一種實(shí)用的空地紅外時(shí)敏弱小目標(biāo)檢測(cè)方法

劉 闖， 楊小岡， 盧瑞濤， 常振良

(火箭軍工程大學(xué)，西安 710000)

0 引言

目前，紅外成像制導(dǎo)武器是現(xiàn)代化戰(zhàn)爭(zhēng)的主要武器之一。紅外熱成像檢測(cè)技術(shù)主要具有被動(dòng)圖像識(shí)別、隱蔽性能好、質(zhì)量輕、體積小、分辨率高、距離遠(yuǎn)、可以同時(shí)實(shí)現(xiàn)全天候檢測(cè)工作等7大特點(diǎn)，是一種理想的成像檢測(cè)手段，因而倍受軍事專家青睞。其中，紅外時(shí)敏弱小目標(biāo)檢測(cè)作為紅外制導(dǎo)武器中的一項(xiàng)關(guān)鍵技術(shù)，不僅能夠通過檢測(cè)信息對(duì)制導(dǎo)武器進(jìn)行姿態(tài)修正，更能為下一步的目標(biāo)識(shí)別奠定基礎(chǔ)。但是，當(dāng)面對(duì)復(fù)雜空地背景下的紅外時(shí)敏弱小目標(biāo)時(shí)，由于其成像信噪比低、目標(biāo)成像邊緣模糊、信號(hào)低弱、缺少物體特征信息、成像波動(dòng)范圍小、背景復(fù)雜、動(dòng)態(tài)變化大等主要特點(diǎn)，紅外時(shí)敏弱小目標(biāo)檢測(cè)技術(shù)仍然被廣泛認(rèn)為是一個(gè)極富學(xué)術(shù)挑戰(zhàn)性的檢測(cè)技術(shù)應(yīng)用研究課題[1-3]。

在過去幾十年里，紅外弱小目標(biāo)檢測(cè)技術(shù)發(fā)展迅速,在該技術(shù)領(lǐng)域先后有許多檢測(cè)方法被提出，一般大致可分為單幀檢測(cè)算法和多幀檢測(cè)算法。單幀檢測(cè)方法有空間域中基于濾波的檢測(cè)方法，例如中值濾波、均值濾波、高通濾波、形態(tài)學(xué)濾波及各自的改進(jìn)方法，能夠?qū)μ囟ǖ脑肼暺鸬捷^好的抑制效果，但也都有各自的技術(shù)局限性。均值濾波對(duì)服從高斯分布噪聲的濾波效果比較好，然而對(duì)椒鹽噪聲等脈沖噪聲的濾波效果比較差；與此相反，中值濾波器雖然能更好地消除椒鹽噪聲，但在高斯噪聲下的效果欠佳；高通濾波器雖然能夠有效地對(duì)背景進(jìn)行抑制，但也容易受到噪聲干擾而無(wú)法檢測(cè)出真實(shí)目標(biāo)[4]，進(jìn)而給后續(xù)的處理造成不利影響。然而，在實(shí)際情況中，圖像中往往混雜著不同類型的噪聲，由此可見，直接使用空域?yàn)V波方法存在一定的技術(shù)局限性[5-9]。

基于局部對(duì)比度的方法，在紅外弱小目標(biāo)中最顯著的特征是其亮光中心區(qū)域與暗光周圍區(qū)域之間存在顯著對(duì)比，中心區(qū)域往往有更高的灰度級(jí)分布，但當(dāng)面對(duì)復(fù)雜背景時(shí)，其背景雜波具有很強(qiáng)的邊緣性特征，它們?cè)诰植啃^(qū)域的方向?qū)?shù)往往更平坦和穩(wěn)定，CHEN等[10]針對(duì)紅外弱小目標(biāo)圖像局部差異的特點(diǎn)，利用弱小目標(biāo)與其相鄰區(qū)域的差異進(jìn)行對(duì)比度測(cè)量，但該方法存在計(jì)算時(shí)間長(zhǎng)和“擴(kuò)張”效應(yīng)等局限性。WEI等[11]從人類視覺機(jī)制出發(fā)，提出用補(bǔ)丁差異來(lái)定義局部對(duì)比度從而抑制背景和增強(qiáng)目標(biāo)(Multiscale Patch-based Contrast Measure，MPCM)，然后使用簡(jiǎn)單的閾值分割提取小目標(biāo)，但該方法只利用了紅外圖像的一階信息，當(dāng)面對(duì)復(fù)雜背景時(shí)誤檢率較高。上述文獻(xiàn)通過局部對(duì)比度方法對(duì)紅外弱小目標(biāo)圖像進(jìn)行背景抑制和目標(biāo)增強(qiáng)，僅在信噪比較高的圖像中檢測(cè)效果較好，而在背景復(fù)雜且信噪比低的圖像中檢測(cè)效果卻不盡人意。

基于矩陣分解的方法，其出發(fā)點(diǎn)與基于局部對(duì)比度方法的出發(fā)點(diǎn)相似，在紅外弱小目標(biāo)圖像中，弱小目標(biāo)相對(duì)于整個(gè)圖像來(lái)說(shuō)是突兀的，即具有稀疏性，而背景圖像是普遍相似的，即具有低秩性?；诖?，GAO等[12]提出了紅外塊圖像(Infrared Patch-Image,IPI)模型，假設(shè)背景圖像與目標(biāo)圖像分別滿足低秩特性與稀疏特性，從而可以將紅外小目標(biāo)檢測(cè)轉(zhuǎn)化為一個(gè)低秩矩陣和稀疏矩陣的恢復(fù)問題。為了更準(zhǔn)確地估計(jì)背景和更有效地檢測(cè)目標(biāo)，DAI等[13]將結(jié)構(gòu)先驗(yàn)信息納入紅外小目標(biāo)和背景分離過程中，為目標(biāo)貼片圖像的每列分配自適應(yīng)權(quán)重，將所提出的WIPI(Weighted Infrared Patch-Image)模型轉(zhuǎn)換為列加權(quán)魯棒主成分分析問題。

本文提出了一種實(shí)用的空地紅外時(shí)敏弱小目標(biāo)檢測(cè)方法，首先，對(duì)紅外時(shí)敏弱小目標(biāo)圖像進(jìn)行預(yù)處理，采用快速自適應(yīng)雙邊濾波平滑紅外時(shí)敏弱小目標(biāo)圖像的邊緣信息，剔除噪聲干擾；然后，對(duì)預(yù)處理的圖像進(jìn)行高通濾波，抑制背景；其次，根據(jù)梯度特征，采用多步八向梯度法進(jìn)一步剔除高頻的背景信息；最后，進(jìn)行自適應(yīng)閾值分割提取弱小目標(biāo)。本文方法對(duì)空地背景下的紅外時(shí)敏弱小目標(biāo)檢測(cè)具有較好的魯棒性和檢測(cè)性能。

1 紅外圖像預(yù)處理

1.1 基于自適應(yīng)雙邊濾波的去噪算法

快速自適應(yīng)雙邊濾波算法相較于傳統(tǒng)雙邊濾波算法來(lái)說(shuō)，既能較好地保持圖像的細(xì)節(jié)信息，如起到保持邊緣、平滑噪聲的效果，還能進(jìn)一步提高算法的運(yùn)行效率。

傳統(tǒng)雙邊濾波(Bilateral Filter，BF)是一種基于圖像像素點(diǎn)鄰居系數(shù)和灰度值相近度的處理算法，其具有像素范圍域和空間域兩個(gè)權(quán)重概念[14]，可表示為

(1)

式中：g(i,j)為原圖像素點(diǎn)經(jīng)BF處理后新的灰度值；R(i,j)為以點(diǎn)(i,j)為中心的灰度取值范圍；f(k,l)為原圖像某一點(diǎn)的灰度值；q(i,j,k,l)為使用疊加的高斯函數(shù)計(jì)算出的新灰度值。q(i,j,k,l)的推導(dǎo)過程如下

(2)

(3)

q(i,j,k,l)=qd×qr

(4)

式中：qd和qr分別是雙邊濾波中用于衡量像素幾何空間以及灰度空間中樣本距離的參數(shù)；σd和σr分別為圖像在幾何空間以及灰度空間下的標(biāo)準(zhǔn)差系數(shù)。

BF算法依賴于空間幾何因子標(biāo)準(zhǔn)差和像素值分布因子標(biāo)準(zhǔn)差的選擇，憑借經(jīng)驗(yàn)預(yù)先設(shè)定參數(shù)值，不具備通用性，使算法的效率降低。針對(duì)BF算法參數(shù)選擇不合理的問題，采用快速自適應(yīng)雙邊濾波(Fast Adaptive Bilateral Filtering,FABF)算法[15]，實(shí)現(xiàn)空間參數(shù)和像素值分布參數(shù)的自適應(yīng)設(shè)置。圖1展示了紅外時(shí)敏弱小目標(biāo)圖像分別經(jīng)過BF和FABF算法濾波后的結(jié)果對(duì)比。表1給出了圖像經(jīng)過FABF處理后的峰值信噪比(PSNR)，發(fā)現(xiàn)PSNR值有明顯的提高。

圖1 紅外圖像濾波結(jié)果對(duì)比Fig.1 Results of infrared image filtering

表1 峰值信噪比

1.2 基于高通濾波的背景抑制算法

紅外圖像具有明顯特點(diǎn)，從圖1中可以看到背景區(qū)域灰度在很大程度上變化非常緩慢且與其他區(qū)域之間存在一定的相關(guān)性，屬于紅外圖像的低頻組成部分。時(shí)敏弱小目標(biāo)在紅外圖像上呈現(xiàn)為高亮區(qū)域，其在局部區(qū)域內(nèi)灰度會(huì)出現(xiàn)明顯突變，屬于紅外圖像中的高頻組成部分。根據(jù)紅外時(shí)敏弱小目標(biāo)的成像特點(diǎn)，采用高通濾波對(duì)低頻分量進(jìn)行抑制，保留高頻分量，將背景雜波對(duì)圖像檢測(cè)結(jié)果的影響降到足夠低，使目標(biāo)和高頻的背景信息突顯出來(lái)。紅外圖像背景抑制結(jié)果如圖2所示。

對(duì)數(shù)字圖像進(jìn)行高通濾波的算式一般可以表示為

g(x,y)=f(x,y)*h(x,y)

(5)

圖2 紅外圖像背景抑制結(jié)果Fig.2 Infrared image background suppression results

由圖2可以清楚地看出，經(jīng)過模板矩陣H高通濾波后，圖像背景抑制效果良好，能夠抑制絕大部分的噪聲，但是馬路和建筑的邊緣不能有效濾除。

2 紅外時(shí)敏弱小目標(biāo)檢測(cè)方法

2.1 多方向梯度特征分析

在紅外時(shí)敏弱小目標(biāo)檢測(cè)技術(shù)中,由于紅外時(shí)敏弱小目標(biāo)的強(qiáng)度比較小,目標(biāo)與周圍背景之間存在著灰度差異,目標(biāo)在其中的局部區(qū)域內(nèi)就相當(dāng)于一個(gè)奇異點(diǎn),在各個(gè)方向都具有較大的灰度梯度。紅外圖像通過高通濾波器之后,雖然背景的邊緣特征也進(jìn)行了增強(qiáng)和提取,但背景的邊緣特征只是在某個(gè)方向上才會(huì)具有較強(qiáng)的梯度,并不像時(shí)敏弱小目標(biāo)那樣在各個(gè)方向上都具有較強(qiáng)的邊緣特征。所以，本文根據(jù)目標(biāo)和背景在梯度方向上的差異性，利用八方向梯度的方法對(duì)紅外時(shí)敏弱小目標(biāo)進(jìn)一步提取，并對(duì)背景雜波進(jìn)一步弱化。圖3、圖4分別表示紅外時(shí)敏弱小目標(biāo)及其邊緣背景的梯度方向特征和灰度三維圖。

圖3 紅外時(shí)敏弱小目標(biāo)的梯度方向特征及其灰度三維圖

圖4 紅外圖像邊緣背景的梯度方向特征及其灰度三維圖

圖5為八方向梯度示意圖，圖中，箭頭方向表示梯度減小方向。

圖5 八方向梯度示意圖Fig.5 Schematic diagram of eight-direction gradient

由圖5可知，梯度作為向量表示函數(shù)在特定一點(diǎn)處的方向?qū)?shù)沿著該方向運(yùn)動(dòng)并取得最大值，設(shè)任意一點(diǎn)像素為h(i,j)，則該點(diǎn)在任一方向上的梯度可表示為

(6)

h(u,v)沿某一方向的梯度的模表示為

(7)

對(duì)于所處理的紅外圖像，?h/?u和?h/?v的計(jì)算采用近似差分的方法，所以八方向梯度可近似地表示為

(8)

式中，n為步長(zhǎng)，其數(shù)值由待檢測(cè)時(shí)敏弱小目標(biāo)的大小決定，n越大，耗時(shí)越久。在實(shí)驗(yàn)數(shù)據(jù)集內(nèi)，目標(biāo)大小為3×3至6×6像素之間，所以n≥2。

2.2 自適應(yīng)閾值分割

利用一種簡(jiǎn)單的自適應(yīng)閾值分割算法，對(duì)多步八向梯度檢測(cè)圖中時(shí)敏弱小目標(biāo)進(jìn)行有效分割，閾值T可以表示為

T=μ+k×σ

(9)

式中：μ和σ分別為圖像灰度的均值和標(biāo)準(zhǔn)差；k為常數(shù)。從式(9)中可以看出，如果閾值T太高，則很有可能將灰度值小于閾值T的弱小目標(biāo)作為非目標(biāo)點(diǎn)處理掉，從而直接造成檢測(cè)效果大幅下降。相反，若閾值選擇過低，則可能會(huì)把某些強(qiáng)噪聲點(diǎn)確認(rèn)為目標(biāo)點(diǎn)，這樣就會(huì)使得檢測(cè)的虛警率上升，根據(jù)實(shí)際經(jīng)驗(yàn)值，k一般設(shè)置為0.4～0.8時(shí)檢測(cè)效果較好。

2.3 算法流程

本文針對(duì)空地背景下的紅外時(shí)敏弱小目標(biāo)圖像檢測(cè)算法的處理流程如圖6所示。

圖6 紅外時(shí)敏弱小目標(biāo)圖像檢測(cè)算法流程圖Fig.6 Flow chart of infrared time-sensitive weak and small target detection algorithm

檢測(cè)過程如下所述。

輸入：?jiǎn)螏t外時(shí)敏弱小目標(biāo)圖像I。

1) 快速自適應(yīng)雙邊濾波g(i,j)=FABF(I)

2) 高通濾波A(i,j)=H×g(i,j)

3) 八向多步梯度弱小目標(biāo)檢測(cè)c=1,b=0,n=2

如果▽ch(u,v)≤0

c=c+1,b=b+1

如果b≤7則重復(fù)步驟3)

否則

c=c+1，b=0并重復(fù)步驟3)

終止：如果b≥7則認(rèn)為該點(diǎn)是一個(gè)目標(biāo)點(diǎn)

4) 自適應(yīng)閾值分割T=μ+k×σ

輸出：紅外時(shí)敏弱小目標(biāo)。

3 實(shí)驗(yàn)結(jié)果分析

為了驗(yàn)證本文算法的性能，本章給出了包含時(shí)敏弱小目標(biāo)的真實(shí)紅外圖像的仿真結(jié)果。在Windows10 Matlab 2020b環(huán)境下，分別應(yīng)用本文算法以及TopHat，ILCM， RLCM， MFD-GDD[16]，PSTNN[17]和I P I[12]算法進(jìn)行紅外時(shí)敏弱小目標(biāo)檢測(cè)。表2介紹了實(shí)驗(yàn)數(shù)據(jù)的詳細(xì)信息，圖7給出了6個(gè)真實(shí)紅外圖像序列在各算法下的處理結(jié)果，其中，每個(gè)序列從左到右、從上到下分別是原圖，TopHat,ILCM,RLCM,MFD-GDD,PSTNN,IPI和本文算法。

為了進(jìn)一步證明本文算法與其他6種算法相比的優(yōu)越性能，更清晰地定量描述檢測(cè)率與虛警率之間的動(dòng)態(tài)關(guān)系，通過設(shè)置不同的閾值門限T，為每一個(gè)序列分別繪制出相應(yīng)的接收機(jī)操作特性曲線(ROC)，如圖8所示，其描述了真陽(yáng)性和假陽(yáng)性之間的相對(duì)關(guān)系。分別定義檢測(cè)率Fd和虛警率Fa為

(10)

(11)

理想情況是Fd有一個(gè)很大的值，而Fa有一個(gè)很小的值。一般來(lái)說(shuō)，圖8中的左上方曲線(Fd較高，F(xiàn)a較低，或兩者兼而有之)更好。由圖8可以看出，本文算法相較于對(duì)比算法有著更好的檢測(cè)精度和更低的虛警率。

表2 實(shí)驗(yàn)仿真序列圖像描述

圖7 真實(shí)紅外圖像序列在各算法下的檢測(cè)結(jié)果對(duì)比Fig.7 Comparison of detection results of real infrared image sequences under various algorithms

圖8 不同算法的ROC曲線Fig.8 ROC curves of different algorithms

4 總結(jié)

本文針對(duì)復(fù)雜空地背景，提出了一種實(shí)用的空地紅外時(shí)敏弱小目標(biāo)檢測(cè)方法。采用快速自適應(yīng)雙邊濾波(FABF)對(duì)紅外圖像進(jìn)行預(yù)處理，平滑紅外圖像的邊緣信息，消除噪聲干擾;利用高通濾波器抑制紅外圖像背景;采用多步八向梯度法進(jìn)一步消除高頻背景信息;進(jìn)行自適應(yīng)閾值分割，提取時(shí)敏弱小目標(biāo)。實(shí)驗(yàn)結(jié)果表明，該方法對(duì)復(fù)雜空地背景下的紅外時(shí)敏弱小目標(biāo)檢測(cè)具有較好的性能。然而，該算法存在局限性，因?yàn)槭橇魉€式的結(jié)構(gòu)，所以實(shí)時(shí)性不好，這一點(diǎn)將在今后的工作中做進(jìn)一步優(yōu)化。