改進Sobel算子的單幀紅外弱小目標檢測

苗曉孔，王春平

?

改進Sobel算子的單幀紅外弱小目標檢測

苗曉孔，王春平

( 軍械工程學院電子與光學工程系，石家莊 050003 )

針對目前單幀紅外弱小目標的檢測算法存在檢測精度不高，檢測效果差等問題，本文提出一種改進Sobel算子的單幀紅外弱小目標檢測算法。該方法根據(jù)Sobel算子的邊緣檢測特性，先對圖像進行中值濾波，提高弱小目標的信噪比，然后利用Sobel算子和本文提出的檢測模板，對圖像進行卷積處理，最后經中值濾波后檢測出紅外弱小目標。文中從理論上分析了改進算法的有效性，并與質心檢測算法和基于局部均值以及基于Top-Hat等檢測算法進行了對比實驗。結果表明，該算法比實驗中其他檢測算法檢測精度更高，檢測效果更加明顯。

Sobel算子；紅外圖像；弱小目標；單幀檢測

0 引 言

紅外弱小目標檢測是光電檢測與跟蹤系統(tǒng)中重要組成部分之一，也是當前國防和軍事上的重要研究課題[1]。因為其除了具有光學檢測、跟蹤的優(yōu)點(被動檢測，隱蔽性好，抗電磁干擾能力強等)外，還具有可在夜間和低可見度條件下工作[2-3]，探測距離遠，受天氣影響小等優(yōu)點。如何更好地提高紅外圖像弱小目標檢測技術，及時準確地發(fā)現(xiàn)目標，進而提高武器系統(tǒng)的目標檢測和跟蹤能力一直是紅外探測領域的熱點，同時研究紅外弱小目標檢測對于精確制導武器的發(fā)展與反導體系作戰(zhàn)具有重要意義[4]。

近些年相對成熟的紅外弱小目標檢測算法有：空域濾波、小波變換、Top-Hat變換、質心檢測法等，同時在這些算法的基礎上，不斷完善和發(fā)展的目標檢測算法有：KIM S等[5]提出的基于拉普拉斯-高斯尺度空間的紅外小目標檢測方法；薛永宏等[6]提出的馬爾科夫隨機場(Markov Random Field，MRF)法；還有隨著計算機視覺等技術發(fā)展起來的基于視覺顯著特性和尺度空間等算法。但這些算法的計算流程相對復雜，計算時間較長，對處理器的要求較高，在實際裝備應用上實時性較差。而在紅外弱小目標檢測方法中，單幀目標檢測理論因為易行、效率高速度快，方便硬件實現(xiàn)所以一直受到人們關注，目前對單幀紅外圖像目標提取的方法主要還是通過背景抑制技術來抑制復雜背景、雜波干擾和噪聲。

在此基礎上，本文提出了一種基于Sobel算子的改進算法對紅外弱小目標進行單幀檢測，主要是針對目標在圖像上只占幾個或者十幾個像素的情況做了改進。在一定程度上減少了算法的處理時間和檢測流程，具有較強的實際操作性。同時為了驗證算法的可行性和有效性，本文在Win7系統(tǒng)下Matlab軟件中進行了仿真實驗，結果表明本文提出的算法能夠很好地檢測出弱小目標，檢測精度更高，檢測效果更加明顯。

1 紅外弱小目標特點

空中目標檢測系統(tǒng)中，紅外目標通常是指空中飛行的飛機、導彈等運動物體。由于目標距離越遠，探測器上所觀察到的目標圖像越小，有時只占一個或幾個像素。加上紅外成像熱源本身目標和邊界均模糊不清的特點，目標的形狀，大小，紋理等信息難以被檢測。信號弱的紅外目標就是通常所說的“紅外弱小目標”。很多學者也將紅外弱小目標定義為紅外圖像所占像素不超過圖像總像素0.15%的目標[7-9]。例如對于尺寸為128 pixel256 pixel的紅外圖像，小目標的尺寸一般不超過7 pixel7 pixel。

在紅外圖像中弱小目標集中在一個相對顯著的區(qū)域，該區(qū)域和周圍鄰域在灰度值上具有不相關的特點。因此可以認為小目標是紅外圖像中相對顯著區(qū)域，同時在圖像中背景變化較快的地方和隨機噪聲也具有與周圍背景不相關的特點，所以背景中的噪聲和突變的地方也是圖像中的顯著性區(qū)域[10]。背景中平緩區(qū)域的灰度起伏變化小，沒有極大值，顯著度較小；云層、天際線作為背景時灰度起伏較大，顯著度較高，可能出現(xiàn)灰度極大值，但與周邊鄰域在灰度值上有一定的相關性或者說沒有孤立的特性[11]。基于紅外弱小目標的這些特點可以實現(xiàn)對其檢測。

2 Sobel算子檢測算法

Sobel算子是一階導數(shù)算子，該檢測方法是邊緣檢測的一種。在算法實現(xiàn)過程中，以33模板為核與紅外圖像中的每個像素點做“卷積和”運算，然后選取合適的閾值提取邊緣。Sobel算子是對四鄰域采用帶權方法計算差分，可以抑止噪聲，但檢測的邊緣較寬，利用該算法可以很好地檢測出圖像中的奇異點。這也為下一步目標提取奠定了基礎。其檢測算子模板分別如圖1和圖2所示。

圖1 垂直邊緣模板

圖2 水平邊緣模板

圖1為Sobel算子的垂直邊緣模板。圖2為Sobel算子的水平邊緣模板。這兩個模板分別代表兩個不同方向的邊緣檢測，通過不同的模板與圖像卷積就可得到不同方向上的圖像灰度值，然后對兩個方向上的卷積灰度值求平方和再開根號最終求得經過Sobel算子運算之后的像素灰度值大小[12]。

由于Sobel算子邊緣檢測是利用像素點與周圍相鄰點的灰度進行加權所得，其值在邊緣處達到最大[13]，所以對噪聲具有一定的平滑作用。這種算子也對圖像起到了很好的過濾作用。但是，Sobel算子邊緣檢測同樣存在一些問題，由于其只具備檢測邊緣的能力，對于云層邊緣和目標邊緣不能很好的區(qū)分，李欣等[14]提出的雙復雜度模板的背景抑制思想，構造了一種圓形復雜度模板，對云邊緣區(qū)域的復雜度進行抑制，這種方法又相當復雜。

3 基于改進Sobel算子的檢測算法

由于基于Sobel算子的檢測算法具有計算簡單，速度快等優(yōu)點，所以在實際檢測中仍具備一定的應用價值?；诖藘?yōu)點本文提出了相應的改進算法。其流程如圖3所示。

圖3 改進后的檢測流程

本文主要是針對紅外圖像弱小目標所占像素少，缺少紋理信息等特點進行改進。在圖像預處理階段流程保持不變，在進行模板卷積運算時，主要改進三個方面：1) 提出了適于弱小目標背景提取的檢測模板；2) 將Sobel邊緣檢測的分割閾值進行了范圍設定，不再是采用單一閾值進行限制(閾值的選取主要是通過仿真實驗測量得出，針對紅外弱小目標的特點，閾值主要在1.1~2.9之間自適應變化)；3) 再次進行3′3的中值濾波，消除圖像作差產生的噪聲點。

改進后的整體檢測算法步驟如下：

Step 1：將讀入的紅外圖像轉化為灰度圖像并進行初次中值濾波；

因為中值濾波是基于排序統(tǒng)計理論的一種能有效抑制噪聲的非線性信號處理技術，對于圖像中每個像素點都被噪聲干擾的情況，使用中值濾波的效果要遠好于均值或其他形式的濾波。

Step 2：對圖像同時進行改進Sobel邊緣檢測和新模板檢測；

改進Sobel邊緣檢測主要是將其檢測的分割閾值進行了范圍設定，其優(yōu)點是：將邊緣信息有效的進行篩選和提取，避免了單一閾值帶來的信息冗余。同時采用圖4中的新模板對二值化之后的圖像進行檢測。

圖4 新檢測模板

新檢測模板內部分割為9個單元，首先判斷“0”號單元像素值(即圖像每個像素灰度值)是否為目標像素值，如果是則記為，然后計算其周圍“1~8”號單元的像素的和，如果，則將和像素設置為1，否則設置為0。如果“0”號單元像素值為背景像素值，則像素設置為0。這樣處理圖像之后，圖像保留了因噪聲或光照等原因所造成干擾的背景信息。

Step 3：將經過不同模板處理的圖像進行作差去除含噪背景信息；

經過改進Sobel邊緣檢測所提取的包含背景和目標邊緣的信息，與新模板檢測的背景信息進行圖像作差，可以很好的提取單純的目標信息。

Step 4：再次進行中值濾波，消除作差產生噪聲點，提取目標點；

由于圖像作差，產生的新圖像中每個像素點受到不同程度的干擾，所以再次進行中值濾波，對檢測結果進行優(yōu)化，可以得到比較純凈的目標點。

4 實驗結果及分析

本文的仿真實驗是基于硬件平臺32位操作系統(tǒng)的 Intel Core i5 CPU，8 GHz RAM計算機；軟件平臺是基于Windows 7操作系統(tǒng)和MATLAB R2011b，所處理的圖像是靶場實驗下紅外系統(tǒng)觀測到飛機模型圖像。其大小為720′576。

4.1 本文算法檢測效果

經過在Matlab環(huán)境下對改進算法進行仿真實驗，得到了圖5的單幀紅外弱小目標的檢測效果圖。其中圖5(a)表示原始紅外圖像，圖5(b)表示為單一分割閾值較小時經Sobel算子處理圖像，圖5(c)表示為單一分割閾值較大時經Sobel算子處理圖像，圖5(d)表示設定合理區(qū)間閾值時經Sobel算子處理圖像，圖5(e)表示經過新模板處理提取含有大量噪聲的背景信息，圖5(f)表示經過改進算法處理最終得到的目標圖像，圖5(g)表示檢測到的目標位置。

圖5 改進算法的紅外圖像弱小目標檢測

對比圖像可以發(fā)現(xiàn)，在圖5(a)未處理的原始圖像中很難發(fā)現(xiàn)目標，只有當序列圖像連續(xù)播放時才能觀測到目標的具體位置，圖5(b)和圖5(c)是Sobel算子設定兩個大小不同閾值時的檢測圖像，通過對比可以發(fā)現(xiàn)閾值過大或過小檢測效果都不理想。圖5(d)是將閾值設定在一個區(qū)間范圍內，這樣經過處理之后的圖像在一定程度上避免了單一閾值引入過多噪聲或去除目標信息等情況。經過與改進模板處理后的背景圖5(e)作差，最終可檢測到弱小目標。圖5(f)表示經過改進算法處理后的二值化圖像中目標位置，圖5(g)表示原始紅外圖像中目標的最終檢測位置，由清晰的檢測效果驗證了改進算法的有效性。

圖6為本文改進算法對三幅不同紅外弱小目標圖像的檢測實驗效果，其中6(a1)、6(a2)、6(a3)分別為三幅不同的原始紅外圖像，6(b1)、6(b2)、6(b3)為經改進算法處理后的對應二值化圖像，6(c1)、6(c2)、6(c3)分別為改進算法最終檢測出的目標圖像。表1列出了圖6中三幅圖像的目標位置坐標和檢測耗時，其中檢測耗時為15次檢測耗時的平均值。同時針對本實驗中紅外圖像弱小目標預處理分割閾值也得到了一個比較合理的選取范圍。Sobel檢測中，分割下限的合理閾值區(qū)間是1~1.5，上限合理閾值區(qū)間是2~10。

表1 圖6中目標的相關信息

圖6 改進算法檢測實驗效果

4.2 與其他方法的比較

為了進一步衡量算法的檢測性能，將本文改進的算法與基于中值濾波的檢測方法和基于Top-Hat變換的檢測方法以及基于局部均值等單幀檢測算法進行了比較。檢測效果如圖7所示，實驗中仍舊采用圖6中三幅原始紅外圖像。表2是對四種檢測算法相關檢測參數(shù)的統(tǒng)計，其中檢測耗時為10次測試的平均值。

表2 圖7中目標的相關信息

圖7(a)為Top-Hat檢測算法對三幅對應目標的檢測效果，圖7(b)為質心檢測對三幅對應目標的檢測效果，圖7(c)為基于局部均值法對三幅對應目標的檢測效果。結合表格對比觀察可以發(fā)現(xiàn)，Top-Hat算法檢測耗時相對較長且精度很低，基本無法檢測出目標準確位置，并且很容易發(fā)生虛警情況，且在這種弱小目標檢測條件下，無法通過閾值設定避免該類虛警；質心檢測耗時最少，但是檢測精度較低，目標位置也不夠精確；局部均值檢測算法，檢測位置相對精確，但是前提是不斷調整檢測算法的參數(shù)，尋找出最佳參數(shù)本次實驗中的參數(shù)設定為=0.14，=0.034，檢測耗時也最長，而本文的改進算法可以很好的檢測出目標的準確位置且耗時相對適中。實驗結果表明，本文的改進算法在檢測性能上優(yōu)于質心檢測算法和基于局部均值，基于Top-Hat等檢測算法。

圖7 目標檢測性能對比實驗效果

5 總 結

本文通過對基于Sobel算子算法的改進，實現(xiàn)了紅外圖像弱小目標檢測的問題。并通過模擬仿真實驗驗證了改進算法的可行性和有效性，一定程度上解決了簡單背景條件下，目標弱小到只呈現(xiàn)幾個或十幾個像素的特殊情況。能夠幫助更早地發(fā)現(xiàn)目標，為接下來的跟蹤和空中防御提供更多的反應時間。由于檢測過程中使用的模板較多并進行了圖像作差等多種處理，所以在檢測實時性方面本文算法還可以進一步提高。對于閾值的選取，本文也是基于大量的仿真實驗測量得出，針對類似情況下的紅外弱小目標檢測具有一定的參考性和實用性。當然，在眾多的目標檢測算法中，沒有一種算法是萬能的，只有找到適合條件的檢測算法，才能夠得到更理想的效果。

[1] 王軍敏，卞和營. 基于直方圖調整和擊中擊不中變換的弱小目標檢測 [J]. 光電工程，2013，40(6)：26-30.

WANG Junmin，BIAN Heying. Dim small target detection based on histogram adjustment and hit-miss transform [J]. Opto-Electronic Engineering，2013，40(6)：26-30.

[2] Jean-Michel Missirian，Laurent Dueruet. IRST：a key system in modem warfare [J]. Proceedings of SPIE(S0277-786X)，1997，3061：554-565.

[3] 秦翰林，周慧鑫，劉群昌，等. 采用多尺度隱式馬爾可夫模型的紅外圖像背景抑制[J]. 光學精密工程，2011，19(8)：1950-1956.

QIN Hanlin，ZHOU Huixin，LIU Qunchang，Suppression of infrared image background by multiscale hidden Markov model [J]. Optics and Precision Engineering，2011，19(8)：1950-1956.

[4] 于強，黃樹彩，趙煒，等. 紅外弱小目標檢測方法綜述[J]. 飛航導彈，2014(4)：77-80.

YU Qiang，HUANG Shucai，ZHAO Wei，Summmary of infrared dim small target detection methods [J]. Aerodynamic Missile，2014(4)：77-80.

[5] KIM Sungho，LEE Johyoung. Scale invariant small target detection by optimizing signal-to-clatter ratio in heterogeneous background for infrared search and track [J]. Pattern Recognition(S2005-4254)，2012，45(1)：393-406.

[6] 薛永宏，饒鵬，樊士偉，等. 基于生成 MRF 和局部統(tǒng)計特性的紅外弱小目標檢測算法[J]．紅外與毫米波學報，2013，32(5)：431-436．

XUE Yonghong，RAO Peng，F(xiàn)AN Shiwei，Infrared dim small target detection algorithm based on generative Markov random field and local statistic characteristic [J]. Journal of Infrared and Millimeter Waves，2013，32(5)：431-436．

[7] 劉運龍，薛雨麗，袁素真，等. 基于局部均值的紅外小目標檢測算法[J]. 紅外與激光工程，2013，42(3)：814-822.

LIU Yunlong，XUE Yuli，YUAN Suzhen，Infrared small targets detection using local mean [J]. Infrared and Laser Engineering，2013，42(3)：814-822.

[8] CHEN C L P，LI Hong，WEI Yantao，. A local contrast method for small infrared target detection [J]. IEEE Transation on Geoscience and Remote Sensing(S0196-2892)，2014，52(1)：574-581．

[9] BAE T W，KIM B，ZHANG Fei，. Recursive multi-SEs NWTH method for small target detection in infrared images [J]. IEICE Electronics Express(S1349-2543)，2011，19(8)：1576-1582．

[10] 司馬端，龍云利，安瑋，等. 基于顯著性與幀間差分的紅外弱小目標檢測[J]. 航天電子對抗，2015，31(4)：32-35.

SI Maduan，LONG Yunli，AN Wei，Infrared small target detection based on saliency and frame-to –frame difference [J]. Aerospace Electronic Warfare，2015，31(4)：32-35.

[11] 王剛，陳永光，楊鎖昌，等. 采用圖像塊對比特性的紅外弱小目標檢測[J]. 光學精密工程，2015，23(5)：1424-1433.

WANG Gang，CHEN Yongguang，YANG Suochang，. Detection of infrared dim small target based on image patch contrast [J]. Optics and Precision Engineering，2015，23(5)：1424-1433.

[12] 何春華，張雪飛，胡迎春. 基于改進Sobel算子的邊緣檢測算法的研究[J]. 光學技術，2012，38(4)：323-326.

HE Chunhua，ZHANG Xuefei，HU Yingchun. A study on the improved algorithm for Sobel on image edge detection [J]. Optical Thchnique，2012，38(4)：323-326.

[13] 馬暉. 基于DS證據(jù)推理方法的圖像目標識別[J]. 無線電通信技術，2013，39(1)：70-72.

MA Hui. Image target recognition based on DS evidential reasoning [J]. Radio Communications Technology，2013，39(1)：70-72.

[14] 李欣，趙亦工，郭偉. 基于復雜度的自適應門限弱小目標檢測方法[J]. 光子學報，2009，38(8)：2144-2149.

LI Xin，ZHAO Yigong，GUO Wei. Adaptive target detection method based on complexity threshold [J]. Acta Photonica Sinica，2009，38(8)：2144-2149.

[15] 沈玉，蘭瑞田. 噪聲圖像邊緣檢測中改進Sobel算法的仿真實現(xiàn)[J]. 信息與信息處理，2014，44(8)：27-30.

SHEN Yu，LAN Ruitian. Simulation and implementation of an improved sobel algorithm of edge detection for noisy image [J]. Information and Information Processing，2014，44(8)：27-30.

Single Frame Infra-red (IR) Dim Small Target Detection Based on Improved Sobel Operator

MIAO Xiaokong，WANG Chunping

( Department of Electronic and Optic Engineering, Ordnance Engineering College, Shijiazhuang 050003, China )

Aiming at the problem of low detection precision and poor effect of single frame infrared dim target detection algorithm, a novel algorithm of single frame infrared small target detection based on improved Sobel is proposed. According to the characteristic of Sobel operator edge detection, firstly, the image median filtering can improve the dim small target signal-noise ratio, and then use the Sobel operator and the proposed detection template to deal with the image convolution, finally detect the infrared dim small target after median filtering. The effectiveness of the improved algorithm is analyzed theoretically and compared with the centroid detection algorithm and the detection algorithm based on local mean and Top-Hat. Experimental results show that the proposed algorithm is more accurate than other detection algorithms in the experiment, and the detection effect is more obvious.

Sobel operator; infra-red image; dim target; single frame detection

1003-501X(2016)12-0119-07

TP391.9

A

10.3969/j.issn.1003-501X.2016.12.019

2016-01-09；

2016-05-16

武器裝備軍內科研項目(裝司[2014]551號)

苗曉孔(1991-)，男(漢族)，河北石家莊人。碩士研究生，主要研究工作是信息處理理論與方法。E-mail:miao_xk@163.com。