基于新Top Hat变换局部对比度的红外小目标检测

刘 源，汤心溢，李 争



基于新Top Hat变换局部对比度的红外小目标检测

刘 源，汤心溢，李 争

（中国科学院上海技术物理研究所，上海 200083）

复杂场景下由背景物体产生的虚警是红外小目标检测中的难点，在目标信号微弱时问题尤为突出。为了抑制虚警，提出一种基于局部对比度特征的小目标检测算法。首先，利用一种新型Top Hat变换检测出图像中的潜在目标区域；然后分析潜在目标区域及其邻域特性，计算本文提出的局部对比度特征；最后基于此特征提取目标区域。对合成图像和实际红外图像的实验表明，本算法能有效地抑制背景景物造成的虚警，取得很高的检测率，并且对目标强度的变化以及目标所在背景的变化均具有一定的适应性。

小目标检测；红外图像；新型Top Hat变换；局部对比度；复杂场景

0 引言

控制检测虚警率是红外小目标检测中的关键问题。虚警的产生一方面是由于目标本身尺寸小，具有的信息比较少，另一方面探测器噪声以及场景中的背景噪声也会对检测造成干扰。理想的小目标检测算法应该精确地去除场景中的背景以及图像中的噪声，准确地提取出小目标。

通常而言，传统的小目标检测方法可以分为2类：一类侧重背景的估计，一类侧重目标的特性。侧重背景估计的方法试图对背景进行估计，然后对基本滤除背景的图像进行目标检测。数学形态学是背景估计的常用方法，比如Top Hat变换[1]、Robinson Guard变换[2]。文献[3]利用中值滤波进行背景估计。在此基础上，文献[4]提出利用性能更好的max-mean和max-median滤波器。文献[5]利用核回归的方法进行背景估计。侧重目标特性的方法直接从目标出发，建立目标的特性模型，然后计算图像中对每一点与该模型的相似度。相似度越高，则对应的点越可能是目标。文献[6-8]利用目标的高频特性进行检测。文献[9]认为小目标是图像中具有视觉显著性（visual saliency）的区域。文献[10]、[11]对小目标进行了基于机器学习的建模。

在红外场景变得复杂时，背景物体容易对目标检测造成强烈的干扰，产生虚警。此时，单纯地侧重背景估计或是目标特性很难解决问题。文献[12]、[13]全面地整合区域和邻域信息，提出基于对比度的LCM和ILCM特征。但这2种特征并未考虑复杂场景，对复杂场景欠缺适应性。本文基于这种思想，考虑复杂场景的特性，综合分析区域的强度以及区域邻域的复杂性，提出一种新的局部对比度特征。在利用数学形态学检测出图像中可能含有目标的区域之后，计算每个区域的局部对比度特征并基于此特征进行目标检测。

1 算法原理

算法原理框图如图1所示。

图1 算法原理的系统框图

1.1 区域检测

区域检测的目的在于检测出图像中可能包含目标的区域。考虑到小目标在邻域的灰度特性，我们需要检测出尺寸不大于9×9且灰度值高于邻域的区域，其中是小目标尺寸的上限。根据文献[12]，小目标定义为不大于80个像素的目标，故本文中设为9。

检测目标区域的方法通常有经典Top Hat变换以及Robinson Guard变换[2]。图2是检测不大于9×9区域的效果图。从中可以看出，Top Hat在检出小区域的同时，不能把宽度不大于9个像素的直线滤掉。这是由Top Hat的原理决定的，即所有不能被结构元素完全覆盖的区域都将被检测出来。Robinson Guard可以滤除直线，却无法保留原来区域的大小与形状信息。本文的区域检测方法基于一种新型Top Hat变换[14-15]，以下简称为MNWTH。假设输入图像为(,)，则有：

在MNWTH滤波后，为了得到可能含有目标的区域，我们首先对滤波后的图像进行二值化（阈值为0），得到所有MNWTH响应为正的像素点，然后进行联通性分析得到最后的区域，这一过程如图4所示。

图2 区域检测对比。(a)原始图像，2条直线的宽度分别为1和11，直线左边的区域不大于9×9，为需要检测出的区域；(b)Top Hat滤波后的图像；(c)Robinson Guard滤波后的图像；(d)MNWTH滤波后的图像

膨胀结构元素腐蚀结构元素

1.2 局部对比度

利用MNWTH检测出的区域中可能含有目标，也可能是背景物体或者探测器噪声。在忽略探测器噪声时，一个包含目标的区域可以表示为：

(,)＝(,)＋(,)

图4 区域检测步骤

为了抑制背景物体的干扰，对每一个可能包含目标的区域，我们分析其邻域。如图5定义为区域的大小为的邻域。令为某区域邻域，则该邻域的复杂性可由：

amp＝max()－min()

近似。amp越大，区域所在的背景越复杂，区域越可能包含背景物体。基于此，定义局部对比度。令t为某区域像素集合，n为其区域邻域像素集合。则局部对比度定义如下：

式中：e是一个调整参数，防止分母为零。一般令e＝0.001。此时可对所有MNWTH 区域求得其c值，然后设定阈值Tc，若c＞Tc，则判定为目标区域，否则判定为虚警区域。

2 实验

实验中，MNWTH使用的膨胀结构元素d和腐蚀结构元素E均为19×19的矩形结构元素，其中d的中空区域大小为9×9。

2.1 区域特征对比

为了评价局部对比度特征的性能，我们将与另外2种特征对比。第一种是区域最大值特征MNWTHMAX，定义为：

第二种是LCM[12]特征。比较结果如图6。由于目标比较微弱，故对MNWTHMAX特征而言，背景物体的干扰比较明显。对于LCM特征，目标微弱的影响更为明显。虽然LCM特征考虑了邻域特性，但背景物体中的邻域同样具有较低的均值。由图6(d)可见，本文提出的局部对比度特征能够较好地抑制背景物体的干扰。

2.2 检测性能对比

为了评价算法的综合检测性能，我们将算法与其他几种算法进行比较：Top Hat变换（10×10的结构元素)、MNWTH变换（直接用滤波结果进行检测）、NWNTHMAX特征、LCM特征。比较时采用ROC（receiver operation characteristic）曲线。ROC 曲线可以表明检测率d与虚警率f之间的关系。定义d为检测到的目标像素个数与目标像素总数的比；定义f为虚警像素个数与图像像素总数的比。我们用三个红外图像序列进行测试。

序列一有20帧800×288的红外图像，图7(a)为其中一帧图像。序列一中目标信号非常微弱，并且其中的人造物体能够严重干扰小目标检测。由图7(b)中序列一对应的各算法ROC曲线对比可见，本文算法能够很好地排除背景物体干扰，在检测性能上明显优于其他算法。

序列二有13帧800×576的红外图像，图8(a)为其中一帧图像。该序列中的目标为人工添加。图像左下角建筑物顶部的突起会对目标检测造成较强的干扰。由图9(a)中ROC曲线对比可见除Top Hat变换及MNWTH滤波的检测效果一般，其他算法均有很好的检测效果。为了测试算法的健壮性，我们保持背景物体不变，降低目标信号强度，如图8(b)所示。图8(c)～图8(l)给出了各种算法检测结果示例。降低目标信号强度后对应的ROC曲线对比为图9(b)。由图可见，所有算法性能均受影响。LCM特征由于对信号强度敏感其性能下降尤为显著。而本文算法虽然也受到影响，但影响很小，具有最好的检测效果。因此在目标背景比较纯净时，本文算法对信号强度的变化有很强的健壮性。

序列三有9帧800×576的红外图像，图10(a)为其中一帧图像。此时场景与序列二相似，但目标所在背景中有树枝和云朵，灰度变化比较剧烈。由图11(a)可见本文算法在目标背景复杂时能够取得很好的检测效果，说明算法对目标所在背景的复杂性具有一定的适应性。特别地，当我们适当降低目标强度（图10(b)）后，本文算法依然能够取得很好的检测效果（图11(b)）。图10(c)～图10(l)给出了各种算法检测结果示例。

3 结论

为了有效抑制红外小目标检测中复杂场景下背景物体产生的虚警，本文提出了一种基于局部对比度特征的目标检测算法。算法在检测出可能含有目标的区域的基础上，提取出各个区域的局部对比度特征，然后基于此特征滤除虚警。在实验中，我们评估了本文算法的检测性能，并且与Top Hat等目标检测算法进行对比。实验表明，本文算法在仅利用单帧图像数据的情况下，能够很好地抑制场景中背景物体的干扰，取得很高的检测率，在对比的算法中具有最好的检测性能；另外本文算法对于目标强度的变化以及目标所在背景的变化均具有一定的适应性，表现出健壮性。

图6 区域特征对比

图7 序列一中的一帧图像

图8 序列二中的一帧图像

图9 序列二检测ROC曲线

图11 序列三检测ROC曲线

[1] Victor T Tom, Tamar Peli, May Leung, et al. Morphology-basedalgorithm for point target detection in infrared backgrounds[J]., 1993, 1954(1): 2-11.

[2] 余农, 吴常泳, 汤心溢, 等. 红外目标检测的自适应背景感知算法[J]. 电子学报, 2005, 33(2): 200-204.

[3] John Barnett. Statistical analysis of median subtraction filtering with application to point target detection in infrared backgrounds[J]., 1989, 1050(1): 10-18.

[4] Suyog D. Deshpande, Meng H. Er, Ronda Venkateswarlu, et al. Max-mean and max-median filters for detection of small targets[J]., 1999, 3809(1):74-83.

[5] Yanfeng Gu, Chen Wang, Baoxue Liu, et al. A kernel-based nonparametric regression method for clutter removal in infrared small-target detection applications[J]., 2010, 7(3): 469-473.

[6] Yang L., Yang J., Yang K.. Adaptive detection for infrared small target under sea-sky complex background[J]., 2004, 40(17): 1083-1085.

[7] P. Wang, J.W. Tian, C.Q. Gao. Infrared small target detection using directional highpass filters based on LS-SVM[J]., 2009, 45(3): 156-158.

[8] 侯洁, 辛云宏. 基于高通滤波和图像增强的红外小目标检测方法[J]. 红外技术, 2013, 35(5): 279-284.

[9] Shengxiang Qi, Jie Ma, Chao Tao, et al. A robust directional saliency-based method for infrared small-target detection under various complex backgrounds[J]., 2013, 10(3): 495-499.

[10] Zhi-Jun Liu, Xu-Bang Shen, Chao-Yang Chen. Small objects detection in image data based on probabilistic visual learning[C]//2005, 2005, 9: 5517-5521.

[11] I. El-Naqa, Yongyi Yang, M.N. Wernick, et al. A support vector machine approach for detection of microcalcifications in mammograms[C]//2002, 2002, 2002, 2: 953-956.

[12] Chen C.L.P., Li Hong, Wei Yantao, et al. A local contrast method for small infrared target detection[J]., 2014, 52(1): 574-581.

[13] Jinhui Han, Yong Ma, Bo Zhou, et al. A robust infrared small target detection algorithm based on human visual system[J]., 2014, 11(12): 2168-2172.

[14] P. T. Jackway. Improved morphological top-hat[J]., 2000, 36(14):1194-1195.

[15] Bai Xiangzhi, Zhou Fugen. Analysis of new top-hat transformation and the application for infrared dim small target detection[J]., 2010, 43(6): 2145-2156.

A New Top Hat Local Contrast based Algorithm for Infrared Small Target Detection

LIU Yuan，TANG Xin-yi，LI Zheng

(,,200083,)

False alarms generated by complex scenes of the background are a challenging problem for infrared small target detection, especially when the target is dim. To reduce false alarms, a small target detection algorithm based on local contrast is proposed. First, a modified top hat transform is applied to detect regions that are likely to contain a target. Then for each of the regions, we calculate the proposed local contrast measure. The target regions are then detected based on such measure. Experimental results on synthetic and real data show that the proposed method reduces false alarms generated by background and achieves high detection accuracy. Moreover, the algorithm is shown to be robust to the variation of the target intensity and fluctuation of the target neighborhood.

small target detection，infrared image，new top hat transform，local contrast，complex scenes

TP391

A

1001-8891(2015)07-0544-09

2015-01-21；

2015-05-20。

刘源（1989-），男，江西上犹人，博士研究生，主要从事图像处理，模式识别等方面的研究工作。

国家863计划资助项目，编号：2011AA7031002G；国家十二五国防预研项目，编号：41101050501。