朱金輝，張寶華*，谷 宇，李建軍，張 明

(1.內(nèi)蒙古科技大學(xué) 信息工程學(xué)院，包頭 014010；2.內(nèi)蒙古科技大學(xué) 內(nèi)蒙古自治區(qū)模式識(shí)別與智能圖像處理重點(diǎn)實(shí)驗(yàn)室，包頭 014010)

引 言

紅外小目標(biāo)檢測(cè)是預(yù)警和精確制導(dǎo)等軍事系統(tǒng)的核心技術(shù)[1-4]。由于遠(yuǎn)程成像，紅外小目標(biāo)通常在每幀中占據(jù)幾十個(gè)像素，常淹沒(méi)在復(fù)雜的背景中(如云邊緣、海浪和高亮度噪聲)，沒(méi)有具體形狀或紋理，而且信號(hào)雜波比較低。

基于人類(lèi)視覺(jué)系統(tǒng)(human vision system,HVS)的方法[5-15]具有良好的檢測(cè)性能和實(shí)時(shí)性而得到廣泛關(guān)注。CHEN等人[6]基于視覺(jué)對(duì)比機(jī)制提出一種局部對(duì)比測(cè)量方法(local contrast measurement,LCM)。HAN等人[8]發(fā)現(xiàn)LCM存在增強(qiáng)噪聲點(diǎn)現(xiàn)象，提出了一種改進(jìn)的局部對(duì)比測(cè)量方法(improved LCM,ILCM)。HAN等人[7]提出的相對(duì)局部對(duì)比測(cè)量方法(relative local contrast measurement,RLCM)，用多極值來(lái)抑制雜波干擾。基于多尺度的HVS方法在多目標(biāo)密集分布的場(chǎng)景中，易將多目標(biāo)識(shí)別為一個(gè)目標(biāo)，導(dǎo)致漏檢。其原因是采用多尺度技術(shù)通常以多尺度下的最大響應(yīng)值作為最終輸出，若窗口單元的尺寸大于源圖像中的實(shí)際目標(biāo)，靠近目標(biāo)的背景區(qū)域也會(huì)被增強(qiáng)，檢測(cè)到的目標(biāo)會(huì)擴(kuò)大，使源圖像中小于9×9像素的目標(biāo)在檢測(cè)結(jié)果中顯示為9×9像素，稱之為“擴(kuò)張效應(yīng)”,因而多目標(biāo)的檢測(cè)概率降低。

為了解決“擴(kuò)張效應(yīng)”問(wèn)題，提出了一種雙鄰域?qū)Ρ榷人惴?。通過(guò)設(shè)計(jì)一種新的3層窗口，能在固定尺度下具有檢測(cè)多尺度目標(biāo)的能力，可以克服“擴(kuò)張效應(yīng)”，同時(shí)提高算法效率。在此基礎(chǔ)上，利用基于雙鄰域?qū)Ρ榷葯C(jī)制和對(duì)角梯度因子提高目標(biāo)的顯著性，更好地抑制背景干擾。

1 相關(guān)工作

1.1 提取候選目標(biāo)

峰值搜索算法[16]假設(shè)：中心點(diǎn)被局部密度較低的近鄰數(shù)據(jù)點(diǎn)包圍，且任意中心點(diǎn)與比它密度更高的數(shù)據(jù)點(diǎn)間的距離都較遠(yuǎn)。

對(duì)于任意像素點(diǎn)m, 需要計(jì)算m的局部密度ρm和最臨近相關(guān)距離δm:

ρm=gm

(1)

式中，gm代表圖像中像素點(diǎn)的灰度值。最臨近相關(guān)距離δm則是通過(guò)計(jì)算點(diǎn)m與其它密度更高的點(diǎn)n之間的最小距離來(lái)測(cè)量：

(2)

dmn=|xm-xn|+|ym-yn|

(3)

γm=ρm×δm

(4)

式中，dmn是Manhattan距離，逐個(gè)像素計(jì)算聯(lián)合特征因子γm，并按照降序排列把它們放到隊(duì)列Q中，這里提取前12個(gè)像素點(diǎn)作為候選目標(biāo)點(diǎn);xm和ym代表點(diǎn)m的橫坐標(biāo)和縱坐標(biāo);xn和yn代表點(diǎn)n的橫坐標(biāo)和縱坐標(biāo)。

目標(biāo)點(diǎn)在圖像中具有局部差異性，即目標(biāo)點(diǎn)的灰度值通常要高于局部相鄰像素的灰度值。提取候選目標(biāo)可以減小搜索目標(biāo)的范圍，減少算法計(jì)算時(shí)間。

1.2 3層雙鄰域窗口

傳統(tǒng)的局部對(duì)比度方法(LCM)、改進(jìn)的LCM(ILCM)、相對(duì)LCM(RLCM)和基于差分的局部對(duì)比測(cè)量方法(difference local contrast measurement, DLCM)[17]采用多尺度技術(shù)檢測(cè)1×2像素～9×9像素的小目標(biāo)。對(duì)于紅外圖像中尺寸小于9×9像素的小目標(biāo)，采用的多尺度技術(shù)將增強(qiáng)目標(biāo)周?chē)谋尘懊娣e，導(dǎo)致檢測(cè)到的目標(biāo)的大小擴(kuò)大到9×9像素，即“擴(kuò)張效應(yīng)”，如圖1所示?！皵U(kuò)張效應(yīng)”使兩個(gè)目標(biāo)重疊，不能精確地檢測(cè)目標(biāo)。因此，處理“擴(kuò)張效應(yīng)”的關(guān)鍵是找到一種非多尺度的方法，可以自適應(yīng)地檢測(cè)不同大小的目標(biāo)。

Fig.1 Expansion effect of multi-scale methods

為了在固定尺度下檢測(cè)從2×1像素～9×9像素的小目標(biāo)，設(shè)計(jì)了一個(gè)3層雙鄰域窗口，共包含25個(gè)單元，每個(gè)單元大小為3×3像素。如圖2所示，將整個(gè)窗口劃分為3個(gè)區(qū)域，其中單元T是目標(biāo)單元，單元T周?chē)?個(gè)單元Mi(i=1～8)代表中間單元，其余16個(gè)單元Bjk(j,k=1～4)表示背景單元。將候選目標(biāo)置于3層雙鄰域窗口的中心時(shí)，小目標(biāo)的灰度和梯度差異都會(huì)反映在3個(gè)區(qū)域中，用來(lái)檢測(cè)不同大小的目標(biāo)。同時(shí)3層雙鄰域窗口形狀接近目標(biāo)輪廓，可以準(zhǔn)確逼近目標(biāo)的真實(shí)分布。

Fig.2 Three-layer double-neighbor window structure

1.3 雙鄰域?qū)Ρ榷扔?jì)算

小目標(biāo)檢測(cè)通過(guò)增強(qiáng)目標(biāo)對(duì)比度，有效地突出小目標(biāo)。根據(jù)3層雙鄰域窗口，充分利用3個(gè)區(qū)域之間的差異來(lái)測(cè)量對(duì)比度。中心單元和背景單元之間的最小灰度對(duì)比度d(T,Bjk)、中心單元和中間單元之間的梯度對(duì)比度d(T,Mi)分別表示為:

d(T,Bjk)=

(5)

(6)

式中，gT和gBjk分別代表中心單元和背景單元的灰度均值，GT和GMi分別代表中心單元和中間單元的梯度均值，其中i=1,2,…,8；j,k=1,2,…,4。為了進(jìn)一步凸顯目標(biāo)和抑制雜波，采用中間區(qū)域梯度對(duì)比度對(duì)角相乘作為加權(quán)因子W，即：

W=min[d(T,Mi)×d(T,M9-i)],

(i=1,2,3,4)

(7)

在局部區(qū)域內(nèi)，真實(shí)目標(biāo)強(qiáng)度通常高于局域背景強(qiáng)度，而虛假目標(biāo)強(qiáng)度與局域背景強(qiáng)度相當(dāng)，所以真實(shí)目標(biāo)的d(T,Bjk)值較大；真實(shí)目標(biāo)通常是中心對(duì)稱，向四周輻射的圓點(diǎn)狀，高亮雜波則普遍是不規(guī)則形狀，所以虛假目標(biāo)的對(duì)角梯度乘積通常為0。根據(jù)上述特征，候選目標(biāo)位置的對(duì)比度信息為:

CDNCM=d(T,Bjk)×W

(8)

對(duì)所有候選目標(biāo)進(jìn)行窗口遍歷，真實(shí)目標(biāo)區(qū)域?qū)Ρ榷鹊玫皆鰪?qiáng)，背景雜波得到有效抑制，最終得到雙鄰域?qū)Ρ葴y(cè)量方法(double neighborhood contrast measurement,DNCM)目標(biāo)映射圖。

1.4 目標(biāo)自適應(yīng)提取

根據(jù)DNCM的計(jì)算，可以得到圖像的DNCM目標(biāo)映射圖?？紤]到目標(biāo)映射圖具有不同層次的雜波背景，采用自適應(yīng)閾值法對(duì)目標(biāo)和背景進(jìn)行分割。

Tth=μDNCM+kσDNCM

(9)

式中,μDNCM是DNCM目標(biāo)映射圖的均值，σDNCM是DNCM目標(biāo)映射圖的標(biāo)準(zhǔn)差，k是閾值系數(shù)，一般取30～50。經(jīng)過(guò)閾值Tth分割得到真實(shí)目標(biāo)。

2 本文中的算法

為解決人類(lèi)視覺(jué)系統(tǒng)方法存在“擴(kuò)張效應(yīng)”，本文中提出一種基于雙鄰域?qū)Ρ榷鹊募t外小目標(biāo)檢測(cè)算法，整體算法結(jié)構(gòu)如圖3所示。主要分為4個(gè)部分：峰值搜索算法提取候選目標(biāo)、對(duì)候選目標(biāo)構(gòu)建3層雙鄰域窗口、雙鄰域?qū)Ρ榷葯C(jī)制增強(qiáng)目標(biāo)和抑制雜波、閾值分割提取真實(shí)目標(biāo)。首先，為了減小目標(biāo)搜索范圍，利用峰值搜索算法構(gòu)建ρ-δ(ρ代表密度，δ代表臨近相關(guān)距離)特征空間圖，將小目標(biāo)檢測(cè)看作異常點(diǎn)檢測(cè)，根據(jù)聯(lián)合特征因子篩選出異常點(diǎn)作為候選目標(biāo)。其次，針對(duì)傳統(tǒng)方法中存在缺陷的矩形窗口需要全圖遍歷的問(wèn)題，構(gòu)建3層雙鄰域窗口，對(duì)候選目標(biāo)進(jìn)行遍歷,并使窗口形狀貼合目標(biāo)輪廓，逼近目標(biāo)的真實(shí)分布。然后，通過(guò)雙鄰域?qū)Ρ榷葯C(jī)制計(jì)算候選目標(biāo)的最小灰度對(duì)比度，結(jié)合梯度分布一致性，利用對(duì)角梯度因子進(jìn)一步抑制雜波同時(shí)增強(qiáng)目標(biāo)，計(jì)算得到DNCM目標(biāo)映射圖。最后通過(guò)自適應(yīng)閾值分割得到真實(shí)目標(biāo)。

具體步驟如下：(1)對(duì)原始紅外圖像中每個(gè)像素點(diǎn)m計(jì)算局部密度ρm和最鄰近相關(guān)距離δm，構(gòu)建ρ-δ特征空間圖，計(jì)算特征因子γ的值，并降序排列在隊(duì)列中，提取前12個(gè)像素點(diǎn)作為候選目標(biāo)；(2)對(duì)候選目標(biāo)構(gòu)建3層雙鄰域窗口，將3層雙鄰域窗口分為目標(biāo)單元、中間單元和背景單元，共包含25個(gè)單元,目標(biāo)單元表示候選目標(biāo)區(qū)域，中間單元代表目標(biāo)過(guò)渡區(qū)域，背景單元是目標(biāo)的局部背景區(qū)域；(3)利用雙鄰域?qū)Ρ榷葯C(jī)制計(jì)算目標(biāo)單元與背景單元的最小灰度對(duì)比度，目標(biāo)單元與中間單元的對(duì)角梯度因子，通過(guò)哈達(dá)瑪積運(yùn)算得到DNCM目標(biāo)映射圖；(4)對(duì)DNCM目標(biāo)映射圖進(jìn)行自適應(yīng)閾值分割得到真實(shí)目標(biāo)。

Fig.3 Algorithm flowchart

3 實(shí)驗(yàn)結(jié)果分析

本文中采用天空背景、云層背景和海天背景等5組單一目標(biāo)或多目標(biāo)的紅外圖像進(jìn)行實(shí)驗(yàn)，并用本方法與頂帽變換[18]、方差差異方法(variance difference,VARD)[9]、LCM[6]、基于多尺度補(bǔ)丁的對(duì)比測(cè)量方法(multiscale patch-based contrast measurement，MPCM)[19]和RLCM[7]方法進(jìn)行對(duì)比實(shí)驗(yàn)，圖4為實(shí)驗(yàn)結(jié)果，每張圖像用矩形框顯示真實(shí)目標(biāo)區(qū)域。使用背景抑制因子(background suppression factor,BSF)、對(duì)比度增益(contrast gain,CG)和平均運(yùn)行時(shí)間對(duì)所有算法進(jìn)行評(píng)估，BSF可以全局評(píng)價(jià)算法的雜波抑制能力，其值與雜波抑制效果成正比；CG則可以評(píng)估目標(biāo)的增強(qiáng)效果，其值與目標(biāo)增強(qiáng)效果成正比。實(shí)驗(yàn)計(jì)算環(huán)境是3.40GHz Intel i7-3770 CPU處理器，8GB內(nèi)存，所使用的測(cè)試軟件是MATLAB 2018b。

Fig.4 Frame 1,2,3,4,5 five original image sequences and detection results under different methods

很明顯，圖4中采用多尺度技術(shù)的LCM和RLCM方法在5個(gè)圖像序列中都出現(xiàn)了“擴(kuò)張效應(yīng)”，在frame 5檢測(cè)結(jié)果中，鄰近的兩個(gè)目標(biāo)發(fā)生重疊；頂帽變換和MPCM方法在背景抑制方面效果較差，檢測(cè)結(jié)果有大量雜波；RLCM和VARD方法在frame 5中漏檢目標(biāo)；總體而言，本方法有效地解決了“擴(kuò)張效應(yīng)”并抑制了背景雜波。

為了進(jìn)一步量化分析，表1中(加黑數(shù)字是最優(yōu)結(jié)果)給出了5個(gè)圖像序列經(jīng)過(guò)6種不同檢測(cè)算法處理后的BSF,CG和時(shí)間值。本方法的BSF和CG值在6種不同檢測(cè)算法中均為最優(yōu)，分別平均提高4.7倍和1.8倍，說(shuō)明本方法背景抑制和目標(biāo)增強(qiáng)能力高于基線水平；VARD和RLCM方法平均運(yùn)行時(shí)間分別為最短和最長(zhǎng)，本方法兼顧了檢測(cè)精度和運(yùn)算效率。

Table 1 BSF, CG and average running time of different algorithms under each image sequence

4 結(jié) 論

提出一種基于雙鄰域?qū)Ρ榷鹊募t外小目標(biāo)檢測(cè)算法，主要思想是設(shè)計(jì)一個(gè)3層窗口，在固定尺度下檢測(cè)不同尺寸的小目標(biāo)，解決了多尺度技術(shù)引起的“擴(kuò)張效應(yīng)”，降低計(jì)算復(fù)雜度。此外，利用雙鄰域?qū)Ρ榷葯C(jī)制和對(duì)角梯度因子增強(qiáng)目標(biāo)對(duì)比度，同時(shí)抑制背景干擾。實(shí)驗(yàn)結(jié)果表明，與其它方法相比，該方法具有較強(qiáng)的魯棒性和實(shí)時(shí)性，特別是在檢測(cè)相互接近的目標(biāo)方面。后續(xù)將針對(duì)目標(biāo)區(qū)域找尋新的定位方法，降低運(yùn)行時(shí)間，構(gòu)建魯棒的特征空間用于檢測(cè)真實(shí)目標(biāo)。