黃樹彩，凌 強(qiáng)，韋道知，吳 瀟

(空軍工程大學(xué) 防空反導(dǎo)學(xué)院， 陜西 西安 710051)

紅外多光譜圖像彈道目標(biāo)檢測(cè)算法*

黃樹彩，凌 強(qiáng)，韋道知，吳 瀟

(空軍工程大學(xué) 防空反導(dǎo)學(xué)院， 陜西 西安 710051)

在紅外多光譜圖像中，彈道導(dǎo)彈尾焰擁有兩大特征，一是由強(qiáng)烈紅外輻射引起的灰度差異，二是獨(dú)特的光譜特性。然而，傳統(tǒng)的單波段檢測(cè)技術(shù)只利用了尾焰強(qiáng)烈的輻射特性，而近些年發(fā)展起來的多光譜檢測(cè)技術(shù)則只利用了尾焰獨(dú)特的光譜特性。為了充分利用導(dǎo)彈尾焰的兩大特征，將單波段檢測(cè)技術(shù)和多光譜檢測(cè)技術(shù)結(jié)合起來，提出三種檢測(cè)算法，并從算法的檢測(cè)效果、運(yùn)算量和魯棒性三方面詳細(xì)分析它們的優(yōu)缺點(diǎn)。采用人工合成的紅外多光譜圖像進(jìn)行驗(yàn)證，實(shí)驗(yàn)結(jié)果表明，相比單獨(dú)使用單波段或多光譜的檢測(cè)算法，融合算法的檢測(cè)性能更好。

彈道目標(biāo)檢測(cè)；單波段目標(biāo)檢測(cè)；多光譜目標(biāo)檢測(cè)；紅外多光譜圖像

彈道導(dǎo)彈在助推段會(huì)產(chǎn)生強(qiáng)烈的紅外輻射，這為天基紅外預(yù)警系統(tǒng)探測(cè)導(dǎo)彈提供了契機(jī)。傳統(tǒng)的探測(cè)技術(shù)以寬帶成像為基礎(chǔ)，由于彈道目標(biāo)所占像素較少、信噪比較低且其他強(qiáng)輻射目標(biāo)在紅外圖像中表現(xiàn)出和彈道目標(biāo)相似的特性，因此利用單一波段的紅外圖像探測(cè)彈道目標(biāo)難以達(dá)到實(shí)用要求。近年來，隨著窄帶成像技術(shù)的發(fā)展，紅外多光譜圖像開始應(yīng)用于目標(biāo)檢測(cè)[1]，使得彈道目標(biāo)檢測(cè)發(fā)生了革命性的變化。紅外多光譜圖像不僅記錄了導(dǎo)彈尾焰與其周圍背景像素灰度的空間差異，還獲得了導(dǎo)彈尾焰獨(dú)特的光譜特性，這為彈道目標(biāo)檢測(cè)提供了另一個(gè)更為有效的途徑。因此，研究如何利用紅外多光譜信息提高彈道目標(biāo)檢測(cè)性能顯得尤為重要，然而目前國(guó)內(nèi)外缺少這方面的研究。

單波段目標(biāo)檢測(cè)通過目標(biāo)與其局部背景的灰度差異來區(qū)分目標(biāo)，典型的算法有最大中值濾波[2]、二維最小均方濾波[3]、核各向異性擴(kuò)散濾波[4]等。多光譜目標(biāo)檢測(cè)通過光譜特征來區(qū)分目標(biāo)，根據(jù)有無目標(biāo)光譜信息，可分為光譜匹配檢測(cè)和光譜異常檢測(cè)。光譜匹配檢測(cè)利用已知的目標(biāo)光譜信息來突出目標(biāo)、抑制背景，典型的算法有光譜匹配濾波算法[5]、匹配子空間算法[6]、稀疏表示算法[7]等；光譜異常檢測(cè)利用待測(cè)光譜與其周圍背景光譜的顯著差異來檢測(cè)目標(biāo)，典型的算法有Reed-Xiaoli算法[8]、支持向量數(shù)據(jù)描述算法[9]、聯(lián)合表示算法[10]等。然而，對(duì)于彈道目標(biāo)而言，無論是單波段目標(biāo)檢測(cè)技術(shù)還是多光譜目標(biāo)檢測(cè)技術(shù)都只利用了目標(biāo)兩個(gè)特性中的一個(gè)。為充分利用目標(biāo)的兩大特征，本文將單波段檢測(cè)技術(shù)和多光譜檢測(cè)技術(shù)結(jié)合起來，提出了三種有效的彈道目標(biāo)檢測(cè)算法。

1 單波段檢測(cè)和多光譜檢測(cè)結(jié)合算法

由于單波段紅外圖像易受背景雜波影響，且難以區(qū)分其他強(qiáng)輻射目標(biāo)，單波段檢測(cè)算法的效果和魯棒性往往較差，但算法的運(yùn)算量較小。與單波段紅外圖像相比，紅外多光譜圖像的數(shù)據(jù)量急劇增大，相應(yīng)的多光譜檢測(cè)算法也往往更復(fù)雜，運(yùn)算量較大，但算法的檢測(cè)效果和魯棒性相對(duì)較好。為充分利用兩者的優(yōu)點(diǎn)，將單波段檢測(cè)技術(shù)和多光譜檢測(cè)技術(shù)結(jié)合起來，提出三種檢測(cè)算法，根據(jù)它們的結(jié)合方式，分為并聯(lián)式檢測(cè)、串聯(lián)式檢測(cè)和混合式檢測(cè)。

1.1 并聯(lián)式檢測(cè)

并聯(lián)式檢測(cè)算法，顧名思義就是將單波段檢測(cè)技術(shù)和多光譜檢測(cè)技術(shù)以并聯(lián)的方式進(jìn)行結(jié)合，其檢測(cè)流程如圖1所示。并聯(lián)式檢測(cè)算法首先將紅外多光譜各波段的圖像通過加權(quán)相加的方式進(jìn)行融合，得到普通的二維圖像，再分別進(jìn)行單波段檢測(cè)和多光譜檢測(cè)，最后將兩者的檢測(cè)結(jié)果以加權(quán)相加的方式進(jìn)行圖像融合，對(duì)融合圖像進(jìn)行閾值分割后輸出檢測(cè)結(jié)果。

圖1 并聯(lián)式檢測(cè)流程Fig.1 Flow chart of parallel type detection

可以看出，并聯(lián)式檢測(cè)算法將單波段檢測(cè)和多光譜檢測(cè)分開進(jìn)行，再將兩者的檢測(cè)結(jié)果“并聯(lián)”，這充分利用了導(dǎo)彈尾焰強(qiáng)烈的輻射特性和獨(dú)特的光譜特性，在一定程度上提高了算法的檢測(cè)效果。

然而，并聯(lián)式檢測(cè)算法存在一個(gè)致命的缺點(diǎn)：算法的運(yùn)算復(fù)雜度太高。顯然，并聯(lián)式檢測(cè)算法的運(yùn)算量是單波段檢測(cè)算法和多光譜檢測(cè)算法之和，而多光譜檢測(cè)算法往往因?yàn)檫\(yùn)算量大而達(dá)不到實(shí)時(shí)性要求。因此，并聯(lián)式檢測(cè)算法的應(yīng)用前景堪憂。

1.2 串聯(lián)式檢測(cè)

為有效減小并聯(lián)式檢測(cè)算法的巨大運(yùn)算量，提出了串聯(lián)式檢測(cè)算法，顧名思義就是將單波段檢測(cè)技術(shù)和多光譜檢測(cè)技術(shù)以串聯(lián)的方式進(jìn)行結(jié)合，其檢測(cè)流程如圖2所示。同并聯(lián)式檢測(cè)算法一樣，串聯(lián)式檢測(cè)算法首先將各波段圖像加權(quán)融合，再對(duì)融合后的圖像用單波段檢測(cè)算法進(jìn)行背景抑制，然后進(jìn)行閾值分割提取可疑的目標(biāo)像素點(diǎn)，將可疑像素點(diǎn)作為待檢測(cè)像素點(diǎn)，用多光譜檢測(cè)算法對(duì)原始紅外多光譜圖像中的這些像素點(diǎn)進(jìn)行檢測(cè)，閾值分割后輸出檢測(cè)結(jié)果。

可以看出，串聯(lián)式檢測(cè)算法只是將單波段檢測(cè)作為多光譜檢測(cè)的輔助手段。在進(jìn)行多光譜檢測(cè)前，先用單波段檢測(cè)對(duì)整個(gè)圖像進(jìn)行一次“預(yù)選”，提取待檢測(cè)像素點(diǎn)，這大大減小了多光譜檢測(cè)將要處理的像元數(shù)目，從而減小了算法的運(yùn)算量，有效提高了算法的實(shí)時(shí)性。

圖2 串聯(lián)式檢測(cè)流程Fig.2 Flow chart of tandem type detection

然而，串聯(lián)式檢測(cè)算法存在兩個(gè)明顯的缺點(diǎn)。一是單波段檢測(cè)后的閾值選取較難。由于單波段檢測(cè)的效果往往不太理想，如果閾值選得太大，一些目標(biāo)像素點(diǎn)可能在閾值分割后就被認(rèn)定為背景點(diǎn)，造成漏警；如果閾值選得太小，閾值分割后保留的可疑目標(biāo)像素點(diǎn)較多，算法的運(yùn)算量減小就不明顯。一般來說，在保證一定實(shí)時(shí)性的基礎(chǔ)上，閾值選得越小越好，以盡量避免漏警情況的發(fā)生。二是單波段檢測(cè)的結(jié)果利用不夠充分。若單波段檢測(cè)后的閾值分割不存在漏警，檢測(cè)的實(shí)際效果只取決于多光譜檢測(cè)，“目標(biāo)的灰度值在局部范圍內(nèi)表現(xiàn)為極大值”這一特征沒有得到有效利用。

對(duì)于單波段檢測(cè)后的圖像，可以采用一種簡(jiǎn)單的自適應(yīng)全局閾值分割方法，閾值T根據(jù)圖像的統(tǒng)計(jì)特性來確定，即：

T=μ+kσ

(1)

式中：μ為圖像灰度的均值，σ為圖像灰度的標(biāo)準(zhǔn)差，k為常數(shù)。

下面討論常數(shù)k的選取問題?？梢约僭O(shè)單波段檢測(cè)后圖像的灰度值服從正態(tài)分布N(μ,σ2)，則灰度值分布在(-∞,μ+σ)范圍內(nèi)的概率為84.13%，分布在(-∞,μ+2σ)范圍內(nèi)的概率為97.72%，分布在(-∞,μ+3σ)范圍內(nèi)的概率為99.87%。而目標(biāo)的灰度值較大，可以認(rèn)為是小概率事件，但為盡量避免漏警情況的發(fā)生，可以將k選為1。這樣，理論上串聯(lián)式檢測(cè)算法將多光譜檢測(cè)的運(yùn)算量減小了84.13%。

圖3 混合式檢測(cè)流程Fig.3 Flow chart of hybrid type detection

1.3 混合式檢測(cè)

在算法的運(yùn)算量和檢測(cè)效果這兩方面，串聯(lián)式檢測(cè)算法和并聯(lián)式檢測(cè)算法在一定程度上呈現(xiàn)出互補(bǔ)關(guān)系。那么，可不可以將它們聯(lián)合起來，使算法具有較小的運(yùn)算量和較好的檢測(cè)效果呢？于是，本文又提出了混合式檢測(cè)算法，其檢測(cè)流程如圖3所示。檢測(cè)流程的前半部分和串聯(lián)式檢測(cè)算法一樣，多光譜檢測(cè)結(jié)束后的流程和并聯(lián)式檢測(cè)算法類似，只是不再是對(duì)單波段檢測(cè)和多光譜檢測(cè)的整個(gè)檢測(cè)結(jié)果圖像進(jìn)行融合，而是對(duì)檢測(cè)點(diǎn)的結(jié)果以加權(quán)求和的方式進(jìn)行融合，對(duì)于非檢測(cè)點(diǎn)則用單波段檢測(cè)結(jié)果代替，對(duì)融合結(jié)果進(jìn)行閾值分割后輸出檢測(cè)結(jié)果。

可以看出，混合式檢測(cè)算法充分利用了單波段檢測(cè)結(jié)果，其運(yùn)算量和串聯(lián)式檢測(cè)算法相當(dāng)，而檢測(cè)效果在無漏警情況下和并聯(lián)式檢測(cè)算法相當(dāng)，它巧妙地結(jié)合了兩者的優(yōu)點(diǎn)，具有較小的運(yùn)算量和較好的檢測(cè)效果。

由于非檢測(cè)點(diǎn)保留了單波段檢測(cè)結(jié)果，混合式檢測(cè)算法在一定程度上削弱了單波段檢測(cè)后閾值選取的影響，但并沒有完全解決閾值選取問題。同串聯(lián)式檢測(cè)一樣，在保證一定實(shí)時(shí)性的基礎(chǔ)上，閾值選得越小越好，以盡量削弱閾值選取的影響。在實(shí)際應(yīng)用中，閾值由式(1)確定。

2 實(shí)驗(yàn)結(jié)果及分析

信噪比是衡量單波段檢測(cè)算法性能的一個(gè)非常重要的指標(biāo)，根據(jù)它在紅外圖像中的定義[11]，可將紅外多光譜圖像的信噪比(Signal Noise Ratio, SNR)定義為：

(2)

式中，μt表示目標(biāo)灰度的均值，μb表示背景灰度的均值，σb表示背景灰度的標(biāo)準(zhǔn)差。若μt，μb，σb由多光譜圖像的某個(gè)波段求得，則式(2)表示該波段的信噪比；若μt，μb，σb由多光譜圖像的所有波段求得，則式(2)表示多光譜圖像的信噪比。

2.1 多光譜圖像合成

由于目前無法獲得包含彈道目標(biāo)的真實(shí)紅外多光譜圖像，故采用人工合成的紅外多光譜圖像進(jìn)行實(shí)驗(yàn)驗(yàn)證。首先在一幅包含10個(gè)波段的紅外多光譜圖像中加入18個(gè)彈道目標(biāo)，每個(gè)目標(biāo)的大小為3×3，所有波段的均值如圖4(a)所示(記為MSI-Ⅰ)。為了展示多光譜檢測(cè)在識(shí)別彈道目標(biāo)方面的優(yōu)越性，又在圖像中加入了12個(gè)噴氣式飛機(jī)目標(biāo)作為虛假目標(biāo)，每個(gè)目標(biāo)的大小為3×3，所有波段的均值如圖4(b)所示(記為MSI-Ⅱ)。MSI-Ⅰ和MSI-Ⅱ中前三排目標(biāo)為三種不同類型的彈道導(dǎo)彈光譜和該像素點(diǎn)原始光譜混合而成，從左至右導(dǎo)彈光譜的豐度分別為0.3，0.4，0.5，0.6，0.7，0.8；MSI-Ⅱ中后兩排目標(biāo)為兩種不同類型的噴氣式飛機(jī)，它們均為純像元。MSI-Ⅰ和MSI-Ⅱ的真實(shí)目標(biāo)分布如圖4(c)所示。導(dǎo)彈和飛機(jī)的光譜曲線如圖5所示。

(a) MSI-Ⅰ(a) MSI-Ⅰ (b) MSI-Ⅱ(b) MSI-Ⅱ (c) 真實(shí)目標(biāo)分布(c) Ground truth圖4 合成多光譜圖像及真實(shí)目標(biāo)分布Fig.4 Synthetic multispectral image and target locations

圖5 導(dǎo)彈和飛機(jī)光譜曲線Fig.5 Spectrums of different missiles and airplanes

2.2 性能分析

信噪比是影響單波段檢測(cè)性能的重要因素，在實(shí)際應(yīng)用中，各波段圖像融合的權(quán)值應(yīng)根據(jù)各波段的信噪比來確定。實(shí)驗(yàn)中，為了簡(jiǎn)便，各波段圖像融合的權(quán)值均設(shè)為0.1。一般情況下，多光譜檢測(cè)的效果好于單波段檢測(cè)，因此融合時(shí)單波段檢測(cè)和多光譜檢測(cè)的權(quán)值分別設(shè)為0.4和0.6。實(shí)驗(yàn)中，單波段檢測(cè)采用具有良好魯棒性的核各向異性擴(kuò)散背景抑制算法[4]，濾波窗口設(shè)為7×7；多光譜檢測(cè)采用具有亞像元檢測(cè)能力的稀疏表示目標(biāo)檢測(cè)算法[7]，內(nèi)窗設(shè)為5×5，外窗設(shè)為7×7，稀疏度設(shè)為8，目標(biāo)字典即為圖5中的三條導(dǎo)彈光譜曲線。

首先，從算法的檢測(cè)效果和運(yùn)行時(shí)間兩方面對(duì)提出的三種檢測(cè)算法進(jìn)行分析。檢測(cè)效果采用接收機(jī)工作特性(Receiver Operating Characteristic, ROC)曲線以及該曲線下的面積(Area Under the Curve, AUC)進(jìn)行評(píng)價(jià)[12]。其中多光譜圖像MSI-Ⅱ的單波段檢測(cè)、多光譜檢測(cè)、并聯(lián)式檢測(cè)、串聯(lián)式檢測(cè)以及混合式檢測(cè)的檢測(cè)效果如圖6所示。五種算法的ROC曲線如圖7所示，其1-AUC值和運(yùn)行時(shí)間分別見表1和表2。

(a) 單波段檢測(cè)(a) Single-band detection (b) 多光譜檢測(cè)(b) Multispectral detection

(c) 并聯(lián)式檢測(cè)(c) Parallel type detection (d) 串聯(lián)式檢測(cè)(d) Tandem type detection (e) 混合式檢測(cè)(e) Hybrid type detection圖6 五種算法的檢測(cè)效果圖Fig.6 Detection results of five algorithms

(a) MSI-Ⅰ

(b) MSI-Ⅱ圖7 五種算法的ROC曲線Fig.7 ROC curves of five algorithms

表2 運(yùn)行時(shí)間Tab.2 Execution time s

需要說明的是，對(duì)于多光譜圖像MSI-Ⅰ和MSI-Ⅱ，串聯(lián)式檢測(cè)和混合式檢測(cè)在單波段檢測(cè)后均沒有發(fā)生漏警情況。從ROC曲線和AUC值可以看出，多光譜檢測(cè)的效果相對(duì)好于單波段檢測(cè)的效果；相比單獨(dú)使用單波段檢測(cè)或多光譜檢測(cè)，融合檢測(cè)算法的檢測(cè)效果明顯提升；由于濾除了部分背景點(diǎn)，混合式檢測(cè)的檢測(cè)效果比并聯(lián)式檢測(cè)的稍好。

從對(duì)MSI-Ⅰ的檢測(cè)效果可以看出，檢測(cè)效果：混合式檢測(cè)>并聯(lián)式檢測(cè)>串聯(lián)式檢測(cè)。但是對(duì)于MSI-Ⅱ，串聯(lián)式檢測(cè)的效果最好。這是因?yàn)閱尾ǘ螜z測(cè)對(duì)飛機(jī)目標(biāo)的抑制效果較差，而多光譜檢測(cè)利用光譜信息較好地抑制了飛機(jī)目標(biāo)，由于融合檢測(cè)引入了單波段檢測(cè)的較差結(jié)果，并聯(lián)式檢測(cè)和混合式檢測(cè)的AUC值比串聯(lián)式檢測(cè)的小，效果更差。于是，在低虛警概率區(qū)域，并聯(lián)式檢測(cè)和混合式檢測(cè)的檢測(cè)概率比多光譜檢測(cè)和串聯(lián)式檢測(cè)的低，但隨著虛警概率的增大，融合的優(yōu)勢(shì)體現(xiàn)出來，并聯(lián)式檢測(cè)和混合式檢測(cè)的檢測(cè)概率超過了多光譜檢測(cè)的，AUC值也比多光譜檢測(cè)的稍大。因此，總體上來說，并聯(lián)式檢測(cè)和混合式檢測(cè)的效果優(yōu)于多光譜檢測(cè)。

在運(yùn)行時(shí)間上，單波段檢測(cè)比多光譜檢測(cè)短得多。串聯(lián)式檢測(cè)的運(yùn)行時(shí)間比單波段檢測(cè)的長(zhǎng)約1.33 s，表明對(duì)閾值分割后的檢測(cè)點(diǎn)，多光譜檢測(cè)所用時(shí)間從14.67 s左右減少到了1.33 s左右，大概減少了90.93%的計(jì)算量。顯然，并聯(lián)式檢測(cè)的運(yùn)行時(shí)間近似等于單波段檢測(cè)和多光譜檢測(cè)之和?；旌鲜綑z測(cè)的運(yùn)行時(shí)間比串聯(lián)式檢測(cè)的稍長(zhǎng)，這是由于混合式檢測(cè)只是在串聯(lián)式檢測(cè)后加入了一個(gè)檢測(cè)點(diǎn)融合過程。

其次，從算法的魯棒性方面進(jìn)行分析。對(duì)于低空彈道目標(biāo)，大氣對(duì)導(dǎo)彈尾焰產(chǎn)生了巨大的衰減作用，使得彈道目標(biāo)檢測(cè)更加困難，因此，魯棒性是算法能否實(shí)際應(yīng)用的重要影響因素。在生成多光譜圖像時(shí)先將整個(gè)多光譜圖像乘以不同系數(shù)模擬不同強(qiáng)度背景，然后再加入導(dǎo)彈和飛機(jī)目標(biāo)，以此來檢驗(yàn)算法的魯棒性。大氣透過率越低，信噪比越小，目標(biāo)越難檢測(cè)?？捎眯旁氡葋砗饬坎煌尘碍h(huán)境的復(fù)雜程度，不同信噪比下五種算法的AUC值如圖8所示。

(a) MSI-Ⅰ

(b) MSI-Ⅱ圖8 SNR對(duì)檢測(cè)效果的影響Fig.8 Influence of SNR on detection performance

總的來說，信噪比越高，算法的檢測(cè)性能越好。顯然，魯棒性：并聯(lián)式檢測(cè)>多光譜檢測(cè)>混合式檢測(cè)>單波段檢測(cè)>串聯(lián)式檢測(cè)。串聯(lián)式檢測(cè)的魯棒性相對(duì)較差，特別是在極低信噪比的情況下，串聯(lián)式檢測(cè)的AUC值比單波段檢測(cè)還低，這是因?yàn)樵诘托旁氡认聠尾ǘ螜z測(cè)效果不佳，使得串聯(lián)式檢測(cè)在閾值分割后造成了固定漏警，不可能再分割出目標(biāo)，而單波段檢測(cè)和混合式檢測(cè)卻可以設(shè)置更小的閾值分割出目標(biāo)。隨著信噪比的增大，這種影響被良好的多光譜檢測(cè)所抵消，所以串聯(lián)式檢測(cè)的AUC值在信噪比為2.1左右超過了單波段檢測(cè)。對(duì)于MSI-Ⅱ，當(dāng)信噪比增大到一定程度以后，單波段檢測(cè)的AUC值趨于0.998 4，而不是1，這是因?yàn)轱w機(jī)目標(biāo)的灰度值與其周圍背景對(duì)比太大，單波段檢測(cè)后形成了固定虛警。

3 結(jié)論

本文提出了三種紅外多光譜圖像彈道目標(biāo)檢測(cè)算法，并從檢測(cè)效果、運(yùn)算量和魯棒性三方面分析了三種算法的性能。實(shí)驗(yàn)結(jié)果表明，三種算法各有優(yōu)缺點(diǎn)，并呈現(xiàn)出一定的互補(bǔ)關(guān)系，實(shí)際應(yīng)用時(shí)應(yīng)根據(jù)作戰(zhàn)任務(wù)和環(huán)境條件進(jìn)行選擇。并聯(lián)式檢測(cè)算法的魯棒性最好，但算法的運(yùn)算量大，適合在低信噪比、實(shí)時(shí)性要求不高的條件下使用；串聯(lián)式檢測(cè)算法的運(yùn)算量較小，但算法的魯棒性較差，適合在高信噪比、有其他強(qiáng)輻射目標(biāo)的條件下使用；混合式檢測(cè)算法的魯棒性比串聯(lián)式檢測(cè)算法的稍好，運(yùn)算量相當(dāng)，適合在高信噪比、無其他強(qiáng)輻射目標(biāo)的條件下使用。

References)

[1] 王暕來， 楊春玲， 戴景民. 基于GLRT的紅外多光譜弱小運(yùn)動(dòng)目標(biāo)檢測(cè)[J]. 紅外與毫米波學(xué)報(bào), 2011, 30(2): 149-155. WANG Jianlai, YANG Chunling, DAI Jingmin. Dim moving target detection in multispectral IR image sequence based on GLRT[J].Journal of Infrared and Millimeter Waves, 2011, 30(2): 149-155. (in Chinese)

[2] Deshpande S D, Er M H, Venkateswarlu R, et al. Max-mean and max-median filters for detection of small targets[J]. Proceedings of SPIE, 1999, 3809: 74-83.

[3] Cao Y, Liu R M, Yang J. Small target detection using two-dimensional least mean square (TDLMS) filter based on neighborhood analysis[J]. International Journal of Infrared and Millimeter Waves, 2008, 29(2): 188-200.

[4] 凌強(qiáng)， 黃樹彩， 吳瀟， 等. 基于核各向異性擴(kuò)散的紅外小目標(biāo)檢測(cè)[J]. 強(qiáng)激光與粒子束, 2015, 27(1): 93-98. LING Qiang, HUANG Shucai, WU Xiao, et al. Infrared small target detection based on kernel anisotropic diffusion[J]. High Power Laser and Particle Beams, 2015, 27(1): 93-98. (in Chinese)

[5] Nasrabadi N M. Regularized spectral matched filter for target recognition in hyperspectral imagery[J]. IEEE Signal Processing Letters, 2008, 15: 317-320.

[6] Scharf L L, Friedlander B. Matched subspace detectors[J]. IEEE Transactions on Signal Processing, 1994, 42(8): 2146-2157.

[7] Zhang Y X, Du B, Zhang L P. A sparse representation-based binary hypothesis model for target detection in hyperspectral images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2015, 53(3): 1346-1354.

[8] Reed I, Yu X. Adaptive multiple-band CFAR detection of an optical pattern with unknown spectral distribution[J]. IEEE Transactions on Acoustic, Speech, Signal Processing, 1990, 38(10): 1760-1770.

[9] Gurram P, Heesung K. Support-vector-based hyperspectral anomaly detection using optimized kernel parameters[J]. IEEE Geoscience and Remote Sensing Letters, 2011, 2(6): 1060-1064.

[10] Li W, Du Q. Collaborative representation for hyperspectral anomaly detection[J]. IEEE Transactions on Geoscience and Remote Sensing, 2015, 53(3): 1463-1474.

[11] 吳一全， 尹丹艷. 基于FLS-SVM背景預(yù)測(cè)的紅外弱小目標(biāo)檢測(cè)[J]. 光學(xué)學(xué)報(bào), 2010, 30(10): 2806-2811. WU Yiquan, YIN Danyan. Detection of small target in infrared image based on background predication by FLS-SVM[J].Acta Optica Sinica, 2010, 30(10): 2806-2811. (in Chinese)

[12] 康孫， 鋼金， 朱曉華， 等. 基于Q-MMSPF的海雜波多重分形互相關(guān)分析和目標(biāo)檢測(cè)[J]. 國(guó)防科技大學(xué)學(xué)報(bào), 2013, 35(3): 170-175. KANG Sun, GANG Jin, ZHU Xiaohua, et al. Multifractal cross-correlation analysis of sea clutter and target detection based on Q-MMSPF[J]. Journal of National University of Defense Technology, 2013, 35(3): 170-175. (in Chinese)

Ballistic target detection in infrared multispectral imagery

HUANG Shucai, LING Qiang, WEI Daozhi, WU Xiao

(Air and Missile Defense College, Air Force Engineering University, Xi′an 710051, China)

There are two important characteristics for missile plume in infrared multispectral imagery: one is the gray-scale difference caused by strong infrared radiance; and the other one is the unique spectral signature feature. However, the classical single-band detection technology only uses the first characteristic, and the multispectral detection technology which has been developed in recent years only uses the second characteristic. In order to fully exploit the characteristics of missile plume, three detection algorithms were proposed by combining the single-band and multispectral detection technology. The advantages and disadvantages of the three algorithms were discussed in detail in the aspects of detection performance, computational complexity and robustness. Experiments on synthetic infrared multispectral imagery demonstrate a better performance of the combined algorithms when compared with single-band or multispectral detection algorithm.

ballistic target detection; single-band target detection; multispectral target detection; infrared multispectral imagery

10.11887/j.cn.201606023

2015-06-23

航空科學(xué)基金資助項(xiàng)目(20130196004)

黃樹彩(1967—)，男，湖北黃梅人，教授，博士，博士生導(dǎo)師，E-mail：hsc67118@126.com

TP751;TP391

A

1001-2486(2016)06-142-06

http://journal.nudt.edu.cn