基于特點(diǎn)提取和形態(tài)理論的實(shí)時(shí)自動(dòng)小目標(biāo)檢測(cè)

1、基于特點(diǎn)提取和形態(tài)理論的實(shí)時(shí)自動(dòng)小目標(biāo)檢測(cè)摘要：我們提出了一個(gè)實(shí)時(shí)紅外圖像的目標(biāo)檢測(cè)方法。該方法結(jié)合了特點(diǎn)檢測(cè)技術(shù)和形態(tài)學(xué)理論?；谔攸c(diǎn)提取技術(shù)的本地調(diào)頻專為突出潛在的目標(biāo)區(qū)域。通過(guò)特點(diǎn)提取和與閾值處理得到潛在的目標(biāo)映射，然后形態(tài)學(xué)操作用于噪聲抑制。實(shí)驗(yàn)結(jié)果證明該方法用于目標(biāo)檢測(cè)是可靠和有效的。1、引言作為自動(dòng)目標(biāo)識(shí)別（ATR）的基本步驟，利用紅外系統(tǒng)的自動(dòng)目標(biāo)檢測(cè)（ATD）技術(shù)已經(jīng)發(fā)展到可以估計(jì)圖像中目標(biāo)的位置和形狀。ATD的主要任務(wù)是在雜亂的背景中以較低的誤警率檢測(cè)所需目標(biāo)。ATD技術(shù)有很多種1.例如，傳統(tǒng)方法包括形態(tài)學(xué)小波法2、方向小波法3、形態(tài)學(xué)法4。Top-Hat5、Max-Mean

2、和Max-Median6都是基于形態(tài)學(xué)的濾波算法。圖像熵和經(jīng)驗(yàn)?zāi)B(tài)分解用于sea-sky7背景下目標(biāo)檢測(cè)。分形方法被廣泛用于紅外目標(biāo)探測(cè)8。然而，事實(shí)證明分形方法有時(shí)是不準(zhǔn)確的并且耗費(fèi)時(shí)間。有關(guān)于設(shè)計(jì)用于人造目標(biāo)的紅外特征過(guò)濾器的研究。例如，Park將Mexican hat濾波用于紅外檢測(cè)9。此外Weber設(shè)計(jì)了six Gabor過(guò)濾器，其中兩個(gè)是真正定向Gabor函數(shù)來(lái)檢測(cè)物體的高度和寬度，其他四個(gè)用于尋找物體10。Sun將區(qū)域和邊界結(jié)合、本地模糊閾值、雜波抑制用于小目標(biāo)檢測(cè)11。Deng進(jìn)一步完善了基于自適應(yīng)閾值方法的SINM進(jìn)行小目標(biāo)檢測(cè)12?；趬K的統(tǒng)計(jì)，Bae 用新的重量結(jié)構(gòu)和非線性

3、步長(zhǎng)對(duì)小目標(biāo)檢測(cè)13。視覺(jué)顯著檢測(cè)最近很受歡迎14-20。特點(diǎn)提取在許多計(jì)算機(jī)視覺(jué)任務(wù)中是一個(gè)重要的步驟，視覺(jué)任務(wù)包括物體的識(shí)別，圖像分割和自適應(yīng)壓縮。由于它對(duì)對(duì)象分割有作用，因此視覺(jué)注意分析和特點(diǎn)提取也應(yīng)用于目標(biāo)檢測(cè)21,22.當(dāng)目標(biāo)較小、背景雜波嚴(yán)重時(shí)，檢測(cè)將變得更加困難。在這項(xiàng)研究中，我們關(guān)心的是小目標(biāo)，其大小是小于1010的。由于紅外圖像有著大量的背景雜波，使得探測(cè)小目標(biāo)難度更大。昏暗的紅外圖像目標(biāo)檢測(cè)將更加困難，這是因?yàn)槟繕?biāo)和背景之間的低對(duì)比度造成的。準(zhǔn)確并且快速的檢測(cè)目標(biāo)對(duì)自動(dòng)目標(biāo)跟蹤是很重要的。這里我們提出了一個(gè)基于特點(diǎn)檢測(cè)和形態(tài)學(xué)理論的實(shí)時(shí)ATD算法。主要思想是，我們應(yīng)用特點(diǎn)提

4、取方法提高昏暗目標(biāo) ，并利用形態(tài)學(xué)濾波器抑制背景雜波和噪聲。實(shí)驗(yàn)結(jié)果證明，我們的算法可以準(zhǔn)確快速地檢測(cè)目標(biāo)。2、數(shù)學(xué)理論在本節(jié)中，我們將回顧形態(tài)濾波理論。我們還提出了基于帶通理論的特點(diǎn)提取的本地調(diào)頻方法。2.1、數(shù)學(xué)形態(tài)學(xué) 數(shù)學(xué)形態(tài)學(xué)已經(jīng)廣泛的應(yīng)用于圖形處理23。令f（X，Y）和B（M，N）分別代表原始圖像和一個(gè)結(jié)構(gòu)元素，（X，Y）和（m，n）是f和B的像素坐標(biāo)，腐蝕和膨脹用fB和 表示，其定義如下根據(jù)這些操作，一些重要的復(fù)合操作，如開(kāi)、關(guān)操作，用fB和fB表示24,252.2 基于顯著性提取的本地調(diào)頻視覺(jué)的顯著性提取和檢測(cè)對(duì)應(yīng)用程序來(lái)說(shuō)是有用的，如目標(biāo)分割和目標(biāo)識(shí)別。那些設(shè)計(jì)方法中的大多數(shù)是

5、使用與他們周圍相關(guān)的圖像區(qū)域的對(duì)比特征。調(diào)頻的顯著性檢測(cè)方法 15 制造了帶有明確顯著目標(biāo)邊界的顯著性圖像方法。這個(gè)方法將強(qiáng)調(diào)，特別是圖像中最大的顯著目標(biāo)。然而在目標(biāo)的檢測(cè)中，所需目標(biāo)通常很小，因而我們對(duì)應(yīng)用程序改進(jìn)了這個(gè)方法。顯著性提取方法起源于帶有低頻率臨界值flow和高頻率臨界值fhigh的帶通濾波器。這個(gè)模型結(jié)合了兩個(gè)高斯函數(shù)：其中是一個(gè)高斯函數(shù)，是高斯函數(shù)的標(biāo)準(zhǔn)差，flow是由決定的，fhigh與相關(guān)。假設(shè)原始的紅外圖像O，對(duì)于一個(gè)任意像素（x,y），帶通結(jié)果的差異被定義為顯著性圖像H的相應(yīng)值。由于在紅外圖像中目標(biāo)很小，算法的應(yīng)用范圍是本地而不是全球范圍，如圖1 所示。顯著性圖H，在

6、一個(gè)本地的t*t的窗口內(nèi)計(jì)算任意像素 (x，y) 的值，這個(gè)窗口在整個(gè)圖像中逐像素地移動(dòng)。對(duì)于視頻數(shù)據(jù)（圖像序列Oi，i=1,2N) 來(lái)說(shuō)，使用3幀來(lái)作為時(shí)空的本地窗口從O1到Oi+2，第i個(gè)幀的顯著性圖變成圖1任意的像素（x,y），在一個(gè)本地的t*t的窗口范圍內(nèi)計(jì)算的顯著性數(shù)值，單獨(dú)的圖像和圖像序列（視頻）。3 我們的檢測(cè)算法在本節(jié)中，介紹了我們的紅外目標(biāo)檢測(cè)算法。我們的模型主要包括兩種技術(shù)，形態(tài)理論以及第2節(jié)所述的基于顯著性提取的本地調(diào)頻。用本地的調(diào)頻方法提取顯著性圖像。把形態(tài)的操作用于噪聲抑制。圖 2 顯示了整個(gè)流程圖。圖2 目標(biāo)分割算法3.1 顯著性圖像和自適應(yīng)閾值圖在紅外圖像中，一般

7、來(lái)說(shuō)檢測(cè)到的目標(biāo)位于較大的中心環(huán)繞對(duì)比區(qū)域內(nèi)。一個(gè)好的顯著性提取方法可以很好的顯示潛在的目標(biāo)以獲取一個(gè)顯著圖。在本文中，得到的顯著圖是依據(jù)顯著性提取方法的本地調(diào)頻。顯著圖H由方程（6）確定，方程（7）是一個(gè)單獨(dú)的圖像和視頻。為了設(shè)計(jì)自適應(yīng)閾值圖T，我們利用原始圖像的信息。我們還對(duì)每個(gè)像素閾值使用一個(gè)t*t的滑動(dòng)本地窗口。在本地窗口范圍內(nèi)，使用標(biāo)準(zhǔn)化紅外圖像O的均值m和方差來(lái)計(jì)算閾值。 其中k1和k2是常量，取決于虛假警報(bào)的概率(PFA)。當(dāng)像素為(x,y)時(shí)，在t*t的本地窗口范圍內(nèi)，m和的計(jì)算如下。3.2 噪聲抑制由于潛在的目標(biāo)圖像可能包含小脈沖噪聲，我們引入形態(tài)學(xué)操作的噪聲抑制。執(zhí)行開(kāi)放操

8、作來(lái)構(gòu)造潛在目標(biāo)圖，使用直徑為R的結(jié)構(gòu)化元素B，把它作為脈沖噪聲，我們?cè)O(shè)R為2。3.3 目標(biāo)檢測(cè)根據(jù)圖2，很容易地得到最后一個(gè)分割的結(jié)果。例如采取單個(gè)圖像，目標(biāo)檢測(cè)的主要步驟如下：1.由于已知的原始紅外圖O，計(jì)算顯著圖H和自適應(yīng)閾值圖T，如3.1節(jié)中介紹。2.通過(guò)運(yùn)行HT，得到潛在目標(biāo)圖P。 3.使用方程（3），其中直徑R=2的結(jié)構(gòu)化元素，對(duì)潛在的目標(biāo)圖執(zhí)行一次開(kāi)放的操作。4.通過(guò)逐像素地乘法和原始圖像O得到上一次的分割結(jié)果。4 實(shí)驗(yàn)的結(jié)果和分析4.1 參數(shù)的設(shè)定首先，我們應(yīng)該在方程（5）中給出參數(shù)。根據(jù)注釋15的分析，一個(gè)好的顯著性提取結(jié)果應(yīng)保留一個(gè)廣泛頻率范圍的原始紅外圖像。為了突出顯示潛

9、在的目標(biāo)，我們需要保持低頻率，這意味著我們應(yīng)采取一個(gè)低的flow。這個(gè)低的flow可幫助一致地突出顯示整個(gè)目標(biāo)，不只是一個(gè)或兩個(gè)像素。與此同時(shí)，我們需要保存這個(gè)目標(biāo)的細(xì)節(jié)，圖像的高頻率應(yīng)該用一個(gè)大的fhigh來(lái)保留。對(duì)于低頻率flow，設(shè)1為無(wú)窮大，因而Olow (x，y) 等于原始圖像的平均像素值，這使得保留除了DC (直流) 組件的所有頻率。對(duì)于高頻率fhigh來(lái)說(shuō)，作為離散的例子，對(duì)于小內(nèi)核的二項(xiàng)式型濾波器很好的接近了高斯。我們還需要要移除高頻率的噪音和工件以及考慮計(jì)算效率。太小的2會(huì)導(dǎo)致保留太多的高頻率。r越大，算法的運(yùn)行越慢。最后，我們采用一個(gè)小的高斯內(nèi)核，其中r=3，2=10。r

10、和2可以略有調(diào)整，結(jié)果類似。第二，需要為顯著圖像計(jì)算來(lái)設(shè)定本地窗口t*t的大小。t值通常由所需目標(biāo)的大小來(lái)確定的，正如當(dāng)t比目標(biāo)值更大時(shí)，我們的算法執(zhí)行最佳。因?yàn)槟繕?biāo)的型號(hào)比10*10小，所以t應(yīng)該也小。并且t越小，算法就越有效。因此，在我們的實(shí)驗(yàn)中，t=15是默認(rèn)的選擇，可以在不同的情況中調(diào)整。最后，需要設(shè)置兩個(gè)參數(shù)：常數(shù)k1和方程(8)中的k2。k1和k2是常數(shù)，取決于PFA（虛假報(bào)警的概率）。事實(shí)上，選擇的k1和k2越大，每個(gè)像素的閾值就會(huì)越大。如果需要一個(gè)較低的PFA，閾值應(yīng)更大。根據(jù)我們的實(shí)驗(yàn)，k1=k2=k，k(0，2) 對(duì)于應(yīng)用程序來(lái)說(shuō)是足夠的。4.2 目標(biāo)檢測(cè)的評(píng)估影像傳感器是

11、安裝在固定架子上的一個(gè)紅外熱視線，工作波長(zhǎng)為814um。測(cè)試的目標(biāo)是移動(dòng)流量。我們?cè)诟鞣N條件下收集圖像，如不同季節(jié)和天氣情況，各種方面角度。包含的圖像與所需目標(biāo)的距離大約是2千米到3千米。我們收集三個(gè)視頻來(lái)測(cè)試提出方法的性能。在表1中表述了數(shù)據(jù)信息。第一個(gè)數(shù)據(jù)庫(kù)主要包含尺寸約為7*7的快速行駛的巴士。這些巴士在兩側(cè)有高大樹(shù)木的公路上行駛。第二個(gè)和第三個(gè)主要包括在橋上尺寸約為5*5的巴士車流量。在冬季的一個(gè)雨天收集數(shù)據(jù)庫(kù)1，在夏季的一個(gè)陰天得到數(shù)據(jù)庫(kù)2。在夏季煙雨蒙蒙的天氣中收集了第三個(gè)數(shù)據(jù)庫(kù)，與數(shù)據(jù)庫(kù)2中的情景相似。圖3顯示了數(shù)據(jù)庫(kù)1中的幾個(gè)幀。圖4顯示了分割結(jié)果包含了對(duì)于數(shù)據(jù)庫(kù)1的圖像所使用

12、圖2的算法。表1 目標(biāo)檢測(cè)的3個(gè)圖像數(shù)據(jù)庫(kù)可以從原始圖像中計(jì)算顯著圖和自適應(yīng)閾值圖。如圖4所示，與顯著圖和自適應(yīng)閾值圖相比較得到潛在的目標(biāo)圖。噪聲抑制處理過(guò)程中，主要?jiǎng)h除背景中干擾的部分。最后，逐像素地相乘得到目標(biāo)的原始信息。通過(guò)受試者操作特征(ROC)曲線來(lái)評(píng)估ATD的性能。此ROC曲線作為虛假報(bào)警概率（PFA）的一個(gè)函數(shù)來(lái)描述檢測(cè)的概率（PD）。將PD和PFA定義為可以通過(guò)優(yōu)化算法參數(shù)來(lái)改變PD和PFA，如在我們研究方法中的t、k1和k2。為了顯示我們方法的優(yōu)點(diǎn)，比較了所涉及的七個(gè)算法，包括注釋57，12-13和21 22。根據(jù)目標(biāo)檢測(cè)方法，注釋21和22 也是顯著的。不僅繪制了ROC 曲

13、線，也比較了計(jì)算的效率。對(duì)于算法6，我們可以用可變的參數(shù)k來(lái)得到ROC曲線，為確定PFA而設(shè)計(jì)的。在李的算法5中，使用參數(shù)L1、L2和來(lái)改變PD和PFA。所有其它的方法也可以給出ROC曲線。圖5顯示了使用各種目標(biāo)檢測(cè)方法得到的ROC曲線。它顯示了所提出的方法對(duì)于一個(gè)任意的PAF有較高的PD。在PFA=0.5時(shí)，PD值顯示了低虛假報(bào)警為0.5時(shí)目標(biāo)檢測(cè)的概率。在數(shù)據(jù)庫(kù)1中，使用注釋57,12,13,21,22和提出的方法，對(duì)于PFA=0.5，PD的值有0.71,0.31,0.76,0.69,0.72,0.61,0.38 和0.81。在數(shù)據(jù)庫(kù)2中，使用是數(shù)據(jù)庫(kù)1中同樣順序的測(cè)試方法，數(shù)據(jù)庫(kù)2中PD

14、值有0.79,0.72,0.65,0.75,0.77,0.79,0.3和0.84。同樣的，數(shù)據(jù)庫(kù)3 中的PD值有0.67,0.71,0.55,0.56,0.8,0.67,0.11和0.88。事實(shí)上，不僅僅是在PFA=0.5時(shí)，所提出的方法比其它現(xiàn)存的大多數(shù)PFA值的算法具有較高的檢測(cè)性能。根據(jù)這3個(gè)數(shù)據(jù)庫(kù)，在PFA值相同的情況下，所提出的方法比其它7個(gè)方法具有較高的PD值。對(duì)于這些圖像，我們所提出模型結(jié)果的性能最好。此外，根據(jù)它們對(duì)三個(gè)數(shù)據(jù)庫(kù)的表現(xiàn)，我們的算法比其他兩個(gè)更強(qiáng)大。我們?cè)谝粋€(gè)個(gè)人電腦上用MATLAB R2009b開(kāi)始我們的實(shí)驗(yàn)（2.7 GHz AMD的酷睿2處理器， 4GB內(nèi)存）。

15、在這三個(gè)數(shù)據(jù)庫(kù)中每個(gè)圖像的平均計(jì)算時(shí)間如表2中所示。在相同PFA的條件下計(jì)算時(shí)間。從表2可以看出，所提出的具有t 15的算法運(yùn)行的要比任何其它方法都快。 根據(jù)ROC曲線和效率的比較，所提出的算法性能比其他七種方法好。表2 對(duì)于三個(gè)數(shù)據(jù)庫(kù)的平均計(jì)算時(shí)間 單位：秒4.3 參數(shù)的分析由于在我們的方法中可以通過(guò)調(diào)整算法參數(shù)t，k1和k2來(lái)改變PD和PFA，我們需要分析這些參數(shù)在性能方面的影響。事實(shí)上，t值對(duì)檢測(cè)性能有很大的影響，尤其是對(duì)顯著性提取。我們嘗試了一個(gè)帶有兩個(gè)目標(biāo)的圖像，正如圖6所示，在原始圖像中，目標(biāo)的大小約為28*28。隨著t的變化，所提取的顯著圖如圖6所示。根據(jù)圖6所示的分析結(jié)果，當(dāng)t

16、比目標(biāo)大的時(shí)候，目標(biāo)就會(huì)很好的突出。圖6 t變化時(shí)的顯著提取結(jié)果：（a）原始圖像（b）調(diào)頻方法的顯著圖像15 (c)-(f)我們方法的顯著圖像接下來(lái)，我們對(duì)證明檢測(cè)的結(jié)果如何受t和常數(shù)k1、k2的影響提供更多的分析。在第4.1節(jié)中，K1=K2=K，K（0，2）。如圖7所示，k1在0和2之間變化。同時(shí)，由于目標(biāo)的大小為5*5或者7*7，局部窗口大小t為3，5， 7，9，15和25。圖7a -c表示當(dāng)t不同時(shí)，數(shù)據(jù)庫(kù)1、數(shù)據(jù)庫(kù)2、數(shù)據(jù)庫(kù)3中PD和PFA與k的曲線。無(wú)論t是大還是小，隨著k的增長(zhǎng)，PFA便迅速減小。當(dāng)t小的時(shí)候，PD隨著k的增加而迅速下降。然而如果t較大時(shí)， PD會(huì)隨著k的增加而緩慢

17、減少。根據(jù)圖7 的結(jié)果，t越大，PD會(huì)隨著相同的PFA變得更高。但是，大的窗口t會(huì)導(dǎo)致低效率。因此，應(yīng)該平衡不同應(yīng)用中的檢測(cè)能力和效率。對(duì)于在不同環(huán)境中收集的圖像，需要稍微調(diào)整K和t以便得到一個(gè)好的結(jié)果。在我們的實(shí)驗(yàn)中，我們對(duì)于小目標(biāo)探測(cè)通常設(shè)置t= 15來(lái)作為默認(rèn)的選擇。圖7 隨著窗口大小t的不同，檢測(cè)性能方面常量k的影響，（a）數(shù)據(jù)庫(kù)1中對(duì)于k值的PD和PFA，（b）數(shù)據(jù)庫(kù)2中對(duì)于k值的PD和PFA，（c）數(shù)據(jù)庫(kù)3中對(duì)于k值的PD和PFA4.4 所提出的顯著性提取方法優(yōu)點(diǎn)首先，我們將證明對(duì)于紅外目標(biāo)提取使用頻率的物理性。在紅外的非點(diǎn)目標(biāo)檢測(cè)中，目標(biāo)的位置和形狀應(yīng)該都能檢測(cè)到。為了找到目標(biāo)的

18、位置，我們應(yīng)該嘗試檢測(cè)目標(biāo)在哪兒。并且整個(gè)目標(biāo)區(qū)域應(yīng)強(qiáng)調(diào)用于檢測(cè)目標(biāo)的形狀。目標(biāo)區(qū)域通常在紅外圖像中有大的中心環(huán)繞對(duì)比。在本文中，引入調(diào)頻的想法是為了誘導(dǎo)使用亮度特性來(lái)估計(jì)中心環(huán)繞對(duì)比。認(rèn)為大的估計(jì)中心環(huán)繞對(duì)比位置是目標(biāo)位置，如圖8-11所示。因此，在物理學(xué)中，目標(biāo)可以位于帶有基于頻率觀點(diǎn)的位置。圖8 顯著圖：（a）原始圖像 （b）AC14，（c）CA16，（e）SR17,(f)MZ18，（g）GB19. (h) VSSR20,(i) 我們的圖像圖9 顯著圖 (a)原始圖像 (b)AC14, (c)FT15, (d) CA16, (e) SR17, (f)MZ18, (g) GB19, (h)

19、 VSSR20, (i) 我們的圖像圖10 顯著圖 (a) 原始圖像, (b)AC14, (c)FT15, (d) CA16, (e) SR17, (f)MZ18, (g) GB19, (h) VSSR20, (i) 我們的圖像圖11 顯著圖. (a) original image, (b)AC14, (c)FT15, (d) CA16, (e) SR17, (f)MZ18, (g) GB19, (h) VSSR20, (i) 我們的圖像在紅外目標(biāo)檢測(cè)中，應(yīng)該檢測(cè)整個(gè)目標(biāo)區(qū)域。正如我們?cè)?.1節(jié)中分析的，一個(gè)好的顯著性提取結(jié)果應(yīng)保留大范圍的頻率，并且保持較低的頻率將有助于突出整個(gè)目標(biāo)的一致性，

20、不僅僅是一個(gè)或兩個(gè)像素。在本文中，不僅通過(guò)保留更多的頻率內(nèi)容來(lái)保存目標(biāo)的邊界，通過(guò)從原始的圖像保持低的頻率內(nèi)容，整個(gè)目標(biāo)區(qū)域也能被均勻地突出顯示。這就是為什么我們的基于頻率方法可以很好地提取目標(biāo)，如圖8-11所示。因此，在物理學(xué)中，可以為目標(biāo)檢測(cè)突出顯示整個(gè)目標(biāo)區(qū)域。通常是為顯著性提取來(lái)使用區(qū)域的對(duì)比度，亮度等特性。在這里，把我們的方法同國(guó)家的最先進(jìn)七個(gè)顯著性算法作比較，列于表3 。在表3中，對(duì)顯著性的功能或靈感進(jìn)行了簡(jiǎn)要總結(jié)。表3 對(duì)于顯著性檢測(cè)的不同功能或靈感為了分析算法的準(zhǔn)確度，效率和魯棒性，我們嘗試4個(gè)具有不同目標(biāo)大小和形狀的紅外圖像。如圖8-11所示。算法的效率示見(jiàn)表4所示。表4 顯

21、著性提取的效率 單位：秒圖8（a）包含兩個(gè)小的目標(biāo)和背景明亮的物體，如屋頂。根據(jù)結(jié)果，SR，GB和VSSR不突出的目標(biāo)。而FT和CA的顯著性圖顯示它們已經(jīng)加強(qiáng)了雙方的目標(biāo)和背景。AC，MZ和我們的方法可以使目標(biāo)達(dá)到最亮。從表4中可以看出，AC和MZ的運(yùn)行比我們的方法要慢得多。圖9（a）還包含兩個(gè)小目標(biāo)和背景明亮的物體。SR，GB和VSSR不能很好的突出目標(biāo)。AC，F(xiàn)T和CA可以提升目標(biāo)以及背景對(duì)象。只有MZ和我們的方法可以使目標(biāo)顯著。然而，根據(jù)表4，我們的算法運(yùn)行速度比MZ更快。圖10（a）也只包含一個(gè)小目標(biāo)，并且沒(méi)有回到地面明亮的物體。MZ和VSSR不能很好突出的目標(biāo)。FT和GB突出目標(biāo)以及

22、背景對(duì)象。使用AC，CA，SR和我們的算法，可以使這些小目標(biāo)得以增強(qiáng)。AC和我們的方法效果最好。對(duì)于效率而言，我們的顯著性提取比AC.好得多。圖11（a）中還包含兩個(gè)目標(biāo)和背景明亮的物體。這兩個(gè)目標(biāo)比上述三種圖像大得多，因此算法應(yīng)該給了整個(gè)形狀。從顯著性檢測(cè)結(jié)果來(lái)看，MZ和GB沒(méi)有很好地突出目標(biāo)。FT增強(qiáng)了目標(biāo)以及回到地面的物體。AC，CA，SR，VSSR和我們的方法使目標(biāo)顯著。然而，CA，SR和VSSR不能給出目標(biāo)的整體形狀。此外，根據(jù)表4，我們的算法運(yùn)行速度比AC更快。圖12顯示了對(duì)于圖8-11的帶有手動(dòng)分割的地面實(shí)況。為了與地面實(shí)測(cè)來(lái)比較實(shí)際尺寸，并使用完整的對(duì)象，以獲得定量的指標(biāo)，引入

23、文獻(xiàn)26介紹的結(jié)構(gòu)相似度指數(shù)（SSIM）。SSIM廣泛用于全參考圖像質(zhì)量評(píng)估，它由三部分組成，包括亮度I，對(duì)比度c和結(jié)構(gòu)s。假設(shè)參考圖像A和測(cè)試的圖像B，定義SSIM為圖12 對(duì)于圖8-11的帶有手動(dòng)分割的地面實(shí)況其中，是平均強(qiáng)度和標(biāo)準(zhǔn)偏差，局部的計(jì)算SSIM指數(shù)。因此，SSIM是一個(gè)矩陣。人們通常使用SSIM（MSSIM）的平均值作為最后的度量。MSSIM越大，測(cè)試的圖像和參考的圖像越相似。在我們的應(yīng)用程序中，認(rèn)為在圖12中的四個(gè)圖像作為參考的圖像，并將顯著性提取結(jié)果視為測(cè)試的圖像。根據(jù)圖8-12和表4的結(jié)果，我們?cè)O(shè)置了精確度，效率和魯棒性的等級(jí)，見(jiàn)表5。 表5 精確度、效率和魯棒性的等級(jí)使

24、用該MSSIM值進(jìn)行精確度的測(cè)量。MSSIM越大，算法越準(zhǔn)確。認(rèn)為處理時(shí)間最快的是 方法1，然后將表4中的耗費(fèi)時(shí)間進(jìn)行歸一化以形成效率指數(shù)。效率指數(shù)越大，方法運(yùn)行的越慢。當(dāng)MSSIM 0.5時(shí)，我們認(rèn)為這個(gè)方法執(zhí)行準(zhǔn)確。使用滿足這個(gè)條件的圖像數(shù)目進(jìn)行評(píng)估魯棒性。數(shù)目越大，這個(gè)方式執(zhí)行的越強(qiáng)大。最后，不同的顯著性提取方法的性能見(jiàn)表6。表6 不同顯著性提取方法的性能從表6中可以發(fā)現(xiàn)我們的基于局部頻率顯著性檢測(cè)方法執(zhí)行最佳精度，效率和魯棒性。因此，這種基于頻率的方法在紅外目標(biāo)檢測(cè)中可以執(zhí)行的極好。4.5 相關(guān)的文獻(xiàn)和我們方法的更多討論參考文獻(xiàn)21,22是兩個(gè)類似的應(yīng)用。我們會(huì)特別分析在我們的方法和這兩種典型方法之間存在的差異。首先，顯著性提取的理論和建設(shè)是不同的。在文獻(xiàn)21中，Seo的顯著圖的設(shè)計(jì)具有自相似性，這是在一個(gè)標(biāo)量圖中局部的功能結(jié)果之間的測(cè)量，在這