段思韋,王忠華,葉 錚

(南昌航空大學(xué)信息工程學(xué)院,江西 南昌 330063)

1 引 言

近年來,紅外成像技術(shù)由于其具有抗干擾、隱蔽性好、全天候等優(yōu)點,被廣泛應(yīng)用于軍事和民用領(lǐng)域,如紅外預(yù)警、遠程追蹤、防空反導(dǎo)、夜間導(dǎo)航等方面[1]。遠距離成像目標通常很小,沒有明顯的紋理、大小、形狀等特征,而且復(fù)雜的背景和噪聲干擾也很容易使紅外小目標淹沒其中,造成信噪比低、目標強度弱,增加了目標檢測的難度。因而,在復(fù)雜背景中有效檢測到紅外小目標日益成為研究的熱點與難點之一[2]。

傳統(tǒng)的紅外小目標檢測方法包括形態(tài)學(xué)濾波方法[3]、最大均值/最大中值濾波方法[4]、主成分分析方法[5]和小波變換方法[6]等。這些方法對于簡單的背景圖像有著較好的檢測效果,但是對于復(fù)雜多變的紅外圖像則檢測性能下降。近年來,人類視覺系統(tǒng)(HVS)的方法引起了人們的關(guān)注。由于人類視覺系統(tǒng)可以快速地處理復(fù)雜場景,能準確地識別出有用信息,受此啟發(fā),Chen等人[7]提出了一種較為經(jīng)典的局部對比度測量方法(LCM),通過計算目標區(qū)域與局部鄰域在不同尺度下對比度最大值,得到顯著圖,能有效地增強圖像信噪比,但這種算法易受高亮噪聲影響,在運算過程中會引入虛警目標點,使得虛警率升高。Han等人[8]在Chen的基礎(chǔ)上,提出了一種改進的對比度測量方法(ILCM),該方法首先將圖像分成若干子像素塊,將子塊的均值替換LCM方法中的最大值,盡管這樣做能使虛警率有所降低,但分塊選擇尺寸時可能會漏檢目標。Qin等人[9]提出一種新的對比度測量方法(NLCM),該方法利用局部目標塊的方差與均值的乘積代替最大灰度的平方,以減少高亮噪聲引起的誤差,但在強雜波下檢測性能較低。Wei等人[10]提出的基于多尺度的對比度測量方法(MPCM),利用中心塊與鄰域的灰度均值差異,可以同時增強暗目標和亮目標,但在復(fù)雜背景下的檢測性能不高。

現(xiàn)有的局部對比度算法雖然在紅外小目標檢測中都取得了較好的效果,但是避免不了高亮噪聲點的影響,在復(fù)雜背景和強雜波干擾下仍面臨檢測率低、虛警率高的問題[11]。本文提出了一種空域加權(quán)的局部對比度(spatially weighted local contrast,SWLCM)的紅外小目標檢測方法,能較好地解決高亮噪聲點帶來的虛警率升高問題。通過實驗對比分析,該算法能有效提高目標檢測率,降低目標虛警率。

2 空域加權(quán)局部對比度的紅外小目標檢測算法

紅外小目標檢測的算法主要包括濾波處理、目標顯著圖生成、自適應(yīng)閾值分割三個重要環(huán)節(jié)。由于輸入的紅外圖像背景復(fù)雜,信噪比低,對其進行濾波處理能有效抑制大面積的背景雜波；目標顯著圖的生成是本文算法的核心環(huán)節(jié),能增強目標強度,以實現(xiàn)對人眼視覺對比機制的模擬；最后經(jīng)閾值計算分割出目標點。本文目標檢測的算法流程圖如圖1所示。

圖1 目標檢測流程圖

2.1 二維高斯差分濾波預(yù)處理

為了抑制原始紅外圖像中的背景雜波,本文選擇二維高斯差分函數(shù)進行濾波。二維高斯差分濾波(DoG)具有中心激勵和側(cè)向抑制性,能增強目標信號同時抑制背景噪聲。它是由二維高斯函數(shù)推演得來的,定義如下:

DoG(i,j,σ1,σ2)=G(i,j,σ1)-G(i,j,σ2)

(1)

其中,(i,j)為圖像像素坐標;σ1和σ2分別是二維高斯函數(shù)的尺度參數(shù)。原圖經(jīng)過DoG濾波,濾除了大量的背景雜波,為后續(xù)計算提供了便利。

2.2 顯著圖的生成

經(jīng)過二維高斯差分濾波處理,盡管已經(jīng)抑制了大部分背景噪聲,但目標區(qū)域不夠顯著,仍然存在一些強雜波,因此要計算圖像的顯著性圖。與LCM算法類似,將窗口w從左到右、從上到下滑動遍歷整個圖像a,將其分成若干大小相同的子塊。如圖2(a)所示,子塊中u為目標區(qū)域,介于u和w之間的為局部背景區(qū)域,a表示整個圖像,通常窗口w是u大小的3倍。圖2(b)是w的放大圖,分為9個大小相等的區(qū)域,中心區(qū)域0表示目標區(qū)域,即圖2(a)中的目標塊u,在它周圍的1～8區(qū)域表示背景。根據(jù)國際光學(xué)工程學(xué)會(SPIE)的建議,小目標的尺寸一般不超過圖像總面積的0.12 %[12],因此本文實驗選取的窗口u尺寸大小為3×3。

圖2 圖像塊及圖像單元示意圖

對于每一個子圖像塊w,劃分為大小相等的9個區(qū)域,分別記為Vi,i=0,1,…,8。中心區(qū)域V0像素灰度最大值經(jīng)式(2)計算得出:

(2)

而每個區(qū)域的灰度平均值可由式(3)求出:

(3)

與中心區(qū)域相鄰的8個區(qū)域的中值可以用下式計算:

i=1,2,…,8)

(4)

不同于LCM算法,是用中心區(qū)域的像素最大灰度值的平方與周圍八個區(qū)域最大平均強度的比值來計算圖像的局部對比度,本文我們利用鄰域的中值進行對比。這樣做的好處是避免了高亮度噪聲點也被加權(quán),從而被誤判為目標點的情況,即減少了由高亮度孤立噪聲點引起的虛警。因此,本文定義新的中心像素塊與周圍像素的局部對比度為:

(5)

為了進一步增強目標,抑制背景,提高檢測率,引入了區(qū)域灰度均值差的計算。若中心區(qū)域與周圍鄰域灰度均值差越小則越相似,即中心區(qū)域為目標的可能性越小,反之區(qū)域灰度均值差越大,中心區(qū)域與周圍鄰域越不相似,即中心區(qū)域為目標的可能性越大。因此,本文將中心區(qū)域與鄰域的灰度均值差Dn作為局部對比度的權(quán)值,計算如下:

(6)

式中,mi由公式(3)計算可得,在這里表示周圍八個鄰域各自的平均灰度值。

綜上所述,可以得到用區(qū)域灰度均值差加權(quán)的局部對比度公式:

SWLCM=Dn*Cn

(7)

從最終計算公式可以看出:若中心塊為目標,則與周圍鄰域不相似,即Dn偏大,分配了較大的權(quán)值,SWLCM值增大；若中心塊為背景,則與周圍鄰域相似,即Dn偏小,分配了較小的權(quán)值,SWLCM值偏小。進一步地突出了目標點,使其易于檢測出來。本文將圖像中每個像素點的灰度值替換成相應(yīng)的SWLCM值,生成顯著圖S。

圖3是經(jīng)本文算法處理前后各區(qū)域的對比圖。圖3(a)為原始紅外圖像,小方框分別標記了目標區(qū)域1、高亮噪聲區(qū)域2和云層邊緣背景區(qū)域3,大方框是對應(yīng)的放大圖。圖3(b)為生成的顯著圖S,小方框標記代表運算處理后目標、噪聲、背景區(qū)域。通過對比可知,經(jīng)本文算法處理后的目標區(qū)域1強度被增強,噪聲區(qū)域2和背景區(qū)域3強度被抑制。

圖3 各區(qū)域的檢測對比圖

2.3 自適應(yīng)閾值分割

對生成的顯著圖S做自適應(yīng)閾值分割,進一步抑制非目標像素點,提取目標。分割門限定義如下:

Th=μs+kσs

(8)

式中,μs表示經(jīng)過SWLCM運算后生成顯著圖的均值；σs表示顯著圖S的標準方差；k是自適應(yīng)調(diào)節(jié)因子,根據(jù)各類實驗統(tǒng)計分析,一般取值范圍為2～5。當SWLCM值大于閾值Th時,則該像素標記為紅外小目標,反之標記為背景雜波。經(jīng)過閾值分割,很容易檢測出目標。

3 實驗結(jié)果與分析

為了評價本文算法在小目標檢測上面的性能好壞,將本文算法與Top-Hat算法[3]、Max-Median算法[4]、LCM算法[7]、MPCM算法[10]進行性能的對比分析。第一組實驗對比主要是通過計算在不同場景下各種算法處理后的信噪比增益和背景抑制因子,定量分析其背景抑制性能的好壞；第二組實驗對比是通過計算不同算法處理后的檢測率和虛警率,進一步驗證本算法的有效性。所有的實驗程序都是由MATLAB R2016a軟件編譯,運行在英特爾i7 2.7GHz處理器和4GB內(nèi)存的計算機上的。

3.1 背景抑制性能對比

本組實驗采用了圖4中三組不同場景的紅外圖像進行測試。場景一和場景二都是飛行器在多云的天氣下飛行,圖片的分辨率都為460×620,不同的是場景一的目標幾乎完全被淹沒在厚厚的云層里,而場景二的目標處于天空背景與云層的交界處；場景三是艦船在水波雜亂的海面上行駛,噪聲較強,圖片的分辨率為216×300。這三個場景共同的特點是背景復(fù)雜,雜波較強,目標與背景的對比度低。圖4和圖5中的方框標記代表目標區(qū)域。圖4為不同場景的紅外圖像經(jīng)不同算法處理前后的目標顯著圖。

圖4 不同算法處理后的目標顯著圖

圖4(b)傳統(tǒng)的Top-Hat方法和圖4(e)MPCM方法對天空背景有很好的抑制效果,但對海面背景的抑制效果差強人意；而圖4(d)LCM方法對目標的突出和背景的抑制都不夠強；圖4(c)Max-Median方法處理效果最不理想,濾波后背景雜波沒有很好地抑制；從圖4(f)可以清晰地看出,經(jīng)本文算法處理后的目標顯著圖,在不同的場景下都有著良好的抑制性能,能充分抑制背景雜波和邊緣雜波干擾。

圖5為不同場景的紅外圖像經(jīng)不同算法處理前后的三維響應(yīng)圖。圖5(a)為原圖的三維響應(yīng)圖,可以看到場景一中云層成片凸起,強度和目標點強度相差無幾,目標淹沒在云層里難以分辨；場景二中目標強度小于周邊云層強度,且處于云層邊緣處；場景三中背景雜波非常多,周邊很多雜波強度都高于目標強度,肉眼很難分辨目標區(qū)域的位置。圖5(b)為傳統(tǒng)的Top-Hat方法處理的三維圖,對于云層背景能有效增強目標強度,突出目標區(qū)域,但是對海平面背景的處理效果較差,仍然存在大量的雜波。圖5(c)Max-Median方法處理效果較差,三個背景的目標區(qū)域突出都不明顯。圖5(d)LCM方法處理效果比Max-Median方法好,尤其是場景二云層邊緣背景,目標強度明顯高于周圍背景強度。圖5(e)MPCM方法對每個場景的處理效果都很好,目標區(qū)域突出,背景雜波也大部分被抑制,但海平面背景仍然有較高的噪聲點,比目標區(qū)域的強度高,容易引入偽目標,造成誤判；從圖5(f)可以清晰地看出,經(jīng)本文算法處理后的三維圖,無論是在目標的增強還是背景的抑制上,都要優(yōu)于其他對比方法,而且在不同場景下的應(yīng)用都能得到不錯的效果。因此,文中算法能夠有效的抑制背景雜波,增強目標強度,從而突出目標區(qū)域。

圖5 不同算法處理后的三維響應(yīng)圖

為了證明該算法的有效性,本文用局部信躁比(LSNR)和信噪比增益[13](GSNR),以及背景抑制因子[14](BSF)三個指標來定量分析。該指標的定義如下所示:

(9)

式中,Imax表示紅外小目標所在區(qū)域像素灰度的最大值；μb和σb分別為目標某一尺度鄰域內(nèi)像素灰度的均值和標準差；SNRin和SNRout分別為原始圖像和算法處理后的信噪比；σin和σout分別為原始紅外圖像和算法處理后全局圖像的灰度標準差。根據(jù)式(9)可知,LSNR越大,目標的信躁比越高,目標越容易檢測。GSNR越大,算法抑制背景雜波、增強目標的能力越強,即算法的性能越好。BSF越大,表明背景抑制的效果越好。因此,較強的目標增強能力和良好的背景抑制能力是進行目標分割的關(guān)鍵。

實驗結(jié)果如表1所示,針對不同的復(fù)雜背景圖像,各算法都能不同程度的提升目標LSNR值。對于場景一云層淹沒背景,原圖的LSNR值只有1.7065 dB,經(jīng)對比方法處理后的LSNR值上升不明顯,GSNR值和BSF值都較??；但經(jīng)本文算法處理后顯著圖的LSNR值達到了23.0208 dB、GSNR值達到了13.49 dB以及BSF值達到了31.82117,每個值都是對比方法中最大的。對于場景二云層邊緣背景也同理可見,經(jīng)本文算法處理后的LSNR值增長的最高,比原圖的局部信噪比高出了22.5821 dB,而且BSF值高達64.7802 dB,說明背景抑制能力較強；對于含有較多背景雜波和噪聲的場景三海平面高噪聲圖,對比效果尤為明顯,經(jīng)本文算法處理后的GSNR值達到了7.3 dB,LSNR值也從原先的3.3021 dB上升到24.1824,比其他方法高出了近6倍多。因此說明本文算法能有效抑制背景雜波,增強弱小目標,有利于后續(xù)的閾值分割操作。

表1 各算法在不同場景下的SNR、GSNR和BSF(單位:dB)

3.2 檢測性能對比

此次實驗本文另外選擇了三組紅外圖像序列做測試,分別為天空復(fù)雜背景圖像序列1(分辨率為200×256)和圖像序列2(分辨率為400×640)、海平面高噪聲圖像序列3(分辨率為320×196)。圖6為不同算法的檢測結(jié)果圖,圖6(a)是原始圖像序列隨機抽取的一幀,方框標記代表真實目標,橢圓形標記代表偽目標。從結(jié)果圖6來看,對于復(fù)雜的天空背景序列圖像1,由于小目標處于云層邊緣且亮度與云層邊緣類似,目標與背景的對比度較低,圖6(b)Top-Hat和圖6(e)MPCM算法都產(chǎn)生了大量的虛警點；對于復(fù)雜天空背景序列圖像2,小目標被淹沒在厚重的云海里,背景干擾嚴重,圖6(b)Top-Hat和圖7(c)Max-Median算法處理后圖像出現(xiàn)了大片的虛警連通域；對于高噪聲的海平面序列圖像3,目標處于海天交際的位置,存在大量的背景雜波,除了本文算法,其他4種算法檢測結(jié)果都出現(xiàn)了虛警。綜上所述,本文算法在不同背景下的目標檢測中,均能達到較好的檢測效果。

圖6 不同算法的檢測結(jié)果圖

本文采用檢測率(Pd)和虛警率(Pf)兩個指標來比較5種算法的檢測性能。Pd和Pf的定義如下:

(10)

式中,Nd為正確檢測出的小目標個數(shù)；Nt為真實小目標的數(shù)量總和；Nf為誤檢的小目標個數(shù)；M為圖像序列的總幀數(shù)。

通過分析表2的檢測率和虛警率可得:對于云層邊緣干擾嚴重的序列1圖像,除了Max-Median方法檢測率只達到了33.3 %,其他四種方法的檢測率都超過了90 %,且本文算法檢測率達到了100 %,與此同時,LCM方法和本文算法都未產(chǎn)生虛警點；對于云層厚重淹沒小目標的序列2圖像,Top-Hat方法檢測率最高,本文算法其次,檢測率也達到了98.9 %,并且虛警率最低。對于具有強雜波和噪聲的海面序列3圖像,由于目標強度突出,因而每種方法的檢測率都很高,但是由于它的海面雜波較高,導(dǎo)致LCM、MPCM方法的虛警率也增加了,只有Max-Median方法和本文算法有較低的虛警率。綜上說明本文算法在不同復(fù)雜背景下的檢測性能都比較穩(wěn)定。

表2 各算法在不同圖像序列中的檢測率和虛警率

4 結(jié) 論

本文提出的空域加權(quán)的局部對比度紅外小目標檢測方法,利用目標均值與鄰域中值的比值進行局部對比度測量,再利用紅外圖像的空間特性,計算目標與其八鄰域的灰度均值差的平均值,以此對局部對比度作加權(quán)運算。經(jīng)各種實驗對比,本文算法能夠顯著提高圖像的信噪比,對背景雜波與噪聲的抑制效果較好,且能夠有效地增強目標顯著性,具有較高的檢測率和較低虛警率。雖然多組對比實驗表明該算法有著良好的性能效果,但是仍存在很多不足之處需要改進,如計算時間上可以做進一步的優(yōu)化,以提高檢測的實時性。