劉 源，湯心溢，李 爭

?

基于新Top Hat變換局部對(duì)比度的紅外小目標(biāo)檢測(cè)

劉 源，湯心溢，李 爭

（中國科學(xué)院上海技術(shù)物理研究所，上海 200083）

復(fù)雜場景下由背景物體產(chǎn)生的虛警是紅外小目標(biāo)檢測(cè)中的難點(diǎn)，在目標(biāo)信號(hào)微弱時(shí)問題尤為突出。為了抑制虛警，提出一種基于局部對(duì)比度特征的小目標(biāo)檢測(cè)算法。首先，利用一種新型Top Hat變換檢測(cè)出圖像中的潛在目標(biāo)區(qū)域；然后分析潛在目標(biāo)區(qū)域及其鄰域特性，計(jì)算本文提出的局部對(duì)比度特征；最后基于此特征提取目標(biāo)區(qū)域。對(duì)合成圖像和實(shí)際紅外圖像的實(shí)驗(yàn)表明，本算法能有效地抑制背景景物造成的虛警，取得很高的檢測(cè)率，并且對(duì)目標(biāo)強(qiáng)度的變化以及目標(biāo)所在背景的變化均具有一定的適應(yīng)性。

小目標(biāo)檢測(cè)；紅外圖像；新型Top Hat變換；局部對(duì)比度；復(fù)雜場景

0 引言

控制檢測(cè)虛警率是紅外小目標(biāo)檢測(cè)中的關(guān)鍵問題。虛警的產(chǎn)生一方面是由于目標(biāo)本身尺寸小，具有的信息比較少，另一方面探測(cè)器噪聲以及場景中的背景噪聲也會(huì)對(duì)檢測(cè)造成干擾。理想的小目標(biāo)檢測(cè)算法應(yīng)該精確地去除場景中的背景以及圖像中的噪聲，準(zhǔn)確地提取出小目標(biāo)。

通常而言，傳統(tǒng)的小目標(biāo)檢測(cè)方法可以分為2類：一類側(cè)重背景的估計(jì)，一類側(cè)重目標(biāo)的特性。側(cè)重背景估計(jì)的方法試圖對(duì)背景進(jìn)行估計(jì)，然后對(duì)基本濾除背景的圖像進(jìn)行目標(biāo)檢測(cè)。數(shù)學(xué)形態(tài)學(xué)是背景估計(jì)的常用方法，比如Top Hat變換[1]、Robinson Guard變換[2]。文獻(xiàn)[3]利用中值濾波進(jìn)行背景估計(jì)。在此基礎(chǔ)上，文獻(xiàn)[4]提出利用性能更好的max-mean和max-median濾波器。文獻(xiàn)[5]利用核回歸的方法進(jìn)行背景估計(jì)。側(cè)重目標(biāo)特性的方法直接從目標(biāo)出發(fā)，建立目標(biāo)的特性模型，然后計(jì)算圖像中對(duì)每一點(diǎn)與該模型的相似度。相似度越高，則對(duì)應(yīng)的點(diǎn)越可能是目標(biāo)。文獻(xiàn)[6-8]利用目標(biāo)的高頻特性進(jìn)行檢測(cè)。文獻(xiàn)[9]認(rèn)為小目標(biāo)是圖像中具有視覺顯著性（visual saliency）的區(qū)域。文獻(xiàn)[10]、[11]對(duì)小目標(biāo)進(jìn)行了基于機(jī)器學(xué)習(xí)的建模。

在紅外場景變得復(fù)雜時(shí)，背景物體容易對(duì)目標(biāo)檢測(cè)造成強(qiáng)烈的干擾，產(chǎn)生虛警。此時(shí)，單純地側(cè)重背景估計(jì)或是目標(biāo)特性很難解決問題。文獻(xiàn)[12]、[13]全面地整合區(qū)域和鄰域信息，提出基于對(duì)比度的LCM和ILCM特征。但這2種特征并未考慮復(fù)雜場景，對(duì)復(fù)雜場景欠缺適應(yīng)性。本文基于這種思想，考慮復(fù)雜場景的特性，綜合分析區(qū)域的強(qiáng)度以及區(qū)域鄰域的復(fù)雜性，提出一種新的局部對(duì)比度特征。在利用數(shù)學(xué)形態(tài)學(xué)檢測(cè)出圖像中可能含有目標(biāo)的區(qū)域之后，計(jì)算每個(gè)區(qū)域的局部對(duì)比度特征并基于此特征進(jìn)行目標(biāo)檢測(cè)。

1 算法原理

算法原理框圖如圖1所示。

圖1 算法原理的系統(tǒng)框圖

1.1 區(qū)域檢測(cè)

區(qū)域檢測(cè)的目的在于檢測(cè)出圖像中可能包含目標(biāo)的區(qū)域?？紤]到小目標(biāo)在鄰域的灰度特性，我們需要檢測(cè)出尺寸不大于9×9且灰度值高于鄰域的區(qū)域，其中是小目標(biāo)尺寸的上限。根據(jù)文獻(xiàn)[12]，小目標(biāo)定義為不大于80個(gè)像素的目標(biāo)，故本文中設(shè)為9。

檢測(cè)目標(biāo)區(qū)域的方法通常有經(jīng)典Top Hat變換以及Robinson Guard變換[2]。圖2是檢測(cè)不大于9×9區(qū)域的效果圖。從中可以看出，Top Hat在檢出小區(qū)域的同時(shí)，不能把寬度不大于9個(gè)像素的直線濾掉。這是由Top Hat的原理決定的，即所有不能被結(jié)構(gòu)元素完全覆蓋的區(qū)域都將被檢測(cè)出來。Robinson Guard可以濾除直線，卻無法保留原來區(qū)域的大小與形狀信息。本文的區(qū)域檢測(cè)方法基于一種新型Top Hat變換[14-15]，以下簡稱為MNWTH。假設(shè)輸入圖像為(,)，則有：

在MNWTH濾波后，為了得到可能含有目標(biāo)的區(qū)域，我們首先對(duì)濾波后的圖像進(jìn)行二值化（閾值為0），得到所有MNWTH響應(yīng)為正的像素點(diǎn)，然后進(jìn)行聯(lián)通性分析得到最后的區(qū)域，這一過程如圖4所示。

圖2 區(qū)域檢測(cè)對(duì)比。(a)原始圖像，2條直線的寬度分別為1和11，直線左邊的區(qū)域不大于9×9，為需要檢測(cè)出的區(qū)域；(b)Top Hat濾波后的圖像；(c)Robinson Guard濾波后的圖像；(d)MNWTH濾波后的圖像

膨脹結(jié)構(gòu)元素腐蝕結(jié)構(gòu)元素

1.2 局部對(duì)比度

利用MNWTH檢測(cè)出的區(qū)域中可能含有目標(biāo)，也可能是背景物體或者探測(cè)器噪聲。在忽略探測(cè)器噪聲時(shí)，一個(gè)包含目標(biāo)的區(qū)域可以表示為：

(,)＝(,)＋(,)

圖4 區(qū)域檢測(cè)步驟

為了抑制背景物體的干擾，對(duì)每一個(gè)可能包含目標(biāo)的區(qū)域，我們分析其鄰域。如圖5定義為區(qū)域的大小為的鄰域。令為某區(qū)域鄰域，則該鄰域的復(fù)雜性可由：

amp＝max()－min()

近似。amp越大，區(qū)域所在的背景越復(fù)雜，區(qū)域越可能包含背景物體?；诖耍x局部對(duì)比度。令t為某區(qū)域像素集合，n為其區(qū)域鄰域像素集合。則局部對(duì)比度定義如下：

式中：e是一個(gè)調(diào)整參數(shù)，防止分母為零。一般令e＝0.001。此時(shí)可對(duì)所有MNWTH 區(qū)域求得其c值，然后設(shè)定閾值Tc，若c＞Tc，則判定為目標(biāo)區(qū)域，否則判定為虛警區(qū)域。

2 實(shí)驗(yàn)

實(shí)驗(yàn)中，MNWTH使用的膨脹結(jié)構(gòu)元素d和腐蝕結(jié)構(gòu)元素E均為19×19的矩形結(jié)構(gòu)元素，其中d的中空區(qū)域大小為9×9。

2.1 區(qū)域特征對(duì)比

為了評(píng)價(jià)局部對(duì)比度特征的性能，我們將與另外2種特征對(duì)比。第一種是區(qū)域最大值特征MNWTHMAX，定義為：

第二種是LCM[12]特征。比較結(jié)果如圖6。由于目標(biāo)比較微弱，故對(duì)MNWTHMAX特征而言，背景物體的干擾比較明顯。對(duì)于LCM特征，目標(biāo)微弱的影響更為明顯。雖然LCM特征考慮了鄰域特性，但背景物體中的鄰域同樣具有較低的均值。由圖6(d)可見，本文提出的局部對(duì)比度特征能夠較好地抑制背景物體的干擾。

2.2 檢測(cè)性能對(duì)比

為了評(píng)價(jià)算法的綜合檢測(cè)性能，我們將算法與其他幾種算法進(jìn)行比較：Top Hat變換（10×10的結(jié)構(gòu)元素)、MNWTH變換（直接用濾波結(jié)果進(jìn)行檢測(cè)）、NWNTHMAX特征、LCM特征。比較時(shí)采用ROC（receiver operation characteristic）曲線。ROC 曲線可以表明檢測(cè)率d與虛警率f之間的關(guān)系。定義d為檢測(cè)到的目標(biāo)像素個(gè)數(shù)與目標(biāo)像素總數(shù)的比；定義f為虛警像素個(gè)數(shù)與圖像像素總數(shù)的比。我們用三個(gè)紅外圖像序列進(jìn)行測(cè)試。

序列一有20幀800×288的紅外圖像，圖7(a)為其中一幀圖像。序列一中目標(biāo)信號(hào)非常微弱，并且其中的人造物體能夠嚴(yán)重干擾小目標(biāo)檢測(cè)。由圖7(b)中序列一對(duì)應(yīng)的各算法ROC曲線對(duì)比可見，本文算法能夠很好地排除背景物體干擾，在檢測(cè)性能上明顯優(yōu)于其他算法。

序列二有13幀800×576的紅外圖像，圖8(a)為其中一幀圖像。該序列中的目標(biāo)為人工添加。圖像左下角建筑物頂部的突起會(huì)對(duì)目標(biāo)檢測(cè)造成較強(qiáng)的干擾。由圖9(a)中ROC曲線對(duì)比可見除Top Hat變換及MNWTH濾波的檢測(cè)效果一般，其他算法均有很好的檢測(cè)效果。為了測(cè)試算法的健壯性，我們保持背景物體不變，降低目標(biāo)信號(hào)強(qiáng)度，如圖8(b)所示。圖8(c)～圖8(l)給出了各種算法檢測(cè)結(jié)果示例。降低目標(biāo)信號(hào)強(qiáng)度后對(duì)應(yīng)的ROC曲線對(duì)比為圖9(b)。由圖可見，所有算法性能均受影響。LCM特征由于對(duì)信號(hào)強(qiáng)度敏感其性能下降尤為顯著。而本文算法雖然也受到影響，但影響很小，具有最好的檢測(cè)效果。因此在目標(biāo)背景比較純凈時(shí)，本文算法對(duì)信號(hào)強(qiáng)度的變化有很強(qiáng)的健壯性。

序列三有9幀800×576的紅外圖像，圖10(a)為其中一幀圖像。此時(shí)場景與序列二相似，但目標(biāo)所在背景中有樹枝和云朵，灰度變化比較劇烈。由圖11(a)可見本文算法在目標(biāo)背景復(fù)雜時(shí)能夠取得很好的檢測(cè)效果，說明算法對(duì)目標(biāo)所在背景的復(fù)雜性具有一定的適應(yīng)性。特別地，當(dāng)我們適當(dāng)降低目標(biāo)強(qiáng)度（圖10(b)）后，本文算法依然能夠取得很好的檢測(cè)效果（圖11(b)）。圖10(c)～圖10(l)給出了各種算法檢測(cè)結(jié)果示例。

3 結(jié)論

為了有效抑制紅外小目標(biāo)檢測(cè)中復(fù)雜場景下背景物體產(chǎn)生的虛警，本文提出了一種基于局部對(duì)比度特征的目標(biāo)檢測(cè)算法。算法在檢測(cè)出可能含有目標(biāo)的區(qū)域的基礎(chǔ)上，提取出各個(gè)區(qū)域的局部對(duì)比度特征，然后基于此特征濾除虛警。在實(shí)驗(yàn)中，我們?cè)u(píng)估了本文算法的檢測(cè)性能，并且與Top Hat等目標(biāo)檢測(cè)算法進(jìn)行對(duì)比。實(shí)驗(yàn)表明，本文算法在僅利用單幀圖像數(shù)據(jù)的情況下，能夠很好地抑制場景中背景物體的干擾，取得很高的檢測(cè)率，在對(duì)比的算法中具有最好的檢測(cè)性能；另外本文算法對(duì)于目標(biāo)強(qiáng)度的變化以及目標(biāo)所在背景的變化均具有一定的適應(yīng)性，表現(xiàn)出健壯性。

圖6 區(qū)域特征對(duì)比

圖7 序列一中的一幀圖像

圖8 序列二中的一幀圖像

圖9 序列二檢測(cè)ROC曲線

圖11 序列三檢測(cè)ROC曲線

[1] Victor T Tom, Tamar Peli, May Leung, et al. Morphology-basedalgorithm for point target detection in infrared backgrounds[J]., 1993, 1954(1): 2-11.

[2] 余農(nóng), 吳常泳, 湯心溢, 等. 紅外目標(biāo)檢測(cè)的自適應(yīng)背景感知算法[J]. 電子學(xué)報(bào), 2005, 33(2): 200-204.

[3] John Barnett. Statistical analysis of median subtraction filtering with application to point target detection in infrared backgrounds[J]., 1989, 1050(1): 10-18.

[4] Suyog D. Deshpande, Meng H. Er, Ronda Venkateswarlu, et al. Max-mean and max-median filters for detection of small targets[J]., 1999, 3809(1):74-83.

[5] Yanfeng Gu, Chen Wang, Baoxue Liu, et al. A kernel-based nonparametric regression method for clutter removal in infrared small-target detection applications[J]., 2010, 7(3): 469-473.

[6] Yang L., Yang J., Yang K.. Adaptive detection for infrared small target under sea-sky complex background[J]., 2004, 40(17): 1083-1085.

[7] P. Wang, J.W. Tian, C.Q. Gao. Infrared small target detection using directional highpass filters based on LS-SVM[J]., 2009, 45(3): 156-158.

[8] 侯潔, 辛云宏. 基于高通濾波和圖像增強(qiáng)的紅外小目標(biāo)檢測(cè)方法[J]. 紅外技術(shù), 2013, 35(5): 279-284.

[9] Shengxiang Qi, Jie Ma, Chao Tao, et al. A robust directional saliency-based method for infrared small-target detection under various complex backgrounds[J]., 2013, 10(3): 495-499.

[10] Zhi-Jun Liu, Xu-Bang Shen, Chao-Yang Chen. Small objects detection in image data based on probabilistic visual learning[C]//2005, 2005, 9: 5517-5521.

[11] I. El-Naqa, Yongyi Yang, M.N. Wernick, et al. A support vector machine approach for detection of microcalcifications in mammograms[C]//2002, 2002, 2002, 2: 953-956.

[12] Chen C.L.P., Li Hong, Wei Yantao, et al. A local contrast method for small infrared target detection[J]., 2014, 52(1): 574-581.

[13] Jinhui Han, Yong Ma, Bo Zhou, et al. A robust infrared small target detection algorithm based on human visual system[J]., 2014, 11(12): 2168-2172.

[14] P. T. Jackway. Improved morphological top-hat[J]., 2000, 36(14):1194-1195.

[15] Bai Xiangzhi, Zhou Fugen. Analysis of new top-hat transformation and the application for infrared dim small target detection[J]., 2010, 43(6): 2145-2156.

A New Top Hat Local Contrast based Algorithm for Infrared Small Target Detection

LIU Yuan，TANG Xin-yi，LI Zheng

(,,200083,)

False alarms generated by complex scenes of the background are a challenging problem for infrared small target detection, especially when the target is dim. To reduce false alarms, a small target detection algorithm based on local contrast is proposed. First, a modified top hat transform is applied to detect regions that are likely to contain a target. Then for each of the regions, we calculate the proposed local contrast measure. The target regions are then detected based on such measure. Experimental results on synthetic and real data show that the proposed method reduces false alarms generated by background and achieves high detection accuracy. Moreover, the algorithm is shown to be robust to the variation of the target intensity and fluctuation of the target neighborhood.

small target detection，infrared image，new top hat transform，local contrast，complex scenes

TP391

A

1001-8891(2015)07-0544-09

2015-01-21；

2015-05-20。

劉源（1989-），男，江西上猶人，博士研究生，主要從事圖像處理，模式識(shí)別等方面的研究工作。

國家863計(jì)劃資助項(xiàng)目，編號(hào)：2011AA7031002G；國家十二五國防預(yù)研項(xiàng)目，編號(hào)：41101050501。