紅外小目標檢測的滯后閾值分割法

魏 元,楊 華,程正東,翟 翔,張宏偉

(國防科技大學電子對抗學院,脈沖功率激光技術國家重點實驗室,安徽 合肥 230031)

1 引 言

紅外搜索跟蹤系統可精確搜索與追蹤遠距離目標,在防空預警體系中具有重要地位。小目標的定義為占據像素少于8×8的目標[1],環(huán)境中眾多的虛警源和遠距離目標的灰度值較低,小目標的對比度與信噪比低,易被背景淹沒。準確、快速地從復雜紅外圖像中檢測弱小目標仍是當前紅外目標檢測領域中一個研究熱點。紅外小目標檢測分為預處理和閾值分割兩個步驟,單閾值分割、多維閾值分割等方法常見于小目標檢測中。

Brink,Xiao,Sha,Chen等分別構建了圖像的灰度/局部平均灰度級[2]、灰度/梯度幅度[3]、灰度/局部平均中值灰度級[4]、灰度/局部熵[5]等特征應用于二維閾值分割；顏學穎等[6]提出灰度值/加權均值/加權中值三維閾值分割。這些多維閾值分割法綜合了多個特征值,但未針對小目標檢測問題選擇特征；且圖像的灰度、局部灰度均值、局部灰度熵、梯度等用于多維閾值分割需要調和各個閾值,這帶來更高的計算復雜度。為使閾值分割更適合小目標檢測,吳濤等[7]以能量作為特征進行二維閾值分割。吳一全等[8]基于背景與目標面積差和類內方差提出了分割準則函數,張書真[9]則基于小目標與背景面積差和修正的灰度熵提出了分割準則函數,這兩種方法對小目標檢測的閾值取值法做出了探索。劉昆等[10]將小目標的灰度值和分維灰度值作為特征進行二維OTSU分割,并將分割規(guī)則限定在排除了背景區(qū)域的感興趣區(qū)域內。針對小目標檢測問題,這些算法將梯度特征、幾何特征等納入了分割依據,對小目標的閾值分割取得了更好的效果。

本文提出了滯后閾值檢測算法,對預處理后的圖像,通過非最大值抑制預提取待檢點的中心像素,確保分割前景為待檢點的中心像素,解決小目標分割前景像素占比問題。提出了局部梯度方差(NGV)衡量待檢點的鄰域梯度特征,并以NGV和灰度作為分割依據,進行雙閾值分割。利用目標的幾何特征,排除高灰度雜波干擾,解決小目標的多特征閾值分割問題。最后分析傳統分割法得到的前景和背景組成,分別給出了NGV和灰度的閾值取值公式。

2 快速非最大值抑制

非最大值抑制是對待檢點中心像素的預提取。小目標的像素占比小于0.5 %,且目標本身的細節(jié)和紋理特征難以觀察。如果以小目標在圖像中像素占比為分割依據,在圖像中具有高灰度的雜波背景時,分割會將高灰度雜波作為目標檢出,造成漏警。且分割結果中仍包含有一定數量的像素,在進行識別、跟蹤等進一步信息處理時,小目標中心像素和其他特征的提取仍需進行。在分割之前預先提取小目標的中心像素,即可滿足小目標的像素占比要求。而密集分布的雜波虛警也將被抑制為孤立的虛警點,在滯后閾值分割中通過其他特征加以排除。

非中心抑制算法的基本步驟為,以任一點為中心,將一定半徑內的區(qū)域取為抑制區(qū)域,將該點與區(qū)域內的所有像素進行灰度對比,若該點的灰度最高,即認為該點為局部最大值點。該方法要求在所有點上遍歷其抑制區(qū)域進行判斷,若抑制區(qū)域內包含像素數為S,圖像中共包含N個像素,則需要進行S×N次判斷。為較少計算量,本文提出了一種快速非中心抑制算法,以邊長為a的正方形作為抑制區(qū)域,步驟如下:

Step 1：將圖像劃分為邊長為a/2的矩形細胞,每四個相鄰細胞組成一個邊長為a的滑窗,例如,滑窗(1,1)由細胞(1,1),(1,2),(2,1),(2,2)組成；

Step 2：在每一個滑窗內,搜索灰度值最高的像素點,在圖像上標記該點；

Step 3：重復Step 2直到遍歷全圖,圖像上被標記4次的點即為快速非中心抑制算法的極大值。

圖1為快速非最大值抑制滑窗示意圖。如圖1(a)所示,對細胞(2,2)中的任一點P,當且僅當在滑窗(1,1),(1,2),(2,1),(2,2)內P都是最大值時,P才會被標記4次,此時P大于細胞(2,2)及其周圍8細胞中所有點。如圖1(b)所示,被檢測為極大值點的P至少在邊長為a的正方形區(qū)域內為最大值點。快速非中心抑制算法遍歷全圖所需判斷次數為4N,遠低于原算法。

(a)局部最大值被4個滑窗分別標記

(b)所得最大值點為半徑大于a/2的鄰域內最大值點

3 局部梯度方差

為衡量待檢點鄰域上的幾何特征,本文提出鄰域梯度方差(NGV)。通過計算小目標鄰域上梯度的離散程度,判斷待檢點是否為雜波的一部分。

待檢點的鄰域為環(huán)形區(qū)域Ψ,對待檢點(x0,y0),將其作為圓心,以目標的最大半徑Rmax為環(huán)內徑,以2Rmax為環(huán)外徑,劃定Ψ,如圖2中虛線圍成的環(huán)狀區(qū)域所示。

圖2 鄰域梯度方差計算區(qū)域

利用多尺度LOG算子計算Ψ內像素的梯度。將濾波圖像進行歸一化處理,將各尺度上響應的最大值作為梯度銳化處理的結果。

(1)

(2)

待檢點的鄰域梯度方差可表示為:

(3)

NGV衡量可疑點周圍區(qū)域上的梯度特征,并排除可能包含目標的中心區(qū)域,因此可將其作為滯后閾值算法中輔助設定目標灰度閾值。

4 滯后閾值分割

通過NGV衡量待檢點鄰域是否符合點狀目標特征,自適應地分配灰度級的分割閾值,對具有小目標特征的待檢點采用低閾值,對具有雜波特征的待檢點采用高閾值,實現低虛警率的目標分割。

4.1 閾值選取方案

表1 小目標檢測滯后閾值選取方案

4.2 鄰域梯度方差的閾值取值

選取閾值是實際應用中閾值分割最重要的環(huán)節(jié)。NGV覆蓋了目標周圍的區(qū)域Ψ。根據整幅圖像的梯度分布,推算滯后閾值分割的閾值取值。OTSU分割可大致將全梯度圖分為前景F和背景B。圖像主要由目標、雜波、平緩背景(即低梯度雜波)組成,目標和雜波的邊緣梯度較高,通常歸于前景F中；而平緩背景則大部分被分割至背景B中,少部分歸于F中。

(4)

其中,SB是背景B中點的總數。

(5)

其中,SW為圖像的總像素數。

4.3 灰度閾值取值

(6)

其中,T為前景與背景的分割閾值;ω0，μ0分別為前景占全體待檢點的比例、平均灰度;μ為待檢點的總平均灰度。

(7)

5 實驗與分析

本文選取了九個圖像序列共900幀圖像進行小目標檢測,圖像大小為723×546。圖3給出了四個具有典型復雜背景圖像序列的關鍵幀,圖像a序列具有建筑背景,b序列中具有樹木背景,c序列為具有高亮云層的簡單背景,d序列則為具有高亮云層的復雜背景。圖像的預處理方案采用文獻[11]方法,分別應用一維OTSU閾值分割法、灰度-GLLE二維閾值分割方法[5]及本文提出的滯后閾值分割法進行實驗,得到的檢測結果展示于圖3中。

圖3 檢測結果

如圖3所示,圖像(a1)、(b1)、(c1)、(d1)為圖像序列(a)、(b)、(c)、(d)的代表幀原始圖像,圖像(a2)、(b2)、(c2)、(d2)為傳統單閾值分割法的檢測結果,圖像(a3)、(b3)、(c3)、(d3)為灰度-局部熵二維閾值分割法的檢測結果,圖像(a4)、(b4)、(c4)、(d4)為本文提出的滯后閾值分割法的檢測結果。單閾值分割結果(a2)、(b2)、(d2)中,干擾物形成了大量虛警。圖像(c3)、(d3)顯示,二維閾值分割對于高亮云層等變化較為平緩的干擾具有較好的濾波效果；而圖像(a3)、(b3)中的建筑、樹木等干擾產生的虛警仍難以被濾除,且圖像中檢測亮度低的目標難以被檢出,這將導致檢測概率的降低。圖像(c4)、(b4)中絕大多數虛警都被抑制,僅剩一個虛警被檢出；圖像(c4)中,漏檢了一個弱目標,排除了所有虛警點；圖像(d4)中,兩個目標都被檢出,相對的,也有6個虛警點無法濾除,但虛警并未成片出現,總數量少,便于進一步的判別、跟蹤。

單閾值分割對高灰度、高梯度虛警的區(qū)分度不夠,導致虛警地大量出現,而二維閾值分割在綜合考慮局部熵之后,能夠對前景物體(建筑、樹木和云層)、平緩背景(晴空)、高梯度邊緣(包括表現為孤立點的小目標)和噪聲干擾作出區(qū)分,檢測結果中的目標圖像顯示了該方法的有效性；本文所提滯后閾值檢測法在實際應用中選取了與上述方法不同的NGV作為區(qū)分特征,對干擾和目標形成了較好的區(qū)分,但在對高亮云層圖像中的目標檢測時,部分具有孤立點幾何特征的點也被檢為目標,這與NGV注重目標鄰域幾何特征有關。

圖4展示了根據四個實驗圖像序列的檢測結果統計、繪制得到的ROC曲線,由于滯后閾值分割的虛警概率低于0.001,圖4截取了區(qū)間[0,0.005]上的曲線。

圖4(a)、(b)中,滯后閾值法的ROC曲線顯著優(yōu)于單閾值分割法和二維閾值分割法,具有相同的檢測概率時,滯后閾值分割得到的虛警概率遠低于其他方法。圖像a序列、b序列中的干擾物為建筑和樹木,從圖3中的對比就已經可以看出,雜波干擾幾乎被全部抑制,因此在ROC曲線中,滯后閾值檢測的檢測概率遠高于另兩種閾值分割法。

圖4(c)、(d)中,虛警概率很低的情況下,滯后閾值的檢測概率低于單閾值和二維閾值,但滯后閾值分割法的檢測概率迅速上升并超過了另兩種閾值分割法的最大值,從圖3中可見,滯后閾值分割法對低灰度值的目標檢測概率更高,但這也使得部分具有相同幾何特征的虛警點也被檢測出,通過非中心抑制環(huán)節(jié),虛警概率被控制在較低的水平上,這使在小目標檢測中能夠檢測出更弱的目標,虛警則相對更多地被檢測出來了。

6 結 語

本文針對紅外小目標檢測提出了滯后閾值分割法,在閾值分割前預提取小目標的中心像素,以NGV和灰度值兩個指標對待檢點進行閾值分割。并分析了前景、背景的組成,給出了閾值的取值公式。實驗表明,經過相同預處理步驟后,滯后閾值分割能夠滿足小目標檢測的需求,分割出目標的中心像素,同時具有更高的檢測概率和更低的虛警概率。