劉 杰，安博文

?

海面紅外小目標(biāo)檢測(cè)算法研究

劉 杰，安博文

（上海海事大學(xué)信息工程學(xué)院，上海 201306）

針對(duì)海面紅外圖像中出現(xiàn)的海面雜波和孤立噪聲點(diǎn)的問(wèn)題，采用了一種將空間域的濾波結(jié)果在時(shí)間域進(jìn)行二次濾波的方法，實(shí)時(shí)地檢測(cè)海面圖像中的小目標(biāo)。在空間域上，根據(jù)海面雜波具有一定方向性的特點(diǎn)，設(shè)計(jì)了4種方向的結(jié)構(gòu)元素分別進(jìn)行形態(tài)學(xué)運(yùn)算來(lái)抑制海面雜波，再使用均值融合準(zhǔn)則進(jìn)行融合。在時(shí)間域上，利用目標(biāo)在幀間的運(yùn)動(dòng)具有連續(xù)性而噪聲點(diǎn)不具有該性質(zhì)的特點(diǎn)，采用均值加權(quán)濾波的方法來(lái)濾除孤立噪聲點(diǎn)，最后使用自適應(yīng)門限分割檢測(cè)出小目標(biāo)。實(shí)驗(yàn)結(jié)果表明，本文算法在復(fù)雜海面環(huán)境下，能有效地抑制海面雜波和孤立噪聲點(diǎn)的影響，減小虛警率，是一種有效的海面小目標(biāo)檢測(cè)方法。

小目標(biāo)檢測(cè)；數(shù)學(xué)形態(tài)學(xué)；均值濾波；圖像分割

0 引言

在海事搜救中，能否發(fā)現(xiàn)目標(biāo)決定搜救的成功與否。但是，由于一般海面目標(biāo)距離相機(jī)較遠(yuǎn)，所以在紅外圖像中的目標(biāo)很小、灰度很弱且沒(méi)有固定形狀[1]。同時(shí)海面有波浪及反光會(huì)對(duì)目標(biāo)產(chǎn)生干擾，相機(jī)自身也存在噪聲。這些因素給發(fā)現(xiàn)目標(biāo)造成了很大的困難。因此，抑制海面雜波和噪聲，提高信噪比成為小目標(biāo)檢測(cè)的關(guān)鍵。目前，提高信噪比的方法主要是通過(guò)抑制背景實(shí)現(xiàn)，如小波分析[2]、匹配濾波器[3]、數(shù)學(xué)形態(tài)學(xué)[4]、神經(jīng)網(wǎng)絡(luò)等[5]，這些方法在背景緩變時(shí)效果很好，但在背景起伏較大時(shí)有較高的虛警率。此外，這些方法都是單幀處理，不能結(jié)合目標(biāo)的運(yùn)動(dòng)信息抑制強(qiáng)雜波背景。

因此，以抑制背景雜波和孤立噪聲為目的，結(jié)合多幀圖像中的目標(biāo)運(yùn)動(dòng)信息，本文提出了一種基于時(shí)空域連續(xù)濾波的方法。將空域形態(tài)學(xué)濾波后的序列圖像再進(jìn)行時(shí)域均值濾波，最后通過(guò)自適應(yīng)門限分割檢測(cè)出了小目標(biāo)。該方法的框架如圖1所示。

1 基于多結(jié)構(gòu)元素的空域?yàn)V波

數(shù)學(xué)形態(tài)學(xué)是一種以結(jié)構(gòu)元素為基礎(chǔ)對(duì)圖像進(jìn)行分析的數(shù)學(xué)工具。它的基本思想是用一定形狀的結(jié)構(gòu)元素去度量和提取圖像中的對(duì)應(yīng)形狀，以達(dá)到分析和識(shí)別的目的[6]。設(shè)(,)是輸入圖像，(,)是結(jié)構(gòu)元素。用結(jié)構(gòu)元素對(duì)圖像進(jìn)行腐蝕和膨脹運(yùn)算分別定義為：

(Q)(,)＝min{(－,－)－(－, －)} (1)

圖1 本文小目標(biāo)檢測(cè)框架

(?)(,)＝max{(－,－)＋(－, －)} (2)

形態(tài)學(xué)開運(yùn)算定義為：

○＝(Q)?(3)

形態(tài)學(xué)的Top-hat運(yùn)算是一個(gè)經(jīng)典的空域?yàn)V波算法。它的定義是原信號(hào)與開運(yùn)算后的差：

Top-hat(,)＝(,)－○(,) (4)

由于結(jié)構(gòu)元素的選擇對(duì)形態(tài)運(yùn)算結(jié)果有決定性作用，所以應(yīng)該考慮目標(biāo)與背景的幾何特征的差異來(lái)選取[7]。海面紅外圖像中，海面雜波或魚鱗光在面積上比小目標(biāo)大，且在單幀圖像中海雜波呈現(xiàn)一定的方向性。根據(jù)這個(gè)特點(diǎn)，本文考慮了水平、垂直、對(duì)角線等幾種不同尺寸的結(jié)構(gòu)特點(diǎn)，設(shè)計(jì)了如圖2中的4種結(jié)構(gòu)的結(jié)構(gòu)元素。

圖2 4個(gè)方向的結(jié)構(gòu)元素

對(duì)同一幅圖像使用這4個(gè)方向結(jié)構(gòu)元素進(jìn)行形態(tài)學(xué)開運(yùn)算，能夠?qū)@4個(gè)方向上的海面雜波進(jìn)行估計(jì)。最后采用式(5)求平均值的運(yùn)算將4幅圖像融合得到背景圖像。

＝mean(1,2,3,4) (5)

對(duì)同一幅圖像運(yùn)用圖2中的4種結(jié)構(gòu)元素分別進(jìn)行3次形態(tài)學(xué)開運(yùn)算后，得到了4幅圖像，如圖3所示。

圖3 4種結(jié)構(gòu)元素開運(yùn)算結(jié)果

由于圖3中的海雜波具有橫向的特性，所以本圖中橫向結(jié)構(gòu)元素開運(yùn)算的背景估計(jì)效果是4幅圖像中最好的。但是其他方向的結(jié)構(gòu)元素能對(duì)背景雜波的其他方向的細(xì)節(jié)進(jìn)行估計(jì)，所以最后使用均值融合[8]得到的背景圖像包含了這4個(gè)方向的海雜波的特性。如圖4。

圖4 融合后的背景圖像

圖5是對(duì)同一幅圖像采用單一的橫向結(jié)構(gòu)元素的Top-hat算法和本文算法分別進(jìn)行處理得到的結(jié)果比較。

表1是使用單一橫向結(jié)構(gòu)元素的Top-hat算法和本文改進(jìn)形態(tài)學(xué)的算法對(duì)同一幅圖像分別進(jìn)行處理后的剩余波紋條數(shù)對(duì)比，經(jīng)過(guò)本文算法處理后的圖像中剩余波紋條數(shù)有明顯減少，可見(jiàn)本文的算法的抑制背景雜波的效果更好。

圖5 改進(jìn)形態(tài)學(xué)濾波效果比較

表1 背景雜波抑制比較

2 基于移動(dòng)加權(quán)均值的時(shí)域?yàn)V波

經(jīng)過(guò)空域?yàn)V波后，紅外圖像的背景得到了有效的抑制，但是還有部分背景和噪聲沒(méi)有被完全抑制。所以考慮將空間域?yàn)V波后的序列圖像在時(shí)間域進(jìn)行二次濾波。由于小目標(biāo)在幀間的運(yùn)動(dòng)具有連續(xù)性，而噪聲和背景雜波不具有，所以使用多幀圖像對(duì)時(shí)間軸上的每個(gè)像素進(jìn)行平均，能夠削弱噪聲及背景雜波的影響，增強(qiáng)圖像信噪比[9]。

移動(dòng)加權(quán)的時(shí)域均值濾波的實(shí)現(xiàn)如公式(6)：

()＝×()＋(1－)×(－1) (6)

式中：()和(－1)分別為當(dāng)前時(shí)刻和前一時(shí)刻的均值估計(jì)；()是當(dāng)前測(cè)量值；為加權(quán)系數(shù)。如圖6所示為移動(dòng)加權(quán)均值濾波的示意圖。

圖6 移動(dòng)加權(quán)均值濾波示意圖

滑動(dòng)窗是類似一個(gè)長(zhǎng)度為的先入先出管道。從頭部進(jìn)入新的一幀就從尾部剔除一幀。對(duì)滑動(dòng)窗內(nèi)的幀圖像的平均值和新的一幀圖像運(yùn)用公式(6)進(jìn)行加權(quán)平均運(yùn)算，得到當(dāng)前時(shí)刻的均值作為本次時(shí)域?yàn)V波的結(jié)果。

滑動(dòng)窗的長(zhǎng)度選取應(yīng)考慮目標(biāo)的運(yùn)動(dòng)速度。為保證目標(biāo)在管道內(nèi)的位移在一個(gè)小范圍內(nèi)，目標(biāo)的運(yùn)動(dòng)速度越快，的值應(yīng)越小。權(quán)值的設(shè)置是為了減小偶然強(qiáng)噪聲對(duì)輸出產(chǎn)生的波動(dòng)影響。的值越小，像素的波動(dòng)越小。

對(duì)空間域得到的圖像序列采用移動(dòng)加權(quán)均值濾波，選取權(quán)重的值為0.5，的長(zhǎng)度為4，得到的實(shí)驗(yàn)結(jié)果如圖7所示。

圖7 時(shí)空域?yàn)V波效果比較

時(shí)空域的連續(xù)性濾波同單獨(dú)的空域?yàn)V波相比，濾除了幀間運(yùn)動(dòng)不連續(xù)的背景雜波和孤立噪聲點(diǎn)，而保留了目標(biāo)點(diǎn)。

3 自適應(yīng)門限分割與軌跡檢測(cè)

對(duì)于經(jīng)過(guò)空域和時(shí)域兩次濾波后的圖像，其噪聲的能量減弱而圖像的信噪比得到了增強(qiáng)，目標(biāo)與背景的灰度差異變大。因此，在目標(biāo)分割檢測(cè)時(shí)，接著采用自適應(yīng)門限[10]的方法將背景與目標(biāo)分割開來(lái)。選取閾值作為分割門限，閾值的定義為：

＝mean()＋×vary() (7)

式中：mean()為圖像的均值；vary()為圖像方差；為圖像的信噪比。

為了便于觀察目標(biāo)的運(yùn)動(dòng)軌跡，將多幅序列圖像的檢測(cè)結(jié)果累加起來(lái)，便得到一條連續(xù)的目標(biāo)運(yùn)動(dòng)軌跡。

4 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)用到的序列圖像是利用紅外遙感相機(jī)拍攝海面得到的，分辨率為640×480的灰度圖像。計(jì)算機(jī)內(nèi)存為4GB；系統(tǒng)平臺(tái)為32位winXP系統(tǒng)；軟件實(shí)施平臺(tái)為VS2010和opencv2.4.4。紅外相機(jī)的采集幀率為24fps。

圖8是對(duì)60幀連續(xù)的序列圖像采用本文的方法進(jìn)行檢測(cè)得到的結(jié)果，并且給出了累加檢測(cè)結(jié)果得到的目標(biāo)的運(yùn)動(dòng)軌跡。

表2中的P1序列是選取了連續(xù)的60幀圖像使用傳統(tǒng)Top-hat算法進(jìn)行了處理，P2序列是選取了連續(xù)的100幀圖像使用本文算法進(jìn)行了處理，并對(duì)誤檢率進(jìn)行了比較。

圖8 連續(xù)幀檢測(cè)結(jié)果和軌跡

表2 兩組圖像序列檢測(cè)結(jié)果

經(jīng)過(guò)時(shí)空域連續(xù)濾波的目標(biāo)圖像，相對(duì)于單獨(dú)的空間域和時(shí)間域，誤檢率有了顯著地降低。

表3為傳統(tǒng)空域的Top-hat算法和本文算法分別處理24幀連續(xù)的圖片所用的時(shí)間的對(duì)比。

表3 兩種算法運(yùn)行時(shí)間比較

可見(jiàn)，由于本文算法在空域的Top-hat算法上增加了時(shí)域連續(xù)性濾波，算法運(yùn)行時(shí)間有所增加，但是仍然能滿足實(shí)時(shí)檢測(cè)的要求。

5 總結(jié)

本文對(duì)海面復(fù)雜環(huán)境下的小目標(biāo)檢測(cè)算法進(jìn)行了研究，提出了時(shí)空域結(jié)合的濾波算法。結(jié)合多結(jié)構(gòu)元素形態(tài)學(xué)，時(shí)域均值濾波等方法，有效地抑制了海面雜波和孤立噪聲點(diǎn)的影響，實(shí)時(shí)地檢測(cè)出了海面小目標(biāo)，具有實(shí)際應(yīng)用意義。

[1] 周霞, 陳錢, 錢惟賢, 等. 對(duì)地面弱小目標(biāo)的檢測(cè)算法的研究[J]. 紅外技術(shù), 2013, 35(6): 334-338.

[2] 徐韶華, 李紅. 基于小波提升框架及小波能量的紅外弱目標(biāo)檢測(cè)方法[J]. 紅外技術(shù), 2006, 28(11): 669-672.

[3] 孫翠娟, 楊衛(wèi)平, 沈振康. 一種基于匹配濾波的紅外小目標(biāo)檢測(cè)系統(tǒng)[J]. 激光與紅外, 2006, 36(2): 147-150.

[4] 譚曉宇, 陳謀, 姜長(zhǎng)生. 采用小波變換和數(shù)學(xué)形態(tài)學(xué)的小目標(biāo)檢測(cè)[J]. 電光與控制, 2008, 15(9): 25-27.

[5] 焦建彬, 楊舒, 劉峰. 基于人工神經(jīng)網(wǎng)絡(luò)的紅外小目標(biāo)檢測(cè)[J]. 控制工程, 2010, 17(5): 611-613.

[6] 董鴻燕, 李吉成, 沈振康. 基于形態(tài)濾波和順序?yàn)V波的小目標(biāo)檢測(cè)[J]. 紅外技術(shù), 2004, 26(1): 21-24.

[7] 楊斯涵. 基于自適應(yīng)尺度的小目標(biāo)檢測(cè)方法[J]. 光電工程, 2014, 41(4): 9-14.

[8] Shengxiang Qi, Jie Ma, Chao Tao, et al. A Robust Directional Saliency-Based Method for Infrared Small-Target Detection Under Various Complex Backgrounds[J]., 2013, 10(3): 495-499.

[9] 江濤, 王永仲. 基于雙遞歸均值濾波的紅外點(diǎn)目標(biāo)檢測(cè)[J]. 電光與控制, 2004, 11(3): 8-10.

[10] 王衛(wèi)華, 牛照東, 陳曾平. 基于時(shí)空域融合濾波的紅外運(yùn)動(dòng)小目標(biāo)檢測(cè)算法[J]. 紅外與激光工程, 2005, 34(6): 714-717.

Research on the Detection Algorithm for Infrared Small Target on the Sea

LIU Jie，AN Bo-wen

(,,201306,)

Aiming at the sea clutter and the isolated noise problem appeared in the infrared image of sea surface in, a method of spatial-temporal continuous filter is put forward. Based on the sea clutter has certain direction features, structural elements are designed to domorphological open operation, thenuse the mean fusion rules to fusion images. Due to the small target in the framesis continuous and the noise point is not, the method of weighted mean filter is adopted. Finally, an adaptive threshold segmentation is used to detect the small targets. The experimental results show that the algorithm can effectively restrain the influence of sea clutter, filter the isolated noise points. It is an effective algorithm for sea small target detection.

small target detection，mathematical morphology，mean filter，image segmentation

TP391.4

A

1001-8891(2015)01-0016-04

2014-10-14；

2014-11-18.

劉杰(1991-)，男，湖北孝感，碩士研究生，主要研究方向?yàn)榧t外小目標(biāo)檢測(cè)、圖像處理。

國(guó)家自然科學(xué)基金，編號(hào)：61171126；上海市重點(diǎn)支撐項(xiàng)目，編號(hào)：12250501500；交通運(yùn)輸部應(yīng)用基礎(chǔ)研究項(xiàng)目，編號(hào)：2014329810060。