基于卷积神经网络的模糊图像微小目标检测方法

刘金花

（湖南信息职业技术学院 湖南 长沙 410203）

0 引言

在对图像进行识别检测的研究中，由于部分图像的模糊程度较高，导致其中的微小目标识别难度较大，针对该问题不少学者也展开了相关的研究[1-2]。但是就现阶段的研究成果而言，对于微小目标的识别检测效率以及检测精度仍然存在一定的提升空间[3]。为了能够实现对图像信息更加全面深层次的挖掘和分析，提高对微小目标的识别检测效果是十分必要的[4-5]。在图像目标检测领域中，杨国亮等[6]对原始高光谱图像进行最优分数阶傅里叶变换，构建背景协方差矩阵，提出了一种基于端元提取和低秩稀疏矩阵分解的高光谱图像异常目标检测算法。梅妍玭等[7]提出了基于形态学与多尺度空间聚类的SAR 图像变化检测方法，在多尺度子空间融合谱聚类的基础上，结合子空间融合算法进行目标检测，实验发现具有良好的检测效果。卷积神经网络作为一种深度学习的算法，将其应用在目标检测中将大大提高对特征的检出效果。同时鉴于其强大的学习能力，也将改善在微小目标识别过程中由于图像模糊造成的识别效果不好的问题。同时，由于微小目标本身的像素数量较低，因此在对其进行检测的过程中，往往会出现由于像素识别错误导致的漏识别漏检出的问题[8]，而卷积神经网络的应用将有效改善由此带来的困扰。

基于此，本文提出基于卷积神经网络的模糊图像微小目标检测方法，并通过开展相关的实验测试分析验证了本文提出方法的实际应用效果。通过本文的研究也希望可以为相关图像识别检测工作开展提供有价值的参考，最大限度实现对图像信息的完整挖掘。

1 模糊图像微小目标检测

模糊图像中背景的模糊程度影响微小目标检测的效果，因此在进行目标检测之前，需要先抑制模糊图像的背景部分，避免图像背景降低微小目标检测的准确性。其次，将背景抑制后的模糊图像输入至卷积神经网络中，并堆叠处理卷积神经网络结构，进一步提高微小目标检测的准确性。

1.1 模糊图像背景抑制

由于图像的像素较为模糊，导致在对微小目标进行检测的过程中，对其特征的判断结果可靠性较低。为此，本文首先对图像的各向进行同性滤波处理，以此消除图像中的主要噪声，为了避免在处理过程中造成微小图像边缘细节信息的丢失，本文采用PM 扩散模型[9]对模糊图像进行背景抑制。

首先是对图像各向同性扩散处理，其计算方式可以表示为

其中，b( ∇E) 表示图像像素的扩散梯度，在实际的计算过程中，本文未考虑梯度负向波动带来的影响，以梯度的绝对值作为参数，d表示扩散边缘停止函数系数。从式（1）中可以看出，线性扩散函数随图像的局部特性的变化而变化，因此可以最大限度保留图像的原始信息。在此基础上，本文设置边缘停止函数的形式为非负递减函数，通过这样的方式实现对图像中每个像素点灰度与周围邻域像素上的灰度向不同方向平滑扩散，对应的平滑系数根据图像四邻域的像素灰度计算的，其可以表示为

其中，k表示扩散处理的平滑系数，E’(x，y，z)表示目标扩散图像信息，c1、c2、c3、c4分别表示像素在四邻域对应的扩散程度，h为图像的局部自适应算子。

对于扩散停止系数d的取值，本文以图像像素点与周围邻域像素点的梯度变化程度为基准进行计算，其可以表示为

其中，e为大于0的常数，当d值扩散阶段执行的k值时，则认为此时的背景区域是相对平缓的，对应的平滑程度也较高，则继续执行扩散，否则停止扩散。

通过这样的方式，实现对平稳区域的有效抑制，同时在过滤掉起伏背景区域的条件下，保留发生突变的目标区域像素信息。

1.2 基于卷积神经网络的微小目标检测

在上述基础上，为了实现对图像微小目标的有效检测，本文在检测阶段引入了卷积神经网络，将经过背景抑制的模糊图像输入到卷积神经网络中，实现对微小目标的检测。其具体的实现流程见图1。

按照图1 所示，本文对卷积神经网络的设置进行了结构堆叠处理，以此提高网络模型的深度，确保对微小目标检测的性能。在将处理后的模糊图像输入到卷积神经网络中后，首先在3*3 的活动窗口对图像进行初步分割处理，在此基础上，在卷积层分别对9 个单元进行残差计算。假设输入到卷积神经网络的图像信息为E’(x，y，z)，设置卷积层顶部和底部的权值分别为W1和W2，f表示卷积层线性修正单元的激活函数relu，其对图像信息的残差计算方式可以表示为

其中，ε表示卷积层残差网络结构的输出结果，该参数是卷积神经网络对图像检测的主要依据。

除此之外，对权值参数的更新采用随机梯度下降和反向传播的方式进行，此时全连接层对图像信息的端对端的训练不再依赖于大规模的样本数据，得到的结果也更加准确。

池化层对目标特征的提取主要是以残差值的梯度大小为基础进行的，其计算方式可以表示为

其中，G 表示目标特征的提取结果，εj 表示检测目标的残差值，当待检测目标的残差值的梯度未处于卷积层输出的残差阈值范围内时，即G＜0，则认为此时的目标为检测目标；当待检测目标的残差值的梯度处于卷积层输出的残差阈值范围内时，即G≥0，则认为此时的目标为背景，以此实现对微小目标的准确检测。

2 测试分析

为了进一步分析验证本文提出的检测方法在实际目标检测中的应用效果，开展了对比分析测试。其中对照组分别为文献[6]中提出的基于端元提取和低秩稀疏矩阵分解的高光谱图像异常目标检测方法（下文简称“A 算法”）和文献[7]中提出的基于形态学与多尺度空间聚类的SAR图像变化检测方法（下文简称“B 算法”），通过对3 种方法的检测效果进行比较，客观地评价本文提出方法的应用效果。

2.1 测试数据准备

本文在对实验数据进行准备阶段，将 Camvid 数据集作为基础数据，并划分了对应的训练集和测试集。其中训练集中图像的规模为356 张，测试集中图像的规模为223张。其中，图像中的信息内容包含天空、建筑、杆、路、人行道、树、交通标识、栅栏、交通工具、行人和自行车。在此基础上，利用卷积神经网络进行识别时，采用带动量随机梯度下降算法对目标进行逐级检测，对应的动量参数为0.95，设置检测阶段特征的权重衰减系数为 0.005。对于特征初始值的设置，令其大小为 0，方差为 0.01，并通过高斯分布的方式对图像进行逐层检测。考虑到图像模糊导致的参数偏置问题，本文使用常数1 对其进行初始化。卷积神经网络的初始学习率为0.001。

2.2 评价指标构建

在上述实验环境的基础上，分别采用3 种方法对不同尺度大小的目标进行检测。在对检测结果进行分析的过程中，为了能够更加直观地体现出3 种方法的检测效果，本文分别将目标检出率以及目标检出正确率作为评价指标。其中目标检出率是指最终检测出的目标数量占总目标数量的百分比，可用来判断算法进行目标检测的完整性，检出率越高，说明检测结果越完整。其计算方式可以表示为

其中，pc表示目标检出率，ai表示检测到的有效目标数量，Q表示目标总量。

目标检出正确率是指在检出的目标中，符合检测要求的目标数量所占的百分比，可用来判断算法在目标检测过程中的精准性，检出准确率越高，说明检测结果精准度越高，算法性能越好。其计算方式可以表示为

其中，pz表示目标检出正确率，Qi表示检测到的目标总量。

借助上述两个指标，对3 种方法的检测效果进行评价对比。

2.3 测试结果与分析

3 种方法对于图像中不同尺度目标的正确检出率见表1。

表1 不同方法的目标正确检出率 单位：%

由表1 中的数据可以看出，3 种方法的正确检出率均随着目标尺度的增加而逐渐增大。对比3 种方法对不同尺度目标的检测效果，其中A 算法的检出率相对稳定，虽然整体正确检出率呈现出了一定的波动，但是基本稳定在80%以上，相比之下，B 算法对目标检出的正确率受目标尺度大小的影响更加明显，其最大值达到了96.33%，最小值仅为72.64%。本文提出方法的检出正确率基本稳定在92.00%左右，接受目标尺度大小的影响相对较小，表明本文提出的方法可以实现对微小目标的准确稳定检测。这是因为本文提出的方法，利用卷积神经网络实现了对微小目标特征的深度学习，为检测工作的开展提供了可靠依据。

对3 种方法的整体检测完整性进行比较分析，得到的数据结果见表2。

表2 不同方法目标检测完整性对比表 单位：%

从表2 中可以看出，3 种方法中，对微小目标检测的完整性均呈现出了与检测目标尺度大小成正比的关系，即检测目标的尺度越大，检测的完整性越高，检测目标的尺度越小，检测的完整性越低。但是通过纵向对比3 种方法的检测效果可以发现，B 算法检测的完整性受目标大小的影响最为明显，其最大值达到了94.32%，但最小值仅为79.30%。A 算法与之相比有一定的优势，但整体完整性仍存在一定的提升空间，相比之下本文提出方法对微小目标的检测完整性明显优于两种对比方法，其最小值也达到了90.04%，测试结果表明本文提出的方法能够实现对微小目标的完整检测。这是因为本文提出的方法借助卷积神经网络更加深层次地实现了对微小目标特征的提取，故对其进行检测时，大大提高了识别的可靠性。

3 结语

由于模糊图像本身在像素上存在的特殊性，导致对其中微小目标进行检测的效果往往不够理想。本文提出基于卷积神经网络的模糊图像微小目标检测方法，在抑制初始模糊图像背景的基础上进行卷积神经计算，不仅提高了对微小目标的正确识别率，同时也极大地改善了对目标检测的完整性。