基于多方向混合模板的紅外弱小目標檢測算法

，，，，

(上海機電工程研究所， 上海 201109)

0 引 言

近幾年，我國武器系統在不斷地發展。其中，成像系統也被越來越廣泛地應用于現代武器系統中。由于現代武器具有體積小、速度快、隱身性能好、破環力強等特點，能否盡早地檢測到目標并進行跟蹤對現代戰爭的結果起決定性作用。相比于其它的制導技術，如電視制導、毫米波雷達制導等，紅外成像制導技術[1-2]具有以下較為明顯的優點：①作用距離遠，靈敏度高，具有較強的在復雜背景條件下捕獲和跟蹤目標的能力；②作為一種被動制導技術，具有較好的隱蔽特性。基于以上優點，紅外成像制導技術已經廣泛地應用于先進的精確制導武器系統中。

雖然紅外成像制導系統有以上優點，但當目標距離探測器很遠時，目標在紅外圖像中所占據的像素很少，一般小于100個像素，極端情況下甚至只有1個像素，呈現出一個微弱的點狀小目標；圖像信噪比較低，難以提供有效的特征信息，如形狀、紋理、尺寸等，再加上背景中存在各種雜波，因此不利于計算機對目標進行檢測和識別。

類似上述強度較弱、尺度很小，并且缺少如幾何、紋理、邊緣等特征信息的目標就稱為紅外弱小目標[3-4]。在紅外成像制導系統中，如何對紅外弱小目標進行準確的檢測和識別是一個研究重點。高效的紅外成像制導系統必須配備準確、高效的紅外弱小目標檢測裝置，才能提高導彈及早發現并追蹤紅外弱小目標的能力。正是由于在復雜背景中對弱小目標的檢測和跟蹤難度很大，紅外圖像中的弱小目標檢測技術一直是武器系統研究領域內的熱點課題。本文的研究重點主要是紅外弱小目標的檢測問題。

1 圖像灰度特征分析

首先對圖像進行灰度變換，然后觀察灰度圖像，可以發現，圖像大致可以分為5種不同類型的區域圖像，分別標記為1～5。這些區域圖像依次代表了圖像中的凈空區域、云中區域、云邊緣區域、目標區域和云碎片區域，如圖1所示。隨后，用計算機對這5種不同的區域分別繪出相對應的三維灰度分布圖。表1代表這些區域相應的灰度分布圖。

圖1 各區域位置 Fig.1 Location of each region

1凈空區域2云中區域3云邊緣區域4目標區域5云碎片區域

通過圖1和表1，可以發現：凈空區域和云中區域的灰度分布圖較為平滑，且云中區域的平均灰度值要比凈空區域的平均灰度值高出許多；云邊緣區域的灰度分布呈現階躍式增長態勢；目標區域的灰度分布圖顯示出中間灰度高而邊緣灰度低的特點，與云碎片區域的灰度分布特點較為相似，但目標區域的平均灰度值要高于云碎片區域的灰度值。由此可知，目標區域與凈空區域、云中區域的灰度分布圖的差別較為明顯，而與云邊緣區域及云碎片區域的灰度分布相近，因此，在檢測目標區域時易受到后兩個區域的干擾。然而，通過進一步分析可以發現，由于云邊緣區域的灰度分布相較于目標區域帶有明顯的階躍特性，因此，可以采用帶有方向性的模板對其進行濾除。相較于目標區域，云碎片區域的平均灰度值較小且凸出區域尺寸較大，因此可以構造一個多層次的模板對其進行濾除。基于以上分析，本文提出了一種基于多方向多層次模板的有效目標檢測算法。

2 紅外弱小目標檢測

2.1 模板的方向構造

在紅外圖像中，云邊緣區域很容易產生錯誤檢測。為了能夠準確區分出不同區域，文獻[5]提出了一個4×4網格的具有4個方向的區域模型，具體如表2所示，4個方向值如圖2所示。

表2 文獻[5]提出的模型

圖2 帶有4個方向的模板Fig.2 Template with the four directions

表2中，列出了6類不同區域的灰度分布情況，其中不同顏色代表不同灰度值。模型①～④為邊緣類灰度分布，每一個模型對應一種類型的邊緣，其中模型③、④為兩種斜方向的邊域，模型①為水平方向的邊緣區域，模型②為垂直方向的邊緣區域；模型⑤的灰度分布很均勻，為云中及凈空背景類區域；模型⑥呈現出中間灰度高周邊灰度低的態勢，為弱小目標類區域。邊緣類模型有4種灰度分布模型，加上云中及凈空模型和目標類模型，紅外弱小目標圖像就有了6類區域模型。因此，紅外弱小目標圖像可以認為是由這6類區域構成的，這6類區域模型就構成圖像的分類基礎。

為了提高檢測的準確性，本文提出了帶有8個方向的模型結構，將原來的水平方向分為上、下兩個方向，垂直方向分為左、右兩個方向，兩個斜方向分為左上、左下以及右上和右下四個方向，具體如表3所示，8個方向如圖3所示。

表3 本文提出的模型

圖3 帶有8個方向的模板Fig.3 Template with the eight directions

在檢測過程中，由于云邊緣區域的灰度分布圖具有方向性，采用帶有上述8個方向的模板可以順利篩選并去除該區域。

2.2 模板的層次構造

由于目標區域的灰度分布與云碎片區域的灰度分布特點相似(見表1)，因此，表2中的目標類模型容易被云碎片區域干擾，導致云碎片區域“亂入”的情況。相較于目標區域，云碎片區域的平均灰度值較小且具有較大面積的凸出區域，因此，通過平均灰度值和凸出區域面積這兩個約束條件，可以將目標類模型分為多個層次來對云碎片區域進行濾除。通常情況下，紅外弱小目標的像素數目大概在3～10之間。本文圖像的目標模型分為兩層，里面一層為3×3格，外面一層為9×9格，這樣，紅外弱小目標便包括在了這個模板里面。考慮到云碎片區域的凸出區域面積要比目標區域的大，為了能夠將云碎片區域剔除出去，再在這個9×9格的模板里面分出中間一層，大小為5×5格，具體如圖4所示。

圖4 三層模板圖Fig.4 Three layers of the template

2.3 圖像預處理

在對目標進行檢測前，為了提高實時性，先對圖像進行預處理。可以先將凈空區域與云中區域進行濾除，這樣能夠提高剩下區域的檢測速度。本文采用形態濾波和中值濾波對其進行處理。形態濾波法[6-8]檢測紅外點目標，主要是通過對圖像進行形態學的開運算得到一幅圖像，由于經過開運算后得到的圖像中弱小目標區域會消失，因此將該圖像與原圖像做差值運算得到差值圖像，就得到了檢測結果。中值濾波[9-11]是一種鄰域運算，類似于卷積，把某一像素點鄰域中其他所有像素的灰度等級按大小排列，然后選其中間值作為該像素點的輸出值。其主要原理是：首先確定一個以某個像素為中心點的鄰域，然后將鄰域中的各個像素的灰度值按大小進行排序，取其中間值作為中心點像素灰度的新值，這里的鄰域被稱為窗口。當窗口在圖像中上下左右進行移動后，利用中值濾波算法可以很好地對圖像進行平滑處理。

本文結合形態學濾波和中值濾波原理，通過形態學中的膨脹運算使得圖像中的弱小目標區域增強，通過中值濾波算法消除噪聲平滑圖像，再將兩者得到的結果做差值，即得到濾除凈空區域及云中區域后的圖像。采用式(1)對圖像進行計算。

(1)

其中：I(x,y)代表原始圖像;g(s,t)和h(m,n)分別代表了形態學濾波和中值濾波的結構元素；h(m,n)大小為3×3；Id是形態學中的膨脹濾波圖像；Im是中值濾波圖像；ε是一個高通濾波算子，本文中ε的門限值介于0.08×max(I(x,y))和0.15×max(I(x,y))之間；Inew是進行預處理后得到的包含目標的圖像，如圖5所示。

(a) 原始灰度圖像

(b) 經過預處理后的灰度圖像

2.4 目標檢測

(2)

式中,θ1和θ2是閾值參數,其流程圖如圖6所示。兩個閾值參數的選取會對結果造成影響。

圖6 圖像處理流程Fig.6 Image processing flow chart

2.5 基于模糊控制的參數優化

參數θ1和θ2的取值會影響目標檢測的結果，因此，基于模糊控制[12-13]，提出一個參數最優化算法，通過該算法進行不斷迭代，根據迭代結果對參數進行不斷更新，可以得到較為理想的結果。具體步驟如下：

1) 步驟1：設θ1和θ2的初始值為1，以σ=0.01的步長進行增加，目標數TN開始為大于20的數，目標的初始位置為Lt=Linitial；

2) 步驟2：采用本文所提出的算法來檢測目標位置Lt，然后更新參數TN,Lt；檢查TN是否大于10，若大于10，轉步驟3，否則，轉步驟4；

3) 步驟3：按照表4更新參數，然后轉步驟2；

表4 基于模糊控制的參數更新

2.6 總流程圖

本文提出的算法總流程如圖7所示。

圖7 算法總流程Fig.7 Algorithm flow chart

3 實驗驗證

首先經過預處理將圖像的凈云區域和空中區域濾除，然后采用3層次8個方向的模板對要檢測區域進行運算處理，濾掉云碎片區域及云邊緣區域(其中兩個參數采用模糊控制進行最優化)，最終得到的像素值最高區域便是目標區域。

以下通過幾組實驗來驗證本文算法的有效性。在所有的實驗中，采用具有復雜背景的單幅圖像，共10幅，前5幅圖像像素為160×160，后5幅圖像像素為128×128。

從表5可以看出，本文提出的算法能夠有效地檢測出紅外弱小目標，且從序列圖8～9看出，即使目標被云層遮擋，本算法依然能夠較好地檢測出目標。

表5 實驗數據

4 結束語

本文基于灰度特征分析，提出了一種紅外弱小目標的檢測算法。首先，通過一個帶有8個方向、3層結構的模板，在紅外圖像中獲得不同類型的灰度特征;然后，采用預處理方法提高檢測速度，并基于模糊控制進行參數最優化計算；最后，實驗表明，本文提出的目標檢測算法是有效且穩定的。