鞏晉南，侯晴宇，張偉

(哈爾濱工業(yè)大學空間光學工程研究中心，黑龍江哈爾濱150001)

對云雜波成像條件下點目標檢測算法進行性能評價是紅外搜索與跟蹤(infrared search and track，IRST)系統(tǒng)中的亟待解決的問題之一［1-8］。由于檢測過程首先需要進行背景抑制以去除高關聯度背景雜波，而后再通過目標的強度特征在殘差圖像中進行分割檢測［2-5］，因此在進行算法性能評價時，多將背景抑制方法和目標分割檢測方法性能分別進行評價。在背景抑制層面，PSNR、BSF［4-5］等全局評價雜波抑制性能的指標不能完全反應背景抑制方法對圖像不同部分的處理性能。而ISCR等評價目標能量保留能力的指標無法與檢測性能建立明確的數學關系，局限性較大。而在目標分割檢測性能評價上，由于檢測器在殘差圖像中進行目標分割檢測，背景抑制算法不能完全濾除背景，且對不同程度的起伏背景作用效果不同，因此采用檢測器理想檢測性能作為檢測算法性能是不合理的。雖然接收機工作特性(receiver operating characteristic，ROC)曲線可以客觀描述檢測性能［2-4］，但無法表征檢測器實際性能和與理論性能的偏移程度，也無法將檢測性能與場景起伏程度相關聯，具有一定的局限性。

近年來，國內外學者試圖通過研究圖像的復雜度量［9-13］，從而獲取更為準確的性能評價，而圖像復雜度度量方法仍不能與檢測性能直接關聯。為了全面評價目標檢測方法的性能，從影響檢測性能的各要素出發(fā)，建立了多尺度場景雜波量化模型、探測器噪聲量化模型和目標能量量化與傳遞模型。以檢測性能為核心，建立了結合檢測器理論性能的算法性能表征參數。在構造各模型后，將量化結果作為輸入，結合遺傳算法的BP神經網絡建立各量化輸入與性能表征參數的數值關系。提出的方法可以將影響檢測性能的各因素進行量化與解耦和，不僅具有較高的精度，還可在目標檢測方法的角度為成像系統(tǒng)總體設計檢測方法和方法選擇提供依據。

1 檢測過程量化模型的建立

1.1 場景雜波及探測器噪聲量化模型

點目標檢測算法量化評價模型總體方案如圖1所示。目標檢測算法性能除了與目標能量相關外，還與場景雜波、探測器噪聲以及成像過程中的光學系統(tǒng)彌散密切相關，需要對以上影響因素進行量化作為評價輸入?？陀^上，點目標檢測性能受到物理場景雜波和探測器噪聲影響，需要結合目標對場景雜波和探測器噪聲度量。

圖1 點目標檢測算法評價總體方案Fig.1 Overall evaluation scheme for point target detection algorithm

在此首先采用圖像信噪比SNRIMG度量探測器噪聲:

式中:SIMG為圖像信號，σnoise為探測器噪聲均方差。

總的來說，背景抑制算法進行的前提是背景具有空間關聯性，且在此過程中需要保護一定尺度的目標。在度量雜波前，需要考慮目標尺度，對場景圖像進行多尺度預處理處理。為此，首先采用多尺度拉普拉斯-高斯(LoG)算子對圖像進行預處理。LoG算子表示為

式中:s為空間尺度參數，其與圖像的作用過程為

其中，h(x，y，s)是原始圖像與尺度為s的LoG算子卷積后結果。在LoG算子與圖像進行卷積后，尺度不大于s的強起伏點將會得到最佳響應，而小于s的場景被抑制，從而實現基于目標尺度的雜波量化。由于背景抑制過程在圖像鄰域進行，而評價鄰域圖像起伏程度最直接度量就是導數。在圖像進行預處理后，采用圖像多尺度導數作為雜波度量:

式中:E(x，y)為場景雜波量化強度，smax和smin為圖像中目標可能存在的上限與下限，當評估雜波對點目標檢測的影響時，smax=smin=1。

1.2 目標能量量化模型

目標在雜波中能夠被檢測的前提是目標背景間具有一定的對比度，物理上，目標能量可通過目標信雜比SCRSCE表征:

式中:SCRSCE是場景信雜比，TSCE和σSCE分別是目標物理能量分布和場景輻射能量的均方差。在圖像上，目標能量表示為

式中:TIMG為目標在圖像中的能量，τ為光學系統(tǒng)透過率，tint為積分時間，η為探測器光電轉換效率，ΩDet為探測器光敏元區(qū)域，EOF能量集中度。對亞象元尺度目標來說，在像方ΩDet≥Ωtar，則有

可以看出在成像過程中，能量集中度是影響目標可檢測性能的主要參數，其表征了光學系統(tǒng)對目標能量的衰減程度。目標在圖像中的可檢測程度不僅與目標自身輻射能量有關，還與光學系統(tǒng)性能密切相關。

1.3 檢測性能量化參數

為了體現檢測器的實際檢測性能和理論檢測性能的差異，構造相對檢測概率(RPd)對檢測性能進行表征:

式中:Pd(Pf)為在虛警概率Pf下，檢測算法獲得的檢測結果;P'd(Pf)為檢測器理論檢測概率。為反映檢測算法在全工作狀態(tài)下的檢測性能，在RPd基礎上，構造相對檢測性能參數RWP，表示為

可以看出，RWP參數越大，說明檢測器性能越接近理論值，即檢測算法性能越高。

2 檢測性能評價方法的建立

2.1 基于遺傳神經網絡模型的建立

在建立了檢測鏈路各要素量化模型后，性能評價問題轉化為對多輸入耦合參數的解耦合問題。BP神經網絡具備神經網絡的分布式處理、自組織、自學習等等普遍優(yōu)點，還具有非線性映射、泛化和容錯能力，為此，這里采用BP(back propagation)神經網絡解決該問題。在BP神經網絡的基礎上，采用遺傳算法確定網絡初值，構造遺傳神經網絡，既可以發(fā)揮神經網絡在非線性映射方面的優(yōu)勢，還可以改善神經網絡的初值確定精度和收斂速度［14］。基于遺傳算法的神經網絡算法流程如圖2所示。

圖2 點目標檢測算法評價方法流程Fig.2 Processing of quantitative evaluation for point target detection algorithm

2.2 網絡結構設計

在網絡設計上，設計了具有1個輸入層，1個隱藏層和1個輸出層的經典神經網絡，其中網絡共有4個輸入量和1個輸出量。輸入層與隱藏層采用Sigmoid函數，隱藏層與輸出層采用雙曲正切函數。在遺傳算法確定網絡初值方面，采用預測輸出與期望輸出的線性誤差作為適應度函數:

式中:n為網絡中節(jié)點數，yi和oi分別是第i個節(jié)點的網絡預測輸出和期望輸出，k為線性系數，這里k=1。在個體選擇方面，采用輪盤賭法作為選擇策略，則每個個體i選擇概率pi為

3 仿真試驗結果

3.1 試驗輸入參數

采用提出的評價方法對經典空域Top-Hat和經典頻域Butterworth濾波器的目標檢測性能進行評價。在輸入圖像源方面，采用某紅外成像系統(tǒng)實測圖像作為仿真測試圖像源，圖像源中各典型場景區(qū)域如圖3所示。

圖3 測試圖像源中典型場景Fig.3 Typical scenarios in test image source

在實測圖像的基礎上，隨機加入噪聲和目標形成訓練圖像集。訓練圖像集由100幀圖像組成，其中加入了SCRSCE為1，2，3的目標。在光學系統(tǒng)成像限制方面，考慮能量集中度影響，仿真了在相同光學系統(tǒng)、積分時間下，能量集中度為0.6、0.7 和0.8;在探測器噪聲仿真方面，在圖像中加入噪聲量值SNRIMG分別為20 dB、18 dB、16 dB和14 dB。

3.2 測試評價結果及分析

為了驗證建立模型的準確性，在對網絡訓練結束后，再隨機選取了50幀樣本圖像對模型準確性進行測試，網絡訓練輸出結果和實測結果的誤差如圖4所示?？梢钥闯?，采用建立遺傳神經網絡模型最大誤差小于5×10－4，可見模型具有較高的精度，滿足使用要求。

圖5為在SNRIMG=20 dB時，不同程度雜波起伏、不同能量集中度下的RWP曲線。

圖4 網絡訓練結果與實測結果誤差Fig.4 Error between network training and measured results

圖5 不同能量集中度下檢測算法性能Fig.5 Detection performance under different encircled energy

圖5由于目標檢測過程中，場景不可能被完全濾除，且在背景抑制過程目標能量被一定程度的削弱，因此在任何情況下，RWP＜1。隨著場景雜波起伏的加劇，背景抑制算法對強起伏雜波的濾除效果下降，目標檢測性能也隨之降低。光學系統(tǒng)能量集中度對系統(tǒng)收集目標能量效果產生影響，低能量集中度不僅會使單像元收集目標能量降低，還會將目標能量彌散至其他像元，從而導致背景抑制、目標分割算法性能下降，進一步削弱目標檢測性能。

圖6為在能量集中度為0.7時，不同SNRIMG、不同雜波起伏下2方法的RWP曲線。由于探測器噪聲在空域上不具有關聯性，且在圖像中噪聲強度與場景雜波強度疊加，對于空域檢測方法而言，探測器噪聲相當于在目標能量不變時場景雜波強度增加，因此在場景不變時，隨著噪聲強度的增加檢測性能因此下降。而對于頻域方法而言，頻域濾波僅對特定頻率進行作用。場景、噪聲所屬于不同的頻率成分，當噪聲逐漸增加時，噪聲所處的高頻成分逐漸占優(yōu)，故隨著噪聲強度增加，檢測性能下降的同時，場景雜波對頻域算法性能影響逐漸減弱。

圖6 不同信噪比下檢測算法性能Fig.6 Detection performance under different SNRs

以上計算結果表明，利用該目標檢測性能評價模型，不僅可以充分表征目標檢測算法自身的檢測能力，還能反應算法在不同探測性能、不同雜波強度下的性能變化趨勢，可以滿足實際全方位對目標檢測算法性能評估的需要。

4 結束語

針對現有目標評估方法存在的不足，通過建立點目標檢測各要素模型，并建立基于遺傳神經網絡的目標評價模型。通過該模型，綜合評價了不同成像條件下Hop-Hat和Butterworth這2種典型紅外點目標檢測算法的性能影響。理論分析和實驗結果表明，本方法不僅可以深入分析檢測算法性能變化規(guī)律，還能夠對探測系統(tǒng)的總體設計和算法的選擇提供依據，具有理論意義和工程應用價值。

［1］張必銀.小目標檢測識別技術性能評價研究［D］.武漢:華中科技大學，2007:1-2.ZHANG Biyin.Research on performance evaluation for small target detection and recognition technology［D］.Wuhan:Huazhong University of Science and Technology，2007:1-2.

［2］張偉，孟祥龍，叢明煜，等.天基紅外掃描圖像點目標檢測算法［J］.紅外與激光工程，2009，38(5):921-925.ZHANG Wei，MENG Xianglong，CONG Mingyu，et al.Algorithm of space point target detection for IR scan images［J］.Infrared and Laser Engineering，2009，38(5):921-925.

［3］陳炳文，王文偉，秦前清.基于Fuzzy-ART神經網絡的紅外弱小目標檢測［J］.系統(tǒng)工程與電子技術，2012，34(5):857-863.CHEN Bingwen，WANG Wenwei，QIN Qianqing.Infrared dim target detection based on fuzy-ART neural network［J］.System Engineering and Electronic，2012，34(5):857-863.

［4］BAE T W，ZHANG Fei，KWEON I S.Edge directional 2D LMS filter for infrared small target detection［J］.Infrared Physics＆ Technology，2012(55):137-145.

［5］BAI X，ZHOU F.Analysis of new top-hat transformation and the application for infrared dim small target detection［J］.Pattern Recognition，2010，43(6):2145-2156.

［6］楊春玲，王暕來，王昶輝.紅外多譜段小目標識別方法［J］.紅外與激光工程，2010，39(4):772-776.YANG Chunling，WANG Jianlai，WANG Changhui.Small target identification method based on the infrared multispectral image［J］.Infrared and Laser Engineering，2010，39(4):772-776.

［7］白宏剛，張建奇，王曉蕊.基于波原子變換的紅外復雜背景雜波抑制算法［J］.強激光與粒子束，2013，25(1):37-41.BAI Honggang，ZHANG Jianqi，WANG Xiaorui.Infrared complex background clutter suppression algorithm based on wave atom transform ［J］.High Power Laser and Particle Beams，2013，25(1):37-41.

［8］ZHAO Jufeng，FENG Huajun，XU Zhihai，et al.Real-time automatic small target detection using saliency extraction and morphological theory ［J］.Optics and Laser Technology，2013(47):268-277.

［9］喬立永，徐立新，高敏.紅外圖像復雜度對目標檢測性能的影響［J］.紅外與激光工程，2001，42(S1):253-261.QIAO Liyong，XU Lixin，GAO Min.Influences of infrared image complexity on the target detection performance［J］.Infrared and Laser Engineering，2001，42(S1):253-261.

［10］SHIRVAIKAR M V，TRIVEDI M M.Developing texturebased image clutter measures for object detection［J］.Optical Engineering，1992，31(12):2628-2639.

［11］張建奇，何國經，劉德連，等.背景雜波對紅外成像系統(tǒng)性能的影響［J］.紅外與激光工程，2008，37(4):565-568.ZHANG Jianqi，HE Guojing，LIU Delian，et al.Impact of background clutter on IR imaging system performance［J］.Infrared and Laser Engineering，2008，37(4):565-568.

［12］VOICU L I，UDDIN M，MYLER H R，et al.Clutter modeling in infrared images using genetic programming［J］.Optical Engineering，2000，39(9):2359-2371.

［13］林偉，陳玉華，高洪生，等.基于紅外目標紋理特征的發(fā)現概率評價模型［J］.紅外與激光工程，2009，38(1):155-159.LIN Wei，CHEN Yuhua，GAO Hongsheng，et al.Detection probability evaluation model based on texture feature of thermal infrared ［J］.Infrared and Laser Engineering，2009，38(1):155-159.

［14］智喜洋，張偉，侯晴宇，等.影響測繪相機匹配精度的輻射指標量化［J］.光學精密工程，2012，20(2):387-394.ZHI Xiyang，ZHANG Wei，Houqingyu，et al.Quantification for radiometric specifications impacting on matching accuracy of mapping camera［J］.Optics and Precision Engineering，2012，20(2):387-394.