采用信息融合的紅外目標檢測算法

鄭武興,王春平,付 強,徐 艷,李 寧

(1.陸軍工程大學石家莊校區電子與光學工程系,河北 石家莊 050003；2.陸軍炮兵訓練基地教研部,河北 張家口 075100)

1 引 言

紅外目標檢測一直以來都是人們研究和關注的重點,紅外探測不發射電磁波,被動接收電磁波,相對雷達檢測其隱蔽性能好,可避免反輻射導彈的襲擊。紅外目標探測是利用物體熱輻射的不同來進行目標探測的,而任何溫度高于絕對零度的物體都會產生熱輻射[1],相比于可見光檢測,紅外檢測具有晝夜工作,受天氣影響小等優勢。因此紅外目標檢測在精確制導、防空預警、安全監控等領域的應用越來越廣泛[2]。正因如此,長期以來低信噪比條件下的紅外目標檢測技術一直備受國內外關注,如何有效精確地檢測出目標位置,提高檢測算法的抗干擾性和適應性,是一直需要解決的問題。

從20世紀80年代起,紅外目標檢測算法便開始逐步發展。近些年來,隨著科學技術的發展以及各學科領域之間的知識交叉和融合,檢測、識別新算法不斷涌現,如時空域濾波法[3]、顯著性及其各種組合方式[4-5]]、自適應門限法[6]、Top-Hat變換[7-8]、背景抑制法[9]、神經網絡法[10]、機器學習法[11]等。文獻[3]提出了將空時域濾波結合起來進行紅外目標檢測,這種方法是針對圖像序列進行的目標檢測,不能在單幀圖像中及時發現弱小目標。文獻[6]提出融合圖像邊緣檢測和局部運算來自動確定目標位置并預先提取出潛在目標區域,但對于小至幾個或十幾個像素的弱小目標其檢測效果并不理想。文獻[7]和文獻[8]使用的Top-Hat法檢測算法計算速度快,但需要事先確定結構元素尺寸,并且當虛警和目標的灰度值相等時不能很好地對目標進行檢測。文獻[10]和文獻[11]提到的神經網絡和機器學習等方法由于樣本需要經過學習訓練,大部分不能滿足實時性等要求。由此可見,紅外目標檢測技術依然面臨很多難題,目標檢測融合算法依然有可以改進和提升的空間。

本文根據紅外目標的特點以及其檢測難點,有效利用已有的目標檢測算法,在融合濾波的基礎進行顯著性檢測和邊緣檢測。同時,對紅外原始圖像進行質心檢測,通過質心檢測縮小檢測范圍。然后,顯著性檢測和邊緣檢測在該范圍內的檢測結果進行權值分配,融合檢測結果,以此來獲得準確的目標位置,從而最終有效地提高算法的檢測精度。

2 算法實現

目前目標檢測算法已經很多,眾多學者在不斷研究和發現新算法的同時,部分學者也開始關注將算法進行組合或融合,以此來獲得更好地檢測效果。如文獻[12]通過將幀間差分檢測和背景差分結合的方式獲取更精確的目標位置；文獻[13]中也是將幾種方法融合,獲取圖像更好的分割效果。

2.1 多模融合濾波

圖像濾波作為圖像檢測前的預處理部分,其主要目的是增強目標與背景之間的對比度,抑制背景雜波,減少噪聲干擾,提高圖像信噪比。目前的圖像濾波算法有很多,不同的濾波方法其濾波效果和適應性也不同,一般情況下圖像預處理只采用一種方式對紅外圖像進行濾波,一方面是為了保證檢測的實時性,減少圖像預處理耗時。另一方面不同的濾波方式可能會相互干擾,達不到預期的濾波效果。為了得到更好的濾波效果,提高算法的適應性,本文將幾種濾波模式進行了信息融合和改進。具體的濾波流程如圖1所示。

圖1 多模融合濾波流程

融合濾波的具體處理步驟如下:

Step1:將原始紅外圖像進行分組采樣,分別提取不同行列的降采樣圖片。

因為目標在圖像中所占區域往往相對集中,通過降采樣提取圖片,一方面保留了目標和背景的主要特征,且保證了目標的相對位置不變,不影響目標檢測的結果,另一方面又可以減少圖像處理數據,節省預處理時間。

Step 2:對降采樣得到的兩組圖像分別進行不同形式的濾波。

文中采用了中值濾波和均值濾波這兩種濾波方式,因為兩幅降采樣圖片均保留了原始圖像中目標和背景的特性,通過對兩幅圖像進行不同模式的濾波,可以獲得保留目標的不同特征。

Step 3:將兩種不同模式濾波后的圖像分別與各自降采樣圖像作差,并進行融合。

通過分配不同權值系數將兩幅濾波后處理后的圖像進行融合,這樣保留了兩種濾波形式的下目標所具有的不同特點,融合過程中依據濾波效果,對圖像進行了權值分配。本文采用中值和均值濾波圖像權值2∶3的分配系數,有效提高圖像的信噪比,實驗取得良好的濾波效果。

為了驗證多模融合濾波效果,本文選取了一幅640×480大小且含有目標的紅外圖像進行處理,結果如圖2所示。

從圖2可以看出,中值濾波保留了目標相對明顯的角點信息,均值濾波則保留了目標相對完整的邊緣信息。為了驗證濾波效果,文中對原始圖像進行了單一模式濾波,濾波后圖像與原圖作差,結果如圖3所示。

圖2 多模融合濾波處理效果

圖3 單一濾波模式處理效果

圖2(f)與圖3(a)和圖3(b)對比可以看出,經過融合濾波后的圖像使得目標區域更加明顯,有利于后面檢測算法的目標提取。同時為了進一步驗證多模濾波的效果,對不同目標的圖像進行了處理,效果如圖4所示。

圖4 不同目標融合濾波處理效果

2.2 相關檢測算法

質心檢測又稱為矩心檢測(或形心檢測)，是物體對某軸的靜力矩作用中心。如果把目標圖像看成是一塊質量密度不均勻的“薄板”,以圖像上各個像素點的灰度作為各點的質量密度,這樣就可以借用矩心的定義式來計算目標圖像的矩心。由于矩心中心的計算過程是一個統計平均的過程,其算出的目標位置往往不是圖像中個別的最亮點位置,而是圖像中各個像元灰度加權平均的位置,這種檢測方法的結果往往相對穩定但是不夠精確。因此可以采用質心檢測的方法限定圖像中目標檢測區域,一方面可以提高目標的檢測精度,另一方面可以減少處理數據量,提高算法的檢測實時性。圖5是質心檢測對幾種不同目標檢測結果。

圖5 質心檢測結果

由上圖可以看出:由于質心檢測是對整幅圖像灰度值進行加權平均的過程,所以會受到來自光照不均以及噪聲雜波的干擾,因此其檢測結果往往在目標周圍區域但是不能精確確定出目標位置。

顯著性檢測從信息理論角度來看,信息可以分為冗余部分和變化部分,人們視覺對變化部分更敏感,視覺系統的一個基本原則就是一直對頻繁出現的特征的響應,同時對非常規的特征保持敏感,所以可以將圖像分為兩部分。

通過對圖像的log頻譜觀察,侯曉迪等[14]在其研究中發現如下規律:EAf∝1/f。EAf表示大量log頻譜的平均值,f表示頻率。所以大量的log頻譜的平均值和頻率呈現出反比關系。所以圖像的log頻譜和頻率曲線成線性關系。log頻譜是對圖像進行傅里葉變換后的振幅譜取自然對數,大量的圖像的log振幅譜幾乎趨近一條直線,所以一幅圖像的log振幅譜減去平均log振幅譜就是顯著性部分。即:R(f)=L(f)-A(f),其中L(f)就是圖像的log振幅譜;A(f)就是圖像的平均振幅譜。這是顯著性檢測的基本理論,應用在圖像處理上就使得圖像中顯著區域被提取出來,“奇異點”位置將會得到進一步增強。但是其對于灰度值較小或者強度較弱的目標該方法則不能很好地檢測出目標的位置。

邊緣檢測是利用目標區域和背景區域之間在灰度值上不連續的特征進行的圖像檢測,其能夠很好地刻畫出目標物體的邊緣信息,并可以大幅減少數據量,剔除一些不相關信息,使觀察者能夠一目了然,但是同樣存在問題的是對于圖像預處理效果不好的圖像,邊緣檢測往往會將噪聲點或者云層等信息檢測出來影響目標檢測的最終結果。

2.3 信息融合檢測

分析上述各個算法的優點,信息融合檢測算法就是充分利用各個檢測算法的優點,將檢測結果進行融合處理,以期獲得更好的檢測效果,其檢測流程圖如圖6所示。

圖6 信息融合檢測流程圖

其具體的檢測步驟為:

Step 1:通過質心檢測確定出一個檢測區域,用于限制后續檢測范圍。

原始紅外圖像中可能受到光照不均,噪聲雜波等一系列的影響,導致質心檢測不能準確檢測目標位置,但檢測效果往往接近目標區域(如圖5所示),利用該方法可將質心檢測出的目標位置進行中心對稱,以檢測點和對稱點為對角線,并進行適當擴展,從而確定一個新的檢測區域。該區域應包含目標區域和部分背景區域,這樣可以很好剔除部分干擾。

Step 2:在融合濾波基礎上,進行顯著性檢測。

將原始紅外圖像,通過本文所提的融合濾波進行處理,提高圖像的信噪比。然后再對處理后的圖像進行形態濾波,對目標區域再次進行圖像增強,最后進行顯著性檢測,在步驟1確定的檢測區域內進行顯著性區域檢測,并將檢測出的位置信息記為F1,作為目標檢測的一個特征。

Step 3:在融合濾波基礎上,進行邊緣檢測。

同樣是先對圖像進行融合濾波,然后在此基礎上采用邊緣檢測,提取濾波后的目標邊緣信息,并依據步驟1確定的檢測區域,確定目標的檢測位置并記為F2。

Step 4:將選定范圍區域內提取到的目標信息F1和F2,按照式1進行信息融合,確定目標的最終位置。

Fz=λ1F1+λ2F2

(1)

式中,Fz表示最終檢測的目標位置;λ1和λ2分別是不同的融合系數。λ1/λ2為兩種不同檢測算法檢測后圖像的全局信噪比的整數比值：

(2)

根據式(2)計算,全局信噪比(GSNR)的計算公式如式(3)所示:

(3)

其中,設定ωi中i=1表示顯著性檢測的全局信噪比;i=2表示邊緣檢測的全局信噪比;ui表示對應檢測算法檢測后目標區域的灰度均值;ug表示整幅圖像的灰度均值;σg表示整幅圖像的標準差。

3 實驗效果及分析

為了驗證信息融合檢測算法的的性能和效果,本文通過實驗對算法進行了驗證。本文的仿真實驗平臺是基于硬件平臺32位操作系統的 Intel Core i5 CPU,8GB RAM計算機；軟件平臺是基于Windows7操作系統和MATLAB R2015b。

實驗中選取了四組含有不同目標的紅外原始圖像進行實驗,分別對原始圖像進行了顯著性檢測,邊緣檢測和本文的信息融合檢測,其實驗效果如圖7所示。

圖7(a)為一組含有不同目標大小的原始紅外圖像,圖7(b)是顯著性檢測效果,觀察可知顯著性檢測可以在一定程度上檢測出目標的位置,但是對于十分弱小的目標而言(如圖7(a)中的第三幅圖片),并不能夠有效檢測出來,同時對于雜波干擾嚴重的紅外圖像,也會將背景中雜波誤檢出來,影響檢測結果。圖7(c)是邊緣檢測效果圖,由圖可知,邊緣檢測可以很好地刻畫目標的邊緣及形狀,但是對于受到雜波影響嚴重圖像,雖然采用了傳統的濾波形式但依然會檢測出大量的噪聲信息(如圖7(a)中的第一幅圖片),同時對于十分弱小的目標,單一檢測模式也不能很好地檢測出目標。圖7(d)為本文所提的信息融合檢測效果,可以看出在經過質心檢測范圍的限制,并融合了顯著性檢測和邊緣檢測的優點后,目標區域十分明顯,對于弱小目標本文的檢測算法依然可以有效檢測出目標。

圖7 檢測效果圖

表1是所選取序列檢測結果相關參數的平均水平,從圖像標準差、全局信噪比以及檢測時間對處理結果進行客觀評價。從表中可以看出融合檢測算法處理后的圖像標準差降低明顯,說明背景在很大程度上得到抑制,同時信噪比得到很大提高。不過在檢測效率上,即使使用降采樣、限制檢測區域,但由于融合了幾種算法導致檢測時間依然有所降低。

表1 檢測結果及相關參數對比

4 結 論

本文通過融合多種濾波形式來增強紅外圖像的信噪比,并將常用的質心檢測、邊緣檢測、顯著性檢測等檢測方法進行了有效融合,通過算法之間的“取長補短”,有效提高了圖像的檢測效果,使得融合后的檢測算法適用范圍更廣,無論對于弱小目標還是具備形狀信息的紅外目標,甚至受到雜波干擾嚴重的情況均可以較好地實現目標檢測,融合算法的魯棒性更強。當然算法仍然存在一定的不足,因為融合算法較多所以檢測時間相對較長,后續可以通過整體采用降采樣的方式進行改進,提高融合算法的檢測效率。

[1] WU Zhi.Image of the projectile trajectory analysis and research[D].Xi′an：Xi′an Technological University:2010.(in Chinese)

武智.彈丸軌跡圖像的分析與研究[D].西安:西安工業大學,2010.

[2] Lei L,Huang Z.Infrared dim target detection technology based on background estimate[J].Infrared Physics & Technology,2014,62(2):59-64.

[3] WANG Bo,ZHANG Jianqi.Moving dim point target detection based on the spatial and temporal combined filter[J].Journal of Xidian University:Natural Science Edition,2010,37(3):524-528.(in Chinese)

王博,張建奇.一種空時域結合濾波的運動弱小目標檢測方法[J].西安電子科技大學學報:自然科學版,2010,37(3):524-528.

[4] ZHOU Jiao,XIN Yunhong.Infrared dim small target detection based on saliency and scale-space[J].Laser & Infrared,2015,45(4):452-456.(in Chinese)

周姣,辛云宏.基于顯著性與尺度空間的紅外弱小目標檢測[J].激光與紅外,2015,45(4):452-456.

[5] SI Maduan,LONG Yunli,AN Wei,et al.Infrared small target detection based on saliency and frame to frame difference[J].Aerospace Electronic Warfare,2015,31(4):32-35.(in Chinese)

司馬端,龍云利,安瑋,等.基于顯著性與幀間差分的紅外弱小目標檢測[J].航天電子對抗,2015,31(4):32-35.

[6] WANG Yingying,HE Ping,LI Yongbin,et al.Fast IR target-detection method using Otsu algorithm based on bound histogram[J].Laser & Infrared,2014,44(5):577-581.(in Chinese)

王瑩瑩,何蘋,李永賓,等.基于屬性直方圖的快速Otsu紅外目標檢測算法[J].激光與紅外,2014,44(5):577-581.

[7] MA Ke,PENG Zhenming,HE Yanmin,et al.Improved non-downsampled Contourlet transform infrared dim small target detection method[J].High Power Laser and Particle Beams,2013,25(11):2811-2815.(in Chinese)

馬科,彭真明,何艷敏,等.改進的非下采樣Contourlet變換紅外弱小目標檢測方法[J].強激光與粒子束,2013,25(11):2811-2815.

[8] Drummond O E.Morphology-based algorithm for point target detection in infrared backgrounds[J].Proceedings of SPIE-The International Society for Optical Engineering,1993,1954:2-11.

[9] XUE Yonghong,RAO Peng,FAN Shiwei,et al.Infrared dim small target detection algorithm based on generating Markov random field and local statistic characteristic[J].Journal of Infrared and Millimeter Waves,2013,32(5):431-436.(in Chinese)

薛永宏,饒鵬,樊士偉,等.基于生成MRF和局部統計特性的紅外弱小目標檢測算法[J].紅外與毫米波學報,2013,32(5):431-436.

[10] LIU Yanli.Research on target detection and tracking algorithm based on neural network[D].Wuhu:Anhui Polytechnic University,2013.(in Chinese)

劉艷麗.基于神經網絡的運動目標檢測與跟蹤算法的研究[D].蕪湖:安徽工程大學,2013.

[11] Sun X,Fang G.Infrared small targets detection based on MRF model[J].Procedia Engineering,2012,29(4):420-424.

[12] SUN Ting,QI Yingchun,GENG Guahua.Moving object detection algorithm based on frame difference and background subtraction[J].Journal of Jilin University：Engineering,2016,46(4):1325-1329.(in Chinese)

孫挺,齊迎春,耿國華.基于幀間差分和背景差分的運動目標檢測算法[J].吉林大學學報：工學版,2016,46(4):1325-1329.

[13] ZHANG Zhongyu,JIAO Shuhong.Infrared ship target detection method based on multiple feature fusion[J].Infrared and Laser Engineering,2015,44(s):29-34.(in Chinese)

張仲瑜,焦淑紅.多特征融合的紅外艦船目標檢測方法[J].紅外與激光工程,2015,44(s):29-34.

[14] Hou X,Zhang L.Saliency detection:a spectral residual approach[C]//Computer Vision and Pattern Recognition,2007.CVPR ′07.IEEE Conference on.IEEE,2007:1-8.