紅外云雜波下點目標(biāo)檢測算法性能評價

鞏晉南，侯晴宇，張偉

(哈爾濱工業(yè)大學(xué)空間光學(xué)工程研究中心，黑龍江哈爾濱150001)

對云雜波成像條件下點目標(biāo)檢測算法進(jìn)行性能評價是紅外搜索與跟蹤(infrared search and track，IRST)系統(tǒng)中的亟待解決的問題之一［1-8］。由于檢測過程首先需要進(jìn)行背景抑制以去除高關(guān)聯(lián)度背景雜波，而后再通過目標(biāo)的強(qiáng)度特征在殘差圖像中進(jìn)行分割檢測［2-5］，因此在進(jìn)行算法性能評價時，多將背景抑制方法和目標(biāo)分割檢測方法性能分別進(jìn)行評價。在背景抑制層面，PSNR、BSF［4-5］等全局評價雜波抑制性能的指標(biāo)不能完全反應(yīng)背景抑制方法對圖像不同部分的處理性能。而ISCR等評價目標(biāo)能量保留能力的指標(biāo)無法與檢測性能建立明確的數(shù)學(xué)關(guān)系，局限性較大。而在目標(biāo)分割檢測性能評價上，由于檢測器在殘差圖像中進(jìn)行目標(biāo)分割檢測，背景抑制算法不能完全濾除背景，且對不同程度的起伏背景作用效果不同，因此采用檢測器理想檢測性能作為檢測算法性能是不合理的。雖然接收機(jī)工作特性(receiver operating characteristic，ROC)曲線可以客觀描述檢測性能［2-4］，但無法表征檢測器實際性能和與理論性能的偏移程度，也無法將檢測性能與場景起伏程度相關(guān)聯(lián)，具有一定的局限性。

近年來，國內(nèi)外學(xué)者試圖通過研究圖像的復(fù)雜度量［9-13］，從而獲取更為準(zhǔn)確的性能評價，而圖像復(fù)雜度度量方法仍不能與檢測性能直接關(guān)聯(lián)。為了全面評價目標(biāo)檢測方法的性能，從影響檢測性能的各要素出發(fā)，建立了多尺度場景雜波量化模型、探測器噪聲量化模型和目標(biāo)能量量化與傳遞模型。以檢測性能為核心，建立了結(jié)合檢測器理論性能的算法性能表征參數(shù)。在構(gòu)造各模型后，將量化結(jié)果作為輸入，結(jié)合遺傳算法的BP神經(jīng)網(wǎng)絡(luò)建立各量化輸入與性能表征參數(shù)的數(shù)值關(guān)系。提出的方法可以將影響檢測性能的各因素進(jìn)行量化與解耦和，不僅具有較高的精度，還可在目標(biāo)檢測方法的角度為成像系統(tǒng)總體設(shè)計檢測方法和方法選擇提供依據(jù)。

1 檢測過程量化模型的建立

1.1 場景雜波及探測器噪聲量化模型

點目標(biāo)檢測算法量化評價模型總體方案如圖1所示。目標(biāo)檢測算法性能除了與目標(biāo)能量相關(guān)外，還與場景雜波、探測器噪聲以及成像過程中的光學(xué)系統(tǒng)彌散密切相關(guān)，需要對以上影響因素進(jìn)行量化作為評價輸入?？陀^上，點目標(biāo)檢測性能受到物理場景雜波和探測器噪聲影響，需要結(jié)合目標(biāo)對場景雜波和探測器噪聲度量。

圖1 點目標(biāo)檢測算法評價總體方案Fig.1 Overall evaluation scheme for point target detection algorithm

在此首先采用圖像信噪比SNRIMG度量探測器噪聲:

式中:SIMG為圖像信號，σnoise為探測器噪聲均方差。

總的來說，背景抑制算法進(jìn)行的前提是背景具有空間關(guān)聯(lián)性，且在此過程中需要保護(hù)一定尺度的目標(biāo)。在度量雜波前，需要考慮目標(biāo)尺度，對場景圖像進(jìn)行多尺度預(yù)處理處理。為此，首先采用多尺度拉普拉斯-高斯(LoG)算子對圖像進(jìn)行預(yù)處理。LoG算子表示為

式中:s為空間尺度參數(shù)，其與圖像的作用過程為

其中，h(x，y，s)是原始圖像與尺度為s的LoG算子卷積后結(jié)果。在LoG算子與圖像進(jìn)行卷積后，尺度不大于s的強(qiáng)起伏點將會得到最佳響應(yīng)，而小于s的場景被抑制，從而實現(xiàn)基于目標(biāo)尺度的雜波量化。由于背景抑制過程在圖像鄰域進(jìn)行，而評價鄰域圖像起伏程度最直接度量就是導(dǎo)數(shù)。在圖像進(jìn)行預(yù)處理后，采用圖像多尺度導(dǎo)數(shù)作為雜波度量:

式中:E(x，y)為場景雜波量化強(qiáng)度，smax和smin為圖像中目標(biāo)可能存在的上限與下限，當(dāng)評估雜波對點目標(biāo)檢測的影響時，smax=smin=1。

1.2 目標(biāo)能量量化模型

目標(biāo)在雜波中能夠被檢測的前提是目標(biāo)背景間具有一定的對比度，物理上，目標(biāo)能量可通過目標(biāo)信雜比SCRSCE表征:

式中:SCRSCE是場景信雜比，TSCE和σSCE分別是目標(biāo)物理能量分布和場景輻射能量的均方差。在圖像上，目標(biāo)能量表示為

式中:TIMG為目標(biāo)在圖像中的能量，τ為光學(xué)系統(tǒng)透過率，tint為積分時間，η為探測器光電轉(zhuǎn)換效率，ΩDet為探測器光敏元區(qū)域，EOF能量集中度。對亞象元尺度目標(biāo)來說，在像方ΩDet≥Ωtar，則有

可以看出在成像過程中，能量集中度是影響目標(biāo)可檢測性能的主要參數(shù)，其表征了光學(xué)系統(tǒng)對目標(biāo)能量的衰減程度。目標(biāo)在圖像中的可檢測程度不僅與目標(biāo)自身輻射能量有關(guān)，還與光學(xué)系統(tǒng)性能密切相關(guān)。

1.3 檢測性能量化參數(shù)

為了體現(xiàn)檢測器的實際檢測性能和理論檢測性能的差異，構(gòu)造相對檢測概率(RPd)對檢測性能進(jìn)行表征:

式中:Pd(Pf)為在虛警概率Pf下，檢測算法獲得的檢測結(jié)果;P'd(Pf)為檢測器理論檢測概率。為反映檢測算法在全工作狀態(tài)下的檢測性能，在RPd基礎(chǔ)上，構(gòu)造相對檢測性能參數(shù)RWP，表示為

可以看出，RWP參數(shù)越大，說明檢測器性能越接近理論值，即檢測算法性能越高。

2 檢測性能評價方法的建立

2.1 基于遺傳神經(jīng)網(wǎng)絡(luò)模型的建立

在建立了檢測鏈路各要素量化模型后，性能評價問題轉(zhuǎn)化為對多輸入耦合參數(shù)的解耦合問題。BP神經(jīng)網(wǎng)絡(luò)具備神經(jīng)網(wǎng)絡(luò)的分布式處理、自組織、自學(xué)習(xí)等等普遍優(yōu)點，還具有非線性映射、泛化和容錯能力，為此，這里采用BP(back propagation)神經(jīng)網(wǎng)絡(luò)解決該問題。在BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，采用遺傳算法確定網(wǎng)絡(luò)初值，構(gòu)造遺傳神經(jīng)網(wǎng)絡(luò)，既可以發(fā)揮神經(jīng)網(wǎng)絡(luò)在非線性映射方面的優(yōu)勢，還可以改善神經(jīng)網(wǎng)絡(luò)的初值確定精度和收斂速度［14］。基于遺傳算法的神經(jīng)網(wǎng)絡(luò)算法流程如圖2所示。

圖2 點目標(biāo)檢測算法評價方法流程Fig.2 Processing of quantitative evaluation for point target detection algorithm

2.2 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計

在網(wǎng)絡(luò)設(shè)計上，設(shè)計了具有1個輸入層，1個隱藏層和1個輸出層的經(jīng)典神經(jīng)網(wǎng)絡(luò)，其中網(wǎng)絡(luò)共有4個輸入量和1個輸出量。輸入層與隱藏層采用Sigmoid函數(shù)，隱藏層與輸出層采用雙曲正切函數(shù)。在遺傳算法確定網(wǎng)絡(luò)初值方面，采用預(yù)測輸出與期望輸出的線性誤差作為適應(yīng)度函數(shù):

式中:n為網(wǎng)絡(luò)中節(jié)點數(shù)，yi和oi分別是第i個節(jié)點的網(wǎng)絡(luò)預(yù)測輸出和期望輸出，k為線性系數(shù)，這里k=1。在個體選擇方面，采用輪盤賭法作為選擇策略，則每個個體i選擇概率pi為

3 仿真試驗結(jié)果

3.1 試驗輸入?yún)?shù)

采用提出的評價方法對經(jīng)典空域Top-Hat和經(jīng)典頻域Butterworth濾波器的目標(biāo)檢測性能進(jìn)行評價。在輸入圖像源方面，采用某紅外成像系統(tǒng)實測圖像作為仿真測試圖像源，圖像源中各典型場景區(qū)域如圖3所示。

圖3 測試圖像源中典型場景Fig.3 Typical scenarios in test image source

在實測圖像的基礎(chǔ)上，隨機(jī)加入噪聲和目標(biāo)形成訓(xùn)練圖像集。訓(xùn)練圖像集由100幀圖像組成，其中加入了SCRSCE為1，2，3的目標(biāo)。在光學(xué)系統(tǒng)成像限制方面，考慮能量集中度影響，仿真了在相同光學(xué)系統(tǒng)、積分時間下，能量集中度為0.6、0.7 和0.8;在探測器噪聲仿真方面，在圖像中加入噪聲量值SNRIMG分別為20 dB、18 dB、16 dB和14 dB。

3.2 測試評價結(jié)果及分析

為了驗證建立模型的準(zhǔn)確性，在對網(wǎng)絡(luò)訓(xùn)練結(jié)束后，再隨機(jī)選取了50幀樣本圖像對模型準(zhǔn)確性進(jìn)行測試，網(wǎng)絡(luò)訓(xùn)練輸出結(jié)果和實測結(jié)果的誤差如圖4所示?？梢钥闯觯捎媒⑦z傳神經(jīng)網(wǎng)絡(luò)模型最大誤差小于5×10－4，可見模型具有較高的精度，滿足使用要求。

圖5為在SNRIMG=20 dB時，不同程度雜波起伏、不同能量集中度下的RWP曲線。

圖4 網(wǎng)絡(luò)訓(xùn)練結(jié)果與實測結(jié)果誤差Fig.4 Error between network training and measured results

圖5 不同能量集中度下檢測算法性能Fig.5 Detection performance under different encircled energy

圖5由于目標(biāo)檢測過程中，場景不可能被完全濾除，且在背景抑制過程目標(biāo)能量被一定程度的削弱，因此在任何情況下，RWP＜1。隨著場景雜波起伏的加劇，背景抑制算法對強(qiáng)起伏雜波的濾除效果下降，目標(biāo)檢測性能也隨之降低。光學(xué)系統(tǒng)能量集中度對系統(tǒng)收集目標(biāo)能量效果產(chǎn)生影響，低能量集中度不僅會使單像元收集目標(biāo)能量降低，還會將目標(biāo)能量彌散至其他像元，從而導(dǎo)致背景抑制、目標(biāo)分割算法性能下降，進(jìn)一步削弱目標(biāo)檢測性能。

圖6為在能量集中度為0.7時，不同SNRIMG、不同雜波起伏下2方法的RWP曲線。由于探測器噪聲在空域上不具有關(guān)聯(lián)性，且在圖像中噪聲強(qiáng)度與場景雜波強(qiáng)度疊加，對于空域檢測方法而言，探測器噪聲相當(dāng)于在目標(biāo)能量不變時場景雜波強(qiáng)度增加，因此在場景不變時，隨著噪聲強(qiáng)度的增加檢測性能因此下降。而對于頻域方法而言，頻域濾波僅對特定頻率進(jìn)行作用。場景、噪聲所屬于不同的頻率成分，當(dāng)噪聲逐漸增加時，噪聲所處的高頻成分逐漸占優(yōu)，故隨著噪聲強(qiáng)度增加，檢測性能下降的同時，場景雜波對頻域算法性能影響逐漸減弱。

圖6 不同信噪比下檢測算法性能Fig.6 Detection performance under different SNRs

以上計算結(jié)果表明，利用該目標(biāo)檢測性能評價模型，不僅可以充分表征目標(biāo)檢測算法自身的檢測能力，還能反應(yīng)算法在不同探測性能、不同雜波強(qiáng)度下的性能變化趨勢，可以滿足實際全方位對目標(biāo)檢測算法性能評估的需要。

4 結(jié)束語

針對現(xiàn)有目標(biāo)評估方法存在的不足，通過建立點目標(biāo)檢測各要素模型，并建立基于遺傳神經(jīng)網(wǎng)絡(luò)的目標(biāo)評價模型。通過該模型，綜合評價了不同成像條件下Hop-Hat和Butterworth這2種典型紅外點目標(biāo)檢測算法的性能影響。理論分析和實驗結(jié)果表明，本方法不僅可以深入分析檢測算法性能變化規(guī)律，還能夠?qū)μ綔y系統(tǒng)的總體設(shè)計和算法的選擇提供依據(jù)，具有理論意義和工程應(yīng)用價值。

［1］張必銀.小目標(biāo)檢測識別技術(shù)性能評價研究［D］.武漢:華中科技大學(xué)，2007:1-2.ZHANG Biyin.Research on performance evaluation for small target detection and recognition technology［D］.Wuhan:Huazhong University of Science and Technology，2007:1-2.

［2］張偉，孟祥龍，叢明煜，等.天基紅外掃描圖像點目標(biāo)檢測算法［J］.紅外與激光工程，2009，38(5):921-925.ZHANG Wei，MENG Xianglong，CONG Mingyu，et al.Algorithm of space point target detection for IR scan images［J］.Infrared and Laser Engineering，2009，38(5):921-925.

［3］陳炳文，王文偉，秦前清.基于Fuzzy-ART神經(jīng)網(wǎng)絡(luò)的紅外弱小目標(biāo)檢測［J］.系統(tǒng)工程與電子技術(shù)，2012，34(5):857-863.CHEN Bingwen，WANG Wenwei，QIN Qianqing.Infrared dim target detection based on fuzy-ART neural network［J］.System Engineering and Electronic，2012，34(5):857-863.

［4］BAE T W，ZHANG Fei，KWEON I S.Edge directional 2D LMS filter for infrared small target detection［J］.Infrared Physics＆ Technology，2012(55):137-145.

［5］BAI X，ZHOU F.Analysis of new top-hat transformation and the application for infrared dim small target detection［J］.Pattern Recognition，2010，43(6):2145-2156.

［6］楊春玲，王暕來，王昶輝.紅外多譜段小目標(biāo)識別方法［J］.紅外與激光工程，2010，39(4):772-776.YANG Chunling，WANG Jianlai，WANG Changhui.Small target identification method based on the infrared multispectral image［J］.Infrared and Laser Engineering，2010，39(4):772-776.

［7］白宏剛，張建奇，王曉蕊.基于波原子變換的紅外復(fù)雜背景雜波抑制算法［J］.強(qiáng)激光與粒子束，2013，25(1):37-41.BAI Honggang，ZHANG Jianqi，WANG Xiaorui.Infrared complex background clutter suppression algorithm based on wave atom transform ［J］.High Power Laser and Particle Beams，2013，25(1):37-41.

［8］ZHAO Jufeng，F(xiàn)ENG Huajun，XU Zhihai，et al.Real-time automatic small target detection using saliency extraction and morphological theory ［J］.Optics and Laser Technology，2013(47):268-277.

［9］喬立永，徐立新，高敏.紅外圖像復(fù)雜度對目標(biāo)檢測性能的影響［J］.紅外與激光工程，2001，42(S1):253-261.QIAO Liyong，XU Lixin，GAO Min.Influences of infrared image complexity on the target detection performance［J］.Infrared and Laser Engineering，2001，42(S1):253-261.

［10］SHIRVAIKAR M V，TRIVEDI M M.Developing texturebased image clutter measures for object detection［J］.Optical Engineering，1992，31(12):2628-2639.

［11］張建奇，何國經(jīng)，劉德連，等.背景雜波對紅外成像系統(tǒng)性能的影響［J］.紅外與激光工程，2008，37(4):565-568.ZHANG Jianqi，HE Guojing，LIU Delian，et al.Impact of background clutter on IR imaging system performance［J］.Infrared and Laser Engineering，2008，37(4):565-568.

［12］VOICU L I，UDDIN M，MYLER H R，et al.Clutter modeling in infrared images using genetic programming［J］.Optical Engineering，2000，39(9):2359-2371.

［13］林偉，陳玉華，高洪生，等.基于紅外目標(biāo)紋理特征的發(fā)現(xiàn)概率評價模型［J］.紅外與激光工程，2009，38(1):155-159.LIN Wei，CHEN Yuhua，GAO Hongsheng，et al.Detection probability evaluation model based on texture feature of thermal infrared ［J］.Infrared and Laser Engineering，2009，38(1):155-159.

［14］智喜洋，張偉，侯晴宇，等.影響測繪相機(jī)匹配精度的輻射指標(biāo)量化［J］.光學(xué)精密工程，2012，20(2):387-394.ZHI Xiyang，ZHANG Wei，Houqingyu，et al.Quantification for radiometric specifications impacting on matching accuracy of mapping camera［J］.Optics and Precision Engineering，2012，20(2):387-394.