結合頻域顯著性分析和形態學濾波的紅外小目標檢測算法

張 曄,朱鴻泰,程 虎,張 俊,章 琦

(中國電子科技集團公司第五十八研究所,江蘇 無錫 214072)

1 引 言

近些年來,紅外探測技術的快速發展為光電探測行業構建了新的格局,各行業引入紅外手段輔助目標檢測、定位,層出不窮的應用受到了廣泛的關注。例如目標檢測的軍事應用[1-2],工業領域機器視覺的缺陷檢測[3-4]等領域。紅外目標檢測一直是圖像研究領域的熱門方向,張明等人提出的紅外接收PIN硅光電探測器研究[5]和高美靜等人提出的電子器件分析用新型顯微紅外熱像儀[6]均使用紅外探測器實現紅外小目標的檢測。但對于微弱目標,由于其本身強度弱、攜帶的細節信息少極易淹沒在背景雜波中,成為了紅外探測研究方向的一個難點。

為了解決紅外微弱目標準確檢測的問題,提出了各類檢測算法,按技術路線可分為濾波、目標函數優化[7]和數據驅動的深度學習模型[8]三類。其中濾波類算法計算復雜度最低,最為適合部署于實時探測場合,也是本文的研究重點。濾波理論的核心在于利用目標與背景先驗信息的差異,設計濾波核在對抑制背景雜波的同時,凸顯出紅外小目標的自身圖像特征,從而達到濾除背景提取前景目標的目的。張祥越等提出的ILCM[9]方法利用目標與其鄰域對比度差異實現紅外目標檢測,但實時性差。顯著性分析技術直接從全局提取空間/頻率域突變區域,計算效率更具優勢。根據Timor K等[10]的定義,“顯著區域”是指在全局或局部鄰域內,屬性和尺度上呈現出不可預測性的區域。頻率顯著性分析[11]、光譜殘差[12]和超復數傅里葉變換[13]等頻域顯著性算法均對微弱小目標展現出良好的召回率,但虛警概率明顯增加。而形態學濾波方法對目標尺寸敏感和對離群噪點的高效濾除效果較好。葉斌等提出了基于形態學Top-Hat算子的小目標檢測方法[14],計算效率高、去噪效果顯著,但單一結構元無法保證檢測召回率。Wang W等[15]提出的方法結合顯著性檢測和形態學濾波提高了目標的檢測率,但是對于顯著性較高的雜波無法很好抑制。徐文晴提出的基于自適應形態學濾波方法[16](LAF),對連續的雜波抑制效果不佳,無法有效排除角點雜波。

本文將有機結合顯著性分析和形態學濾波技術,實現針對復雜場景的圖像紅外微弱目標探測。以頻域顯著性分析手段作為快速預處理步驟,實現對緩變背景的高效抑制。再引入自適應形態學濾波,提出全局紅外小目標檢測算法,對具有連續雜波的復雜場景實現紅外小目標檢測。本方法對適應性好,對背景雜波具有連續性的邊緣特性實現了高效鑒別,同時保證了目標的召回率。

2 頻域顯著性分析預處理

2.1 頻域顯著性模型

視覺顯著性[17]是視覺系統選擇視覺信息的某個子集作為過濾器,只選擇與當前行為或任務相關的感興趣的信息,而忽略不相關的信息的能力。在文獻[11]中利用ILCM獲得頻域顯著圖,需要對圖像中每個像素作鄰域滑窗進行處理,運行速度慢。HOU提出了一種不依賴目標的先驗信息的基于頻域的全局顯著性模型[16],該模型基于傅里葉變換就可以實現,運算速度快,滿足實時性要求。

給定紅外小目標圖像I,其前景和背景的表現形式為:

I=f+bf,b∈RM×N

(1)

其中,f表示小目標信號;b表示背景信號,兩者均為稀疏的；M,N表示I,f,b信號的維度。

(2)

對于紅外圖像來說,圖像的前景信息相對于背景來說更引人注意。因此,可以利用圖像重構來構建顯著圖:

(3)

其中,G為高斯濾波器;“*”表示卷積運算;“°”表示Hadamard乘積。

在圖1中,對不同場景,利用顯著性模型可得到顯著圖,復雜場景與簡單場景相比較,二值化分割會保留許多背景信息,無法準確實現小目標檢測。

圖1 顯著性檢測效果圖Fig.1 The performance of saliency detection

2.2 ROI區域提取

通過頻域顯著性分析后重構的圖像已顯著抑制了均勻、緩變的背景區域,獲得SCR(信號-背景比)的大幅提升,有利于后續對目標的準確分割。出于計算效率的考慮,本文利用閾值分割技術對重構圖做前景-背景分類,自適應分割閾值tthreshold通過公式(4)來計算

tthreshold=u+kσ

(4)

其中,u和σ分別為顯著圖S的均值和標準差;k為常數系數。圖像閾值分割的二值化分類結果T以如式(5)的方式獲得：

(5)

基于二值分類結果T內的連通域做最小外界矩形ROI提取,如圖2所示,所有ROI區域均被視為候選目標區域。

圖2 ROI提取Fig.2 ROI extraction

通過獲得目標顯著圖,提取ROI區域縮小了目標檢測區域的范圍,從而加快了目標檢測效率。然而如圖2(a)所示,對于簡單場景情況,各候選區域周圍依然存在許多的孤立噪點和背景雜波,因此需要選擇一個合適的濾波器來抑制孤立噪點和雜波。對如圖2(b)所示的復雜背景場景紅外圖,則感興趣區域中呈現出大量偽目標感興趣區域,影響目標檢測結果。

3 局部自適應形態學濾波目標檢測

經典Top-hat形態學濾波在紅外弱小目標檢測中有了比較成功的應用,通過選取合適的濾波模板,可以得到較好的濾波效果。但對于對于圖像信噪比較低,噪聲和復雜的背景會嚴重影干擾的情況下,濾波性能下降,嚴重時會降低圖像信噪比。而新型Top-hat形態學濾波通過改變結構元素的構造來達到抑制噪聲和復雜背景的目的。但是經典Top-hat和新型Top-hat形態學濾波在濾波開始前都要人工設定結構元的大小,對于尺度尺寸不斷變化的目標無法,因而需要結構元有自適應選擇功能。

本文算法中通過在感興趣區域進行提取候選目標,獲得候選目標輪廓及輪廓的外接矩形,如圖3(a)所示。再將候選目標的位置及尺寸信息映射回原圖像,在原圖像上選取目標尺寸的八鄰域作為濾波區域,如圖3(b)所示。利用候選目標的長寬最大值作為新型結構元的尺寸,達到自適應形態學濾波的目的。

圖3 提取目標尺寸和八鄰域濾波區域Fig.3 Extraction of target size and eight neighborhood filtering region

新型Top-hat濾波同樣基于形態學開、閉運算,其具體定義為:

f■Boi(x,y)=(f⊕ΔB)⊙Bb

(6)

f□Boi(x,y)=(f⊙ΔB)⊕Bb

(7)

其中,Boi(x,y)表示f■Boi(x,y),f□Boi(x,y)中使用的與Bi和Bo有關結構元素。Bi和Bo分別為兩個扁平結構元,它們原點相同且Bo的半徑大于Bi的半徑,ΔB=Bo-Bb是介于Bo和Bi之間的扁平結構元,可用來調節參與運算區域目標的大小,Bo、Bi、ΔB和Bb之間的關系如圖4所示。

圖4 新型 Top-hat變換結構元素之間的關系圖Fig.4 The relational graph between structural element of new Top-hat

新型Top-hat中黑帽和白帽被定義為:

NWTH(x,y)=f(x,y)-min(f■Boi(x,y)),f(x,y))

(8)

NBTH(x,y)=max(f□Boi(x,y),f(x,y))-f(x,y)

(9)

新型Top-hat采用邊緣結構元素ΔB來區分目標所在區域與目標周圍區域的差異,當目標的的半徑小于Bi的半徑,比目標大的背景被消除,目標被保留,反之目標被消除,比目標小的背景被保留,因此結構元大小的選取對濾波效果的好壞起著重要的作用。

4 全局自適應形態學濾波

針對簡單場景下的紅外小目標,通過感興趣區宇提取了目標尺度后,對濾波區域進行局部自適應濾波后,實現了紅外小目標的檢測,如圖5(b)所示。而對于復雜場景,當完成局部自適應濾波后,依然有較多的邊緣角點噪聲保留,達不到濾波的預期效果,如圖5(e)所示。所以本文分別對簡單場景和復雜場景進行研究,當為簡單場景時,對圖像采用局部自適應濾波,在保證目標檢測的同時,加快了檢測速度；而當為復雜場景時,自適應局部濾波雖然在一定程度上能減少計算時間,但對于有連續邊緣及角點的雜波干擾,該方法不達不到預期效果。

圖5 不同場景LAF和GAF效果圖Fig.5 LAF and GAF effect diagrams in different scenarios

針對復雜場景中角點噪聲較多且具有連續性,而檢測紅外目標屬于孤立區域,在區域附近存在噪聲區域較少,結合局部鄰域特征統計思想,對圖像S中每個感興趣區域的鄰域進行區域個數統計,若個數較多,則該區域為噪聲區域,若區域較少,則該區域為目標區域。通過確定的目標區域選擇尺度最大的區域,進行自適應Top_hat濾波,抑制目標區域孤立噪點,實現目標檢測。通過兩種濾波思想的結合,在實現準確的目標檢測的同時,保證了檢測實時性的要求。

如圖6定義為區域A的大小為d的鄰域和連通域數目閾值N,若在鄰域內有連通域數量大于N,則該區域不是目標區域,若在該區域的目標區域個數小于N,則該區域為目標區域,如果找不到目標區域,縮小鄰域大小d,直到找到符合的目標區域。如圖7所示,灰色方框內有超過連通域個數閾值N的連通域個數,則該區域為雜波區域,白色方框內連通域個數小于連通域個數,則該區域為目標區域。確定目標區域后,提取每個目標區域的尺度,利用目標尺度中的最大尺度作為全局濾波結構元大小,可大致確定紅外小目標尺寸,然后進行自適應全局形態學濾波,實現紅外小目標檢測。

圖6 大小為d的區域鄰域Fig.6 A region neighborhood of sized

圖7 尋找目標區域Fig.7 Find the target area

5 實驗結果及分析

對于不同場景的紅外小目標圖像,基于自適應形態學濾波的紅外小目標檢測算法[11]求目標顯著圖的方法達不到檢測實時性要求,并且對于復雜場景小目標產生的為目標較多,圖圖像信噪比較低,目標檢測結果準確性低,如圖8所示。為了對簡單場景和復雜場景的紅外小目標進行定量分析,對形態學濾波后的圖像的信噪比(SCR)進行計算:

(11)

其中,uT為目標矩形區域像素值均值;uB,σB分別為背景區域均值和方差。

圖8 不同場景LAF和GAF對比圖Fig.8 Comparison of LAF and GAF in different scenes

本實驗基于硬件平臺基于1.00 GHz Intel Core i5 CPU 16GB RAM 計算機；軟件平臺基于Window10操作系統和MATLAB R2016a。實驗采取在不同復雜場景下300×200個像素的紅外圖像視頻序列,利用前30幀的序列的信噪比的平均值作為濾波信噪比的結果,并且以前30幀運行時間平均值作為算法運行時間。由表1可以看到,對復雜場景進行形態學濾波后都能起到抑制雜波的作用,但自適應全局濾波對雜波的抑制效果要好于自適應局部濾波。由表2可知,在檢測率中,本文提出的GAF算法表現最好,檢測率最高,虛警率較低。由表3分析可知,對復雜場景的形態學濾波效率,自適應全局形態學濾運行效率要明顯高于自適應局部形態學濾波,且所在場景不同自適應局部的運行時間變化很大,不能很好的把控運行時間,而自適應全局濾波效率穩定,滿足實時性要求。所以本文算法對不同復雜場景保持很好的濾波效果,實現對紅外小目標的檢測。

表1 不同復雜場景各算法信噪比結果Tab.1 SNR results of adaptive local filtering and global filtering in different scenes

表2 不同復雜場景各算法檢測率(FR)和虛警率(FAR)對比Tab.2 Comparison of detection rate(FR)and false alarm rate(FAR)of algorithms in different complex scenes

表3 不同復雜場景各算法運行時間Tab.3 Running time of adaptive local filtering and global filtering in different complex scenarios

6 結 論

本文以頻域顯著性分析作為快速預處理步驟,獲得抑制背景的重構結果。引入自適應閾值對重構圖進行分割提取感興趣區域,在縮減處理面積的同時獲取目標參考尺寸,最終以全局自適應形態學濾波實現了紅外小目標的準確檢測。本方法對復雜場景圖像適應性好,算法運行效率高,對背景雜波具有連續性的邊緣特性實現了高效鑒別,同時保證了目標的召回率。