朱金輝，張寶華*，谷 宇，李建軍，張 明

(1.內(nèi)蒙古科技大學 信息工程學院，包頭 014010；2.內(nèi)蒙古科技大學 內(nèi)蒙古自治區(qū)模式識別與智能圖像處理重點實驗室，包頭 014010)

引 言

紅外小目標檢測是預警和精確制導等軍事系統(tǒng)的核心技術[1-4]。由于遠程成像，紅外小目標通常在每幀中占據(jù)幾十個像素，常淹沒在復雜的背景中(如云邊緣、海浪和高亮度噪聲)，沒有具體形狀或紋理，而且信號雜波比較低。

基于人類視覺系統(tǒng)(human vision system,HVS)的方法[5-15]具有良好的檢測性能和實時性而得到廣泛關注。CHEN等人[6]基于視覺對比機制提出一種局部對比測量方法(local contrast measurement,LCM)。HAN等人[8]發(fā)現(xiàn)LCM存在增強噪聲點現(xiàn)象，提出了一種改進的局部對比測量方法(improved LCM,ILCM)。HAN等人[7]提出的相對局部對比測量方法(relative local contrast measurement,RLCM)，用多極值來抑制雜波干擾?；诙喑叨鹊腍VS方法在多目標密集分布的場景中，易將多目標識別為一個目標，導致漏檢。其原因是采用多尺度技術通常以多尺度下的最大響應值作為最終輸出，若窗口單元的尺寸大于源圖像中的實際目標，靠近目標的背景區(qū)域也會被增強，檢測到的目標會擴大，使源圖像中小于9×9像素的目標在檢測結(jié)果中顯示為9×9像素，稱之為“擴張效應”,因而多目標的檢測概率降低。

為了解決“擴張效應”問題，提出了一種雙鄰域?qū)Ρ榷人惴āＭㄟ^設計一種新的3層窗口，能在固定尺度下具有檢測多尺度目標的能力，可以克服“擴張效應”，同時提高算法效率。在此基礎上，利用基于雙鄰域?qū)Ρ榷葯C制和對角梯度因子提高目標的顯著性，更好地抑制背景干擾。

1 相關工作

1.1 提取候選目標

峰值搜索算法[16]假設：中心點被局部密度較低的近鄰數(shù)據(jù)點包圍，且任意中心點與比它密度更高的數(shù)據(jù)點間的距離都較遠。

對于任意像素點m, 需要計算m的局部密度ρm和最臨近相關距離δm:

ρm=gm

(1)

式中，gm代表圖像中像素點的灰度值。最臨近相關距離δm則是通過計算點m與其它密度更高的點n之間的最小距離來測量：

(2)

dmn=|xm-xn|+|ym-yn|

(3)

γm=ρm×δm

(4)

式中，dmn是Manhattan距離，逐個像素計算聯(lián)合特征因子γm，并按照降序排列把它們放到隊列Q中，這里提取前12個像素點作為候選目標點;xm和ym代表點m的橫坐標和縱坐標;xn和yn代表點n的橫坐標和縱坐標。

目標點在圖像中具有局部差異性，即目標點的灰度值通常要高于局部相鄰像素的灰度值。提取候選目標可以減小搜索目標的范圍，減少算法計算時間。

1.2 3層雙鄰域窗口

傳統(tǒng)的局部對比度方法(LCM)、改進的LCM(ILCM)、相對LCM(RLCM)和基于差分的局部對比測量方法(difference local contrast measurement, DLCM)[17]采用多尺度技術檢測1×2像素～9×9像素的小目標。對于紅外圖像中尺寸小于9×9像素的小目標，采用的多尺度技術將增強目標周圍的背景面積，導致檢測到的目標的大小擴大到9×9像素，即“擴張效應”，如圖1所示?！皵U張效應”使兩個目標重疊，不能精確地檢測目標。因此，處理“擴張效應”的關鍵是找到一種非多尺度的方法，可以自適應地檢測不同大小的目標。

Fig.1 Expansion effect of multi-scale methods

為了在固定尺度下檢測從2×1像素～9×9像素的小目標，設計了一個3層雙鄰域窗口，共包含25個單元，每個單元大小為3×3像素。如圖2所示，將整個窗口劃分為3個區(qū)域，其中單元T是目標單元，單元T周圍的8個單元Mi(i=1～8)代表中間單元，其余16個單元Bjk(j,k=1～4)表示背景單元。將候選目標置于3層雙鄰域窗口的中心時，小目標的灰度和梯度差異都會反映在3個區(qū)域中，用來檢測不同大小的目標。同時3層雙鄰域窗口形狀接近目標輪廓，可以準確逼近目標的真實分布。

Fig.2 Three-layer double-neighbor window structure

1.3 雙鄰域?qū)Ρ榷扔嬎?/h3>

小目標檢測通過增強目標對比度，有效地突出小目標。根據(jù)3層雙鄰域窗口，充分利用3個區(qū)域之間的差異來測量對比度。中心單元和背景單元之間的最小灰度對比度d(T,Bjk)、中心單元和中間單元之間的梯度對比度d(T,Mi)分別表示為:

d(T,Bjk)=

(5)

(6)

式中，gT和gBjk分別代表中心單元和背景單元的灰度均值，GT和GMi分別代表中心單元和中間單元的梯度均值，其中i=1,2,…,8；j,k=1,2,…,4。為了進一步凸顯目標和抑制雜波，采用中間區(qū)域梯度對比度對角相乘作為加權因子W，即：

W=min[d(T,Mi)×d(T,M9-i)],

(i=1,2,3,4)

(7)

在局部區(qū)域內(nèi)，真實目標強度通常高于局域背景強度，而虛假目標強度與局域背景強度相當，所以真實目標的d(T,Bjk)值較大；真實目標通常是中心對稱，向四周輻射的圓點狀，高亮雜波則普遍是不規(guī)則形狀，所以虛假目標的對角梯度乘積通常為0。根據(jù)上述特征，候選目標位置的對比度信息為:

CDNCM=d(T,Bjk)×W

(8)

對所有候選目標進行窗口遍歷，真實目標區(qū)域?qū)Ρ榷鹊玫皆鰪姡尘半s波得到有效抑制，最終得到雙鄰域?qū)Ρ葴y量方法(double neighborhood contrast measurement,DNCM)目標映射圖。

1.4 目標自適應提取

根據(jù)DNCM的計算，可以得到圖像的DNCM目標映射圖?？紤]到目標映射圖具有不同層次的雜波背景，采用自適應閾值法對目標和背景進行分割。

Tth=μDNCM+kσDNCM

(9)

式中,μDNCM是DNCM目標映射圖的均值，σDNCM是DNCM目標映射圖的標準差，k是閾值系數(shù)，一般取30～50。經(jīng)過閾值Tth分割得到真實目標。

2 本文中的算法

為解決人類視覺系統(tǒng)方法存在“擴張效應”，本文中提出一種基于雙鄰域?qū)Ρ榷鹊募t外小目標檢測算法，整體算法結(jié)構如圖3所示。主要分為4個部分：峰值搜索算法提取候選目標、對候選目標構建3層雙鄰域窗口、雙鄰域?qū)Ρ榷葯C制增強目標和抑制雜波、閾值分割提取真實目標。首先，為了減小目標搜索范圍，利用峰值搜索算法構建ρ-δ(ρ代表密度，δ代表臨近相關距離)特征空間圖，將小目標檢測看作異常點檢測，根據(jù)聯(lián)合特征因子篩選出異常點作為候選目標。其次，針對傳統(tǒng)方法中存在缺陷的矩形窗口需要全圖遍歷的問題，構建3層雙鄰域窗口，對候選目標進行遍歷,并使窗口形狀貼合目標輪廓，逼近目標的真實分布。然后，通過雙鄰域?qū)Ρ榷葯C制計算候選目標的最小灰度對比度，結(jié)合梯度分布一致性，利用對角梯度因子進一步抑制雜波同時增強目標，計算得到DNCM目標映射圖。最后通過自適應閾值分割得到真實目標。

具體步驟如下：(1)對原始紅外圖像中每個像素點m計算局部密度ρm和最鄰近相關距離δm，構建ρ-δ特征空間圖，計算特征因子γ的值，并降序排列在隊列中，提取前12個像素點作為候選目標；(2)對候選目標構建3層雙鄰域窗口，將3層雙鄰域窗口分為目標單元、中間單元和背景單元，共包含25個單元,目標單元表示候選目標區(qū)域，中間單元代表目標過渡區(qū)域，背景單元是目標的局部背景區(qū)域；(3)利用雙鄰域?qū)Ρ榷葯C制計算目標單元與背景單元的最小灰度對比度，目標單元與中間單元的對角梯度因子，通過哈達瑪積運算得到DNCM目標映射圖；(4)對DNCM目標映射圖進行自適應閾值分割得到真實目標。

Fig.3 Algorithm flowchart

3 實驗結(jié)果分析

本文中采用天空背景、云層背景和海天背景等5組單一目標或多目標的紅外圖像進行實驗，并用本方法與頂帽變換[18]、方差差異方法(variance difference,VARD)[9]、LCM[6]、基于多尺度補丁的對比測量方法(multiscale patch-based contrast measurement，MPCM)[19]和RLCM[7]方法進行對比實驗，圖4為實驗結(jié)果，每張圖像用矩形框顯示真實目標區(qū)域。使用背景抑制因子(background suppression factor,BSF)、對比度增益(contrast gain,CG)和平均運行時間對所有算法進行評估，BSF可以全局評價算法的雜波抑制能力，其值與雜波抑制效果成正比；CG則可以評估目標的增強效果，其值與目標增強效果成正比。實驗計算環(huán)境是3.40GHz Intel i7-3770 CPU處理器，8GB內(nèi)存，所使用的測試軟件是MATLAB 2018b。

Fig.4 Frame 1,2,3,4,5 five original image sequences and detection results under different methods

很明顯，圖4中采用多尺度技術的LCM和RLCM方法在5個圖像序列中都出現(xiàn)了“擴張效應”，在frame 5檢測結(jié)果中，鄰近的兩個目標發(fā)生重疊；頂帽變換和MPCM方法在背景抑制方面效果較差，檢測結(jié)果有大量雜波；RLCM和VARD方法在frame 5中漏檢目標；總體而言，本方法有效地解決了“擴張效應”并抑制了背景雜波。

為了進一步量化分析，表1中(加黑數(shù)字是最優(yōu)結(jié)果)給出了5個圖像序列經(jīng)過6種不同檢測算法處理后的BSF,CG和時間值。本方法的BSF和CG值在6種不同檢測算法中均為最優(yōu)，分別平均提高4.7倍和1.8倍，說明本方法背景抑制和目標增強能力高于基線水平；VARD和RLCM方法平均運行時間分別為最短和最長，本方法兼顧了檢測精度和運算效率。

Table 1 BSF, CG and average running time of different algorithms under each image sequence

4 結(jié) 論

提出一種基于雙鄰域?qū)Ρ榷鹊募t外小目標檢測算法，主要思想是設計一個3層窗口，在固定尺度下檢測不同尺寸的小目標，解決了多尺度技術引起的“擴張效應”，降低計算復雜度。此外，利用雙鄰域?qū)Ρ榷葯C制和對角梯度因子增強目標對比度，同時抑制背景干擾。實驗結(jié)果表明，與其它方法相比，該方法具有較強的魯棒性和實時性，特別是在檢測相互接近的目標方面。后續(xù)將針對目標區(qū)域找尋新的定位方法，降低運行時間，構建魯棒的特征空間用于檢測真實目標。