史曉剛+白曉東+李麗娟+韓宇萌

摘要：運用各向異性SUSAN濾波進行紅外弱小目標(biāo)檢測時，考慮到僅依靠4個像素點所確定的邊緣方向往往與實際邊緣方向存在較大誤差，導(dǎo)致濾波后的圖像依然保留著較多的背景雜波而不利于弱小目標(biāo)的檢測，因此提出一種邊緣方向優(yōu)化方法，結(jié)合坐標(biāo)變換盡可能多地利用局部圖像的像素點來參與邊緣方向的估值，并運用高斯-拉普拉斯算子自適應(yīng)地選擇最優(yōu)化的邊緣方向角，使其更貼近于實際邊緣；然后將局部圖像與中心像素的灰度差均值確定為各向異性SUSAN濾波算子的閾值。實驗表明：本文算法具有更好的背景抑制能力，突出目標(biāo)，較好地提升了紅外目標(biāo)信噪比增益，并有效避免虛假目標(biāo)的產(chǎn)生，提高了單幀紅外弱小目標(biāo)的檢測能力。

關(guān)鍵詞：弱小目標(biāo)檢測；各向異性SUSAN濾波器；邊緣方向優(yōu)化；閾值；自適應(yīng)

中圖分類號：TP391文獻(xiàn)標(biāo)識碼：A文章編號：1673-5048（2014）04-0036-04

0引言

復(fù)雜背景下紅外弱小目標(biāo)的檢測和跟蹤是紅外成像制導(dǎo)的關(guān)鍵技術(shù)，由于紅外傳感器本身噪聲、紅外背景干擾、以及目標(biāo)具有遠(yuǎn)距離、低信噪比等特點給紅外弱小目標(biāo)檢測帶來很大的困難[1-3]。為提高系統(tǒng)對強雜波背景中紅外弱小目標(biāo)的檢測能力，在目標(biāo)檢測之前，必須對圖像進行背景抑制以提高信噪比。常用的背景抑制方法有高通濾波、側(cè)抑制濾波、SUSAN濾波等[4-6]；SUSAN濾波算法是利用SUSAN算子對邊緣和角點敏感，而對噪聲不敏感的優(yōu)勢，對紅外背景進行重新建模，并與原始紅外圖像作差，得到包含有紅外弱小目標(biāo)的殘差圖像，已取得較好的背景抑制效果[5-7]。本文在各向異性SUSAN濾波算子的基礎(chǔ)上，考慮到僅依靠4個像素點所確定的邊緣方向往往與實際邊緣方向存在較大誤差，導(dǎo)致濾波后的圖像依然保留著較多的背景雜波，因此本文對其進行優(yōu)化，使其更貼近于實際邊緣，將局部圖像與中心像素的灰度差均值確定為SUSAN濾波算子的閾值，以利于紅外背景精確地重建，減少殘差圖像中的背景雜波，較好提升紅外目標(biāo)的信噪比及其增益。

2邊緣方向的優(yōu)化

前人大多只利用局部圖像的4個像素點，通過梯度估計法得到梯度方向角θ⊥，進而粗略地完成邊緣方向角的估值[4-8]，但這種估值往往存在較大誤差導(dǎo)致殘差圖像中依然保留著很多的紅外背景，本文對其進行優(yōu)化，結(jié)合坐標(biāo)變換盡可能多地利用局部圖像的像素點來參與估計，并引入高斯-拉普拉斯算子對局部圖像進行濾波，遵循估計的邊緣角度越接近實際邊緣角度，濾波的灰度值就越大的原則[9]，自適應(yīng)地選擇最優(yōu)的邊緣方向估計值。本文在濾波及最優(yōu)邊緣方向選取時都將采用7×7的模板，并考慮到實時性要求，將在9個可能的邊緣方向角中選取最優(yōu)的。

3目標(biāo)檢測算法流程

本文算法流程包括：圖像預(yù)處理、紅外背景建模、原始圖像與背景圖像作差、對殘差圖像進行分割以提取小目標(biāo)。通過局部圖像信息確定SUSAN濾波器的長軸、短軸、閾值，并運用高斯-拉普拉斯算子自適應(yīng)地選擇最優(yōu)的邊緣方向，然后與圖像進行卷積得到背景建模圖像，作差得到含有紅外弱小目標(biāo)的殘差圖像，并運用對比度分割算法得到目標(biāo)的大小與位置，如圖2所示。

4實驗結(jié)果及分析

由圖可知，盡管高通濾波在算法實現(xiàn)上最簡單，但經(jīng)過處理后的圖像依然有大量的背景雜波，部分雜波灰度較高；各向異性SUSAN濾波相對于高通濾波有較好的背景抑制能力，但由于梯度估計法所確定的邊緣方向誤差較大，使部分背景、尤其是云層邊緣并未得到較好抑制；本文算法對其進行改進，通過設(shè)置新的閾值以及對邊緣方向進行優(yōu)化，促使紅外背景被更加精確地重建，使殘差圖像中保留著更少的背景雜波，云層邊緣得到很好的抑制，體現(xiàn)出更好的背景抑制能力，同樣本文算法還有效地避免了虛假目標(biāo)的產(chǎn)生，如圖5（c）所示，紅外圖像經(jīng)過濾波后，在目標(biāo)左側(cè)竟然同時出現(xiàn)兩個灰度高于目標(biāo)的噪聲點，圖5（d）卻沒有，因此本文算法更能有效降低虛警率。

圖6給出了紅外圖像3經(jīng)過三種不同的濾波算法后基于對比度的分割圖像，圖6（b）、（c）中目標(biāo)周圍的高頻噪聲點都可能會被誤認(rèn)為是目標(biāo)，本文的算法則能很好地檢測出目標(biāo)。為了能定量地說明本文算法的有效性，本文將采用圖像信噪比、信噪比增益、背景抑制因子對三種檢測算法進行評價，它們都反映弱小目標(biāo)在檢測前后的改善情況，

由表1可知：本文算法有效地提高紅外目標(biāo)信噪比及其增益，具有更好的背景抑制能力，其性能明顯優(yōu)于前兩種算法，具有更好的單幀紅外弱小目標(biāo)的檢測能力。

5結(jié)論

本文在運用各向異性SUSAN濾波對紅外目標(biāo)檢測時，紅外建模過程中邊緣方向誤差較大，會導(dǎo)致殘差圖像中仍保留較多背景雜波存在，因此，提出對其改進，盡可能多地利用局部圖像的像素點來參與邊緣估計，運用高斯-拉普拉斯算子自適應(yīng)地選擇最優(yōu)的邊緣方向估計值，并將局部圖像與中心像素的灰度差均值確定為SUSAN濾波算子的閾值。實驗表明：本文方法有利于紅外背景更加精確地重建，使得濾波后的圖像保留更少的背景雜波，較好提高了紅外目標(biāo)的信噪比增益，突出目標(biāo)，并能有效的避免虛假目標(biāo)產(chǎn)生，為紅外圖像處理的后續(xù)工作打下較好的基礎(chǔ)。endprint

摘要：運用各向異性SUSAN濾波進行紅外弱小目標(biāo)檢測時，考慮到僅依靠4個像素點所確定的邊緣方向往往與實際邊緣方向存在較大誤差，導(dǎo)致濾波后的圖像依然保留著較多的背景雜波而不利于弱小目標(biāo)的檢測，因此提出一種邊緣方向優(yōu)化方法，結(jié)合坐標(biāo)變換盡可能多地利用局部圖像的像素點來參與邊緣方向的估值，并運用高斯-拉普拉斯算子自適應(yīng)地選擇最優(yōu)化的邊緣方向角，使其更貼近于實際邊緣；然后將局部圖像與中心像素的灰度差均值確定為各向異性SUSAN濾波算子的閾值。實驗表明：本文算法具有更好的背景抑制能力，突出目標(biāo)，較好地提升了紅外目標(biāo)信噪比增益，并有效避免虛假目標(biāo)的產(chǎn)生，提高了單幀紅外弱小目標(biāo)的檢測能力。

關(guān)鍵詞：弱小目標(biāo)檢測；各向異性SUSAN濾波器；邊緣方向優(yōu)化；閾值；自適應(yīng)

中圖分類號：TP391文獻(xiàn)標(biāo)識碼：A文章編號：1673-5048（2014）04-0036-04

0引言

復(fù)雜背景下紅外弱小目標(biāo)的檢測和跟蹤是紅外成像制導(dǎo)的關(guān)鍵技術(shù)，由于紅外傳感器本身噪聲、紅外背景干擾、以及目標(biāo)具有遠(yuǎn)距離、低信噪比等特點給紅外弱小目標(biāo)檢測帶來很大的困難[1-3]。為提高系統(tǒng)對強雜波背景中紅外弱小目標(biāo)的檢測能力，在目標(biāo)檢測之前，必須對圖像進行背景抑制以提高信噪比。常用的背景抑制方法有高通濾波、側(cè)抑制濾波、SUSAN濾波等[4-6]；SUSAN濾波算法是利用SUSAN算子對邊緣和角點敏感，而對噪聲不敏感的優(yōu)勢，對紅外背景進行重新建模，并與原始紅外圖像作差，得到包含有紅外弱小目標(biāo)的殘差圖像，已取得較好的背景抑制效果[5-7]。本文在各向異性SUSAN濾波算子的基礎(chǔ)上，考慮到僅依靠4個像素點所確定的邊緣方向往往與實際邊緣方向存在較大誤差，導(dǎo)致濾波后的圖像依然保留著較多的背景雜波，因此本文對其進行優(yōu)化，使其更貼近于實際邊緣，將局部圖像與中心像素的灰度差均值確定為SUSAN濾波算子的閾值，以利于紅外背景精確地重建，減少殘差圖像中的背景雜波，較好提升紅外目標(biāo)的信噪比及其增益。

2邊緣方向的優(yōu)化

前人大多只利用局部圖像的4個像素點，通過梯度估計法得到梯度方向角θ⊥，進而粗略地完成邊緣方向角的估值[4-8]，但這種估值往往存在較大誤差導(dǎo)致殘差圖像中依然保留著很多的紅外背景，本文對其進行優(yōu)化，結(jié)合坐標(biāo)變換盡可能多地利用局部圖像的像素點來參與估計，并引入高斯-拉普拉斯算子對局部圖像進行濾波，遵循估計的邊緣角度越接近實際邊緣角度，濾波的灰度值就越大的原則[9]，自適應(yīng)地選擇最優(yōu)的邊緣方向估計值。本文在濾波及最優(yōu)邊緣方向選取時都將采用7×7的模板，并考慮到實時性要求，將在9個可能的邊緣方向角中選取最優(yōu)的。

3目標(biāo)檢測算法流程

本文算法流程包括：圖像預(yù)處理、紅外背景建模、原始圖像與背景圖像作差、對殘差圖像進行分割以提取小目標(biāo)。通過局部圖像信息確定SUSAN濾波器的長軸、短軸、閾值，并運用高斯-拉普拉斯算子自適應(yīng)地選擇最優(yōu)的邊緣方向，然后與圖像進行卷積得到背景建模圖像，作差得到含有紅外弱小目標(biāo)的殘差圖像，并運用對比度分割算法得到目標(biāo)的大小與位置，如圖2所示。

4實驗結(jié)果及分析

由圖可知，盡管高通濾波在算法實現(xiàn)上最簡單，但經(jīng)過處理后的圖像依然有大量的背景雜波，部分雜波灰度較高；各向異性SUSAN濾波相對于高通濾波有較好的背景抑制能力，但由于梯度估計法所確定的邊緣方向誤差較大，使部分背景、尤其是云層邊緣并未得到較好抑制；本文算法對其進行改進，通過設(shè)置新的閾值以及對邊緣方向進行優(yōu)化，促使紅外背景被更加精確地重建，使殘差圖像中保留著更少的背景雜波，云層邊緣得到很好的抑制，體現(xiàn)出更好的背景抑制能力，同樣本文算法還有效地避免了虛假目標(biāo)的產(chǎn)生，如圖5（c）所示，紅外圖像經(jīng)過濾波后，在目標(biāo)左側(cè)竟然同時出現(xiàn)兩個灰度高于目標(biāo)的噪聲點，圖5（d）卻沒有，因此本文算法更能有效降低虛警率。

圖6給出了紅外圖像3經(jīng)過三種不同的濾波算法后基于對比度的分割圖像，圖6（b）、（c）中目標(biāo)周圍的高頻噪聲點都可能會被誤認(rèn)為是目標(biāo)，本文的算法則能很好地檢測出目標(biāo)。為了能定量地說明本文算法的有效性，本文將采用圖像信噪比、信噪比增益、背景抑制因子對三種檢測算法進行評價，它們都反映弱小目標(biāo)在檢測前后的改善情況，

由表1可知：本文算法有效地提高紅外目標(biāo)信噪比及其增益，具有更好的背景抑制能力，其性能明顯優(yōu)于前兩種算法，具有更好的單幀紅外弱小目標(biāo)的檢測能力。

5結(jié)論

本文在運用各向異性SUSAN濾波對紅外目標(biāo)檢測時，紅外建模過程中邊緣方向誤差較大，會導(dǎo)致殘差圖像中仍保留較多背景雜波存在，因此，提出對其改進，盡可能多地利用局部圖像的像素點來參與邊緣估計，運用高斯-拉普拉斯算子自適應(yīng)地選擇最優(yōu)的邊緣方向估計值，并將局部圖像與中心像素的灰度差均值確定為SUSAN濾波算子的閾值。實驗表明：本文方法有利于紅外背景更加精確地重建，使得濾波后的圖像保留更少的背景雜波，較好提高了紅外目標(biāo)的信噪比增益，突出目標(biāo)，并能有效的避免虛假目標(biāo)產(chǎn)生，為紅外圖像處理的后續(xù)工作打下較好的基礎(chǔ)。endprint

摘要：運用各向異性SUSAN濾波進行紅外弱小目標(biāo)檢測時，考慮到僅依靠4個像素點所確定的邊緣方向往往與實際邊緣方向存在較大誤差，導(dǎo)致濾波后的圖像依然保留著較多的背景雜波而不利于弱小目標(biāo)的檢測，因此提出一種邊緣方向優(yōu)化方法，結(jié)合坐標(biāo)變換盡可能多地利用局部圖像的像素點來參與邊緣方向的估值，并運用高斯-拉普拉斯算子自適應(yīng)地選擇最優(yōu)化的邊緣方向角，使其更貼近于實際邊緣；然后將局部圖像與中心像素的灰度差均值確定為各向異性SUSAN濾波算子的閾值。實驗表明：本文算法具有更好的背景抑制能力，突出目標(biāo)，較好地提升了紅外目標(biāo)信噪比增益，并有效避免虛假目標(biāo)的產(chǎn)生，提高了單幀紅外弱小目標(biāo)的檢測能力。

關(guān)鍵詞：弱小目標(biāo)檢測；各向異性SUSAN濾波器；邊緣方向優(yōu)化；閾值；自適應(yīng)

中圖分類號：TP391文獻(xiàn)標(biāo)識碼：A文章編號：1673-5048（2014）04-0036-04

0引言

復(fù)雜背景下紅外弱小目標(biāo)的檢測和跟蹤是紅外成像制導(dǎo)的關(guān)鍵技術(shù)，由于紅外傳感器本身噪聲、紅外背景干擾、以及目標(biāo)具有遠(yuǎn)距離、低信噪比等特點給紅外弱小目標(biāo)檢測帶來很大的困難[1-3]。為提高系統(tǒng)對強雜波背景中紅外弱小目標(biāo)的檢測能力，在目標(biāo)檢測之前，必須對圖像進行背景抑制以提高信噪比。常用的背景抑制方法有高通濾波、側(cè)抑制濾波、SUSAN濾波等[4-6]；SUSAN濾波算法是利用SUSAN算子對邊緣和角點敏感，而對噪聲不敏感的優(yōu)勢，對紅外背景進行重新建模，并與原始紅外圖像作差，得到包含有紅外弱小目標(biāo)的殘差圖像，已取得較好的背景抑制效果[5-7]。本文在各向異性SUSAN濾波算子的基礎(chǔ)上，考慮到僅依靠4個像素點所確定的邊緣方向往往與實際邊緣方向存在較大誤差，導(dǎo)致濾波后的圖像依然保留著較多的背景雜波，因此本文對其進行優(yōu)化，使其更貼近于實際邊緣，將局部圖像與中心像素的灰度差均值確定為SUSAN濾波算子的閾值，以利于紅外背景精確地重建，減少殘差圖像中的背景雜波，較好提升紅外目標(biāo)的信噪比及其增益。

2邊緣方向的優(yōu)化

前人大多只利用局部圖像的4個像素點，通過梯度估計法得到梯度方向角θ⊥，進而粗略地完成邊緣方向角的估值[4-8]，但這種估值往往存在較大誤差導(dǎo)致殘差圖像中依然保留著很多的紅外背景，本文對其進行優(yōu)化，結(jié)合坐標(biāo)變換盡可能多地利用局部圖像的像素點來參與估計，并引入高斯-拉普拉斯算子對局部圖像進行濾波，遵循估計的邊緣角度越接近實際邊緣角度，濾波的灰度值就越大的原則[9]，自適應(yīng)地選擇最優(yōu)的邊緣方向估計值。本文在濾波及最優(yōu)邊緣方向選取時都將采用7×7的模板，并考慮到實時性要求，將在9個可能的邊緣方向角中選取最優(yōu)的。

3目標(biāo)檢測算法流程

本文算法流程包括：圖像預(yù)處理、紅外背景建模、原始圖像與背景圖像作差、對殘差圖像進行分割以提取小目標(biāo)。通過局部圖像信息確定SUSAN濾波器的長軸、短軸、閾值，并運用高斯-拉普拉斯算子自適應(yīng)地選擇最優(yōu)的邊緣方向，然后與圖像進行卷積得到背景建模圖像，作差得到含有紅外弱小目標(biāo)的殘差圖像，并運用對比度分割算法得到目標(biāo)的大小與位置，如圖2所示。

4實驗結(jié)果及分析

由圖可知，盡管高通濾波在算法實現(xiàn)上最簡單，但經(jīng)過處理后的圖像依然有大量的背景雜波，部分雜波灰度較高；各向異性SUSAN濾波相對于高通濾波有較好的背景抑制能力，但由于梯度估計法所確定的邊緣方向誤差較大，使部分背景、尤其是云層邊緣并未得到較好抑制；本文算法對其進行改進，通過設(shè)置新的閾值以及對邊緣方向進行優(yōu)化，促使紅外背景被更加精確地重建，使殘差圖像中保留著更少的背景雜波，云層邊緣得到很好的抑制，體現(xiàn)出更好的背景抑制能力，同樣本文算法還有效地避免了虛假目標(biāo)的產(chǎn)生，如圖5（c）所示，紅外圖像經(jīng)過濾波后，在目標(biāo)左側(cè)竟然同時出現(xiàn)兩個灰度高于目標(biāo)的噪聲點，圖5（d）卻沒有，因此本文算法更能有效降低虛警率。

圖6給出了紅外圖像3經(jīng)過三種不同的濾波算法后基于對比度的分割圖像，圖6（b）、（c）中目標(biāo)周圍的高頻噪聲點都可能會被誤認(rèn)為是目標(biāo)，本文的算法則能很好地檢測出目標(biāo)。為了能定量地說明本文算法的有效性，本文將采用圖像信噪比、信噪比增益、背景抑制因子對三種檢測算法進行評價，它們都反映弱小目標(biāo)在檢測前后的改善情況，

由表1可知：本文算法有效地提高紅外目標(biāo)信噪比及其增益，具有更好的背景抑制能力，其性能明顯優(yōu)于前兩種算法，具有更好的單幀紅外弱小目標(biāo)的檢測能力。

5結(jié)論

本文在運用各向異性SUSAN濾波對紅外目標(biāo)檢測時，紅外建模過程中邊緣方向誤差較大，會導(dǎo)致殘差圖像中仍保留較多背景雜波存在，因此，提出對其改進，盡可能多地利用局部圖像的像素點來參與邊緣估計，運用高斯-拉普拉斯算子自適應(yīng)地選擇最優(yōu)的邊緣方向估計值，并將局部圖像與中心像素的灰度差均值確定為SUSAN濾波算子的閾值。實驗表明：本文方法有利于紅外背景更加精確地重建，使得濾波后的圖像保留更少的背景雜波，較好提高了紅外目標(biāo)的信噪比增益，突出目標(biāo)，并能有效的避免虛假目標(biāo)產(chǎn)生，為紅外圖像處理的后續(xù)工作打下較好的基礎(chǔ)。endprint