陳金銘

(河南平寶煤業(yè)有限公司 許昌 461700)

?

基于掃描型紅外圖像的弱小目標(biāo)檢測(cè)*

陳金銘

(河南平寶煤業(yè)有限公司 許昌 461700)

針對(duì)掃描型紅外圖像中檢測(cè)弱小目標(biāo)的問題,論文提出了基于Sobel邊緣檢測(cè)的單幀檢測(cè)算法來消除掃描圖像的水平條紋噪聲,采用孤立度分析進(jìn)行背景抑制,實(shí)驗(yàn)結(jié)果表明,該算法的背景抑制效果明顯,與自適應(yīng)閾值算法結(jié)合后的單幀目標(biāo)檢測(cè)取得了滿意的檢測(cè)效果。

圖像處理; 目標(biāo)探測(cè); 弱小目標(biāo); Sobel

Class Number TN911.73

1 引言

對(duì)復(fù)雜場(chǎng)景下的紅外弱小目標(biāo)探測(cè)識(shí)別技術(shù)一直是監(jiān)視和告警技術(shù)的重要組成部分。當(dāng)目標(biāo)距離較遠(yuǎn)時(shí),目標(biāo)在光學(xué)系統(tǒng)中所成的像是小目標(biāo)(點(diǎn)和斑點(diǎn)目標(biāo))形態(tài),而且目標(biāo)的對(duì)比度比較低。小目標(biāo)一般是指在像面(探測(cè)器)上所成的像只占一到幾個(gè)像元的目標(biāo)。小目標(biāo)與面目標(biāo)相比,由于成像面積小、信號(hào)弱、信噪比低、背景復(fù)雜、具有一定的運(yùn)動(dòng)性,所以檢測(cè)識(shí)別小目標(biāo)成為當(dāng)前一個(gè)既熱門又困難的課題。

目前,單幀紅外圖像目標(biāo)檢測(cè)的檢測(cè)步驟一般是先進(jìn)行預(yù)處理,然后進(jìn)行目標(biāo)閾值檢測(cè)。預(yù)處理一般是利用一些濾波器,對(duì)圖像背景分量進(jìn)行估計(jì),同時(shí)去除或減少圖像中的噪聲和雜波,以提高傳給主處理器的圖像的質(zhì)量和信噪比。常用的紅外弱小目標(biāo)的檢測(cè)算法有小波變換、分形、數(shù)學(xué)形態(tài)學(xué)、神經(jīng)網(wǎng)絡(luò)等算法。由于很多情況下,噪聲干擾比較突出,分割出的圖像往往不僅有目標(biāo)點(diǎn),還包含背景和噪聲,虛警率高。因此提高目標(biāo)的檢測(cè)概率,降低虛警率是弱小目標(biāo)檢測(cè)算法的關(guān)鍵。本文提出了一種基于Sobel邊緣檢測(cè)消除掃描圖像的橫條紋、用孤立度分析進(jìn)行背景抑制的紅外弱小目標(biāo)檢測(cè)算法,結(jié)果表明,算法能夠較好地抑制背景,取得了滿意的檢測(cè)效果。

2 紅外小目標(biāo)圖像場(chǎng)景模型

紅外小目標(biāo)圖像可以用以下的模型描述:

f(m,n)=T(m,n)+B(m,n)+N(m,n)

(1)

式中f(m,n)為場(chǎng)景圖像;T(m,n)為目標(biāo)點(diǎn)灰度;B(m,n)為背景圖像;N(m,n)為噪聲圖像。

目標(biāo)點(diǎn)灰度T(m,n)通常比背景要亮,但其灰度與一些強(qiáng)噪聲點(diǎn)相差不大。背景圖像B(m,n)通常具有較長(zhǎng)的相關(guān)長(zhǎng)度,占據(jù)了場(chǎng)景圖像f(m,n)空間頻率的低頻部分。同時(shí),由于場(chǎng)景和傳感器內(nèi)部熱分布的不均勻性,背景圖像B(m,n)一般是一個(gè)非平穩(wěn)過程,圖像中局部灰度值可能有較大的變化。B(m,n)中也包含部分高頻分量,主要分布在背景圖像各個(gè)同質(zhì)區(qū)的邊緣處。噪聲圖像N(m,n)主要是探測(cè)器的內(nèi)部噪聲和外部噪聲,與背景像素不相關(guān),空間分布是隨機(jī)的,沒有幀間相關(guān)性。

3 圖像預(yù)處理

單幀紅外圖像預(yù)處理的目的就是對(duì)原始圖像進(jìn)行數(shù)字圖像濾波,抑制原始圖像中的低頻部分的強(qiáng)背景雜波干擾,提高圖像的信噪比。

3.1 背景抑制

在紅外探測(cè)系統(tǒng)中,可分為掃描型探測(cè)器和凝視型探測(cè)器。紅外掃描探測(cè)器一般都是平行掃描系統(tǒng)。有限的傳感元垂直方向羅列,水平掃描,獲得一行圖像再繼續(xù)下一行,每一行圖像是由不同傳感元或者是相同的傳感元在不同時(shí)刻獲得的。由于校準(zhǔn)的不完全性,不同傳感元的輸入輸出特性會(huì)有輕微的差別,即相同的輻射強(qiáng)度下會(huì)有不同的輸出信號(hào)量級(jí)。這樣就會(huì)產(chǎn)生水平條紋噪聲。這些水平條紋在灰度值上是線性相關(guān)的,針對(duì)這種相關(guān)性,本文提出了一些方法來解決這個(gè)問題。

在紅外圖像中,小目標(biāo)與背景間存在灰度跳躍變化,如果能夠檢測(cè)這種跳躍變化,那么就可以檢測(cè)出小目標(biāo)。利用邊緣檢測(cè)的方法,可以檢測(cè)出這種跳躍變化。

3.2 孤立度分析

由于小目標(biāo)在圖像中表現(xiàn)為孤立的點(diǎn),即目標(biāo)的灰度大于周邊的灰度值,可用鄰域灰度比差法衡量像素區(qū)域在圖像中的孤立性,用孤立性做為小目標(biāo)的特征。如圖1、圖2,取9×9的像素鄰域,每3×3像素塊的均值做為鄰域灰度。

圖1 9×9圖像領(lǐng)域

圖2 9個(gè)3×3圖像領(lǐng)域

孤立度分析:

(2)

如果計(jì)算的結(jié)果大于給定的閾值時(shí),則認(rèn)為符合孤立性條件。

4 目標(biāo)分割與檢測(cè)

經(jīng)過前面的預(yù)處理后,圖像中的起伏背景得到了明顯抑制,大部分像素集中在低灰度區(qū),只有目標(biāo)和少量噪聲分布在高亮度區(qū)。這時(shí)候可以采用圖像分割方法,進(jìn)一步濾除部分噪聲點(diǎn),以此來減少后續(xù)算法的計(jì)算量,為目標(biāo)識(shí)別和跟蹤提供有利的保障。

設(shè)預(yù)處理輸出的紅外圖像為f(x,y),分割閾值為T。將圖像分割為兩個(gè)部分,B=(b0,b1)代表二值灰度級(jí),則圖像f(x,y)在閾值T上的分割結(jié)果可以表示為

(3)

因?yàn)槟繕?biāo)較之大多數(shù)噪聲而言要明顯亮一些,即目標(biāo)的灰度級(jí)要高一些,因此可以采用單門限分割方法,灰度值高于門限的置為1,灰度值低于門限的置為0。即:

(4)

出于自適應(yīng)的目的,在這里根據(jù)圖像的統(tǒng)計(jì)特性來確定門限,即:

T=M+kσ

(5)

其中M為圖像的均值,σ為其標(biāo)準(zhǔn)差,k為常系數(shù),可通過實(shí)驗(yàn)得到,k值太小會(huì)包含太多的高頻噪聲點(diǎn),使得虛警率增大,k值太大又使得點(diǎn)目標(biāo)丟失,使得檢測(cè)該概率減小。通過大量的實(shí)驗(yàn)數(shù)據(jù),k一般取在3～10之間比較合適,可以根據(jù)不同的背景特性進(jìn)行適當(dāng)調(diào)節(jié)。

5 試驗(yàn)結(jié)果

為了檢驗(yàn)本方法背景抑制性能和抑制虛警目標(biāo)性能,進(jìn)行三組小目標(biāo)檢測(cè)對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)圖像是云層中飛行的紅外小目標(biāo)圖像序列。圖3為原始圖像,可以看出圖像有很明顯的水平條紋,圖4為經(jīng)過Sobel邊緣檢測(cè)水平算子處理過后的圖像,可以看出圖像的水平條紋得到明顯抑制,候選目標(biāo)得到了突出,圖5則是采用孤立性分析和自適應(yīng)閾值分割后的圖像,目標(biāo)被檢測(cè)出來。

6 結(jié)語(yǔ)

針對(duì)“掃描”型紅外探測(cè)系統(tǒng)中的小目標(biāo)檢測(cè)問題,本文提出了一種基于Sobel水平邊緣檢測(cè)的方法來檢測(cè)紅外弱小目標(biāo),對(duì)有大量水平條紋的紅外圖像具有良好的抑制作用。再和孤立性分析相結(jié)合,能夠較好地檢測(cè)出弱小目標(biāo)。實(shí)驗(yàn)分析表明,該算法具有較好的背景抑制和抑制虛警性能,適用于低信噪比圖像的小目標(biāo)檢測(cè)。

[1] 呂雁,史林,蘇新主.基于小波和高階累積量的紅外弱小目標(biāo)檢測(cè)[J].紅外技術(shù),2006,28(12):713-716.

[2] 閆曉珂,史彩成,趙保軍,等.基于分形和粗集理論的云雜波背景下序列圖像弱目標(biāo)檢測(cè)[J].北京理工大學(xué)學(xué)報(bào),2006,26(9):824-827.

[3] 陳玉丹.紅外系列圖像運(yùn)動(dòng)小目標(biāo)檢測(cè)[J].兵工自動(dòng)化,2006,25(12):65-66.

[4] 徐英.紅外圖像序列中運(yùn)動(dòng)弱小目標(biāo)檢測(cè)的方法研究[J].紅外技術(shù),2002,24(6):1-4.

[5] David S. K. Chan, David A. Langan, Daniel A. Staver. Spatial processing techniques for the detection of small targets in IR clutter[C]//SPIE,1990,1305:53-62.

[6] Boaz Porat, Benjamin Friedlander. A Frequency Domain Algorithm for Multi-frame Detection and Estimation of Dim Targets[J]. IEEE Trans. PAM I.,1990,12(4):398-401.

[7] 吳巍,彭嘉雄.一種云層背景抑制與小目標(biāo)檢測(cè)方法[J].華中科技大學(xué)學(xué)報(bào),2001,29(11):56-57.

[8] 楊磊,楊杰,鄭忠龍.?？諒?fù)雜背景中基于自適應(yīng)局部能量閾值的紅外小目標(biāo)檢測(cè)[J].紅外與毫米波學(xué)報(bào),2006,25(1):41-45.

[9] 李飚.紅外自動(dòng)目標(biāo)識(shí)別方法與實(shí)現(xiàn)研究[D].長(zhǎng)沙:國(guó)防科技大學(xué)博士論文,1998.

[10] Hannelore G. Hansen, Cyrus Elyashar. Adaptive threshold adjustment and control[C]//SPIE, Signal and Data Processing of Small Targets,1989,1096:44-54.

Detection of Weak and Small Infrered Targets for Scanning IR Images

CHEN Jinming

(Henan Pingbao Coal Co. Ltd, Xuchang 461700)

Based upon horizon-correlative characteristic of infrared images which were gotten by scanning, considering of the target properties in complicated background, an algorithm of weak and small target detection was presented. Because the images appears horizon-correlative characteristic, Sobel horizontal operator was adopted. By calculating Small Target Isolation Degree(STID) in every pixel in image, the background clutter was suppressed. Then an adaptive threshold was proposed to extract the precise location of small target. Incorporated with these methods, a single frame weak and small target detection algorithm was built. Its high performance was then proved in a serial of experiments.

image processing, target detecting, weak and small targets, Sobel

2015年6月6日,

2015年7月25日

陳金銘,男,助理工程師,研究方向:煤礦自動(dòng)化信息化、圖像檢測(cè)及處理。

TN911.73

10.3969/j.issn.1672-9730.2015.12.013