朱勇，肖沁，李正周，劉國金，秦天奇

（1 重慶大學 微電子與通信工程學院，重慶 400044）

（2 四川航天電子設備研究所，成都 610100）

0 引言

海面遠距離紅外目標是典型的小弱信號，缺乏紋理和結(jié)構(gòu)等有效信息。在逆光條件下，紅外成像往往具有密集魚鱗波、高強度海面亮帶等強動態(tài)背景雜波。再則，海面中的島嶼、島岸變現(xiàn)為紅外圖像中高亮度背景。因此，紅外目標常常表現(xiàn)為淹沒于強背景雜波中弱小目標信號。有效提高海面復雜背景下小目標檢測性能和壓制雜波干擾虛警極具挑戰(zhàn)性，是目標檢測識別領(lǐng)域的難點和熱點問題。

先跟蹤后檢測（Track Before Detect，TBD）和先檢測后跟蹤（Detect Before Track，DBT）是檢測小弱目標的兩種主要策略。TBD 算法假設背景雜波為時空不相關(guān)的高斯白噪聲，利用軌跡連續(xù)性進行多幀關(guān)聯(lián)識別目標信號。然而，魚鱗波、海面亮帶雜波不滿足高斯白噪聲模型，TBD 檢測小弱目標出現(xiàn)大量虛警。DBT 算法首先白化處理紅外圖像，對超過門限判斷的測量點再進行多幀關(guān)聯(lián)來檢測紅外小弱目標，主要有背景預測、目標稀疏重構(gòu)、基于深度學習算法和基于人類視覺注意系統(tǒng)（Human Visual System，HVS）算法等四種。形態(tài)學頂帽變換（Top-hat）［1］、最大中值濾波（Max-median）［2］、二維最小均方濾波器（Two Dimensional Least Mean Square Filter，TDLMS）［3-4］是常見的背景預測算法，對背景平穩(wěn)、強度均勻的平穩(wěn)海區(qū)效果較好，但對于邊緣性強、非平穩(wěn)的魚鱗波估計能力較差，雜波抑制存在大量殘留。目標稀疏重構(gòu)方法將小目標和背景分別視作稀疏分量和低秩分量，如紅外塊圖像（Infrared Patch-image，IPI）模型［5］、加權(quán)圖像塊張量（Reweighted Infrared Patch-tensor Model，RIPT）模型［6］、部分張量核范數(shù)和（Partial Sum of Tensor Nuclear Norm，PSTNN）［7］和局部對比先驗低秩（Low Rank Model with Local Contrast Prior，LRMLCP）模型［8］等。然而，不僅重構(gòu)稀疏矩陣分量和低秩矩陣分量的難度大，而且當雜波強度波動范圍大且紋理復雜時會出現(xiàn)目標信號與高亮干擾混雜，導致檢測性能降低?；谏疃葘W習的目標檢測方法發(fā)展迅速，如注意局部對比網(wǎng)絡（Attentional Local Contrast Network，ALCNet）［9］、由目標提取模塊和語義約束模塊組成的TBCNet［10］、融合視覺顯著性的全卷積神經(jīng)網(wǎng)絡（Full Convolutional Neural Network and Visual Saliency，VS-FCNN）［11］等，其檢測性能主要取決于訓練樣本和特征提取，在某些應用場景甚至表現(xiàn)出較傳統(tǒng)方法更強的適應能力。然而，由于計算資源和訓練樣本獲取等條件的限制，基于深度學習的小目標檢測算法難以部署和實現(xiàn)，發(fā)展相對緩慢，因此本文研究傳統(tǒng)算法來提高小目標檢測的性能，仍具有重要的意思?；贖VS 算法利用視覺顯著選擇性快速捕捉到與背景具有較大差異的感興趣區(qū)域，如局部對比度測量（Local Contrast Measure，LCM）［12］、三層局部對比度測量（Tri-layer Local Contrast Measure，TLLCM）［13］、平均絕對灰度差（Average Absolute Gray Difference，AAGD）［14］、絕對方向平均差（Absolute Directional Mean Difference，ADMD）［15］，有目的地突出真實目標的同時降低噪聲干擾。然而，魚鱗波和高亮度海面亮帶邊緣往往也符合高局部對比度特性，導致目標與虛警常?；煜谝黄?，虛警率增高的同時也會造成目標漏檢，場景適應性較差。

近年來，利用區(qū)域場景信息提升小弱目標檢測性能也逐漸成為共識和重要研究方向，即在估計和劃分背景區(qū)域的基礎上采用不同信號處理方法進行針對性的目標檢測，比如，在提取海天線的基礎上依次將背景分為天空區(qū)、海天區(qū)和海區(qū)。針對海天區(qū)紅外小目標，區(qū)域自適應雜波抑制［16］利用多級濾波對海天區(qū)背景抑制；峰值局部奇點和高斯差分聯(lián)合（Peak Local Singularity and Difference of Gaussian，PLSDG）［17］利用峰值局部奇點判決目標；互小波能量組合（Mutual Wavelet Energy Combination，MWEC）［18］采用灰度侵蝕形態(tài)濾波抑制海天區(qū)背景。然而，這些方法對海天背景雜波分區(qū)和信號處理方法較為粗糙，區(qū)域自適應雜波抑制［16］未對海區(qū)目標檢測，導致漏檢；PLSDG［17］未感知海面復雜程度，對海區(qū)只采用高斯差分濾波器，會在具有尖銳邊緣的海面亮帶處產(chǎn)生較多的虛警；MWEC［18］不但人為劃分海區(qū)，還難以抑制起伏不定的魚鱗波。

針對以上場景感知和目標檢測方法存在的不足，本文通過感知非平穩(wěn)海面背景雜波組成成份存在的區(qū)域及起伏狀態(tài)，通過構(gòu)建海面場景信息來采取與背景雜波相適應的信號處理方法精細檢測小目標，之后將各個區(qū)域檢測結(jié)果歸一化到同一強度范圍并整合得到小目標檢測結(jié)果。

1 海面場景感知區(qū)域提取方法

遠距離目標可能存在于海天區(qū)、島嶼區(qū)和海面區(qū)，感知出各類海陸雜波可能存在的區(qū)域是采取針對性方法抑制背景的基礎。圖1 為本文海面小目標檢測算法計算流程。

圖1 檢測算法流程Fig.1 Diagram of detection method

1.1 海天線提取方法

海天線分隔了天空和海面，是非常重要空間位置信息。海天線往往表現(xiàn)為一條較為粗厚的直線段，但因背景會出現(xiàn)不連續(xù)甚至扭曲部分。本文采用基于結(jié)構(gòu)張量二進制大特征值和Hough 變換的自動地平線檢測方法來檢測海天線。利用結(jié)構(gòu)張量將局部梯度轉(zhuǎn)化為可感知粗厚邊緣特性的大特征值圖。紅外圖像I的結(jié)構(gòu)張量ST定義為

式中，Gσ為標準差σ的高斯濾波器，?為卷積算子，I為紅外圖像，?I/?x和?I/?y分別為在x，y方向上的偏導數(shù)。結(jié)構(gòu)張量ST的兩個特征值具有不同含義，大特征值表征了局部圖像區(qū)域內(nèi)梯度方向的主導趨勢和相干程度，可以較好地刻畫粗而不平的邊緣并忽略細小瑣碎的細節(jié)；而小特征值用于定位角度對粗厚的邊緣貢獻不大。大特征值和小特征值的分別定義為

將結(jié)構(gòu)張量大特征值歸一化到［0，1］范圍并進一步求出簡單有效的邊緣檢測器結(jié)構(gòu)張量二進制大特征值BS，其定義為

海天線近似認為是BS圖上最長的粗直線，并且往往貫穿整張圖像。以圖像水平向右為x的正方向、豎直向下為y的正方向建立坐標軸，在x-y平面上擬合海天線，即

式中，k、b分別為海天線所在直線的斜率和截距，θ是海天線法線與y軸的夾角，ρ為坐標中心，即圖像左上角到海天線的距離，這些參數(shù)對應的海天線描述為圖2（a）。將BS圖中坐標為(x，y)的每個邊緣像素點映射為(θ，ρ)所表示的Hough 空間中一條正弦參數(shù)曲線，映射方法表示為

圖2 海天線提取的 Hough 變換圖Fig.2 Hough transform diagram for sea-sky line extraction

式中，δ(·)為狄拉克函數(shù)，W、H分別為紅外海洋圖像寬和高。如圖2（b），Hough 變換是計算二維曲線相交于(θ，ρ)的累加器。在θ-ρ平面上累加數(shù)H(θ，ρ)的最大值決定了通過x-y平面上最多邊緣點的一條直線的參數(shù)，因此，利用最大累加數(shù)H*(θ*，ρ*)從經(jīng)Hough 變換后直線集合中確定出潛在的海天線。圖3 為海天線檢測示例，該方法能很好地適應有海天島嶼和無海天島嶼的場景。

圖3 海天線檢測示例Fig.3 Sample of sea-sky line detection

1.2 海天島嶼區(qū)提取方法

海天區(qū)往往是包含海天線在內(nèi)的一小塊固定高度的區(qū)域，且其強度與海天線的強度相差較小。運用求解海天線用到的結(jié)構(gòu)張量ST來表征差分特征值DE，其定義為

使用最大類間方差法對DE進行閾值分割，對大于閾值的二值化的差分特征值圖進行連通分量標記操作，保留符合以下規(guī)則的連通域：

式中，H、W分別為圖像的高和寬，α為均衡因子，y0為海天線的縱向位置，Ω為二值化差分特征值圖中的連通域。A的最小縱坐標ymin和最大縱坐標ymax之間區(qū)域則為海天區(qū)位置。

同時，彈載紅外成像系統(tǒng)下，遠距離的島嶼往往出現(xiàn)在海天線附近。海天區(qū)可能存在島礁雜波，這勢必給目標檢測造成大量虛警。采用K-means 對海天區(qū)進行聚類，海天區(qū)最多有天空、島嶼和海面三種，故將聚類中心點數(shù)設置為3。圖4 為海天線和海天島嶼區(qū)感知示例，圖4（b）為海天區(qū)的島嶼和海面相連聚類結(jié)果，再利用海面呈規(guī)則的長條分離出島嶼，如圖4（c）。因此，該類海天區(qū)提取方法不僅能成功分離無島嶼的海天區(qū)，還能有效地感知出島嶼的海天區(qū)。

圖4 海天島嶼區(qū)感知示例Fig.4 A sample of IR sea-sky island region perception

1.3 非平穩(wěn)海區(qū)提取方法

海面既可能有平穩(wěn)海面，也可能出現(xiàn)起伏波動較大的魚鱗波、海面亮帶等非平穩(wěn)信號。感知海面起伏狀態(tài)，分離出平穩(wěn)海區(qū)和波動海區(qū)對于小目標檢測尤為重要。采用Bernaola-Galavan 分割算法（Bernaola-Galavan Segmentation Algorithm，BGSA）［19］來分離區(qū)域，將非平穩(wěn)序列分為多段具有不同均值且差異較大的相對平穩(wěn)的區(qū)域。

對于海面區(qū)域的每個像素，求其垂直方向梯度Gv(x，y)為

式中，參數(shù)r1、r2是經(jīng)驗性選擇的間隔行數(shù)。計算每一行Gv(x，y)在縱向的投影累加和為

梯度累加和GS(y)是一個以縱坐標y為自變量的非平穩(wěn)曲線。采用BGSA 對GS(y)計算y點左鄰域和右鄰域的均值，即左子信號集的均值μleft(y)和右子信號集的均值μright(y)以及衡量均值差異的統(tǒng)計量Ty：

式中，SD(y)是y點聯(lián)合方差，其表達式為

式中，Sleft(y)和Sright(y)分別為左、右子信號集的標準偏差，Nleft(y)和Nright(y)分別為左右兩邊的點數(shù)。計算Ty的最大值Tmax=π 的統(tǒng)計顯著性，即

式中，Prob(T≤τ)表示在隨機過程中取得T值小于等于τ的概率。p(τ)可以模擬為

式中，γ=4.19lnN-11.54，N為非平穩(wěn)子序列長度，v=N-2，Δ=0.4，B為不完全β函數(shù)。若顯著性值超過給定閾值P0（一般P0為0.9～0.95），則在該點將GS(y)分割成兩段均值存在顯著差異的子序列，而該點是均值突變點。

通過以上處理，非平穩(wěn)海面梯度信號被分成了具有不同均值的相對平穩(wěn)子序列。圖5 為平穩(wěn)海區(qū)和波動海區(qū)共存的海區(qū)梯度曲線BGSA 分割結(jié)果圖，圖5（b）中藍色曲線為GS(y)，紫色曲線為BGSA 分割結(jié)果。

圖5 海區(qū)梯度曲線BGSA 分割結(jié)果圖Fig.5 BGSA segmentation map of gradient curve of sea region

然后，采用方差加權(quán)信息熵Vwie表征經(jīng)過BGSA 分割過的每個海區(qū)圖像塊的復雜度，可表示為

式中，L為最大灰度等級，pg為圖像灰度值g的概率，代表圖像的均值。

式中，Num為BGSA 分割后的總段區(qū)數(shù)(k)為第k個段區(qū)的梯度累加和均值。

2 海面小目標檢測方法

通過場景感知方法構(gòu)建出海天島嶼區(qū)、平穩(wěn)海區(qū)、波動海區(qū)等海面場景信息的基礎上，進一步采取與背景雜波相適應的信號處理方法精細檢測小目標。

2.1 海天島嶼區(qū)小目標檢測方法

海天島嶼區(qū)的海天線和島嶼，尤其是島嶼具有很強的結(jié)構(gòu)性邊緣，采用最大中值濾波、最大均值濾波會出現(xiàn)大量背景殘差，增加虛警概率和降低檢測概率。針對該問題，提出了一種基于方向性差異的目標增強算法（Target Enhancement with Directional Difference，TEDD）。先利用原圖I與各向異性擴散結(jié)果Ismooth的差值獲得局部增強強度圖，進而根據(jù)目標的各向同性使用八個濾波模板抑制邊緣。

各向異性擴散在平滑圖像的同時能保持細節(jié)，各向異性擴散濾波是一個迭代過程，當區(qū)域像素為邊緣像素時，擴散減弱，迭代過程為

式中，In經(jīng)過n次迭代后的結(jié)果，迭代次數(shù)越大，濾波效果越好，本文實驗n取40；γ是四個擴散方向的平衡系數(shù)，γ越小，濾波效果越差，本文實驗γ為15。?N，?S，?E，?W是式中北、南、東、西四個方向的梯度算子。CN，CS，CE，CW是熱傳導系數(shù)。

式中，K是熱傳導系數(shù)平衡因子，其值越大圖像就越平滑，本文實驗K為0.15。

使用一個中心元素為零，其余元素為1 的模板T來對銳化后的圖像進行濾波。

式中，IEIM代表了局部增強強度圖；T是濾波器，大小為(2n1+1)×(2n1+1)；H(·)是階躍函數(shù)。

考慮到目標與背景的梯度指向的差異性，構(gòu)造了0、π/4、π/2、3π/4、π、5π/4、3π/2、7π/4 等八個方向的定向卷積核來提取方向?qū)?shù)加權(quán)的絕對平均差值（Absolute Average Difference weighted by Directional Derivatives，AADDD）［20］。方向濾波模板如圖6。

圖6 八個方向的定向卷積核Fig.6 Directional convolution kernels at eight direction

方向濾波結(jié)果IDF為ID0，ID1，ID2，…，ID7最小值，即

式中，ID0，ID1，ID2，…，ID7是八個卷積核與圖像的卷積結(jié)果。

基于方向性差異的背景抑制顯著圖ITEDD表示為最小方向響應加權(quán)的局部增強強度濾波結(jié)果，即

對顯著圖ITEDD采用自適應恒虛警閾值分割檢測目標，閾值定義為

2.2 平穩(wěn)海區(qū)小目標檢測方法

平穩(wěn)海區(qū)的灰度強度起伏性較低，可采用白頂帽（White Top-Hat，WTH）［21］濾波和局部峰值判決。白頂帽變換處理方式為

式中，I°Boi為開運算，⊕和Θ 分別為膨脹和腐蝕操作，結(jié)構(gòu)元素如圖7。

圖7 結(jié)構(gòu)元Fig.7 Structural element

對濾波后的信號采用自適應恒虛警閾值Th對WTH(x，y)提取可疑目標，它們可能是真實目標，也可能是虛警。小目標強度分布是近似高斯形狀，表現(xiàn)為局部峰值特性。因此，本文采用高斯曲面擬合法提取峰度系數(shù)和偏態(tài)系數(shù)來判斷為小目標。小目標二維高斯曲面方程為

式中，Am，(x0，y0)，σx和σy分別為高斯函數(shù)幅值、高斯曲面中心點、x方向均方差 和y方向均方差。求出Am，σx，σy，x0，y0便可擬合高斯曲面。對式（29）兩邊取對數(shù)可得

將可疑目標鄰域半徑為5 像素的所有數(shù)據(jù)I(x，y)作為樣本并利用最小二乘求解，使得估計值的殘差平方和Q最小，即

在求解出a，b，c，d，e等變量的基礎上，根據(jù)式（31）可得擬合曲面的參數(shù)σx，σy，x0，y0，Am。沿著擬合的二維高斯曲面的0o和90o剖面，提取這兩個一維分布峰度系數(shù)K0和K90，以及偏態(tài)系數(shù)S0和S90，分別表示為

2.3 波動海區(qū)小目標檢測

波動海區(qū)存在大片魚鱗波、海面亮帶，亮度強、邊緣突出。根據(jù)目標與周圍背景在灰度和梯度兩個維度的差異性，提出了一種融合灰度梯度算法（Fusion Gray Gradient Clutter Suppression Method，F(xiàn)GGCSM）抑制背景。小目標往往在表現(xiàn)為局部灰度值極大，可采用2D-DoG 算子進行壓制同質(zhì)背景而增強小目標，預處理圖像IDog為

式中，σ1和σ2分別為激勵參數(shù)和抑制參數(shù)。

根據(jù)式（2）和式（3）計算的兩個特征值λlarge和λsmall，當λlarge≈λsmall≈0，表明位于平滑區(qū)域；當λlarge?λsmall≈0，表明為邊緣區(qū)域；當λlarge≥λsmall＞0，所處位置為候選目標點。因此可以利用大特征值和小特征值對2D-DoG 預處理后圖像進一步抑制背景。假設是預處理圖像的兩個特征值，R為結(jié)構(gòu)張量的調(diào)和均值，定義為

式中，φ是一個極小趨于0 的整數(shù)，用于預防分母為0。由式（37）可知，在均勻背景和邊緣處R約等于0，突出增強了目標區(qū)域，R具有調(diào)和圖像對比度能力。

與此同時，小目標形狀呈現(xiàn)類似各向同性的高斯模型［22］，其梯度方向均勻地分布在各個方向并朝向中心；相反，海雜波邊緣的梯度方向是具有一致性，即由高亮度指向低亮度［23］。因此，構(gòu)造四個方向的濾波模板來模擬目標特定的梯度內(nèi)指向性，模板如圖8，表示為

圖8 四個濾波模板Fig.8 Four filter templates

對于給定的坐標(x0，y0)，先將以目標為中心的鄰域劃分為四個象限，在第一、第二、第三、第四象限分別獲取四個模板濾波的結(jié)果C1、C2、C3和C4，然后計算每個象限區(qū)域?qū)木植科骄荻确礕mi，即

式中，Nsi為所求象限Ci(x，y)大于0 的數(shù)量，H(·)是階躍函數(shù)。

由于小目標各向同性，其Gmi之間的差異性不很大；雜波邊緣處的梯度指向同一個方向，必會造成其它的平均梯度幅值很小。將各個方向的平均梯度幅值進行兩兩相乘，并取均值響應作為最終局部梯度度量Flgm，即

綜上，調(diào)和對比度R增強了小目標局部高亮度特性，而Flgm描述了目標梯度內(nèi)指向?qū)傩?。?lián)合兩特征則能進一步抑制雜波邊緣而增強目標信號：

采用恒虛警閾值對Frsm(x，y)進行分割，提取目標。

3 實驗結(jié)果與分析

本節(jié)分析了用于測試的海面紅外小目標圖像特性，對比測試驗證了基于海面場景感知的紅外小目標檢測算法性能。

3.1 測試數(shù)據(jù)集與評價指標

采用彈載紅外成像系統(tǒng)獲得的6 個復雜海面場景紅外小目標序列圖像為測試數(shù)據(jù)集，如圖9 所示，紅色圓圈標記出目標。圖9（a）是位于海天區(qū)和起伏海面的小目標。圖9（b）是零散的海面亮帶和魚鱗波下的小目標。圖9（c）是魚鱗波中攜帶強尾浪的小目標。圖9（d）表示淹沒在大量高亮度魚鱗波下的小目標。圖9（e）是位于島礁區(qū)小目標。圖9（f）為位于海天島嶼區(qū)和高強度海面亮帶區(qū)的小目標。

圖9 紅外測試圖像序列的代表幀F(xiàn)ig.9 Representative frames of infrared test image sequences

采用信雜比（Signal-to-Clutter Ration，SCR）［5］來表述目標的檢測難易程度。信雜比越小，目標就越弱，目標檢測難度越大。局部信雜比的量化規(guī)則為

式中，mt為目標區(qū)域的平均像素值，mb和σb為目標周圍鄰域像素值的均值和標準差。表1 為不同目標分組序列的詳細信息，各個序列信雜比在［0.25，3］之間。

表1 測試數(shù)據(jù)的詳細信息Table 1 Detail information of the test data

采用信雜比增益（Signal-to-Clutter Ration Gain，SCGR）和背景抑制因子（Background Suppression Factor，BSF）來評價背景雜波抑制能力［8，11，18，24］，表示為

式中，Scro和Scrf分別為原圖和濾波圖像的局部SCR 值，σo和σf分別為濾波前后的背景標準差，ε一個小正數(shù)，以避免出現(xiàn)分母為0 的情況。Scrg和Bsf越大則背景抑制能力越好，采用平均信雜比增益和平均背景抑制因子來對比序列圖像的抑制能力。

式中，Ntarget為目標的數(shù)量，Scrg(i)為第i目標所對應的信雜比增益；Nframe為總圖像數(shù)，Bsf(j)為第j幀圖像背景抑制因子。

采用檢測率（Detection Rate，DR）和虛警率（False Alarm Rate，F(xiàn)AR）來評估目標檢測算法的性能為

式中，Ntp為正確檢測出的目標數(shù)量，Ntarget為實際目標數(shù)量；Pnfp為檢測結(jié)果中虛假目標的總像素數(shù)，Pnimage為測試序列圖像的總像素數(shù)。計算并畫出接收器操作特性（Receiver Operating Characteristic，ROC）曲線，曲線面積越大，算法準確性越高；越靠近坐標左上方，檢測目標能力越強。

3.2 參數(shù)討論

1）復雜度閾值Tcmp判斷紅外海面背景圖像是否存在波動海面。設置不同的復雜度閾值，測試對應閾值下非平穩(wěn)海區(qū)的感知性能。圖10 為不同復雜度閾值下，場景感知的波動海面圖像在測試數(shù)據(jù)集中的占比與真實波動海面圖像在數(shù)據(jù)集中的占比情況。當Tcmp約為230 時，紅色曲線所表示場景感知檢測出波動海面圖像數(shù)量與真實的波動海面圖像數(shù)量接近?；谠搶嶒灲Y(jié)果，Tcmp設置為230。

圖10 不同復雜度閾值下的檢測出波動海面占比Fig.10 Proportion of detected fluctuating sea surface corresponding to different complexity threshold

2）不同銳化模板T的尺寸選擇對背景抑制產(chǎn)生影響。為了使基于方向性差異的目標增強算法（TEDD）算法更好應用于海天島嶼區(qū)的目標檢測，測試不同的模板T的尺寸處理序列1、序列5、序列6 的存在小目標的海天島嶼區(qū)。表2 為所選序列海天島嶼區(qū)的信雜比增益（SCRG），當尺寸為4 時TEDD 算法取得了較好、較穩(wěn)定的SCRG。因此，本文海天島嶼采用的TEDD 算法的銳化模板T尺寸設置為4。

表2 不同尺寸處理海天島嶼區(qū)的Table 2 of sea-sky island region corresponding to different n1

表2 不同尺寸處理海天島嶼區(qū)的Table 2 of sea-sky island region corresponding to different n1

3）融合灰度梯度算法（FGGCS）算法抑制波動海區(qū)背景時，鄰域半徑r會影響背景抑制效果。測試不同鄰域半徑r取值下的FGGCSM 處理存在波動海區(qū)的序列1、序列2、序列3、序列4 和序列6，如表3。當r為3時，F(xiàn)GGCSM 算法取得了較好、較穩(wěn)定的。因此，本文波動海區(qū)采用鄰域半徑r設置為3。

表3 不同r 處理非平穩(wěn)海區(qū)的Table 3 of non-stationary sea region corresponding to different r

表3 不同r 處理非平穩(wěn)海區(qū)的Table 3 of non-stationary sea region corresponding to different r

3.3 場景感知結(jié)果與分析

圖11 為6 個測試序列的場景感知結(jié)果，其中紅色粗線為海天線，綠色標記區(qū)域為海天島嶼區(qū)，黑色標記區(qū)域為島嶼，藍色粗線標記的位置為波動海面起始位置，它分隔了海面平穩(wěn)區(qū)和海面波動起伏區(qū)。若圖中無藍色粗線，則表示該圖為全平穩(wěn)海面。

準確感知出海天線的圖像數(shù)與單個序列圖像總數(shù)的比例為海天線檢測率；在單個序列圖中準確感知出波動海面起始位置的圖像數(shù)與單個序列圖像含有波動海面的圖像總數(shù)的比例為波動海面識別率；在單個序列圖中準確感知出海天區(qū)島嶼圖像占比為島嶼檢測率。表4 為6 個測試序列場景感知準確率，其中序列1 和序列4 整個序列圖像場景變動較小，海天線、波動海面和島嶼區(qū)檢測概率達到0.99；序列2 檢測出少量波動海面起始位置跳動幾行的情況，波動海面識別率約為0.98；序列3 存在個別圖像將海區(qū)感知為全波動海面區(qū)域，波動海面識別率約為0.98；序列5 和序列6 檢測海天線過程中會出現(xiàn)將島嶼底邊沿視作海天線的情況，海天線檢測率分別為0.97 和0.96。同時，序列5 偶爾會誤判出波動海面，無波動海面識別約為0.97。實際場景中海面分為三種情況：全平穩(wěn)海面、全波動海面、平穩(wěn)和波動共存海面，由圖11 可知本文算法都成功感出這三種情況。由以上信息知，海天線檢測率、波動海面識別率以及島嶼檢測率均大于95%，證明了提出的海面場景感知區(qū)域提取方法具有一定適用性。

表4 海面場景感知準確率Table 4 Accuracy rate of maritime scene perception

圖11 測試序列場景感知結(jié)果Fig.11 Results of scene perception in test sequences

3.4 目標檢測結(jié)果與分析

實驗采用了7 種具有代表性的方法進行對比測試，分別是Max-median、DoG、PSTNN、TLLCM，ADMD、PLSDG、MWEC。圖12 為各種算法對圖9 背景抑制結(jié)果。Max-median 算法估計非平穩(wěn)的背景能力很差，會發(fā)生漏檢，如圖12（a）。DoG 算法凸顯目標效果弱，海天交界區(qū)會出現(xiàn)線狀虛警，如圖12（b）。PSTNN 處理后殘留雜波強度高于目標，如圖12（c4）、圖12（c5）和圖12（c6）。ADMD 和TLLCM 很難抑制圖像序列3 和圖像序列4 的大量魚鱗波，如圖12（d3）、圖12（d4）、圖12（e3）和圖12（e4），而且序列1 和序列6 中海雜波降低了TLLCM 和ADMD 對海天區(qū)目標檢測，如圖12（d1）、圖12（d6）、圖12（e1）和圖12（e6）。PLSDG 和MWEC 這兩種分區(qū)檢測算法增強了不同區(qū)域的目標，但在強結(jié)構(gòu)邊緣的海天線、高對比度島嶼、尖銳邊緣的海面亮帶和高亮度魚鱗波區(qū)域存在較多雜波殘留，產(chǎn)生大量虛警，如圖12（f）和圖12（g）。對于復雜海面背景，本文算法對強結(jié)構(gòu)邊緣的海天島嶼區(qū)和高亮度魚鱗波、海面亮帶等太陽光閃爍海雜波的波動海面獲得最佳的背景抑制效果，增強了不同區(qū)域的目標信雜比，大幅度降低了諸如島嶼、海面亮帶和魚鱗波造成的虛警，減少了漏檢發(fā)生。

圖12 不同小目標檢測方法的背景抑制結(jié)果Fig.12 Background suppression for different small target detection method

表5 不同檢測算法下的Table 5 with different detection algorithms

表5 不同檢測算法下的Table 5 with different detection algorithms

表6 不同檢測算法下的Table 6 with different detection algorithms

表6 不同檢測算法下的Table 6 with different detection algorithms

表7 不同檢測算法平均運算時間（s）Table 7 Average running time of different detection algorithm（s）

圖13 是各個算法對測試圖像序列的工作性能曲線。在序列1～4 和序列6 中，本文算法相較于其它算法能在相同虛警概率時取得更大的檢測率。同時，本文算法工作性能曲線中檢測率值能迅速增加到1，最接近縱軸，工作性能曲線包圍面積最大。對于序列5，當2.152×10-5≤FAR ≤3.448×10-5時，ADMD 的檢測率略微大于本文算法。同時，對比算法在各個序列中性能變化大，穩(wěn)定性弱。綜上表明，本文算法對具有海天線、島嶼、魚鱗波、海面亮帶的復合雜波背景目標檢測更加具有魯棒性。

圖13 不同檢測方法的工作性能曲線Fig.13 Receiver operation curves of different detection methods

4 結(jié)論

針對含有島嶼、海天線、魚鱗波及海面亮帶等多種雜波的復雜海面背景小目標檢測難題，提出了基于海面場景感知的紅外小目標檢測方法。與僅檢測海天線且只將海面場景劃分為天空和海區(qū)的方法相比，本方法能感知海面背景雜波組成存在的區(qū)域及起伏狀態(tài)，構(gòu)建出了海天島嶼區(qū)、平穩(wěn)海區(qū)、波動海區(qū)等更為精細的場景信息。對于不同的雜波區(qū)域，采用與雜波成份適應的信號處理壓制雜波和增強目標信雜比。實驗數(shù)據(jù)表明，相比于五種全局處理方法和兩種分區(qū)處理方法，本文方法取得了最強的雜波抑制能力和最佳的小目標檢測性能，能適應多種復雜雜波背景。

另外，本文方法屬于DBT 的單幀檢測方法，存在少量虛警，如海天交界處可能殘留個1 至3 個的虛警點，后續(xù)需采用基于時空線索的多幀目標聯(lián)合判決進一步提高檢測能力。