高斯滤波器的构造
g
(
x
,
y
)
=
1
2
π
σ
e
x
p
(
−
(
x
2
+
y
2
)
2
σ
2
)
g(x,y)=\frac{1}{\sqrt{2\pi\sigma}} exp(\frac{-(x^2+y^2)}{2\sigma^2})
g(x,y)=2πσ1exp(2σ2−(x2+y2))
式中,标准差
σ
\sigma
σ决定着滤波器的平滑程度,
σ
\sigma
σ越大滤波器的平滑程度就越好。同时,平滑尺度
σ
\sigma
σ 的选取也应考虑到目标的尺寸。一般情况下,小目标在图像中所占的比例为总像素的0. 2%~0.6%。对于
240
×
320
240\times320
240×320的图像,选取平滑尺度
σ
\sigma
σ 的值为图像宽度的0.02 倍,即
σ
=
6
\sigma=6
σ=6,模板大小为
3
×
3
3\times3
3×3。
感兴趣区域阈值threshold设置
图像显著性:即利用图像中目标像素相较于背景像素强度更高的特性,通过计算得到显著图,并且显著性的计算复杂度低、速度快,不需要提前训练。
一般情况下,窗口显著度值最高的窗口就是目标所在的位置。
ROI区域的提取缩小了目标检测范围,加快了后续检测算法的运行效率。
阈值的取值将决定最终得到的ROI区域<\font>。
- 如果阈值取值太小,会导致得到的ROI区域过大,甚至整幅图像都成为ROI区域,显著性模型将失去意义;
- 阈值取值太大,会导致得到的ROI区域过小,甚至消失,无法完整地包含目标,影响后续目标检测。同时,针对不同的图像,计算得到的显著图S是不同的,阈值的取值也应是不同的。
因此,需要设置一个合适的自适应阈值,实现ROI区域的提取。显著图S中只有目标及其邻域内的值较高,而其他位置的值都较低。因此,可以利用显著图S 的均值及标准偏差来设置阈值。自适应阈值的算式为 t h r e s h o l d = S ‾ + k ⋅ σ s threshold = \overline{S}+k \cdot \sigma_{s} threshold=S+k⋅σs式中: S-表示显著图S 的均值; σ s \sigma_{s} σs表示显著图S 的标准偏差; k 是一个平衡参数。
衡量算法的有效性
为了更加客观地反映算法的检测效果,定义检测率(
D
R
D_{R}
DR) 和误警率(
F
A
F_{A}
FA) ,定量地评价算法的性能。
D
R
D_{R}
DR和
F
A
F_{A}
FA的算式为:
{
D
R
=
探
测
到
的
目
标
数
目
标
总
数
×
100
%
F
A
=
误
警
次
数
目
标
总
数
×
100
%
\begin{cases} D_{R}=\frac{探测到的目标数}{目标总数} \times 100\% & \\F_{A}=\frac{误警次数}{目标总数} \times 100\% \end{cases}
{DR=目标总数探测到的目标数×100%FA=目标总数误警次数×100% 在图像测试库中,分别计算各算法的检测率与误警率。来比较算法对噪声具有一定的鲁棒性,并且在检测性能上的影响。
图像的局部熵
图像局部熵定义如下,记当前图像(
f
u
,
v
f_{u,v}
fu,v) 尺寸为
N
×
N
N \times N
N×N,其中参考点
(
u
,
v
)
(u,v)
(u,v) 确定一个
M
×
M
M \times M
M×M尺寸的子域。此子域中的像素灰度记为
f
u
+
i
,
v
+
j
f_{u+i,v+j}
fu+i,v+j,定义
参考点
(
u
,
v
)
(u,v)
(u,v) 处的局部熵
H
(
u
,
v
)
H(u,v)
H(u,v) 为:
H
(
u
,
v
)
=
−
∑
j
=
0
M
−
1
∑
i
=
0
M
−
1
p
i
,
j
(
u
,
v
)
l
g
p
i
,
j
(
u
,
v
)
H(u,v) = -\sum_{j=0}^{M-1}\sum_{i=0}^{M-1}p_{i,j}(u,v)lgp_{i,j}(u,v)
H(u,v)=−j=0∑M−1i=0∑M−1pi,j(u,v)lgpi,j(u,v)
p
i
,
j
(
u
,
v
)
=
f
u
+
i
,
v
+
j
∑
q
=
0
M
−
1
∑
p
=
0
M
−
1
f
u
+
p
,
v
+
q
p_{i,j}(u,v) = \frac{f_{u+i,v+j}}{ \sum_{q=0}^{M-1} \sum_{p=0}^{M-1}f_{u+p,v+q} }
pi,j(u,v)=∑q=0M−1∑p=0M−1fu+p,v+qfu+i,v+j其中,
0
≤
(
u
,
v
)
≤
N
−
M
+
1
,
0
≤
(
i
,
j
)
≤
M
−
1
0\leq(u,v)\leq N-M+1,0\leq(i,j)\leq M-1
0≤(u,v)≤N−M+1,0≤(i,j)≤M−1 。这里定义的
H
(
u
,
v
)
H(u,v)
H(u,v)是完整图像中的一个
M
×
M
M \times M
M×M 局部子域熵值,故称之为局部熵( Local Entropy) 。
图像的均匀度
因Shannon定义的熵是信息论中关于信息量的度量,不是专门为图像处理而定义,不能反映图像中的细节,包括几何形态,像素在空间分布的状态等。
鉴于其局限性,算法引入图像局部均匀度的判断,以弥补其缺陷。设邻域f有
M
×
M
M \times M
M×M个像素,
{
1
,
2
,
⋯
L
}
\{ 1,2, \cdots L\}
{1,2,⋯L}示图像的灰度值集合,
f
c
f_{c}
fc表示灰度值为c 的像素数量,p表示邻域f 中心点的灰度值,当权值取k 时,图像的均匀度J,记为:
J
=
∑
c
=
p
−
k
p
+
k
f
c
M
×
M
J= \frac{\sum_{c=p-k}^{p+k} f_{c} }{ M \times M}
J=M×M∑c=p−kp+kfc