基于PCNN和改進鄰域判決的紅外弱小目標檢測算法

李 云，宋 勇，趙宇飛,趙尚男,李 旭，郝 群

(北京理工大學光電學院， 北京 100081)

紅外弱小目標檢測技術是紅外探測系統的核心技術之一，引起了越來越多的研究興趣[1-2]。目前，紅外運動目標檢測領域主要面臨兩個關鍵問題：① 背景復雜。在具體應用中，紅外圖像中的背景越來越復雜，導致圖像灰度分布不均勻，且雜波干擾嚴重；② 目標弱小。弱小目標通常僅有幾到十幾個像素，缺乏可利用的形狀和紋理信息，且目標與背景的對比度較低，使得目標的可檢測性下降。上述問題使得紅外弱小目標的準確和魯棒性檢測面臨挑戰。

目前，用于復雜背景下的紅外弱小目標檢測的經典算法主要包括：基于形態學的算法[3]，基于小波變換的算法[4]，基于背景抑制的算法[2]，背景減除法，三維匹配濾波法[5]，光流法[6]等。上述算法雖部分解決了強雜波背景下的紅外弱小目標檢測問題，但均不同程度存在一定的缺陷。例如：形態學算法的檢測性能易受結構元素的影響。當圖像背景較為復雜時，其檢測結果會殘留背景雜波；小波變換算法、光流法相對復雜，對硬件系統要求較高[7]；背景抑制算法的檢測性能在很大程度上依賴于所構造的模型或模板[8]，當構造的模型或模板不合適時，其檢測能力會受到嚴重影響；三維匹配濾波方法的檢測性能在很大程度上依賴于先驗知識，先驗知識不正確將導致檢測失敗。

近年來，紅外小目標檢測和跟蹤領域的相關研究進展包括： Bae等人提出一種新型二維最小均方(LMS)濾波器用于小目標檢測[9]，其利用LMS濾波器可準確預測圖像背景并提取出小目標，但當圖像背景復雜、邊緣起伏較大時，該算法的效果則難以保證；Chen等人提出一種基于局部對比度的紅外小目標檢測算法[10]，利用目標和背景圖像塊的對比度得到圖像的對比度圖，從而增強目標和抑制背景。該算法簡單、有效，但在強雜波背景條件下易殘留背景邊緣導致虛警；何玉杰等人提出一種基于相關濾波的紅外弱小目標檢測算法[11]，利用二維高斯模型構造紅外小目標訓練集，通過訓練得到對目標和背景具有區分能力的相關濾波器以實現弱小目標的檢測。該算法具有較好的檢測效果和實時性，但需要大量的訓練集以保證檢測的準確；Deng等人提出一種基于時空域對比度濾波器的紅外運動點目標檢測算法[12]，通過幀間目標的對比度圖與單幀內目標對比度圖相乘融合實現背景抑制和目標增強。對于信雜比較低的圖像，該算法的背景抑制能力有限，難以有效突出目標。雖然上述算法在強雜波背景下的紅外弱小目標檢測方面取得了一定的進展，但仍存在一些問題，包括：對復雜背景的抑制能力不足，算法過于復雜等。上述因素使強雜波背景下的紅外弱小目標檢測成為具有挑戰性的研究方向。

人腦視覺系統作為人類大腦獲取外界信息最主要的手段完成了人類70%以上的信息獲取。人腦視覺系統具有多種信息處理機制，包括：側抑制、同步脈沖發放機制等。其中，側抑制機制是人類視覺系統中的一種信息處理機制，具有增強反差，抑制低頻信息的作用[13]。利用側抑制網絡對圖像濾波進行預處理，可有效抑制圖像背景和增強目標[14]。脈沖耦合神經網絡(PCNN)作為第三代神經網絡[15]用于模擬單個神經元的同步脈沖發放機制，由于PCNN具有脈沖耦合特性、非線性調制特性、變閾值特性及神經元的鄰域捕捉特性等多種特性，有利于完整地保留圖像的區域信息，使其在圖像分割方面具有獨特的優勢。在該方向，文獻[15]提出了一種結合灰度熵變換的PCNN的小目標檢測新方法，文獻[16]利用遺傳算法對PCNN的連接系數、閾值放大系數和閾值衰減時間常數進行優化，文獻[17]將側抑制網絡融入到PCNN模型，均獲得了良好的圖像分割效果。上述工作表明側抑制、同步脈沖發放機制有利于提高小目標檢測的準確性，為紅外弱小目標的檢測提供了新的途徑[13,15]。

另一方面，PCNN僅能實現單幀紅外圖像的分割。為了實現強雜波背景下的紅外弱小目標檢測，還需利用目標在序列圖像中的連續性和關聯性。因此，需將PCNN與鄰域判決法[18]相結合，通過對候選目標(包括真正的目標和高頻噪聲點)的運動特性分析，實現強雜波背景下的紅外運動目標檢測。

然而，在常規鄰域判決法中，用來判斷目標運動連續性的鄰域是固定的[19]。當目標運動速度較快或者圖像序列幀頻較低時，相鄰兩幀的目標難以保證同時存在固定的鄰域中，從而嚴重影響了運動目標的檢測精度。

針對以上問題，本研究提出了一種基于PCNN和改進鄰域判決的紅外弱小目標檢測算法。該算法利用側抑制機制進行圖像預處理，實現有效的背景抑制和目標增強；利用PCNN實現單幀紅外圖像分割；通過改進的鄰域判決方法，根據目標的運動速度自適應地調整鄰域大小，實現紅外運動弱小目標的檢測。實驗結果表明：所提出的算法可準確檢測出復雜背景下的運動弱小目標，對于解決強雜波干擾下的紅外運動弱小目標檢測問題具有重要意義。

1 原理與模型

1.1 側抑制

側抑制機制是人腦視覺系統的信息處理機制之一，它是由Hartline等人在對鱟視覺進行電生理實驗時發現并證實的[8]。他們將鱟復眼的每個小眼看成一個感受器，每個感受器與周圍的感受器之間相互抑制，同時，這種抑制作用可空間疊加。在圖像處理中，側抑制網絡具有突出邊緣、增強反差的作用，可用于濾除空間低頻信息。因此，利用側抑制對圖像濾波進行預處理，可抑制復雜背景和增強目標。

首先選取側抑制濾波模板[14]，如式(1)所示：

(1)

利用式(1)所示的側抑制模板對原圖像中的各像素點進行濾波，濾波處理過程如式(2)：

G(x,y)=F(x,y)-F(x,y)?L(r,s)=

(2)

式中：F(x,y)為輸入圖像的灰度分布；G(x,y)為經過側抑制模板濾波后的輸出圖像的灰度分布；L(r,s)是像素點(r,s)對像素點(m,n)在抑制模板中的抑制系數。

1.2 PCNN原理與模型

PCNN模型是由Johnson等人提出的用于模擬哺乳動物大腦視覺皮層的同步脈沖發放機制的模型[16]，該模型具有良好的脈沖傳播特性，無需跟隨圖像的變化調整閾值，有利于完整保留圖像的區域信息。

PCNN模型主要由變閾值非線性動態神經元組成。其中，每個神經元由輸入域、非線性調制域、脈沖產生器3部分組成。PCNN模型中的單個神經元結構如圖1所示。

圖1 PCNN模型

PCNN運行時，每個神經元按照以下步驟進行循環計算：

1) 接受域。接受域接收來自其他神經元的鏈接輸入與外部輸入刺激信號。在圖像分割中，外部輸入可表示為輸入圖像，如式(3)所示。

Fij(n)=Iij

(3)

其中：Fij(n)為第(i,j)個神經元的反饋輸入；Iij為外部輸入，即輸入圖像的灰度分布。

PCNN的鏈接輸入為輸出信號和鏈接權值W的加權，如式(4)：

(4)

其中：Lij(n)為耦合連接輸入；Ykl為(n-1)次迭代時神經元的輸出；Wkl為鏈接權值矩陣。

2) 非線性調制域。在調制鏈接域，對被接收的外部輸入和鏈接輸入進行全局調制耦合，即相乘調制，得到神經元的內部活動項U，如式(5)所示：

Uij(n)=Fij(n)(1+βLij(n))

(5)

其中：Uij(n)表示神經元的內部活動項；β為突觸之間的連接強度系數。

3) 脈沖產生器。在脈沖產生域，通過內部活動項與動態閾值的比較確定輸出信號。其動態閾值和輸出脈沖為：

θij(n)=exp(-τθ)θij(n-1)+VεY(n-1)

(6)

(7)

式中：θij(n)為神經元內部活動動態門限；τθ為動態閾值θij的時間衰減常數；Vε為動態閾值的放大系數；Yij(n)為PCNN輸出的時序脈沖。當神經元內部活動項Uij(n)>θij(n)時，神經元激發產生脈沖輸出，否則，神經元不激發，不產生脈沖輸出。

2 算法

2.1 改進的鄰域判決方法

基于紅外圖像序列的鄰域判決法[18]的思想為：如果在第k幀圖像的像素點處有目標，則該目標在第k+1 幀中必然會出現在其上一幀像素點的鄰域內，而在連續多幀圖像中并沒有這種連續性。因此，當候選目標點在M幀圖像中相應的鄰域內連續出現m次以上(m≤M)，則判定該點為真正的目標點；反之，判定為隨機噪聲和干擾點[18]。

為了使改進的鄰域判決法能根據目標的運動速度自適應確定判決的鄰域大小，需要根據候選目標的位置確定目標的平均運動速度v。首先，對分割后的二值圖像序列中的每一幀圖像進行連接分量標記，計算每一幀圖像中所有連接分量的質心并保存；而后，取每一幀圖像中質心的最大橫坐標分別與前一幀質心的最大橫坐標相減，得到每一幀目標運動速度矩陣(單位為：像素/幀)；為了不受隨機噪聲的影響，對運動速度矩陣取中位數，作為該圖像序列中弱小目標的平均運動速度。

根據平均運動速度v可以確定尋找候選目標的鄰域大小S，其計算方法如式(8)：

S=2v+1

(8)

為了利用幀間目標運動的連續性和關聯性，每次對紅外序列中的M幀圖像進行一次判斷，M取值太大會影響運算速度和效率，太小會降低檢測精度，M的取值范圍為7～9。

而后，在第k(k≥M)幀內，選定一個候選目標點P(x,y)，判斷第k-l幀中(x,y)點的S×S鄰域內是否有候選目標點。若有，則計數器n+1并繼續判斷第k-2幀；否則，將鄰域擴大為(x,y)點的(S+1)×(S+1)鄰域，繼續判斷第k-2幀。考慮到環境的干擾可能使目標在某一幀的像面上暫時消失，因此每M幀中允許最多有t幀目標暫時消失，即：此步操作限制次數為t次(t≤2)；若在M幀內計數器n≥(M-t)，則判斷其為真正目標的質心，否則，則視其為噪聲點。

確定真正目標的質心之后，則在標記圖像中找到該質心所在的連通區域，即真正的目標區域，從而將目標提取出來。改進后的鄰域判決法流程框圖如圖2所示。

2.2 算法總體流程

基于PCNN和改進鄰域判決的紅外弱小目標的檢測算法總體流程如下：

1) 利用側抑制模板對圖像序列進行濾波處理，濾除平緩變化的背景和增強目標區域。其處理公式如式(2)所示。

2) 將預處理后的圖像Iij作為外部輸入刺激，輸入到PCNN中運行，根據式(3)～式(7)進行計算。PCNN模型依據每個像素點自身及其周圍區域的灰度分布確定是否對該像素點火，從而獲得分割后的二值圖像，并提取出候選目標。

3) 利用改進的鄰域判決法提取出真正的目標。通過計算目標的運動速度自適應確定鄰域的大小，然后根據弱小運動目標運動的連續性提取出真正目標，剔除噪聲點。其詳細過程如表1所示。

圖2 改進的鄰域判決法目標檢測流程

算法1：所提出算法輸入：紅外圖像序列輸出：目標檢測結果1)用式(2)中的側抑制網絡對圖像序列進行濾波處理2)將預處理后的圖像輸入用PCNN神經網絡，并利用式(3)～式(7)分割出候選目標3)計算目標運動的平均速度和對應鄰域大小4)根據候選目標運動連續性判斷候選目標是目標還是隨機噪聲，提取出目標區域

3 實驗結果和分析

3.1 單幀圖像分割結果

為了驗證算法的有效性，選取6幀具有不同復雜背景和弱小目標的紅外圖像作為測試對象，分別對最大中值濾波法、二維最小均方差法(TDLMS)、頂帽變化法(Top-hat)、基于視覺注意的算法(Wang’s)[2]、基于側抑制的算法(Shi’s)[13]和本研究提出的算法進行對比實驗。需要說明的是：此節中比較的是單幀圖像的分割結果，還并未利用到改進的鄰域判決法。本研究的實驗平臺為Windows 7+Matlab 2012b，CPU：2.7GHz，內存4GB。

同時，選取信雜比增益(gSCR)和背景抑制因子(BSF)作為單幀實驗結果的客觀評價準則[8]，其表達式為：

(9)

式中：f是目標灰度；u是整幅圖像的灰度均值；δ為整幅圖像的方差。

(10)

式中：C是背景的標準偏差；下標in和out分別表示輸入的原始圖像和輸出的結果圖像。

實驗中PCNN的鏈接權值矩陣、連接強度系數、時間衰減常數及動態閾值的放大系數依據經驗值分別設為Wkl=[0.07 0.1 0.07; 0.1 0 0.1; 0.07 0.1 0.07]，β=0.32，τθ=0.31，Vε=0.2[15,20]。圖3為對比實驗結果，圖中的第1列為原始圖像，背景包括天空、云霧和地面等，目標大小為4像素至25像素；第2到第7列分別為經過最大中值濾波法、TDLMS法、Top-hat法、Wang’s算法、Shi’s算法和本研究算法經過PCNN進行單幀圖像分割后的圖像。

從圖3的實驗結果可以看出，對復雜背景下的弱小目標檢測，最大中值濾波法和TDLMS法背景抑制能力較差，難以有效提取出目標；Top-hat法雖然能抑制背景，但同時也會抑制目標。當目標信號較為微弱時，不能有效增強目標(如圖3(d)～圖3 (f))；Wang’s法是近年來提出的一種基于視覺注意機制的弱小目標檢測算法[2]。該算法的檢測精度嚴重依賴于目標的大小、對比度閾值等參數的選取，本研究中設定對比度閾值為0.05[2]。當參數值選取不當時，該算法會出現無法檢測出對比度較弱目標(如圖3(d))或出現虛警點(如圖3(f))等現象；Shi’s法是一種基于側抑制機制的紅外弱小目標檢測算法，該算法對于背景復雜的圖像有較多背景雜波殘留(如圖3(a)和圖3(f))。相比這5種方法，所提出的算法能有效抑制背景和準確分割出目標，有利于實現后續運動目標檢測。

表2為這6種方法對單幀紅外目標檢測結果的信雜比增益(gSCR)和背景抑制因子(BSF)。另外，由于部分算法處理后的圖像背景灰度方差為0，從而導致了信雜比增益或背景抑制因子計算公式中分母為0，計算結果無窮大，在表2中則用“-”表示。

圖3 不同方法對單幀紅外圖像的實驗結果

序號最大中值濾波gSCRBSFTDLMSgSCRBSFTop?hatgSCRBSFWang’sgSCRBSFShi’sgSCRBSF提出的算法gSCRBSF圖3(a)1．210．782．361．411．828．026．77-4．538．757．57-圖3(b)2．260．895．391．184．639．6812．36-8．287．3912．36-圖3(c)0．390．511．190．971．477．063．206482．154．424．53748圖3(d)2．980．925．141．245．6959．27--7．9929．478．21-圖3(e)1．620．742．060．892．237．896．64-4．7419．357．17-圖3(f)1．350．541．910．751．435．638．678992．675．728．09-

從表2可以看出，大多數情況下，所提出的算法的gSCR和BSF均高于其他比較的算法。例如，對于圖3(a)，最大中值濾波法和TDLMS法的gSCR和BSF都低于3，說明這兩種算法的背景抑制和目標增強能力較差；Top-hat法的gSCR較低，為1.82，而BSF較高，為8.02，說明其抑制背景的能力較好，但目標增強能力有限；Wang’s法和Shi’s法的gSCR均較高，分別為6.77和4.53，說明它們具有較好的背景抑制和目標增強能力；而所提出算法的gSCR為7.57，其值高于這5種對比方法，說明所提出算法具有更好的背景抑制和目標增強能力。需要說明的是，所提出的算法對于圖3(f)比Wang’s法的信雜比增益略低，這是由于所提出的算法對圖3(f)的目標增強效果略遜于Wang’s法，但是考慮到Wang’s法的穩定性較差，綜合以上，所提出的算法的單幀檢測效果相比其他5種算法更好。

3.2 序列目標檢測結果

為了驗證本研究中提出的運動弱小目標檢測方法的有效性，選取具有復雜背景(序列1)和弱小目標(序列2)的紅外圖像序列進行實驗，將混合高斯法、背景減除法、時空域對比度濾波法[12]、Wang’s法[2]和本研究所提方法的檢測結果進行比較。如圖4(a)為輸入序列的第16和28幀原始圖像，圖4(b)～圖4 (f)分別為混合高斯法、背景減除法、時空域對比度濾波法、Wang’s法的運動目標檢測結果和本研究所提出算法的運動目標檢測結果。

從圖4可以看出，對于有復雜背景的序列1，基于混合高斯法、背景減除法和時空域對比度濾波不能有效去除復雜的背景，殘留較多的雜波，易造成虛警。而且，這3種算法的結果中目標不明顯，甚至有漏檢現象。Wang’s法在圖4中的檢測結果較好，但是對于少數幀會存在目標檢測不完全現象(如第28幀)，從而導致其目標中心位置略有偏移。對于目標信號較弱的序列2，背景減除法仍然存在虛警點；基于時空域對比度濾波法可檢測出目標，但是也存在對于少數幀不能檢全目標的現象；混合高斯法和Wang’s法均能檢測出目標，但是均存在目標丟失的情況(如圖4中序列2中的第28幀)，而本研究所提出的紅外弱小目標檢測方法在序列檢測中均可有效檢測出真正目標，剔除噪聲點，提高了目標檢測精度。

圖5為所提出的算法與上述4種對比方法的檢測精度圖[5]，圖5(a)～圖5 (b)分別為序列1和序列2的結果，橫坐標為位置誤差閾值，位置誤差是檢測目標的中心位置與標注的中心位置的歐式距離，縱坐標為檢測精度。從圖中可以看出，在相同的位置誤差時，對于序列1和序列2，本研究提出算法的檢測精度明顯優于混合高斯法、背景減除法和時空域對比度濾波法，這3種方法的檢測精度均低于80%。Wang’s法由于少數幀的目標缺失從而導致在允許位置誤差<4時，檢測精度較低，而在允許位置誤差≥4時，檢測精度較為理想。而本研究所提出的算法在中心位置誤差為3像素時的檢測精度達到90%以上，整體檢測性能穩定且優于這4種對比方法，說明該算法可準確有效地檢測出復雜背景中的紅外運動弱小目標。

圖4 不同方法的紅外序列弱小目標檢測結果

圖5 序列檢測結果的精度曲線

4 結論

本研究提出了一種紅外運動弱小目標檢測算法。首先，基于側抑制網絡對輸入圖像進行濾波預處理，實現背景抑制和目標增強；而后，利用PCNN方法對圖像進行分割，將可能的目標和背景雜波及噪聲初步分離，確定候選目標。最后，利用改進的鄰域判決方法分析候選目標的運動特性，根據目標的運動速度自適應確定判決的鄰域大小，結合多幀圖像流分析提取出真正的目標。

通過單幀圖像分割實驗和序列目標檢測實驗與經典的紅外弱小目標檢測算法進行比較，結果表明：所提出的算法可有效抑制紅外圖像的復雜背景和準確檢測出運動弱小目標。因此，所提出的算法可實現復雜背景條件下的紅外弱小目標檢測，對復雜背景條件下的抗干擾目標識別和跟蹤具有重要意義。

[1] 鄭力會,龐威.紅外成像制導炸彈捕捉目標各種因素的影響分析[J].兵器裝備工程學報,2016,37(2):58-61.

[2] WANG X,LV G,XU L.Infrared dim target detection based on visual attention[J].Infrared Physics & Technology,2012,55(6):513-521.

[3] 程塨,郭雷,韓軍偉,等.基于形態學帶通濾波和尺度空間理論的紅外弱小目標檢測[J].光學學報,2012,32(10):144-151.

[4] 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.

[5] PORAT B,FRIEDLANDER B.A Frequency Domain Algorithm for Multiframe Detection and Estimation of Dim Targets[J].Pattern Analysis & Machine Intelligence IEEE Transactions on,1990,12(4):398-401.

[6] 羅寰,王芳,陳中起,等.基于對稱差分和光流估計的紅外弱小目標檢測[J].光學學報,2010,30(6):1715-1720.

[7] YANG X,ZHOU Y,ZHOU D,et al.A new infrared small and dim target detection algorithm based on multi-directional composite window[J].Infrared Physics & Technology,2015,71:402-407.

[8] LI Y,SONG Y,ZHAO Y,et al.An infrared target detection algorithm based on lateral inhibition and singular value decomposition[J].Infrared Physics & Technology,2017,85:238-245.

[9] BAE T W,ZHANG F,KWEON I S.Edge directional 2D LMS filter for infrared small target detection[J].Infrared Physics & Technology,2012,55(1):137-145.

[10] CHEN C L P,LI H,WEI Y,et al.A Local Contrast Method for Small Infrared Target Detection[J].IEEE Transactions on Geoscience & Remote Sensing,2013,52(1):574-581.

[11] 何玉杰,李敏,張金利,等.基于相關濾波器的紅外弱小目標檢測算法[J].光學學報,2016(5):88-96.

[12] DENG L,ZHU H,TAO C,et al.Infrared moving point target detection based on spatial-temporal local contrast filter[J].Infrared Physics & Technology,2016,76:168-173.

[13] 史漫麗,彭真明,張啟衡,等.基于自適應側抑制網絡的紅外弱小目標檢測[J].強激光與粒子束,2011,23(4):906-910.

[14] DUAN H,DENG Y,WANG X,et al.Small and Dim Target Detection via Lateral Inhibition Filtering and Artificial Bee Colony Based Selective Visual Attention[J].Plos One,2013,8(8):e72035.

[15] 劉勍,許錄平,馬義德,等.結合灰度熵變換的PCNN小目標圖像檢測新方法[J].北京理工大學學報,2009,29(12):1085-1090.

[16] 曲仕茹,楊紅紅.基于遺傳算法參數優化的PCNN紅外圖像分割[J].強激光與粒子束,2015,27(5):32-37.

[17] 杜紅偉.生物側抑制機制及應用研究[D].南京：南京航空航天大學,2008.

[18] 徐英.紅外圖像序列中運動弱小目標檢測的方法研究[J].紅外技術,2002,24(6):27-30.

[19] 魯居強,王新增,劉順生,等.基于八鄰域判決的紅外運動小目標檢測方法[J].紅外,2006,27(9):20-23.

[20] ALA R.A New Automatic Parameter Setting Method of a Simplified PCNN for Image Segmentation[J].IEEE Transactions on Neural Networks,2011,22(6):880-92.