基于視覺對(duì)比度機(jī)制的紅外雙極性小目標(biāo)檢測(cè)方法

徐小東朱 慧郝 忻陳文亮王向軍?

(1.天津大學(xué)精密測(cè)試技術(shù)及儀器國(guó)家重點(diǎn)實(shí)驗(yàn)室，天津 300072；2.天津大學(xué)微光機(jī)電系統(tǒng)技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，天津 300072)

紅外小目標(biāo)檢測(cè)可應(yīng)用于工業(yè)、精確制導(dǎo)、預(yù)警等領(lǐng)域，是圖像處理領(lǐng)域的熱點(diǎn)問題之一[1]。一方面，由于目標(biāo)距離檢測(cè)系統(tǒng)遠(yuǎn)，其成像面積占比小、無具體紋理特征信息，易受像素級(jí)的高亮度噪聲和相似背景干擾；另一方面，由于防紅外材料的發(fā)展和復(fù)雜環(huán)境的干擾，一些小目標(biāo)通常呈現(xiàn)“雙極性”的特點(diǎn)，即目標(biāo)灰度高于或低于背景灰度，或部分高于而另一部分低于背景灰度。因此，紅外雙極性小目標(biāo)的準(zhǔn)確檢測(cè)仍是一個(gè)關(guān)鍵和具有挑戰(zhàn)性的課題，需要設(shè)計(jì)一種魯棒性強(qiáng)的算法來檢測(cè)該類目標(biāo)[2]。此外，工程應(yīng)用中需要較高的實(shí)時(shí)性，這也增加了檢測(cè)難度。

現(xiàn)有的紅外小目標(biāo)檢測(cè)方法一般可分為兩類:基于單幀和基于序列的檢測(cè)方法。序列檢測(cè)方法需要更多目標(biāo)和背景的先驗(yàn)信息，在實(shí)際應(yīng)用中難以獲得滿意的性能。此外，序列檢測(cè)的性能通常取決于單幀檢測(cè)的結(jié)果[3]。鑒于這些特性，本文從單幀檢測(cè)方向提出解決方法。傳統(tǒng)單幀檢測(cè)方法大多是基于濾波策略，如:頂帽變換(Top-Hat)[4]、最大均值/中值濾波器(Max-median/Max-median filter)[5]在假設(shè)背景一致性的前提下，抑制背景并增強(qiáng)目標(biāo)；小波變換[6]以及基于非負(fù)約束變分模態(tài)分解(NVMD)[7]等方法依據(jù)小目標(biāo)和背景的頻率差異分離出背景和目標(biāo)。該類方法優(yōu)點(diǎn)是檢測(cè)速率高，但只能在一定程度上檢測(cè)出很明顯的“雙極性”目標(biāo)，當(dāng)目標(biāo)的信雜比(SCR)較低時(shí)，檢測(cè)效果會(huì)很差。

除濾波方法外，稀疏表示方法也常用于小目標(biāo)檢測(cè)。如Gao等人[8]提出紅外圖像塊(IPI)模型，將目標(biāo)－背景分離問題轉(zhuǎn)化為低秩和稀疏矩陣分解的問題實(shí)現(xiàn)檢測(cè)。Zhang等人[9]提出一種非凸秩逼近最小化與加權(quán)L1范數(shù)的紅外弱小目標(biāo)檢測(cè)方法(NRAM)，可以很好地保留邊緣特征并抑制背景。該類算法檢測(cè)準(zhǔn)確率高，但需要計(jì)算多次矩陣的分解迭代過程，耗時(shí)嚴(yán)重，難以滿足工程需要。近幾年，深度學(xué)習(xí)也逐漸用于紅外小目標(biāo)檢測(cè)，但由于小目標(biāo)缺乏特征，一般的模型難以用于該方向，因此還有待研究[10]。

近年來，基于人類視覺對(duì)比度機(jī)制(Human Visual System，HVS)的仿生學(xué)理論具備較好的檢測(cè)性和實(shí)時(shí)性，引起了相關(guān)學(xué)者的廣泛關(guān)注。在紅外小目標(biāo)圖像中，小目標(biāo)的亮度相對(duì)鄰域存在較大差異，容易吸引人眼的視覺關(guān)注?；诖?，Chen等人[11]首次提出局部對(duì)比度測(cè)量方法(Local Contrast Measure，LCM)，Han等人[12]提出改進(jìn)的LCM(Improved Local Contrast Measure，ILCM)方法。后續(xù)有很多算法都基于此進(jìn)行改進(jìn)，但大多數(shù)算法都是依據(jù)“小目標(biāo)亮度強(qiáng)于背景”的前提而改進(jìn)，對(duì)于“雙極性”目標(biāo)并不具備檢測(cè)能力，以潘勝達(dá)等人[13]提出的算法(Double-layer Local Contrast Measure，DLCM)為代表。Wei等人[14]引入多尺度塊對(duì)比度測(cè)量方法(Multiscale patch-based contrast measure，MPCM)，可以同時(shí)檢測(cè)亮目標(biāo)和暗目標(biāo)，但對(duì)復(fù)雜場(chǎng)景不魯棒。后續(xù)有相關(guān)研究對(duì)此做出改進(jìn)，如Qiu等人[15]提出尺度自適應(yīng)的小目標(biāo)檢測(cè)方法。但相關(guān)方法無法有效抑制高亮度邊緣，且對(duì)于不同大小的目標(biāo)，該類算法需要使用不同大小的子窗進(jìn)行遍歷，實(shí)時(shí)性有待提升。

針對(duì)LCM算法在紅外小目標(biāo)呈現(xiàn)“雙極性”或多極性的情況下適應(yīng)能力不強(qiáng)的現(xiàn)象，本文在其基礎(chǔ)上進(jìn)行改進(jìn)，研究了一種新的檢測(cè)方法。通過中值濾波器預(yù)處理噪點(diǎn)后，采用雙層滑動(dòng)窗口結(jié)構(gòu)，單次遍歷圖像完成不同尺度的小目標(biāo)檢測(cè)任務(wù)，降低了算法的時(shí)間復(fù)雜度；通過計(jì)算雙層對(duì)角灰度差對(duì)比度的方法，在增強(qiáng)“雙極性”目標(biāo)的同時(shí)也能有效抑制背景和噪聲；最后，利用自適應(yīng)閾值分割的方法得到待檢測(cè)的目標(biāo)。經(jīng)實(shí)驗(yàn)驗(yàn)證，可以克服LCM算法不能同時(shí)檢測(cè)雙極性小目標(biāo)的不足，且降低了約40%的處理時(shí)長(zhǎng)。

1 LCM算法原理

在人類視覺系統(tǒng)中，對(duì)比度是最重要的度量之一[16]，LCM算法依據(jù)當(dāng)前尺度，采用滑動(dòng)窗口逐像素遍歷整幅圖像獲取顯著圖，窗口結(jié)構(gòu)如圖1所示。

圖1 滑動(dòng)窗口結(jié)構(gòu)

滑動(dòng)窗口將待檢測(cè)區(qū)域分為9個(gè)子窗，中心子窗T表示目標(biāo)區(qū)域，周圍B1～B8八個(gè)子窗表示背景區(qū)域，每個(gè)子窗的平均灰度值為mT，m1～m8，定義為式(1):

式中:s為子窗尺寸，Pix(x，y)為第i個(gè)子窗中坐標(biāo)(x，y)像素的灰度值。i＝T，1，2，…，8為子窗的序號(hào)。

為了描述目標(biāo)與背景之間的強(qiáng)度差，LCM算法定義了中心窗與背景子窗i的局部對(duì)比度，定義式(2):

式中:i＝1，2，…，8，L0為中心窗口灰度最大值。當(dāng)前像素相對(duì)其鄰域的局部對(duì)比度定義為式(3):

式中:(x，y)為中心子窗T的中心像素坐標(biāo)。當(dāng)該滑動(dòng)窗口在整幅圖像上遍歷一次后，得到當(dāng)前尺度下的局部對(duì)比度顯著圖。在其余尺度下重復(fù)計(jì)算后，取最大響應(yīng)值利用閾值分割即可提取出目標(biāo)。

從其計(jì)算過程可看出，該算法雖然可以檢測(cè)出“亮目標(biāo)”，但仍有以下三點(diǎn)不足:①該算法使用中心子窗中的最大灰度值與周圍背景作對(duì)比，當(dāng)圖像中存在高強(qiáng)度單像素噪聲時(shí)，會(huì)有一定程度的誤檢，且不能同時(shí)檢測(cè)雙極性目標(biāo)。②如圖2所示，當(dāng)場(chǎng)景中含有尖銳邊緣或灰度分布類似高斯形狀的干擾塊時(shí)，檢測(cè)的虛警率較高。③由于小目標(biāo)尺度未知，需分別使用尺度因子為3×3、6×6、9×9的滑動(dòng)子窗逐像素遍歷整幅圖像，將3個(gè)尺度下的最大響應(yīng)值當(dāng)做最終計(jì)算結(jié)果，時(shí)間復(fù)雜度高。

圖2 LCM算法處理效果

2 本文雙層滑動(dòng)窗口檢測(cè)算法

針對(duì)LCM算法的不足，首先采用中值濾波方法除掉圖像中孤立的高強(qiáng)度像素噪點(diǎn)；設(shè)計(jì)了一種新型雙層滑動(dòng)窗口結(jié)構(gòu)，以雙重對(duì)角灰度差作為當(dāng)前目標(biāo)塊與背景區(qū)域的對(duì)比度，并通過閾值分割得到檢測(cè)結(jié)果。整體流程如圖3。

圖3 本文算法流程

2.1 紅外雙極性小目標(biāo)成像特點(diǎn)分析

根據(jù)國(guó)際光學(xué)工程學(xué)會(huì)(SPIE)對(duì)紅外弱小目標(biāo)的定義，對(duì)于256×256的圖像，成像尺寸小于總像素?cái)?shù)的0.12%的目標(biāo)為小目標(biāo)[17]。LCM、DLCM算法的檢測(cè)前提是:小目標(biāo)灰度值高于鄰域背景區(qū)域的灰度值。但在實(shí)際應(yīng)用中，各國(guó)都相繼開發(fā)出了很多防紅外的材料[18]，導(dǎo)致該算法無法同時(shí)有效檢測(cè)出目標(biāo)。

由于“雙極性”小目標(biāo)的成像特性，會(huì)在像面中呈現(xiàn)中間高、四周低和中間低、四周高兩類完全相反的矛盾形狀，因此，不能使用匹配濾波器或是DOG(Difference of Gaussian)濾波器預(yù)處理圖像以提升目標(biāo)的信雜比。

其次，小目標(biāo)的灰度分布與周圍局部背景不同，背景除了邊緣外一般屬于連續(xù)區(qū)域，而噪點(diǎn)屬于隨機(jī)點(diǎn)，可采用中值濾波器預(yù)處理圖像，以降低高強(qiáng)度電子噪聲的影響。

2.2 雙重局部對(duì)比度的計(jì)算

針對(duì)LCM不能同時(shí)檢測(cè)雙極性小目標(biāo)和高時(shí)間復(fù)雜度的問題，本文研究了一種新的雙層滑動(dòng)窗口結(jié)構(gòu)，采用雙重對(duì)角灰度差的乘積代表當(dāng)前目標(biāo)圖像塊與周圍背景間的對(duì)比度，逐像素遍歷整幅圖像后，即可得到每個(gè)像素的局部對(duì)比度。雙層滑動(dòng)窗口結(jié)構(gòu)如圖4。

圖4 雙層滑動(dòng)窗口結(jié)構(gòu)

該滑動(dòng)窗口結(jié)構(gòu)相對(duì)原LCM算法增加了一層外側(cè)的8個(gè)子窗結(jié)構(gòu)，一共為17個(gè)子窗，每個(gè)窗口大小為n×n個(gè)像素。雖然小目標(biāo)尺寸未知，但其尺寸一般不超過9×9個(gè)像素，取n＝3。利用中心窗口T和內(nèi)層窗口IB1～I(xiàn)B8配合檢測(cè)小目標(biāo)，利用中心窗口T和外層窗口OB1～OB8配合檢測(cè)背景區(qū)域和大目標(biāo)，并融合進(jìn)對(duì)比度計(jì)算過程中以增強(qiáng)目標(biāo)和抑制背景信息。

基于紅外背景相似、分布連續(xù)的特點(diǎn)，“雙極性”目標(biāo)灰度相對(duì)周圍區(qū)域有明顯的對(duì)比度差異。在計(jì)算局部對(duì)比度部分，采用內(nèi)層、外層雙重對(duì)比度聯(lián)合方式計(jì)算當(dāng)前像素對(duì)應(yīng)的圖像塊相對(duì)周圍背景的對(duì)比度。

中心窗口T和內(nèi)層窗口IB1～I(xiàn)B8之間的灰度差d(T，IBi)用于檢測(cè)小目標(biāo)，定義為式(4):

式中:mT代表中心窗口T內(nèi)的灰度均值，mIBi代表內(nèi)層窗口IBi內(nèi)的灰度均值。

為了增強(qiáng)雙極性小目標(biāo)、抑制背景，以對(duì)角灰度差形式計(jì)算中心窗口和內(nèi)層窗口之間的對(duì)比度DI，定義為式(5):

同時(shí)為了檢測(cè)并增強(qiáng)不同尺度的小目標(biāo)，引入中心窗口和外層窗口之間的對(duì)比度DO，定義為式(6):

式中:d(T，OBi)表示中心窗口與外層窗口之間的灰度差；mOBi代表外層窗口OBi內(nèi)的灰度均值。

構(gòu)建雙重局部對(duì)比度OLCM為式(7):

七氟烷具有麻醉誘導(dǎo)快、對(duì)循環(huán)影響小、術(shù)后蘇醒快等諸多優(yōu)勢(shì)，是外科全麻手術(shù)過程中一種重要的吸入型麻醉藥物[7]。王建平等[8]研究證實(shí)，對(duì)大鼠采用七氟烷處理，可以明顯減少炎癥反應(yīng)。此外，在進(jìn)行Ivor-Lewis手術(shù)的過程中實(shí)施七氟烷麻醉，可以有效減少CRP、IL-6等炎癥介質(zhì)生成[9]。然而，現(xiàn)階段臨床上對(duì)七氟烷是否有助于減輕腹腔鏡子宮肌瘤手術(shù)患者的炎癥反應(yīng)尚未明確[10]。

由于小目標(biāo)相對(duì)背景常表現(xiàn)為中心突出、背景平緩的特點(diǎn)，當(dāng)滑動(dòng)窗口遍歷目標(biāo)和背景干擾物時(shí)會(huì)表現(xiàn)出不同的結(jié)果。

①對(duì)于雙極性小目標(biāo)，中心窗口與內(nèi)、外層窗口計(jì)算得到的DI、DO顯著大于零，得到的雙重對(duì)比度OLCM能進(jìn)一步增強(qiáng)目標(biāo)。

②對(duì)于尺寸稍大的雙極性小目標(biāo)，DI稍大于零，但是DO顯著大于零，得到的雙重對(duì)比度OLCM也能進(jìn)一步增強(qiáng)目標(biāo)，即可檢測(cè)出不同尺度的小目標(biāo)。

③對(duì)于尖銳的邊緣背景，由于其通常為單邊對(duì)稱形態(tài)，DI的計(jì)算結(jié)果小于零，導(dǎo)致最終的雙重對(duì)比度數(shù)值為負(fù)數(shù)，從而可與目標(biāo)做區(qū)分。

2.3 閾值分割自適應(yīng)提取目標(biāo)

經(jīng)過前面兩部分計(jì)算后，在得到的顯著圖中，目標(biāo)所在區(qū)域的對(duì)比度將是最大值，在圖中為一個(gè)尖峰；由于還存在背景等的干擾，顯著圖中會(huì)存在干擾尖峰，如圖5所示。

為了方便、快捷的提取出待檢測(cè)目標(biāo)，本文選用的自適應(yīng)分割閾值T表達(dá)式為式(8):

式中:μ為顯著圖的均值；δ為顯著圖的標(biāo)準(zhǔn)差；K通常取經(jīng)驗(yàn)值3～5，為檢測(cè)多個(gè)目標(biāo)，K值可適當(dāng)降低。

利用本文算法處理第三節(jié)中的六個(gè)序列，處理過程如圖5所示。輸入圖像中，雙極性小目標(biāo)通常呈現(xiàn)低亮度特性，背景中常有高亮噪聲、邊緣像素的干擾。先引入中值濾波器預(yù)處理圖像，降低高強(qiáng)度噪點(diǎn)的影響，平滑過渡邊界；然后通過本文滑動(dòng)窗口逐像素遍歷圖像，計(jì)算雙重對(duì)角灰度差之積表示整幅圖像的局部對(duì)比度顯著圖，可以起到抑制背景并增強(qiáng)目標(biāo)的作用。

圖5(a)、5(b)顯示了本文算法利用該特殊窗口結(jié)構(gòu)可以在單次遍歷圖像后，即可檢測(cè)出尺寸分別為3×3、9×9的小目標(biāo)，提升了算法的檢測(cè)效率。圖5(c)為海天交接的背景，從局部對(duì)比度顯著圖中可以看出邊界處的對(duì)比度基本在0附近，算法可以很好抑制邊界背景。圖5(d)含有高亮度噪點(diǎn)和地面復(fù)雜背景，經(jīng)過雙重對(duì)比度計(jì)算后，可以抑制相關(guān)干擾物的影響。圖5(e)為天空背景下的雙目標(biāo)圖像，從得到的顯著圖中可以提取出兩個(gè)目標(biāo)的位置。

圖5 本文算法檢測(cè)過程示意圖

3 實(shí)驗(yàn)結(jié)果及分析

為了檢驗(yàn)本文方法的性能，采用處理器為Inter(R)Core(TM)i7－8750H CPU＠2.20GHz的計(jì)算機(jī)作為測(cè)試平臺(tái)，編程環(huán)境為MATLAB R2018a。選用六個(gè)不同場(chǎng)景下的紅外圖像基準(zhǔn)序列作為測(cè)試樣本數(shù)據(jù)集，分別表示為:Sequence1～Sequence6。表1為六組視頻序列的具體信息。

表1 六組視頻序列的信息

序列1表示天空中信雜比低的情況下的亮目標(biāo)；序列2表示有尖銳邊緣、相似背景結(jié)構(gòu)的復(fù)雜天空干擾下的亮目標(biāo)；序列3表示復(fù)雜地面環(huán)境干擾下的亮目標(biāo)；序列4表示復(fù)雜地面環(huán)境下的暗目標(biāo)。

序列5表示海面背景下的暗目標(biāo)；序列6表示天空背景下前半部分為暗目標(biāo)，后半部分為亮目標(biāo)的特殊拍攝序列。且上述每個(gè)序列中都存在小目標(biāo)尺寸變化的情況。

3.1 多算法對(duì)比測(cè)試

本文選用6種典型算法進(jìn)行比較。其中，Top-hat算法是基于傳統(tǒng)空域?yàn)V波的代表算法；LCM、MPCM是基于視覺對(duì)比度機(jī)制(HVS)的經(jīng)典算法，RLCM、DLCM是近期基于HVS類的代表算法。IPI是基于稀疏表示方向中可以同時(shí)檢測(cè)雙極性目標(biāo)的方法。

從圖6可知，在復(fù)雜天空、地面、海面背景下，Top-hat、LCM、RLCM、DLCM只能處理“亮目標(biāo)”，處理后的圖像仍含有一定的雜波?；谝曈X對(duì)比度的算法:LCM、RLCM處理后的圖像存在“塊效應(yīng)”；Top-hat算法相對(duì)抑制背景雜波的效果較好；基于稀疏表示的IPI算法可以檢測(cè)雙極性目標(biāo)，但抑制背景的性能較差，易受背景噪聲影響，且耗時(shí)嚴(yán)重，如Seq6圖像過大，致使程序崩潰無法得出檢測(cè)結(jié)果；MPCM算法雖然可同時(shí)檢測(cè)兩類目標(biāo)，但是不能很好處理相似背景等干擾物；由于本文方法采用了雙重對(duì)比度計(jì)算方式，可以有效抑制背景并同時(shí)檢測(cè)出雙極性小目標(biāo)，在測(cè)試集中取得了較好的檢測(cè)效果。整體來看，本文算法可以在未知目標(biāo)相對(duì)背景亮度的前提下，檢測(cè)出“雙極性”小目標(biāo)。

圖6 算法對(duì)比測(cè)試結(jié)果

3.2 指標(biāo)定量評(píng)價(jià)與分析

為了定量評(píng)價(jià)算法性能，引入信雜比增益(Signal to Clutter Ratio Gain，SCRG)、背景抑制因子(Background Suppression Factor，BSF)，正確檢測(cè)概率(Probability of Detection，Pd)、虛警率(False Alarm Ratio，F(xiàn)a PR)作為評(píng)價(jià)指標(biāo)[14]。

信雜比增益SCRG定義為式(9):

式中:SCRIn和SCROut分別表示原圖和處理后的圖像的信雜比，定義為式(10):

式中:μT表示目標(biāo)的平均灰度值；μB表示背景的平均灰度值；σB表示背景的灰度標(biāo)準(zhǔn)差。

背景抑制因子BSF定義為式(11):

式中:σIn、σOut分別表示輸入及輸出圖像中背景的灰度標(biāo)準(zhǔn)差。

SCRG的值越大，表示算法增強(qiáng)目標(biāo)對(duì)比度的性能越好；BSF的值越大，表示算法抑制背景干擾的效果越好。統(tǒng)計(jì)結(jié)果如表2所示。

表2 六組測(cè)試序列下不同算法的SCRG/BSF值

對(duì)于信雜比很低的目標(biāo)(Seq1)而言，目標(biāo)亮度弱，Top-hat和基于HVS算法的增強(qiáng)效果要弱于基于稀疏表示的算法；但對(duì)于有尖銳邊緣、相似圖像塊干擾的背景而言(Seq2、3)，基于HVS的增強(qiáng)效果要強(qiáng)于另外兩類算法。LCM算法處理后的圖像存在“塊效應(yīng)”，會(huì)把相鄰背景誤認(rèn)為是目標(biāo)，抑制背景效果較弱。

IPI算法雖可以檢測(cè)雙極性目標(biāo)，但是無法處理大圖，且增強(qiáng)效果弱于HVS類。本文算法基于LCM改進(jìn)，更易于檢測(cè)出目標(biāo)，相對(duì)LCM、MPCM算法的SCRG平均提高了12.6倍，BSF平均提高了3.7倍，且可以克服LCM、DLCM算法不能同時(shí)檢測(cè)兩類目標(biāo)的缺點(diǎn)，顯著增強(qiáng)雙極性目標(biāo)相對(duì)背景的對(duì)比度。

正確檢測(cè)概率Pd和虛警率FaPR分別定義為式(12)、式(13):

為了更直觀地比較所用算法性能，引入接受者操作特征(Receiver Operating Characteristic，ROC)曲線指標(biāo)，以虛警率FaPR為橫坐標(biāo)，正確檢測(cè)概率Pd為縱坐標(biāo)繪圖，曲線越靠近左上方，Pd值越大、FaPR越小，表示算法實(shí)際檢測(cè)性能越好。

統(tǒng)計(jì)結(jié)果如圖7所示，對(duì)于所給的六個(gè)序列，Top-hat的正確檢測(cè)概率普遍低于其余算法。IPI算法可以檢測(cè)雙極性目標(biāo)，但性能相對(duì)HVS類的算法低10%。在相同的虛警率情況下，本文算法的正確檢測(cè)概率基本是最大的，在“亮目標(biāo)”序列中，本文算法性能幾乎與DLCM算法相同，優(yōu)于其余五種算法，可以很好抑制序列Seq2、3的背景干擾；但在“暗目標(biāo)”序列中，本文算法的正確檢測(cè)概率要優(yōu)于IPI和MPCM算法。

圖7 不同圖像序列下的算法ROC曲線

最后，測(cè)試本文算法的實(shí)時(shí)性。將上述算法處理單個(gè)序列時(shí)的平均單幀時(shí)長(zhǎng)作為該序列的處理時(shí)間，如圖8所示。Top-hat算法處理時(shí)間最短，但效果也最差；基于稀疏表示的IPI算法需要大量矩陣運(yùn)算，實(shí)時(shí)性最差；基于HVS類算法的處理時(shí)長(zhǎng)介于二者之間，本文算法的實(shí)時(shí)性優(yōu)于其余四種基于HVS的算法，平均耗時(shí)僅為L(zhǎng)CM、DLCM算法的60%，且相對(duì)“雙極性”小目標(biāo)有更好的魯棒性，說明本文算法針對(duì)該應(yīng)用背景具有更好的檢測(cè)性能。

圖8 不同圖像序列下的算法平均用時(shí)(s/frame)

4 總結(jié)

針對(duì)檢測(cè)紅外“雙極性”小目標(biāo)的需求，本文在LCM算法基礎(chǔ)上研究了一種基于雙層滑動(dòng)窗口結(jié)構(gòu)的檢測(cè)算法。利用中值濾波器預(yù)處理圖像后，采用雙重對(duì)角灰度差的乘積表示當(dāng)前目標(biāo)圖塊與周圍背景圖塊之間的對(duì)比度，可有效抑制尖銳邊緣像素和相似背景的干擾。此外，該窗口結(jié)構(gòu)單次遍歷圖像即可解決多尺度小目標(biāo)檢測(cè)問題。在不同場(chǎng)景下的實(shí)驗(yàn)結(jié)果表明，本算法可克服LCM、DLCM、RLCM算法不能同時(shí)檢測(cè)雙極性小目標(biāo)的不足，且檢測(cè)效果優(yōu)于上述及IPI、Top-hat算法。在檢測(cè)亮目標(biāo)時(shí)，相對(duì)LCM、DLCM降低了40%的處理時(shí)長(zhǎng)，在相同虛警率下，正確檢測(cè)概率平均高于LCM算法12.4%；在檢測(cè)暗目標(biāo)時(shí)，相對(duì)MPCM算法降低了40%的處理時(shí)長(zhǎng)，在相同虛警率下，本算法正確檢測(cè)概率平均高于MPCM算法17.6%。