張國峰，馬洪兵，艾斯卡爾·艾木都拉

(1.新疆大學(xué) 信息科學(xué)與工程學(xué)院，烏魯木齊 830046；2.清華大學(xué) 電子工程系，北京 100084；3.昌吉職業(yè)技術(shù)學(xué)院 機(jī)電工程分院，新疆 昌吉8311003)

0 引 言

紅外小目標(biāo)檢測在紅外成像系統(tǒng)中有著廣泛的應(yīng)用，特別是在遙感和預(yù)警監(jiān)視領(lǐng)域。紅外小目標(biāo)通常在圖像中占據(jù)幾個像素，缺乏結(jié)構(gòu)紋理等信息。成像距離的變化導(dǎo)致目標(biāo)尺度的差異，周圍環(huán)境與目標(biāo)狀態(tài)的改變，也增加了檢測的難度。通常在低對比度的紅外圖像序列中，小目標(biāo)很容易陷入復(fù)雜的背景中。在過去的幾十年里，學(xué)者們提出了各種各樣的方法準(zhǔn)確有效地檢測到了小目標(biāo)。現(xiàn)有的算法大致可以分為兩類。第一類由基于背景的估計(jì)方法組成，這些方法是對背景的預(yù)測或建模，比如形態(tài)學(xué)濾波中利用頂帽變換等算法計(jì)算原始圖像與估計(jì)背景之間的差異來檢測潛在的目標(biāo)；Bai[1]和Zhou[2]使用新的頂帽變換、形態(tài)學(xué)濾波、最大中值或最大均值濾波器和貝葉斯估計(jì)消除了背景。這些方法都是基于背景對噪聲或結(jié)構(gòu)組件的形狀和尺寸不敏感。第二類是目標(biāo)聚焦方法，該方法聚焦于目標(biāo)特征，并將小目標(biāo)從紅外背景中分離出來。頻域內(nèi)的高通濾波已經(jīng)被應(yīng)用于目標(biāo)檢測。Wang等人[3]利用最小二乘支持向量機(jī)為檢測任務(wù)開發(fā)了兩個方向的高通濾波模板。Kim[4]將高斯濾波器的拉普拉斯變換分解為4個濾波器，應(yīng)用最小濾波器得到最終的空間濾波圖像。這些方法側(cè)重于去除低頻雜波，基于最大極值點(diǎn)更多可能是目標(biāo)的思想，但未能濾除高頻分量中的噪聲和強(qiáng)雜波，而且他們的方法忽略了目標(biāo)形狀的變化。例如，文獻(xiàn)[5]提出了一種利用提取出的紅外圖像局部小塊的IPI(Infrared Patch-image)模型算法，并在此基礎(chǔ)上將小目標(biāo)增強(qiáng)轉(zhuǎn)化為恢復(fù)低秩稀疏矩陣的優(yōu)化問題。該方法雖然有較好的效果，但計(jì)算量大，難以在實(shí)時檢測中得到應(yīng)用。受人類視覺系統(tǒng)(Human Visual System,HVS)啟發(fā)，Chen等人[6]提出了基于局部對比度(Local Contrast Measure,LCM)的測量方法，利用目標(biāo)與其鄰近區(qū)域的強(qiáng)度差來檢測目標(biāo)。這種方法雖然有效，但也會受到高亮度噪聲的影響。隨后，改進(jìn)的ILCM[7](Improved LCM)、新的NLCM(Novel LCM)[8]、多尺度塊對比測量MSPCM[9](Multi-scale Patch-based Contrast Measure)、多尺度對比度測量(Multi-scale LCM,MSLCM)[10]和多尺度相對測量(Relative LCM,RLCM)[11]相繼提出。這些算法在背景輕微波動的情況下表現(xiàn)良好，但在復(fù)雜背景下的檢測率和魯棒性較差，因?yàn)檫@些算法要么刪除背景，要么增強(qiáng)目標(biāo)，而不是同時做這兩件事。本文提出了一種新的方法，靈感來自HVS，即WSVLCM(Weighted Strength and Local Variance LCM)。對于均勻區(qū)域紅外小目標(biāo)中心區(qū)域強(qiáng)度值大于局部鄰域，對于異質(zhì)邊緣區(qū)域三層圖像塊內(nèi)局部方差對比波動較為突出。與只計(jì)算目標(biāo)中心區(qū)域同質(zhì)性而不能有效增強(qiáng)目標(biāo)的RLCM算法相比，本文提出的算法在增強(qiáng)目標(biāo)的同時，又能抑制高亮的背景邊緣。

1 目標(biāo)特性分析

對于遠(yuǎn)距離的紅外成像，如飛行的飛機(jī)、來襲的導(dǎo)彈等距離探測器非常遠(yuǎn)，在探測器平面上所成的像僅僅占據(jù)一個或幾個像素，表現(xiàn)為斑點(diǎn)狀[10-11]。通常情況下，紅外圖像中的小目標(biāo)比其周圍的背景要亮一點(diǎn)，考慮到其在紅外圖像中的小尺寸，2014年Chen等人[6]提出了局部對比度度量來描述和改善目標(biāo)與周圍背景之間的差異。以中心灰度最大值和局部平均灰度值的差異作為對比度量，其強(qiáng)度值可以建模為以目標(biāo)為中心的高斯函數(shù)[10-12]。圖1構(gòu)造了一個嵌套型的滑動窗口，該滑動窗口包含兩部分，分別是目標(biāo)區(qū)域T和局部背景區(qū)域B，局部背景區(qū)域的尺度是目標(biāo)區(qū)域尺度的2～4倍。該滑動窗口按照從上至下、從左至右的順序?qū)斎雸D像進(jìn)行濾波。

圖1 嵌套型滑動窗口結(jié)構(gòu)示意圖

1.1 三層圖像塊模型

圖像局部區(qū)域的方差在一定程度上可以更好地反映其局部區(qū)域的細(xì)節(jié)。局部方差不僅可以表示像素與其鄰域像素之間的關(guān)系，還可以表示區(qū)域內(nèi)像素灰度變化的劇烈程度。在復(fù)雜背景或圖像中像素變化劇烈的區(qū)域，局部區(qū)域內(nèi)灰度值的一致性較低，即得到更大的局部方差；相反，在亮度變化平緩的區(qū)域，灰度值變化程度較小，局部區(qū)域灰度值的一致性較高，即得到較小的局部方差。在本節(jié)中，從一幅原始的紅外圖像中以恒定大小和步長的窗口掃描整個圖像提取塊圖像，把每一個塊圖像按一定尺度局部再劃分為3層[12]，分別定義為中心層、防護(hù)層、背景層，如圖2所示，中心層亮度值最大，包含目標(biāo)的區(qū)域或內(nèi)層；防護(hù)層是中間層，包括目標(biāo)與其周圍背景之間的強(qiáng)度值范圍；背景層或外部層包括目標(biāo)區(qū)域周圍的雜波。利用中心層包含的像素值的方差來衡量目標(biāo)內(nèi)部區(qū)域灰度值的變化情況。如果滑動窗口中間塊的大小與真實(shí)目標(biāo)的大小合適，即中間塊剛好包含小目標(biāo)但不包含背景區(qū)域時，中心層內(nèi)部區(qū)域相對均勻，此時，其方差較小。另一方面，如果滑動窗口的中間塊的尺度與真實(shí)目標(biāo)不匹配，將會導(dǎo)致較大的局部方差，采用局部方差來描述滑動窗口中間塊的均勻程度。因此，可以利用不同層間均值差異對提取的圖像塊進(jìn)行研究，從而增強(qiáng)目標(biāo)的可能區(qū)域，在很大程度上減少虛假目標(biāo)，利用不同層之間方差的波動程度對目標(biāo)進(jìn)行假警識別，因此，虛假目標(biāo)等高亮背景雜波能被抑制。

圖2 三層圖像塊模型

1.2 目標(biāo)增強(qiáng)

目標(biāo)或者中心層考慮具有最大的強(qiáng)度值，背景或最外層包括目標(biāo)區(qū)域周圍的雜波強(qiáng)度值較小，防護(hù)層或中間層其強(qiáng)度值范圍在包括目標(biāo)與其周圍背景之間。定義圖像塊大小為n×n，中心層尺寸為m×m，三層圖像塊方差差異計(jì)算如下：

DMIM=MIL-MML,

(1)

(2)

式中：MIL、MML、DMIM分別代表中心層的平均強(qiáng)度、防護(hù)層的平均強(qiáng)度、中心層和防護(hù)層平均強(qiáng)度的差值；Prem表示紅外圖像中目標(biāo)可能區(qū)域的顯著圖。式(1)和式(2)可以用于尋找和增強(qiáng)紅外圖像中可能的目標(biāo)區(qū)域。在圖2中，內(nèi)層的平均強(qiáng)度和中間層之間的差異在每個包含目標(biāo)的塊圖像中其值都大于零，將塊圖像的中心像素視為圖像中目標(biāo)的可能像素。

為了增加目標(biāo)與殘余背景雜波的對比度，將原始紅外圖像I和目標(biāo)可能區(qū)域Prem平方與三層圖像塊方差差值的均值平方相乘，作為包含目標(biāo)的局部方差對比圖中中心像素的值。

(3)

VARD=Vi-Ve,

(4)

(5)

(6)

(7)

VLCM顯示了目標(biāo)的增強(qiáng)圖像，在理想狀態(tài)下，滑動窗口中間塊T的尺度應(yīng)該剛好包含小目標(biāo)以得到最佳檢測效果。事實(shí)上，在實(shí)際目標(biāo)檢測過程中，隨著目標(biāo)的運(yùn)動，小目標(biāo)在每一幀的位置沿著一定的軌跡改變，而目標(biāo)的大小通常也會隨著成像距離的變化而變化。如果中間塊T的尺度比待檢測的小目標(biāo)的尺度小，則滑動窗口的中間塊與鄰域塊的對比度不明顯，可能造成漏檢；另一方面，如果中間塊T的尺度大于待檢測的小目標(biāo)，中間塊不僅包含了小目標(biāo)，還包含了部分局部背景，這也會使局部對比度降低，造成虛警或漏檢。因此，如何使滑動窗口的尺度自適應(yīng)匹配小目標(biāo)的大小，是一個值得討論的話題。在本文中，仍然采用多尺度的思想來解決這個問題。

2 權(quán)重強(qiáng)化

2.1 權(quán)重函數(shù)的計(jì)算

文獻(xiàn)[13]提出的RIL(Regional Intensity Level)是一種評估嵌套結(jié)構(gòu)復(fù)雜度的有效方法，但原始的RIL簡單定義為嵌套結(jié)構(gòu)中的最大值與平均值之差，對單一隨機(jī)噪聲敏感。在本文中，改進(jìn)的RIL(Improved RIL,IRIL)算法定義為

IRILi=MLi-meani,

(8)

(9)

本文提出一種新的權(quán)重強(qiáng)化(Weighted Strength,WS)框架函數(shù)，并將當(dāng)前像素(x,y)的權(quán)重強(qiáng)化函數(shù)定義為

(10)

WT具有目標(biāo)的特征：

WT(x,y)=IRILT。

(11)

WD是目標(biāo)與其鄰近背景的差值，計(jì)算方法為

WD(x,y)=max{0,min{IRILT-IRILi}}。

(12)

WB是背景的特征，表示為

WB(x,y)=std{IRIL1,IRIL2,…,IRIL8}。

(13)

ε是一個很小的隨機(jī)值,以避免分母為零。

2.2 WSVLCM的計(jì)算

局部方差對比圖VLCM和權(quán)重強(qiáng)化函數(shù)WS計(jì)算后，權(quán)重強(qiáng)化局部方差對比WSVLCM的增強(qiáng)圖像在當(dāng)前像素(x,y)下定義為

WSVLCM(x,y)=WS(x,y)VLCM(x,y)。

(14)

在實(shí)際應(yīng)用中，目標(biāo)的大小通常是未知的，因此需要進(jìn)行多尺度操作。因此，單元格大小被設(shè)置為不同的值，并且對于每個值計(jì)算(x,y)位置處的WSVLCM，然后使用最大池化操作得到最終的WSVLCM值:

WSVLCM(x,y)=max{WSVLCMp(x,y)}。

(15)

式中：p是第p個尺度，p=1,2,…,s,s是尺度的總數(shù)。

3 實(shí)驗(yàn)評估

3.1 參數(shù)的選取

為了獲得最佳性能，每種方法都可能需要調(diào)整參數(shù)。一般情況下小目標(biāo)實(shí)際尺寸小于80 pixel[13-14]。為了有更好的檢測性能，本文算法通過大量實(shí)驗(yàn)和目標(biāo)實(shí)際尺寸的大小來確定參數(shù)，提出的局部方差算法考慮了三層圖像塊尺寸大小對目標(biāo)增強(qiáng)的影響，中心層、防護(hù)層、背景層尺寸大小分別為5×5、9×9和19×19。

在權(quán)重強(qiáng)化上，對于原始圖像的每個像素，計(jì)算WSVLCM并將結(jié)果形成一個新的矩陣，名為顯著性映射。有必要討論(x,y)是真實(shí)目標(biāo)中心像素、純背景像素、背景邊緣像素和隨機(jī)噪聲像素時的不同情況，圖3表示目標(biāo)在紅外圖像中可能出現(xiàn)的區(qū)域，下面討論不同區(qū)域權(quán)重函數(shù)對其影響。

圖3 紅外圖像的不同區(qū)域

當(dāng)(x,y)為真實(shí)目標(biāo)中心時，由于目標(biāo)通常是局部凸點(diǎn),其DMIM、MVARD較大,因此其VLCM較大;同時，它的WT和WD會很大，WB會很小，所以它的WS也會很大。因此，最終的WSVLCM值會很大。

如果(x,y)是純背景，由于背景通常是大面積均勻的，其DMIM將接近于0，因此其VLCM將近似等于0;并且它的WT和WD都接近于0，所以它的WS也近似等于0。因此，最終的WSVLCM的值將接近于0。

如果(x,y)是背景邊緣，它的VLCM會很小，因?yàn)橹車囊恍﹩卧窨赡馨吡炼鹊谋尘?另外，它的WT雖然大，但是WD會因?yàn)橹車恍﹩卧窨赡馨嗤谋尘斑吘壎?，WB會因?yàn)橹車?個單元格的內(nèi)容不同而大，所以它的WS會小。因此，可以進(jìn)一步抑制背景邊緣。

如果(x,y)是位于平坦背景中的隨機(jī)噪聲，由于隨機(jī)噪聲通常以單個像素的形式出現(xiàn)，且不是高斯類的，其DMIM將小于真實(shí)目標(biāo)，因此它的VLCM會更小。此外，由于式(8)中IRIL的定義采用的是某些最大像素的均值而不是單個最大像素的均值，因此其WT、WD和WS都小于真實(shí)目標(biāo)，從而可以進(jìn)一步抑制隨機(jī)噪聲。

本實(shí)驗(yàn)是在使用Intel i5-4460 CPU(3.2 GHz) 和8 GB內(nèi)存的計(jì)算機(jī)上運(yùn)行，軟件采用Matlab R2016b。

3.2 定性評估

為了評估提出算法的能力，在實(shí)驗(yàn)中使用了4組紅外序列圖像。選取的4組紅外序列圖像背景不同，目標(biāo)大小不同。為簡單起見，4個序列分別用序列1～4表示。表1列出了序列圖像的詳細(xì)信息。

表1 序列圖像詳細(xì)信息

序列1包含?？詹糠衷票尘?，序列2和序列4包含帶噪聲的云雜波，而序列3的背景包括地面植物。通過與其他五種方法的比較來驗(yàn)證該算法的檢測性能。在眾多的方法中，本文選擇了近年來流行的方法包括紅外圖像塊IPI、改進(jìn)的ILCM、多尺度MSLCM、多尺度塊MSPCM、多尺度相對RLCM進(jìn)行對比。四種不同背景下經(jīng)WSVLCM算法后部分圖像樣值檢測結(jié)果如圖4所示。

圖4 不同算法下檢測結(jié)果

由圖4可以看出，ILCM算法對這4個序列的目標(biāo)增強(qiáng)有效性和魯棒性較差，在序列1和序列4中對背景抑制能力較弱，沒有增強(qiáng)目標(biāo)，對背景雜波和明亮的背景邊緣非常敏感，導(dǎo)致目標(biāo)被背景雜波淹沒；MSLCM的表現(xiàn)與MSPCM類似，在均勻的背景序列下對背景抑制能力和目標(biāo)增強(qiáng)較好(c4,c5)，但在序列4上沒有很好地抑制背景雜波，小目標(biāo)處于雜波淹沒狀態(tài)，增強(qiáng)效果不突出(d4,d5)。對圖像序列1中小目標(biāo)增強(qiáng)不突出(a4,a5)，未能有效濾除雜波，目標(biāo)仍有可能被背景淹沒。RLCM方法在序列1～4上表現(xiàn)良好，目標(biāo)增強(qiáng)很明顯，但在序列4上目標(biāo)周圍殘留有較少量未濾除的雜波，整體分析也取得了令人較滿意的結(jié)果。IPI在不同背景下雜波抑制能力超強(qiáng)，小目標(biāo)增強(qiáng)效果表現(xiàn)優(yōu)越，略遜于提出的算法。圖4表明，與其他方法相比，本文提出的算法在所有序列上都有很好的增強(qiáng)性能。對于序列4的復(fù)雜背景，本文的方法仍然有很好的效果。WSVLCM不僅增強(qiáng)了目標(biāo)，而且很好地抑制了不同背景下的雜波，這為后續(xù)閾值分割檢測判決小目標(biāo)非常有利。

3.3 定量評估

對于紅外圖像中弱小目標(biāo)檢測，信雜比(Signal-to-Clutter Ratio,SCR)[14-16]是影響檢測質(zhì)量的關(guān)鍵因素，定義為

(16)

式中:μb是圖像中目標(biāo)強(qiáng)度的平均值，μt是背景區(qū)域局部強(qiáng)度均值，σb是背景區(qū)域局部方差。SCR值的增加導(dǎo)致目標(biāo)區(qū)域的對比度增強(qiáng)，越易于檢測。式(17)和式(18)分別定義了背景抑制因子(Background Suppression Factor，BSF)[17-18]和信噪比增益SCRG (SCR Gain)[14-16]：

(17)

(18)

式中：σin、σout分別為雜波抑制前后方差。BSF代表對背景雜波的抑制質(zhì)量，SCRG度量背景抑制算法對噪聲的抑制能力。BSF和SCRG的值越大，雜波抑制能力越強(qiáng)，檢測性能越好。實(shí)驗(yàn)測試取自上述四種不同背景下的原始序列紅外圖像，表2和表3給出了四種不同背景下增強(qiáng)圖像BSF和SCRG統(tǒng)計(jì)平均值。

表2 不同算法下所得BSF值

表3 不同算法下所得SCRG值

由表2和表3可知，四種不同背景下，本文所提出的WSVLCM算法的BSF和SCRG值遠(yuǎn)大于IPI、ILCM、MLCM、PLCM、RLCM的值。其中，紅色值表示更高的雜波抑制質(zhì)量。表中展現(xiàn)了本文方法不僅在背景和噪聲抑制能力方面具有優(yōu)良的效果，而且更重要的是對于引入局部方差在邊緣檢測上表現(xiàn)十分優(yōu)越，對強(qiáng)起伏背景抑制魯棒性能更好。此外，由表4可知，對于時間消耗IPI最長，MSLCM、MSPCM也較長，而本文提出的算法與RLCM很相近，時間上略優(yōu)于RLCM。

表4 不同算法下的時間消耗

4 結(jié)束語

本文提出了一種權(quán)重強(qiáng)化局部方差對比特性的小目標(biāo)檢測算法，該算法由局部方差VLCM的計(jì)算和權(quán)重強(qiáng)化函數(shù)的設(shè)計(jì)兩個模塊組成。利用三層圖像塊模型之間的方差差異增強(qiáng)真實(shí)目標(biāo)，權(quán)重強(qiáng)化函數(shù)的設(shè)計(jì)對高亮背景邊緣和單一噪聲有更強(qiáng)的抑制性能，對小目標(biāo)處于同質(zhì)均勻背景、異質(zhì)邊緣均具有良好的增強(qiáng)性能。實(shí)驗(yàn)結(jié)果表明，WSVLCM算法與當(dāng)前流行的方法IPI、ILCM、MSLCM、MSPCM、RLCM相比較，不僅具有增強(qiáng)目標(biāo)抑制雜波的能力，而且具有對各種目標(biāo)尺寸的魯棒性；單幀消耗平均時間約為0.144 s，與其他算法相比所消耗時間更少。由于紅外小目標(biāo)的形狀近似于二維高斯函數(shù)[17]，局部方差屬性和強(qiáng)化函數(shù)結(jié)合可以更有效地增強(qiáng)小目標(biāo)。紅外小目標(biāo)檢測仍然存在目標(biāo)尺度變化大、雜波強(qiáng)等問題，后續(xù)將嘗試把所提方法與目標(biāo)的運(yùn)動信息相結(jié)合，爭取在這一領(lǐng)域做進(jìn)一步的改進(jìn)。