基于改進Canny算子的紅外弱小目標檢測*

翟 昊 羅曉琳

（1.陸軍炮兵防空兵學院 合肥 230031）（2.偏振光成像探測技術安徽省重點實驗室 合肥 230031）

1 引言

紅外弱小目標檢測研究雖然困難但是具有很強的實用價值，是光電信號處理領域研究的熱點難點問題。它在空中目標預警系統，飛機跟蹤系統和導彈制導系統中起著重要作用。通常，紅外圖像的信噪比（SCR）低，紅外小目標圖像的背景占據了大部分圖像。但是，由于距離較遠，目標很小。因此，目標缺少形狀和紋理信息。這使得很難檢測到紅外圖像中的弱小目標［1］。在目標的機動性較高且天空背景較為復雜的情況下，為了降低算法的漏檢率，研究得出基于改進Canny算子的紅外弱小目標檢測算法。

2 傳統Canny邊緣檢測

傳統Canny邊緣檢測算法的具體算法流程如圖1所示。

圖1 傳統Canny算法流程圖

2.1 噪聲去除

第一步使用5×5的高斯濾波器去除噪聲，主要是因為噪聲很容易影響邊緣檢測的結果。故函數表達式如下［2］：

式中：σ表示Gauss濾波器分布參數，抑制噪聲能力隨著σ取值減小而減小，邊緣定位精度隨著σ取值減小而增高。因此，σ的取值大小決定了圖像去噪效果的好壞。同時，高斯濾波器對紅外強度圖中常見的椒鹽噪聲的濾波效果不佳［3］。

2.2 計算圖像梯度

使用Sobel算子計算水平方向和豎直方向的一階導數（圖像梯度）（Gx和Gy）來處理平滑后的圖像。邊界的梯度和方向通過這兩幅梯度圖（Gx和Gy）找到［4］，公式如下：

其中，點 (i，j)處的灰度值為I(i，j)。

此時，點 (i，j)處的梯度值G(i，j)和梯度方向θ(i，j)分別為

2.3 非極大值抑制

在獲得梯度的方向和大小之后，應該對整幅圖像做一個掃描，去除那些非邊界上的點。對每一個像素進行檢查，看這個點的梯度是不是周圍具有相同梯度方向的點中最大的［5］。如圖2所示。

圖2 梯度方向和大小

圖中數值代表梯度強度，箭頭方向代表梯度方向。陰影框內的梯度強度相較它們附近同方向的梯度值最大，所以保留。

2.4 滯后閾值

最后，為了確定哪些邊界是真正的邊界，通過設置TL和TH兩個閾值來判斷，當圖像的灰度梯度低于TL的值不能看作邊界，將其丟棄，若高于TH時，它們被認為是真正的邊界。如果它介于兩者之間，這取決于該點是否連接到一個被識別為真實邊界的點，如果是，它也被認為是一個邊界點，如果不是則丟棄［6］。如圖3所示。

圖3 閾值選擇

D因為低于TL，首先將其舍棄，A是真正的邊界點因為高于閾值TH。B雖然低于TH但高于TL并且與A相連，所以也被認為是真正的邊界點。而C不僅低于TH而且不與真正的邊界點相連，所以C不是真正邊界點。可見選擇合適的TH和TL對于能否得到好的結果非常重要。

3 改進的自適應Canny邊緣檢測算法

針對上文分析的問題以及本文針對的紅外弱小目標檢測的特定問題，為了改進Canny邊緣檢測算法的自適應能力，提高對弱小目標檢測的檢測率。具體改進的算法流程如圖4所示。

圖4 改進的Canny算法流程

3.1 圖像預處理

空中目標的圖像背景主要由大氣和云層組成，高頻部分通常是真實的目標點，而大面積的聚集在一起的一般是背景，在紅外強度圖上可以看成是變化緩慢的低頻信號［7］，所以其紅外圖像具有（近似）低秩稀疏特性，由背景圖像和目標圖像組成，設其模型為

式中：IB為背景圖像，其反映了圖像的低秩特性；IT為目標圖像，其反映了圖像的稀疏特性；Io為原始圖像。

本文使用文獻［8］的算法將紅外強度圖分解為背景塊圖和目標塊圖，而后使用目標塊圖作后續處理。

3.2 改進的噪聲去除算法

由于目標塊圖中椒鹽噪聲是主要噪聲，而Canny算法中使用的是二維高斯濾波，對椒鹽噪聲抑制有限，而形態學濾波中的Opening開運算對椒鹽噪聲的抑制尤為明顯［9］，因而可以將Opening算法取代高斯濾波器。

設圖像用X表示，結構元素用S表示，則開運算公式如下所示：

式中?代表腐蝕運算，⊕代表膨脹運算。

3.3 改進的梯度幅值和梯度角計算

由于針對的目標是紅外弱小目標，所以計算梯度使用的算子較小，3×3即可，在算子較小的情況小，原始的Sobel濾波器的導數誤差較大，而Scharr濾波器可以消除Sobel濾波器的導數誤差，而且速度相同［10］。3×3的Scharr濾波器卷積核如圖5。

圖5 3×3的Scharr濾波器卷積核

3.4 自適應閾值算法

為了解決人為設置閾值的隨機性和繁瑣性問題，本文設計了自適應閾值算法來自動選取一個合適的閾值并將此閾值用于Canny算子［11］。該算法具體步驟如下：

由于經過前面算法處理后的圖像主要由大面積黑色背景和弱小目標構成，因此結合圖像像素值的中值可以很好地確定閾值范圍。式中，v為圖像像素的中值，sigma通常取經驗值0.33［12］。

4 實驗驗證分析

實驗基于硬件設備2.50GHz的AMDA10-5750MAPU，程序開發環境是Windows10操作系統下的Spyder和開源計算機視覺庫Opencv3.4.8版本，選用的編程語言是python。

本文算法針對的是空中弱小目標，選擇的圖片是用實驗室的紅外相機對遠處的協同無人機目標拍攝的圖片。以多云背景下的無人機圖像為例，使用傳統算法和本文算法分別處理。處理結果如圖6所示。

圖6 不同算法處理前后對比圖

從處理后的結果可以看出，雖然Top-hat濾波抑制了大量云背景，但還是有大部分噪聲沒有抑制，容易造成虛警［13］；而中值濾波和雙邊濾波雖然對噪聲抑制效果明顯，但是對云背景的抑制效果不明顯，也容易造成虛警［14］；相比而言，經過本文算法處理后的圖像不僅抑制了大量云背景，而且幾乎濾除了所有噪點，只保留了待檢測的無人機目標，虛警率改善尤其明顯。

為了定量分析對比不同算法的性能，可用檢測率（DR）和虛警率（FAR）來定量驗證算法的性能。它們的定義如下［15］：

各算法在不同天空背景樣本中的檢測率和虛警率分別于表1和表2所示。不同樣本庫下的圖像均超過2000張。

表1 不同算法的檢測率

表2 不同算法的虛警率

5 結語

復雜天空背景下的紅外弱小目標檢測技術在軍事領域具有重要價值。本文首次將Canny邊緣檢測算法應用于紅外小目標的檢測，與傳統的小目標檢測方法相比，本文算法的檢測率提高了12.07%左右，虛警率降低了59.14%左右。