CN101149803A - 点源目标检测的小虚警率的试验估计方法 - Google Patents

Abstract

一种点源目标检测的小虚警率的试验估计方法，包括①构建图像样本集合，计算图像均值m和图像局部统计标准差S，作为特征A和B，②特征A和B的分布进行数学建模；③构建样本特征空间；④寻找易发生虚警的背景图像；⑤根据找寻到的易产生虚警的背景图像数目与分布情况判断能否实现样本空间的分类，分别进入步骤⑥或⑦；⑥将图像分类结果扩展到整个图像特征空间，估计整个图像空间的检测性能；⑦根据样本集合在特征空间中的分布，设计新的样本特征值，仿真新的测试样本图像。本发明可降低工作量，减少模拟计算复杂程度。可运用于在云图背景远距离红外运动点目标有高可靠检测要求的任务中极低虚警率的测试估计。

Description

点源目标检测的小虚警率的试验估计方法

技术领域

本发明属于数字图像处理方法与试验设计，具体涉及一种点源目标检测的小虚警率的试验估计方法，主要运用于红外云图背景中运动点目标检测算法的性能评估。

背景技术

几乎所有探讨检测性能的文献都利用检测概率和虚警概率来评价检测性能。Schmieder详细讨论了在可见光图像中目标检测概率与图像信噪比和对比度之间的关系；见Schmieder D E，Weathersby M R，DetectionPerformance in Clutter with Variable Resolution.IEEE Transactions onAerospace and Electronic Systems.Jul 1983.AES-19(4)：622-630.

Adam讨论了概率密度函数与检测和识别模型之间的关系，见AdamCaromicoli，Thomas Kurien.Multitarget Identification in Airborne Surveillance.SPIE.1989.1098：161-176.

Driggers讨论了算法性能与所设定的红外图像模型之间的关系，见Driggers R G，Vollmerhausen R，Edwards T.The Target IdentificationPerformance of Infrared Imager Models as a Function of Blur and Sampling.SPIE.1999.3701：26-34.

Mc Williams针对具体算法讨论了检测概率和虚警概率与目标信噪比之间的关系，见Mc Williams J K，Srinath M D.Performance analysis of a targetdetection system using infrared imagery.IEEE Transactions On Aerospace andElectronic Systems，1984.20(1)：38-48.

评价滤波器对于复杂背景中小目标的滤波检测性能，不仅要考虑对噪声和低频杂波的抑制能力，还需要衡量对高频杂波的抑制效果。因此简单的通过输出信噪比、或信噪比增益来衡量滤波器的优劣是不合适的，采用虚警率Pf、检测概率Pd来衡量某一项检测技术或算法滤波器的性能更为合理。

但是，对于小虚警率的测量，简单样本采样仿真测试计算量大，耗时长，而恶化信噪比的虚警率测试方法在试验设计上是不完善的。

发明内容

本发明的目的在于提供一种点源目标检测的小虚警率的试验估计方法，该方法可以克服运动点目标小虚警率不易测试的难题，能更加合理有效地测试算法性能，降低工作量，减少模拟计算复杂程度。

本发明提供的点源目标检测的小虚警率的试验估计方法，其步骤包括：

(1)从云层背景总体中随机抽取图像，构成图像样本集合；再对该图像样本集合中的每一个样本进行特征提取，计算图像均值m和图像局部统计标准差S，分别作为特征A和特征B；

(2)分别对特征A和B在图像样本集合中的分布进行数学建模；

(3)利用特征A和B构建图像样本特征空间；

(4)按照下述过程在图像样本特征空间中寻找易发生虚警的背景图像：

(4.1)以图像均值m和局部统计标准差S作为特征统计量，统计图像库中每一幅图像Image^k的特征值(m^k，S^k)，其中，1≤k≤R，R为图像库中图像的数目，k为图像库中图像的序号；

(4.2)遍历图像库中所有图像，对于图像Image^k(m^k，S^k)，若在图像库中查找到图像Image^p(m^p，S^p)有m^p＞m^k或S^p＞S^k，1≤p≤R，p≠k，则放弃记录图像Image^k，否则记录图像Image^k为Image_c ^k，继续对下一幅图像进行判断直到所有图像遍历完成；

(4.3)利用待评估的被测试算法软件检测以Image_c ^k为背景的仿真序列图像，若出现虚警或漏警，记录为Image_c，k，并将其在从图像库中暂时剔出；对于所有的Image_c ^k而言，若仿真检测没有出现异常情况，则确定其边界图像Image_c，k和Image_c ^k，然后进入步骤(5)，否则转入步骤(4.2)；

(5)根据找寻到的易产生虚警的背景图像数目与分布情况判断能否实现样本空间的分类，如果能够分类，进入步骤(6)，否则进入步骤(7)；

(6)若采用某幅图像Image_c ^k(m_c ^k，S_c ^k)仿真序列图像并进行目标测试且无虚警出现，则对于图像库中所有Image^q(m^q，S^q)，有 $m^q\≤m_c^k$ 且 $S^q\≤S_c^k,$ 1≤q≤R，q≠k，推测得到以Image^q为背景的仿真序列图像检测目标测试的虚警率Pf≈0，若采用某幅临界图像Image_c ^k(m_c ^k，S_c ^k)仿真序列图像并进行目标测试且无漏警出现，则对于图像库中所有Image^q(m^q，S^q)，有 $m^q\≤m_c^k$ 且 $S^q\≤S_c^k,$ 1≤q≤R，q≠k，推测得到以Image^q为背景的仿真序列图像检测目标测试的虚警率Pd≈100％；将步骤(5)中图像分类结果扩展到整个图像特征空间，对图像库中所有未进行仿真测试过的图像的试验仿真测试结果进行推测，结合试验测试结果，估计整个图像空间的检测性能；

(7)根据样本集合在特征空间中的分布，设计新的样本特征值，仿真新的测试样本图像。

本发明利用了红外云图背景的统计特性，将样本空间的特征分布推广到图像特征空间中去，使虚警率测试问题转化为对图像特征空间的分类问题。本发明对远距离红外运动点目标高可靠检测的性能评价起着至关重要的影响，根据一个红外云图样本集合，利用红外云图背景的统计特性，将样本空间的特征分布推广到图像特征空间中去，使虚警率测试问题转化为对图像特征空间的分类问题来解决，通过对部分样本的仿真测试，依据理论推导将部分样本的仿真测试结果推广到整个图像空间，预测出检测算法对整个图像空间的检测性能，降低工作量，减少模拟计算复杂程度。可运用于在云图背景远距离红外运动点目标有高可靠检测要求的任务中极低虚警率的测试估计，如：卫星平台军事目标预警及远距离红外飞行目标监测技术的性能评价等等。

附图说明

图1是本发明点源目标检测的小虚警率的试验估计方法的流程图；

图2是本发明中使用到检测概率、虚警率与背景分布的关系分析图；

图3是中波红外云图样本集合特征统计数学建模图；

图4是中波红外云图样本特征空间示意图；

图5是直接查找法测试实验图像特征值分布图；

图6是构造法图像特征值分布图。

具体实施方式

下面结合附图和实例对本发明作进一步详细的说明。

使用本发明对红外云图背景运动点目标高可靠检测性能进行小虚警的估算和测试，其流程如图1所示：

(1)首先对图像样本集合中的每一个样本进行特征提取，计算图像均值m作为特征A、图像局部统计标准差S作为特征B。所使用的图像样本集合应遵循随机的原则从云层背景总体中抽取以满足试验需要。

对应定义公式如下：

图像均值 $m=\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}I(i,j)}{N\×M}---\left(1\right)$

图像局部统计标准差 $S=\frac{\sqrt{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{(I(i,j)-m_{\mathrm{loc}}(i,j,l))}^2}}{N\×M}---\left(2\right)$

其中，l为维高斯空间滤波器模板大小；I(i，j)为输入图像中像素点(i，j)的灰度；m_loc(i，j，l)为以像素点(i，j)为中心，l×l大小的局部区域像素平均灰度值；输入图像大小N×M。

(2)分别对特征A和B在样本集合中的分布进行数学建模。由于是自然环境中的场景，其统计分布特性必然符合一定的客观规律。

如中波红外昼间云图特征统计与数学模型见图2，图2(a)为样本集合局部统计标准差直方图与对数正态分布拟合曲线，图2(b)为样本集合均值直方图与对数正态分布拟合曲线。

可以确定试验用中波云层背景图像特征值：局部统计标准差S、均值m都能较好地服从对数正态分布。由于图像特征均值与标准差相互独立，其二维联合分布概率密度函数

$f(m,S)=\frac{1}{2\mathrm{\πmS}{\mathrm{\φ}}_1{\mathrm{\φ}}_2}\exp [-\frac{{(\log \left(m\right)-{\mathrm{\α}}_1)}^2}{2{{\mathrm{\φ}}_1}^2}-\frac{{(\log \left(S\right)-{\mathrm{\α}}_2)}^2}{2{{\mathrm{\φ}}_2}^2}]---\left(3\right)$

(0＜m＜+∞，0＜S＜+∞)

概率分布函数

$F(m,S)=\∫\∫\frac{1}{2\mathrm{\π}{\mathrm{\φ}}_1{\mathrm{\φ}}_2\mathrm{mS}}\exp [-\frac{{(\log \left(m\right)-{\mathrm{\α}}_1)}^2}{2{{\mathrm{\φ}}_1}^2}-\frac{{(\log \left(S\right)-{\mathrm{\α}}_2)}^2}{2{{\mathrm{\φ}}_2}^2}]\mathrm{dxdy}---\left(4\right)$

(0＜m＜+∞，0＜S＜+∞)

(3)利用特征A和B构建图像样本特征空间。

选择图像均值和图像局部统计标准差作为样本特征空间的特征量主要原因是：

对于单帧图像而言，基于Neyman-Pearson准则可以较好的表示出检测过程中恒检测概率下的虚警率Pf(cpd)和恒虚警率下的检测概率Pd(cpf)，如图3所示，图3(a)中阴影部分表示恒检测概率下的虚警率Pf(cpd)随背景平移和拉伸产生变化的情况，图3(b)中阴影部分表示恒虚警率下的检测概率Pd(cpf)随背景平移和拉伸产生变化的情况。若将背景分布线性拉伸(不改变均值)或增强(整体平移背景)都将造成恒检测概率下虚警率Pf(cpd)的增加、恒虚警率下检测概率Pd(cpf)的下降。背景强度平移将会造成背景图像均值m的改变，不改变均值的背景线性拉伸将会使得背景全局标准差S_all、局部统计标准差S改变。其中定义图像全局标准差

$S_{\mathrm{all}}=\frac{\sqrt{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{(I(i,j)-m)}^2}}{N\×M}---\left(5\right)$

由m增大引起的变化：Pd(cpf)单调减小Pf(cpd)单调增大，由S_all增大引起的变化有：S单调增大Pd(cpf)单调减小Pf(cpd)单调增大。且m与S_all不相关，S与S_all相关。

由于m与S不相关，m与S_all不相关，S_all与S相关，对于S_all和S这两个特征，选取其中之一作为背景统计特征。因为造成虚警的主要成分是各项特征与目标近似的背景杂波，对于小目标检测而言，虚警点必然是高频信号，所以挑选去局部均值后的图像(高通滤波)进行变化和统计，即统计特征值确定为m与S。

(4)在图像样本特征空间中寻找易发生虚警的背景图像。

直接查找法寻找易发生虚警的背景图像，具体步骤如下：

(4.1)以图像均值m和局部统计标准差S作为特征统计量，统计图像库中每一幅图像Image^k的特征值(m^k，S^k)，其中，1≤k≤R，R为图像库中图像的数目，k为图像库中图像的序号；

(4.2)遍历图像库中所有图像，对于图像Image^k(m^k，S^k)，若在图像库中查找到图像Imsge^p(m^p，S^p)有m^p＞m^k或S^p＞S^k，1≤p≤R，p≠k，则放弃记录图像Image^k，否则记录图像Image^k为Image_c ^k。继续对下一幅图像进行判断直到图像库中所有图像遍历完成；

(4.3)利用待评估的被测试算法软件检测以Image_c ^k为背景的仿真序列图像，若出现虚警或漏警，记录为Image_c，k，并将其在从图像库中暂时剔出；对于所有的Image_c ^k而言，若仿真检测没有出现异常情况，则确定其边界图像Image_c，k和Image_c ^k，然后进入步骤(5)，否则转入步骤(4.2)；

其中序列图像仿真及检测步骤如下

(4.3.1)构建相机成像模型、平台运动模型、随机噪声模型，目标点运动模型，目标强度变化模型、背景变化模型。

(4.3.2)以Image_c ^k为背景，在确定的仿真精度下，利用(4.3.1)中的模型仿真序列图像。

(4.3.3)将(4.3.2)中产生的序列图像作为输入，测试待评估算法软件，记录检测结果。

(4.3.4)重复步骤(4.3.2)-(4.3.3)共十次，若有至少一次仿真检测结果出现虚假目标，可判断Image_c ^k对待评估算法而言为易发生虚警的背景图像，否则可认为Image_c ^k为不易发生虚警的背景图像。

(5)根据找寻到的易产生虚警的背景图像数目与分布情况判断能否实现样本空间的分类，如果能够分类，进入步骤(6)，否则进入步骤(7)。

(6)若采用某幅图像Image_c ^k(m_c ^k，S_c ^k)仿真序列图像并进行目标测试且无虚警出现，则对于图像库中所有Image^q(m^q，S^q)，有 $m^q\≤m_c^k$ 且 $S^q\≤S_c^k,$ 1≤q≤R，q≠k，以Image^q为背景的仿真序列图像检测目标测试的虚警率Pf≈0，若采用某幅临界图像Image_c ^k(m_c ^k，S_c ^k)仿真序列图像并进行目标测试且无漏警出现，则对于图像库中所有Image^q(m^q，S^q)，有 $m^q\≤m_c^k$ 且 $S^q\≤S_c^k,$ 1≤q≤R，q≠k，可推测以Image^q为背景的仿真序列图像检测目标测试的虚警率Pd≈100％。将步骤(5)中图像分类结果扩展到整个图像特征空间，对图像库中所有未进行仿真测试过的图像的试验仿真测试结果进行推测，结合试验测试结果，估计整个图像空间的检测性能。

(7)根据样本集合在特征空间中的分布，设计新的样本特征值，仿真新的测试样本图像。构造法具体步骤如下：

(7.1)以图像均值m和局部统计标准差S作为特征空间坐标轴的横轴和竖轴，统计图像库中每一幅图像Image^k的特征值(m^k，S^k)，其中，1≤k≤R，R为图像库中图像的数目，k为图像库中图像的序号；

(7.2)遍历图像库中所有图像，对于图像Image^k(m^k，S^k)，若在图像库中查找到图像Image^p(m^p，S^p)有m^p＞m^k或S^p＞S^k，1≤p≤L，p≠k，则放弃记录图像Image^k，否则记录图像Image^k为Image_c ^k；继续对下一幅图像进行判断直到所有图像遍历完成；

(7.3)将Image_c ^k进行变换改变其特征值，平移增加均值m^k，拉伸局部统计标准差S^k，有m_new＝m^k+D，S_new＝S^k×E使得新构造图像Image_new的特征值为(m_new，S_new)，其中平移系数D＞0，拉伸系数E≥1；

(7.4)利用待评估算法软件检测以Image_new为背景的仿真序列图像，若出现虚警或漏警，记录为Image_c，k，若对于Image_new，没有出现虚警或漏警，则加大平移系数D和拉伸系数E，再次进入步骤(7.3)；

(7.5)重复步骤(7.3)-(7.4)，直到可以实现图像特征空间的分类，进入步骤(6)，计算带评估算法对整个图像特征空间的检测性能。

实例：

图4所示的是昼间中波红外云图样本集合在图像特征空间中的分布图，图5是根据上述步骤(5.1)-(5.3)对易发生虚警的背景图像进行直接查找的过程图，每一轮查找后可能的临界图像Image_c ^k用圆圈在特征分布图中标示出来，而测试出现虚警或漏警的图像Image_c，k用星号“^*”标示。图5(a)～(e)是第一轮到第五轮易产生虚警图像的搜索结果，经过5轮搜索，实现了对样本集合的成功分类。

图6是根据上述步骤(8.1)-(8.4)对易发生虚警的背景图像进行构造法的过程图，图6(a)用圆圈标志了边缘图像的特征值分布，图6(b)用星号“^*”标志出新构图像的特征值分布，图6(c)是利用仿真检测新构图像的结果分布图，“◇”标志的点表示在此特征对出现了虚警情况，用折线在样本特征空间中分割出无虚警出现的区域(左下角区域)和有虚警出现的区域(右上角区域)。

Claims (3)

1.一种点源目标检测的小虚警率的试验估计方法，其步骤包括：

(1)从云层背景总体中随机抽取图像，构成图像样本集合；再对该图像样本集合中的每一个样本进行特征提取，计算图像均值m和图像局部统计标准差S，分别作为特征A和特征B；

(2)分别对特征A和B在图像样本集合中的分布进行数学建模；

(3)利用特征A和B构建图像样本特征空间；

(4)按照下述过程在图像样本特征空间中寻找易发生虚警的背景图像：

(4.1)以图像均值m和局部统计标准差S作为特征统计量，统计图像库中每一幅图像Image^k的特征值(m^k，S^k)，其中，1≤k≤R，R为图像库中图像的数目，k为图像库中图像的序号；

(4.2)遍历图像库中所有图像，对于图像Image^k(m^k，S^k)，若在图像库中查找到图像Image^p(m^p，S^p)有m^p＞m^k或S^p＞S^k，1≤p≤R，p≠k，则放弃记录图像Image^k，否则记录图像Image^k为Image_c ^k，继续对下一幅图像进行判断直到所有图像遍历完成；

(4.3)利用待评估的被测试算法软件检测以Image_c ^k为背景的仿真序列图像，若出现虚警或漏警，记录为Image_c，k，并将其在从图像库中暂时剔出；对于所有的Image_c ^k而言，若仿真检测没有出现异常情况，则确定其边界图像Image_c，k和Image_c ^k，然后进入步骤(5)，否则转入步骤(4.2)；

(5)根据找寻到的易产生虚警的背景图像数目与分布情况判断能否实现样本空间的分类，如果能够分类，进入步骤(6)，否则进入步骤(7)；

(6)若采用某幅图像Image_c ^k(m_c ^k，S_c ^k)仿真序列图像并进行目标测试且无虚警出现，则对于图像库中所有Image^q(m^q，S^q)，有 $m^q\≤m_c^k$ 且 $S^q\≤S_c^k,$ 1≤q≤R，q≠k，推测得到以Image^q为背景的仿真序列图像检测目标测试的虚警率Pf≈0，若采用某幅临界图像Image_c ^k(m_c ^k，S_c ^k)仿真序列图像并进行目标测试且无漏警出现，则对于图像库中所有Image^q(m^q，S^q)，有 $m^q\≤m_c^k$ 且 $S^q\≤S_c^k,$ 1≤q≤R，q ≠ k，推测得到以Image^q为背景的仿真序列图像检测目标测试的虚警率Pd≈100％；将步骤(5)中图像分类结果扩展到整个图像特征空间，对图像库中所有未进行仿真测试过的图像的试验仿真测试结果进行推测，结合试验测试结果，估计整个图像空间的检测性能；

(7)根据样本集合在特征空间中的分布，设计新的样本特征值，仿真新的测试样本图像。

2.根据权利要求1所述的方法，其特征在于：步骤(4.3)中序列图像仿真及检测步骤如下：

(4.3.1)构建相机成像模型、平台运动模型、随机噪声模型，目标点运动模型，目标强度变化模型、背景变化模型；

(4.3.2)以Image_c ^k为背景，在确定的仿真精度下，利用步骤(4.3.1)中的模型仿真序列图像；

(4.3.3)将步骤(4.3.2)中产生的序列图像作为输入，测试待评估算法软件，记录检测结果；

(4.3.4)重复步骤(4.3.2)-(4.3.3)至少十次，若有至少一次仿真检测结果出现虚假目标，判断Image_c ^k对待评估算法而言为易发生虚警的背景图像，否则认为Image_c ^k为不易发生虚警的背景图像。

3.根据权利要求1或2所述的方法，其特征在于：步骤(7)包括以下过程：

(7.1)以图像均值m和局部统计标准差S作为坐标轴的横轴和竖轴，统计图像库中每一幅图像Image^k的特征值；

(7.2)遍历图像库中所有图像，对于图像Image^k(m^k，S^k)，若在图像库中查找到图像Image^p(m^p，S^p)有m^p＞m^k或S^p＞S^k，1≤p≤L，p≠k，则放弃记录图像Image^k，否则记录图像Image^k为Image_c ^k；继续对下一幅图像进行判断直到所有图像遍历完成；

(7.3)将Image_c ^k进行变换改变其特征值，平移增加均值m^k，拉伸局部统计标准差S^k，有m_new＝m^k+D，S_new＝S^k×E使得新构造图像Image_new的特征值为(m_new，S_new)，其中平移系数D＞0，拉伸系数E≥1；

(7.4)利用待评估算法软件检测以Image_new为背景的仿真序列图像，若出现虚警或漏警，记录为Image_c，k，若对于Image_new，没有出现虚警或漏警，则加大平移系数D和拉伸系数E，再次进入步骤(7.3)；

(7.5)重复步骤(7.3)-(7.4)，直到实现图像特征空间的分类，进入步骤(6)，计算带评估算法对整个图像特征空间的检测性能。

Images