董維科,張建奇,邵曉鵬,劉德連

(西安電子科技大學物理與光電工程學院,陜西西安 710071)

檢測紅外弱小目標的對比濾波時域廓線算法

董維科,張建奇,邵曉鵬,劉德連

(西安電子科技大學物理與光電工程學院,陜西西安 710071)

針對弱小目標與云邊緣雜波的運動速度相當時,傳統(tǒng)時域廓線算法的檢測性能將會出現(xiàn)明顯下降.文中提出一種對比濾波的時域廓線算法.針對傳統(tǒng)方法出現(xiàn)虛警的情況,該方法在分析弱小目標、云邊緣雜波以及平穩(wěn)背景3類像素點時域特性的基礎之上,首先利用時域廓線特性抑制平穩(wěn)背景;然后依據(jù)云邊緣雜波像素在空域連續(xù),而弱小目標像素在空域孤立的特性,構造空域對比濾波器,并使用對比濾波器對去除平穩(wěn)背景的圖像數(shù)據(jù)進行濾波;最后再進行時域廓線的駐點連線濾波,以實現(xiàn)對弱小目標的檢測.仿真結果表明,該算法能明顯消除與弱小目標運動速度相當?shù)脑七吘夒s波虛警,提高了弱小目標的檢測概率.

弱小目標;檢測;對比濾波;時域廓線

序列圖像的時域目標檢測方法是在紅外圖像中目標極小,通常只有單個像素甚至是亞像素,幾乎無空間分布信息可用的情況下提出的.時域目標檢測的主要方法是通過分析所有像素點灰度值的時域變化特性對目標進行檢測.最早出現(xiàn)的時域目標檢測方法是三維濾波法[1],把序列圖像看做是具有空間分布和時間分布的三維連續(xù)數(shù)據(jù),取得了很好的效果.針對三維濾波法計算量大的不足,文獻[2]指出僅利用序列圖像中像素點的時域分布特性,仍然可以進行目標檢測,并設計出一種新的一維濾波器,大大降低了算法的運算復雜度.文獻[3]系統(tǒng)地分析了序列圖像中像素點的時域分布特性,將序列圖像中的像素點分為目標、平穩(wěn)背景和云雜波3類分別進行處理,提出了一種基于三假設檢驗的目標檢測方法.文獻[4]沿用這種分類方法,進一步分析了這3類像素點的均值和方差特性,提出了一種自適應均值方差濾波法.該方法計算復雜度低,操作簡單,運行速度快,具有很高的實用價值.在國內,國防科技大學自動目標識別實驗室對序列圖像的時域目標檢測也進行了研究[5];西安電子科技大學紅外實驗室在像素時域模型的基礎上提出了時域廓線駐點連線濾波的處理思路[6-7],取得了一定的研究成果;此外,還有一些研究群體在時域弱小目標檢測方面提出了有價值的見解[8-10].

時域廓線算法是對時域進行弱小目標檢測的重要方法,已有的時域廓線算法都假設弱小目標相對于云邊緣雜波具有更快的運動速度,并將此作為檢測出弱小目標的基本依據(jù).當弱小目標與云邊緣雜波的運動速度相當時,已有的方法會出現(xiàn)較多虛警.針對這種情況,筆者提出一種云雜波背景下的時域紅外弱小目標檢測方法.該方法在分析弱小目標、云邊緣雜波和平穩(wěn)背景3類像素點時域特性的基礎之上,首先依據(jù)時域廓線特性移除平穩(wěn)背景,然后對去除平穩(wěn)背景的圖像數(shù)據(jù)進行對比濾波,最后再進行時域廓線的駐點連線濾波并最終檢測出弱小目標.

1 時域廓線模型

圖1(a)顯示了一副天空背景的紅外場景圖像,圖1(b)中展示的是對應序列圖像中4種典型的時域廓線,圖中縱坐標表示像素灰度值,橫坐標表示序列圖像的幀序號.圖1(b)中a曲線表示云層內部的時域廓線,由于云層具有較高的溫度,因此它的灰度值較高,且屬于微小起伏;b曲線表示云層邊緣的時域廓線,通常情況下,云層運動相對成像系統(tǒng)的幀頻較緩慢.因此相對于a曲線,經過約80幀可以看到b曲線的明顯變化;c曲線表示弱小目標的時域廓線,它的明顯變化與b曲線有顯著不同;d曲線表示晴朗天空的時域廓線,天空背景較低的溫度使得這條起伏微小的廓線曲線的平均灰度要遠低于a曲線,檢測出不同類型的時域廓線就可以實現(xiàn)對運動弱小目標的檢測.

圖1 天空背景序列圖像時域廓線示意圖

1.1 平穩(wěn)背景像素時域廓線模型

平穩(wěn)背景像素的時域特性可以用一個常數(shù)與一個時域高斯白噪聲過程的和來建模,其中高斯白噪聲的均值為0,而它的標準差對于一個給定的紅外探測器來說是個常數(shù).用n表示采樣時刻,則對于天空背景的時域廓線和云層內部的時域廓線可以用式(1)描述.

其中,C為常數(shù),w(n)～N(0,σ2)為高斯噪聲,σ為高斯噪聲的標準差.

1.2 雜波像素時域廓線模型

圖像中雜波像素的時域灰度變化和目標相比是很不規(guī)則的.對于天空背景的紅外圖像,云層的明亮邊緣會引起這些像素的灰度在時域上產生一些峰.通常情況下,云層移動的速度比目標慢,這些峰的寬度一般比目標脈沖的寬度要寬.這些像素可以用一階馬爾科夫模型建模為

1.3 目標像素時域廓線模型

當運動目標經過一個像素時,受到目標的影響,該像素的灰度會出現(xiàn)一個脈沖.目標脈沖的寬度反比于目標的速度,而目標脈沖的強度正比于其與背景的灰度差.如果將目標建模為一個運動的點源,則目標的時域灰度變化特征就可以建模為該紅外探測器點擴散函數(shù)的一維變化曲線的一個膨脹或者收縮.因此,如果紅外探測器的點擴散函數(shù)是已知的,就可以得到一個確定性的模型來描述目標的灰度變化,目標的時域廓線可以描述為

其中,u(n)由目標所在位置確定,如果目標在天空背景或云層內部位置,則u(n)=C,如果目標在云邊緣位置,則u(n)=x(n-1);t(n,p)為目標沖擊,p為與目標自身有關的向量.

2 對比濾波時域廓線算法

2.1 抑制平穩(wěn)背景

根據(jù)第1節(jié)對各種類型像素點的時域特性分析可知,平穩(wěn)背景像素點的時域廓線變化平穩(wěn),具有完全不同于云邊緣和目標像素點的時域廓線形態(tài),可以很容易地去除.通常情況下,紅外天空場景中平穩(wěn)背景占據(jù)較大的部分,去除平穩(wěn)背景的影響,有利于大幅度減少跟蹤像素數(shù),并且可以降低后續(xù)處理時目標檢測的虛警.

依據(jù)目標和背景的時域特性模型,可以將平穩(wěn)天空背景、云邊緣雜波和目標時域特性統(tǒng)一描述為

其中,當k→0且b→C時,對應于平穩(wěn)天空背景的時域廓線;當k→1且b→0時,對應于云邊緣的時域廓線;當處于二者之間時對應于目標的時域廓線.因此可以利用k和b的大小來抑制背景[7].

2.2 對比濾波

在去除平穩(wěn)背景的圖像中,能夠對目標檢測造成影響的主要就是云邊緣雜波像素.通常情況下,云層的運動速度比目標的慢,時域廓線駐點連線算法[6-7]將具有很好的檢測性能.但一方面,云邊緣雜波相對于云層內部有更活躍的變化;另一方面,當目標遠離探測器時,目標在探測器成像面上的投影會運動緩慢,特別是當目標的運動方向不與探測器的法線方向垂直時,目標就與云邊緣雜波具有相當?shù)倪\動速度.此時,目標的時域廓線將表現(xiàn)為1.2節(jié)中模型的特征;或者,云邊緣雜波的時域廓線表現(xiàn)出1.3節(jié)中模型的特征,如圖2所示.在這種情況下,將會產生大量的虛警,并導致目標檢測性能的大幅下降.

圖2 目標以及與目標運動速度相當?shù)脑七吘墪r域廓線

為了消除這種虛警,必須降低與弱小目標運動速度相當?shù)脑七吘夒s波時域廓線的起伏.考慮到云邊緣雜波像素在空域連續(xù),而弱小目標像素在空域孤立的特性,在云邊緣像素的鄰域內必然存在其它云邊緣像素和云層像素.那么,在一個確定尺寸的滑窗內,中心點為云邊緣的滑窗內的灰度均值相對于中心點為弱小目標的滑窗內的灰度均值高,通過式(5)的對比濾波處理,將會有效降低云邊緣像素的灰度量級,相應地突出目標的灰度C量級,即

其中,GM表示滑窗中心像素的灰度值,GB表示滑窗中像素的灰度均值.

經過對比度濾波后,再進行時域廓線的駐點連線濾波[6],如圖3(a)和圖3(b)所示,殘差時域廓線的結果表明弱小目標比云邊緣像素更加突出,這就使得與目標運動速度相當?shù)脑七吘壪袼乇挥行V除了.

圖3 對比度濾波后的殘差時域廓線

2.3 目標檢測

非弱小目標像素點的時域廓線偏離其包絡線的起伏符合高斯分布[6];弱小目標像素點,以及與其運動速度相當?shù)脑七吘夒s波像素點的時域廓線偏離其包絡線的起伏偏離高斯分布.經過對比濾波,弱小目標像素點的時域廓線將會表現(xiàn)出更大的偏離度.因此,可以利用偏離高斯分布的最大距離作為目標檢測的量度,該量度可由馬哈拉諾比斯距離給出,即

3 實驗結果與分析

采用美國空軍實驗室拍攝的實測圖像[11]驗證算法的有效性.該圖像的紅外場景是在云層中飛行的紅外弱小目標圖像序列,圖像數(shù)據(jù)為12位無符號整型,圖像大小為320×244,幀頻為30幀每秒,一共95幀.

圖4(a)顯示的是沒有經過處理的初始圖像,圖中一共含有兩個目標,一個位于像素(175,186)附近,另一個位于像素(256,203)附近,兩個目標都很小,接近于單個像素,從單幀的角度來看,幾乎可以認為是噪聲;圖4(b)是駐點連線濾波法的檢測結果,因為噪聲干擾的影響,目標的檢測軌跡并不清晰;圖4(c)是文中算法的檢測結果,可以看出,復雜云背景和系統(tǒng)噪聲的影響都基本被消除了,目標的檢測軌跡更加清晰.由于對濾除平穩(wěn)背景后的圖像進行了對比濾波,算法在抑制大部分云邊緣雜波干擾的基礎之上,進一步抑制了與弱小目標運動速度相當?shù)脑七吘夒s波干擾,使得目標檢測效果更加明顯.

圖4 仿真結果圖

圖4(d)顯示了另一幅紅外場景,圖中含有一個目標,位于像素(120,136)附近,目標很小,接近于單個像素,從單幀的角度來看,幾乎可以認為是噪聲;圖4(e)是駐點連線濾波法的檢測結果,目標的檢測軌跡并不清晰;圖4(f)是文中算法的檢測結果,可以看出,云邊緣雜波被有效抑制,目標的檢測軌跡十分清晰.

表1列出了駐點連線濾波法和文中算法在檢測效果上的比較結果,可以看出文中算法在不同云背景下均具有較高的檢測率,較低的虛警個數(shù)和較完整的目標檢測軌跡,表現(xiàn)出了更優(yōu)的檢測性能.

表1 實驗結果

4 結束語

在紅外起伏天空背景中,當弱小目標與云邊緣雜波的運動速度相當時,采用傳統(tǒng)的時域廓線的弱小目標檢測方法將會出現(xiàn)較多虛警.筆者提出的對比濾波時域廓線算法在去除平穩(wěn)背景后進一步抑制了云邊緣雜波,特別是與弱小目標運動速度相當?shù)脑七吘夒s波.仿真結果表明,該算法能明顯消除與弱小目標運動速度相當?shù)脑七吘夒s波虛警,進一步提高弱小目標的檢測概率.

[1]Reed I S,Gagliardi R M,Shao H M.Application of Three-dimensional Filtering to Moving Target Detection[J].IEEE Transactions on Aerospace and Electronic Systems,1983,19(6):898-905.

[2]Silverman J,Mooney J M,Caefer C E.Tracking Point Target in Cloud Clutter[C]//Proceedings of SPIE.Bellingham: SPIE,1997,3061:496-507.

[3]Tzannes A P,Brooks D H.Detecting Small Moving Objects Using Temporal Hypothesis Testing[J].IEEE Transactions on Aerospace and Electronic Systems,2002,38(2):570-586.

[4]Lim E T,Shue L,Venkarteswarlu R.Adaptive Mean and Variance Filter for Detection of Dim Point-like Targets[C]// Proceedings of SPIE.Bellingham:SPIE,2002,4728:492-502.

[5] 張兵,盧煥章.基于像素時域剖面分析的序列圖像中弱點目標檢測算法[J].中國圖像圖形學報,2005,10(10):1293-1298. Zhang Bin,Lu HuanZhang.Temporal Profile Analysis for Dim Point Target Detection in Image Sequences[J].Journal of Image and Graphics,2005,10(10):1293-1298.

[6]Liu Delian,Zhang Jianqi,Dong Weike.Temporal Profile Based Small Moving Target Detection Algorithm in Infrared Image Sequences[J].International Journal of Infrared and Millimeter Waves,2007,28(5):373-381.

[7]王博,劉德連,張建奇.基于背景移除的時域目標檢測[J].通信學報,2009,30(7):67-72. Wang Bo,Liu Delian,Zhang Jianqi.Temporal Filtering for Target Detection Algorithm Based on Static Background Elimination[J].Journal on Communications,2009,30(7):67-72.

[8] 汪大寶,劉上乾,張峰.一種新的紅外復雜背景自適應抑制算法[J].西安電子科技大學學報,2010,37(5):927-933. Wang Dabao,Liu Shangqian,Zhang Feng.New Adaptive Infrared Strong Cluttered Background Suppression Algorithm [J].Journal of Xidian University,2010,37(5):927-933.

[9] 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,2010,37(3):524-528. Wang Bo,Zhang Jianqi.Moving Dim Point Target Detection Based on the Special and Temporal Combined Filter[J]. Journal of Xidian University,2010,37(3):524-528.

[10]武斌,李鵬.一種新的紅外弱小目標檢測前跟蹤算法[J].西安電子科技大學學報,2011,38(3):107-113. Wu Bin,Li Peng.Novel Track-before-detect algorithm for Small Infrared Target[J].Journal of Xidian University,2011,38(3):107-113.

[11]Murguia J E,Mooney J M,Ewing W S.Evaluation of a PtSi Infrared Camera[J].Optical Engineering,1990,29(7): 786-794.

(編輯:王 瑞)

Temporal profile algorithm based on comparison filtering for detection of the infrared dim small target

DONG Weike,ZHANG Jianqi,SHAO Xiaopeng,LIU Delian
(School of Physics and Optoelectronic Engineering,Xidian Univ.,Xi’an 710071,China)

The detection performance of the traditional temporal profile algorithm deteriolates when the dim small target has a velocity correspmding to equivalent that of cloud edge clutters.This paper proposes a temporal profile algorithm based on comparison filtering as a responding method to the fake-alarm occurrence existing in the traditional detection algorithm.Based on the analysis of the time domain characteristics of the dim small target,cloud edge clutters as well as the stationary background,the characteristic of the temporal profile is adopted to restrain the stationary background,and then the spatial domain comparison filter is structured based on the fact that the pixels of the cloud edge clutters are continuous in spatial domain while the pixels of the dim small target are discrete,and the images after removal of the static background are filtered by the comparison filter;lastly,the connecting line of the stagnation points(CLSP)based filtering is used to realize the detection of the dim small target.Simulation data show that this algorithm can significantly eliminate the fake-alarm caused by the cloud edge clutters with an equivalent velocity of the target,thus further improving the detection probability of the dim small target.

dim small target;detection;comparison filtering;temporal profile

TN362

A

1001-2400(2014)01-0013-05

10.3969/j.issn.1001-2400.2014.01.003

2012-12-06 < class="emphasis_bold">網絡出版時間:

時間:2013-09-16

教育部基本科研業(yè)務費資助項目(50511050005);國家部委基金資助項目(9140A01060110DZ0125)

董維科(1973-),男,副教授,碩士,E-mail:wkdong@mail.xidian.edu.cn.

http://www.cnki.net/kcms/detail/61.1076.TN.20130916.0926.201401.17_030.html