(國(guó)家開(kāi)放大學(xué)，北京 100039)

一、引言

隨著紅外技術(shù)的快速發(fā)展，紅外圖像弱小目標(biāo)的檢測(cè)技術(shù)已經(jīng)廣泛應(yīng)用于軍事領(lǐng)域和醫(yī)學(xué)領(lǐng)域，如精確制導(dǎo)、自動(dòng)控制和醫(yī)療成像等。上述應(yīng)用需要準(zhǔn)確而又快速地發(fā)現(xiàn)目標(biāo)，對(duì)紅外弱小目標(biāo)檢測(cè)算法的精度和速度的可靠性要求極高。近些年來(lái)，弱小目標(biāo)檢測(cè)的算法不斷涌現(xiàn)，雖然這些算法能夠檢測(cè)出弱小目標(biāo)，但或多或少存在某些缺陷。李欣等提出了基于模糊分類的微小目標(biāo)檢測(cè)方法，該方法需要提前建立類別區(qū)域，分別定義類別特征和類別核，設(shè)定相似系數(shù)和類別貼近度，不能實(shí)現(xiàn)不同背景下的微小目標(biāo)進(jìn)行檢測(cè)，應(yīng)用范圍小。[1]劉偉寧提出了基于背景抑制與特征融合的檢測(cè)算法，該方法使用中值濾波器、形態(tài)學(xué)濾波器會(huì)削弱潛在目標(biāo)的特征，同時(shí)也依賴于參數(shù)與結(jié)構(gòu)元素的限制。[2]楊帆等提出了基于小波域擴(kuò)散濾波的弱小目標(biāo)檢測(cè)算法，該方法利用小波變換系數(shù)的方向特性和擴(kuò)散濾波擴(kuò)散方向的可選擇性，很難同時(shí)滿足實(shí)時(shí)性與檢測(cè)效果兩方面的要求。[3]

綜上所述，本文提出一種基于多層數(shù)據(jù)融合的紅外圖像弱小目標(biāo)檢測(cè)算法。算法通過(guò)高通濾波抑制背景，分析得出的特征間相關(guān)系數(shù)作為融合權(quán)值，對(duì)灰度、面積和質(zhì)心偏移量三個(gè)特征進(jìn)行加權(quán)特征融合。聚類分析結(jié)合信任度計(jì)算完成決策融合，使得融合數(shù)據(jù)重新整合，再依據(jù)信任區(qū)間判斷區(qū)域融合數(shù)據(jù)是否為目標(biāo)。該算法提高了對(duì)背景和噪聲的抗干擾性能以及容錯(cuò)性能，從而實(shí)現(xiàn)了弱小目標(biāo)準(zhǔn)確而又實(shí)時(shí)的檢測(cè)。

二、背景抑制與參數(shù)估計(jì)

當(dāng)目標(biāo)距離紅外成像系統(tǒng)較遠(yuǎn)，圖像中目標(biāo)與背景的對(duì)比度差、邊緣模糊，弱小目標(biāo)與噪聲的辨析度下降，[4]應(yīng)采取背景抑制的方法減小背景與噪聲對(duì)檢測(cè)的影響。同時(shí)，由于不同背景下甚至是相同背景下不同時(shí)間所拍攝的紅外圖像噪聲水平、信噪比等參數(shù)指標(biāo)差異很大，應(yīng)對(duì)不同紅外圖像進(jìn)行分析得出融合過(guò)程中的參數(shù)。

(一)高斯濾波與高通濾波

已知紅外圖像噪聲近似為高斯分布，首先對(duì)圖像進(jìn)行高斯濾波以抑制在成像過(guò)程中所產(chǎn)生的高斯噪聲，然后對(duì)圖像進(jìn)行高通濾波器濾波以將背景區(qū)域中緩慢變化部分濾除。

(二)圖像參數(shù)估計(jì)

一般情況下目標(biāo)的灰度值和所在區(qū)域面積較大，兩個(gè)特征具有一定的相關(guān)性，因此引入相關(guān)系數(shù)作為圖像度量值。對(duì)于兩個(gè)觀測(cè)矢量fi和si，其維數(shù)為N，兩個(gè)矢量之間的相關(guān)系數(shù)定義為：

(1)

INs(i)∈INA(k)}

(2)

式中：Ak為連通區(qū)域面積；ΩAk為圖像連通區(qū)域；INs和INA分別為灰度非零像素和區(qū)域面積的行列值集合。

三、特征融合與標(biāo)記濾波

對(duì)于背景復(fù)雜、信噪比低的紅外圖像，若只提取弱小目標(biāo)的單一特征進(jìn)行特征融合，檢測(cè)結(jié)果的準(zhǔn)確性將大打折扣。多特征提取及融合將會(huì)考慮目標(biāo)的綜合特征，為進(jìn)一步?jīng)Q策分析提供了可靠的依據(jù)，因此選擇像素灰度值、像素所屬區(qū)域內(nèi)接正方形面積和區(qū)域質(zhì)心位置偏移作為每一個(gè)灰度非零像素點(diǎn)的特征。

(一)多特征提取

在紅外圖像中目標(biāo)灰度值高于背景，因此可以提取灰度非零像素點(diǎn)的灰度值作為特征之一，F(xiàn)H(I,J)為高斯濾波后圖像：

fi={FH(f(I，J)|FH(I，J)>0}

(3)

由于弱小目標(biāo)在紅外圖像上一般只占據(jù)5×5個(gè)像素大小，選取像素所屬區(qū)域內(nèi)接正方形面積作為特征可以最大程度上貼近目標(biāo)的特點(diǎn)。該特征充分體現(xiàn)出目標(biāo)與噪聲點(diǎn)的差異。定義ΩSQi為以fi像素點(diǎn)為中心的內(nèi)接正方形區(qū)域，與連通區(qū)域ΩAk有如下關(guān)系：若INs(i)∈INA(k)，則有ΩSQi∩ΩAk=ΩSQi；若設(shè)內(nèi)接正方形邊長(zhǎng)為li，則有l(wèi)i={2m-1|m∈N+}。

仔細(xì)對(duì)目標(biāo)區(qū)域分析可知，灰度值較大的像素點(diǎn)集中于目標(biāo)區(qū)域的中心，即區(qū)域質(zhì)心。對(duì)于真實(shí)目標(biāo)，質(zhì)心位置偏移很小，在內(nèi)接正方形中心像素位置，而背景區(qū)域質(zhì)心位置具有不固定性，偏移量較大。提取該特征可以很好地區(qū)分目標(biāo)與背景。圖1所示為區(qū)域模型，灰色部分是該區(qū)域的內(nèi)接正方形。

圖1 紅外圖像區(qū)域模型

綜上所述，目標(biāo)具有明顯的灰度值特征，另外兩組特征具有互補(bǔ)的特點(diǎn)，即內(nèi)接正方形面積特征增加對(duì)噪聲點(diǎn)的辨析度，能明顯區(qū)分目標(biāo)與噪聲點(diǎn)差異，而質(zhì)心位置特征對(duì)大面積背景區(qū)域有過(guò)濾作用。三組特征互相補(bǔ)充，可對(duì)目標(biāo)區(qū)域做出準(zhǔn)確的描述。

(二)特征融合算法實(shí)現(xiàn)

已知像素灰度和所屬區(qū)域內(nèi)接正方形面積具有一定的相關(guān)性，所以采用特征值相乘的方式來(lái)融合，并用相關(guān)系數(shù)等參數(shù)進(jìn)行加權(quán)計(jì)算，以達(dá)到不同特征間的作用最大化。特征融合公式定義為：

(4)

本算法特征融合形式特點(diǎn)在于充分考慮了不同特征之間相關(guān)性，更有利于數(shù)據(jù)的決策與判斷，特征提取與融合框圖如圖2所示。

圖2 特征提取與融合框圖

(三)標(biāo)記濾波

(5)

式中FS(I，J)為標(biāo)記濾波后的圖像。

經(jīng)上述處理，一些孤立的噪聲和背景區(qū)域得到了明顯地濾除，而目標(biāo)區(qū)域卻完整保留下來(lái)。此時(shí)，經(jīng)過(guò)第二次圖像參數(shù)估計(jì)和特征融合，減小了無(wú)關(guān)像素點(diǎn)對(duì)融合影響，可為決策融合提供更為可靠地融合數(shù)據(jù)。

四、決策融合

紅外圖像經(jīng)過(guò)特征融合后得出像素點(diǎn)的融合數(shù)據(jù)，對(duì)這些數(shù)據(jù)進(jìn)一步分析和推理得出相互之間的關(guān)聯(lián)性和概率信息。決策融合后使得數(shù)據(jù)重新整合，從而可以準(zhǔn)確判決出目標(biāo)。

(一)聚類分析

弱小目標(biāo)在紅外圖像中會(huì)占據(jù)5×5像素大小的區(qū)域，如果用單個(gè)像素點(diǎn)的融合數(shù)據(jù)作為最終判決目標(biāo)的依據(jù)是不全面的，對(duì)噪點(diǎn)的容錯(cuò)性差。首先，采用聚類分析的方法將標(biāo)記濾波后圖像的位置相近像素點(diǎn)聚集為一類，每一類會(huì)代表著一個(gè)局部區(qū)域；然后把該區(qū)域內(nèi)像素點(diǎn)的特征值相加得到該聚集區(qū)域的融合數(shù)據(jù)；最后依據(jù)聚集區(qū)域的融合數(shù)據(jù)做出判決，完成對(duì)弱小目標(biāo)的檢測(cè)。很明顯，作為融合判決的單元是位置相近像素點(diǎn)的聚集區(qū)域，而不是單個(gè)像素點(diǎn)。

為解決上述問(wèn)題，提出一種非零點(diǎn)間動(dòng)態(tài)標(biāo)號(hào)聚類算法，選取歐式距離作為樣本相似性度量，非零像素點(diǎn)間的歐式距離定義為：

(6)

式中d為特征空間的維數(shù)；xk和yk分別為兩非零點(diǎn)的坐標(biāo)。

由于在聚類分析前并不清楚圖像中有多少個(gè)區(qū)域，因此就無(wú)法確定類型數(shù)目。另外，在每次有新的樣本歸為已有類型時(shí)，聚類中心將會(huì)發(fā)生改變，所以采用動(dòng)態(tài)聚類算法標(biāo)記濾波后圖中灰度非零像素點(diǎn)的類型標(biāo)號(hào)。根據(jù)類型標(biāo)號(hào)對(duì)融合數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，得出該區(qū)域(類型)決策數(shù)據(jù)。

(二)檢測(cè)概率與信任度

依據(jù)疑似目標(biāo)區(qū)域數(shù)據(jù)進(jìn)行檢測(cè)概率計(jì)算和推理，給出疑似目標(biāo)區(qū)域的信任度分析，是檢測(cè)算法重要組成部分。通過(guò)上述特征融合，決策數(shù)據(jù)值越大的區(qū)域越可能是目標(biāo)，另外目標(biāo)區(qū)域的決策數(shù)據(jù)應(yīng)明顯大于背景和噪聲的決策數(shù)據(jù)，而非目標(biāo)區(qū)域的數(shù)據(jù)會(huì)趨于一致，所以選取區(qū)域決策數(shù)據(jù)概率以及決策數(shù)據(jù)差概率作為兩個(gè)特征進(jìn)行推理評(píng)估。為了簡(jiǎn)化計(jì)算，將決策數(shù)據(jù)按大小降序排列，選取前十位區(qū)域數(shù)據(jù)利用Fixsen修正D-S證據(jù)推理的方法進(jìn)行推理評(píng)估，最終得出各區(qū)域信任度證據(jù)區(qū)間。

五、結(jié)果分析

在CPU為Intel(R)Core(TM)i7-6567(主頻3.30GHz)計(jì)算機(jī)平臺(tái)上，采用MATLAB軟件對(duì)算法的準(zhǔn)確性和實(shí)時(shí)性進(jìn)行分析。實(shí)驗(yàn)采用多幅紅外復(fù)雜背景弱小目標(biāo)圖像序列進(jìn)行檢驗(yàn)。在不同背景(天空或海天背景)、信噪比和圖像尺寸下的紅外圖像，目標(biāo)識(shí)別率達(dá)到了96%，檢測(cè)耗時(shí)明顯小于其他算法?，F(xiàn)將本文提出的算法與另外三種算法的比較情況匯總至表1，主要從算法的準(zhǔn)確性、實(shí)時(shí)性、應(yīng)用范圍以及智能性進(jìn)行匯總。

表1 算法比較

由表1可知本文算法在實(shí)時(shí)性上優(yōu)于其它算法。另外三種算法使用特征模板在全圖范圍內(nèi)進(jìn)行平移，同時(shí)計(jì)算特征融合及貼近度。這種檢測(cè)方法計(jì)算開(kāi)銷大，并且只經(jīng)過(guò)一次特征融合，非常依賴特征的選取和融合數(shù)值的計(jì)算。而本文算法采用多層區(qū)域融合技術(shù)，不會(huì)在全圖范圍內(nèi)進(jìn)行計(jì)算，只選取特定的區(qū)域進(jìn)行特征提取和融合使得計(jì)算開(kāi)銷大大減少，通過(guò)決策融合控制計(jì)算復(fù)雜度的同時(shí)，也提高了弱小目標(biāo)的檢測(cè)精度。