基于梯度關(guān)系和局部連通性的紅外小目標(biāo)檢測方法

李佳文，李 建，楊 杰

（1.上海交通大學(xué) 圖像處理與模式識別研究所，上海 200240；2.上海航天控制技術(shù)研究所，上海 200240；3.中國航天科技集團(tuán)公司紅外探測技術(shù)研發(fā)中心，上海 200240）

0 引言

在復(fù)雜的現(xiàn)代化環(huán)境下，必須及時(shí)發(fā)現(xiàn)目標(biāo)并精確定位，才能進(jìn)行下一步的目標(biāo)跟蹤，實(shí)現(xiàn)精確打擊。在現(xiàn)有的紅外成像條件下，目標(biāo)容易受到復(fù)雜背景、輻射和不確定噪聲等因素的嚴(yán)重影響［1］，紅外圖像可能會非常模糊，甚至?xí)蜎]在周圍環(huán)境中。因此，研究復(fù)雜環(huán)境下的紅外弱小目標(biāo)檢測算法，保證識別的高準(zhǔn)確率，是提升現(xiàn)代化軍事能力的重要環(huán)節(jié)。

目標(biāo)檢測［2-3］是計(jì)算機(jī)視覺領(lǐng)域的一個(gè)重要的研究方向。它主要用于復(fù)雜環(huán)境下目標(biāo)尺寸大小、能量特性等信息，實(shí)現(xiàn)對目標(biāo)的識別定位。目標(biāo)檢測技術(shù)在人臉識別、無人駕駛、精確制導(dǎo)等領(lǐng)域均有廣泛應(yīng)用。在軍用方面，由于需要檢測的目標(biāo)多為紅外弱小目標(biāo)，與民用領(lǐng)域中常見的可見光圖像中的目標(biāo)有一定差別，檢測難度相對較大。如何在低信噪比條件環(huán)境中準(zhǔn)確提取目標(biāo)信息，剔除可能存在的各種干擾點(diǎn)，是目前紅外目標(biāo)檢測技術(shù)所要解決的重要問題。

自21 世紀(jì)開始，人們陸續(xù)提出了多種有效的紅外弱小目標(biāo)檢測算法。檢測算法的基礎(chǔ)主要分為兩類：背景抑制和小目標(biāo)顯著性。基于背景抑制的檢測算法是通過對背景建模，降低背景對弱小目標(biāo)的干擾程度。比較典型的算法有1999 年VENKATESWARLU 等［4］提出的平滑濾波方法，對背景進(jìn)行估計(jì)；2017 年許文晴等［6］改進(jìn)了簡單的濾波檢測算法，首先提取圖像中的目標(biāo)區(qū)域，構(gòu)造雙結(jié)構(gòu)元素抑制噪聲和雜波信號。基于顯著性的檢測算法是將弱小目標(biāo)看作圖像中的顯著區(qū)域，利用梯度等特征對圖像進(jìn)行顯著性檢測。比較典型的算法有2013 年劉運(yùn)龍等［7］提出的基于局部灰度均值確定弱小目標(biāo)位置的算法，在簡單背景下能取得較好的效果。圖像邊緣梯度特征可以除去部分冗余信息，且對噪聲不敏感，因此，出現(xiàn)了基于梯度信息的目標(biāo)檢測算法［7-8］。但因閾值二值化的影響，目標(biāo)定位的準(zhǔn)確率受到限制。部分學(xué)者在提出的目標(biāo)檢測方法中加入了連通性檢驗(yàn)，一定程度上降低了背景部分的噪聲。

本文針對利用梯度信息檢測弱小目標(biāo)的局限性提出一種改進(jìn)算法，首先尋找圖片中具有梯度關(guān)系的像素點(diǎn)作為候選目標(biāo)，利用區(qū)域生長方法檢測這些像素點(diǎn)與周圍環(huán)境的連通性。為了適應(yīng)多個(gè)目標(biāo)檢測環(huán)境，利用自適應(yīng)選擇策略確定閾值，提高弱小目標(biāo)的檢測準(zhǔn)確率，在目標(biāo)跟蹤［9］等其他領(lǐng)域也能進(jìn)一步應(yīng)用。

1 本文算法主要原理

由于弱小目標(biāo)的特性，目標(biāo)紅外能量較高，在像平面上像素值較高，背景相對較亮，因此，可看作小目標(biāo)與周圍環(huán)境存在梯度關(guān)系。目標(biāo)面積較小，而干擾點(diǎn)一般情況下都比小目標(biāo)大，可以認(rèn)為小目標(biāo)與周圍背景不存在連通性，干擾點(diǎn)往往與周圍背景存在連通性。兩個(gè)檢測步驟中的閾值均利用自適應(yīng)策略確定，以適應(yīng)多種復(fù)雜環(huán)境。

1.1 基于梯度和局部連通性檢測

首先，針對輸入紅外圖像X，根據(jù)紅外成像中弱小目標(biāo)特性，尋找圖中的峰值點(diǎn)，即尋找滿足如下公式的像素點(diǎn)位置：

式中：Xi，j為紅外圖像X第i行第j列的像素點(diǎn)；Xi+r，j+r為以Xi，j為中心點(diǎn)，長寬均為2r的矩形區(qū)域；Tm為像素閾值。

峰值點(diǎn)檢測如圖1 所示，其紅色圓圈代表檢測得到的峰值點(diǎn)。

圖1 檢測小目標(biāo)的像素圖Fig.1 Pixel image of detected dim target

一般而言，通過尋找圖像中的像素峰值點(diǎn)可以確定目標(biāo)的位置，但這種檢測方法較簡單，對圖像中的噪聲點(diǎn)會較為敏感，誤檢率較高。考慮到弱小目標(biāo)的特性，小目標(biāo)所在的區(qū)域與其小鄰域范圍內(nèi)應(yīng)該有一個(gè)梯度變化，且變化是很尖銳的。因此，本文提出的檢測方法引入了梯度檢測和局部連通性檢測，進(jìn)一步處理檢測到的像素峰值點(diǎn)，首先在找到的像素峰值點(diǎn)的基礎(chǔ)上尋找具有梯度關(guān)系的可疑目標(biāo)點(diǎn)，分兩種情況處理。當(dāng)處理單像素目標(biāo)時(shí)（如圖2 所示），可基于上一步得到的峰值點(diǎn)，直接尋找滿足如下公式的點(diǎn)，即

式中：TG為梯度閾值，具體數(shù)值與檢測的數(shù)據(jù)集和檢測環(huán)境有關(guān)。

圖2 梯度關(guān)系檢測示意圖Fig.2 Schematic diagram of gradient relation detection

圖2 表示將待檢測點(diǎn)像素值與周圍3×3 區(qū)域點(diǎn)的像素值相比較，當(dāng)差值超過梯度閾值時(shí)，則說明該點(diǎn)與周圍區(qū)域滿足梯度關(guān)系，判定為疑似目標(biāo)點(diǎn)。如果處理的是如圖3 所示的多像素目標(biāo)，需要進(jìn)行如文獻(xiàn)［10］的多尺度檢測處理。

圖3 多尺度檢測處理示意圖Fig.3 Schematic diagram of multi-scale detection and processing

梯度與連通性的關(guān)系如圖4 所示。圖中可見，滿足梯度關(guān)系不一定保證該區(qū)域的不連通性。因此，本文在判斷局部區(qū)域的梯度關(guān)系之后加入?yún)^(qū)域生長算法［11-13］，將經(jīng)過梯度關(guān)系判斷得到的可疑目標(biāo)點(diǎn)作為種子點(diǎn)，對種子點(diǎn)做區(qū)域生長，記錄區(qū)域生長結(jié)束后形成的區(qū)域面積。判斷的方法是比較區(qū)域生長后的面積與事先設(shè)定的閾值大小關(guān)系。

具體的判斷準(zhǔn)則為

式中：Si，j為由目標(biāo)點(diǎn)Xi，j生長出的區(qū)域面積；Tc為區(qū)域生長的面積閾值，數(shù)值由自適應(yīng)策略確定。

圖4 梯度及連通性關(guān)系Fig.4 Relation between gradient and connectivity

根據(jù)區(qū)域生長算法，可以有效判斷當(dāng)前可疑點(diǎn)是否具有連通性。連通性的準(zhǔn)則判斷依據(jù)如下：

1）若生長區(qū)域的面積＞閾值，則該點(diǎn)具有連通性，故不是目標(biāo)點(diǎn)；

2）若生長區(qū)域的面積＜閾值，則該點(diǎn)不具有連通性，故是目標(biāo)點(diǎn)。

1.2 自適應(yīng)閾值確定

本文提出的檢測方法中梯度檢測算法和區(qū)域生長算法都涉及閾值的設(shè)定，而且閾值依賴于數(shù)據(jù)本身，不同的數(shù)據(jù)集，能量分布特性和目標(biāo)特性可能會有很大不同，因此，使閾值能夠自適應(yīng)很有必要。本文先給出檢測算法的評判標(biāo)準(zhǔn)，在此基礎(chǔ)上給出區(qū)域生長算法的閾值選取準(zhǔn)則。

對于檢測結(jié)果的評估，采用P（準(zhǔn)確率）/R（召回率）的方式，相應(yīng)的計(jì)算公式為

式中：PT為將正樣本（真實(shí)目標(biāo)點(diǎn)）檢測為正樣本的數(shù)量；PF為將負(fù)樣本（虛假目標(biāo)點(diǎn)、噪聲點(diǎn)）檢測為正樣本的數(shù)量；NT為將正樣本檢測為負(fù)樣本的數(shù)量。

準(zhǔn)確率和召回率是一對矛盾的度量。一般來說，準(zhǔn)確率高時(shí)，召回率較低；召回率較高時(shí)，準(zhǔn)確率往往偏低。本方法中需要盡可能地將真實(shí)目標(biāo)點(diǎn)檢測到，即使包含進(jìn)去較多的干擾點(diǎn)。通過一些方法對干擾點(diǎn)剔除篩選，從而得到最終的真實(shí)目標(biāo)點(diǎn)。若沒有將真實(shí)目標(biāo)點(diǎn)檢測到，后續(xù)的所有操作都將毫無意義。如果要盡可能提高檢測算法的精度，需提高召回率，因此，檢測時(shí)應(yīng)當(dāng)設(shè)定較低的閾值。

為了自適應(yīng)地確定閾值，本方法需要研究當(dāng)前圖像中目標(biāo)與背景之間能量的相互關(guān)系，從而判斷當(dāng)前目標(biāo)點(diǎn)檢測的難易程度。將整張圖片的所有像素值視為一個(gè)數(shù)組，目標(biāo)點(diǎn)的像素值成為數(shù)組中的“離群值”。由于整張圖片較為平滑，可認(rèn)為近似服從高斯分布，故可利用圖像的標(biāo)準(zhǔn)差和均值來篩選“離群值”。在高斯分布中，數(shù)值落在（m-3d，m+3d）這一區(qū)間的比率超過99%，落在這個(gè)區(qū)間之外則視為“離群值”。因此，可設(shè)置像素閾值和面積閾值如下：

式（2）和式（4）變?yōu)?/p>

從中看出，如果像素值大于m+3d，則認(rèn)為是峰值點(diǎn)，參與下一步檢測；如果生長區(qū)域中像素值大于m+5d的點(diǎn)低于一定比例，則認(rèn)為其面積較小，不能連通，進(jìn)而認(rèn)為該點(diǎn)是目標(biāo)點(diǎn)。

2 實(shí)驗(yàn)結(jié)果及分析

2.1 復(fù)雜背景圖片目標(biāo)檢測

本文算法中，設(shè)置梯度閾值參數(shù)TG=50，檢測區(qū)域選擇的是21×21 像素鄰域，若紅外圖像形態(tài)差別較大，則可以適當(dāng)調(diào)整梯度閾值參數(shù)值。

本文算法針對紅外圖像，因此，選取多張含有弱小目標(biāo)的紅外圖像［14］進(jìn)行實(shí)驗(yàn)。本文提出的算法在這些圖像上的檢測結(jié)果如圖5 所示。上一行為原始圖像，下一行為標(biāo)記結(jié)果的圖像。

圖5（a）和圖5（c）含有較多噪聲點(diǎn)，而從圖5（e）和圖5（g）可以看出，本文算法不受噪聲點(diǎn)的影響，準(zhǔn)確檢測到了目標(biāo)。圖5（b）是以天空為背景，

在圖5 中有白云作為干擾，黑白色差較大，且目標(biāo)所處位置附近白云較為密集，圖5（f）這一結(jié)果顯示了算法的魯棒性。圖5（d）背景較為復(fù)雜，有較多的海雜波，目標(biāo)是一艘潛艇，檢測結(jié)果如圖5（h）所示，檢測到的目標(biāo)標(biāo)記處于潛艇的中心處，說明了算法能夠避免背景中可能存在的復(fù)雜波動(dòng)的影響，較準(zhǔn)確地檢測到目標(biāo)。

仍選擇圖5 當(dāng)中的4 張?jiān)紙D片，對其進(jìn)行Top-Hat 運(yùn)算，運(yùn)算結(jié)果如圖6 所示，上方4 張圖片為原圖，下方4 張圖片為處理結(jié)果圖。可以看出，Top-Hat 操作能夠凸顯出部分場景中的小目標(biāo)，但是在如圖6（g）所示的環(huán)境中，Top-Hat 運(yùn)算的凸顯效果不能令人滿意，仍然存在較多噪點(diǎn)，無法通過閾值二值化檢測出目標(biāo)。

圖5 本文算法的檢測結(jié)果Fig.5 Detection results of the proposed algorithm

圖6 Top-Hat 運(yùn)算的檢測結(jié)果Fig.6 Detection results of the Top-Hat algorithm

2.2 紅外視頻序列目標(biāo)檢測

本部分選取了紅外數(shù)據(jù)集VOT-TIR2015［15］進(jìn)行實(shí)驗(yàn)。選取boat1 子數(shù)據(jù)集的前100 幀圖片進(jìn)行目標(biāo)檢測。選取梯度閾值參數(shù)TG=70，檢測結(jié)果如圖7 所示，其中圖7（a）～圖7（d）4 幅子圖為本文算法的處理結(jié)果。

結(jié)果顯示，本文算法在保證100% 檢測準(zhǔn)確率的基礎(chǔ)上，平均每幀處理時(shí)間可達(dá)0.402 8 s，而采用Top-Hat 運(yùn)算，平均處理時(shí)間達(dá)到了1.101 8 s。比較之下，本文提出的算法在處理速度上具有優(yōu)勢。

圖7 本文算法在boat1 視頻序列中的檢測結(jié)果Fig.7 Detection results of the proposed method in boat1 video sequences

3 結(jié)束語

本文針對紅外圖像中的弱小目標(biāo)檢測問題，提出一種基于梯度關(guān)系和局部連通性的弱小目標(biāo)檢測方法。該方法首先基于像素?cái)?shù)值檢測峰值點(diǎn)，在此基礎(chǔ)上利用梯度關(guān)系和局部連通性判斷是否為待檢測的目標(biāo)點(diǎn)。同時(shí)，本方法結(jié)合具體的檢測環(huán)境和目標(biāo)特性等信息，采用自適應(yīng)策略選擇檢測閾值，提升了該算法的檢測準(zhǔn)確率，最后在紅外圖像上進(jìn)行了實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果證明，本文提出的檢測方法具有較高準(zhǔn)確率和抗干擾性，且處理速度較快。