王帥　程洪瑋　莫邵文　曾劍　江丹

摘要：針對復雜背景下紅外弱小目標檢測中存在虛警率較高等問題，提出一種基于局部對比度計算顯著圖結(jié)合邊緣提取消除虛警的目標檢測算法。該算法首先利用LCM（局部對比度）算法提取視覺顯著區(qū)域，再利用Canny算子提取云層邊緣，將得到的視覺顯著圖與云層邊緣進行對比，剔除掉虛警目標，然后對得到的圖像進行門限分割，從而分離出目標。實驗表明該算法對多云背景下紅外弱小目標具有較好的檢測效果，能夠解決局部對比度算法存在的虛警率較高的問題。

關(guān)鍵詞：弱小目標 視覺顯著性 局部對比度 Canny算子

中圖分類號：TN976 文獻標識碼：A 文章編號：1007-9416（2016）08-0146-03

Abstract：An algorithm of small and dim infrared target detection base on LCM （Local Contrast Method） combing with edge detection to solve the problem of high false alarm in small and dim infrared target detection under complex background. This algorithm firstly use the LCM （Local Contrast Method） to extract the visual salient region in the image. Then the Canny operator is used to extract the edge of the cloud. The next we will get the local contrast map to compare with the result of Canny operator algorithm， the target which is located of the cloud edge will be eliminated. The last， adopt to threshold segmentation to separate the target. Analysis of the result shows that proposed algorithm which is based on LCM and Canny operator has a better detection result in small and dim infrared target detection under cloudy background. Whats more， it can solve the problem of the high false alarm rate by LCM algorithm.

Key Words：dim and small target； visual saliency； local contrast； Canny operator

紅外監(jiān)視告警系統(tǒng)是現(xiàn)代戰(zhàn)爭防御系統(tǒng)的重要組成部分，它具有監(jiān)視距離遠，反應迅速等特點，已然成為大國之間軍力競爭的重要砝碼。由于探測距離遠，導彈的成像在紅外探測圖像中顯示為弱小目標。因此，對復雜背景條件下利用紅外探測圖像進行弱小目標的檢測是紅外導彈預警的關(guān)鍵技術(shù)之一。由于太陽光反射和云層背景的存在，紅外探測圖像信噪比較低，目標容易淹沒在背景雜波之中，檢測難度較大。因此，行之有效的目標檢測算法對于提高監(jiān)視系統(tǒng)的性能具有十分重要的意義。

弱小目標在紅外探測圖像中由于只占據(jù)較小的區(qū)域，而且與周圍鄰域不相關(guān)。因此檢測過程中易受背景噪聲的影響。在人類視覺中，小目標由于能量集中，與周圍對比明顯，所以更能引起視覺的注意，可以認為小目標為視覺敏感區(qū)域。針對這一特性，研究人員提出了Dog算子、尺度空間、Log濾波器等檢測算法。這些算法在紅外弱小目標的檢測中都取得了良好的效果。但是在復雜背景下的紅外弱小目標檢測中效果一般。針對這一情況， Chen等提出了一種基于局部對比度策略（LCM）的檢測方法，它利用人類視覺系統(tǒng)（HVS）特性和衍生核模型（DK model），取得了很好的檢測效果[1]。在檢測過程中，它通過局部區(qū)域滑動窗遍歷整幅圖像，計算整幅圖像的局部對比度，從而得到整幅圖像的局部對比度圖。在局部對比度圖中，由于云雜波區(qū)域的對比度不強烈，故被當做背景抑制，目標由于與背景的對比強烈，被突出出來。從而增加了圖像的信噪比，最后通過門限分割得到目標。然而在檢測過程中，由于云層對強光的反射，會使云層邊緣的對比度增強，將云層邊緣當做目標而突出出來，導致產(chǎn)生大量的虛警。本文基于這種情況提出一種基于Canny算子提取云層邊緣剔除虛警的檢測算法，仿真結(jié)果表明本文算法能夠很好的抑制云層邊緣虛警，保留目標的能量，提升檢測性能。

1 LCM（局部對比度）算法計算顯著圖

視覺注意機制在人類的視覺系統(tǒng)中占據(jù)重要地位。它能使我們在觀察事物的過程中自動感知能夠引起視覺注意的有價值的信息。因此，視覺注意機制被廣泛應用于圖像處理、醫(yī)學及心理學等領(lǐng)域。在圖像處理中，視覺注意機制被應用于目標的顯著性檢測上，即在顯著性區(qū)域中檢測出目標。

對顯著圖的計算方法很多，Chen等提出了一種局部對比度算法（LCM），即通過滑動窗來遍歷整幅圖像，計算每個滑動窗的局部對比度，最后得到整幅圖像的局部對比度圖。

步驟三：計算不同尺度下的局部對比度。

由于目標所占像素大小會變化，而窗口的大小取值與目標大小相同。因此，為了計算最終的對比度圖，需要計算不同大小尺度下的LCM值。是目標可能的最大尺寸，從1到計算每個尺度下的對比度圖，則對于圖像中的每一點，對比度值為：

LCM算法存在的缺點：

分析算法流程可以發(fā)現(xiàn)，經(jīng)過計算得到局部對比度圖，圖像信噪比顯著提高，周圍背景得到抑制，能夠較好的檢測出目標。但是，仍然存在云層邊緣虛警率較高等缺點。公式中的代表第0像素塊中的極值，如果某一像素點（目標點或噪聲點，記為）是灰度值較大的點，那么所有包含的，所求最大值都是相同的，而其周圍背景區(qū)域的值相差不大，則會導致周圍的像素點會同一樣被偏大的加權(quán)，導致它們局部對比度值比正常值偏大，在檢測中被誤認為目標，成為虛警點。

2 本文改進算法

圖像的邊緣是圖像的基本特征之一，其灰度值具有不連續(xù)性，這個特性導致其很容易被檢測到。在紅外探測圖像中，存在各種噪聲，比較典型的就是云雜波噪聲。在目標檢測過程中，存在大量由于云層邊緣引起的虛警。因此剔除虛警有效的方法就是提取云層邊緣，將提取到的邊緣圖像與局部對比度圖作對比?；贑anny算子的邊緣提取算法，由于其具有較強的抗噪能力和較高的邊緣精度檢測能力，被廣泛應用于目標檢測的邊緣提取之中，取得了良好的效果，為后續(xù)剔除虛警奠定了基礎。

最后，經(jīng)對比剔除虛警的圖像再進行門限分割。

2.1 Canny算子邊緣提取算法

Canny把邊緣檢測問題轉(zhuǎn)換為求檢測函數(shù)極大值問題。Canny算子邊緣檢測過程為：首先用高斯函數(shù)卷積圖像，在計算高斯函數(shù)在任意方向的局部極大值，所得到的就是邊緣點。具體算法如下：

（1）對圖像進行高斯濾波，即用高斯函數(shù)來卷積圖像，從而去除圖像中的噪聲。

二維高斯函數(shù)如下：

（2）計算高斯函數(shù)在任意方向上的一階方向倒數(shù)，即在方向上的梯度。

其中，梯度。

（3）對梯度進行“非極大抑制”，即求高斯函數(shù)與圖像的卷積的極大值，在取得極大值的點就是邊緣點。Canny算法采用3*3的8方向鄰域的陣列沿梯度方向進行梯度幅值的插值。其數(shù)學表達式為：

（4）對邊緣進行連接。Canny算子采用雙閾值算法來分割邊緣，除去假邊緣，然后再根據(jù)遞歸跟蹤的算法來將得到的邊緣連接起來，最終得到所要檢測的邊緣。

2.2 門限分割

根據(jù)Neyman-Pearson準則可知，檢測門限為：

其中為所取滑動窗的均值，為滑動窗局部去心鄰域的標準差。一般k的取值為[3，12]，本文取3.5。

3 仿真實驗與分析

為了驗證算法的有效性，本文選取將LCM（局部對比度）算法結(jié)合Canny算子的邊緣檢測算法對紅外探測圖像進行弱小目標的檢測。視覺注意機制采用局部對比度算法，對于目標點外的背景強度的抑制效果較好，同時可以增強目標點的信噪比。由于云層邊緣對比度大，容易產(chǎn)生大量虛警。本文采取基于Canny算子的云層邊緣檢測算法，與通過局部對比算法得出的顯著圖進行對比，將位于云層邊緣部分的虛警剔除掉。下面，我們首先將含有弱小目標的紅外探測圖像計算局部對比度圖。

圖4（a）為含有目標的紅外探測圖像，圖4（b）為經(jīng)過局部對比度算法處理后的圖像，由上圖可以看出經(jīng)過局部對比度算法，圖像信噪比增強，背景得到抑制。下表為局部對比算法計算的顯著圖與原圖的信噪比對比：（表1）

但是在顯著圖中看到，云層邊緣經(jīng)過局部對比度算法處理之后存在大量的虛警目標，灰度值很高，對目標分割增加了難度。

下面采用本文提出的Canny算子提取邊緣算法來提取紅外探測圖像的云層邊緣。如圖5：

圖5表明，Canny算子能夠很好的提取出云層邊緣，背景噪聲的抑制效果良好。

最后將得到的云層邊緣與之前的LCM圖作對比，剔除掉虛警目標，然后進行閾值分割，得到最終的目標。如圖6。

4 結(jié)語

本文針對基于局部對比度算法的背景抑制算法存在大量虛警問題，提出將其與Canny算子邊緣檢測算法相結(jié)合剔除云層邊緣虛警算法，能夠較好的抑制背景雜波，剔除虛警，從而分離出目標。經(jīng)過仿真實驗可以看出，顯著圖中在云層邊緣較亮部分明顯存在大量的虛警，Canny算子提取到的云層邊緣與得到的虛警重合，然后將得到的顯著圖與Canny算子提取到的邊緣作對比，將處于云層邊緣的虛警剔除掉，即得到圖5中的目標。結(jié)果表明本文所提算法能夠抑制復雜背景，提高圖像信噪比，并分割出目標。

參考文獻

[1]Chen C L P， Li H， Wei Y， et al.. A local contrast method for small infrared target detection[J]. IEEE Transactions on Geoscience and Remote Sensing， 2014， 52（1）：574-581.

[2]楊琳娜，安瑋，林再平，等.基于空間距離改進的視覺顯著性弱小目標檢測[J].光學學報，2015，35（7）：0715004.

[3]Zhang Libao， Zhang Jue. A new adaptive fusion method based on saliency analysis for remote sensing images[J].Chinese J Lasers， 2015，42（1）：0114001.

[4]Canny J. A computational approach to edge detection[J].IEEE Transactions on Pattern Analysis and Machine Intelligence， 1986， 8（6）： 679- 698.

[5]I.S.Reed，R.M.Gagliardi，L.B.Stootts.Optical moving target detection with 3D matched filtering[J].IEEE Trans AES.1988，24（4）：327-336.

[6]王植，賀賽先，一種基于Canny理論的自適應邊緣檢測方法[J].中國圖像圖形學報.2004，9（8）

[7]胡謀法，董文娟，王書宏，等.奇異值分解帶通濾波背景抑制和去噪[J].電子學報，2008，36（1）：111-116.