海面紅外小目標檢測算法研究

劉 杰，安博文

?

海面紅外小目標檢測算法研究

劉 杰，安博文

（上海海事大學(xué)信息工程學(xué)院，上海 201306）

針對海面紅外圖像中出現(xiàn)的海面雜波和孤立噪聲點的問題，采用了一種將空間域的濾波結(jié)果在時間域進行二次濾波的方法，實時地檢測海面圖像中的小目標。在空間域上，根據(jù)海面雜波具有一定方向性的特點，設(shè)計了4種方向的結(jié)構(gòu)元素分別進行形態(tài)學(xué)運算來抑制海面雜波，再使用均值融合準則進行融合。在時間域上，利用目標在幀間的運動具有連續(xù)性而噪聲點不具有該性質(zhì)的特點，采用均值加權(quán)濾波的方法來濾除孤立噪聲點，最后使用自適應(yīng)門限分割檢測出小目標。實驗結(jié)果表明，本文算法在復(fù)雜海面環(huán)境下，能有效地抑制海面雜波和孤立噪聲點的影響，減小虛警率，是一種有效的海面小目標檢測方法。

小目標檢測；數(shù)學(xué)形態(tài)學(xué)；均值濾波；圖像分割

0 引言

在海事搜救中，能否發(fā)現(xiàn)目標決定搜救的成功與否。但是，由于一般海面目標距離相機較遠，所以在紅外圖像中的目標很小、灰度很弱且沒有固定形狀[1]。同時海面有波浪及反光會對目標產(chǎn)生干擾，相機自身也存在噪聲。這些因素給發(fā)現(xiàn)目標造成了很大的困難。因此，抑制海面雜波和噪聲，提高信噪比成為小目標檢測的關(guān)鍵。目前，提高信噪比的方法主要是通過抑制背景實現(xiàn)，如小波分析[2]、匹配濾波器[3]、數(shù)學(xué)形態(tài)學(xué)[4]、神經(jīng)網(wǎng)絡(luò)等[5]，這些方法在背景緩變時效果很好，但在背景起伏較大時有較高的虛警率。此外，這些方法都是單幀處理，不能結(jié)合目標的運動信息抑制強雜波背景。

因此，以抑制背景雜波和孤立噪聲為目的，結(jié)合多幀圖像中的目標運動信息，本文提出了一種基于時空域連續(xù)濾波的方法。將空域形態(tài)學(xué)濾波后的序列圖像再進行時域均值濾波，最后通過自適應(yīng)門限分割檢測出了小目標。該方法的框架如圖1所示。

1 基于多結(jié)構(gòu)元素的空域濾波

數(shù)學(xué)形態(tài)學(xué)是一種以結(jié)構(gòu)元素為基礎(chǔ)對圖像進行分析的數(shù)學(xué)工具。它的基本思想是用一定形狀的結(jié)構(gòu)元素去度量和提取圖像中的對應(yīng)形狀，以達到分析和識別的目的[6]。設(shè)(,)是輸入圖像，(,)是結(jié)構(gòu)元素。用結(jié)構(gòu)元素對圖像進行腐蝕和膨脹運算分別定義為：

(Q)(,)＝min{(－,－)－(－, －)} (1)

圖1 本文小目標檢測框架

(?)(,)＝max{(－,－)＋(－, －)} (2)

形態(tài)學(xué)開運算定義為：

○＝(Q)?(3)

形態(tài)學(xué)的Top-hat運算是一個經(jīng)典的空域濾波算法。它的定義是原信號與開運算后的差：

Top-hat(,)＝(,)－○(,) (4)

由于結(jié)構(gòu)元素的選擇對形態(tài)運算結(jié)果有決定性作用，所以應(yīng)該考慮目標與背景的幾何特征的差異來選取[7]。海面紅外圖像中，海面雜波或魚鱗光在面積上比小目標大，且在單幀圖像中海雜波呈現(xiàn)一定的方向性。根據(jù)這個特點，本文考慮了水平、垂直、對角線等幾種不同尺寸的結(jié)構(gòu)特點，設(shè)計了如圖2中的4種結(jié)構(gòu)的結(jié)構(gòu)元素。

圖2 4個方向的結(jié)構(gòu)元素

對同一幅圖像使用這4個方向結(jié)構(gòu)元素進行形態(tài)學(xué)開運算，能夠?qū)@4個方向上的海面雜波進行估計。最后采用式(5)求平均值的運算將4幅圖像融合得到背景圖像。

＝mean(1,2,3,4) (5)

對同一幅圖像運用圖2中的4種結(jié)構(gòu)元素分別進行3次形態(tài)學(xué)開運算后，得到了4幅圖像，如圖3所示。

圖3 4種結(jié)構(gòu)元素開運算結(jié)果

由于圖3中的海雜波具有橫向的特性，所以本圖中橫向結(jié)構(gòu)元素開運算的背景估計效果是4幅圖像中最好的。但是其他方向的結(jié)構(gòu)元素能對背景雜波的其他方向的細節(jié)進行估計，所以最后使用均值融合[8]得到的背景圖像包含了這4個方向的海雜波的特性。如圖4。

圖4 融合后的背景圖像

圖5是對同一幅圖像采用單一的橫向結(jié)構(gòu)元素的Top-hat算法和本文算法分別進行處理得到的結(jié)果比較。

表1是使用單一橫向結(jié)構(gòu)元素的Top-hat算法和本文改進形態(tài)學(xué)的算法對同一幅圖像分別進行處理后的剩余波紋條數(shù)對比，經(jīng)過本文算法處理后的圖像中剩余波紋條數(shù)有明顯減少，可見本文的算法的抑制背景雜波的效果更好。

圖5 改進形態(tài)學(xué)濾波效果比較

表1 背景雜波抑制比較

2 基于移動加權(quán)均值的時域濾波

經(jīng)過空域濾波后，紅外圖像的背景得到了有效的抑制，但是還有部分背景和噪聲沒有被完全抑制。所以考慮將空間域濾波后的序列圖像在時間域進行二次濾波。由于小目標在幀間的運動具有連續(xù)性，而噪聲和背景雜波不具有，所以使用多幀圖像對時間軸上的每個像素進行平均，能夠削弱噪聲及背景雜波的影響，增強圖像信噪比[9]。

移動加權(quán)的時域均值濾波的實現(xiàn)如公式(6)：

()＝×()＋(1－)×(－1) (6)

式中：()和(－1)分別為當前時刻和前一時刻的均值估計；()是當前測量值；為加權(quán)系數(shù)。如圖6所示為移動加權(quán)均值濾波的示意圖。

圖6 移動加權(quán)均值濾波示意圖

滑動窗是類似一個長度為的先入先出管道。從頭部進入新的一幀就從尾部剔除一幀。對滑動窗內(nèi)的幀圖像的平均值和新的一幀圖像運用公式(6)進行加權(quán)平均運算，得到當前時刻的均值作為本次時域濾波的結(jié)果。

滑動窗的長度選取應(yīng)考慮目標的運動速度。為保證目標在管道內(nèi)的位移在一個小范圍內(nèi)，目標的運動速度越快，的值應(yīng)越小。權(quán)值的設(shè)置是為了減小偶然強噪聲對輸出產(chǎn)生的波動影響。的值越小，像素的波動越小。

對空間域得到的圖像序列采用移動加權(quán)均值濾波，選取權(quán)重的值為0.5，的長度為4，得到的實驗結(jié)果如圖7所示。

圖7 時空域濾波效果比較

時空域的連續(xù)性濾波同單獨的空域濾波相比，濾除了幀間運動不連續(xù)的背景雜波和孤立噪聲點，而保留了目標點。

3 自適應(yīng)門限分割與軌跡檢測

對于經(jīng)過空域和時域兩次濾波后的圖像，其噪聲的能量減弱而圖像的信噪比得到了增強，目標與背景的灰度差異變大。因此，在目標分割檢測時，接著采用自適應(yīng)門限[10]的方法將背景與目標分割開來。選取閾值作為分割門限，閾值的定義為：

＝mean()＋×vary() (7)

式中：mean()為圖像的均值；vary()為圖像方差；為圖像的信噪比。

為了便于觀察目標的運動軌跡，將多幅序列圖像的檢測結(jié)果累加起來，便得到一條連續(xù)的目標運動軌跡。

4 實驗結(jié)果與分析

實驗用到的序列圖像是利用紅外遙感相機拍攝海面得到的，分辨率為640×480的灰度圖像。計算機內(nèi)存為4GB；系統(tǒng)平臺為32位winXP系統(tǒng)；軟件實施平臺為VS2010和opencv2.4.4。紅外相機的采集幀率為24fps。

圖8是對60幀連續(xù)的序列圖像采用本文的方法進行檢測得到的結(jié)果，并且給出了累加檢測結(jié)果得到的目標的運動軌跡。

表2中的P1序列是選取了連續(xù)的60幀圖像使用傳統(tǒng)Top-hat算法進行了處理，P2序列是選取了連續(xù)的100幀圖像使用本文算法進行了處理，并對誤檢率進行了比較。

圖8 連續(xù)幀檢測結(jié)果和軌跡

表2 兩組圖像序列檢測結(jié)果

經(jīng)過時空域連續(xù)濾波的目標圖像，相對于單獨的空間域和時間域，誤檢率有了顯著地降低。

表3為傳統(tǒng)空域的Top-hat算法和本文算法分別處理24幀連續(xù)的圖片所用的時間的對比。

表3 兩種算法運行時間比較

可見，由于本文算法在空域的Top-hat算法上增加了時域連續(xù)性濾波，算法運行時間有所增加，但是仍然能滿足實時檢測的要求。

5 總結(jié)

本文對海面復(fù)雜環(huán)境下的小目標檢測算法進行了研究，提出了時空域結(jié)合的濾波算法。結(jié)合多結(jié)構(gòu)元素形態(tài)學(xué)，時域均值濾波等方法，有效地抑制了海面雜波和孤立噪聲點的影響，實時地檢測出了海面小目標，具有實際應(yīng)用意義。

[1] 周霞, 陳錢, 錢惟賢, 等. 對地面弱小目標的檢測算法的研究[J]. 紅外技術(shù), 2013, 35(6): 334-338.

[2] 徐韶華, 李紅. 基于小波提升框架及小波能量的紅外弱目標檢測方法[J]. 紅外技術(shù), 2006, 28(11): 669-672.

[3] 孫翠娟, 楊衛(wèi)平, 沈振康. 一種基于匹配濾波的紅外小目標檢測系統(tǒng)[J]. 激光與紅外, 2006, 36(2): 147-150.

[4] 譚曉宇, 陳謀, 姜長生. 采用小波變換和數(shù)學(xué)形態(tài)學(xué)的小目標檢測[J]. 電光與控制, 2008, 15(9): 25-27.

[5] 焦建彬, 楊舒, 劉峰. 基于人工神經(jīng)網(wǎng)絡(luò)的紅外小目標檢測[J]. 控制工程, 2010, 17(5): 611-613.

[6] 董鴻燕, 李吉成, 沈振康. 基于形態(tài)濾波和順序濾波的小目標檢測[J]. 紅外技術(shù), 2004, 26(1): 21-24.

[7] 楊斯涵. 基于自適應(yīng)尺度的小目標檢測方法[J]. 光電工程, 2014, 41(4): 9-14.

[8] Shengxiang Qi, Jie Ma, Chao Tao, et al. A Robust Directional Saliency-Based Method for Infrared Small-Target Detection Under Various Complex Backgrounds[J]., 2013, 10(3): 495-499.

[9] 江濤, 王永仲. 基于雙遞歸均值濾波的紅外點目標檢測[J]. 電光與控制, 2004, 11(3): 8-10.

[10] 王衛(wèi)華, 牛照東, 陳曾平. 基于時空域融合濾波的紅外運動小目標檢測算法[J]. 紅外與激光工程, 2005, 34(6): 714-717.

Research on the Detection Algorithm for Infrared Small Target on the Sea

LIU Jie，AN Bo-wen

(,,201306,)

Aiming at the sea clutter and the isolated noise problem appeared in the infrared image of sea surface in, a method of spatial-temporal continuous filter is put forward. Based on the sea clutter has certain direction features, structural elements are designed to domorphological open operation, thenuse the mean fusion rules to fusion images. Due to the small target in the framesis continuous and the noise point is not, the method of weighted mean filter is adopted. Finally, an adaptive threshold segmentation is used to detect the small targets. The experimental results show that the algorithm can effectively restrain the influence of sea clutter, filter the isolated noise points. It is an effective algorithm for sea small target detection.

small target detection，mathematical morphology，mean filter，image segmentation

TP391.4

A

1001-8891(2015)01-0016-04

2014-10-14；

2014-11-18.

劉杰(1991-)，男，湖北孝感，碩士研究生，主要研究方向為紅外小目標檢測、圖像處理。

國家自然科學(xué)基金，編號：61171126；上海市重點支撐項目，編號：12250501500；交通運輸部應(yīng)用基礎(chǔ)研究項目，編號：2014329810060。