復(fù)雜背景中紅外弱小目標(biāo)檢測(cè)技術(shù)研究

趙 峰

(中國(guó)人民解放軍駐上海無(wú)線電設(shè)備研究所軍事代表室,上海 200090)

0 引言

紅外圖像處理中弱小目標(biāo)檢測(cè)是難點(diǎn)。由于小目標(biāo)亮度低,所占像素點(diǎn)很少,形狀和面積信息均不明顯,目標(biāo)檢測(cè)難度大,而背景的復(fù)雜性更增大了小目標(biāo)檢測(cè)的難度。近年來(lái),為有效檢測(cè)與跟蹤紅外圖像序列中弱小目標(biāo),相繼提出了各種算法,主要可分為基于空域信息的單幀目標(biāo)檢測(cè)與基于時(shí)域信息的多幀關(guān)聯(lián)目標(biāo)檢測(cè)算法兩類[1]?；诳沼蛐畔⒌臋z測(cè)利用目標(biāo)像素強(qiáng)度檢測(cè)出目標(biāo),通過(guò)序列圖像投影獲得目標(biāo)運(yùn)動(dòng)軌跡,即跟蹤前檢測(cè)(DBT)算法;基于時(shí)域信息的目標(biāo)檢測(cè)算法對(duì)假設(shè)航跡包含的點(diǎn)作相關(guān)處理,經(jīng)若干幀累計(jì)后獲得檢測(cè)結(jié)果與目標(biāo)的航跡,即檢測(cè)前跟蹤(TBD)算法。

由于單幀圖像中目標(biāo)的信噪比和信擾比很低,DBT類算法對(duì)劇烈干擾中的弱小運(yùn)動(dòng)目標(biāo)的檢測(cè)效果較差。TBD類算法能沿目標(biāo)運(yùn)動(dòng)軌跡積累目標(biāo)能量,有效利用目標(biāo)與背景像素在時(shí)間軸方向上的特性差異提高信雜比,增加目標(biāo)檢測(cè)率,對(duì)目標(biāo)的最大幀間運(yùn)動(dòng)速率約束小。但該類算法是基于一系列對(duì)應(yīng)像素點(diǎn)的操作,故存在像素點(diǎn)配準(zhǔn)需要,對(duì)成像平臺(tái)的穩(wěn)定性提出了較高的要求?；诳沼蛐畔⒌腄BT類算法能避免此問(wèn)題,且計(jì)算量小。本文綜合兩類算法,對(duì)一種組合時(shí)域與空域特性的紅外序列圖像中運(yùn)動(dòng)點(diǎn)目標(biāo)檢測(cè)算法進(jìn)行了研究。

1 目標(biāo)檢測(cè)

1.1 最大中值預(yù)處理

紅外背景圖像預(yù)處理技術(shù)主要包括空域和頻域?yàn)V波,目的是消除噪聲和背景信號(hào)對(duì)后續(xù)目標(biāo)探測(cè)與跟蹤的影響。與其他空間濾波器相比,中值濾波器能在衰減噪聲的同時(shí)不使邊緣模糊,但中值濾波慢于一般的卷積運(yùn)算,因?yàn)樾鑼?duì)模板中所有像素灰度進(jìn)行排序。本文采用一種改進(jìn)的最大中值濾波預(yù)處理技術(shù)：選擇模板尺寸為奇數(shù),分別求取行、列,以及對(duì)角線方向的灰度中值,以這4個(gè)中值的最大值為模板的計(jì)算結(jié)果。該濾波模板在保證不影響邊緣銳度的條件下減少了中值計(jì)算中需排序的像素?cái)?shù)。用原始圖像減去最大中值濾波結(jié)果,較好抑制了所得的殘差圖中平滑背景,有效提高了信雜比。

令x為輸入圖像,y(m,n)為經(jīng)大小為2N+1的最大中值濾波模板獲得的輸出圖像,則定義

式中：z1～z4分別為算得的行、列,以及對(duì)角線方向的灰度中值,且

1.2 時(shí)域方差濾波

時(shí)域?yàn)V波廣泛用于紅外圖像目標(biāo)探測(cè),能有效增強(qiáng)目標(biāo)的信噪比,提高檢測(cè)率。由大量實(shí)驗(yàn)數(shù)據(jù)可認(rèn)為,絕大多數(shù)條件下紅外圖像的時(shí)域噪聲分布符合高斯模型[2]。本文的時(shí)域方差濾波方法也基于該條件。

時(shí)域方差濾波方法為：對(duì)最大中值濾波預(yù)處理后的圖像序列,當(dāng)前幀的每個(gè)像素值由前T幀的時(shí)域方差遞歸算得,有

式中：(σt)2,μt分別為每個(gè)像素的時(shí)域方差及其均值,且μt=。從當(dāng)前幀每個(gè)像素的時(shí)域方差值中減去圖像序列中前一幀的估計(jì)方差,差值圖像即為輸出。在差值圖像中,噪聲像素輸出接近于零,而由于位置的關(guān)聯(lián)性,當(dāng)前幀中疑似目標(biāo)像素的方差值會(huì)明顯增強(qiáng)。輸出殘差圖像中每個(gè)像素值

對(duì)目標(biāo)運(yùn)動(dòng)速度大于1像素/幀的圖像,該方法能較有效去除大面積云層、小面積快速運(yùn)動(dòng)云層的干擾,減少單幀圖像中的高頻噪聲,降低虛警率。

1.3 自適應(yīng)分割

經(jīng)濾波處理后的圖像,信噪比有明顯改善。本文用直方圖對(duì)時(shí)域方差濾波后的圖像進(jìn)行自適應(yīng)分割。

圖像直方圖能描述原始圖像的灰度層次,從而確定不同灰度區(qū)域。一個(gè)區(qū)域類通常對(duì)應(yīng)直方圖中的一個(gè)峰,但直方圖中的每個(gè)峰不一定都對(duì)應(yīng)一個(gè)區(qū)域類,可能從屬于鄰近的一個(gè)峰。在濾波圖像中,背景像素一般在直方圖中占有大部分的亮度值,而噪聲像素和目標(biāo)點(diǎn)稀疏地分布在高亮區(qū)域。因此,在濾波后圖像的直方圖中,常出現(xiàn)波谷,波谷的深度被稱為視覺對(duì)比度。若按一般的門限選取方法,將視覺對(duì)比度最大的位置設(shè)為分割門限,則不一定能正確地將目標(biāo)與背景分離,因?yàn)榇藭r(shí)門限過(guò)高,目標(biāo)就會(huì)丟失;門限過(guò)低,又會(huì)造成分割后的可能目標(biāo)點(diǎn)過(guò)多,影響后續(xù)處理的速度。因而有必要確定對(duì)應(yīng)于應(yīng)分割區(qū)域類的峰(如用直方圖)[4]。首先對(duì)直方圖進(jìn)行平滑,求直方圖一階差分,找到其由正至負(fù)的過(guò)零點(diǎn),然后確定初始的區(qū)域類數(shù),再根據(jù)以下準(zhǔn)則判斷獨(dú)立峰：有一定的灰度范圍;應(yīng)有一定的面積(盡可能排除噪聲點(diǎn));有一定的峰谷比。

依據(jù)上述準(zhǔn)則確定獨(dú)立峰,也就確定了分割的門限。對(duì)可能是目標(biāo)的點(diǎn),保留灰度值,其余點(diǎn)的灰度值為零。通過(guò)門限分割消除一些不可能為目標(biāo)的孤立噪聲點(diǎn)和大面積的連續(xù)區(qū)域,此時(shí)所得區(qū)域中有真實(shí)的目標(biāo)點(diǎn)和少數(shù)的噪聲點(diǎn),以及少數(shù)的亮背景區(qū)域,形成一個(gè)去除部分背景干擾和弱噪聲的目標(biāo)圖像序列。在后續(xù)處理中,利用時(shí)域多幀關(guān)聯(lián)檢測(cè)運(yùn)動(dòng)的連續(xù)性,對(duì)該圖像序列可檢測(cè)出目標(biāo)經(jīng)過(guò)的像素點(diǎn)。

2 基于形態(tài)學(xué)算子的目標(biāo)檢測(cè)

為比較算法的性能,本文用基于形態(tài)學(xué)算子的目標(biāo)檢測(cè)算法對(duì)復(fù)雜背景中的紅外弱小目標(biāo)進(jìn)行檢測(cè)。

圖像形態(tài)學(xué)運(yùn)算中,“腐蝕”運(yùn)算的作用是消除物體邊界點(diǎn),而“膨脹”算法是“腐蝕”的對(duì)偶運(yùn)算,可以說(shuō)是一種“包裝”運(yùn)算,即在原圖像的外面“包”上一層。其實(shí)質(zhì)是將結(jié)構(gòu)元素與原圖像“合并”。假設(shè)結(jié)構(gòu)元素在原圖像上移動(dòng),若原圖像中無(wú)結(jié)構(gòu)元素中的像素點(diǎn),則在原圖像中按結(jié)構(gòu)元素添加像素點(diǎn),故圖像的膨脹運(yùn)算會(huì)使原圖像變大。數(shù)學(xué)形態(tài)學(xué)的其他運(yùn)算均由“腐蝕”和“膨脹”兩個(gè)基本運(yùn)算組合而成,其中最重要的是“灰度開”和“灰度閉”運(yùn)算。前者先進(jìn)行腐蝕運(yùn)算,再進(jìn)行膨脹運(yùn)算;后者先進(jìn)行膨脹運(yùn)算,再進(jìn)行腐蝕運(yùn)算。

設(shè)f(x,y),b(x,y)為二維離散空間F,G上的2個(gè)離散函數(shù),其中f(x,y)為灰度圖像,b(x,y)為結(jié)構(gòu)元素,則f(x,y)關(guān)于b(x,y)的形態(tài)變換如下：

a)膨脹

b)腐蝕

c)開運(yùn)算

d)閉運(yùn)算

式中：Db為b(x,y)的定義域。

開運(yùn)算有消除灰度中小于結(jié)構(gòu)元素的“突起”或“山峰”的作用,而閉運(yùn)算作用相反。因此,選擇合適的結(jié)構(gòu)元素,用灰度開運(yùn)算可將圖像中的點(diǎn)目標(biāo)和孤立噪聲點(diǎn)消除,實(shí)現(xiàn)背景預(yù)測(cè)。如將輸入圖像減去對(duì)其灰度開的結(jié)果,所得就是灰度圖象中尺寸小于結(jié)構(gòu)元素的高亮度的點(diǎn)目標(biāo)、孤立噪聲點(diǎn)及少數(shù)高梯度背景邊角。在形態(tài)學(xué)中,上述操作即為Top-Hat算法,記為

經(jīng)Top-Hat法運(yùn)算后,圖像中的目標(biāo)點(diǎn)由于其在小鄰域內(nèi)對(duì)比度高,可用圖像自適應(yīng)分割算法對(duì)目標(biāo)點(diǎn)作標(biāo)記,一些鄰域內(nèi)對(duì)比度較高的干擾點(diǎn)同時(shí)也會(huì)被標(biāo)記,這些需要利用多幀中目標(biāo)特征的不變性進(jìn)行判斷。

3 實(shí)驗(yàn)

為檢驗(yàn)算法的有效性,本文對(duì)海、空背景的紅外圖像進(jìn)行小目標(biāo)檢測(cè)實(shí)驗(yàn),時(shí)域方差濾波和基于形態(tài)學(xué)算子濾波,以及最終目標(biāo)檢測(cè)結(jié)果分別如圖1～2所示。由圖可知：用最大中值濾波與時(shí)域方差濾波組合不僅能去除平滑背景的影響,提高信雜比,而且可較好地濾除電磁干擾噪聲,降低在時(shí)域檢測(cè)算法中的虛警率。此處,中值濾波模板選擇N=2。在時(shí)域方差濾波結(jié)果圖中,由于目標(biāo)能量的多幀積累,有效抑制高頻噪聲干擾。兩種圖像均能獲得較好的目標(biāo)識(shí)別結(jié)果。

為評(píng)價(jià)時(shí)域?yàn)V波和形態(tài)學(xué)濾波算法的背景抑制和去噪性能,定義信雜比和信噪比分別為

式中：μs為目標(biāo)亮度均值;σcn,σn分別為圖像背景與噪聲的標(biāo)準(zhǔn)差及標(biāo)準(zhǔn)差[3]。定義濾波后信雜比的增益為

式中：下標(biāo)out,in分別表示輸出和輸入。因小目標(biāo)在圖像中所占的尺寸比例非常小,故認(rèn)為有目標(biāo)的圖像標(biāo)準(zhǔn)差與無(wú)目標(biāo)的圖像標(biāo)準(zhǔn)差相同。時(shí)域方差濾波和形態(tài)學(xué)濾波算法處理前后原始圖像和濾波圖像的信噪比和信雜比見表1。

圖1 海背景小目標(biāo)檢測(cè)Fig.1 Small target detection in sea background

圖2 空背景小目標(biāo)檢測(cè)Fig.2 Small target detection in sky background

表1 時(shí)域方差濾波前后圖像的信噪比和信雜比Tab.1 Signal to noiseration and signal to clutter before and after variance of time-domain filtering

4 結(jié)束語(yǔ)

綜合時(shí)域與空域信息,本文研究了復(fù)雜背景中紅外圖像序列中弱小目標(biāo)識(shí)別技術(shù),對(duì)在兩種不同背景中獲得的紅外圖像進(jìn)行了基于時(shí)域?yàn)V波與形態(tài)學(xué)算子濾波算法的性能驗(yàn)證和比較。實(shí)驗(yàn)結(jié)果表明兩種算法均能正確檢測(cè)出目標(biāo),本文的最大中值濾波與時(shí)域?yàn)V波算法組合能更有效地增強(qiáng)圖像的信噪比。在海天背景中的弱小目標(biāo)檢測(cè)中,因海雜波的邊緣點(diǎn)的亮度和運(yùn)動(dòng)特性與運(yùn)動(dòng)目標(biāo)相似,不易與小目標(biāo)區(qū)分,識(shí)別概率低于空背景中的點(diǎn)目標(biāo)檢測(cè),為此還需要后續(xù)研究。

[1]許 彬,鄭 鏈,王永學(xué),等.紅外序列圖像小目標(biāo)檢測(cè)與跟蹤技術(shù)綜述[J].紅外與激光工程,2004,33(5)：482-487.

[2]SILVERMAN J,CAEFER CE,DISALVO S,et al.Temporal filtering for point target detection in staring IR imagery：II.recursive variance filter[C]//Proc SPIE Conference on Signal and Data Processing of Small Targets,[s.l.]：[s.n.],1998,3373：44-53.

[3]SUN X C,ZHANG T X,LI M.Moving point target detection using temporal variance filter in IR imagery[C]//Proc SPIE Conference on Signal and Data Processing of Small Targets,[s.l.]：[s.n.],2007,67861Z-1.

[4]袁志偉.圖像分割和目標(biāo)識(shí)別的算法研究[D].長(zhǎng)沙：長(zhǎng)沙國(guó)防科學(xué)技術(shù)大學(xué),1992.