采用局部特性對比的多彈跡點檢測

王春平，苗曉孔，付 強

?

采用局部特性對比的多彈跡點檢測

王春平，苗曉孔，付 強

（軍械工程學院 電子與光學工程系，河北 石家莊 050003）

針對紅外圖像中多彈跡點檢測精度不高的問題，對紅外圖像中彈跡點的特性進行了分析，提出了一種基于局部特性對比的多彈跡點檢測算法用于有效檢測紅外圖像中低信噪比條件下的多彈跡點。該方法利用同態濾波和中值濾波兩種綜合濾波方法減少光照不均的影響，提高圖像信噪比。然后根據彈跡點在紅外圖像中自身的局部特性，采用局部特性對比并結合邊緣檢測精確檢測彈跡點位置。從理論上分析了檢測算法的有效性，并通過仿真實驗與其他檢測方法進行了對比。實驗結果顯示，本方法能夠在低信噪比條件下有效檢測出紅外圖像多彈跡點，與基于Top-hat和基于局部均值等方法相比，檢測準確度更高，魯棒性更好。

局部對比；紅外圖像；對比特性；彈跡檢測

0 引言

隨著紅外探測技術和圖像處理技術的不斷發展，紅外目標檢測在軍事戰爭中發揮的作用越來越重要。紅外探測除了具備光電探測被動檢測、隱蔽性好等優勢外還具有可晝夜工作，受天氣影響小等優勢，因此紅外目標檢測技術在精確制導、防空預警、安全監控等領域也獲得了廣泛應用[1]。

近些年來，利用紅外技術檢測空中彈跡點的算法層出不窮，從最初的空域濾波[2]、小波變換[3]、Top-hat變換[4]，到現在逐步發展起來的機器學習法[5]、遺傳算法[6]以及主成分分析法等。但是分析目前彈跡點檢測算法可以發現：最新的智能學習等檢測算法往往計算復雜，程序繁瑣，對硬件的要求較高，而傳統的檢測算法絕大部分還存在虛警率高、先驗條件要求過高等問題。

針對彈跡點檢測算法的不足，在分析紅外弱小目標特征的基礎上，結合彈跡點本身特性提出了采用局部特性對比的多彈跡點檢測。采用綜合濾波的方式，將紅外原始圖像濾波，進一步減弱光照和噪聲干擾等問題，提高圖像信噪比，然后根據彈跡點自身特點，采用局部對比度方式進行區域分割，最后再結合邊緣檢測等方法確定多彈跡點位置。

1 紅外圖像中彈跡點目標特點

紅外圖像中的彈跡點作為一類特殊的紅外弱小目標，具備了紅外弱小目標的基本特征，為了實現對彈跡點目標的檢測，本文先簡述紅外弱小目標的特征，再總結彈跡點的自身特征。

紅外弱小目標中的“弱”和“小”是指不同目標所具有的兩個不同的屬性。“弱”是指目標反射紅外的強度，目標與背景的灰度對比度低。“小”是指目標在整幅圖像中所占像素點少。大部分學者是將所占像素和不超過圖像總像素的0.15%的目標定義為紅外弱小目標[7]。

在紅外圖像中，目標雖然弱小，但具有其自身特點：首先紅外圖像中背景區域一般具有很強的相關性，而目標和背景之間的相關性不明顯。目標在圖像中呈現為一個灰度奇異點，且亮度區域的大小基本保持不變，相當于一個有區別的圖像塊的概念[8]。其次目標周圍區域存在一定程度的低灰度區域，因此具有相對的孤立性，背景往往變化平緩不具有極大值特性，而目標區域變化突然，具有極值特點。

彈跡點特征：彈跡點目標是一類特殊的紅外弱小目標。其與小目標的相似性表現在體積大小以及與背景灰度差別上，其特殊性則體現在：

1）彈跡點目標的像素灰度值相近，但與背景的對比度變化范圍較大；

2）彈跡點目標具有較為一致的形狀特征，但是位置會出現小幅偏移。

通過上述特征可以發現彈跡點目標具有局部某一特性不變的特征，其對平移、旋轉等位置變化不敏感，且彈跡點與彈跡點之間相似性高，可以通過利用比較彈跡點與彈跡點之間的區域相似性來確定彈跡點的位置和數量，減小漏檢概率，提高檢測準確率。

2 圖像綜合濾波

采用將同態濾波和中值濾波相結合的綜合濾波方式，可以有效減小光照、噪聲的影響，提高圖像信噪比，為后續圖像目標檢測和跟蹤等奠定基礎。

同態濾波的基本原理是：將像元灰度值看作是照度和反射率兩個部分的組成，由于照度相對變化很小，可以看作是圖像的低頻成分，而反射率則是高頻成分，通過分別處理照度和反射率對像元灰度值的影響，達到展示圖像細節特征的目的。

因為彈跡點屬于一類特殊的紅外弱小目標，其在圖像中的亮度雖然呈現局部特征但是整體的亮度較暗，極易受到光照不均影響，使得濾波處理過程中無法準確分割出目標區域。而同態濾波是一種圖像預處理中主要用于解決光照非均衡圖像校正問題的常用算法[9]。其采用圖像頻率域處理范疇的方法，對圖像的灰度范圍進行調整，通過增強暗區的圖像細節，同時也不損失亮區的圖像細節，達到消除圖像上照明不均的問題。

同態濾波的流程如圖1所示。

圖1 同態濾波的流程圖

step 1：先對原始紅外圖像取對數

假設原始紅外圖像的中每一個像素點可用(,)表示，其可以看作是入射分量(,)和反射分量(,)的卷積，即：

(,)＝(,)*(,)

通過取對數分離兩個分量，如式(1)：

(,)＝ln(,)＝ln(,)＋ln(,) (1)

step 2：進行傅里葉變換，將函數轉換到頻域：

(,)＝(,)＋(,) (2)

step 3：在頻域中利用同態濾波器進行濾波

選擇合適的傳遞函數，即合適的同態濾波器(,)進行濾波，削弱低頻的弱入射分量(,)，增強高頻的反射分量(,)。該步驟濾波函數為：

(,)＝(,)(,)＝(,)(,)＋(,)(,) (3)

step 4：最后通過逆傅里葉變換及指數變化得到增強后的圖像：

為了驗證中值和同態濾波結合后的綜合濾波效果，本文也通過實驗仿真對各濾波算法效果進行了對比，實驗效果如圖2所示。

圖2(a)為一幅目標和彈丸在同一視野內的原始紅外圖像，由于圖像受到光照影響，左側部分受到嚴重干擾。為了更加清晰地看出光照對目標圖像的影響，圖2(b)是將原始紅外圖像未經任何圖像預處理直接自適應閾值分割所得圖像，從圖2(b)能夠更清楚地看到圖像受到光照干擾的程度，這將對目標和彈跡檢測產生影響。圖2(c)～(f)分別是經過形態濾波、中值濾波、同態濾波和綜合濾波之后再進行的二值分割圖像，對比圖2(c)、圖2(d)和圖2(e)三幅圖像可以明顯看出，同態濾波能夠很好地削弱圖像高頻部分的影響，較好地抑制了光照影響，中值和形態濾波則不能很好地做到這一點，但是同態濾波也不能夠完全將光照影響消除，且目標區域在一定程度上也會受到影響。圖2(f)為綜合濾波效果圖，分析綜合濾波效果可以看出：該濾波方法一定程度上削減了光照不均的影響，同時也很大程度上保留了目標區域的信息，起到了較好的濾波效果。

圖2 不同濾波方式處理的二值分割圖像

3 局部特性對比

在紅外圖像中，對于小目標來說大多數情況下缺少紋理和形狀等特征信息，對于彈跡點目標同樣存在這個問題，本文所提算法首先對彈跡圖像進行濾波，提高圖像信噪比，然后采用局部對比度方法，利用其在提取目標區域特征信息方面的優勢再次處理圖像，結合圖像中彈跡點的特征進行的多彈跡點檢測。

3.1 局部對比度

局部對比度策略是一種基于像素級信息進行的目標檢測算法，其原理主要是通過計算每個像素點所在區域與周圍區域的差異來突出弱小目標，并抑制背景[10]。文獻[10]中對局部對比度檢測模型進行了詳細介紹，這里簡要概括如下。

如圖3所示為檢測的主要模型。局部對比度檢測是通過滑動窗口Q模板對每幀圖像E中的像素進行檢測處理。R表示當前幀圖像中目標所在區域。該方法通過不斷移動模板窗口，使其遍歷整幅圖像后確定出目標位置。圖4表示模板Q內部分割處理方式。模板Q將其所在區域分割為如圖4所示的9個不同單元，這9個單元大小相同，中心位置被記作“0”號單元。

檢測步驟：

Step 1：通過式(5)計算“0”號單元最大像素值：

式中：I0代表“0”號單元中第個像素點灰度值；0表示每個單元中所含像素總數；L表示第個Q模板，＝1, 2, …,；為Q模板總數量。

Step 2：通過式(6)分別計算1至8號單元內平均灰度值：

式中：I表示第個單元中，第個像素的灰度值；N表示第個單元中圖像所含像素總數；表示從1至8的單元序列號。

E表示被檢測圖像；Q表示檢測模板；R表示目標區域。

圖3 局部對比檢測窗口

Fig.3 Local contrast detection window

圖4 模板Q內部分割

Step 3：通過式(7)計算局部對比度值C：

Step 4：將第3步計算的局部對比度值C代替0號單元中心像素點灰度值，計算當前模板Q所對應的局部像素值。

Step 5：在整幅圖像中遍歷，得到與原圖像相對應的局部對比度圖像。

通過上述局部對比度的檢測方法可以起到突出弱小目標，抑制背景的作用，有利于檢測出目標或彈跡點位置，但其對前期的預處理效果依賴相對較大，同時會將少量噪聲點誤認為目標檢測出來，對檢測效果造成影響。

3.2 局部特性對比

采用局部特性對比的方法檢測多彈跡點是在局部對比度檢測基礎上進行的，將檢測到的“類目標區域”（將通過局部對比度方法檢測出的所有符合目標特征點統稱為類目標區域，包含目標、部分噪聲點和干擾物）先進行邊緣檢測再進行局部數據相關處理和對比，然后通過提取局部特征共性最終確定彈跡點。其具體的檢測步驟如下：

step 1：將局部對比度圖像中的個類目標區域進行提取，統計各個類目標區域的最大長度l和寬度w。

step 2：計算和統計各個區域面積并保存，同時通過下式計算總的類目標區域均值和方差：

＝l/w，＝1,…,(10)

式中：表示第個類目標區域的長寬比。

step 4：根據式(10)的判別式最終確定目標位置：

依據式(13)，將同時符合兩個判別式的所有對應點標記出來，即為最終檢測的彈跡點。

4 實驗結果及分析

為了驗證局部特性對比算法的性能和效果，通過實驗對算法進行了驗證。本文的仿真實驗平臺是基于硬件平臺32位操作系統的 Intel Core i5 CPU，8GB RAM計算機；軟件平臺是基于Windows 7操作系統和MATLAB R2015b。

4.1 本文算法檢測效果

主要選取了3幅不同狀態下含有多彈跡的紅外原始圖像，圖像尺寸均為640×480，為了測試檢測算法的有效性和精確度，采用漏檢率（漏檢：指真實存在的彈跡點卻未檢測出來或者將相近兩個或多個彈跡點檢測為一個）、誤檢率（誤檢：是指錯誤的將噪聲點或者干擾物作為彈跡點檢測出來）以及檢測準確率（檢測到的真實目標個數與檢測到的所有類目標區域總個數之比）作為評價檢測性能的指標。其計算公式分別為：

式中：L、w和z分別表示漏檢目標概率、誤檢概率和檢測準確率。L表示漏檢的真實目標個數；w檢測到錯誤目標個數；act表示算法檢測到的彈跡點的個數；zq表示檢測到真實彈跡點的正確個數。漏檢和誤檢概率越低（越接近0），準確率越高（越接近1）表示檢測效果越好，檢測精確度越高。如圖5所示為3組不同情況下多彈跡點的原始紅外圖像。

圖5(a)和圖5(b)均為左側受到光照不均嚴重影響的情況，圖5(b)還同時存在多個彈跡點距離較近，甚至相連或者重合的復雜情況。圖5(c)為同時包含目標點和多彈跡點的情況，受到目標亮度對紅外系統的干擾，畫面中彈跡點的亮度和清晰度也受到影響。

圖6是局部特性對比度算法的流程中各步驟的檢測效果圖，表1記錄了圖6中局部對比特性檢測相關參數。結合檢測效果和表1的參數分析可知：局部對比特性檢測算法的檢測效果較明顯，有效提升了彈跡點檢測的精度和檢測效果，但是仍存在一定程度上的漏檢和誤檢。

圖5 含多彈跡點的原始紅外圖像

4.2 與其他實驗對比

為了進一步衡量算法的有效性，將多彈跡點檢測算法與基于Top-Hat變換的檢測、基于局部均值法的檢測進行了對比實驗。如圖7所示，仍采用上述3幅不同情況下的多彈跡點圖像，圖像分辨率為640×480。3幅原始紅外圖像中第1幅表示受光照不均影響的少量彈跡點，第2幅表示大量彈跡點且彈跡點相距較近的情況，第3幅表示目標和彈跡點同時出現時的情況。

圖6 局部特性對比度檢測效果

表1 圖6中局部對比特性檢測相關參數

圖7(b)為基于Top-hat檢測算法分割閾值為0.4的檢測結果，圖7(c)為基于Top-hat檢測算法分割閾值為0.5的檢測結果，圖7(e)為基于局部均值檢測算法＝0.1、＝0.35時的檢測結果，圖7(e)為基于局部均值檢測算法＝0.15、＝0.35時的檢測結果。其中，，為不同的權重系數，文獻[11]給出了，具體公式。

為了檢驗本文算法的整體性能，實驗中還對不同算法的檢測耗時進行測量，如表2所示（表中數據為10次測量的平均值）。由表2可以看出本文算法的檢測耗時相對較多，局部均值較少，本文算法還有進一步完善和改進的空間。表3是對圖7中3種算法檢測結果的統計。表4則是對圖7中3種檢測算法的準確率的統計。由表3可得：基于Top-hat和局部均值的檢測算法受參數影響較大，不同的參數檢測效果差異明顯，對于Top-hat檢測閾值設置很關鍵，而對于局部均值法則對參數、都有限制，所以針對不同情況需要不斷調整參數，而本文檢測算法則適應性更強。從表4中能夠可以看出本文檢測算法的準確率比較高，針對不同情況算法的魯棒性更好。但是本文算法在對距離相近的彈跡點檢測時分辨率不高，需要進一步改進。

表2 圖7中3種算法檢測耗時

表3 圖7中3種算法檢測結果

表4 圖7中3種檢測算法的準確率

5 結論

對紅外圖像中的彈跡點進行了分析，針對彈跡點的特征提出采用局部特性對比的多彈跡點檢測。采用綜合濾波方式提高圖像信噪比，然后采用局部對比度初步檢測類目標，最后利用基于目標特征匹配[12]方式，將邊緣檢測和彈跡點自身的旋轉不變性及面積特征等局部特性進行再次對比確定彈跡點位置。通過仿真實驗驗證了算法有效性，與其他實驗的對比表明：本文檢測算法的效果和適應性均優于基于Top-hat檢測和基于局部均值的檢測算法，本文算法的魯棒性更好，但其耗時仍有進一步提升的空間。

[1] 王剛, 陳永光, 楊鎖昌, 等. 采用圖像塊對比特性的紅外弱小目標檢測[J]. 光學精密工程, 2015, 23(5): 1424-1433.

WANG Gang, CHEN Yong-guang, YANG Suo-chang, et al. Detection of infrared dim small target based on image patch contrast[J].,2015, 23(5): 1424-1433.

[2] 羅軍輝, 姬紅兵, 劉靳. 一種基于空間濾波的紅外小目標檢測算法及其應用[J]. 紅外與毫米波學報, 2007, 26(3): 209-212.

LUO Junhui, JI Hongbing, LIU Jin. Algorithm of IR small targets detection based on spatial filter and its application[J]., 2007, 26(3): 209-212.

[3] 王文龍, 韓保君, 張紅萍. 一種海空背景下紅外小目標檢測新算法[J]. 光子學報, 2009, 38(3): 725-728.

WANG W L, HANG B J, ZHANG H P. A new algorithm of small target detection for infrared image in background of sea and sky[J]., 2009, 38(3): 725-728.

[4] TOM V, PELI T, LEUNG M, et al. Morphology-based algorithm for point target detection in infrared backgrounds[C]//., 1993, 1954: 2-11.

[5] 李玲, 宋瑩瑋, 楊秀華, 等. 應用圖學習算法的跨媒體相關模型圖像語義標注[J]. 光學精密工程, 2016, 24(1): 229-235.

LI Ling, SONG Yingwei, YANG Xiuhua, et al. Image semantic annotation of CMRM based on graph learning[J]., 2016, 24(1): 229-235.

[6] 張懷柱, 向長波, 宋建中, 等. 改進的遺傳算法在實時圖像分割中的應用[J]. 光學精密工程, 2008, 16(2): 333-337.

ZHANG H Z，XIANG C B，SONG J Z et a1. Application of improved adaptive genetic algorithm to image segmentation in real time[J]., 2008, 16(2): 333-337．

[7] BAE T W, KIM B, ZHANG F, et al. Recursive multi-SEs NW TH method for small target detection in infrared images[J]., 2011, 19(8): 1576-1582.

[8] Buades A, Coll B, Morel J M. A non-local algorithm for image denoising[C]//, 2005, 2: 60-65.

[9] 肖俊, 宋壽鵬, 丁麗娟. 空域同態濾波算法研究[J]. 中國圖象圖形學報, 2008, 13(12): 2302-2306.

XIAO Jun, SONG Shoupeng, DING Lijuan. Research on the fast algorithm of spatial Homomrphic filtering.[J], 2008, 13(12): 2302-2306.

[10] 王曉陽, 彭真明, 張萍, 等. 局部對比度結合區域顯著性紅外弱小目標檢測[J]. 強激光與粒子束, 2015, 27(9): 091005-1-7.

WANG Xiaoyang, PENG Zhenming, ZHANG Ping et al.. Infrared small dim target detection based on local contrast combined with region saliency[J]., 2015, 27(9): 091005-1-7.

[11] 劉運龍, 薛雨麗, 袁素真, 等. 基于局部均值的紅外小目標檢測算法[J]. 紅外與激光工程, 2013, 42(3): 814-822

LIU Yunlong, XUE Yuli, YUAN Suzhe, et al. Infrared small targets detection using local mean[J]., 2013, 42(3): 814-822

[12] 管學偉. 一種基于特征點匹配的目標跟蹤方法[J]. 紅外技術, 2016, 38(7): 597-601.

GUAN Xuewei.A Method of Object Tracking Based on Feature Point Matching[J].,2016, 38(7): 597-601.

Detection of Multi-shell Track Based on Local Characteristics Contrast

WANG Chunping，MIAO Xiaokong，FU Qiang

(,,050003,)

Aiming at the problem that the precision of multi-shell track detection in an infrared image is not high, this study analyzed the characteristics of the shell track in an infrared image, and proposed a local-characteristics-contrast-based multi-shell track detection method, which was used to detect multi-shell tracks efficaciously in infrared images with low signal-to-noise ratios. The homomorphic filter and median filter were used jointly in the proposed method to reduce the influence of the uneven illumination and improve the signal-to-noise ratio. Then, according to the local characteristics of the infrared image, the local characteristics contrast and the edges were combined to detect the position of the shell track accurately. The efficacy of the proposed method was analyzed theoretically. Verification and contrast experiments were conducted. The experimental results show that the proposed method can detect the multi-shell track effectively in an infrared image with low signal-to-noise ratio. Compared with the top-hat detection methods and the local-mean detection methods, the proposed method is better in terms of detection precision and robustness.

local contrast，infrared image，compare feature，shell track detection

TP391.9

A

1001-8891(2017)11-1012-06

2016-10-19；

2016-12-21.

王春平（1965-），男，陜西省漢中市人，教授，博士生導師，主要研究領域為圖像處理、火力控制理論與應用。E-mail：wchp@tom.com。

國家自然科學基金（61141009）。