紅外弱小目標(biāo)檢測(cè)背景抑制算法研究

金長(zhǎng)江,師廷偉（中國(guó)電子科技集團(tuán)公司第二十七研究所，河南　鄭州450047）

?

紅外弱小目標(biāo)檢測(cè)背景抑制算法研究

金長(zhǎng)江,師廷偉
（中國(guó)電子科技集團(tuán)公司第二十七研究所，河南鄭州450047）

摘要：復(fù)雜背景下紅外小目標(biāo)識(shí)別一直是紅外圖像處理的關(guān)鍵技術(shù)之一，針對(duì)復(fù)雜云背景下紅外弱小目標(biāo)的時(shí)域和空域特征，考慮到易于硬件實(shí)現(xiàn)和實(shí)時(shí)性要求，提出基于快速統(tǒng)計(jì)排序?yàn)V波和Robinson Guard濾波并行快速處理算法，對(duì)復(fù)雜背景進(jìn)行高信噪比抑制。實(shí)驗(yàn)證明，該方法能夠有效地提高紅外弱小目標(biāo)圖像信噪比和復(fù)雜背景下的小目標(biāo)的檢測(cè)概率。

關(guān)鍵詞：小目標(biāo)檢測(cè)；紅外圖像；背景抑制；Robinson Guard濾波器

0 引　言

目前，在導(dǎo)彈制導(dǎo)、遠(yuǎn)程探測(cè)以及地面跟蹤等領(lǐng)域，對(duì)于點(diǎn)目標(biāo)的檢測(cè)已經(jīng)成為核心技術(shù)之一[1-2]。由于點(diǎn)目標(biāo)具有尺寸小、無(wú)形狀和紋理特征等特點(diǎn)，加上遠(yuǎn)距離傳輸所造成的能量衰減、云霧等障礙物及探測(cè)器噪聲的影響，致使點(diǎn)目標(biāo)信號(hào)在紅外圖像平面上，極易淹沒(méi)在強(qiáng)噪聲背景中，表現(xiàn)為弱點(diǎn)狀或者不穩(wěn)定斑點(diǎn)狀，其檢測(cè)任務(wù)變得非常困難[3]。

為了提高目標(biāo)檢測(cè)概率，對(duì)紅外小目標(biāo)圖像進(jìn)行檢測(cè)前預(yù)處理十分必要。國(guó)內(nèi)外學(xué)者已經(jīng)提出了很多抑制背景濾波器，如自適應(yīng)背景預(yù)測(cè)檢測(cè)[4]、形態(tài)學(xué)方法[5]、小波變換[6]等，這些濾波器在背景緩變時(shí)處理效果較好，但背景起伏較大時(shí)，弱小目標(biāo)的探測(cè)概率不能達(dá)到令人滿意的效果。本文在復(fù)雜背景下分析紅外小目標(biāo)圖像特征，提出基于統(tǒng)計(jì)排序的空域?yàn)V波器和Robinson Guard濾波器[7-8]的預(yù)處理算法對(duì)圖像序列進(jìn)行雜波抑制，該方法在降低運(yùn)算量的基礎(chǔ)上，克服了高通濾波器無(wú)法濾除高頻噪聲的缺點(diǎn)，減少了復(fù)雜背景抑制不干凈而產(chǎn)生的噪聲，不失真地保留小目標(biāo)特征信息，便于后續(xù)進(jìn)行紅外小目標(biāo)的識(shí)別和檢測(cè)。

1 復(fù)雜背景下小目標(biāo)圖像特征分析

1.1 小目標(biāo)圖像時(shí)域模型分析

包含小目標(biāo)的紅外圖像序列f（x，y，k）[9-11]可以描述為

式中：f（x，y，k）——圖像上點(diǎn)（x，y）在第k幀的灰度值；

fT（x，y，k）——點(diǎn)目標(biāo)像素值；

fB（x，y，k）——背景圖像；

N（x，y，k）——噪聲圖像；

k——序列圖像中的幀數(shù)。

目標(biāo)點(diǎn)灰度f(wàn)T（x，y，k）與周圍背景相比具有不連續(xù)性，通常比背景亮。而背景圖像fB（x，y，k）具有空間相關(guān)性，通常處于紅外圖像f（x，y，k）的中、低頻部分。當(dāng)然，由于視場(chǎng)與探測(cè)器熱噪聲分布的不均勻性，局部圖像的灰度值可能有較大的變化，fB（x，y，k）中包含部分高頻分量，主要分布在背景圖像各個(gè)同質(zhì)區(qū)的邊緣處。隨機(jī)噪聲N（x，y，k）主要是探測(cè)器的內(nèi)部噪聲和外部隨機(jī)噪聲，與背景像素不相關(guān)，在空間隨機(jī)分布，其統(tǒng)計(jì)特性通常可被描述為零均值的高斯白噪聲。噪聲圖像和紅外圖像中具備一定信噪比的小目標(biāo)點(diǎn)灰度圖像fT（x，y，k）一樣，主要分布在紅外圖像f（x，y，k）的高頻段。

紅外圖像中由于噪聲N（x，y，k）的存在，會(huì)降低空域?yàn)V波算法的性能，圖像處理前需要進(jìn)行降噪處理，通常采用低通濾波法。

1.2 小目標(biāo)特征分析

通過(guò)觀察大量紅外小目標(biāo)圖像，發(fā)現(xiàn)圖像序列中的小目標(biāo)具有形狀、灰度、航跡等特征，但是圖像中的飛鳥(niǎo)、噪聲、碎云、云邊緣亮點(diǎn)等復(fù)雜背景與小目標(biāo)的特征具有一定的差異。

1.2.1 形狀特征

弱小目標(biāo)在紅外圖像中表現(xiàn)為點(diǎn)目標(biāo)，一般僅幾個(gè)像素，最大不超過(guò)5×5個(gè)像素。雖然圖像中目標(biāo)呈現(xiàn)弱小性，但是與飛鳥(niǎo)、噪點(diǎn)等相比具有一定的特征，其中包括：

1）小目標(biāo)尺寸一般小于3×3個(gè)像素。

2）目標(biāo)的長(zhǎng)寬比表示為：Nt/K=max（Δx，Δy）/ min（Δx，Δy）∈[1，3]，其中max（Δx，Δy）為點(diǎn)目標(biāo)x、y軸方向大者，min（Δx，Δy）為點(diǎn)目標(biāo)x、y軸方向小者。

3）小目標(biāo)的占比R=Nt/Nw∈[0.4，1]，其中Nt為小目標(biāo)的像素?cái)?shù)，Nw為模板窗口像素?cái)?shù)，一般選擇3×3模板。

1.2.2 灰度模型分析

紅外圖像中灰度特征反應(yīng)了場(chǎng)景中物體的輻射強(qiáng)度，小目標(biāo)的灰度特征與復(fù)雜云背景中的散云、飛鳥(niǎo)等存在一定的差異，通過(guò)對(duì)大量小目標(biāo)紅外灰度特征的分析，提取以下2點(diǎn)特征參數(shù)：

1）平均值灰度差

平均灰度差是小目標(biāo)區(qū)域灰度均值和鄰域局部背景灰度均值的差值，反映紅外圖像中的弱小目標(biāo)灰度微弱程度。

式中：nT——小目標(biāo)的像素?cái)?shù)；

nB——窗口內(nèi)除了小目標(biāo)以外的背景像素?cái)?shù)，

即nB=Nw-nT；

Δf——均值灰度差。

2）局部平均梯度

通常人造的紅外目標(biāo)相對(duì)于背景來(lái)說(shuō)，其內(nèi)部細(xì)節(jié)比自然場(chǎng)景更加豐富，目標(biāo)梯度和背景梯度會(huì)有很大差異，對(duì)于二位數(shù)字圖像f（x，y），在點(diǎn)（x，y）處的梯度定義為

為了簡(jiǎn)化計(jì)算，將梯度定義為沿某一方向相鄰像素相減的絕對(duì)值之和。對(duì)于3×3的鄰域，0°、45°、90°、135°方向上的梯度按照下面的公式計(jì)算：

紅外小目標(biāo)的灰度梯度均值反映目標(biāo)相對(duì)于背景的灰度變化劇烈程度，目標(biāo)點(diǎn)8個(gè)方向的梯度均值表示為

1.2.3 航跡特征

小目標(biāo)在場(chǎng)景中的航跡特征主要表現(xiàn)為速度和軌跡兩個(gè)方面，小目標(biāo)在連續(xù)幾幀圖像中具有相關(guān)性，軌跡曲線也較為平滑。在多幀處理中，可利用連續(xù)多幀（比如5幀）目標(biāo)點(diǎn)連續(xù)出現(xiàn)的概率來(lái)判決。如圖1所示，經(jīng)過(guò)多幀處理后，目標(biāo)點(diǎn)的軌跡用“+”表示，而視場(chǎng)中非目標(biāo)點(diǎn)用“×”標(biāo)識(shí)。一般情況下，由于飛機(jī)目標(biāo)軌跡近似為直線，而飛鳥(niǎo)軌跡曲率均方差較大。通過(guò)航跡特征，可以將小目標(biāo)和飛鳥(niǎo)等區(qū)別開(kāi)來(lái)。

圖1 不同目標(biāo)的航跡特征

2 預(yù)處理算法

通過(guò)對(duì)小目標(biāo)特征的分析，經(jīng)過(guò)反復(fù)試驗(yàn)，發(fā)現(xiàn)影響復(fù)雜天空背景下小目標(biāo)檢測(cè)概率的主要因素是背景中的云邊緣，以及形狀和灰度與小目標(biāo)類似的碎云目標(biāo)。預(yù)處理主要實(shí)現(xiàn)紅外圖像背景雜波抑制，構(gòu)造背景圖像的水平?jīng)Q定了后續(xù)檢測(cè)概率。構(gòu)造的背景圖像一方面要濾除紅外小目標(biāo)等點(diǎn)高頻分量，另一方面盡量保持原始圖像中的云層邊緣等線高頻分量，隨后差分運(yùn)算后能較好地保持小目標(biāo)信息。

2.1 基于統(tǒng)計(jì)排序的高通濾波算法

傳統(tǒng)的背景抑制算法多采用中值濾波器，由于其對(duì)邊緣處理的不確定性，差分之后的圖像中能夠較為清晰地看到起伏較大的背景的邊緣，不利于目標(biāo)檢測(cè)，提出基于統(tǒng)計(jì)排序的高通濾波器，既保證了圖像中小目標(biāo)，又有效地進(jìn)行邊緣處理。統(tǒng)計(jì)排序?yàn)V波屬于非線性濾波，設(shè)濾波窗口W內(nèi)所有像素的個(gè)數(shù)為N=n×n（n為奇數(shù)），當(dāng)W移動(dòng)至坐標(biāo)K（x，y）時(shí)，窗口內(nèi)像素序列記為WN（k）：

對(duì)WN（k）進(jìn)行排序變換Sort得到序列Qm（k），其中X1′（k）≤X2′（k）≤…≤XN′（k），用序列Qm（k）值中的像素值或者幾個(gè)像素值的加權(quán)組合代替當(dāng)前位置像素值。傳統(tǒng)預(yù)處理算法多采用中值濾波法，雖然對(duì)圖像中的椒鹽噪聲有較好的濾波效果，但對(duì)復(fù)雜背景的邊緣處理效果不佳，根據(jù)背景差分處理算法的要求，原始圖像與高通濾波之后圖像比對(duì)得到圖像中的高頻分量。系統(tǒng)中用Qm（k）（其中取m＜（N+1）/2）代替當(dāng)前像素點(diǎn)的灰度值。此算法的關(guān)鍵是m取值，設(shè)計(jì)中根據(jù)當(dāng)前窗口像素值標(biāo)準(zhǔn)方差自適應(yīng)得到。

以上統(tǒng)計(jì)排序算法在FPGA內(nèi)部實(shí)現(xiàn)，利用FPGA速度快、并行處理能力強(qiáng)的特點(diǎn)，由內(nèi)部流水線實(shí)現(xiàn)并行快速排序算法，結(jié)合當(dāng)前窗口背景的標(biāo)準(zhǔn)方差自適應(yīng)獲得m值。

2.2 Robinson Guard濾波器

傳統(tǒng)預(yù)處理算法都是采用單一的策略算法進(jìn)行背景抑制，在硬件資源充足的情況下，采用兩種方法并行背景抑制無(wú)疑將較大程度提高檢測(cè)概率。由于弱小目標(biāo)在空域內(nèi)變?yōu)辄c(diǎn)目標(biāo)源，此處采用具有保護(hù)帶的Robinson濾波器增強(qiáng)目標(biāo)點(diǎn)。Robinson濾波器通過(guò)對(duì)比中心像素與其鄰域像素極值間的差異來(lái)抑制背景，對(duì)緩變的平坦背景以及空間相關(guān)性強(qiáng)的邊緣背景都有很好的抑制作用。

由于Robinson濾波器具有保護(hù)帶，在目標(biāo)不太大的情況下能給出目標(biāo)的完整信息，以尺寸7×7的濾波器模板為例，其結(jié)構(gòu)如圖2所示。

圖3 預(yù)處理流程圖

2.3 圖像預(yù)處理流程

為了提高檢測(cè)概率，需考慮背景的復(fù)雜程度，根據(jù)圖像特征確定各類背景閾值分割，從而達(dá)到自適應(yīng)地抑制復(fù)雜背景的目的。預(yù)處理算法流程如圖3所示，紅外探測(cè)器輸出14bit、120fps數(shù)字圖像，單幀圖像的采集、緩存和預(yù)處理算法在FPGA上實(shí)現(xiàn)，目標(biāo)的多幀處理在DSP內(nèi)完成。

3 實(shí)驗(yàn)結(jié)果及分析

本文的預(yù)處理算法在FPGA內(nèi)實(shí)現(xiàn)，紅外探測(cè)器輸出120 fps的14bit數(shù)字圖像，圖像大小320×256。為了更好評(píng)價(jià)各種預(yù)處理濾波算法的有效性，定義目標(biāo)信噪比（SNR）：

式中：fT——目標(biāo)灰度；

fB——目標(biāo)周圍背景的平均灰度；

σB——背景標(biāo)準(zhǔn)差。

圖4 Top-hat變換后的圖像結(jié)果

圖5 均值濾波預(yù)處理后圖像結(jié)果

圖6 中值濾波預(yù)處理后圖像結(jié)果

圖7 統(tǒng)計(jì)排序+Robinson濾波預(yù)處理后圖像結(jié)果

引入背景抑制因子（background suppression factor，BSF），BSF=Cin/Cout，其中Cin和Cout分別代表圖像處理前后雜波的標(biāo)準(zhǔn)差。

為了驗(yàn)證算法的有效性，在某靶場(chǎng)開(kāi)展了針對(duì)靶機(jī)的驗(yàn)證實(shí)驗(yàn)，如圖4（a）所示，天空背景較為復(fù)雜，將紅外小目標(biāo)出現(xiàn)在視場(chǎng)中的視頻中的5s圖像進(jìn)行實(shí)時(shí)采集并存儲(chǔ)。分別采用形態(tài)學(xué)Top-hat濾波算法、均值濾波算法、中值濾波算法和統(tǒng)計(jì)排序+ Robinson濾波算法，對(duì)目標(biāo)進(jìn)行實(shí)時(shí)檢測(cè)和判別。原始圖像如圖4（a）所示，經(jīng)過(guò)多種算法濾波后的圖像如圖4～圖7所示。

以上濾波算法均在FPGA內(nèi)實(shí)現(xiàn)。4種背景抑制算法信噪比對(duì)比如表1所示。

表1 4種濾波算法對(duì)比

并對(duì)6s視頻目標(biāo)檢測(cè)的結(jié)果進(jìn)行了對(duì)比，目標(biāo)視頻共計(jì)120 fps×5 s=600幀，目標(biāo)檢測(cè)中采用多幀（5幀）處理算法，對(duì)目標(biāo)有效檢測(cè)進(jìn)行統(tǒng)計(jì)，采用不同算法的檢測(cè)概率如表2所示。

表2 4種濾波算法檢測(cè)概率對(duì)比

由此，發(fā)現(xiàn)基于統(tǒng)計(jì)排序和Robinson保護(hù)濾波器的預(yù)處理能夠較好地抑制復(fù)雜背景，對(duì)小目標(biāo)的保護(hù)也比較出色，有效提高了目標(biāo)的檢測(cè)概率。

4 結(jié)束語(yǔ)

本文針對(duì)復(fù)雜背景下的紅外小目標(biāo)圖像預(yù)處理，首先分析了紅外小目標(biāo)圖像特征和影響復(fù)雜背景小目標(biāo)圖像信噪比的主要因素，提出復(fù)雜背景下的基于統(tǒng)計(jì)排序?yàn)V波和具有小目標(biāo)保護(hù)帶的Robinson濾波并行處理算法。實(shí)驗(yàn)結(jié)果表明，本文方法在復(fù)雜天空背景下，有效地減小了復(fù)雜背景在邊緣處理中帶來(lái)的虛警，背景噪聲得到有效抑制，為目標(biāo)檢測(cè)概率的提高和虛警率的降低奠定基礎(chǔ)。

參考文獻(xiàn)

[1]趙晶晶，諶海新，劉星彤，等.紅外小目標(biāo)圖像預(yù)處理方法研究[J].信號(hào)處理，2009，25（7）：1088-1091.

[2]葉增軍，王江安，阮玉，等.海空復(fù)雜背景下紅外弱點(diǎn)目標(biāo)的檢測(cè)算法[J].紅外與毫米波學(xué)報(bào)，2000，19（2）：121-124.

[3]盧莉萍，李翰山，張宏.復(fù)雜背景下的紅外小目標(biāo)圖像信息提取[J].西安科技大學(xué)學(xué)報(bào)，2011，31（5）：584-588.

[4]王宇翔，韓振鐸，王宏敏，等.一種基于自適應(yīng)背景預(yù)測(cè)的紅外弱小目標(biāo)檢測(cè)方法[J].激光與紅外，2012，42（10）：1181-1186.

[5]方義強(qiáng)，樊祥，程正東，等.基于數(shù)學(xué)形態(tài)學(xué)的紅外小目標(biāo)跟蹤研究[J].彈箭與制導(dǎo)學(xué)報(bào)，2012，32（2）：15-18.

[6]羅曉清，吳小俊.利用小波變換與Gabor濾波檢測(cè)紅外小目標(biāo)[J].，2011，40（9）：1817-1822.

[7] ROBINSON G S. Edge detection by compass gradient masks[J]. Comput Graphics Image Processing，1977，6（5）：315-328.

[8] LEUNG H，YOUNG A. Small target detection in clutter using recursive nonlinear prediction [J]. IEEE Tans on Aerospace and Electronic Systems，2000，36（2）：713-718.

[9]牛戴楠.基于FPGA的紅外圖像預(yù)處理系統(tǒng)的研究與設(shè)計(jì)[D].武漢：武漢理工大學(xué)，2008.

[10]秦劍，陳錢，錢惟賢.基于背景分類的弱小目標(biāo)檢測(cè)算法[J].光電工程，2011，38（1）：23-33.

[11] EMILIO M，ANDREA C. Learning scene context for multiple object tracking[J]. IEEE Transactions On Image Processing，2009，18（8）：1873-1884.

（編輯：徐柳）

Study on the algorithms for infrared small object image background suppression

JIN Changjiang，SHI Tingwei
（The 27th Research Institute of China Electronics Technology Group Corporation，Zhengzhou 450047，China）

Abstract:The recognition of infrared small targets in complex backgrounds is one of the key technologies for infrared image processing. In this paper，a rapid order -statistics filters and Robinson Guard filters based parallel and rapid processing algorithm is proposed according to the temporal and spatial fields of infrared small and weak targets under complicated cloud backgrounds and the requirements of hardware realization and real-time performance. It is a high SNR background suppression method. The experiment reveals that the algorithm can improve the SNR of infrared small and weak targets and enhance the probability in small target detection under complicated backgrounds.

Keywords:small object detection；infrared image；background suppression；Robinson Guard filter

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1674-5124（2016）04-0115-05

doi：10.11857/j.issn.1674-5124.2016.04.025

收稿日期：2015-12-15；收到修改稿日期：2016-01-20

作者簡(jiǎn)介：金長(zhǎng)江（1983-），男，河南鄭州市人，工程師，碩士，主要從事光電信息處理研究。