紅外圖像弱小目標(biāo)檢測算法研究

(國家開放大學(xué)，北京 100039)

一、引言

隨著紅外技術(shù)的快速發(fā)展，紅外圖像弱小目標(biāo)的檢測技術(shù)已經(jīng)廣泛應(yīng)用于軍事領(lǐng)域和醫(yī)學(xué)領(lǐng)域，如精確制導(dǎo)、自動控制和醫(yī)療成像等。上述應(yīng)用需要準(zhǔn)確而又快速地發(fā)現(xiàn)目標(biāo)，對紅外弱小目標(biāo)檢測算法的精度和速度的可靠性要求極高。近些年來，弱小目標(biāo)檢測的算法不斷涌現(xiàn)，雖然這些算法能夠檢測出弱小目標(biāo)，但或多或少存在某些缺陷。李欣等提出了基于模糊分類的微小目標(biāo)檢測方法，該方法需要提前建立類別區(qū)域，分別定義類別特征和類別核，設(shè)定相似系數(shù)和類別貼近度，不能實現(xiàn)不同背景下的微小目標(biāo)進(jìn)行檢測，應(yīng)用范圍小。[1]劉偉寧提出了基于背景抑制與特征融合的檢測算法，該方法使用中值濾波器、形態(tài)學(xué)濾波器會削弱潛在目標(biāo)的特征，同時也依賴于參數(shù)與結(jié)構(gòu)元素的限制。[2]楊帆等提出了基于小波域擴(kuò)散濾波的弱小目標(biāo)檢測算法，該方法利用小波變換系數(shù)的方向特性和擴(kuò)散濾波擴(kuò)散方向的可選擇性，很難同時滿足實時性與檢測效果兩方面的要求。[3]

綜上所述，本文提出一種基于多層數(shù)據(jù)融合的紅外圖像弱小目標(biāo)檢測算法。算法通過高通濾波抑制背景，分析得出的特征間相關(guān)系數(shù)作為融合權(quán)值，對灰度、面積和質(zhì)心偏移量三個特征進(jìn)行加權(quán)特征融合。聚類分析結(jié)合信任度計算完成決策融合，使得融合數(shù)據(jù)重新整合，再依據(jù)信任區(qū)間判斷區(qū)域融合數(shù)據(jù)是否為目標(biāo)。該算法提高了對背景和噪聲的抗干擾性能以及容錯性能，從而實現(xiàn)了弱小目標(biāo)準(zhǔn)確而又實時的檢測。

二、背景抑制與參數(shù)估計

當(dāng)目標(biāo)距離紅外成像系統(tǒng)較遠(yuǎn)，圖像中目標(biāo)與背景的對比度差、邊緣模糊，弱小目標(biāo)與噪聲的辨析度下降，[4]應(yīng)采取背景抑制的方法減小背景與噪聲對檢測的影響。同時，由于不同背景下甚至是相同背景下不同時間所拍攝的紅外圖像噪聲水平、信噪比等參數(shù)指標(biāo)差異很大，應(yīng)對不同紅外圖像進(jìn)行分析得出融合過程中的參數(shù)。

(一)高斯濾波與高通濾波

已知紅外圖像噪聲近似為高斯分布，首先對圖像進(jìn)行高斯濾波以抑制在成像過程中所產(chǎn)生的高斯噪聲，然后對圖像進(jìn)行高通濾波器濾波以將背景區(qū)域中緩慢變化部分濾除。

(二)圖像參數(shù)估計

一般情況下目標(biāo)的灰度值和所在區(qū)域面積較大，兩個特征具有一定的相關(guān)性，因此引入相關(guān)系數(shù)作為圖像度量值。對于兩個觀測矢量fi和si，其維數(shù)為N，兩個矢量之間的相關(guān)系數(shù)定義為：

(1)

INs(i)∈INA(k)}

(2)

式中：Ak為連通區(qū)域面積；ΩAk為圖像連通區(qū)域；INs和INA分別為灰度非零像素和區(qū)域面積的行列值集合。

三、特征融合與標(biāo)記濾波

對于背景復(fù)雜、信噪比低的紅外圖像，若只提取弱小目標(biāo)的單一特征進(jìn)行特征融合，檢測結(jié)果的準(zhǔn)確性將大打折扣。多特征提取及融合將會考慮目標(biāo)的綜合特征，為進(jìn)一步?jīng)Q策分析提供了可靠的依據(jù)，因此選擇像素灰度值、像素所屬區(qū)域內(nèi)接正方形面積和區(qū)域質(zhì)心位置偏移作為每一個灰度非零像素點(diǎn)的特征。

(一)多特征提取

在紅外圖像中目標(biāo)灰度值高于背景，因此可以提取灰度非零像素點(diǎn)的灰度值作為特征之一，F(xiàn)H(I,J)為高斯濾波后圖像：

fi={FH(f(I，J)|FH(I，J)>0}

(3)

由于弱小目標(biāo)在紅外圖像上一般只占據(jù)5×5個像素大小，選取像素所屬區(qū)域內(nèi)接正方形面積作為特征可以最大程度上貼近目標(biāo)的特點(diǎn)。該特征充分體現(xiàn)出目標(biāo)與噪聲點(diǎn)的差異。定義ΩSQi為以fi像素點(diǎn)為中心的內(nèi)接正方形區(qū)域，與連通區(qū)域ΩAk有如下關(guān)系：若INs(i)∈INA(k)，則有ΩSQi∩ΩAk=ΩSQi；若設(shè)內(nèi)接正方形邊長為li，則有l(wèi)i={2m-1|m∈N+}。

仔細(xì)對目標(biāo)區(qū)域分析可知，灰度值較大的像素點(diǎn)集中于目標(biāo)區(qū)域的中心，即區(qū)域質(zhì)心。對于真實目標(biāo)，質(zhì)心位置偏移很小，在內(nèi)接正方形中心像素位置，而背景區(qū)域質(zhì)心位置具有不固定性，偏移量較大。提取該特征可以很好地區(qū)分目標(biāo)與背景。圖1所示為區(qū)域模型，灰色部分是該區(qū)域的內(nèi)接正方形。

圖1 紅外圖像區(qū)域模型

綜上所述，目標(biāo)具有明顯的灰度值特征，另外兩組特征具有互補(bǔ)的特點(diǎn)，即內(nèi)接正方形面積特征增加對噪聲點(diǎn)的辨析度，能明顯區(qū)分目標(biāo)與噪聲點(diǎn)差異，而質(zhì)心位置特征對大面積背景區(qū)域有過濾作用。三組特征互相補(bǔ)充，可對目標(biāo)區(qū)域做出準(zhǔn)確的描述。

(二)特征融合算法實現(xiàn)

已知像素灰度和所屬區(qū)域內(nèi)接正方形面積具有一定的相關(guān)性，所以采用特征值相乘的方式來融合，并用相關(guān)系數(shù)等參數(shù)進(jìn)行加權(quán)計算，以達(dá)到不同特征間的作用最大化。特征融合公式定義為：

(4)

本算法特征融合形式特點(diǎn)在于充分考慮了不同特征之間相關(guān)性，更有利于數(shù)據(jù)的決策與判斷，特征提取與融合框圖如圖2所示。

圖2 特征提取與融合框圖

(三)標(biāo)記濾波

(5)

式中FS(I，J)為標(biāo)記濾波后的圖像。

經(jīng)上述處理，一些孤立的噪聲和背景區(qū)域得到了明顯地濾除，而目標(biāo)區(qū)域卻完整保留下來。此時，經(jīng)過第二次圖像參數(shù)估計和特征融合，減小了無關(guān)像素點(diǎn)對融合影響，可為決策融合提供更為可靠地融合數(shù)據(jù)。

四、決策融合

紅外圖像經(jīng)過特征融合后得出像素點(diǎn)的融合數(shù)據(jù)，對這些數(shù)據(jù)進(jìn)一步分析和推理得出相互之間的關(guān)聯(lián)性和概率信息。決策融合后使得數(shù)據(jù)重新整合，從而可以準(zhǔn)確判決出目標(biāo)。

(一)聚類分析

弱小目標(biāo)在紅外圖像中會占據(jù)5×5像素大小的區(qū)域，如果用單個像素點(diǎn)的融合數(shù)據(jù)作為最終判決目標(biāo)的依據(jù)是不全面的，對噪點(diǎn)的容錯性差。首先，采用聚類分析的方法將標(biāo)記濾波后圖像的位置相近像素點(diǎn)聚集為一類，每一類會代表著一個局部區(qū)域；然后把該區(qū)域內(nèi)像素點(diǎn)的特征值相加得到該聚集區(qū)域的融合數(shù)據(jù)；最后依據(jù)聚集區(qū)域的融合數(shù)據(jù)做出判決，完成對弱小目標(biāo)的檢測。很明顯，作為融合判決的單元是位置相近像素點(diǎn)的聚集區(qū)域，而不是單個像素點(diǎn)。

為解決上述問題，提出一種非零點(diǎn)間動態(tài)標(biāo)號聚類算法，選取歐式距離作為樣本相似性度量，非零像素點(diǎn)間的歐式距離定義為：

(6)

式中d為特征空間的維數(shù)；xk和yk分別為兩非零點(diǎn)的坐標(biāo)。

由于在聚類分析前并不清楚圖像中有多少個區(qū)域，因此就無法確定類型數(shù)目。另外，在每次有新的樣本歸為已有類型時，聚類中心將會發(fā)生改變，所以采用動態(tài)聚類算法標(biāo)記濾波后圖中灰度非零像素點(diǎn)的類型標(biāo)號。根據(jù)類型標(biāo)號對融合數(shù)據(jù)進(jìn)行統(tǒng)計，得出該區(qū)域(類型)決策數(shù)據(jù)。

(二)檢測概率與信任度

依據(jù)疑似目標(biāo)區(qū)域數(shù)據(jù)進(jìn)行檢測概率計算和推理，給出疑似目標(biāo)區(qū)域的信任度分析，是檢測算法重要組成部分。通過上述特征融合，決策數(shù)據(jù)值越大的區(qū)域越可能是目標(biāo)，另外目標(biāo)區(qū)域的決策數(shù)據(jù)應(yīng)明顯大于背景和噪聲的決策數(shù)據(jù)，而非目標(biāo)區(qū)域的數(shù)據(jù)會趨于一致，所以選取區(qū)域決策數(shù)據(jù)概率以及決策數(shù)據(jù)差概率作為兩個特征進(jìn)行推理評估。為了簡化計算，將決策數(shù)據(jù)按大小降序排列，選取前十位區(qū)域數(shù)據(jù)利用Fixsen修正D-S證據(jù)推理的方法進(jìn)行推理評估，最終得出各區(qū)域信任度證據(jù)區(qū)間。

五、結(jié)果分析

在CPU為Intel(R)Core(TM)i7-6567(主頻3.30GHz)計算機(jī)平臺上，采用MATLAB軟件對算法的準(zhǔn)確性和實時性進(jìn)行分析。實驗采用多幅紅外復(fù)雜背景弱小目標(biāo)圖像序列進(jìn)行檢驗。在不同背景(天空或海天背景)、信噪比和圖像尺寸下的紅外圖像，目標(biāo)識別率達(dá)到了96%，檢測耗時明顯小于其他算法?，F(xiàn)將本文提出的算法與另外三種算法的比較情況匯總至表1，主要從算法的準(zhǔn)確性、實時性、應(yīng)用范圍以及智能性進(jìn)行匯總。

表1 算法比較

由表1可知本文算法在實時性上優(yōu)于其它算法。另外三種算法使用特征模板在全圖范圍內(nèi)進(jìn)行平移，同時計算特征融合及貼近度。這種檢測方法計算開銷大，并且只經(jīng)過一次特征融合，非常依賴特征的選取和融合數(shù)值的計算。而本文算法采用多層區(qū)域融合技術(shù)，不會在全圖范圍內(nèi)進(jìn)行計算，只選取特定的區(qū)域進(jìn)行特征提取和融合使得計算開銷大大減少，通過決策融合控制計算復(fù)雜度的同時，也提高了弱小目標(biāo)的檢測精度。