金長江,師廷偉（中國電子科技集團公司第二十七研究所，河南　鄭州450047）

?

紅外弱小目標(biāo)檢測背景抑制算法研究

金長江,師廷偉
（中國電子科技集團公司第二十七研究所，河南鄭州450047）

摘要：復(fù)雜背景下紅外小目標(biāo)識別一直是紅外圖像處理的關(guān)鍵技術(shù)之一，針對復(fù)雜云背景下紅外弱小目標(biāo)的時域和空域特征，考慮到易于硬件實現(xiàn)和實時性要求，提出基于快速統(tǒng)計排序濾波和Robinson Guard濾波并行快速處理算法，對復(fù)雜背景進行高信噪比抑制。實驗證明，該方法能夠有效地提高紅外弱小目標(biāo)圖像信噪比和復(fù)雜背景下的小目標(biāo)的檢測概率。

關(guān)鍵詞：小目標(biāo)檢測；紅外圖像；背景抑制；Robinson Guard濾波器

0 引　言

目前，在導(dǎo)彈制導(dǎo)、遠(yuǎn)程探測以及地面跟蹤等領(lǐng)域，對于點目標(biāo)的檢測已經(jīng)成為核心技術(shù)之一[1-2]。由于點目標(biāo)具有尺寸小、無形狀和紋理特征等特點，加上遠(yuǎn)距離傳輸所造成的能量衰減、云霧等障礙物及探測器噪聲的影響，致使點目標(biāo)信號在紅外圖像平面上，極易淹沒在強噪聲背景中，表現(xiàn)為弱點狀或者不穩(wěn)定斑點狀，其檢測任務(wù)變得非常困難[3]。

為了提高目標(biāo)檢測概率，對紅外小目標(biāo)圖像進行檢測前預(yù)處理十分必要。國內(nèi)外學(xué)者已經(jīng)提出了很多抑制背景濾波器，如自適應(yīng)背景預(yù)測檢測[4]、形態(tài)學(xué)方法[5]、小波變換[6]等，這些濾波器在背景緩變時處理效果較好，但背景起伏較大時，弱小目標(biāo)的探測概率不能達到令人滿意的效果。本文在復(fù)雜背景下分析紅外小目標(biāo)圖像特征，提出基于統(tǒng)計排序的空域濾波器和Robinson Guard濾波器[7-8]的預(yù)處理算法對圖像序列進行雜波抑制，該方法在降低運算量的基礎(chǔ)上，克服了高通濾波器無法濾除高頻噪聲的缺點，減少了復(fù)雜背景抑制不干凈而產(chǎn)生的噪聲，不失真地保留小目標(biāo)特征信息，便于后續(xù)進行紅外小目標(biāo)的識別和檢測。

1 復(fù)雜背景下小目標(biāo)圖像特征分析

1.1 小目標(biāo)圖像時域模型分析

包含小目標(biāo)的紅外圖像序列f（x，y，k）[9-11]可以描述為

式中：f（x，y，k）——圖像上點（x，y）在第k幀的灰度值；

fT（x，y，k）——點目標(biāo)像素值；

fB（x，y，k）——背景圖像；

N（x，y，k）——噪聲圖像；

k——序列圖像中的幀數(shù)。

目標(biāo)點灰度fT（x，y，k）與周圍背景相比具有不連續(xù)性，通常比背景亮。而背景圖像fB（x，y，k）具有空間相關(guān)性，通常處于紅外圖像f（x，y，k）的中、低頻部分。當(dāng)然，由于視場與探測器熱噪聲分布的不均勻性，局部圖像的灰度值可能有較大的變化，fB（x，y，k）中包含部分高頻分量，主要分布在背景圖像各個同質(zhì)區(qū)的邊緣處。隨機噪聲N（x，y，k）主要是探測器的內(nèi)部噪聲和外部隨機噪聲，與背景像素不相關(guān)，在空間隨機分布，其統(tǒng)計特性通?？杀幻枋鰹榱憔档母咚拱自肼暋Ｔ肼晥D像和紅外圖像中具備一定信噪比的小目標(biāo)點灰度圖像fT（x，y，k）一樣，主要分布在紅外圖像f（x，y，k）的高頻段。

紅外圖像中由于噪聲N（x，y，k）的存在，會降低空域濾波算法的性能，圖像處理前需要進行降噪處理，通常采用低通濾波法。

1.2 小目標(biāo)特征分析

通過觀察大量紅外小目標(biāo)圖像，發(fā)現(xiàn)圖像序列中的小目標(biāo)具有形狀、灰度、航跡等特征，但是圖像中的飛鳥、噪聲、碎云、云邊緣亮點等復(fù)雜背景與小目標(biāo)的特征具有一定的差異。

1.2.1 形狀特征

弱小目標(biāo)在紅外圖像中表現(xiàn)為點目標(biāo)，一般僅幾個像素，最大不超過5×5個像素。雖然圖像中目標(biāo)呈現(xiàn)弱小性，但是與飛鳥、噪點等相比具有一定的特征，其中包括：

1）小目標(biāo)尺寸一般小于3×3個像素。

2）目標(biāo)的長寬比表示為：Nt/K=max（Δx，Δy）/ min（Δx，Δy）∈[1，3]，其中max（Δx，Δy）為點目標(biāo)x、y軸方向大者，min（Δx，Δy）為點目標(biāo)x、y軸方向小者。

3）小目標(biāo)的占比R=Nt/Nw∈[0.4，1]，其中Nt為小目標(biāo)的像素數(shù)，Nw為模板窗口像素數(shù)，一般選擇3×3模板。

1.2.2 灰度模型分析

紅外圖像中灰度特征反應(yīng)了場景中物體的輻射強度，小目標(biāo)的灰度特征與復(fù)雜云背景中的散云、飛鳥等存在一定的差異，通過對大量小目標(biāo)紅外灰度特征的分析，提取以下2點特征參數(shù)：

1）平均值灰度差

平均灰度差是小目標(biāo)區(qū)域灰度均值和鄰域局部背景灰度均值的差值，反映紅外圖像中的弱小目標(biāo)灰度微弱程度。

式中：nT——小目標(biāo)的像素數(shù)；

nB——窗口內(nèi)除了小目標(biāo)以外的背景像素數(shù)，

即nB=Nw-nT；

Δf——均值灰度差。

2）局部平均梯度

通常人造的紅外目標(biāo)相對于背景來說，其內(nèi)部細(xì)節(jié)比自然場景更加豐富，目標(biāo)梯度和背景梯度會有很大差異，對于二位數(shù)字圖像f（x，y），在點（x，y）處的梯度定義為

為了簡化計算，將梯度定義為沿某一方向相鄰像素相減的絕對值之和。對于3×3的鄰域，0°、45°、90°、135°方向上的梯度按照下面的公式計算：

紅外小目標(biāo)的灰度梯度均值反映目標(biāo)相對于背景的灰度變化劇烈程度，目標(biāo)點8個方向的梯度均值表示為

1.2.3 航跡特征

小目標(biāo)在場景中的航跡特征主要表現(xiàn)為速度和軌跡兩個方面，小目標(biāo)在連續(xù)幾幀圖像中具有相關(guān)性，軌跡曲線也較為平滑。在多幀處理中，可利用連續(xù)多幀（比如5幀）目標(biāo)點連續(xù)出現(xiàn)的概率來判決。如圖1所示，經(jīng)過多幀處理后，目標(biāo)點的軌跡用“+”表示，而視場中非目標(biāo)點用“×”標(biāo)識。一般情況下，由于飛機目標(biāo)軌跡近似為直線，而飛鳥軌跡曲率均方差較大。通過航跡特征，可以將小目標(biāo)和飛鳥等區(qū)別開來。

圖1 不同目標(biāo)的航跡特征

2 預(yù)處理算法

通過對小目標(biāo)特征的分析，經(jīng)過反復(fù)試驗，發(fā)現(xiàn)影響復(fù)雜天空背景下小目標(biāo)檢測概率的主要因素是背景中的云邊緣，以及形狀和灰度與小目標(biāo)類似的碎云目標(biāo)。預(yù)處理主要實現(xiàn)紅外圖像背景雜波抑制，構(gòu)造背景圖像的水平?jīng)Q定了后續(xù)檢測概率。構(gòu)造的背景圖像一方面要濾除紅外小目標(biāo)等點高頻分量，另一方面盡量保持原始圖像中的云層邊緣等線高頻分量，隨后差分運算后能較好地保持小目標(biāo)信息。

2.1 基于統(tǒng)計排序的高通濾波算法

傳統(tǒng)的背景抑制算法多采用中值濾波器，由于其對邊緣處理的不確定性，差分之后的圖像中能夠較為清晰地看到起伏較大的背景的邊緣，不利于目標(biāo)檢測，提出基于統(tǒng)計排序的高通濾波器，既保證了圖像中小目標(biāo)，又有效地進行邊緣處理。統(tǒng)計排序濾波屬于非線性濾波，設(shè)濾波窗口W內(nèi)所有像素的個數(shù)為N=n×n（n為奇數(shù)），當(dāng)W移動至坐標(biāo)K（x，y）時，窗口內(nèi)像素序列記為WN（k）：

對WN（k）進行排序變換Sort得到序列Qm（k），其中X1′（k）≤X2′（k）≤…≤XN′（k），用序列Qm（k）值中的像素值或者幾個像素值的加權(quán)組合代替當(dāng)前位置像素值。傳統(tǒng)預(yù)處理算法多采用中值濾波法，雖然對圖像中的椒鹽噪聲有較好的濾波效果，但對復(fù)雜背景的邊緣處理效果不佳，根據(jù)背景差分處理算法的要求，原始圖像與高通濾波之后圖像比對得到圖像中的高頻分量。系統(tǒng)中用Qm（k）（其中取m＜（N+1）/2）代替當(dāng)前像素點的灰度值。此算法的關(guān)鍵是m取值，設(shè)計中根據(jù)當(dāng)前窗口像素值標(biāo)準(zhǔn)方差自適應(yīng)得到。

以上統(tǒng)計排序算法在FPGA內(nèi)部實現(xiàn)，利用FPGA速度快、并行處理能力強的特點，由內(nèi)部流水線實現(xiàn)并行快速排序算法，結(jié)合當(dāng)前窗口背景的標(biāo)準(zhǔn)方差自適應(yīng)獲得m值。

2.2 Robinson Guard濾波器

傳統(tǒng)預(yù)處理算法都是采用單一的策略算法進行背景抑制，在硬件資源充足的情況下，采用兩種方法并行背景抑制無疑將較大程度提高檢測概率。由于弱小目標(biāo)在空域內(nèi)變?yōu)辄c目標(biāo)源，此處采用具有保護帶的Robinson濾波器增強目標(biāo)點。Robinson濾波器通過對比中心像素與其鄰域像素極值間的差異來抑制背景，對緩變的平坦背景以及空間相關(guān)性強的邊緣背景都有很好的抑制作用。

由于Robinson濾波器具有保護帶，在目標(biāo)不太大的情況下能給出目標(biāo)的完整信息，以尺寸7×7的濾波器模板為例，其結(jié)構(gòu)如圖2所示。

圖3 預(yù)處理流程圖

2.3 圖像預(yù)處理流程

為了提高檢測概率，需考慮背景的復(fù)雜程度，根據(jù)圖像特征確定各類背景閾值分割，從而達到自適應(yīng)地抑制復(fù)雜背景的目的。預(yù)處理算法流程如圖3所示，紅外探測器輸出14bit、120fps數(shù)字圖像，單幀圖像的采集、緩存和預(yù)處理算法在FPGA上實現(xiàn)，目標(biāo)的多幀處理在DSP內(nèi)完成。

3 實驗結(jié)果及分析

本文的預(yù)處理算法在FPGA內(nèi)實現(xiàn)，紅外探測器輸出120 fps的14bit數(shù)字圖像，圖像大小320×256。為了更好評價各種預(yù)處理濾波算法的有效性，定義目標(biāo)信噪比（SNR）：

式中：fT——目標(biāo)灰度；

fB——目標(biāo)周圍背景的平均灰度；

σB——背景標(biāo)準(zhǔn)差。

圖4 Top-hat變換后的圖像結(jié)果

圖5 均值濾波預(yù)處理后圖像結(jié)果

圖6 中值濾波預(yù)處理后圖像結(jié)果

圖7 統(tǒng)計排序+Robinson濾波預(yù)處理后圖像結(jié)果

引入背景抑制因子（background suppression factor，BSF），BSF=Cin/Cout，其中Cin和Cout分別代表圖像處理前后雜波的標(biāo)準(zhǔn)差。

為了驗證算法的有效性，在某靶場開展了針對靶機的驗證實驗，如圖4（a）所示，天空背景較為復(fù)雜，將紅外小目標(biāo)出現(xiàn)在視場中的視頻中的5s圖像進行實時采集并存儲。分別采用形態(tài)學(xué)Top-hat濾波算法、均值濾波算法、中值濾波算法和統(tǒng)計排序+ Robinson濾波算法，對目標(biāo)進行實時檢測和判別。原始圖像如圖4（a）所示，經(jīng)過多種算法濾波后的圖像如圖4～圖7所示。

以上濾波算法均在FPGA內(nèi)實現(xiàn)。4種背景抑制算法信噪比對比如表1所示。

表1 4種濾波算法對比

并對6s視頻目標(biāo)檢測的結(jié)果進行了對比，目標(biāo)視頻共計120 fps×5 s=600幀，目標(biāo)檢測中采用多幀（5幀）處理算法，對目標(biāo)有效檢測進行統(tǒng)計，采用不同算法的檢測概率如表2所示。

表2 4種濾波算法檢測概率對比

由此，發(fā)現(xiàn)基于統(tǒng)計排序和Robinson保護濾波器的預(yù)處理能夠較好地抑制復(fù)雜背景，對小目標(biāo)的保護也比較出色，有效提高了目標(biāo)的檢測概率。

4 結(jié)束語

本文針對復(fù)雜背景下的紅外小目標(biāo)圖像預(yù)處理，首先分析了紅外小目標(biāo)圖像特征和影響復(fù)雜背景小目標(biāo)圖像信噪比的主要因素，提出復(fù)雜背景下的基于統(tǒng)計排序濾波和具有小目標(biāo)保護帶的Robinson濾波并行處理算法。實驗結(jié)果表明，本文方法在復(fù)雜天空背景下，有效地減小了復(fù)雜背景在邊緣處理中帶來的虛警，背景噪聲得到有效抑制，為目標(biāo)檢測概率的提高和虛警率的降低奠定基礎(chǔ)。

參考文獻

[1]趙晶晶，諶海新，劉星彤，等.紅外小目標(biāo)圖像預(yù)處理方法研究[J].信號處理，2009，25（7）：1088-1091.

[2]葉增軍，王江安，阮玉，等.海空復(fù)雜背景下紅外弱點目標(biāo)的檢測算法[J].紅外與毫米波學(xué)報，2000，19（2）：121-124.

[3]盧莉萍，李翰山，張宏.復(fù)雜背景下的紅外小目標(biāo)圖像信息提取[J].西安科技大學(xué)學(xué)報，2011，31（5）：584-588.

[4]王宇翔，韓振鐸，王宏敏，等.一種基于自適應(yīng)背景預(yù)測的紅外弱小目標(biāo)檢測方法[J].激光與紅外，2012，42（10）：1181-1186.

[5]方義強，樊祥，程正東，等.基于數(shù)學(xué)形態(tài)學(xué)的紅外小目標(biāo)跟蹤研究[J].彈箭與制導(dǎo)學(xué)報，2012，32（2）：15-18.

[6]羅曉清，吳小俊.利用小波變換與Gabor濾波檢測紅外小目標(biāo)[J].，2011，40（9）：1817-1822.

[7] ROBINSON G S. Edge detection by compass gradient masks[J]. Comput Graphics Image Processing，1977，6（5）：315-328.

[8] LEUNG H，YOUNG A. Small target detection in clutter using recursive nonlinear prediction [J]. IEEE Tans on Aerospace and Electronic Systems，2000，36（2）：713-718.

[9]牛戴楠.基于FPGA的紅外圖像預(yù)處理系統(tǒng)的研究與設(shè)計[D].武漢：武漢理工大學(xué)，2008.

[10]秦劍，陳錢，錢惟賢.基于背景分類的弱小目標(biāo)檢測算法[J].光電工程，2011，38（1）：23-33.

[11] EMILIO M，ANDREA C. Learning scene context for multiple object tracking[J]. IEEE Transactions On Image Processing，2009，18（8）：1873-1884.

（編輯：徐柳）

Study on the algorithms for infrared small object image background suppression

JIN Changjiang，SHI Tingwei
（The 27th Research Institute of China Electronics Technology Group Corporation，Zhengzhou 450047，China）

Abstract:The recognition of infrared small targets in complex backgrounds is one of the key technologies for infrared image processing. In this paper，a rapid order -statistics filters and Robinson Guard filters based parallel and rapid processing algorithm is proposed according to the temporal and spatial fields of infrared small and weak targets under complicated cloud backgrounds and the requirements of hardware realization and real-time performance. It is a high SNR background suppression method. The experiment reveals that the algorithm can improve the SNR of infrared small and weak targets and enhance the probability in small target detection under complicated backgrounds.

Keywords:small object detection；infrared image；background suppression；Robinson Guard filter

文獻標(biāo)志碼：A

文章編號：1674-5124（2016）04-0115-05

doi：10.11857/j.issn.1674-5124.2016.04.025

收稿日期：2015-12-15；收到修改稿日期：2016-01-20

作者簡介：金長江（1983-），男，河南鄭州市人，工程師，碩士，主要從事光電信息處理研究。