基于無監督聚類的紅外小目標檢測*

張 巍 唐耿彪 林立宇

（1.中科芯集成電路有限公司 無錫 214062）（2.武漢大學測繪遙感信息工程國家重點實驗室 武漢 430079）

1 引言

紅外探測技術在紅外預警、紅外制導等軍事領域以及醫學病變細胞診斷、工業探傷等民用領域中的應用日趨廣泛［1～3］。然而，在紅外目標檢測任務中，遠距離成像通常使得紅外小目標沒有明顯的紋理特性和特定的形狀［4～7］。因此，在復雜背景下檢測紅外小目標是一項極具挑戰性的任務［8］。

在早期的研究中，Max-Mean［9］和 Top-Hat［10］等濾波算法被直接應用于紅外小目標檢測，雖然算法實現簡單但實際效果不佳。近年來，基于HVS的方法被廣泛研究并取得令人矚目的進展［11～14］。ILCM［11］利用固定尺寸的局部窗口結構測量局部對比度，在檢測率上有所提升，但難以檢測未知大小的目標。針對這個問題，多尺度的局部對比度測量方法（LCM）［12］被提出，它能有效提高對未知大小目標的檢測率，但是在抑制雜波方面效果仍然不佳。基于卷積神經網絡的一些方法［15～16］因其樣本依賴過大而應用場合有限。隨后，MPCM［13］被提出用于抑制邊緣背景，然而它難以進一步抑制背景并降低虛警率。雖然MPCM算法采用多尺度的局部窗口結構能適應不同大小的目標，但由于窗口的被設置為規則大小（如3×3或5×5），所以難以測量尺寸大小不規則的目標，導致了較高的虛警率。

為解決上述問題，本文提出了一種基于無監督聚類的局部窗口結構用于測量局部對比度。大量實驗證明，相比于已有的檢測算法，該方法具有更好的檢測性能和背景抑制效果。

2 基于無監督聚類的紅外小目標檢測方法

本文提出的算法具體步驟如圖1所示。首先利用滑動窗口快速提取候選像素，然后用基于無監督聚類的窗口結構分離目標與背景，接著計算局部對比度用于背景抑制及目標增強，最后在增強圖中通過自適應閾值分割獲得檢測結果。

圖1 基于無監督聚類的紅外小目標檢測算法流程圖

2.1 候選像素的快速提取

如圖2所示，采用一個3×3圖像塊組成的滑動窗口快速獲取候選像素。這里，T和Bi（i=1，2，…，8）分別對應檢測目標和背景區域。為了檢測任意大小的目標（范圍從 2× 1到 9 × 9）［11］，本文將圖像塊大小設置為9×9像素。

然后，使用滑動窗口對原始紅外圖像I進行處理，預處理后的圖像E可表示如下：

其中（x，y）表示當前處理的像素坐標，mi指的是背景塊Bi的灰度均值，在預處理后的圖像E中，亮度高的像素更可能是真實目標，故而將圖像E用以下的閾值進行分割：

其中μ和δ分別指預處理后的圖像E的灰度平均值和標準差，k是一個經驗參數，文中設置為6。經過閾值分割后的像素組成候選像素集合。

2.2 基于無監督聚類窗口構造

構造一個基于無監督聚類的窗口結構是為了可以在抑制各種背景雜波的同時增強被檢測目標。圖3展示了一個以候選像素（x，y）為中心的構造窗口。此處T指的是目標區域，B1和B2分別為亮背景和暗背景，它們的形狀取決于無監督聚類的結果。（x1，y1）（x2，y2）（x3，y3）（x4，y4）分別對應區域中最左、最上、最右、最下點的坐標。本文將窗口設置為15×15像素。然后使用模糊C均值算法（Fuzzy C-Means，FCM）對這些像素進行聚類。傳統的FCM的核心思想是將每個類中心值與每個像素灰度值之間的差值的和函數最小化。由于傳統方法沒有考慮空間信息，使得分割效果不理想。因此本文將目標函數改寫為

圖3 無監督窗口結構

其中c表示類的數量，本文設置為3，Ij表示第j個像素的灰度值，Ω表示圖像的像素集，μjk表示隸屬權值，且滿足，q表示模糊器值，通常設置為2，vk則表示每個類的中心值。ηjk是添加的空間權重項，（x0，y0）是潛在的小目標中心坐標，（xj，yj）是局部區域像素j的坐標。本文中，將局部區域分為三類，第一類小目標，第二類和第三類分別為亮背景和暗背景。這一改動使得聚類有距離參數，能更加精確地分離小目標和復雜背景。

2.3 局部對比度計算與自適應閾值分割

獲得聚類結果以后，計算每個候選像素的局部對比度進行目標增強和背景抑制。因為紅外小目標通常比其背景更亮，本文定義FCM_LCM來描述目標與背景之間的亮度差異。

這里，MT、MB1和MB2分別指的是目標、亮背景和暗背景的亮度平均值。經過計算以后，通常會發現目標的FCM_LCM值是顯著的，用閾值分割即可得到檢測結果。因此使用以下的自適應閾值來提取目標：

此處Fmax和Fmean分別指最終增強圖像F中的像素的灰度最大值和平均值，λ是一個經驗值，在本文中設置為0.5。

3 實驗驗證分析

為驗證本文方法的有效性，選用不同場景下的真實紅外序列來進行實驗，四個數據集共計超過1200幀圖像。實驗中的β值設置為50。對比算法中的參數均設置為他們文中的推薦值。實驗的計算機配置為內存8GB的Intel i5 3.3GHz雙核CPU，軟件平臺為Matlab。

3.1 評估指標

為了直觀比較不同算法的背景抑制效果，將各個算法的檢測結果圖像進行展示。為了進一步定量比較不同算法的性能，本文選擇檢測概率Pd和虛警率Fd作為主要評價指標［15］，其定義如下：

3.2 實驗結果與分析

本文選用改進的局部對比度測量ILCM［11］、LCM［12］、多尺度基于塊的對比度測量MPCM［13］等高性能的檢測算法作為對比方法。圖4展示了不同算法在復雜背景中檢測目標的結果圖。從圖中可以直觀看到ILCM殘留大量背景雜波，且漏檢目標。LCM能有效檢測目標，但仍有大量背景未能移除。MPCM表現出更好的背景抑制效果，但依然存在少量背景雜波難以移除。相比之下，本文的算法不僅能精確檢測到目標，且移除了幾乎所有的背景干擾，具有最佳的背景抑制效果。

圖4 不同算法的檢測結果圖對比

在表1中，本文定量比較了不同方法的檢測性能。可以看出，本文的算法在三個數據集中都有最高的檢測率和更低的虛警率，這表明提出的方法有最佳的檢測性能。

表1 不同算法的檢測性能對比

4 結語

基于無監督聚類的窗口結構實現了目標與背景的精確分離，充分利用了目標的分布特征，提出了FCM-LCM描述子，有效增強了目標，抑制了背景。大量圖像的實驗結果表明，與其他基線方法相比，本文的方法具有更好的檢測性能和對復雜背景的抑制效果。