一種亮暗小目標自適應檢測方法

摘要：在原始多級濾波檢測小目標的方法基礎(chǔ)上，改進了多級濾波器的結(jié)構(gòu)，對其差分后的信號同時保留亮暗部分的信息。通過對感興趣區(qū)域進行基于側(cè)抑制的局對比度增強處理，有效地抑制了背景雜波，完整地增強了亮、暗目標，并且對目標邊緣增強的定位準確，有利于目標特征的計算。實驗結(jié)果表明，該算法能對亮、暗目標自適應檢測，并且具有良好的檢測性能。

關(guān)鍵詞：亮暗小目標；自適應檢測；側(cè)抑制；局部對比度；紅外

中圖分類號：TP391．41文獻標志碼：A

文章編號：1001-3695(2007)11-0289-03

紅外成像傳感器由于具有工作隱蔽性好、抗電磁干擾、可有效地提高系統(tǒng)的全天候工作能力而得到廣泛應用。為了使系統(tǒng)有足夠的反應時間，需要盡可能早地發(fā)現(xiàn)目標。然而，由于成像器件本身的噪聲及背景雜波干擾往往很強，使小目標檢測成為紅外目標檢測跟蹤中的難點，同時也是研究的熱點之一。針對紅外小目標檢測技術(shù)，國內(nèi)外學者提出了一些方法，如空域和頻域高通濾波的方法，基于動態(tài)規(guī)劃的方法[1]、基于局部熵的方法[2]、基于小波變換的方法[3]、基于神經(jīng)網(wǎng)絡(luò)的方法[4]、基于多級濾波的方法[5]等。其中，基于多級濾波的方法由于其可以較好地抑制背景和噪聲，增強目標，因而得到了 廣泛的應用。然而，在目前許多紅外小目標檢測處理的算法中，包括基于多級濾波的方法，通常假定目標的均值高于附近背景的均值，即目標在圖像中表現(xiàn)為亮的區(qū)域。但是，由于探測器所面對太陽的方位的不同（如面向太陽、背向太陽、斜向太陽等），探測器使用時間的不同（早上、正午、傍晚），目標（如飛機）所呈現(xiàn)的姿態(tài)不同（側(cè)飛、迎頭、追尾）等因素的影響，會導致目標的輻射強度在圖像中呈現(xiàn)不同的特性。有時表現(xiàn)為亮的區(qū)域，有時表現(xiàn)為暗的區(qū)域，而有時則是既有亮的區(qū)域又有暗的區(qū)域（發(fā)動機為亮，機身為暗）。此時，通常的目標檢測算法無法適應同時檢測亮目標和暗目標的要求。



2實驗結(jié)果及分析

為了驗證算法的檢測性能，以實際的紅外圖像為例進行亮、暗目標的檢測處理，同時與原始的使用多級濾波進行檢測的方法進行對比。多級濾波器的濾波單元模板設(shè)為1×7，級聯(lián)級數(shù)為2級。圖4（a）為一幅大小為128×128，以天空為背景的紅外圖像，目標大小為2×16。此圖為夏天時采集，機身輻射相對較弱，而云層輻射則相對較強，因此表現(xiàn)為機身較暗，呈現(xiàn)暗目標的特性。圖4（b）為原始多級濾波的濾波結(jié)果?？梢钥闯?，暗目標沒有得到任何增強，只是其邊緣由于其頻率成分與小目標接近而被增強，并且濾波器傳遞函數(shù)的響應峰值偏向于亮的區(qū)域一側(cè)。圖4（c）為使用改進的多級濾波的濾波結(jié)果。可以看出，雖然采用改進的多級濾波器，但是由于濾波單元模板尺度明顯小于目標的尺度，雖然級聯(lián)了二級濾波器，仍然導致目標被分成幾個獨立的部分。圖4（d）為圖（c）中目標局部區(qū)域的三維灰度分布圖；圖4（e）為采用本文提出的方法，在改進的多級濾波基礎(chǔ)上，采用基于側(cè)抑制的局部對比度增強的中間結(jié)果圖。可以看出，目標整體均得到了相應的增強，而不再是被分成幾個獨立的部分。圖4（f）為圖（e）中目標局部區(qū)域的三維灰度分布圖；圖4（g）為圖（c）的二值化結(jié)果圖，可見目標被分成了三個獨立的部分；圖4（h）為本文方法對目標的檢測二值化結(jié)果圖，目標被完整地檢測出，且目標邊緣定位準確。

圖5(a)是一幅大小為128×128，以天空為背景的紅外圖像，目標大小為8×17。在此圖中目標表現(xiàn)為亮目標的特性。由于為亮目標，原始多級濾波的結(jié)果和改進后的多級濾波的結(jié)果相差不大；圖5（b）（c）由于濾波單元模板尺度明顯小于目標的尺度，雖然也采用了二級級聯(lián)，仍只有部分目標及邊緣得到了增強；圖5（d）為圖（c）中目標局部區(qū)域的三維灰度分布圖；圖5（e）為采用本文提出的方法，在改進的多級濾波基礎(chǔ)上，采用基于側(cè)抑制的局部對比度增強的中間結(jié)果圖。可以看出，目標整體均得到了相應的增強。圖5（f）為圖（e）中目標局部區(qū)域的三維灰度分布圖；圖5（g）為圖（c）的二值化結(jié)果圖，只有部分目標被檢測出，且被分成了幾個獨立的部分；圖5（h）為本文方法對目標的檢測二值化結(jié)果圖，目標整體被完整地檢測出。

實驗結(jié)果表明，本文的檢測算法可以較好地完成亮、暗目標的自適應檢測，并且在目標增強的均勻性與目標檢測的完整性上均優(yōu)于原始的使用多級濾波器進行目標檢測的方法。改善了由于目標尺度大小與濾波器模板尺度大小不匹配情況下目標可能被分裂的處理結(jié)果，使整個目標區(qū)域均得到了增強，且目標的邊緣定位準確清晰，方便了后續(xù)目標特征計算與目標識別跟蹤的工作。

3結(jié)束語

本文針對紅外圖像中可能出現(xiàn)的亮目標和暗目標的情況，分析了其形成的原因；針對原始多級濾波器在小目標檢測時的局限性，對其結(jié)構(gòu)進行了改進，保留了亮、暗部分的信息。在多級濾波抑制背景雜波的基礎(chǔ)上，對感興趣區(qū)域進行了基于側(cè)抑制原理的局部對比度增強處理，在抑制背景的同時，完整地增強了整個目標區(qū)域，實現(xiàn)了亮、暗目標的自適應檢測，并且目標邊緣清晰，具有不移位、不變形和抗灰度變化的特性，有利于后續(xù)的目標特征的提取與目標識別。同時，在局部區(qū)域進行處理，降低了算法的計算復雜度。

參考文獻：

［1］

黃林梅，張桂林，王新余.基于動態(tài)規(guī)劃的紅外運動小目標檢測算法[J].紅外與激光工程，2004，33(3):303-306.

[2]宋展，劉沖，王躍宗.一種基于局部最大熵的特征匹配算法[J].計算機應用研究，2003，20(12):18-23.

[3]SUN Yi－qiu，TIAN Jin－wen，LIU Jian.Background suppression based on wavelet transformation to detect infrared target[C]//Proc of the 4th International Conference on Machine Learning and Cybernetics.2005：4611-4615.

[4]HENRY L，NEVILLE D， NAN X.Detection of small objects in clutter using a GA－RBF neural network[J].IEEE Transactions on Aerospace and Electronic Systems，2002，38(1)：98－118.

[5]ZHANG Tian－xu，ZUO Zheng－rong. Detection of sea surface small targets in infrared images based on multilevel filter and minimum risk bayes test[J].International Journal of Pattern Recognition and Artificial Intelligence，2000，14(7):907-918.

[6]張?zhí)煨?成像自動目標識別[M].武漢:湖北科學技術(shù)出版社，2005:147－158.

[7]張永平，鄭南寧，趙榮椿.基于視覺模型的圖像邊緣檢測算法[J].電子學報，2000，28(1):101－103.

[8]馮曉毅，劉詩斌.圖像邊緣增強的多分辨率側(cè)抑制網(wǎng)絡(luò)方法[J].計算技術(shù)與自動化，2003，22(2):97-99.

“本文中所涉及到的圖表、注解、公式等內(nèi)容請以PDF格式閱讀原文”