魏 元,楊 華,程正東,翟 翔,張宏偉

(國(guó)防科技大學(xué)電子對(duì)抗學(xué)院,脈沖功率激光技術(shù)國(guó)家重點(diǎn)實(shí)驗(yàn)室,安徽 合肥 230031)

1 引 言

紅外搜索跟蹤系統(tǒng)可精確搜索與追蹤遠(yuǎn)距離目標(biāo),在防空預(yù)警體系中具有重要地位。小目標(biāo)的定義為占據(jù)像素少于8×8的目標(biāo)[1],環(huán)境中眾多的虛警源和遠(yuǎn)距離目標(biāo)的灰度值較低,小目標(biāo)的對(duì)比度與信噪比低,易被背景淹沒。準(zhǔn)確、快速地從復(fù)雜紅外圖像中檢測(cè)弱小目標(biāo)仍是當(dāng)前紅外目標(biāo)檢測(cè)領(lǐng)域中一個(gè)研究熱點(diǎn)。紅外小目標(biāo)檢測(cè)分為預(yù)處理和閾值分割兩個(gè)步驟,單閾值分割、多維閾值分割等方法常見于小目標(biāo)檢測(cè)中。

Brink,Xiao,Sha,Chen等分別構(gòu)建了圖像的灰度/局部平均灰度級(jí)[2]、灰度/梯度幅度[3]、灰度/局部平均中值灰度級(jí)[4]、灰度/局部熵[5]等特征應(yīng)用于二維閾值分割；顏學(xué)穎等[6]提出灰度值/加權(quán)均值/加權(quán)中值三維閾值分割。這些多維閾值分割法綜合了多個(gè)特征值,但未針對(duì)小目標(biāo)檢測(cè)問題選擇特征；且圖像的灰度、局部灰度均值、局部灰度熵、梯度等用于多維閾值分割需要調(diào)和各個(gè)閾值,這帶來更高的計(jì)算復(fù)雜度。為使閾值分割更適合小目標(biāo)檢測(cè),吳濤等[7]以能量作為特征進(jìn)行二維閾值分割。吳一全等[8]基于背景與目標(biāo)面積差和類內(nèi)方差提出了分割準(zhǔn)則函數(shù),張書真[9]則基于小目標(biāo)與背景面積差和修正的灰度熵提出了分割準(zhǔn)則函數(shù),這兩種方法對(duì)小目標(biāo)檢測(cè)的閾值取值法做出了探索。劉昆等[10]將小目標(biāo)的灰度值和分維灰度值作為特征進(jìn)行二維OTSU分割,并將分割規(guī)則限定在排除了背景區(qū)域的感興趣區(qū)域內(nèi)。針對(duì)小目標(biāo)檢測(cè)問題,這些算法將梯度特征、幾何特征等納入了分割依據(jù),對(duì)小目標(biāo)的閾值分割取得了更好的效果。

本文提出了滯后閾值檢測(cè)算法,對(duì)預(yù)處理后的圖像,通過非最大值抑制預(yù)提取待檢點(diǎn)的中心像素,確保分割前景為待檢點(diǎn)的中心像素,解決小目標(biāo)分割前景像素占比問題。提出了局部梯度方差(NGV)衡量待檢點(diǎn)的鄰域梯度特征,并以NGV和灰度作為分割依據(jù),進(jìn)行雙閾值分割。利用目標(biāo)的幾何特征,排除高灰度雜波干擾,解決小目標(biāo)的多特征閾值分割問題。最后分析傳統(tǒng)分割法得到的前景和背景組成,分別給出了NGV和灰度的閾值取值公式。

2 快速非最大值抑制

非最大值抑制是對(duì)待檢點(diǎn)中心像素的預(yù)提取。小目標(biāo)的像素占比小于0.5 %,且目標(biāo)本身的細(xì)節(jié)和紋理特征難以觀察。如果以小目標(biāo)在圖像中像素占比為分割依據(jù),在圖像中具有高灰度的雜波背景時(shí),分割會(huì)將高灰度雜波作為目標(biāo)檢出,造成漏警。且分割結(jié)果中仍包含有一定數(shù)量的像素,在進(jìn)行識(shí)別、跟蹤等進(jìn)一步信息處理時(shí),小目標(biāo)中心像素和其他特征的提取仍需進(jìn)行。在分割之前預(yù)先提取小目標(biāo)的中心像素,即可滿足小目標(biāo)的像素占比要求。而密集分布的雜波虛警也將被抑制為孤立的虛警點(diǎn),在滯后閾值分割中通過其他特征加以排除。

非中心抑制算法的基本步驟為,以任一點(diǎn)為中心,將一定半徑內(nèi)的區(qū)域取為抑制區(qū)域,將該點(diǎn)與區(qū)域內(nèi)的所有像素進(jìn)行灰度對(duì)比,若該點(diǎn)的灰度最高,即認(rèn)為該點(diǎn)為局部最大值點(diǎn)。該方法要求在所有點(diǎn)上遍歷其抑制區(qū)域進(jìn)行判斷,若抑制區(qū)域內(nèi)包含像素?cái)?shù)為S,圖像中共包含N個(gè)像素,則需要進(jìn)行S×N次判斷。為較少計(jì)算量,本文提出了一種快速非中心抑制算法,以邊長(zhǎng)為a的正方形作為抑制區(qū)域,步驟如下:

Step 1：將圖像劃分為邊長(zhǎng)為a/2的矩形細(xì)胞,每四個(gè)相鄰細(xì)胞組成一個(gè)邊長(zhǎng)為a的滑窗,例如,滑窗(1,1)由細(xì)胞(1,1),(1,2),(2,1),(2,2)組成；

Step 2：在每一個(gè)滑窗內(nèi),搜索灰度值最高的像素點(diǎn),在圖像上標(biāo)記該點(diǎn)；

Step 3：重復(fù)Step 2直到遍歷全圖,圖像上被標(biāo)記4次的點(diǎn)即為快速非中心抑制算法的極大值。

圖1為快速非最大值抑制滑窗示意圖。如圖1(a)所示,對(duì)細(xì)胞(2,2)中的任一點(diǎn)P,當(dāng)且僅當(dāng)在滑窗(1,1),(1,2),(2,1),(2,2)內(nèi)P都是最大值時(shí),P才會(huì)被標(biāo)記4次,此時(shí)P大于細(xì)胞(2,2)及其周圍8細(xì)胞中所有點(diǎn)。如圖1(b)所示,被檢測(cè)為極大值點(diǎn)的P至少在邊長(zhǎng)為a的正方形區(qū)域內(nèi)為最大值點(diǎn)?？焖俜侵行囊种扑惴ū闅v全圖所需判斷次數(shù)為4N,遠(yuǎn)低于原算法。

(a)局部最大值被4個(gè)滑窗分別標(biāo)記

(b)所得最大值點(diǎn)為半徑大于a/2的鄰域內(nèi)最大值點(diǎn)

3 局部梯度方差

為衡量待檢點(diǎn)鄰域上的幾何特征,本文提出鄰域梯度方差(NGV)。通過計(jì)算小目標(biāo)鄰域上梯度的離散程度,判斷待檢點(diǎn)是否為雜波的一部分。

待檢點(diǎn)的鄰域?yàn)榄h(huán)形區(qū)域Ψ,對(duì)待檢點(diǎn)(x0,y0),將其作為圓心,以目標(biāo)的最大半徑Rmax為環(huán)內(nèi)徑,以2Rmax為環(huán)外徑,劃定Ψ,如圖2中虛線圍成的環(huán)狀區(qū)域所示。

圖2 鄰域梯度方差計(jì)算區(qū)域

利用多尺度LOG算子計(jì)算Ψ內(nèi)像素的梯度。將濾波圖像進(jìn)行歸一化處理,將各尺度上響應(yīng)的最大值作為梯度銳化處理的結(jié)果。

(1)

(2)

待檢點(diǎn)的鄰域梯度方差可表示為:

(3)

NGV衡量可疑點(diǎn)周圍區(qū)域上的梯度特征,并排除可能包含目標(biāo)的中心區(qū)域,因此可將其作為滯后閾值算法中輔助設(shè)定目標(biāo)灰度閾值。

4 滯后閾值分割

通過NGV衡量待檢點(diǎn)鄰域是否符合點(diǎn)狀目標(biāo)特征,自適應(yīng)地分配灰度級(jí)的分割閾值,對(duì)具有小目標(biāo)特征的待檢點(diǎn)采用低閾值,對(duì)具有雜波特征的待檢點(diǎn)采用高閾值,實(shí)現(xiàn)低虛警率的目標(biāo)分割。

4.1 閾值選取方案

表1 小目標(biāo)檢測(cè)滯后閾值選取方案

4.2 鄰域梯度方差的閾值取值

選取閾值是實(shí)際應(yīng)用中閾值分割最重要的環(huán)節(jié)。NGV覆蓋了目標(biāo)周圍的區(qū)域Ψ。根據(jù)整幅圖像的梯度分布,推算滯后閾值分割的閾值取值。OTSU分割可大致將全梯度圖分為前景F和背景B。圖像主要由目標(biāo)、雜波、平緩背景(即低梯度雜波)組成,目標(biāo)和雜波的邊緣梯度較高,通常歸于前景F中；而平緩背景則大部分被分割至背景B中,少部分歸于F中。

(4)

其中,SB是背景B中點(diǎn)的總數(shù)。

(5)

其中,SW為圖像的總像素?cái)?shù)。

4.3 灰度閾值取值

(6)

其中,T為前景與背景的分割閾值;ω0，μ0分別為前景占全體待檢點(diǎn)的比例、平均灰度;μ為待檢點(diǎn)的總平均灰度。

(7)

5 實(shí)驗(yàn)與分析

本文選取了九個(gè)圖像序列共900幀圖像進(jìn)行小目標(biāo)檢測(cè),圖像大小為723×546。圖3給出了四個(gè)具有典型復(fù)雜背景圖像序列的關(guān)鍵幀,圖像a序列具有建筑背景,b序列中具有樹木背景,c序列為具有高亮云層的簡(jiǎn)單背景,d序列則為具有高亮云層的復(fù)雜背景。圖像的預(yù)處理方案采用文獻(xiàn)[11]方法,分別應(yīng)用一維OTSU閾值分割法、灰度-GLLE二維閾值分割方法[5]及本文提出的滯后閾值分割法進(jìn)行實(shí)驗(yàn),得到的檢測(cè)結(jié)果展示于圖3中。

圖3 檢測(cè)結(jié)果

如圖3所示,圖像(a1)、(b1)、(c1)、(d1)為圖像序列(a)、(b)、(c)、(d)的代表幀原始圖像,圖像(a2)、(b2)、(c2)、(d2)為傳統(tǒng)單閾值分割法的檢測(cè)結(jié)果,圖像(a3)、(b3)、(c3)、(d3)為灰度-局部熵二維閾值分割法的檢測(cè)結(jié)果,圖像(a4)、(b4)、(c4)、(d4)為本文提出的滯后閾值分割法的檢測(cè)結(jié)果。單閾值分割結(jié)果(a2)、(b2)、(d2)中,干擾物形成了大量虛警。圖像(c3)、(d3)顯示,二維閾值分割對(duì)于高亮云層等變化較為平緩的干擾具有較好的濾波效果；而圖像(a3)、(b3)中的建筑、樹木等干擾產(chǎn)生的虛警仍難以被濾除,且圖像中檢測(cè)亮度低的目標(biāo)難以被檢出,這將導(dǎo)致檢測(cè)概率的降低。圖像(c4)、(b4)中絕大多數(shù)虛警都被抑制,僅剩一個(gè)虛警被檢出；圖像(c4)中,漏檢了一個(gè)弱目標(biāo),排除了所有虛警點(diǎn)；圖像(d4)中,兩個(gè)目標(biāo)都被檢出,相對(duì)的,也有6個(gè)虛警點(diǎn)無法濾除,但虛警并未成片出現(xiàn),總數(shù)量少,便于進(jìn)一步的判別、跟蹤。

單閾值分割對(duì)高灰度、高梯度虛警的區(qū)分度不夠,導(dǎo)致虛警地大量出現(xiàn),而二維閾值分割在綜合考慮局部熵之后,能夠?qū)η熬拔矬w(建筑、樹木和云層)、平緩背景(晴空)、高梯度邊緣(包括表現(xiàn)為孤立點(diǎn)的小目標(biāo))和噪聲干擾作出區(qū)分,檢測(cè)結(jié)果中的目標(biāo)圖像顯示了該方法的有效性；本文所提滯后閾值檢測(cè)法在實(shí)際應(yīng)用中選取了與上述方法不同的NGV作為區(qū)分特征,對(duì)干擾和目標(biāo)形成了較好的區(qū)分,但在對(duì)高亮云層圖像中的目標(biāo)檢測(cè)時(shí),部分具有孤立點(diǎn)幾何特征的點(diǎn)也被檢為目標(biāo),這與NGV注重目標(biāo)鄰域幾何特征有關(guān)。

圖4展示了根據(jù)四個(gè)實(shí)驗(yàn)圖像序列的檢測(cè)結(jié)果統(tǒng)計(jì)、繪制得到的ROC曲線,由于滯后閾值分割的虛警概率低于0.001,圖4截取了區(qū)間[0,0.005]上的曲線。

圖4(a)、(b)中,滯后閾值法的ROC曲線顯著優(yōu)于單閾值分割法和二維閾值分割法,具有相同的檢測(cè)概率時(shí),滯后閾值分割得到的虛警概率遠(yuǎn)低于其他方法。圖像a序列、b序列中的干擾物為建筑和樹木,從圖3中的對(duì)比就已經(jīng)可以看出,雜波干擾幾乎被全部抑制,因此在ROC曲線中,滯后閾值檢測(cè)的檢測(cè)概率遠(yuǎn)高于另兩種閾值分割法。

圖4(c)、(d)中,虛警概率很低的情況下,滯后閾值的檢測(cè)概率低于單閾值和二維閾值,但滯后閾值分割法的檢測(cè)概率迅速上升并超過了另兩種閾值分割法的最大值,從圖3中可見,滯后閾值分割法對(duì)低灰度值的目標(biāo)檢測(cè)概率更高,但這也使得部分具有相同幾何特征的虛警點(diǎn)也被檢測(cè)出,通過非中心抑制環(huán)節(jié),虛警概率被控制在較低的水平上,這使在小目標(biāo)檢測(cè)中能夠檢測(cè)出更弱的目標(biāo),虛警則相對(duì)更多地被檢測(cè)出來了。

6 結(jié) 語

本文針對(duì)紅外小目標(biāo)檢測(cè)提出了滯后閾值分割法,在閾值分割前預(yù)提取小目標(biāo)的中心像素,以NGV和灰度值兩個(gè)指標(biāo)對(duì)待檢點(diǎn)進(jìn)行閾值分割。并分析了前景、背景的組成,給出了閾值的取值公式。實(shí)驗(yàn)表明,經(jīng)過相同預(yù)處理步驟后,滯后閾值分割能夠滿足小目標(biāo)檢測(cè)的需求,分割出目標(biāo)的中心像素,同時(shí)具有更高的檢測(cè)概率和更低的虛警概率。