基于密度–距離空間的紅外引信抗噪聲方法研究

張驄，權(quán)康男，岳明凱，韓自強

（沈陽理工大學(xué) 裝備工程學(xué)院，沈陽 110159）

戰(zhàn)場中環(huán)境的復(fù)雜多變嚴(yán)重影響了紅外引信的環(huán)境適應(yīng)性，尤其是煙霧彈、曳光彈、地面干擾設(shè)施等人工干擾[1]，使紅外圖像的背景更為復(fù)雜，引信的紅外成像質(zhì)量變得更差。因此，對紅外目標(biāo)識別并進行抗干擾分析成為了提高紅外引信環(huán)境適應(yīng)能力的關(guān)鍵。

在一般紅外目標(biāo)檢測方法中，無論是濾波法、局部對比法，還是肉眼觀測法，都是對圖像全局中的每一個像素點進行檢測。在這幾種檢測方式中，倘若檢測目標(biāo)同時存在于灰度平坦區(qū)域和雜波區(qū)域，檢測小目標(biāo)的效果就會大打折扣，相應(yīng)的運算處理時長也會增加，同時也就降低了檢測的效率。由于以上都需要一定的閾值或先驗條件，以上缺陷都無法應(yīng)用于需要自主檢測目標(biāo)的紅外引信當(dāng)中。

在復(fù)雜的紅外環(huán)境中，紅外引信需要從干擾成像的過程中逐漸分離出打擊目標(biāo)的狀態(tài)，直到目標(biāo)呈現(xiàn)出外觀特征，通過對紅外圖像進行處理，實現(xiàn)精確打擊。在紅外探測引信開始工作并順利探測到目標(biāo)時，由于目標(biāo)距離較遠，在圖像中只有幾個像素組成，所以極易受噪聲干擾。因此，如何對紅外圖像進行適當(dāng)處理，充分挖掘可利用信息，增強目標(biāo)可識別性、減少或濾除雜波干擾是當(dāng)前亟待解決的難題[2]。

當(dāng)前，紅外小目標(biāo)檢測主要分為3 類，基于濾波的方法、基于局部對比方法和人類視覺方法[3]。其中，基于濾波的方法可以從濾波后的圖像中提取出紅外目標(biāo)，也就是通過原始圖像與已去除雜波的濾波圖像之間的差異來獲得目標(biāo)信息[4]。典型的濾波方法有頂帽（Top-Hat）、中值濾波[5]、高斯濾波、雙邊濾波等。Zhang 等[6]提出了一種基于中值濾波的局部差分對比方法。Huang 等[7]提出了一種基于灰度區(qū)域生長的形態(tài)學(xué)濾波方法來抑制雜波從而檢測紅外目標(biāo)，即通過選取適當(dāng)?shù)姆N子與閾值進行區(qū)域增長來排除如建筑、云天等背景雜波。

與濾波方法不同的是，基于局部對比的方法直接作用于目標(biāo)本身，大多數(shù)都是在對比度機制上檢測目標(biāo)，這是由于局部區(qū)域中紅外小目標(biāo)的灰度值通常高于其鄰域的灰度值[8-9]。例如，Li 等[10]提出了一種基于生物啟發(fā)的多尺度對比度測量方法（MPCM），用來增加目標(biāo)和背景之間的對比度。Zhu 等[11]提出了一種加權(quán)對比度的方法，利用邊緣、目標(biāo)的局部對比度和圖像背景的一致性來檢測紅外弱小目標(biāo)。這些基于目標(biāo)的方法提高了目標(biāo)檢測的準(zhǔn)確性，但需要逐個像素地進行循環(huán)計算，極大地增加了運算時間，不能滿足引信的高實時性要求。

近年來，人類視覺系統(tǒng)（HVS）逐漸成為主要的研究重點[12]，特別是卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）[13-14]已經(jīng)被國內(nèi)外廣泛地應(yīng)用于圖像和連續(xù)視頻中的目標(biāo)檢測和識別領(lǐng)域。其派生的方法包括Fast-RCNN[15-16]、Faster-RCNN[17-19]、SSD[20-21]、YOLO[22-24]等，為目標(biāo)檢測開辟了一條新的途徑，可以有效地提高目標(biāo)的檢測精度。這些算法都需要大量的數(shù)據(jù)集進行訓(xùn)練以獲得模型參數(shù)，并不適用于缺乏引信紅外復(fù)雜背景噪聲數(shù)據(jù)集條件下的目標(biāo)檢測任務(wù)。

本文主要提出一種在復(fù)雜背景下對紅外圖像進行降噪處理，并檢測到真實目標(biāo)的方法，從而增強紅外引信的抗干擾性。算法既要考慮到不同的背景區(qū)域?qū)Σ煌叽缒繕?biāo)檢測精度的影響，也要兼顧計算時間。因此，本文通過一種新的基于密度–距離空間的方法，通過最大限度地利用圖像中的有限信息，構(gòu)建一個二維的密度–距離空間，來從紅外圖像中獲得多個候選目標(biāo)。然后，通過像素生長的方法，排除多類型雜波的影響，從候選目標(biāo)中檢測出真實目標(biāo)。最后，通過仿真實驗，驗證了算法的抗噪能力。

1 算法總體設(shè)計

1.1 紅外環(huán)境噪聲分析

在引信工作時，獲取的紅外圖像背景可以大致分成2 種：灰度平緩的區(qū)域和存在雜波的區(qū)域。通常引信獲取的紅外圖像大部分都是灰度平緩區(qū)域，當(dāng)目標(biāo)存在于此區(qū)域時，可以通過簡單的特征提取算法檢測到目標(biāo)，并抑制周圍背景，就可以獲得很好的小目標(biāo)檢測效果，檢測速度也較快。當(dāng)目標(biāo)處于雜波區(qū)域時，一般的特征提取算法就很難快速檢測出噪聲雜波和真實的紅外小目標(biāo)，檢測效果較差，只有使用具有高甄別能力的復(fù)雜算法才能濾除或降低噪聲干擾，從而獲得較好的檢測精度[25]。同樣，由于采用了復(fù)雜算法，程序運行時間增加，檢測時間較長。因此，要滿足紅外引信在極短的檢測時長中快速準(zhǔn)確地識別真實目標(biāo)，需要對算法進行改進，來保證檢測的準(zhǔn)確性與實時性。

由此，紅外目標(biāo)檢測算法應(yīng)具備自適應(yīng)多目標(biāo)檢測能力和算法的實時性[26]。從肉眼觀測角度分析，在紅外圖像在含有被觀測小目標(biāo)時，其小目標(biāo)在紅外圖像上呈現(xiàn)出與周圍鄰域明顯不同的“高亮”。因此，紅外圖像中的小目標(biāo)可以被歸納為2 個明顯特征：存在局部灰度密度峰值以及與其他任何較高灰度值像素的距離最短，所以本算法可以通過這2 個特征來從紅外圖像中候選目標(biāo)。

1.2 目標(biāo)的密度和距離定義

首先，需要從紅外探測器獲取的圖像中定義2 個主要參數(shù)，密度ρ和距離σ。然后，對圖像中的所有像素進行分析，根據(jù)像素的不同屬性，對像素進行賦值，從而把由像素組成的二維圖像轉(zhuǎn)化為由所有像素的參數(shù)值組成的二維ρ-σ空間。最后，可以設(shè)置閾值對所有像素的參數(shù)值進行區(qū)分，進而候選出多個目標(biāo)，其中包括多個真實目標(biāo)和虛假目標(biāo)。

紅外小目標(biāo)通常具有灰度值高、像素數(shù)少、一定的對比度等特點。因此，紅外小目標(biāo)與周圍鄰近區(qū)域相比有更高的灰度值。倘若將灰度值等價于質(zhì)量，把像素數(shù)等價于體積，那么圖像中每個像素點的密度也就代表了它與鄰域像素間的差別，計算密度的定義如式（1）所示。

式中：ρ(i,j)表示(i,j)位置處的像素點密度；G(i,j)代表(i,j)位置像素點的灰度值；n表示ε鄰域包含的像素數(shù)。從式（1）可以看出，密度值代表了被測像素與其鄰域像素的平均灰度特征，算法需要將具有最大密度特征的像素作為候選目標(biāo)，由于僅僅將這一個像素作為候選目標(biāo)的位置，因此得出的檢測結(jié)果不受尺寸與形狀變化影響。

根據(jù)上文分析，本文將像素的距離參數(shù)用σ表示。σi定義為像素與比其密度值高的其他像素之間的最小距離。計算方式如公式（2）和（3）所示。

式中：dij表示像素i和像素j之間的歐氏距離；x和y是像素的坐標(biāo)值。另外，當(dāng)某一個像素具有整幅紅外圖像中最高的密度特征值時，σ應(yīng)當(dāng)是所有距離中最大的值。

1.3 基于區(qū)域像素生長的真實目標(biāo)檢測

通過密度–距離空間方法對紅外圖像進行初步處理，解決了在灰度平坦區(qū)域中候選紅外目標(biāo)的檢測任務(wù)，接著需要解決的是將真實目標(biāo)從候選目標(biāo)中檢測出來。當(dāng)紅外圖像中包含大量雜波區(qū)域或者被測像素處于圖像邊緣時，都同樣存在密度峰值，這些干擾因素與真實目標(biāo)通常很難甄別，因此在目標(biāo)檢測中應(yīng)首先對紅外圖像進行濾波處理。

傳統(tǒng)區(qū)域生長法是首先將圖像進行區(qū)域分割處理，將分割區(qū)域中的像素按照其特性進行歸類集合，從而構(gòu)成一個候選區(qū)域。首先從區(qū)域中挑選出一個類似于“種子”的像素點作為生長源，接著從種子的鄰域開始，通過某種判定準(zhǔn)則將具有相同或相似性質(zhì)的像素點逐漸集合起來。這些新獲得的像素點又作為新的種子點繼續(xù)生長，直到后續(xù)的像素點不滿足判定準(zhǔn)則為止。由此方法可以剔除掉其余的雜波，將種子的生長區(qū)域作為目標(biāo)區(qū)域。因此，目標(biāo)區(qū)域是由種子點的選取、生長準(zhǔn)則（判定條件）和中止條件3 種條件共同約束形成的。具體步驟如下：

1）分析圖像中的所有像素，選取1 個像素點作為種子點，并將該種子點的位置定義為P(x0,y0)。

2）將種子點作為生長的起點，首先對種子點P(x0,y0)的8 個鄰域像素進行判定條件分析，如果鄰域像素內(nèi)存在1 個或多個P(xi,yj)符合種子生長準(zhǔn)則，則將P(xi,yj)與P(x0,y0)合并到1 個區(qū)域內(nèi)，并將所有符合條件的P(xi,yj)都作為新的種子。

3）將新的種子作為像素起點，按照步驟2）的方式繼續(xù)生長。

4）將新的種子集合定義為{?}。

5）重復(fù)步驟1）—4），直到圖像分析完圖像中所有的像素點為止。圖1 展示了種子的區(qū)域生長方式。

圖1 區(qū)域生長濾波方法Fig.1 Regional growth filtering method

通過區(qū)域生長法可以有效地對全圖噪聲進行濾除，從而獲得候選的目標(biāo)區(qū)域，但同樣也存在一些不足。首先，在種子的選取時，需要對全局的所有像素進行掃描分析，這種方法極大增加了運算處理時長，并且由于種子點的選取直接影響了候選目標(biāo)，所以種子點選取的準(zhǔn)確率至關(guān)重要。其次，由于區(qū)域生長法的生長準(zhǔn)則需要預(yù)先設(shè)定，并且在運算過程中無法改變，所以當(dāng)面對較為復(fù)雜的雜波噪聲時，無法做到自適應(yīng)。因此，該方法不適用于紅外引信的自主目標(biāo)檢測功能。

1.4 自適應(yīng)像素生長

根據(jù)區(qū)域生長的濾波思想，本文提出一種能夠進行自適應(yīng)檢測的像素生長方法。在通過密度–距離空間方法生成候選目標(biāo)后，直接將所有的候選目標(biāo)當(dāng)成種子點，然后通過自適應(yīng)閾值方式設(shè)置生長條件，克服了傳統(tǒng)區(qū)域生長法的缺陷，使之能夠適用于引信紅外成像背景。

將種子點用Tk(x,y)表示，其中k是候選目標(biāo)的數(shù)量，(x,y)是種子點的坐標(biāo)。種子按照8 鄰域的方向生長，生長條件則取決于種子與其相鄰像素的灰度差異。當(dāng)灰度差異小于閾值時，種子將完成生長步驟，否則將停止生長。閾值表達式如（4）、（5）所示。

通過大量的實驗測試得出，像素的生長方式與區(qū)域生長方式相同。當(dāng)種子的生長不能達到閾值Th的要求或者達到圖像邊界時，生長停止。每一個種子生長后得出的區(qū)域面積成為Sk。根據(jù)光電儀器工程師協(xié)會的規(guī)定，紅外小目標(biāo)上的像素數(shù)通常在80 個以內(nèi)。因此，在確定了目標(biāo)的尺寸限制之后，種子的生長可以根據(jù)其周圍的像素灰度值自適應(yīng)。

自適應(yīng)像素生長方法的具體過程如圖2 所示，其中種子點用淺色圓圈表示，周圍的鄰域像素點用深色圓圈表示，虛線框表示每一步生長之后的范圍。首先，假設(shè)在種子T1(x,y)周圍有3 個像素滿足閾值要求，分別為P1'(x+1,y+1)、P1''(x,y-1)、P1'''(x-1,y)。第1 步之后，添加了標(biāo)記為2 號的3 個新種子。同樣，在經(jīng)過第2 步生長之后，新的種子標(biāo)記為3 號。經(jīng)過2步生長之后，區(qū)域的面積1 為10 個像素。然后按照面積從小到大將所有種子排序，從而得出真實目標(biāo)的位置和數(shù)量。

圖2 自適應(yīng)像素生長方法Fig.2 Adaptive pixel growth method

種子在目標(biāo)區(qū)域、邊緣區(qū)域和雜波區(qū)域的生長結(jié)果如圖3 所示。在圖3a 中檢測到了包括2 個真實目標(biāo)在內(nèi)的所有20 個候選目標(biāo)。對于紅外小目標(biāo)區(qū)域內(nèi)的種子來說，閾值Th是從高灰度值的目標(biāo)像素集合Tk和低灰度值的周圍背景集合Pk中獲得的。因此，種子的增長面積Sk相對較小，對應(yīng)了圖 3b 展示的1號種子的生長范圍結(jié)果。對于邊緣區(qū)域的種子（例如建筑和背景邊界），種子將會沿著高灰度區(qū)域邊緣生長，且不超過閾值范圍，因此整個邊緣區(qū)域?qū)⒈环N子生長區(qū)域所覆蓋。圖3c、d 顯示了2 號和3 號種子的生長結(jié)果，顯然種子在邊緣區(qū)域的生長具有較高的密度。相反，當(dāng)種子位于混亂的雜波區(qū)域時，生長的結(jié)果則較為稀疏，如圖3e、f 所示。當(dāng)4 號種子和5 號種子位于稀疏的雜波區(qū)域（例如云層、海天交界處和其他的漂浮物背景）時，由于生長像素集的密度較低，雜波區(qū)域的生長面積要小于邊緣區(qū)域面積。

圖3 種子在不同雜波區(qū)域生長結(jié)果Fig.3 Seeds growing in different clutter areas: a) results of target detection; b) growing result of No.1 seed; c) growing result of No.2 seed; d) growing result of No.3 seed; e) growing result of No.4 seed; f) growing result of No.5 seed

通過上述3 種不同雜波條件下生長結(jié)果的比較，可以發(fā)現(xiàn)，種子在目標(biāo)區(qū)域通常具有最小的面積。此外，自適應(yīng)像素生長方法可以有效地去除雜波附近生長的種子，保留目標(biāo)區(qū)域的種子。因此，本方法與密度–距離空間方法可以通過高效的配合在已知真實目標(biāo)的數(shù)量前提下準(zhǔn)確地完成檢測任務(wù)。

2 算法抗噪聲實驗

紅外目標(biāo)的檢測效果容易受到圖像噪聲的影響，尤其對于本文算法，噪點對候選目標(biāo)的選取有極大的干擾，因此首先應(yīng)測試算法的抗噪聲能力。為了能直觀地反映算法效果，通過選擇一個具有紅外目標(biāo)的圖像，并將不同級別的高斯噪聲添加到整個圖像中來進行測試，如圖4 所示。

圖4 顯示了具有不同信噪比（Signal to Noise Ratio，SNR）的噪聲和目標(biāo)的檢測結(jié)果。其中SNR的定義如式（6）所示。

式中：2tσ表示目標(biāo)區(qū)域的灰度值方差；2nσ表示高斯噪聲的灰度值方差。在文獻[7]的基礎(chǔ)上，將SNR值按照由大到小設(shè)定，得出SNR 值在40～50 時，檢測效果出現(xiàn)明顯的變化。為了能更詳細展示本文算法的抗噪聲特性，將步長在此區(qū)間內(nèi)縮小。由圖4 可見，當(dāng)SNR 值的范圍為44.1～45.4 時，檢測到理想的效果。當(dāng)SNR 值降低到43.9 時，目標(biāo)未被檢測到。其余候選目標(biāo)的位置變化是由高斯噪聲的隨機性引起的。因此，本文算法可以檢測到目標(biāo)的信噪比下限在44 左右。當(dāng)信噪比高于44 時，本文算法可以檢測到實際目標(biāo)，當(dāng)信噪比進一步降低，圖片質(zhì)量更差時，目標(biāo)的檢測效果并不理想。本次實驗表明了基于密度–距離空間的自適應(yīng)像素生長算法具有一定的程度的抗噪聲能力。

圖4 算法抗噪聲性能實驗Fig.4 Algorithm anti-noise performance experiment

3 結(jié)論

1）圖像復(fù)雜背景和噪聲雜波會降低紅外圖像質(zhì)量，當(dāng)SNR 降低到一定程度時，目標(biāo)檢測速度和準(zhǔn)確性都會大大降低。

2）通過本文提出的密度–距離空間方法和區(qū)域生長濾波方法，抑制多種類型的雜波，能夠滿足SNR值在44.1～45.4 時，從候選目標(biāo)中檢測出真實目標(biāo)的任務(wù)。

3）考慮紅外引信的工作環(huán)境不僅存在隨機噪聲干擾，還存在人為的紅外誘餌干擾以及光照的影響，未來需要進一步提高算法對目標(biāo)的檢測和識別準(zhǔn)確度。