趙明晶，李偉,2，陶然，馬鵬閣，揭斐然

（1.北京理工大學(xué) 信息與電子學(xué)院，北京 100081；2.光電控制技術(shù)重點(diǎn)實(shí)驗(yàn)室，北京 100081；3.鄭州航空工業(yè)管理學(xué)院 智能工程學(xué)院，河南，鄭州 450015；4.中國(guó)航空工業(yè)集團(tuán)公司 洛陽(yáng)電光設(shè)備研究所，河南，洛陽(yáng) 100007）

與雷達(dá)和可見(jiàn)光傳感器相較而言，紅外傳感器具備其獨(dú)特的優(yōu)勢(shì)，并在眾多領(lǐng)域得到了廣泛應(yīng)用，比如軍事領(lǐng)域中的預(yù)警系統(tǒng)、制導(dǎo)系統(tǒng)，民用領(lǐng)域中的醫(yī)學(xué)領(lǐng)域、海事領(lǐng)域[1?4]等.將目標(biāo)進(jìn)行及時(shí)檢測(cè)是后續(xù)任務(wù)(如目標(biāo)識(shí)別、跟蹤、打擊等)順利開(kāi)展的保證[5?7].因此，目標(biāo)檢測(cè)作為關(guān)鍵的前端處理環(huán)節(jié)，在很大程度上能夠決定現(xiàn)代戰(zhàn)爭(zhēng)是否取得勝利.毫無(wú)疑問(wèn)，紅外小目標(biāo)檢測(cè)成為了近年來(lái)的研究熱點(diǎn).

在紅外圖像的成像過(guò)程中，長(zhǎng)遠(yuǎn)距離的探測(cè)導(dǎo)致目標(biāo)尺寸較小且缺乏細(xì)節(jié)紋理信息，且復(fù)雜多變的背景極易將目標(biāo)淹沒(méi).以上因素都致使正確檢測(cè)紅外圖像中的弱小目標(biāo)困難重重，直到現(xiàn)在仍然是一項(xiàng)具有挑戰(zhàn)性的任務(wù)[7].現(xiàn)有的紅外小目標(biāo)檢測(cè)算法通常分為以下兩類：基于單幀圖像和基于序列圖像[4].前者通過(guò)提取每幀圖像的空間特征來(lái)判定目標(biāo)存在與否，后者在考慮幀內(nèi)空間特征的同時(shí)也考慮了幀與幀之間的時(shí)間特征，確定最終檢測(cè)結(jié)果.

傳統(tǒng)的基于單幀圖像的檢測(cè)算法主要側(cè)重于背景估計(jì)，如頂帽變換(top-hat transformation, Top-hat)算法[8]，最大中值濾波器(max-mean filter, Max-mean)算法[9]，最大均值濾波器(max-median filter, Max-median)算法[9].這些算法雖然檢測(cè)效率很高，但是檢測(cè)結(jié)果中殘余雜波較多.受人類視覺(jué)系統(tǒng)對(duì)比機(jī)制的啟發(fā)，CHEN 等[10]開(kāi)創(chuàng)性地設(shè)計(jì)了一種局部對(duì)比度測(cè)量(local contrast measure, LCM)算法.該算法通過(guò)提高背景和目標(biāo)之間的對(duì)比度實(shí)現(xiàn)對(duì)目標(biāo)顯著度的增強(qiáng)，但是在一定程度上也增強(qiáng)了背景且效率不高.后來(lái)，HAN 等[11]構(gòu)思了一種加權(quán)增強(qiáng)局部對(duì)比度測(cè)量(weighted strengthened local contrast measure, WSLCM)算法，該算法能夠?qū)Ρ尘半s波進(jìn)行抑制.CHEN 等[12]提出了一種快速自適應(yīng)掩蔽和迭代分割縮放(fast adaptive masking and scaling with iterative segmentation,FAMSIS)算法，該算法效率較高.近些年，低秩稀疏分解理論被引入進(jìn)來(lái).GAO 等[13]將傳統(tǒng)的紅外圖像模型擴(kuò)展為紅外圖像塊(infrared patch-image, IPI)模型.該模型將原始的紅外圖像分解為稀疏的目標(biāo)圖像和低秩的背景圖像，但紅外圖像中較強(qiáng)的邊緣區(qū)域容易被誤檢測(cè)為目標(biāo).為了改進(jìn)上述問(wèn)題，DAI等[14]將IPI 模型推廣為重加權(quán)紅外圖像塊張量(reweighted infrared patch-tensor, RIPT)模型，ZHANG 等[15]提出了一種基于張量核范數(shù)部分和(partial sum of tensor nuclear norm, PSTNN)的非凸方法.

與基于單幀圖像的算法相比，基于序列圖像的算法由于能夠同時(shí)利用幀內(nèi)和幀間信息，通常會(huì)有更好的性能.傳統(tǒng)的基于序列圖像的算法包括各向異性擴(kuò)散濾波(anisotropic diffusion filter)[16]、管道濾波(pipeline filter)[17]，三維匹配濾波(3D matched filter)[18]等.DENG 等[19]提出了一種時(shí)空局部對(duì)比度濾波器(spatial-temporal local contrast filter, STLCF)算法.該算法定義了新型空間局部對(duì)比度和時(shí)間局部對(duì)比度，但是對(duì)噪聲比較敏感.LI 等[20]設(shè)計(jì)了一種時(shí)空顯著度模型，該模型分別生成了空間顯著圖、時(shí)間顯著圖和軌跡預(yù)測(cè)圖，但由于對(duì)噪聲的抑制不強(qiáng)，目標(biāo)可能會(huì)丟失.DU 等[21]設(shè)計(jì)了一種時(shí)空局部差異測(cè)量(spatial-temporal local difference measure, STLDM)算法，但在復(fù)雜環(huán)境下的檢測(cè)效果依然不夠理想.ZHANG等[22]構(gòu)造了一種利用四元數(shù)離散余弦變換(quaternion discrete cosine transform, QDCT)的時(shí)空增強(qiáng)算法.四元數(shù)結(jié)合了時(shí)域的峰度特征、運(yùn)動(dòng)特征和空間域的可操縱濾波提取的兩個(gè)方向特征，但該算法對(duì)高強(qiáng)度背景噪聲的抑制效果較差.然后，ZHANG 等[23]提出了一種基于邊和角感知能力的時(shí)空張量(edge and corner awareness-based spatial–temporal tensor,ECA-STT)模型.在該模型中確定了邊像素和角像素在目標(biāo)和背景之間的不同重要性，以此來(lái)達(dá)到增強(qiáng)目標(biāo)并抑制背景的目的，但是結(jié)果中依然有雜波殘留.

然而現(xiàn)有的方法還有兩個(gè)亟待解決的問(wèn)題.首先，小目標(biāo)的特征沒(méi)有充分挖掘，導(dǎo)致目標(biāo)容易淹沒(méi)在復(fù)雜的背景中.此外，目標(biāo)的運(yùn)動(dòng)軌跡信息沒(méi)有充分利用，因此目標(biāo)和孤立噪聲不易區(qū)分.針對(duì)上述問(wèn)題，本文提出了一種結(jié)合多種形態(tài)學(xué)屬性和改進(jìn)管道濾波的新方法.該方法首先對(duì)每幀紅外圖像構(gòu)建最大樹(shù)，利用面積屬性、高度屬性和對(duì)角線屬性充分挖掘目標(biāo)的典型特征，對(duì)背景進(jìn)行抑制.然后，融合不同屬性特征提取的結(jié)果得到候選目標(biāo).接下來(lái)，通過(guò)改進(jìn)的管道濾波進(jìn)一步挖掘幀與幀之間的時(shí)間信息，利用目標(biāo)運(yùn)動(dòng)的規(guī)律性和類目標(biāo)噪聲的雜亂無(wú)章性對(duì)目標(biāo)和噪聲加以區(qū)分，去除候選目標(biāo)中的類目標(biāo)噪聲，進(jìn)一步抑制虛警，提高檢測(cè)效果.

1 問(wèn)題的提出

由于長(zhǎng)遠(yuǎn)距離成像以及其他因素(如大氣散射/折射、光學(xué)散焦和各種噪聲)的影響，紅外圖像通常具有較低的信噪比和不充分的紋理/細(xì)節(jié)信息，且目標(biāo)信號(hào)弱尺寸小，極其容易被復(fù)雜的背景掩蓋.現(xiàn)有方法沒(méi)有充分挖掘小目標(biāo)的特征，導(dǎo)致目標(biāo)容易淹沒(méi)在復(fù)雜的背景中.此外，現(xiàn)有方法沒(méi)有充分利用目標(biāo)的運(yùn)動(dòng)軌跡信息，因此目標(biāo)和孤立噪聲不易區(qū)分，導(dǎo)致檢測(cè)結(jié)果容易丟失目標(biāo)，而許多與目標(biāo)有著相似特征的噪聲卻易被誤檢測(cè)為目標(biāo).

多屬性形態(tài)學(xué)特征提取能夠挖掘更豐富的空間信息，補(bǔ)充圖像本身缺乏的細(xì)節(jié)信息.管道濾波能夠綜合提取前后幀之間的時(shí)間信息，根據(jù)目標(biāo)運(yùn)動(dòng)軌跡保留真實(shí)目標(biāo)而去除無(wú)規(guī)則的噪聲.因此，本文將重點(diǎn)研究結(jié)合目標(biāo)多種形態(tài)學(xué)屬性(面積屬性、高度屬性和對(duì)角線屬性)和改進(jìn)管道濾波的算法.

2 紅外小目標(biāo)檢測(cè)算法

2.1 算法總體流程

本文提出的紅外小目標(biāo)檢測(cè)算法總體流程圖如圖1 所示，主要包含以下3 步：(1)通過(guò)最大樹(shù)建樹(shù)方法和多屬性形態(tài)學(xué)(面積屬性，高度屬性和對(duì)角線屬性)挖掘每幀紅外圖像的空間信息；(2)融合多屬性形態(tài)學(xué)特征提取的結(jié)果得到候選目標(biāo)，此時(shí)候選目標(biāo)中包含真實(shí)目標(biāo)和類目標(biāo)噪聲；(3)通過(guò)改進(jìn)的管道濾波提取每幀圖像之間的時(shí)間信息，根據(jù)小目標(biāo)運(yùn)動(dòng)軌跡的規(guī)律性保留真實(shí)目標(biāo)，并去除偏離目標(biāo)運(yùn)動(dòng)軌跡的類目標(biāo)噪聲.

圖1 本文所提出方法的總體流程圖Fig.1 The flow chart of the proposed method

2.2 多屬性形態(tài)學(xué)特征提取

圖像能夠被不同的形狀樹(shù)表示，如最大樹(shù)、最小樹(shù)、拓?fù)錁?shù)等.通過(guò)不同的形狀樹(shù)表示圖像能夠提高濾波的性能，因此它已經(jīng)被廣泛應(yīng)用于多種領(lǐng)域[24?25].由于紅外圖像中的小目標(biāo)通常有著比周圍環(huán)境亮度更高的特性，因此本文將最大樹(shù)特征提取方法引入進(jìn)來(lái)，包含以下3 步：(1)最大樹(shù)構(gòu)建，(2)最大樹(shù)剪枝，(3)圖像重構(gòu)[26].

通過(guò)構(gòu)建最大樹(shù)進(jìn)行特征提取示意圖如圖2 所示.在構(gòu)建最大樹(shù)時(shí)，從根節(jié)點(diǎn)到葉子結(jié)點(diǎn)灰度值是增加的，節(jié)點(diǎn)顏色越暗代表灰度值越小，越亮代表灰度值越大[27].在原始紅外圖像中，目標(biāo)通過(guò)紅色矩形框出.由于小目標(biāo)的典型特征，在最大樹(shù)建樹(shù)后，目標(biāo)通常對(duì)應(yīng)著葉子節(jié)點(diǎn)的位置，其余位置的節(jié)點(diǎn)代表背景.對(duì)每個(gè)節(jié)點(diǎn)能夠計(jì)算不同屬性是最大樹(shù)特征提取最主要的優(yōu)點(diǎn)，這對(duì)于小目標(biāo)的正確檢測(cè)有著很大幫助.

圖2 紅外圖像最大樹(shù)特征提取示意圖Fig.2 The flow chart of max-tree feature extraction in infrared image

小目標(biāo)通常具有下列特征：尺寸較小，形狀近似圓形，與其局部背景有著相對(duì)高的對(duì)比度.為了充分提取上述特征，3 種屬性(面積屬性、高度屬性和對(duì)角線屬性)被應(yīng)用到本文中.面積屬性(AN)用來(lái)提取目標(biāo)尺寸小的特征，

式中：N代表最大樹(shù)的節(jié)點(diǎn)；p代表屬于該節(jié)點(diǎn)的像素；#p代表著像素的個(gè)數(shù).

高度屬性(HN)提取目標(biāo)和其局部背景對(duì)比度相對(duì)高的特征，

式中：f(p)代表像素的灰度值.

對(duì)角線屬性(DN)提取目標(biāo)尺寸小和形狀信息，

其中，xi,max,xi,min,yi,max,yi,min代表節(jié)點(diǎn)邊界框的坐標(biāo).

如圖2 所示，以面積屬性為例，在對(duì)構(gòu)建的最大樹(shù)選擇合適的剪枝值進(jìn)行剪枝后，目標(biāo)所在節(jié)點(diǎn)被去除，而代表著背景的節(jié)點(diǎn)是沒(méi)有變化的.將剪枝后的最大樹(shù)進(jìn)行圖像重構(gòu)后，可以發(fā)現(xiàn)，重構(gòu)圖像中的小目標(biāo)被去掉，而其余的大部分背景與原始紅外圖像的背景差別不大.此時(shí)，將原始紅外圖像與重構(gòu)后的圖像做差分操作，就可以得到將目標(biāo)顯著增強(qiáng)的結(jié)果，記為RA.同理，通過(guò)高度屬性和對(duì)角線屬性進(jìn)行特征提取，將得到的結(jié)果記為RH和RD.

通過(guò)3 種屬性進(jìn)行特征提取得到的結(jié)果，很大程度上實(shí)現(xiàn)了對(duì)目標(biāo)的增強(qiáng)和對(duì)背景雜波的抑制.因此，在對(duì)上述3 種結(jié)果進(jìn)行融合時(shí)，本文選擇Hadamard 乘積，進(jìn)一步增強(qiáng)目標(biāo)和背景之間的對(duì)比度，

式中：⊙代表Hadamard 乘積，也就是對(duì)應(yīng)像素點(diǎn)的乘積；RF代表融合結(jié)果.融合結(jié)果確定了候選目標(biāo)，此時(shí)，候選目標(biāo)中不僅包含真正的目標(biāo)，還包含和目標(biāo)有著相似特征的噪聲.

2.3 改進(jìn)的管道濾波

經(jīng)典的管道濾波算法需要對(duì)多幀進(jìn)行檢測(cè)，對(duì)檢測(cè)結(jié)果計(jì)算可疑目標(biāo)出現(xiàn)的次數(shù)，并設(shè)置一個(gè)判斷閾值.當(dāng)目標(biāo)出現(xiàn)的次數(shù)大于或等于判斷閾值時(shí)，則認(rèn)為該可疑目標(biāo)為真實(shí)目標(biāo).但是背景中的尖銳紋理、邊緣以及出現(xiàn)在固定位置的噪聲很可能被誤認(rèn)為是目標(biāo).此外，經(jīng)典的管道濾波算法需要保留很多中間幀進(jìn)行管道濾波和目標(biāo)檢測(cè)，實(shí)時(shí)性會(huì)受到很大影響.為了進(jìn)一步去除候選目標(biāo)中的噪聲，本文設(shè)計(jì)了一種改進(jìn)的管道濾波，如圖3 所示，通過(guò)目標(biāo)的規(guī)則性和噪聲的雜亂性分別進(jìn)行目標(biāo)的保留和噪聲的去除.

圖3 改進(jìn)的管道濾波示意圖Fig.3 The flow chart of the improved pipeline filter

觀察連續(xù)幾幀的融合結(jié)果，以第(t?3)幀、第(t?2)幀、第(t?1)幀、第t幀的融合結(jié)果為例，可以看出，在短時(shí)間內(nèi)，小目標(biāo)通常運(yùn)動(dòng)緩慢且軌跡具有空間連續(xù)性，而噪聲偏離目標(biāo)的正常運(yùn)動(dòng)軌跡且無(wú)規(guī)則.也就是說(shuō)，連續(xù)幾幀的小目標(biāo)通常是在一定范圍內(nèi)運(yùn)動(dòng)，而噪聲四處分散.由于小目標(biāo)的強(qiáng)度通常較高，因此將歷史幾幀的融合結(jié)果，比如將第(t?3)幀、第(t?2)幀以及第(t?1)幀進(jìn)行臨時(shí)求和時(shí)，質(zhì)心會(huì)出現(xiàn)在目標(biāo)區(qū)域.以質(zhì)心為中心，向外擴(kuò)展一個(gè)范圍，當(dāng)合適的范圍被選擇時(shí)，下一幀目標(biāo)也會(huì)被包含在該范圍內(nèi).將該范圍內(nèi)的灰度值置為1，其他位置的灰度值置為0，得到的圖像稱為掩模圖像，掩模圖像能夠確定下一幀目標(biāo)的運(yùn)動(dòng)范圍.然后，將掩模圖像與當(dāng)前幀圖像(也就是第t幀圖像)進(jìn)行Hadamard 乘積，得到的結(jié)果能夠順利將噪聲移除，并將目標(biāo)保留.

接下來(lái)，將得到的第t幀檢測(cè)結(jié)果重新輸入到管道中.此時(shí)管道中的圖像為第(t?2)幀、第(t?1)幀和第t幀，將這3 幀圖像進(jìn)行臨時(shí)求和，作用于下一幀融合圖像的目標(biāo)檢測(cè)，也就是第(t+1)幀圖像的目標(biāo)檢測(cè)，實(shí)現(xiàn)管道的動(dòng)態(tài)更新.通過(guò)對(duì)管道的不斷迭代更新，實(shí)現(xiàn)目標(biāo)軌跡的實(shí)時(shí)更新，對(duì)消除候選目標(biāo)中的類目標(biāo)噪聲具有重要作用.

3 實(shí)驗(yàn)結(jié)果與分析

3.1 評(píng)價(jià)標(biāo)準(zhǔn)

本文使用的評(píng)價(jià)標(biāo)準(zhǔn)分為定量評(píng)價(jià)和定性評(píng)價(jià)兩部分.信雜比(signal-to-clutter ratio, SCR)，信雜比增益(signal-to-clutter ratio gain, SCRG)和背景抑制因子(background suppression factor, BSF)是常用的定量評(píng)價(jià)指標(biāo)[7]，SCR 定義如下，

式中：μt代表目標(biāo)灰度值的平均值；μb和 σb分別代表目標(biāo)周圍的局部背景灰度值的平均值和標(biāo)準(zhǔn)差.

SCRG 定義如下：

其中，SCRout和 SCRin表示處理后圖像和輸入圖像的SCR.

BSF 定義如下，

其中，σin和 σout分別代表輸入圖像和經(jīng)過(guò)算法處理后的圖像中背景區(qū)域的標(biāo)準(zhǔn)差.

受試者工作特征(receiver operating characteristic,ROC)曲線是另一個(gè)重要的評(píng)價(jià)指標(biāo).ROC 曲線動(dòng)態(tài)地描述了檢測(cè)率(probability of detection,Pd)和虛警率(false alarm rate,Fa)之間的定量關(guān)系[28]，定義如下

式中：nd和ng分別表示檢測(cè)到的真實(shí)像素?cái)?shù)和真值圖中的真實(shí)像素?cái)?shù)；nf為檢測(cè)到的錯(cuò)誤像素?cái)?shù)；nt為檢測(cè)到的總像素?cái)?shù).

此外，通過(guò)展示經(jīng)過(guò)不同算法處理后的檢測(cè)結(jié)果圖和其相應(yīng)的三維表面圖進(jìn)行定性評(píng)價(jià)，以此來(lái)直觀比較不同算法的檢測(cè)性能.

3.2 實(shí)驗(yàn)分析

為了驗(yàn)證所提出方法的效果，本文在4 個(gè)圖像序列上進(jìn)行實(shí)驗(yàn)，4 個(gè)序列的詳細(xì)說(shuō)明如表1 所示.并選擇4 種基于序列圖像的對(duì)比方法進(jìn)行比較，包括STLCF、STLDM、QDCT 和ECASTT.

表1 4 個(gè)紅外圖像序列的具體描述Tab.1 Detailed description of 4 infrared image sequences

為了直觀比較不同算法的性能，首先進(jìn)行了定性評(píng)價(jià).本文對(duì)序列1～4 通過(guò)不同算法進(jìn)行處理得到的檢測(cè)結(jié)果及相應(yīng)的三維表面圖在圖4～圖7中進(jìn)行展示.圖4 展示的是在厚重的云霧天空背景下有一架飛機(jī)在飛行.從STLCF 的結(jié)果中可以看出，雖然它能夠?qū)δ繕?biāo)進(jìn)行增強(qiáng)，但是在背景抑制方面表現(xiàn)較差，檢測(cè)結(jié)果中仍然存在很多的背景雜波.STLDM 和QDCT 對(duì)背景噪聲的增強(qiáng)程度甚至高于目標(biāo).ECASTT 雖然能夠在很大程度上提高目標(biāo)和背景之間的對(duì)比度，但是依然存在著少量雜波對(duì)結(jié)果產(chǎn)生影響.本文提出的方法能夠在增強(qiáng)的目標(biāo)的同時(shí)對(duì)背景進(jìn)行抑制，而且背景中幾乎沒(méi)有雜波殘留.圖5 中有一架飛機(jī)在飛行，背景中有著亮度較高的物理建筑和樹(shù)木，邊緣區(qū)域很容易被誤檢測(cè)為目標(biāo).STLCF 在增強(qiáng)目標(biāo)的同時(shí)也增強(qiáng)了背景雜波，甚至對(duì)于背景雜波的增強(qiáng)程度要高于目標(biāo).STLDM 錯(cuò)誤地增強(qiáng)了建筑邊緣噪聲，且對(duì)目標(biāo)進(jìn)行了抑制，這會(huì)造成較高的虛警率.相對(duì)于上述兩種方法，QDCT和ECASTT 能夠?qū)⒈尘半s波進(jìn)行抑制，但是殘余噪聲依然明顯存在.圖6 中有一架尺寸極小的飛機(jī)在較高干擾的烏云中飛行.所對(duì)比的4 種方法都能夠在增強(qiáng)目標(biāo)的時(shí)候?qū)Ρ尘斑M(jìn)行抑制，但是STLCF 和QDCT 仍然有少量雜波殘留.圖7 中有一架飛機(jī)在復(fù)雜的背景中飛行.STLCF 和ECASTT 對(duì)背景的抑制能力表現(xiàn)較差，雜波殘留較多.STLDM 雖然增強(qiáng)了目標(biāo)和背景之前的對(duì)比度，但某些噪聲與背景之前的對(duì)比度同樣得到了增強(qiáng)，這不利于目標(biāo)的正確檢測(cè).QDCT 中同樣有著很多殘留噪聲.經(jīng)過(guò)本文算法處理后的背景中沒(méi)有噪聲殘留，其有效性顯然可見(jiàn).

圖4 不同方法在序列1 的檢測(cè)結(jié)果及三維表面圖Fig.4 Detection results and corresponding 3D surface of different methods in Sequence 1

圖5 不同方法在序列2 的檢測(cè)結(jié)果及三維表面圖Fig.5 Detection results and corresponding 3D surface of different methods in Sequence 2

圖7 不同方法在序列4 的檢測(cè)結(jié)果及三維表面圖Fig.7 Detection results and corresponding 3D surface of different methods in Sequence 4

接下來(lái)，對(duì)不同方法通過(guò)4 個(gè)實(shí)際紅外序列圖像進(jìn)行了定量評(píng)價(jià).首先，對(duì)不同算法得到的檢測(cè)結(jié)果進(jìn)行了SCRG 和BSF 的計(jì)算，該結(jié)果計(jì)算的是每個(gè)序列所有幀檢測(cè)結(jié)果的平均值.得到的SCRG 和BSF 的值越高，代表對(duì)應(yīng)方法的檢測(cè)性能越好.計(jì)算結(jié)果展示在表2 中，粗體代表著最佳結(jié)果，下劃線代表著表現(xiàn)第二佳的結(jié)果.由表2 很容易看出，本文提出的方法能夠在除了序列1 的BSF 以及序列3 的BSF 之外的其他指標(biāo)都表現(xiàn)最好.這表明本文提出的方法在目標(biāo)增強(qiáng)和背景抑制方面都表現(xiàn)出優(yōu)越性能，與其他方法相比，本文提出的方法能夠在最大程度上提高目標(biāo)和背景的對(duì)比度.

表2 SCRG 和BSF 在4 個(gè)序列的比較Tab.2 Comparison of SCRG and BSF in 4 sequences

最后，進(jìn)行了不同方法在4 個(gè)紅外圖像序列的ROC 曲線比較，結(jié)果顯示在圖8 中.ROC 曲線越靠近左上角說(shuō)明對(duì)應(yīng)的方法表現(xiàn)越突出.不難看出，本文提出的算法能夠在4 個(gè)圖像序列中都取得最好的結(jié)果.綜上所述，本文提出的算法可以檢測(cè)不同類型、不同強(qiáng)度、不同空間尺寸的目標(biāo)，此外，它也對(duì)不同的場(chǎng)景檢測(cè)效果魯棒.

圖8 在4 個(gè)序列上不同方法的ROC 曲線結(jié)果Fig.8 ROC curve results of different methods on 4 sequences

4 結(jié) 論

本文提出了一種結(jié)合目標(biāo)多種形態(tài)學(xué)屬性和改進(jìn)管道濾波的算法.該方法首先對(duì)輸入的紅外圖像進(jìn)行最大樹(shù)建樹(shù)，并利用面積屬性、高度屬性和對(duì)角線屬性分別提取小目標(biāo)的典型特征，得到將目標(biāo)顯著增強(qiáng)并將背景進(jìn)行抑制的結(jié)果.然后，通過(guò)融合多種屬性的結(jié)果確定候選目標(biāo)后，此時(shí)的候選目標(biāo)中包括真實(shí)目標(biāo)和類目標(biāo)噪聲.接下來(lái)，通過(guò)改進(jìn)的管道濾波進(jìn)一步去除偏離目標(biāo)正常軌跡的類目標(biāo)噪聲，保留有軌跡特征的目標(biāo).通過(guò)4 個(gè)圖像序列的實(shí)驗(yàn)證明，本文提出的方法能夠在增強(qiáng)目標(biāo)的同時(shí)對(duì)干擾背景進(jìn)行有效抑制，而且對(duì)多種場(chǎng)景中不同類型的目標(biāo)具有魯棒性.