云背景下紅外弱小目標檢測算法研究

張高峰，孫致月

（中國人民解放軍91336部隊95分隊，河北秦皇島066326）

在當前的紅外搜索跟蹤設備中，紅外弱小目標檢測已經(jīng)成為一種重要的研究技術[1-2]。如果是遠距離成像，紅外成像系統(tǒng)視場內(nèi)的飛機等物體往往呈現(xiàn)出小目標的特點，其像素少、清晰度低、強度小。尤其是當目標使用了相關的隱身技術之后，使得目標紅外輻射強度進一步降低，而背景卻更加復雜[3]。包含大面積云背景的天空背景是紅外背景的典型情況，由于缺乏云背景的先驗信息，目標信噪比很低，且極易淹沒在強噪聲云背景中，使得目標檢測變得十分困難，圖像識別、分類精度難以保證。因此，研究云背景下的紅外成像特性及目標檢測算法具有重要的意義[4]。由于目標與背景存在較為明確的特性差異，所以可以采用相關的圖像處理方式，來減弱背景影響并突出目標。文中提出了一種紅外小目標檢測方法，即兼有高通濾波和中值濾波算法優(yōu)點的綜合濾波算法，可抑制圖像中大面積的云背景和強噪聲，進而實現(xiàn)弱小目標的檢測。

1 背景抑制

紅外圖像是運用光電技術，采用專門的紅外探測器檢測目標物熱輻射的紅外線特定波段信號，將該信號轉(zhuǎn)換成可供人類視覺分辨的圖像和圖形[5]。通過紅外探測器能夠?qū)t外輻射進行轉(zhuǎn)換，并得到電信號，然后繼續(xù)進行增益以及變換等處理得到最終的紅外圖像。當成像系統(tǒng)和目標的相對位置較遠時，紅外圖像中觀測到的一般都是點目標[6]。這些弱而小的點目標往往只有少量的像素，難以準確地體現(xiàn)出幾何外形特征。當前的紅外成像系統(tǒng)一般只能夠反映出溫度特性，因此對紅外圖像的幅值特性（紅外特性）進行著重研究[7-8]。假設包含點目標的紅外場景圖像f(x,y)可以描述為：

其中，s(x,y)為目標像素值，b(x,y)為背景圖像，n(x,y)為噪聲圖像。

紅外圖像的背景b(x,y)指圖像中非目標區(qū)域，復雜背景的灰度空間分布呈現(xiàn)出不均勻、不穩(wěn)定的特征。云背景在圖像中主要表現(xiàn)為大面積緩慢變化的低頻成分，在灰度空間分布上具有較大的相關性[9]。紅外圖像噪聲n(x,y)屬于圖像內(nèi)的高頻部分，也可以將其表述為零均值的高斯白噪聲。噪聲和圖像本身沒有直接聯(lián)系，頻率域內(nèi)可以表現(xiàn)出與點目標具有一定相似度的高斯特性，但是其空間分布沒有規(guī)律，不同幀之間的空間分布也不存在關聯(lián)。圖像信噪比較低，目標點極易被噪聲和背景淹沒，所以從背景出發(fā)進行弱小目標檢測更為合理[10]。

在天空背景中云層占據(jù)了大部分區(qū)域，屬于被抑制成分，而且云背景有緩慢變化的云層，體現(xiàn)在圖像中即為較非云層背景具有比較大的對比度，而云層內(nèi)部的灰度分布則呈現(xiàn)出比較均勻的特點[11]。云邊緣位置的灰度變化比較明顯，這會增大檢測過程的難度，所以背景抑制是對紅外圖像進行預先處理的重要內(nèi)容[10]。對于目標檢測來說，充分抑制背景，提高目標與背景的信噪比（或?qū)Ρ榷龋┦菣z測前圖像處理的基本原則。針對復雜背景的紅外圖像，首先對圖像進行對比度增強，然后利用高通濾波濾除大面積的云背景，通過中值濾波孤立點噪聲，可以把目標與跟其相關的云背景進行有效地分離，進而能夠?qū)崿F(xiàn)對目標的檢測。

1.1 圖像對比度的增強

圖像對比度的增強即為優(yōu)化圖像質(zhì)量的過程，此過程需要基于特定規(guī)則來對圖像各個像素的灰度進行調(diào)整，使得圖像灰度的動態(tài)范圍出現(xiàn)變化[12]。圖像灰度的動態(tài)范圍可以擴展、可以壓縮，也可以在部分區(qū)域擴展而在另外一部分區(qū)域進行壓縮處理。通常情況下成像系統(tǒng)具有非線性特點，使得圖像對比度處于一個較低的水平，通過增強處理能夠顯著地提升圖像質(zhì)量。

1）線性變換

圖像點線性變換的原理為：假設[m M]和[n N]分別為原圖像和完成變換后圖像的灰度范圍，可以按照如下公式來實現(xiàn)線性對比度增強：

其中，f(x,y)為原圖像的灰度范圍，g(x,y)為完成變換后圖像的灰度范圍。

2）非線性變換

如果只是采用線性變換的方式有時候并不能滿足對比度增強需求，此時可以選擇非線性變化方式來調(diào)整圖像灰度，例如對數(shù)變換方式[13-14]。這種方式一般是對低灰度值進行擴展，而對高灰度值進行壓縮，從而使圖像的低灰度部分更加清晰。對數(shù)形式的圖像點非線性變換公式為：

其中，c為常數(shù)。

線性與非線性變換效果如圖1所示。

圖1 圖像對比度變換效果對比圖

從以上兩種方法的增強效果可以看出，原始圖像模糊不清，視覺效果很差。經(jīng)過變換后圖像視覺效果明顯改善，圖像更為清晰。線性對比度增強對需要增強的灰度范圍具有較好的選擇性，對圖像中的高亮區(qū)和黑暗區(qū)具有保護細節(jié)作用，可以避免圖像失真，滿足后續(xù)的背景抑制需要。

1.2 高通濾波

由于目標外形、大小和結(jié)構(gòu)信息的不足，對于弱小目標的檢測往往難度較大，一般只能根據(jù)圖像中目標與背景的差異來進行檢測[15，16]。此時可以認為目標點即為圖像中的灰度奇異點。因此采用高通濾波方式將普遍的像素點進行濾除，即可準確獲取圖像中的目標點，濾波及檢測過程需要考慮低頻背景和噪聲的影響。

1）Butterworth高通濾波器

Butterworth高通濾波器的傳遞函數(shù)為：

其中，D為截止頻率。

2）高斯高通濾波器

高斯高通濾波器的傳遞函數(shù)為：

其中，σ為截止頻率。

Butterworth高通濾波器和高斯高通濾波器的效果如圖2。

圖2 高通濾波處理圖像效果圖

由圖像效果看出，Butterworth濾波器截止頻率D=5時，對低頻部分抑制的效果比較明顯，噪聲比較少，但是目標灰度降低；高斯高通濾波器截止頻率σ=5時，同樣有較好的抑制作用，目標灰度比較明顯，而且圖像噪聲部分的平滑效果很好。因此，文中選用高斯高通濾波器進行紅外圖像云背景抑制。

1.3 中值濾波

高頻濾波后，圖像中大部分的低頻背景和噪聲均被濾除。此時要對圖像中的高頻噪聲和干擾進行濾除，采用中值濾波方法是一種比較好的方式。中值濾波是一種非線性圖像增強方法，其直接使用一個包含奇數(shù)點的滑動窗口來對鄰域內(nèi)的像素按照灰度級進行重新排序，將中間值作為輸出像素，這種方法不同于采用加權(quán)平均方式的平滑濾波[17-19]。中值濾波效果主要與鄰域范圍的大小和參與計算的像素數(shù)量有關，能夠在較好保持圖像邊緣清晰度的前提下，實現(xiàn)對干擾脈沖和隨機點狀噪聲的較好抑制，但對于線、尖頂?shù)燃毠?jié)多的圖像不宜采用中值濾波[20]。中值濾波的數(shù)學描述為：

若S為像素(x0,y0)的鄰域集合包括像素(x0,y0)，(x,y)表示S中的元素，f(x,y)表示(x,y)點的灰度值，|S|表示集合S中元素的個數(shù)，Sort表示排序，則對(x0,y0)進行平滑表示為：

中值濾波效果如圖3所示。

圖3 中值濾波效果圖

根據(jù)上圖所示的濾波效果能夠看出，中值濾波之后的圖像得到了平滑，一些點噪聲得到了去除，但是這種濾波方式并沒有去除掉大面積的云背景，目標的清晰度也出現(xiàn)了下降。

將中值濾波與高通濾波結(jié)合使用，可以相互彌補各自存在的缺陷，是一種新的濾波思路，可以實現(xiàn)快速而有效的紅外圖像背景抑制。

2 閾值檢測

背景抑制后的圖像內(nèi)除了目標，仍然可能包含少量噪聲和輕微背景泄漏等成分，為了更準確地從殘差圖像中檢測出目標，可以采用對圖像進行分割的方式[21-23]。背景抑制完成之后，大多數(shù)像素都處于低灰度區(qū)，而目標以及一些噪聲處于高亮度區(qū)[24]，此時可以采用全局閾值分割法來對小目標進行檢測。

首先需要將背景抑制圖像e(x,y)輸入，經(jīng)過檢測器后，輸出圖像（二值圖像）為[14]：

其中，T表示的是檢測閾值，一般可以根據(jù)統(tǒng)計特性進行設置，其表達式如下：

其中，μ和σ分別為圖像的均值和方差，k為基于經(jīng)驗值的系數(shù)。為了有效地檢測出圖像內(nèi)的小目標，同時保證虛警概率足夠低，可以設置k為圖像的信噪比值。圖像信噪比可定義如下：

式中，s為目標的最大灰度值。

3 實驗結(jié)果

通過對復雜背景紅外圖像的分析，文中提出了集高斯高通濾波器和中值濾波優(yōu)點的一種思路方法，高通濾波算法和中值濾波算法優(yōu)勢互補，算法運算量很小，能夠滿足硬件和實際應用實時性要求。下面使用紅外圖像質(zhì)量評估來分析基于背景抑制的紅外小目標檢測效果。

圖4 紅外小目標檢測效果圖

為了準確說明背景抑制效果，本文使用對比度和信噪比來分析圖像處理前后的變化。其中信噪比的定義見公式（9），對比度的定義表示：

GT代表目標灰度，GB代表背景灰度。本文選定目標為3×3的像素尺寸，背景為21×21的像素尺寸。以圖4為例，圖像經(jīng)過背景抑制后的相關參數(shù)如表1所示。

表1 圖像質(zhì)量分析

下面通過該方法對一組天空背景下的兩個小目標進行檢測分析，根據(jù)圖像中目標與背景的特點，按照改進的背景抑制方法進行目標檢測，結(jié)果如圖5所示，并使用信噪比和對比度來評價圖像質(zhì)量，結(jié)果如表2所示，該實例驗證了方法的合理性和有效性。

由表2信噪比和對比度的參數(shù)變化可以看出信噪比和對比度數(shù)值都增大很多，信噪比越大，越有利于弱小目標的檢測；對比度越大目標越易識別[25-32]。此方法充分利用了高通濾波和中值濾波這兩種算法的優(yōu)點，所存在一點不足就是目標和點噪聲都是高頻部分，中值濾波在濾除孤立點噪聲同時可能會削弱目標，也有可能濾除隱藏的弱小目標。

圖5 天空背景弱小目標檢測結(jié)果圖

表2 圖像質(zhì)量分析

4 結(jié)束語

為了解決天空復雜背景中目標實時、高效檢測的難題，本文設計了一種新型的小目標檢測方法，其能夠靈活地結(jié)合高通濾波與中值濾波算法，通過對圖像進行對比度增強，高通濾波濾除大面積的云背景，中值濾波孤立點噪聲，實現(xiàn)對復雜圖像的背景抑制，進而對抑制后的圖像進行小目標檢測。通過對圖像進行信噪比和對比度的計算分析可以證明此方法的可行性和合理性，為后續(xù)空中目標檢測打下了很好基礎。