基于DSP的自適應弱小目標檢測方法

李天甲 許四祥 姚志生 王 洋

(安徽工業大學機械工程學院 安徽 馬鞍山 243002)

0 引 言

弱小目標因其成像面積小，信噪比小，極易淹沒在復雜背景雜波中[1-2]，因此弱小目標的檢測一直是圖像處理領域的熱點和難點。傳統應用于鎂合金熔液中弱小目標檢測的算法如自適應背景預測法[3]、基于支持向量機法[4]、小波變換圖像融合法[5]等多局限于MATLAB軟件仿真。隨著DSP芯片運算速度、集成度、數據處理能力等性能的不斷提高，基于嵌入式DSP的圖像處理系統在弱小目標檢測方面取得較好的應用，使傳統MATLAB算法應用于基于DSP的嵌入式圖像處理平臺上成為可能。如李正周等[6]在DSP平臺實現了對序列圖像弱小運動目標的檢測，文獻[7]采用中值濾波算法在DSP檢測平臺上實現鎂合金熔液弱小目標的檢測。但文獻[7]中算法的穩定性和實時性存在不足。因此，本研究在DSP圖像處理系統平臺上，設計一種基于DSP的自適應背景檢測算法，應用于鎂合金鎂熔液中弱小目標檢測，取得了較好的效果。

1 DSP圖像處理系統平臺

本研究采用的DSP圖像處理系統平臺所使用的芯片是TMS320DM642(簡稱DM642)。它是TI公司推出的一款32位定點DSP芯片，采用TI公司第二代增強型超長指令字(VLIW)結構，在主頻720 MHz下處理速度能達到5 760 MIPS，具有高實時性和高穩定性等特點[8]，達到了弱小目標實時檢測的硬件要求。且DM642芯片中的EMIF接口數據總線寬度為64位，可直接與大容量SDRAM芯片無縫連接[9]，為大量圖像數據提供了存儲空間。DSP圖像處理系統平臺如圖1所示。

圖1 DSP圖像處理系統平臺

該平臺由軟件模塊和硬件模塊兩部分組成。硬件模塊以DM642為核心，通過EMIF總線外擴了一個256 MB SDRAM的存儲器和一個32 MB的FLASH存儲器，且通過JTAG接口與仿真器連接，并將采集的圖像下載到EMIF的SDRAM中，等待程序處理。軟件模塊以集成開發軟件Code Composer Studio 3.3 (簡稱CCS3.3)為編程載體，通過仿真器與硬件模塊連接組成一個完整的系統平臺。該平臺圖像處理過程為：

(1) 初始化硬件模塊和軟件模塊，并編寫檢測算法。

(2) 在CCS3.3開發環境下，利用Compiler工具編譯程序生成.OUT文件。

(3) 通過USB接口連接的XDS560仿真器將生成的.OUT文件下載到DM642芯片的RAM中，運行程序處理SDRAM中的圖像。

(4) 分析處理結果。

2 檢測算法

2.1 自適應背景預測算法

背景預測是根據目標點在整幅圖像中灰度值不是最大但在局域范圍內灰度值最大的特性提出。用局域范圍內的背景點預測出一幀不含目標的背景預測圖像，用原始圖像減去背景預測圖像即可消除大部分背景，從而得到含有目標的圖像。

自適應背景預測根據當前像素點水平領域、垂直鄰域的像素點灰度值之差與預先設定的閾值P差異選擇不同的背景預測模型。若灰度差大于閾值P，則背景灰度值起伏較大，該像素點可能為目標點，采用預測窗口較大的分塊權值背景預測模型[10]進行預測提高目標點的灰度值。若灰度差小于閾值P，則背景較均勻，該像素點可能為背景點，為了使背景預測值接近背景實際灰度值同時減少算法運算量，采用背景預測窗口較小的固定權值背景預測[11]進行快速預測。本研究的自適應背景算法對圖像進行背景預測時，針對圖像本身灰度特性，選取不同的模型進行預測，不僅起到了抑制背景雜波和突出目標點對比度的作用，而且減少了算法運算量，更有利于實時性能的提高。

2.2 檢測算法流程

該方法首先對連續四幀圖像進行預處理，得到四幀殘差圖，對得到的殘差圖交叉差分得到兩幀差分圖像。其次對兩幀差分圖像進行自適應閾值分割得到兩幀二值圖像，對兩幀二值圖像進行邏輯“與”操作得到一幀二值圖像。最后采用形態學開運算，完成弱小目標的檢測。檢測算法流程如圖2所示。

圖2 檢測算法流程圖

Setp1預處理。讀取四幀連續圖像，圖像A和圖像B分別為弱小目標析出前的連續兩幀圖像，圖像C和圖像D是目標析出后的連續兩幀圖像，其中圓圈代指目標。對讀取的連續4幀圖像進行自適應背景預測，得到四幀預測圖像，原始圖像與得到的預測圖像作幀差運算，最終得到4幀預測殘差圖像。其中閾值P取19。

Setp2交叉差分運算。對得到的4幀預測殘差圖進行交叉差分運算，得到兩幀差分圖像。鎂合金熔液中弱小目標經歷了從無到有的過程，采用交叉差分運算可以實現弱小目標的定位檢測。

Setp3自適應閾值分割。閾值分割即通過設置門限閾值T將圖像中像素點的灰度值設置為0或255，使圖像呈現出明顯的黑白效果[8]，同時閾值分割消除了經過交叉差分圖像中的類目標點和噪聲點。根據圖像特性進行自適應閾值選取，即閾值T=mean+λσ，其中，mean為圖像的均值，σ為圖像的均方差，λ為閾值分割加權系數，通常取2～15，本研究λ取4.5。

Setp4邏輯“與”操作。對經過自適應閾值分割后的二值圖像進行邏輯與“與”操作，可消除一些僅在單幀圖像中出現的虛警點。

Setp5形態學開運算。形態學開運算包括腐蝕和膨脹兩步，先對邏輯“與”操作后的圖像進行腐蝕操作去除比結構元素小的雜點和噪聲點，再進行膨脹操作還原目標區域的灰度級[12]，獲得最終檢測結果。本研究選用結構元素為3 Pixel×1 Pixel垂直結構元素。

3 實驗結果分析

本實驗利用構建的DSP圖像處理平臺，在集成開發軟件 CCS 3.3上采用C語言編寫弱小目標檢測程序，編譯成功后生成.OUT可執行文件。通過仿真器把生成的可執行文件下載到DSP芯片的RAM中，并在CCS中運行Main程序，對目標析出前的三幀原始圖像和目標析出后的一幀原始圖像進行仿真實驗。圖像大小為560 Pixel×530 Pixel，CCS3.3集成開發軟件是在Intel(R)Core(TM)i5-3210M的PC機上運行的，主頻2.5 GHz，內存2 GB。

在相同實驗條件下，將文獻[7]中提到的中值濾波算法和自適應背景預測算法分別應用于本研究的檢測中。分別實驗50次，并將對兩種算法在目標面積、虛警次數、預處理的時間三個方面進行對比，目標點面積由目標點所占像素的個數來體現，目標點所占像素個數越多，則目標點面積越大，越能體現目標點真實大小。兩種算法的圖像檢測性能對比見表1，表1中數據是50組實驗數據的平均值。

表1 兩種算法的圖像檢測性能對比

從表1中可看出：與中值濾波算法相比，自適應背景預測算法對四幀圖像預處理時間縮短了3.65 s，算法速度得到提高；檢測到的目標面積增加了4個像素點，有利于目標點的觀察；在50次試驗中，中值濾波算法出現3次虛警，虛警概率[13]為6%，而本研究算法50次全部檢測到目標，沒有虛警，檢測率為100%。說明自適應背景預測算法穩定性和準確性更強，更有利于復雜背景下弱小目標的檢測。圖3為目標析出前的原始圖像，圖4為目標析出后的原始圖像，圖5為檢測結果，其中白色方框內為弱小目標。

圖4 目標析出后的原始圖像

圖5 檢測結果

4 結 語

1) 提出的基于DSP的自適應背景預測檢測方法，應用于鎂合金熔液中弱小目標的檢測，能快速有效地檢測到弱小目標。

2) 在DSP圖像處理系統平臺上，自適應背景預測算法與中值濾波算法相比，預處理時間減少22%。目標面積增大了2.3倍，更便于目標點的觀察。同時，虛警率降低了6%，檢測率為100%，為圖像處理應用于復雜背景下弱小目標實時檢測提供了新的方向。

[1] 管志強,陳錢,錢惟賢,等.一種基于算法融合的紅外目標跟蹤方法[J].光學學報,2008,28(5):860-865.

[2] 楊琳娜,安瑋,林再平,等.基于空間距離改進的視覺顯著性弱小目標檢測[J].光學學報,2015,35(7):0715004.

[3] 劉騰飛,許四祥,馮在東.基于自適應背景預測的鎂熔液第一氣泡檢測算法[J].特種鑄造及有色合金,2012,32(1):89-92.

[4] 張炳剛,許四祥,侍海東.基于支持向量機的鎂熔液弱小目標檢測[J].特種鑄造及有色合金,2015,35(8):886-889.

[5] 張炳剛,許四祥,侍海東.基于小波變換圖像融合的鎂熔液弱小目標檢測[J].安徽工業大學學報,2015,32(1):55-59.

[6] 李正周,田蕾,鄭微.基于DSP的序列圖像弱小運動目標檢測[J].計算機技術與應用,2011,37(7):134-137.

[7] 侍海東,許四祥,王忍寶.基于DM642圖像處理的鎂熔液第一起泡檢測[J].鑄造,2015,64(5):437-439.

[8] 趙小強.DSP原理及圖像處理應用[M].北京:人民郵電出版社,2013:26.

[9] 許永輝,楊京禮,林連雷.TMS320DM642DSP原理與應用實踐[M].北京:電子工業出版社,2012:12-13.

[10] 陳振學,汪國有.基于自適應背景預測的紅外弱小目標檢測算法[J].激光與紅外,2005,35(8):608-610.

[11] 朱斌,樊祥,馬東輝,等.基于固定權值背景預測的紅外弱小目標檢測[J].艦船電子對抗,2008,31(1):54-56.

[12] 岡薩雷斯.數字圖像處理 [M].阮秋奇,譯.北京:電子工業出版社,2007:449.

[13] 徐軍.紅外圖像中弱小目標檢測技術研究[D].西安:西安電子科技大學,2003.