朱金輝，張寶華*，谷 宇，李建軍，張 明

(1.內(nèi)蒙古科技大學 信息工程學院，包頭 014010；2.內(nèi)蒙古科技大學 內(nèi)蒙古自治區(qū)模式識別與智能圖像處理重點實驗室，包頭 014010)

引 言

紅外小目標檢測是預警和精確制導等軍事系統(tǒng)的核心技術(shù)[1-4]。由于遠程成像，紅外小目標通常在每幀中占據(jù)幾十個像素，常淹沒在復雜的背景中(如云邊緣、海浪和高亮度噪聲)，沒有具體形狀或紋理，而且信號雜波比較低。

基于人類視覺系統(tǒng)(human vision system,HVS)的方法[5-15]具有良好的檢測性能和實時性而得到廣泛關(guān)注。CHEN等人[6]基于視覺對比機制提出一種局部對比測量方法(local contrast measurement,LCM)。HAN等人[8]發(fā)現(xiàn)LCM存在增強噪聲點現(xiàn)象，提出了一種改進的局部對比測量方法(improved LCM,ILCM)。HAN等人[7]提出的相對局部對比測量方法(relative local contrast measurement,RLCM)，用多極值來抑制雜波干擾?；诙喑叨鹊腍VS方法在多目標密集分布的場景中，易將多目標識別為一個目標，導致漏檢。其原因是采用多尺度技術(shù)通常以多尺度下的最大響應值作為最終輸出，若窗口單元的尺寸大于源圖像中的實際目標，靠近目標的背景區(qū)域也會被增強，檢測到的目標會擴大，使源圖像中小于9×9像素的目標在檢測結(jié)果中顯示為9×9像素，稱之為“擴張效應”,因而多目標的檢測概率降低。

為了解決“擴張效應”問題，提出了一種雙鄰域?qū)Ρ榷人惴?。通過設(shè)計一種新的3層窗口，能在固定尺度下具有檢測多尺度目標的能力，可以克服“擴張效應”，同時提高算法效率。在此基礎(chǔ)上，利用基于雙鄰域?qū)Ρ榷葯C制和對角梯度因子提高目標的顯著性，更好地抑制背景干擾。

1 相關(guān)工作

1.1 提取候選目標

峰值搜索算法[16]假設(shè)：中心點被局部密度較低的近鄰數(shù)據(jù)點包圍，且任意中心點與比它密度更高的數(shù)據(jù)點間的距離都較遠。

對于任意像素點m, 需要計算m的局部密度ρm和最臨近相關(guān)距離δm:

ρm=gm

(1)

式中，gm代表圖像中像素點的灰度值。最臨近相關(guān)距離δm則是通過計算點m與其它密度更高的點n之間的最小距離來測量：

(2)

dmn=|xm-xn|+|ym-yn|

(3)

γm=ρm×δm

(4)

式中，dmn是Manhattan距離，逐個像素計算聯(lián)合特征因子γm，并按照降序排列把它們放到隊列Q中，這里提取前12個像素點作為候選目標點;xm和ym代表點m的橫坐標和縱坐標;xn和yn代表點n的橫坐標和縱坐標。

目標點在圖像中具有局部差異性，即目標點的灰度值通常要高于局部相鄰像素的灰度值。提取候選目標可以減小搜索目標的范圍，減少算法計算時間。

1.2 3層雙鄰域窗口

傳統(tǒng)的局部對比度方法(LCM)、改進的LCM(ILCM)、相對LCM(RLCM)和基于差分的局部對比測量方法(difference local contrast measurement, DLCM)[17]采用多尺度技術(shù)檢測1×2像素～9×9像素的小目標。對于紅外圖像中尺寸小于9×9像素的小目標，采用的多尺度技術(shù)將增強目標周圍的背景面積，導致檢測到的目標的大小擴大到9×9像素，即“擴張效應”，如圖1所示。“擴張效應”使兩個目標重疊，不能精確地檢測目標。因此，處理“擴張效應”的關(guān)鍵是找到一種非多尺度的方法，可以自適應地檢測不同大小的目標。

Fig.1 Expansion effect of multi-scale methods

為了在固定尺度下檢測從2×1像素～9×9像素的小目標，設(shè)計了一個3層雙鄰域窗口，共包含25個單元，每個單元大小為3×3像素。如圖2所示，將整個窗口劃分為3個區(qū)域，其中單元T是目標單元，單元T周圍的8個單元Mi(i=1～8)代表中間單元，其余16個單元Bjk(j,k=1～4)表示背景單元。將候選目標置于3層雙鄰域窗口的中心時，小目標的灰度和梯度差異都會反映在3個區(qū)域中，用來檢測不同大小的目標。同時3層雙鄰域窗口形狀接近目標輪廓，可以準確逼近目標的真實分布。

Fig.2 Three-layer double-neighbor window structure

1.3 雙鄰域?qū)Ρ榷扔嬎?/h3>

小目標檢測通過增強目標對比度，有效地突出小目標。根據(jù)3層雙鄰域窗口，充分利用3個區(qū)域之間的差異來測量對比度。中心單元和背景單元之間的最小灰度對比度d(T,Bjk)、中心單元和中間單元之間的梯度對比度d(T,Mi)分別表示為:

d(T,Bjk)=

(5)

(6)

式中，gT和gBjk分別代表中心單元和背景單元的灰度均值，GT和GMi分別代表中心單元和中間單元的梯度均值，其中i=1,2,…,8；j,k=1,2,…,4。為了進一步凸顯目標和抑制雜波，采用中間區(qū)域梯度對比度對角相乘作為加權(quán)因子W，即：

W=min[d(T,Mi)×d(T,M9-i)],

(i=1,2,3,4)

(7)

在局部區(qū)域內(nèi)，真實目標強度通常高于局域背景強度，而虛假目標強度與局域背景強度相當，所以真實目標的d(T,Bjk)值較大；真實目標通常是中心對稱，向四周輻射的圓點狀，高亮雜波則普遍是不規(guī)則形狀，所以虛假目標的對角梯度乘積通常為0。根據(jù)上述特征，候選目標位置的對比度信息為:

CDNCM=d(T,Bjk)×W

(8)

對所有候選目標進行窗口遍歷，真實目標區(qū)域?qū)Ρ榷鹊玫皆鰪?，背景雜波得到有效抑制，最終得到雙鄰域?qū)Ρ葴y量方法(double neighborhood contrast measurement,DNCM)目標映射圖。

1.4 目標自適應提取

根據(jù)DNCM的計算，可以得到圖像的DNCM目標映射圖?？紤]到目標映射圖具有不同層次的雜波背景，采用自適應閾值法對目標和背景進行分割。

Tth=μDNCM+kσDNCM

(9)

式中,μDNCM是DNCM目標映射圖的均值，σDNCM是DNCM目標映射圖的標準差，k是閾值系數(shù)，一般取30～50。經(jīng)過閾值Tth分割得到真實目標。

2 本文中的算法

為解決人類視覺系統(tǒng)方法存在“擴張效應”，本文中提出一種基于雙鄰域?qū)Ρ榷鹊募t外小目標檢測算法，整體算法結(jié)構(gòu)如圖3所示。主要分為4個部分：峰值搜索算法提取候選目標、對候選目標構(gòu)建3層雙鄰域窗口、雙鄰域?qū)Ρ榷葯C制增強目標和抑制雜波、閾值分割提取真實目標。首先，為了減小目標搜索范圍，利用峰值搜索算法構(gòu)建ρ-δ(ρ代表密度，δ代表臨近相關(guān)距離)特征空間圖，將小目標檢測看作異常點檢測，根據(jù)聯(lián)合特征因子篩選出異常點作為候選目標。其次，針對傳統(tǒng)方法中存在缺陷的矩形窗口需要全圖遍歷的問題，構(gòu)建3層雙鄰域窗口，對候選目標進行遍歷,并使窗口形狀貼合目標輪廓，逼近目標的真實分布。然后，通過雙鄰域?qū)Ρ榷葯C制計算候選目標的最小灰度對比度，結(jié)合梯度分布一致性，利用對角梯度因子進一步抑制雜波同時增強目標，計算得到DNCM目標映射圖。最后通過自適應閾值分割得到真實目標。

具體步驟如下：(1)對原始紅外圖像中每個像素點m計算局部密度ρm和最鄰近相關(guān)距離δm，構(gòu)建ρ-δ特征空間圖，計算特征因子γ的值，并降序排列在隊列中，提取前12個像素點作為候選目標；(2)對候選目標構(gòu)建3層雙鄰域窗口，將3層雙鄰域窗口分為目標單元、中間單元和背景單元，共包含25個單元,目標單元表示候選目標區(qū)域，中間單元代表目標過渡區(qū)域，背景單元是目標的局部背景區(qū)域；(3)利用雙鄰域?qū)Ρ榷葯C制計算目標單元與背景單元的最小灰度對比度，目標單元與中間單元的對角梯度因子，通過哈達瑪積運算得到DNCM目標映射圖；(4)對DNCM目標映射圖進行自適應閾值分割得到真實目標。

Fig.3 Algorithm flowchart

3 實驗結(jié)果分析

本文中采用天空背景、云層背景和海天背景等5組單一目標或多目標的紅外圖像進行實驗，并用本方法與頂帽變換[18]、方差差異方法(variance difference,VARD)[9]、LCM[6]、基于多尺度補丁的對比測量方法(multiscale patch-based contrast measurement，MPCM)[19]和RLCM[7]方法進行對比實驗，圖4為實驗結(jié)果，每張圖像用矩形框顯示真實目標區(qū)域。使用背景抑制因子(background suppression factor,BSF)、對比度增益(contrast gain,CG)和平均運行時間對所有算法進行評估，BSF可以全局評價算法的雜波抑制能力，其值與雜波抑制效果成正比；CG則可以評估目標的增強效果，其值與目標增強效果成正比。實驗計算環(huán)境是3.40GHz Intel i7-3770 CPU處理器，8GB內(nèi)存，所使用的測試軟件是MATLAB 2018b。

Fig.4 Frame 1,2,3,4,5 five original image sequences and detection results under different methods

很明顯，圖4中采用多尺度技術(shù)的LCM和RLCM方法在5個圖像序列中都出現(xiàn)了“擴張效應”，在frame 5檢測結(jié)果中，鄰近的兩個目標發(fā)生重疊；頂帽變換和MPCM方法在背景抑制方面效果較差，檢測結(jié)果有大量雜波；RLCM和VARD方法在frame 5中漏檢目標；總體而言，本方法有效地解決了“擴張效應”并抑制了背景雜波。

為了進一步量化分析，表1中(加黑數(shù)字是最優(yōu)結(jié)果)給出了5個圖像序列經(jīng)過6種不同檢測算法處理后的BSF,CG和時間值。本方法的BSF和CG值在6種不同檢測算法中均為最優(yōu)，分別平均提高4.7倍和1.8倍，說明本方法背景抑制和目標增強能力高于基線水平；VARD和RLCM方法平均運行時間分別為最短和最長，本方法兼顧了檢測精度和運算效率。

Table 1 BSF, CG and average running time of different algorithms under each image sequence

4 結(jié) 論

提出一種基于雙鄰域?qū)Ρ榷鹊募t外小目標檢測算法，主要思想是設(shè)計一個3層窗口，在固定尺度下檢測不同尺寸的小目標，解決了多尺度技術(shù)引起的“擴張效應”，降低計算復雜度。此外，利用雙鄰域?qū)Ρ榷葯C制和對角梯度因子增強目標對比度，同時抑制背景干擾。實驗結(jié)果表明，與其它方法相比，該方法具有較強的魯棒性和實時性，特別是在檢測相互接近的目標方面。后續(xù)將針對目標區(qū)域找尋新的定位方法，降低運行時間，構(gòu)建魯棒的特征空間用于檢測真實目標。