張 曄,朱鴻泰,程 虎,張 俊,章 琦

(中國電子科技集團(tuán)公司第五十八研究所,江蘇 無錫 214072)

1 引 言

近些年來,紅外探測技術(shù)的快速發(fā)展為光電探測行業(yè)構(gòu)建了新的格局,各行業(yè)引入紅外手段輔助目標(biāo)檢測、定位,層出不窮的應(yīng)用受到了廣泛的關(guān)注。例如目標(biāo)檢測的軍事應(yīng)用[1-2],工業(yè)領(lǐng)域機(jī)器視覺的缺陷檢測[3-4]等領(lǐng)域。紅外目標(biāo)檢測一直是圖像研究領(lǐng)域的熱門方向,張明等人提出的紅外接收PIN硅光電探測器研究[5]和高美靜等人提出的電子器件分析用新型顯微紅外熱像儀[6]均使用紅外探測器實(shí)現(xiàn)紅外小目標(biāo)的檢測。但對于微弱目標(biāo),由于其本身強(qiáng)度弱、攜帶的細(xì)節(jié)信息少極易淹沒在背景雜波中,成為了紅外探測研究方向的一個難點(diǎn)。

為了解決紅外微弱目標(biāo)準(zhǔn)確檢測的問題,提出了各類檢測算法,按技術(shù)路線可分為濾波、目標(biāo)函數(shù)優(yōu)化[7]和數(shù)據(jù)驅(qū)動的深度學(xué)習(xí)模型[8]三類。其中濾波類算法計(jì)算復(fù)雜度最低,最為適合部署于實(shí)時(shí)探測場合,也是本文的研究重點(diǎn)。濾波理論的核心在于利用目標(biāo)與背景先驗(yàn)信息的差異,設(shè)計(jì)濾波核在對抑制背景雜波的同時(shí),凸顯出紅外小目標(biāo)的自身圖像特征,從而達(dá)到濾除背景提取前景目標(biāo)的目的。張祥越等提出的ILCM[9]方法利用目標(biāo)與其鄰域?qū)Ρ榷炔町悓?shí)現(xiàn)紅外目標(biāo)檢測,但實(shí)時(shí)性差。顯著性分析技術(shù)直接從全局提取空間/頻率域突變區(qū)域,計(jì)算效率更具優(yōu)勢。根據(jù)Timor K等[10]的定義,“顯著區(qū)域”是指在全局或局部鄰域內(nèi),屬性和尺度上呈現(xiàn)出不可預(yù)測性的區(qū)域。頻率顯著性分析[11]、光譜殘差[12]和超復(fù)數(shù)傅里葉變換[13]等頻域顯著性算法均對微弱小目標(biāo)展現(xiàn)出良好的召回率,但虛警概率明顯增加。而形態(tài)學(xué)濾波方法對目標(biāo)尺寸敏感和對離群噪點(diǎn)的高效濾除效果較好。葉斌等提出了基于形態(tài)學(xué)Top-Hat算子的小目標(biāo)檢測方法[14],計(jì)算效率高、去噪效果顯著,但單一結(jié)構(gòu)元無法保證檢測召回率。Wang W等[15]提出的方法結(jié)合顯著性檢測和形態(tài)學(xué)濾波提高了目標(biāo)的檢測率,但是對于顯著性較高的雜波無法很好抑制。徐文晴提出的基于自適應(yīng)形態(tài)學(xué)濾波方法[16](LAF),對連續(xù)的雜波抑制效果不佳,無法有效排除角點(diǎn)雜波。

本文將有機(jī)結(jié)合顯著性分析和形態(tài)學(xué)濾波技術(shù),實(shí)現(xiàn)針對復(fù)雜場景的圖像紅外微弱目標(biāo)探測。以頻域顯著性分析手段作為快速預(yù)處理步驟,實(shí)現(xiàn)對緩變背景的高效抑制。再引入自適應(yīng)形態(tài)學(xué)濾波,提出全局紅外小目標(biāo)檢測算法,對具有連續(xù)雜波的復(fù)雜場景實(shí)現(xiàn)紅外小目標(biāo)檢測。本方法對適應(yīng)性好,對背景雜波具有連續(xù)性的邊緣特性實(shí)現(xiàn)了高效鑒別,同時(shí)保證了目標(biāo)的召回率。

2 頻域顯著性分析預(yù)處理

2.1 頻域顯著性模型

視覺顯著性[17]是視覺系統(tǒng)選擇視覺信息的某個子集作為過濾器,只選擇與當(dāng)前行為或任務(wù)相關(guān)的感興趣的信息,而忽略不相關(guān)的信息的能力。在文獻(xiàn)[11]中利用ILCM獲得頻域顯著圖,需要對圖像中每個像素作鄰域滑窗進(jìn)行處理,運(yùn)行速度慢。HOU提出了一種不依賴目標(biāo)的先驗(yàn)信息的基于頻域的全局顯著性模型[16],該模型基于傅里葉變換就可以實(shí)現(xiàn),運(yùn)算速度快,滿足實(shí)時(shí)性要求。

給定紅外小目標(biāo)圖像I,其前景和背景的表現(xiàn)形式為:

I=f+bf,b∈RM×N

(1)

其中,f表示小目標(biāo)信號;b表示背景信號,兩者均為稀疏的；M,N表示I,f,b信號的維度。

(2)

對于紅外圖像來說,圖像的前景信息相對于背景來說更引人注意。因此,可以利用圖像重構(gòu)來構(gòu)建顯著圖:

(3)

其中,G為高斯濾波器;“*”表示卷積運(yùn)算;“°”表示Hadamard乘積。

在圖1中,對不同場景,利用顯著性模型可得到顯著圖,復(fù)雜場景與簡單場景相比較,二值化分割會保留許多背景信息,無法準(zhǔn)確實(shí)現(xiàn)小目標(biāo)檢測。

圖1 顯著性檢測效果圖Fig.1 The performance of saliency detection

2.2 ROI區(qū)域提取

通過頻域顯著性分析后重構(gòu)的圖像已顯著抑制了均勻、緩變的背景區(qū)域,獲得SCR(信號-背景比)的大幅提升,有利于后續(xù)對目標(biāo)的準(zhǔn)確分割。出于計(jì)算效率的考慮,本文利用閾值分割技術(shù)對重構(gòu)圖做前景-背景分類,自適應(yīng)分割閾值tthreshold通過公式(4)來計(jì)算

tthreshold=u+kσ

(4)

其中,u和σ分別為顯著圖S的均值和標(biāo)準(zhǔn)差;k為常數(shù)系數(shù)。圖像閾值分割的二值化分類結(jié)果T以如式(5)的方式獲得：

(5)

基于二值分類結(jié)果T內(nèi)的連通域做最小外界矩形ROI提取,如圖2所示,所有ROI區(qū)域均被視為候選目標(biāo)區(qū)域。

圖2 ROI提取Fig.2 ROI extraction

通過獲得目標(biāo)顯著圖,提取ROI區(qū)域縮小了目標(biāo)檢測區(qū)域的范圍,從而加快了目標(biāo)檢測效率。然而如圖2(a)所示,對于簡單場景情況,各候選區(qū)域周圍依然存在許多的孤立噪點(diǎn)和背景雜波,因此需要選擇一個合適的濾波器來抑制孤立噪點(diǎn)和雜波。對如圖2(b)所示的復(fù)雜背景場景紅外圖,則感興趣區(qū)域中呈現(xiàn)出大量偽目標(biāo)感興趣區(qū)域,影響目標(biāo)檢測結(jié)果。

3 局部自適應(yīng)形態(tài)學(xué)濾波目標(biāo)檢測

經(jīng)典Top-hat形態(tài)學(xué)濾波在紅外弱小目標(biāo)檢測中有了比較成功的應(yīng)用,通過選取合適的濾波模板,可以得到較好的濾波效果。但對于對于圖像信噪比較低,噪聲和復(fù)雜的背景會嚴(yán)重影干擾的情況下,濾波性能下降,嚴(yán)重時(shí)會降低圖像信噪比。而新型Top-hat形態(tài)學(xué)濾波通過改變結(jié)構(gòu)元素的構(gòu)造來達(dá)到抑制噪聲和復(fù)雜背景的目的。但是經(jīng)典Top-hat和新型Top-hat形態(tài)學(xué)濾波在濾波開始前都要人工設(shè)定結(jié)構(gòu)元的大小,對于尺度尺寸不斷變化的目標(biāo)無法,因而需要結(jié)構(gòu)元有自適應(yīng)選擇功能。

本文算法中通過在感興趣區(qū)域進(jìn)行提取候選目標(biāo),獲得候選目標(biāo)輪廓及輪廓的外接矩形,如圖3(a)所示。再將候選目標(biāo)的位置及尺寸信息映射回原圖像,在原圖像上選取目標(biāo)尺寸的八鄰域作為濾波區(qū)域,如圖3(b)所示。利用候選目標(biāo)的長寬最大值作為新型結(jié)構(gòu)元的尺寸,達(dá)到自適應(yīng)形態(tài)學(xué)濾波的目的。

圖3 提取目標(biāo)尺寸和八鄰域?yàn)V波區(qū)域Fig.3 Extraction of target size and eight neighborhood filtering region

新型Top-hat濾波同樣基于形態(tài)學(xué)開、閉運(yùn)算,其具體定義為:

f■Boi(x,y)=(f⊕ΔB)⊙Bb

(6)

f□Boi(x,y)=(f⊙ΔB)⊕Bb

(7)

其中,Boi(x,y)表示f■Boi(x,y),f□Boi(x,y)中使用的與Bi和Bo有關(guān)結(jié)構(gòu)元素。Bi和Bo分別為兩個扁平結(jié)構(gòu)元,它們原點(diǎn)相同且Bo的半徑大于Bi的半徑,ΔB=Bo-Bb是介于Bo和Bi之間的扁平結(jié)構(gòu)元,可用來調(diào)節(jié)參與運(yùn)算區(qū)域目標(biāo)的大小,Bo、Bi、ΔB和Bb之間的關(guān)系如圖4所示。

圖4 新型 Top-hat變換結(jié)構(gòu)元素之間的關(guān)系圖Fig.4 The relational graph between structural element of new Top-hat

新型Top-hat中黑帽和白帽被定義為:

NWTH(x,y)=f(x,y)-min(f■Boi(x,y)),f(x,y))

(8)

NBTH(x,y)=max(f□Boi(x,y),f(x,y))-f(x,y)

(9)

新型Top-hat采用邊緣結(jié)構(gòu)元素ΔB來區(qū)分目標(biāo)所在區(qū)域與目標(biāo)周圍區(qū)域的差異,當(dāng)目標(biāo)的的半徑小于Bi的半徑,比目標(biāo)大的背景被消除,目標(biāo)被保留,反之目標(biāo)被消除,比目標(biāo)小的背景被保留,因此結(jié)構(gòu)元大小的選取對濾波效果的好壞起著重要的作用。

4 全局自適應(yīng)形態(tài)學(xué)濾波

針對簡單場景下的紅外小目標(biāo),通過感興趣區(qū)宇提取了目標(biāo)尺度后,對濾波區(qū)域進(jìn)行局部自適應(yīng)濾波后,實(shí)現(xiàn)了紅外小目標(biāo)的檢測,如圖5(b)所示。而對于復(fù)雜場景,當(dāng)完成局部自適應(yīng)濾波后,依然有較多的邊緣角點(diǎn)噪聲保留,達(dá)不到濾波的預(yù)期效果,如圖5(e)所示。所以本文分別對簡單場景和復(fù)雜場景進(jìn)行研究,當(dāng)為簡單場景時(shí),對圖像采用局部自適應(yīng)濾波,在保證目標(biāo)檢測的同時(shí),加快了檢測速度；而當(dāng)為復(fù)雜場景時(shí),自適應(yīng)局部濾波雖然在一定程度上能減少計(jì)算時(shí)間,但對于有連續(xù)邊緣及角點(diǎn)的雜波干擾,該方法不達(dá)不到預(yù)期效果。

圖5 不同場景LAF和GAF效果圖Fig.5 LAF and GAF effect diagrams in different scenarios

針對復(fù)雜場景中角點(diǎn)噪聲較多且具有連續(xù)性,而檢測紅外目標(biāo)屬于孤立區(qū)域,在區(qū)域附近存在噪聲區(qū)域較少,結(jié)合局部鄰域特征統(tǒng)計(jì)思想,對圖像S中每個感興趣區(qū)域的鄰域進(jìn)行區(qū)域個數(shù)統(tǒng)計(jì),若個數(shù)較多,則該區(qū)域?yàn)樵肼晠^(qū)域,若區(qū)域較少,則該區(qū)域?yàn)槟繕?biāo)區(qū)域。通過確定的目標(biāo)區(qū)域選擇尺度最大的區(qū)域,進(jìn)行自適應(yīng)Top_hat濾波,抑制目標(biāo)區(qū)域孤立噪點(diǎn),實(shí)現(xiàn)目標(biāo)檢測。通過兩種濾波思想的結(jié)合,在實(shí)現(xiàn)準(zhǔn)確的目標(biāo)檢測的同時(shí),保證了檢測實(shí)時(shí)性的要求。

如圖6定義為區(qū)域A的大小為d的鄰域和連通域數(shù)目閾值N,若在鄰域內(nèi)有連通域數(shù)量大于N,則該區(qū)域不是目標(biāo)區(qū)域,若在該區(qū)域的目標(biāo)區(qū)域個數(shù)小于N,則該區(qū)域?yàn)槟繕?biāo)區(qū)域,如果找不到目標(biāo)區(qū)域,縮小鄰域大小d,直到找到符合的目標(biāo)區(qū)域。如圖7所示,灰色方框內(nèi)有超過連通域個數(shù)閾值N的連通域個數(shù),則該區(qū)域?yàn)殡s波區(qū)域,白色方框內(nèi)連通域個數(shù)小于連通域個數(shù),則該區(qū)域?yàn)槟繕?biāo)區(qū)域。確定目標(biāo)區(qū)域后,提取每個目標(biāo)區(qū)域的尺度,利用目標(biāo)尺度中的最大尺度作為全局濾波結(jié)構(gòu)元大小,可大致確定紅外小目標(biāo)尺寸,然后進(jìn)行自適應(yīng)全局形態(tài)學(xué)濾波,實(shí)現(xiàn)紅外小目標(biāo)檢測。

圖6 大小為d的區(qū)域鄰域Fig.6 A region neighborhood of sized

圖7 尋找目標(biāo)區(qū)域Fig.7 Find the target area

5 實(shí)驗(yàn)結(jié)果及分析

對于不同場景的紅外小目標(biāo)圖像,基于自適應(yīng)形態(tài)學(xué)濾波的紅外小目標(biāo)檢測算法[11]求目標(biāo)顯著圖的方法達(dá)不到檢測實(shí)時(shí)性要求,并且對于復(fù)雜場景小目標(biāo)產(chǎn)生的為目標(biāo)較多,圖圖像信噪比較低,目標(biāo)檢測結(jié)果準(zhǔn)確性低,如圖8所示。為了對簡單場景和復(fù)雜場景的紅外小目標(biāo)進(jìn)行定量分析,對形態(tài)學(xué)濾波后的圖像的信噪比(SCR)進(jìn)行計(jì)算:

(11)

其中,uT為目標(biāo)矩形區(qū)域像素值均值;uB,σB分別為背景區(qū)域均值和方差。

圖8 不同場景LAF和GAF對比圖Fig.8 Comparison of LAF and GAF in different scenes

本實(shí)驗(yàn)基于硬件平臺基于1.00 GHz Intel Core i5 CPU 16GB RAM 計(jì)算機(jī)；軟件平臺基于Window10操作系統(tǒng)和MATLAB R2016a。實(shí)驗(yàn)采取在不同復(fù)雜場景下300×200個像素的紅外圖像視頻序列,利用前30幀的序列的信噪比的平均值作為濾波信噪比的結(jié)果,并且以前30幀運(yùn)行時(shí)間平均值作為算法運(yùn)行時(shí)間。由表1可以看到,對復(fù)雜場景進(jìn)行形態(tài)學(xué)濾波后都能起到抑制雜波的作用,但自適應(yīng)全局濾波對雜波的抑制效果要好于自適應(yīng)局部濾波。由表2可知,在檢測率中,本文提出的GAF算法表現(xiàn)最好,檢測率最高,虛警率較低。由表3分析可知,對復(fù)雜場景的形態(tài)學(xué)濾波效率,自適應(yīng)全局形態(tài)學(xué)濾運(yùn)行效率要明顯高于自適應(yīng)局部形態(tài)學(xué)濾波,且所在場景不同自適應(yīng)局部的運(yùn)行時(shí)間變化很大,不能很好的把控運(yùn)行時(shí)間,而自適應(yīng)全局濾波效率穩(wěn)定,滿足實(shí)時(shí)性要求。所以本文算法對不同復(fù)雜場景保持很好的濾波效果,實(shí)現(xiàn)對紅外小目標(biāo)的檢測。

表1 不同復(fù)雜場景各算法信噪比結(jié)果Tab.1 SNR results of adaptive local filtering and global filtering in different scenes

表2 不同復(fù)雜場景各算法檢測率(FR)和虛警率(FAR)對比Tab.2 Comparison of detection rate(FR)and false alarm rate(FAR)of algorithms in different complex scenes

表3 不同復(fù)雜場景各算法運(yùn)行時(shí)間Tab.3 Running time of adaptive local filtering and global filtering in different complex scenarios

6 結(jié) 論

本文以頻域顯著性分析作為快速預(yù)處理步驟,獲得抑制背景的重構(gòu)結(jié)果。引入自適應(yīng)閾值對重構(gòu)圖進(jìn)行分割提取感興趣區(qū)域,在縮減處理面積的同時(shí)獲取目標(biāo)參考尺寸,最終以全局自適應(yīng)形態(tài)學(xué)濾波實(shí)現(xiàn)了紅外小目標(biāo)的準(zhǔn)確檢測。本方法對復(fù)雜場景圖像適應(yīng)性好,算法運(yùn)行效率高,對背景雜波具有連續(xù)性的邊緣特性實(shí)現(xiàn)了高效鑒別,同時(shí)保證了目標(biāo)的召回率。