基于全卷積網(wǎng)絡(luò)的紅外弱小目標(biāo)檢測(cè)算法

楊其利，周炳紅，鄭 偉，李明濤

（1.中國(guó)科學(xué)院 國(guó)家空間科學(xué)中心，北京 100190；2.中國(guó)科學(xué)院大學(xué)，北京 100049）

0 引言

紅外弱小目標(biāo)檢測(cè)和跟蹤是紅外導(dǎo)引的一項(xiàng)關(guān)鍵技術(shù)，在小天體探測(cè)、導(dǎo)彈制導(dǎo)和戰(zhàn)場(chǎng)偵察等航空航天領(lǐng)域具有重要意義。

由于紅外弱小目標(biāo)探測(cè)距離遠(yuǎn)，目標(biāo)的成像尺寸非常小，在成像平面上僅僅占幾十甚至幾個(gè)像素，極大地增加了弱小目標(biāo)檢測(cè)的難度，主要體現(xiàn)在：目標(biāo)信號(hào)弱，無目標(biāo)紋理、形狀、尺寸等特征信息；目標(biāo)運(yùn)動(dòng)速度快，機(jī)動(dòng)性強(qiáng)，難以獲得速度、方向等信息；背景灰度分布不均勻以及隨機(jī)噪聲和高亮度背景的干擾等都增加了弱小目標(biāo)檢測(cè)的難度。

中值濾波方法是一種經(jīng)典的用于圖像處理的非線性空間域?yàn)V波方法，Deshpand 等人[1]提出的最大中值濾波器，通過將紅外圖像與濾波圖像差分運(yùn)算，既能夠有效抑制圖像上起伏的背景信息，又能夠抑制景象邊緣紋理信息，但是這種方法只對(duì)高信噪比的小目標(biāo)有較好的處理效果。Top-Hat[2]是一種實(shí)用的非線性背景估計(jì)方法，它對(duì)弱小目標(biāo)的檢測(cè)效果取決于結(jié)構(gòu)元素的尺寸和形狀，但遠(yuǎn)距離成像條件下無法獲知小目標(biāo)的先驗(yàn)信息，不能選取統(tǒng)一的結(jié)構(gòu)元素。

基于頻率域的弱小目標(biāo)檢測(cè)方法通過傅里葉變換將圖像從空間域轉(zhuǎn)換到頻率域上，然后使用高通濾波器對(duì)其進(jìn)行濾波操作，最后進(jìn)行傅里葉逆變換得到預(yù)測(cè)圖像。Yang 等人[3]將點(diǎn)目標(biāo)作為圖像的高頻成分，提出了一種自適應(yīng)巴特沃斯高通濾波器（Butterworth high pass filter,BHPF）。Hilliard 等人[4]使用低通IIR（infinite impulse response,IIR）濾波器來預(yù)測(cè)雜波，該濾波器適用于多目標(biāo)情況。Reed 等人[5]在已知速度、背景雜波和噪聲的情況下，利用頻域最優(yōu)三維線性匹配濾波技術(shù)檢測(cè)圖像序列中的運(yùn)動(dòng)點(diǎn)目標(biāo)。

近年來，基于人類視覺系統(tǒng)（human visual system,HVS）的弱小目標(biāo)檢測(cè)方法主要是通過在局部區(qū)域中構(gòu)造一個(gè)包含內(nèi)部窗口和外部窗口的嵌套結(jié)構(gòu)，用于計(jì)算內(nèi)部窗口與外部窗口的對(duì)比度，增強(qiáng)局部的目標(biāo)特征。弱小目標(biāo)的檢測(cè)是通過在整副圖像上逐像素滑動(dòng)嵌套結(jié)構(gòu)得到預(yù)測(cè)圖像，最后使用自適應(yīng)閾值分割方法來實(shí)現(xiàn)的。Wei 等人[6]提出了一種基于多尺度局部對(duì)比度測(cè)量（multiscale patch-based contrast measure,MPCM）方法，MPCM方法考慮目標(biāo)邊緣和云邊緣的分布差異，利用對(duì)角線方向上的最小乘積作為最終增強(qiáng)結(jié)果，該方法能夠同時(shí)增強(qiáng)亮目標(biāo)和暗目標(biāo)，在云邊緣去除方面取得了很好的效果，但在復(fù)雜背景和強(qiáng)雜波干擾下其檢測(cè)性能會(huì)下降。Deng 等人[7]提出多尺度絕對(duì)灰度均差（multiscale average absolute gray difference,MS-AAGD）法，它使用局部平均法抑制背景噪聲，通過局部對(duì)比度增強(qiáng)目標(biāo)區(qū)域。該算法計(jì)算復(fù)雜度較低，適合實(shí)時(shí)處理圖像，但是當(dāng)場(chǎng)景中包含高強(qiáng)度邊緣和結(jié)構(gòu)背景比較混亂時(shí)，非目標(biāo)區(qū)域也得到增強(qiáng)。Kim 等人[8]利用高斯拉普拉斯算子（Laplacian of Gaussion,LoG）提出了一種同時(shí)增強(qiáng)目標(biāo)和抑制背景的弱小目標(biāo)檢測(cè)算法，該方法關(guān)注于抑制低頻雜波，雖然能夠檢測(cè)到低對(duì)比度的小目標(biāo)，但濾波器的二階導(dǎo)數(shù)部分會(huì)增強(qiáng)背景噪聲，不能濾除高頻成分的強(qiáng)雜波。沈等人[9]在視覺注意機(jī)制的基礎(chǔ)上，提出了一種結(jié)合尺度自適應(yīng)的局部對(duì)比度測(cè)量的紅外弱小目標(biāo)檢測(cè)方法，該方法能夠在增強(qiáng)目標(biāo)對(duì)比度的同時(shí)抑制背景雜波，但對(duì)于復(fù)雜云層下的目標(biāo)無法有效檢測(cè)。

對(duì)于復(fù)雜環(huán)境下的弱小目標(biāo)檢測(cè)結(jié)果容易出現(xiàn)大量虛警的問題，表明這些傳統(tǒng)算法手工提取的特征不夠充分，而深度學(xué)習(xí)算法擁有著強(qiáng)大的特征提取和信息抽象能力。深度學(xué)習(xí)應(yīng)用于紅外圖像弱小目標(biāo)檢測(cè)的難度在于目標(biāo)微小，缺乏輪廓特征信息，這對(duì)目標(biāo)檢測(cè)網(wǎng)絡(luò)的設(shè)計(jì)帶來了非常大的困難，且目標(biāo)所處的背景多樣性和復(fù)雜性，以及目標(biāo)自身灰度、大小的起伏變化也加大了檢測(cè)難度。

受傳統(tǒng)的基于HVS 弱小目標(biāo)檢測(cè)算法中使用滑動(dòng)嵌套窗口的啟發(fā)，本章提出了采用滑動(dòng)窗口取樣訓(xùn)練的全卷積神經(jīng)網(wǎng)絡(luò)（fully convolutoional neural network,F-CNN），此外，它使用了恒等映射以及遞歸卷積層，在不增加額外參數(shù)的情況下，擴(kuò)展了模型的網(wǎng)絡(luò)深度，其并行卷積結(jié)構(gòu)的多分支網(wǎng)絡(luò)還能模擬傳統(tǒng)算法的多尺度表達(dá)，本文還設(shè)計(jì)了多種損失函數(shù)的組合用于解決正負(fù)樣本嚴(yán)重不平衡的問題。

1 基于全卷積網(wǎng)絡(luò)的弱小目標(biāo)檢測(cè)方法

1.1 滑動(dòng)窗口取樣方案

由于紅外弱小目標(biāo)形狀微小，所占像素?cái)?shù)不足80個(gè)像元，對(duì)于256×256的成像平面，它僅占圖像的0.122%，使得一張圖像中正樣本和負(fù)樣本像素嚴(yán)重失衡，極大增加了網(wǎng)絡(luò)訓(xùn)練的難度。為了改善這一情況，本文采用滑動(dòng)窗口取樣訓(xùn)練的方式，這種做法源自基于人類視覺特性傳統(tǒng)弱小目標(biāo)檢測(cè)算法的滑動(dòng)嵌套結(jié)構(gòu)思想，滑動(dòng)步長(zhǎng)設(shè)置為略小于取樣窗口大小，避免被窗口邊界切割造成目標(biāo)邊緣信息丟失，圖1展示了本文滑動(dòng)取樣窗口的示意圖。

通過對(duì)取樣窗口大小的選擇，可以控制網(wǎng)絡(luò)對(duì)整副圖像的搜索次數(shù)，其計(jì)算公式為：

式中：W、H分別表示為紅外圖像的寬和高；S表示取樣窗口大?。籹tride為搜索步長(zhǎng)。本文選擇了尺寸為48×48的取樣窗口，步長(zhǎng)設(shè)為47，因此對(duì)于尺寸為256×256的紅外圖像，需要的搜索次數(shù)為25次，遠(yuǎn)小于逐像素遍歷需要的65536次，在檢測(cè)效率上提高了約2621倍。

圖1 滑動(dòng)窗口為3，滑動(dòng)步長(zhǎng)為2的取樣窗口示意圖Fig.1 The illustration of sampling window with size 3 and sliding step with 2

1.2 殘差單元

從理論上講，非常深的網(wǎng)絡(luò)可以學(xué)習(xí)許多不同抽象層次的特征。在深度殘差神經(jīng)網(wǎng)絡(luò)模型（deep residual network,ResNet）[10]中，通過跳躍連接，模型可以從某一層獲取激活輸出，然后迅速反饋給另外一層。ResNet的主要思想是使用殘差學(xué)習(xí)來簡(jiǎn)化深層網(wǎng)絡(luò)的訓(xùn)練，作者認(rèn)為這些網(wǎng)絡(luò)層通過殘差映射可以更容易優(yōu)化模型。

殘差神經(jīng)網(wǎng)絡(luò)是由殘差塊構(gòu)建的，在圖2中，左側(cè)的圖像顯示了通過網(wǎng)絡(luò)的“主路徑”[10]。右側(cè)的圖像為主路徑添加了跳躍連接快捷方式。通過將這些殘差塊堆疊在一起，可以形成一個(gè)非常深的網(wǎng)絡(luò)。將輸入表示為x，基本殘差單元表示為：

式中：W1和W2分別為兩個(gè)卷積層的權(quán)重參數(shù)。通過堆疊這些結(jié)構(gòu)，構(gòu)建一個(gè)152層的網(wǎng)絡(luò)，ResNet在ILSVRC 2015 分類競(jìng)賽中獲得第一名。

1.3 遞歸模塊

深度遞歸卷積網(wǎng)絡(luò)（deeply recursive convolutional network,DRCN）[11]的作者認(rèn)為，增加更多的權(quán)重層會(huì)引入更多的參數(shù)，這些參數(shù)會(huì)導(dǎo)致模型過擬合。為了解決這個(gè)問題，他首次提出了遞歸模塊，并在網(wǎng)絡(luò)中添加了16個(gè)遞歸層，每個(gè)遞歸層使用相同的卷積參數(shù)，這樣模型在遞歸層中執(zhí)行卷積操作時(shí)就不會(huì)額外增加參數(shù)。

圖2 普通網(wǎng)絡(luò)（左）和殘差塊網(wǎng)絡(luò)[10]（右）Fig.2 Left:general network,Right:residual network[10]

對(duì)于具有D個(gè)遞歸層的遞歸模塊，我們對(duì)所有卷積操作使用相同的權(quán)重W和偏值參數(shù)b。遞歸模塊的展開結(jié)構(gòu)如圖3所示，定義g為遞歸模塊中單個(gè)遞歸層的卷積函數(shù)，H為遞歸層的輸入。

第d個(gè)遞歸層的遞歸模塊輸出為：

式中：gd表示函數(shù)的d次迭代。

1.4 F-CNN 網(wǎng)絡(luò)

F-CNN是一種全卷積網(wǎng)絡(luò)，用于檢測(cè)紅外圖像中的暗弱小目標(biāo)，它可以將網(wǎng)絡(luò)自主提取的特征轉(zhuǎn)換為絕大部分激活值為0的稀疏特征映射。網(wǎng)絡(luò)的輸入圖像尺寸為48×48，F(xiàn)-CNN的結(jié)構(gòu)如圖4所示，它由特征提取模塊、遞歸模塊和重建模塊組成。適當(dāng)縮小卷積核尺寸同時(shí)增加卷積核數(shù)量，有助于網(wǎng)絡(luò)穩(wěn)定，減少參數(shù)數(shù)量，也能夠提取足夠多的特征。因此本文所有卷積層參數(shù)設(shè)置為：卷積核大小f。卷積操作的步長(zhǎng)s＝1和零填充p＝1，網(wǎng)絡(luò)各層的參數(shù)設(shè)置如表1所示，定義f1，f2，f3分別為特征提取模塊、遞歸模塊、重建模塊的函數(shù)。

特征提取模塊：它由5個(gè)卷積步長(zhǎng)為1，卷積核大小為3的卷積層組成。網(wǎng)絡(luò)結(jié)構(gòu)采用多個(gè)級(jí)聯(lián)的小濾波器，用于提取足夠多的圖像特征。式中，x為尺寸為48×48的輸入圖像，Wi,bi,(i＝1,2,…,5)分別為各層卷積核參數(shù)。

圖3 遞歸模塊的展開結(jié)構(gòu)，相同卷積參數(shù)應(yīng)用不同遞歸層Fig.3 Unfolding recursive module,the same filter W is applied to feature maps recursively

圖4 F-CNN 網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.4 An illustration of the F-CNN architecture

表1 本文使用的F-CNN 網(wǎng)絡(luò)結(jié)構(gòu)Table1 F-CNN architecture for semantic segmentation

遞歸模塊：如圖4所示，它由4層遞歸卷積層組成，每個(gè)卷積層使用同一組網(wǎng)絡(luò)層的卷積參數(shù)，為了解決梯度和最優(yōu)遞歸問題，本文利用殘差網(wǎng)絡(luò)的跳躍連接，將特征提取模塊中的第1、3層卷積層分別連接到遞歸模塊中的第1、3層遞歸層，對(duì)這兩層遞歸層進(jìn)行信息監(jiān)督，以減輕梯度消失或爆炸的影響。在遞歸模塊的所有遞歸卷積層中，由于共享一個(gè)網(wǎng)絡(luò)層的卷積參數(shù)，只需要訓(xùn)練遞歸模塊的一組卷積核參數(shù)W,b，就可以加速模型的收斂。

重建模塊：它是一種并行卷積結(jié)構(gòu)，用于加權(quán)不同深度網(wǎng)絡(luò)層的抽象特征，并輸出預(yù)測(cè)結(jié)果。本文將遞歸模塊中所有遞歸層的層間輸出作為重建模塊并行卷積結(jié)構(gòu)不同分支的輸入。在重建模塊中，并行卷積結(jié)構(gòu)有4個(gè)分支網(wǎng)絡(luò)，所有網(wǎng)絡(luò)分支共同使用同一組網(wǎng)絡(luò)分支參數(shù)，其參數(shù)設(shè)置如表1所示，每個(gè)分支經(jīng)過4層卷積操作，由于不同分支的信息輸入來自不同網(wǎng)絡(luò)深度遞歸層的輸出，使得圖像的感知野不同，這意味著并行卷積結(jié)構(gòu)的不同分支相當(dāng)于多尺度表達(dá)。

式中：d＝1,2,3,4。之后將卷積操作得到的特征圖在深度方向進(jìn)行權(quán)重wd加權(quán)平均，這個(gè)參數(shù)是在網(wǎng)絡(luò)訓(xùn)練中得到的。網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果為：

1.5 損失函數(shù)

基于像素點(diǎn)的交叉熵?fù)p失函數(shù)是一種語義分割問題中最常用的損失函數(shù)。這種損失函數(shù)單獨(dú)檢查每個(gè)像素，其數(shù)學(xué)表達(dá)式為：

式中：y是真實(shí)樣本的標(biāo)簽，是重建模塊的預(yù)測(cè)結(jié)果（數(shù)值在0～1之間）。為了減少易分類樣本的貢獻(xiàn)，使網(wǎng)絡(luò)更關(guān)注難分類樣本，本文引入了Focal函數(shù)（FL），它是在交叉熵?fù)p失函數(shù)中加入調(diào)制系數(shù)能夠控制易分類樣本和難分類樣本的權(quán)重，讓模型更關(guān)注于困難的、錯(cuò)分的樣本，并引入一個(gè)平衡因子α，用來平衡正負(fù)樣本的數(shù)量比例不均勻。

式中：α＝0.25，γ＝2。為了解決弱小目標(biāo)所在圖像中正負(fù)樣本比例嚴(yán)重失衡的問題，使目標(biāo)輪廓被精確定位，本文引入Dice 系數(shù)差異函數(shù)用于衡量實(shí)際小目標(biāo)和預(yù)測(cè)小目標(biāo)輪廓區(qū)域的相似程度，這種損失函數(shù)可以使弱小目標(biāo)輪廓部分的正樣本正確分類。Dice 系數(shù)（DC）是一種基于兩個(gè)樣本之間相似度的度量函數(shù)，其數(shù)學(xué)表達(dá)式為：

式中：α1、α2表示不同損失函數(shù)的權(quán)重；β表示網(wǎng)絡(luò)參數(shù)θ的懲罰因子，“”表示θ的L2 范數(shù)。

2 實(shí)驗(yàn)結(jié)果和討論

本實(shí)驗(yàn)使用Google 開源框架Tensorflow 構(gòu)建F-CNN 模型進(jìn)行訓(xùn)練。使用的數(shù)據(jù)集為仿真的圖像樣本，包括8000 張大小為48×48的訓(xùn)練圖像，測(cè)試樣本來自無人機(jī)拍攝的可見光圖像[12]和其他紅外圖像。實(shí)驗(yàn)設(shè)置batch為32，初始學(xué)習(xí)率為0.0001，權(quán)重衰減設(shè)為0.0001，采用Adam 模型優(yōu)化，共訓(xùn)練100個(gè)epoch。

2.1 數(shù)據(jù)集建立

由于在復(fù)雜云層背景或海平面中摻雜的暗弱目標(biāo)近似于點(diǎn)，本文將二維高斯強(qiáng)度模型作為目標(biāo)點(diǎn)添加到背景圖像中。二維高斯模型如下：

式中：(x0,y0)是圖像目標(biāo)的中心；s(i,j)是目標(biāo)在圖像位置(i,j)的灰度值。生成目標(biāo)的強(qiáng)度sE是介于0～1之間的隨機(jī)數(shù)。σx和σy是高斯分布標(biāo)準(zhǔn)差。利用不同的參數(shù)可以產(chǎn)生不同信雜比的弱小目標(biāo)，本文生成的目標(biāo)信雜比在2～12之間，訓(xùn)練樣本如圖5所示。

2.2 度量指標(biāo)

信雜比增益（the signal-to-clutter ratio gain,SCRG）[13]和背景抑制因子（the background suppression factor,BSF）[14]能夠描述目標(biāo)增強(qiáng)以及背景抑制的性能，它們是評(píng)價(jià)最終檢測(cè)效果的重要指標(biāo)，SCRG 定義為：

式中：SCRin和SCRout分別表示原始圖像和預(yù)測(cè)圖像的信雜比。信雜比（the signal-to-clutter ratio，SCR）定義為：

式中：μt表示目標(biāo)的平均灰度值；μb表示目標(biāo)鄰域像素的平均灰度值；σb表示目標(biāo)周圍像素的標(biāo)準(zhǔn)差。鄰域的大小為(a＋2d)×(b＋2d)，目標(biāo)的大小為a×b，實(shí)驗(yàn)設(shè)置d＝15。BSF 定義為：

圖5 弱小目標(biāo)仿真數(shù)據(jù)集Fig.5 Simulated dataset of infrared small targets

式中：σI和σO分別表示原始圖像和處理后圖像像素的標(biāo)準(zhǔn)差。通常來講，弱小目標(biāo)圖像的SCRG和BSF值越高，越容易檢測(cè)到目標(biāo)。

2.3 實(shí)驗(yàn)結(jié)果與對(duì)比方法

為了測(cè)試本文方法檢測(cè)弱小目標(biāo)的性能，在200 張測(cè)試圖像中對(duì)比了F-CNN、MS-AAGD、LoG和MPCM方法。該測(cè)試集來自文獻(xiàn)[12]中3個(gè)分辨率為1920×1080的視頻序列，幀速率為30 fps，它們是由安裝在三角翼無人機(jī)的GoPro3 攝像機(jī)拍攝的。為了獲取有效的測(cè)試圖像，我們截取了視頻的部分區(qū)域，制作了200 張尺寸為720×540的復(fù)雜云背景圖像作為測(cè)試集。

圖6展示了不同方法對(duì)其中5 張測(cè)試圖像的背景抑制結(jié)果。第一列圖像是5 張具有代表性的原始圖像，背景復(fù)雜多變，每張圖像各有一個(gè)小目標(biāo)，它們都淹沒在厚重的云層中，且目標(biāo)占有的像素?cái)?shù)少，缺少目標(biāo)形狀結(jié)構(gòu)和紋理信息，弱小目標(biāo)相應(yīng)的信雜比和尺寸信息如表2所示。圖6第二列展示了各測(cè)試圖像對(duì)應(yīng)的三維灰度分布圖。圖6第3列至第6列分別表示MS-AAGD、LoG、MPCM和本文方法對(duì)應(yīng)的背景抑制圖像?；贛S-AAGD 方法的濾波圖像中，雖然消除了大量的雜波和噪聲殘留，但也檢測(cè)出許多虛警的目標(biāo)，且虛警目標(biāo)的信號(hào)強(qiáng)度接近真實(shí)目標(biāo)強(qiáng)度。基于LoG 方法的濾波圖像展示了明顯的真實(shí)目標(biāo)信號(hào)，能夠降低虛警率，但是背景中依然存在大量的噪聲和雜波?；贛PCM的方法要優(yōu)于MS-AAGD 方法，濾波結(jié)果沒有過多的背景邊緣紋理，且接近真實(shí)目標(biāo)強(qiáng)度的虛警目標(biāo)數(shù)量要少于MS-AAGD的方法。本文的方法F-CNN得到的濾波結(jié)果顯示，背景噪聲接近為0，無論是虛警目標(biāo)的數(shù)量或者是信號(hào)強(qiáng)度，都遠(yuǎn)遠(yuǎn)低于對(duì)比方法。這種方法能夠使背景噪聲得到極大抑制，使目標(biāo)信號(hào)極大增強(qiáng)，實(shí)現(xiàn)了目標(biāo)和背景雜波區(qū)分開的理想效果，性能遠(yuǎn)遠(yuǎn)高于對(duì)比方法。

表2 無人機(jī)測(cè)試圖像的SCR值和目標(biāo)像素?cái)?shù)Table2 The SCR and target size of UAV test images.

圖6 不同檢測(cè)方法在5 張測(cè)試圖像上的濾波結(jié)果，矩形框表示目標(biāo)，圓圈表示濾波后的噪聲Fig.6 The representative results of different methods on five test images,the rectangles denote the targets and the circles are representative examples of noise

F-CNN 方法之所以能夠?qū)崿F(xiàn)這種效果，在于遞歸模塊中使用了遞歸卷積結(jié)構(gòu)，這是它將原始圖像中的目標(biāo)和背景完全區(qū)分開的重要一步。同時(shí)，重建模塊中繼承了遞歸模塊多個(gè)遞歸層的輸出預(yù)測(cè)，構(gòu)造成多分支網(wǎng)絡(luò)結(jié)構(gòu)，這相當(dāng)于F-CNN 學(xué)習(xí)到多個(gè)弱小目標(biāo)背景抑制方法，通過對(duì)多個(gè)分支的預(yù)測(cè)結(jié)果賦予不同權(quán)重，能夠增強(qiáng)真實(shí)目標(biāo)信號(hào)的強(qiáng)度，同時(shí)對(duì)有噪聲雜波的預(yù)測(cè)賦予較低的權(quán)重，能夠極大抑制雜波信號(hào)和背景結(jié)構(gòu)紋理。

為了客觀地評(píng)價(jià)不同方法的背景抑制效果，本文還計(jì)算了信雜比增益SCRG和背景抑制因子BSF，如表3所示。結(jié)果表明，F(xiàn)-CNN 方法能夠顯著提高圖像的SCR值和BSF值，且此方法在SCR值和BSF值指標(biāo)均優(yōu)于或接近對(duì)比方法。本文方法能夠有效地抑制各種復(fù)雜噪聲背景，并且在濾波結(jié)果圖中具有非常少的雜波和噪聲殘留。這些實(shí)驗(yàn)結(jié)果證明了我們的方法在增強(qiáng)目標(biāo)、抑制背景雜波和噪聲方面優(yōu)異的性能。因此，我們的方法有助于探測(cè)嵌入在不同程度云層背景雜波中的弱小目標(biāo)。

為了進(jìn)一步驗(yàn)證本文方法的有效性，對(duì)4 張紅外圖像進(jìn)行對(duì)比實(shí)驗(yàn)，除第三張測(cè)試圖像中含有兩個(gè)紅外目標(biāo)外，其余圖像均只含有一個(gè)目標(biāo)。如圖7所示，在第一張圖像的濾波結(jié)果對(duì)比圖中，本文方法提取的目標(biāo)信號(hào)足夠強(qiáng)烈，在背景雜波抑制方面要弱于MPCM方法，但優(yōu)于其他方法。第二張圖像有一條明顯的海天分割線，對(duì)比方法均出現(xiàn)了海天分割線的雜波，且濾波結(jié)果存在過多的雜波噪聲，雜波信號(hào)強(qiáng)度近似目標(biāo)信號(hào)，而本文方法背景抑制效果要優(yōu)于對(duì)比方法。第三張圖像包含兩個(gè)紅外目標(biāo)和一個(gè)燈塔建筑，除MPCM方法外，其他方法均出現(xiàn)了建筑邊緣的濾波噪聲，而MPCM 出現(xiàn)了信號(hào)明顯的虛警目標(biāo)。第四張紅外圖像的濾波結(jié)果表明，本文提取的弱小目標(biāo)信號(hào)弱于對(duì)比方法，但保持了原始圖像中目標(biāo)的尺寸和紋理結(jié)構(gòu)信息，而不是對(duì)比方法中點(diǎn)目標(biāo)的濾波結(jié)果。本文還計(jì)算了4 張紅外圖像的信雜比增益和背景抑制因子，表4 顯示本文方法在客觀指標(biāo)上要優(yōu)于或接近對(duì)比方法，這為今后的紅外圖像弱小目標(biāo)檢測(cè)任務(wù)提供了解決問題的新途徑。

表3 不同方法對(duì)圖6第一列測(cè)試圖像濾波結(jié)果的SCRG和BSF值Table3 The evaluation results of SCRG and BSF of different methods for images in the first column in Fig.6

圖7 不同檢測(cè)方法在紅外圖像上的濾波結(jié)果，矩形框表示目標(biāo)，圓圈表示濾波后的噪聲Fig.7 Different methods on infrared images,the rectangles denote the targets and the circles are representative examples of noise

表4 不同方法對(duì)圖7中紅外圖像濾波結(jié)果的SCRG和BSF值Table4 The evaluation results of SCRG and BSF of different methods for infrared images in Fig.7

3 結(jié)論

傳統(tǒng)的小目標(biāo)檢測(cè)基本處理過程為先進(jìn)行圖像預(yù)處理，然后進(jìn)行目標(biāo)增強(qiáng)，最后依靠一定的判決條件檢測(cè)目標(biāo)。本文首次將計(jì)算機(jī)視覺中語義分割的問題與紅外圖像弱小目標(biāo)檢測(cè)的任務(wù)聯(lián)系起來，提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的弱小目標(biāo)檢測(cè)方法F-CNN，這是一種結(jié)合殘差結(jié)構(gòu)和遞歸結(jié)構(gòu)使用的全卷積網(wǎng)絡(luò)，它使用了滑動(dòng)窗口的方式取樣訓(xùn)練，由特征提取模塊、遞歸模塊和重建模塊構(gòu)成，可以將圖像中的目標(biāo)從背景雜波中完全分割出來，將真實(shí)目標(biāo)和干擾目標(biāo)（如云的邊緣）分離。方法還設(shè)計(jì)使用了多種損失函數(shù)的組合，以對(duì)抗正負(fù)樣本嚴(yán)重不平衡的問題。本文還將 F-CNN 方法與MS-AAGD、LoG、MPCM方法在實(shí)際場(chǎng)景中進(jìn)行了檢測(cè)效果的對(duì)比。實(shí)驗(yàn)表明，本文方法在目標(biāo)增強(qiáng)、背景抑制方面均優(yōu)于對(duì)比方法。