基于滑窗式單幀紅外弱小目標檢測方法研究

王宇翔，韓振鐸，黃 義

（1.空軍預警學院，武漢430019；2.解放軍92261部隊，?？?70203）

0 引 言

天基預警系統是戰略預警系統的重要組成部分，其探測技術主要分為紅外探測、可見光探測和雷達探測三種基本手段。由于紅外探測具有良好的抗電子干擾、探測隱身目標等能力，同時紅外探測器又具備體積小、質量輕、功耗低和適裝性好等優點，因此紅外探測已成為當前在天基預警系統中運用最廣泛的探測手段，例如美國正在研制和開發的天基紅外預警系統（SBIRS）。天基紅外預警系統的探測采用了雙探測器工作模式：高軌衛星上配有掃描型和凝視型兩種紅外探測器，低軌衛星上配有捕獲型和凝視型兩種紅外探測器。彈道導彈、隱身飛機等威脅目標在進入紅外探測器探測范圍的初期，往往以弱小目標的形式出現。因此，如何在復雜環境背景中快速有效地檢測出紅外弱小目標，為攔截武器、火力打擊等防御系統提供盡可能多的預警時間，成為天基紅外預警系統要面對的關鍵問題，其研究具有十分重要的軍事意義。

本文從紅外小目標單幀圖像灰度特征入手，構造了一種基于滑窗式的弱小目標檢測算法，通過Matlab仿真實驗證明了該算法對像素在3×3左右的紅外弱小目標具有良好的檢測能力。

1 紅外弱小目標灰度圖像特性分析

本文中所討論的目標特指復雜環境下的紅外弱小目標，由于此類目標與紅外傳感器距離較遠，因此目標比較弱小，本文討論的目標一般僅占3×3左右的像素，大多表現為點狀，這樣一來，目標的形狀結構信息就已基本丟失。同時弱小目標又處于含有云層、山脈、大氣、海面等復雜背景以及各種隨機噪聲中，整幅圖像的信噪比低，具有一定的目標檢測難度，下面給出1個實例，如圖1所示。

圖1 復雜背景環境下的紅外弱小目標灰度圖

對圖1中復雜環境下的紅外弱小目標灰度圖進行深入分析研究后發現以下特點：（1）目標所占像素少。國際SPIE組織對于小目標的定義為：成像的尺寸小于80個像素（約9×9），即小于一幅256×256圖像的0.15%。而本文中所檢測的弱小目標小于10像素（3×3），而整幅圖像像素為239×309，目標僅占整幅圖像的0.012%。（2）背景復雜。圖像的右側有大塊的戈壁亮背景，與草地暗背景形成了明顯的分界線；在弱小目標的周圍還出現了不少的隨機噪點。（3）目標的信號微弱，在整幅圖中不是最亮。圖像中右下方背景局部區域的亮度比目標的亮度還要亮。

以上都是不利于目標檢測的特征，但此類圖像目標也存在以下有利于檢測的特征：（1）在目標周圍的局部小范圍內，目標具有亮度高的特征；（2）背景是大面積平穩變化的場景，且像素之間具有相關性；（3）目標所占的像素點數相對固定，一般在3×3左右。

2 算法設計

2.1 圖像灰度值的數學模型

復雜背景環境下的紅外弱小目標圖像可以表達為[1]：

式中：（i，j）為圖像中像素點坐標；Y（i，j）為紅外圖像的灰度值；S（i，j）為弱小目標的灰度值；B（i，j）為背景圖像的灰度值；N（i，j）為噪聲的灰度值。

紅外圖像中的云雜波等背景起伏是廣義平穩的，且近似服從高斯分布[2]。而隨機噪點所占的像素比目標所占的像素更小，一般只有1個像素左右。

2.2 算法原理及流程

滑窗式紅外弱小目標單幀圖像檢測的算法主要是依據上述對紅外弱小目標灰度圖像分析的結果來進行的設計。由于目標所占像素大約為3×3，選擇像素略大于目標的滑窗（如9×9的正方形滑窗），當該滑窗中心像素滑至目標時，中心像素的灰度平均值要明顯高于外圍像素的灰度平均值。通過這兩者之差的結果與判決閾值進行比較，就可以判斷出該窗口中心位置是否存在目標。當該窗口遍歷滑過整幅圖像后，就完成了紅外弱小目標單幀圖像的檢測。

對判決閾值的自適應估計，首先對圖像進行背景預測，常用的背景預測算法有中值濾波、低通濾波和形態學濾波等，本文采用3階巴特沃斯低通濾波[3]來估計背景。通過濾波處理后得到背景預測圖像，然后對該圖像進行同樣的滑窗處理，由于背景預測圖像中不含目標信息，因此判決閾值應當選擇大于背景預測圖像中所有滑窗中心灰度均值與外圍灰度均值之差的最大值。通過大量的仿真實驗，判決閾值t可以選擇為：

式中：m為背景預測圖像中所有滑窗中心灰度均值與外圍灰度均值之差的最大值；σ為背景預測圖像中所有滑窗中心灰度均值與外圍灰度均值之差的標準差；a為修正系數，a取值小可以提高檢測概率，取值大則降低虛警概率，通過大量仿真實驗，a取值一般在0.1～3之間比較合適，這里a取經驗值1。

具體的滑窗式算法流程示意如圖2所示。

圖2 算法流程示意圖

關于滑窗的設計，本文重點討論正方形、八邊形兩種滑窗設計對目標檢測的影響。這兩種滑窗的具體設計方法如圖3所示。

在圖3中，圖3（a）為正方形滑窗，標記為1～9的灰色方格為中心像素，標記為10～81的白色方格為外圍像素；圖3（b）為八邊形滑窗，標記為1～9的灰色方格為中心像素，標記為10～57的白色方格為外圍像素。

圖3 滑窗設計方法的示意圖

3 仿真實驗

本文采用上述兩種滑窗對不同背景下單幀圖像中紅外弱小目標的檢測進行了MATLAB仿真，并與背景預測檢測小目標和形態學濾波檢測小目標的方法進行了比較，結果如圖4所示。其中，圖4（a）為原圖像；圖4（b）為通過3階巴特沃斯低通濾波器預測背景并對消后的目標檢測結果；圖4（c）為經過Top-hat算子形態學濾波[4]的檢測結果（結構元素選取為直線）；圖4（d）為本文設計的正方形滑窗處理后的檢測結果；圖4（e）為本文設計的八邊形滑窗處理后的檢測結果。

通過上面的仿真實驗結果，可以明顯發現本文滑窗式算法對目標檢測的有效性和優越性。下面引入信噪比增益和背景抑制因子2個參數來具體評估檢測效果，2個參數定義如下[5]：

信噪比增益：

式中：s為目標信號強度；σ為圖像標準差；下腳in表示輸入圖像的參數，out表示輸出圖像的參數。

背景抑制因子：

表1列出了上述各種檢測方法的具體參數指標，這些參數反映了各種檢測方法在抑制背景和增強目標方面的能力。

表1 各種檢測方法的效果比較

通過對上述檢測方法的具體比較可以發現：

（1）低通濾波對消背景的方法背景抑制能力很強，但去噪能力較弱，因此該方法只能作為紅外弱小目標檢測的預處理。

（2）形態學濾波的方法提高了去噪的能力，但對背景的抑制能力有限。

（3）滑窗式檢測方法的去噪能力和背景抑制能力得到了大幅提高，明顯優于其他兩種方法。

（4）滑窗式檢測方法效能的最佳發揮與滑窗的設計有關，且與圖像的具體特征也有一定的關系。對于圖像1，八邊形滑窗檢測與正方形滑窗檢測相比較，處理結果中虛警點明顯增多。

4 結束語

圖4 各種檢測方法的處理結果

本文針對紅外弱小目標單幀圖像的特征，提出了一種基于滑窗式的檢測算法，同時利用滑窗式的方法提出了一種自適應閾值的估計方法。仿真結果顯示，該算法在紅外弱小目標的檢測中能有效地抑制背景和噪聲，并能夠較好地檢測出弱小的紅外目標，達到了預期的效果。在對像素為3×3的弱小目標進行仿真之余，利用該算法對像素在3×3附近的弱小目標圖像（2×2、2×3、4×3、4×4等）進行仿真，結果表明本文的算法對上述目標也具備一定的檢測能力，說明了該算法具有一定的魯棒性。

本文的算法還可以在以下幾點進一步研究和改進：

（1）由于是基于滑窗外圍和中心像素的比較，因此，無法檢測出現在整幅圖像最外圍像素的目標，例如在本文中設計的正方形滑窗，就犧牲了對圖像最外圍3條像素的目標檢測能力；

（2）滑窗的設計形式多樣多樣，可以通過各種滑窗針對不同圖像處理效果的研究，進一步總結歸納出不同滑窗發揮最佳檢測效果的具體規律。

[1]李凡，劉上乾，秦翰林.自適應雙邊濾波紅外弱小目標檢測方法[J].光子學報，2010，39（6）：1129-1131.

[2]熊偉，謝劍薇.光電跟蹤控制系統導論[M].北京：國防工業出版社，2009.

[3]王家文.MATLAB7.6圖形圖像處理[M].北京：國防工業出版社，2009.

[4]康令州，陳福深，王德勝，曾軍.基于形態學算法的紅外圖像小目標檢測方法研究[J].光電工程，2010，37（11）：26-31.

[5]焦建彬，楊舒，劉峰.基于人工神經網絡的紅外小目標檢測[J].控制工程，2010，17（5）：611-613.