預(yù)處理后按照一定的比例分成訓(xùn)練集L1和驗證集L2；用訓(xùn)練集L1訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，并用驗證集L2對網(wǎng)絡(luò)模型調(diào)優(yōu)，得到背景預(yù)測模型B?Mod；對待抑制的海面目標(biāo)圖像，預(yù)處理后輸入背景預(yù)測模型B?Mod，計算出每個像素的背景抑制分量；將每個像素的所有背景抑制分量加和平均得到背景抑制量；利用背景抑制量進(jìn)行適當(dāng)?shù)暮瘮?shù)映射,可以得到背景抑制后的圖像。本發(fā)明根據(jù)海面目標(biāo)圖像中目標(biāo)和背景的差異性，利用深度學(xué)習(xí)的方法獲取圖像中每個像素的背景抑制量，通過實驗驗證了該方法對海面目標(biāo)圖像的背景具有顯著的抑制效果。
【專利說明】
一種基于卷積神經(jīng)網(wǎng)絡(luò)的海面目標(biāo)圖像背景抑制方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，更具體地，涉及一種基于卷積神經(jīng)網(wǎng)絡(luò)的海面目 標(biāo)圖像背景抑制方法。
【背景技術(shù)】
[0002] 自動目標(biāo)檢測是目前智能武器系統(tǒng)研制中的重要組成部分。而紅外技術(shù)因靈敏度 和幀頻高、隱蔽性好、不受使用時間限制，被廣泛應(yīng)用于自尋的武器系統(tǒng)中。一般而言，紅外 探測器角分辨率有限，當(dāng)目標(biāo)距離較遠(yuǎn)時，探測器接收到的目標(biāo)輻射能量較低，同時接收到 了視場內(nèi)其他物體的輻射，因此成像后的圖像中大部分為空間分布不平穩(wěn)的復(fù)雜背景雜波 (如云背景、地面背景、海天背景等），目標(biāo)不僅信噪比較低，而且面積較小。為盡量降低背景 雜波的影響，提高目標(biāo)的信噪比，在檢測任務(wù)之前首先進(jìn)行背景抑制。已有的背景抑制方法 可以分為基于變換域的方法、基于時域的方法和基于空域的方法。總的來說，基于變換域的 方法是將原始圖像進(jìn)行傅立葉或小波變換后，通過濾除低頻的背景并保留高頻的目標(biāo)來達(dá) 到抑制背景的目的?；跁r域的方法是以背景像素在時域上表現(xiàn)出較強(qiáng)的相關(guān)性，而運動 目標(biāo)所在像素在時域上會形成尖峰為依據(jù)，使用以前的圖像對當(dāng)前圖像背景進(jìn)行預(yù)測，然 后用原始圖像減去預(yù)測圖像，完成靜止背景的抑制?；诳沼虻姆椒ǜ鶕?jù)背景在空間上相 關(guān)性較強(qiáng)而目標(biāo)呈現(xiàn)出"奇異點"的特點，在空域內(nèi)對背景進(jìn)行預(yù)測，然后用原始圖像減去 預(yù)測圖像，完成背景抑制?；谧儞Q域和基于時域的方法雖然可以獲得良好的背景抑制效 果，但在實際武器系統(tǒng)中，成像幀頻往往較高U 60HZ)，從探測器采集、傳輸?shù)叫畔⑻幚韱?元完成對圖像所有的處理（目標(biāo)檢測、跟蹤、識別等)一般只有幾毫秒到十幾毫秒，對算法的 實時性要求很高；同時，武器系統(tǒng)自身的姿態(tài)變化將導(dǎo)致幀間圖像存在抖動，像素在時域上 的相關(guān)性很難保證。相比之下，基于空域的背景抑制方法具有更好的實用價值。
[0003] 用深度學(xué)習(xí)做背景抑制的方案就是一種基于空域的實現(xiàn)，當(dāng)然這從深度學(xué)習(xí)特別 是卷積神經(jīng)網(wǎng)絡(luò)自身所適合應(yīng)用的場景來看是很自然的。2006年，Geoffrey Hinton提出了 深度學(xué)習(xí)，之后深度學(xué)習(xí)受到廣泛關(guān)注。神經(jīng)網(wǎng)絡(luò)能夠重新煥發(fā)青春的原因有幾個方面。首 先是大數(shù)據(jù)的出現(xiàn)在很大程度上緩解了訓(xùn)練過擬合的問題。其次是計算機(jī)硬件的飛速發(fā)展 提供了強(qiáng)大的計算能力，使得訓(xùn)練大規(guī)模神經(jīng)網(wǎng)絡(luò)成為可能。此外神經(jīng)網(wǎng)絡(luò)的模型設(shè)計和 訓(xùn)練方法都取得了長足的進(jìn)步。深度學(xué)習(xí)在計算機(jī)視覺領(lǐng)域最具影響力的突破發(fā)生在2012 年，Hinton的研究小組采用深度學(xué)習(xí)贏得了 ImageNet圖像分類的比賽。ImageNet是當(dāng)今計 算機(jī)視覺領(lǐng)域最具影響力的比賽之一。它的訓(xùn)練和測試樣本都來自于互聯(lián)網(wǎng)圖片，訓(xùn)練樣 本超過百萬，任務(wù)是將測試樣本分成1000類。自2009年，包括工業(yè)界在內(nèi)的很多計算機(jī)視覺 小組都參加了每年一度的比賽，各個小組的方法逐漸趨同。在2012年的比賽中，排名2到4位 的小組都采用的是傳統(tǒng)的計算機(jī)視覺方法，手工設(shè)計的特征，相互間準(zhǔn)確率的差別不超過 1 %。而Hinton的研究小組是首次參加比賽，他們拿出的模型(現(xiàn)稱AlexNet)是一個8層的卷 積神經(jīng)網(wǎng)絡(luò)，結(jié)果準(zhǔn)確率比第二名超出了 10%以上，這在計算機(jī)視覺領(lǐng)域產(chǎn)生了極大的震 動，掀起了深度學(xué)習(xí)的熱潮。深度學(xué)習(xí)特別是卷積神經(jīng)網(wǎng)絡(luò)被陸續(xù)應(yīng)用于目標(biāo)檢測，目標(biāo)識 另IJ，人臉識別，圖像分割等計算機(jī)視覺的各個領(lǐng)域，并且都取得了非常好的成績。
[0004] 雖然深度學(xué)習(xí)在很多領(lǐng)域取得了成功，但是卻沒有見到深度學(xué)習(xí)用于背景抑制。 一個原因可能是背景抑制已經(jīng)有了很多成熟的算法，并且主要偏向應(yīng)用，十分強(qiáng)調(diào)實時性， 而深度學(xué)習(xí)雖然可以解決類似的問題，但是一般需要很大的計算量，在硬件有限的條件下 難以保證實時性。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明提供了一種基于卷積神經(jīng)網(wǎng)絡(luò)的海面目標(biāo)圖像背景抑制方法，目的在于解 決不同干擾、不同大氣環(huán)境參數(shù)條件下，同一成像高度下的海面目標(biāo)的圖像背景抑制問題。 該方法利用大量海面目標(biāo)的圖像數(shù)據(jù)，構(gòu)建了卷積神經(jīng)網(wǎng)絡(luò)模型，從大量數(shù)據(jù)中學(xué)習(xí)背景 的先驗知識，完成灰度變換，降低背景雜波，提高目標(biāo)的信噪比，從而實現(xiàn)背景抑制。本方法 對模型預(yù)測進(jìn)行了加速處理，為背景抑制實時性要求提供保證，并且具有適應(yīng)較強(qiáng)海面干 擾的特點。
[0006] -種基于卷積神經(jīng)網(wǎng)絡(luò)的海面目標(biāo)圖像背景抑制方法，包括以下步驟：
[0007] (1)選取云遮擋、海雜波等復(fù)雜場景下海面目標(biāo)的成像數(shù)據(jù)，以固定大小的圖像片 截取數(shù)據(jù)中的典型區(qū)域作為樣本信息，所有圖像對應(yīng)的樣本信息構(gòu)成學(xué)習(xí)集L;
[0008] (2)將學(xué)習(xí)集L中的數(shù)據(jù)進(jìn)行預(yù)處理，即對學(xué)習(xí)集L中的每個圖像片減去自身的均 值；
[0009] (3)將數(shù)據(jù)預(yù)處理后的學(xué)習(xí)集L按照一定的比例分成訓(xùn)練集L1、驗證集1^ 2，使用訓(xùn)練 集1^中的樣本訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，得到正/負(fù)兩類屬性樣本的CNN分類器模型；用驗證集L2樣 本測試CNN分類器性能，統(tǒng)計每個樣本通過CNN分類器模型分類之后的類別屬性，根據(jù)給定 的樣本標(biāo)簽信息，計算 CNN分類器模型的精確率Pprecisicin、召回率Precall;如果 CNN分類器性能 不能達(dá)到設(shè)定的性能指標(biāo)，需要調(diào)整模型超參數(shù)，重新訓(xùn)練，直到滿足性能指標(biāo)為止;將滿 足性能指標(biāo)的最終CNN分類器模型，作為背景預(yù)測模型B-Mod;
[0010] (4)對于待抑制的圖像，進(jìn)行數(shù)據(jù)預(yù)處理，處理后的數(shù)據(jù)通過步驟(3)的背景預(yù)測 模型B-Mod預(yù)測出待抑制圖像中第k個圖像片Patch k屬于正/負(fù)類別的概率ρ?、PD并將ρ? 作為第k個圖像片Patchk中每個像素的背景抑制分量a k(X，y);
[0011] (5)把每個像素的背景抑制分量ak(x，y)加和取平均得到該像素的背景抑制量α (x，y)，再乘以該像素原來的灰度值f(x，y)，以其作為每個像素新的灰度值，并將整幅圖像 歸一化處理后，得到背景抑制圖像。
[0012] 總體而言，通過本發(fā)明所構(gòu)思的以上技術(shù)方案與現(xiàn)有技術(shù)相比，具有以下有益效 果：
[0013] 在現(xiàn)有技術(shù)中，關(guān)于圖像背景抑制的方法尚未形成成熟的解決方案，大部分任務(wù) 是通過人工設(shè)計的模型完成的，通常難以滿足實際應(yīng)用的需求。本發(fā)明利用訓(xùn)練得到卷積 神經(jīng)網(wǎng)絡(luò)模型，通過從大量數(shù)據(jù)中統(tǒng)計學(xué)習(xí)得到待抑制圖像每個像素的背景抑制量α( χ， y)，據(jù)此完成背景抑制，使得抑制效果更加精確。克服了人工主觀設(shè)計背景抑制模型的缺 陷，提高了穩(wěn)定性，改善了海面目標(biāo)圖像背景抑制的質(zhì)量。
[0014] 本發(fā)明提供了一種基于卷積神經(jīng)網(wǎng)絡(luò)的海面目標(biāo)圖像背景抑制方法，該方法對海 面目標(biāo)圖像提取典型區(qū)域信息，訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型，將訓(xùn)練好的分類模型在預(yù)測階段 用于圖到圖的背景抑制變換，具體是將利用分類模型預(yù)測出的圖像片Patchk屬于正/負(fù)類 別的概率Pf，得到每個像素的背景抑制分量#(1，3〇,通過加和取平均得到該像素的 背景抑制量a(x，y)，再乘以該像素原來的灰度值f(x，y)，以其作為每個像素新的灰度值，并 將整幅圖像歸一化處理后，得到背景抑制圖像。本發(fā)明根據(jù)海面目標(biāo)圖像中目標(biāo)與背景在 特征上的顯著差異，使用了機(jī)器學(xué)習(xí)和模式識別方法，實現(xiàn)了對海面目標(biāo)圖像中每個像素 背景抑制量的預(yù)測，形成一套系統(tǒng)的海面目標(biāo)圖像背景抑制量的預(yù)測方法，有效地改進(jìn)了 基于人工模型設(shè)計的方法，提高了海面目標(biāo)圖像背景抑制的準(zhǔn)確性，并且對模型預(yù)測進(jìn)行 了加速處理，為背景抑制實時性要求提供保證，并且具有適應(yīng)較強(qiáng)海面干擾的特點。
【附圖說明】
[0015] 圖1為本發(fā)明一種基于卷積神經(jīng)網(wǎng)絡(luò)的海面目標(biāo)圖像背景抑制方法的流程圖；
[0016] 圖2為具體實施過程中使用的訓(xùn)練集和待抑制圖像；
[0017] 圖3為構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的示意圖；
[0018] 圖4為卷積神經(jīng)網(wǎng)絡(luò)超參數(shù)選擇的示意圖；
[0019] 圖5為模型在測試集上的背景抑制效果圖；
[0020] 圖6為消除卷積中冗余計算的示意圖。
【具體實施方式】
[0021] 為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下結(jié)合附圖及實施例，對 本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并 不用于限定本發(fā)明。此外，下面所描述的本發(fā)明各個實施方式中所涉及到的技術(shù)特征只要 彼此之間未構(gòu)成沖突就可以相互組合。
[0022] -種基于卷積神經(jīng)網(wǎng)絡(luò)的海面目標(biāo)圖像背景抑制方法，具體實施過程的流程如圖 1所示：
[0023] 1背景學(xué)習(xí)階段
[0024] 1.1數(shù)據(jù)準(zhǔn)備階段
[0025]收集探測器對云遮擋、海雜波等復(fù)雜場景的成像數(shù)據(jù):為保證數(shù)據(jù)多樣，收集數(shù)據(jù) 需要考慮海面目標(biāo)的不同形態(tài)、云層和煙霧干擾、海況、反光等各種海面可能會遇到且對成 像質(zhì)量造成影響的因素，保證數(shù)據(jù)不失一般性。
[0026] 1.1.1學(xué)習(xí)集 L
[0027] 從收集的海面目標(biāo)數(shù)據(jù)中，以m*n大小的圖像片截取數(shù)據(jù)中的典型區(qū)域作為樣本 信息，所有圖像截取之后對應(yīng)的樣本數(shù)據(jù)，對收集的樣本數(shù)據(jù)進(jìn)行清洗，去除不完整的、錯 誤的、重復(fù)的以及不相關(guān)的數(shù)據(jù)，構(gòu)成學(xué)習(xí)集L。
[0028] 1.1.2正負(fù)類別屬性
[0029] 根據(jù)圖像片包含目標(biāo)與不包含目標(biāo)，給樣本標(biāo)記類別屬性。具體是，取完全包含目 標(biāo)的圖像片作為正樣本，并標(biāo)記為+1;取不包含目標(biāo)的海面背景為負(fù)樣本，并標(biāo)記為-1;從 而保證正負(fù)樣本分別能盡可能地表示目標(biāo)和背景的信息。
[0030] 1.2數(shù)據(jù)預(yù)處理
[0031]對學(xué)習(xí)集L中的圖像片進(jìn)行預(yù)處理，設(shè)學(xué)習(xí)集L中的圖像片矩陣Z = {Z1，Z2，···， Ζρ···，Ζη}，預(yù)處理后的矩陣為X，則：
[0032]
[0033] 其中，Zj是一個m維的列向量。
[0034]原始數(shù)據(jù)經(jīng)過上述去中心化預(yù)處理之后，可以去除樣本的相關(guān)性，能夠使模型訓(xùn) 練更快地收斂，也有利于圖像重點特征的學(xué)習(xí)。對學(xué)習(xí)集L預(yù)處理之后，按照一定比例分成 訓(xùn)練集L1、驗證集L 2，典型比例為3:1。
[0035] 1 · 3背景預(yù)測模型B-Mod
[0036] 1.3.1模型結(jié)構(gòu)和超參數(shù)設(shè)置
[0037] 考慮實際應(yīng)用中，由于不同的海況、天氣下對海面成像數(shù)據(jù)的影響，導(dǎo)致成像數(shù)據(jù) 的不同，CNN分類器模型結(jié)構(gòu)要根據(jù)這些實際情況作適當(dāng)調(diào)整。本專利在自己采集的數(shù)據(jù) (如圖2所示)上，通過驗證集1^對模型結(jié)構(gòu)選優(yōu)得到最佳的模型結(jié)構(gòu)（如圖3所示）。該結(jié)構(gòu) 共有5層，其中2個卷積層、1個下采樣層和2個全連接層(包括輸出層）；卷積層的卷積模板數(shù) 目為12，卷積模板尺寸為3 X 3,步長stride選為1，并在圖像塊邊界處進(jìn)行補(bǔ)零處理； pool ing層的方法選擇的是2 X 2無重疊的最大池化方法，全連接層單元數(shù)為60;激活函數(shù)選 雙曲正切tanh函數(shù)，輸出層選用softmax分類器，目標(biāo)函數(shù)選擇交叉熵?fù)p失函數(shù);將卷積模 板權(quán)值初始化為[-/Vi，-/VH ]內(nèi)均勻選取的值，其中η為上一層中節(jié)點個數(shù)，偏置項初 始化為〇;最優(yōu)化算法選擇的是批量梯度下降法，每次迭代的樣本量選64，沖量momentum為 0.9,學(xué)習(xí)率learning rate為0.01;采用Dropout(如圖4(b)所示）、Weight decay和數(shù)據(jù)擴(kuò) 充的方法防止過擬合，其中Dropout參數(shù)設(shè)為0.5 ,Weight decay參數(shù)設(shè)為le-6，數(shù)據(jù)擴(kuò)充的 具體做法是對圖像做翻轉(zhuǎn)和平移生成新的圖像。
[0038] 1.3.2模型性能評估方法
[0039]用精確率Pprecisicin、召回率PrecaIi測試CNN分類器性能，具體為:統(tǒng)計CNN分類器在驗 證集L2上的預(yù)測情況，根據(jù)樣本的標(biāo)簽信息，將正類預(yù)測為正類的數(shù)目記為"TP"，將正類預(yù) 測為負(fù)類的數(shù)目記為"FN"，將負(fù)類預(yù)測為正類的數(shù)目記為"FP"，將負(fù)類預(yù)測為負(fù)類的數(shù)目 記為"TN"，則：
[0040]
[0041]
[0042] 1 · 3 · 3獲得背景預(yù)測模型B-Mod
[0043]使用訓(xùn)練集L1中的樣本訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，得到正/負(fù)兩類屬性樣本的CNN分類器 模型；用驗證集1^樣本測試CNN分類器性能，統(tǒng)計每個樣本通過CNN分類器模型分類之后的 類別屬性，根據(jù)給定的樣本標(biāo)簽信息，計算CNN分類器模型的精確率Pprecisicm、召回率P recaIl ; 如果CNN分類器性能不能達(dá)到設(shè)定的性能指標(biāo)，需要調(diào)整模型超參數(shù)，重新訓(xùn)練，直到滿足 性能指標(biāo)為止。將滿足性能指標(biāo)的最終CNN分類器模型，作為背景預(yù)測模型B-Mod。
[0044] 2背景抑制階段
[0045] 利用背景預(yù)測模型B-Mod預(yù)測每個像素的背景抑制量，完成背景抑制。
[0046] 2.1全圖預(yù)處理
[0047] 對于待抑制的圖像，進(jìn)行數(shù)據(jù)預(yù)處理時，考慮全圖預(yù)處理，而不是逐個圖像片地預(yù) 處理，這可以消除卷積中大量的冗余計算（如圖6)，加快了模型預(yù)測速度，保證了背景抑制 算法的實時性。具體為：
[0048]遍歷待抑制圖像，把每個像素點的灰度值減去它周圍一定范圍內(nèi)的灰度均值。設(shè)f (x，y)為待抑制圖像任一像素點，P(Xd)為待抑制圖像預(yù)處理后與f(x，y)對應(yīng)的像素點， 矩陣U= {ui，U2，···，Uj，···，uc}為以f (x，y)為中心的r*c大小的領(lǐng)域矩陣，則:
[0049]
[0050] 其中，Uj是一個r維的列向量。
[0051] 2.2每個圖像片屬于正/負(fù)類別的概率pf、JpG
[0052]對于待抑制的圖像，在用背景預(yù)測模型B-Mod進(jìn)行前向預(yù)測時，將模型前面的卷積 層和下采樣層直接作用于圖像，而不是對其遍歷得到的圖像片，得到數(shù)據(jù)立方體;按照對圖 像進(jìn)行逐個圖像片遍歷的順序，將背景預(yù)測模型B-Mod的全連接層作用于數(shù)據(jù)立方體中對 應(yīng)于該圖像片的小立方體，計算得到每個圖像片屬于正/負(fù)類別的概率ρ?、P/了；
[0053] 2.3每個像素的背景抑制量€[(^50
[0054] 將圖像片Patchk屬于正類的概率ρ?作為第k個圖像片Patchk中每個像素的背景抑 制分量 <^(1，5〇，即
[0055]
[0056] 把每個像素的背景抑制分量hk(x，y)加和取平均得到該像素的背景抑制量α(χ， y)，具體方法為：
[0057] 設(shè)遍歷待抑制圖像共得到K個圖像片，則：
[0058]
[0059]
[0060]
[0061 ] 2.4背景抑制
[0062]將每個像素的背景抑制量a(x，y)，乘以該像素原來的灰度值f(x，y)，以其作為每 個像素新的灰度值h(x，y);在得到每個像素新的灰度值之后，需要將整幅圖像歸一化處理， 得到背景抑制圖像，具體方法為：
[0063] h(x，y)=a(x，y)*f(x，y)
[0064] 設(shè)背景抑制后的圖像為g(x，y)，則h(X，y)4g(x，y)的映射關(guān)系如下：
[0065]
[0066] 其中，|^(1，7)111￡?，8(1，7)11^]為設(shè)定的歸一化區(qū)間，對于灰度圖像，典型值為[0， 255];h(x，y) max為所有像素中背景抑制量最大值;h(x，y)min為所有像素中背景抑制量最小 值。圖5為本發(fā)明對四張原始圖像背景抑制后的效果圖。
[0067] 本發(fā)明在對圖像進(jìn)行背景抑制時，首先將大量圖像進(jìn)行背景學(xué)習(xí)，然后根據(jù)學(xué)習(xí) 出來的背景知識，進(jìn)行灰度變換，完成背景抑制。傳統(tǒng)的圖像背景抑制方法都是經(jīng)過人為的 經(jīng)驗，根據(jù)背景的低頻或者相關(guān)性強(qiáng)等性質(zhì)，進(jìn)行相應(yīng)的灰度變換，從而實現(xiàn)背景抑制，這 往往遺漏掉數(shù)據(jù)中很多高價值的背景知識。深度學(xué)習(xí)作為近年來計算機(jī)視覺領(lǐng)域出現(xiàn)的新 方法，能夠較好的從大量數(shù)據(jù)中自動地學(xué)習(xí)背景知識，相比于傳統(tǒng)人為設(shè)計的方法，基于深 度學(xué)習(xí)的背景學(xué)習(xí)方法更能準(zhǔn)確的區(qū)分背景和目標(biāo)的特征，計算出圖像上每個圖像片屬于 目標(biāo)或者背景的概率，為作進(jìn)一步背景抑制的灰度變換提供了非常有價值的先驗知識。
[0068] 圖5所示為本發(fā)明實施例中使用的待抑制圖像與它們被本發(fā)明圖像背景抑制的結(jié) 果對比圖。對比發(fā)現(xiàn)，本發(fā)明提出的圖像背景抑制方法，能夠從大量數(shù)據(jù)中學(xué)習(xí)目標(biāo)和背景 知識，從而實現(xiàn)背景抑制，降低了背景雜波的影響，大大提高了目標(biāo)的信噪比，能夠適應(yīng)較 強(qiáng)的海面干擾，且能夠滿足背景抑制算法實時性要求高的特點。
[0069] 本領(lǐng)域的技術(shù)人員容易理解，以上所述僅為本發(fā)明的較佳實施例而已，并不用以 限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含 在本發(fā)明的保護(hù)范圍之內(nèi)。
【主權(quán)項】
1. 一種基于卷積神經(jīng)網(wǎng)絡(luò)的海面目標(biāo)圖像背景抑制方法，其特征在于，所述方法包括： (1) 選取復(fù)雜場景下海面目標(biāo)的成像數(shù)據(jù)，W固定大小的圖像片截取數(shù)據(jù)中的典型區(qū) 域作為樣本信息，W完全包含目標(biāo)的樣本為正樣本，W不包含目標(biāo)的樣本為負(fù)樣本，從所有 圖像數(shù)據(jù)中截取到的樣本數(shù)據(jù)構(gòu)成學(xué)習(xí)集L (2) 將學(xué)習(xí)集L中的數(shù)據(jù)進(jìn)行預(yù)處理，即對學(xué)習(xí)集L中的每個圖像片減去自身的均值； (3) 將數(shù)據(jù)預(yù)處理后的學(xué)習(xí)集L按照一定的比例分成訓(xùn)練集b、驗證集L2,使用訓(xùn)練集^ 中的樣本訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，得到正/負(fù)兩類屬性樣本的CNN分類器模型；用驗證集L2樣本 測試α^Ν分類器性能，統(tǒng)計每個樣本通過分類器模型分類之后的類別屬性，根據(jù)給定的 樣本標(biāo)簽信息，計算C順分類器模型的精確率Pprecisinn、召回率Precall ;如果C順分類器性能不 能達(dá)到設(shè)定的性能指標(biāo)，需要調(diào)整模型超參數(shù)，重新訓(xùn)練，直到滿足性能指標(biāo)為止;將滿足 性能指標(biāo)的最終CNN分類器模型，作為背景預(yù)測模型B-Mod; (4) 對于待抑制的圖像，進(jìn)行數(shù)據(jù)預(yù)處理，處理后的數(shù)據(jù)通過步驟（3)的背景預(yù)測模型 B-Mod預(yù)測出待抑制圖像中第k個圖像片化tchk屬于正/負(fù)類別的概率挺、祐，并將扣作 為第k個圖像片化tchk中每個像素的背景抑制分量ak(x，y); (5) 把每個像素的背景抑制分量ak(x，y)加和取平均得到該像素的背景抑制量a(x，y)， 再乘W該像素原來的灰度值f(x，y)，W其作為每個像素新的灰度值，并將整幅圖像歸一化 處理后，得到背景抑制圖像。2. 如權(quán)利要求1所述的方法，其特征在于，所述步驟(2)中對學(xué)習(xí)集L中的圖像片進(jìn)行預(yù) 處理的具體方法為： 設(shè)學(xué)習(xí)集L中的圖像片矩陣Z={Z1，Z2,…，Zj，…，Zn}，預(yù)處理后的矩陣為X，則：其中，Zj是一個m維的列向量。3. 如權(quán)利要求1或2所述的方法，其特征在于，所述步驟(3)中將數(shù)據(jù)預(yù)處理后的學(xué)習(xí)集 L按照一定比例分成訓(xùn)練集b、驗證集L2，具體方法為:從收集的海面目標(biāo)數(shù)據(jù)中，Wm*n大小 的圖像片截取數(shù)據(jù)中的典型區(qū)域作為樣本信息，給予運些樣本正/負(fù)標(biāo)簽信息，并將其隨機(jī) 分成一定比例的兩個集合，作為訓(xùn)練集b、驗證集L2。4. 如權(quán)利要求1或2所述的方法，其特征在于，所述步驟(3)中用驗證集L2樣本測試α^Ν分 類器性能，其中CNN分類器模型的精確率?。,6。131。。、召回率片6。311的計算具體為： 統(tǒng)計分類器性能在驗證集L2上的預(yù)測情況，根據(jù)樣本的標(biāo)簽信息，將正類預(yù)測為正 類的數(shù)目記為"ΤΡ"，將正類預(yù)測為負(fù)類的數(shù)目記為"FN"，將負(fù)類預(yù)測為正類的數(shù)目記為 "FP"，將負(fù)類預(yù)測為負(fù)類的數(shù)目記為叮Ν"，則：5. 如權(quán)利要求1或2所述的方法，其特征在于，所述步驟(4)中，對于待抑制的圖像，在用 背景預(yù)測模型B-Mod進(jìn)行前向預(yù)測時，將模型前面的卷積層和下采樣層直接作用于圖像，得 到數(shù)據(jù)立方體;按照對圖像進(jìn)行逐個圖像片遍歷的順序，將背景預(yù)測模型B-Mod的全連接層 作用于數(shù)據(jù)立方體中對應(yīng)于該圖像片的小立方體，計算得到每個圖像片屬于正/負(fù)類別的 概率 Pk+、6. 如權(quán)利要求1或2所述的方法，其特征在于，所述步驟(4)中，對于待抑制的圖像，進(jìn)行 數(shù)據(jù)預(yù)處理時，考慮全圖預(yù)處理，具體為： 遍歷待抑制圖像，把每個像素點的灰度值減去它周圍一定范圍內(nèi)的灰度均值，設(shè)f(x， y)為待抑制圖像任一像素點，f/(x，y)為待抑制圖像預(yù)處理后與f(x，y)對應(yīng)的像素點，矩陣 u= {山，112，···，Uj，···，Uc}為Wf (x，y)為中屯、的r*c大小的領(lǐng)域矩陣，貝ij:其中，uj是一個r維的列向量。7. 如權(quán)利要求1或2所述的方法，其特征在于，所述步驟(4)中，數(shù)據(jù)預(yù)處理之后，用背景 預(yù)測模型6-1〇(1預(yù)測出待抑制圖像中第1^個圖像片化*加^屬于正/負(fù)類別的概率轉(zhuǎn)^ |7;，并 將ρ?"作為第k個圖像片化tchk中每個像素的背景抑制分量ak(x，y)，即8. 如權(quán)利要求1或2所述的方法，其特征在于，所述步驟(5)中，把每個像素的背景抑制 分量hk(x，y)加和取平均得到該像素的背景抑制量a(x，y)，再乘W該像素原來的灰度值f ^，7)，^其作為每個像素新的灰度值11^，7)，具體方法為： 設(shè)遍歷待抑制圖像共得到K個圖像片，則：9. 如權(quán)利要求1或2所述的方法，其特征在于，所述步驟(5)中，在得到每個像素新的灰 度值之后，需要將整幅圖像歸一化處理，得到背景抑制圖像，具體方法為： 設(shè)背景抑制后的圖像為g(x，y)，貝化(x，y)^g(x，y)的映射關(guān)系如下：其中，^山7)。3、，邑山7)"1。]為設(shè)定的歸一化區(qū)間，對于灰度圖像，典型值為[〇,255]山 (X，y)max為所有像素中背景抑制量最大值;h(X，y)min為所有像素中背景抑制量最小值。
【文檔編號】G06K9/62GK105844627SQ201610159838
【公開日】2016年8月10日
【申請日】2016年3月21日
【發(fā)明人】楊衛(wèi)東, 丁中干, 曹治國, 桑農(nóng), 顏露新, 黎云, 蔣哲興, 齊航
【申請人】華中科技大學(xué)