红外弱小目标检测背景抑制算法研究

金长江,师廷伟（中国电子科技集团公司第二十七研究所，河南　郑州450047）



红外弱小目标检测背景抑制算法研究

金长江,师廷伟
（中国电子科技集团公司第二十七研究所，河南郑州450047）

摘要：复杂背景下红外小目标识别一直是红外图像处理的关键技术之一，针对复杂云背景下红外弱小目标的时域和空域特征，考虑到易于硬件实现和实时性要求，提出基于快速统计排序滤波和Robinson Guard滤波并行快速处理算法，对复杂背景进行高信噪比抑制。实验证明，该方法能够有效地提高红外弱小目标图像信噪比和复杂背景下的小目标的检测概率。

关键词：小目标检测；红外图像；背景抑制；Robinson Guard滤波器

0 引　言

目前，在导弹制导、远程探测以及地面跟踪等领域，对于点目标的检测已经成为核心技术之一[1-2]。由于点目标具有尺寸小、无形状和纹理特征等特点，加上远距离传输所造成的能量衰减、云雾等障碍物及探测器噪声的影响，致使点目标信号在红外图像平面上，极易淹没在强噪声背景中，表现为弱点状或者不稳定斑点状，其检测任务变得非常困难[3]。

为了提高目标检测概率，对红外小目标图像进行检测前预处理十分必要。国内外学者已经提出了很多抑制背景滤波器，如自适应背景预测检测[4]、形态学方法[5]、小波变换[6]等，这些滤波器在背景缓变时处理效果较好，但背景起伏较大时，弱小目标的探测概率不能达到令人满意的效果。本文在复杂背景下分析红外小目标图像特征，提出基于统计排序的空域滤波器和Robinson Guard滤波器[7-8]的预处理算法对图像序列进行杂波抑制，该方法在降低运算量的基础上，克服了高通滤波器无法滤除高频噪声的缺点，减少了复杂背景抑制不干净而产生的噪声，不失真地保留小目标特征信息，便于后续进行红外小目标的识别和检测。

1 复杂背景下小目标图像特征分析

1.1 小目标图像时域模型分析

包含小目标的红外图像序列f（x，y，k）[9-11]可以描述为

式中：f（x，y，k）——图像上点（x，y）在第k帧的灰度值；

fT（x，y，k）——点目标像素值；

fB（x，y，k）——背景图像；

N（x，y，k）——噪声图像；

k——序列图像中的帧数。

目标点灰度fT（x，y，k）与周围背景相比具有不连续性，通常比背景亮。而背景图像fB（x，y，k）具有空间相关性，通常处于红外图像f（x，y，k）的中、低频部分。当然，由于视场与探测器热噪声分布的不均匀性，局部图像的灰度值可能有较大的变化，fB（x，y，k）中包含部分高频分量，主要分布在背景图像各个同质区的边缘处。随机噪声N（x，y，k）主要是探测器的内部噪声和外部随机噪声，与背景像素不相关，在空间随机分布，其统计特性通常可被描述为零均值的高斯白噪声。噪声图像和红外图像中具备一定信噪比的小目标点灰度图像fT（x，y，k）一样，主要分布在红外图像f（x，y，k）的高频段。

红外图像中由于噪声N（x，y，k）的存在，会降低空域滤波算法的性能，图像处理前需要进行降噪处理，通常采用低通滤波法。

1.2 小目标特征分析

通过观察大量红外小目标图像，发现图像序列中的小目标具有形状、灰度、航迹等特征，但是图像中的飞鸟、噪声、碎云、云边缘亮点等复杂背景与小目标的特征具有一定的差异。

1.2.1 形状特征

弱小目标在红外图像中表现为点目标，一般仅几个像素，最大不超过5×5个像素。虽然图像中目标呈现弱小性，但是与飞鸟、噪点等相比具有一定的特征，其中包括：

1）小目标尺寸一般小于3×3个像素。

2）目标的长宽比表示为：Nt/K=max（Δx，Δy）/ min（Δx，Δy）∈[1，3]，其中max（Δx，Δy）为点目标x、y轴方向大者，min（Δx，Δy）为点目标x、y轴方向小者。

3）小目标的占比R=Nt/Nw∈[0.4，1]，其中Nt为小目标的像素数，Nw为模板窗口像素数，一般选择3×3模板。

1.2.2 灰度模型分析

红外图像中灰度特征反应了场景中物体的辐射强度，小目标的灰度特征与复杂云背景中的散云、飞鸟等存在一定的差异，通过对大量小目标红外灰度特征的分析，提取以下2点特征参数：

1）平均值灰度差

平均灰度差是小目标区域灰度均值和邻域局部背景灰度均值的差值，反映红外图像中的弱小目标灰度微弱程度。

式中：nT——小目标的像素数；

nB——窗口内除了小目标以外的背景像素数，

即nB=Nw-nT；

Δf——均值灰度差。

2）局部平均梯度

通常人造的红外目标相对于背景来说，其内部细节比自然场景更加丰富，目标梯度和背景梯度会有很大差异，对于二位数字图像f（x，y），在点（x，y）处的梯度定义为

为了简化计算，将梯度定义为沿某一方向相邻像素相减的绝对值之和。对于3×3的邻域，0°、45°、90°、135°方向上的梯度按照下面的公式计算：

红外小目标的灰度梯度均值反映目标相对于背景的灰度变化剧烈程度，目标点8个方向的梯度均值表示为

1.2.3 航迹特征

小目标在场景中的航迹特征主要表现为速度和轨迹两个方面，小目标在连续几帧图像中具有相关性，轨迹曲线也较为平滑。在多帧处理中，可利用连续多帧（比如5帧）目标点连续出现的概率来判决。如图1所示，经过多帧处理后，目标点的轨迹用“+”表示，而视场中非目标点用“×”标识。一般情况下，由于飞机目标轨迹近似为直线，而飞鸟轨迹曲率均方差较大。通过航迹特征，可以将小目标和飞鸟等区别开来。

图1 不同目标的航迹特征

2 预处理算法

通过对小目标特征的分析，经过反复试验，发现影响复杂天空背景下小目标检测概率的主要因素是背景中的云边缘，以及形状和灰度与小目标类似的碎云目标。预处理主要实现红外图像背景杂波抑制，构造背景图像的水平决定了后续检测概率。构造的背景图像一方面要滤除红外小目标等点高频分量，另一方面尽量保持原始图像中的云层边缘等线高频分量，随后差分运算后能较好地保持小目标信息。

2.1 基于统计排序的高通滤波算法

传统的背景抑制算法多采用中值滤波器，由于其对边缘处理的不确定性，差分之后的图像中能够较为清晰地看到起伏较大的背景的边缘，不利于目标检测，提出基于统计排序的高通滤波器，既保证了图像中小目标，又有效地进行边缘处理。统计排序滤波属于非线性滤波，设滤波窗口W内所有像素的个数为N=n×n（n为奇数），当W移动至坐标K（x，y）时，窗口内像素序列记为WN（k）：

对WN（k）进行排序变换Sort得到序列Qm（k），其中X1′（k）≤X2′（k）≤…≤XN′（k），用序列Qm（k）值中的像素值或者几个像素值的加权组合代替当前位置像素值。传统预处理算法多采用中值滤波法，虽然对图像中的椒盐噪声有较好的滤波效果，但对复杂背景的边缘处理效果不佳，根据背景差分处理算法的要求，原始图像与高通滤波之后图像比对得到图像中的高频分量。系统中用Qm（k）（其中取m＜（N+1）/2）代替当前像素点的灰度值。此算法的关键是m取值，设计中根据当前窗口像素值标准方差自适应得到。

以上统计排序算法在FPGA内部实现，利用FPGA速度快、并行处理能力强的特点，由内部流水线实现并行快速排序算法，结合当前窗口背景的标准方差自适应获得m值。

2.2 Robinson Guard滤波器

传统预处理算法都是采用单一的策略算法进行背景抑制，在硬件资源充足的情况下，采用两种方法并行背景抑制无疑将较大程度提高检测概率。由于弱小目标在空域内变为点目标源，此处采用具有保护带的Robinson滤波器增强目标点。Robinson滤波器通过对比中心像素与其邻域像素极值间的差异来抑制背景，对缓变的平坦背景以及空间相关性强的边缘背景都有很好的抑制作用。

由于Robinson滤波器具有保护带，在目标不太大的情况下能给出目标的完整信息，以尺寸7×7的滤波器模板为例，其结构如图2所示。

图3 预处理流程图

2.3 图像预处理流程

为了提高检测概率，需考虑背景的复杂程度，根据图像特征确定各类背景阈值分割，从而达到自适应地抑制复杂背景的目的。预处理算法流程如图3所示，红外探测器输出14bit、120fps数字图像，单帧图像的采集、缓存和预处理算法在FPGA上实现，目标的多帧处理在DSP内完成。

3 实验结果及分析

本文的预处理算法在FPGA内实现，红外探测器输出120 fps的14bit数字图像，图像大小320×256。为了更好评价各种预处理滤波算法的有效性，定义目标信噪比（SNR）：

式中：fT——目标灰度；

fB——目标周围背景的平均灰度；

σB——背景标准差。

图4 Top-hat变换后的图像结果

图5 均值滤波预处理后图像结果

图6 中值滤波预处理后图像结果

图7 统计排序+Robinson滤波预处理后图像结果

引入背景抑制因子（background suppression factor，BSF），BSF=Cin/Cout，其中Cin和Cout分别代表图像处理前后杂波的标准差。

为了验证算法的有效性，在某靶场开展了针对靶机的验证实验，如图4（a）所示，天空背景较为复杂，将红外小目标出现在视场中的视频中的5s图像进行实时采集并存储。分别采用形态学Top-hat滤波算法、均值滤波算法、中值滤波算法和统计排序+ Robinson滤波算法，对目标进行实时检测和判别。原始图像如图4（a）所示，经过多种算法滤波后的图像如图4～图7所示。

以上滤波算法均在FPGA内实现。4种背景抑制算法信噪比对比如表1所示。

表1 4种滤波算法对比

并对6s视频目标检测的结果进行了对比，目标视频共计120 fps×5 s=600帧，目标检测中采用多帧（5帧）处理算法，对目标有效检测进行统计，采用不同算法的检测概率如表2所示。

表2 4种滤波算法检测概率对比

由此，发现基于统计排序和Robinson保护滤波器的预处理能够较好地抑制复杂背景，对小目标的保护也比较出色，有效提高了目标的检测概率。

4 结束语

本文针对复杂背景下的红外小目标图像预处理，首先分析了红外小目标图像特征和影响复杂背景小目标图像信噪比的主要因素，提出复杂背景下的基于统计排序滤波和具有小目标保护带的Robinson滤波并行处理算法。实验结果表明，本文方法在复杂天空背景下，有效地减小了复杂背景在边缘处理中带来的虚警，背景噪声得到有效抑制，为目标检测概率的提高和虚警率的降低奠定基础。

参考文献

[1]赵晶晶，谌海新，刘星彤，等.红外小目标图像预处理方法研究[J].信号处理，2009，25（7）：1088-1091.

[2]叶增军，王江安，阮玉，等.海空复杂背景下红外弱点目标的检测算法[J].红外与毫米波学报，2000，19（2）：121-124.

[3]卢莉萍，李翰山，张宏.复杂背景下的红外小目标图像信息提取[J].西安科技大学学报，2011，31（5）：584-588.

[4]王宇翔，韩振铎，王宏敏，等.一种基于自适应背景预测的红外弱小目标检测方法[J].激光与红外，2012，42（10）：1181-1186.

[5]方义强，樊祥，程正东，等.基于数学形态学的红外小目标跟踪研究[J].弹箭与制导学报，2012，32（2）：15-18.

[6]罗晓清，吴小俊.利用小波变换与Gabor滤波检测红外小目标[J].，2011，40（9）：1817-1822.

[7] ROBINSON G S. Edge detection by compass gradient masks[J]. Comput Graphics Image Processing，1977，6（5）：315-328.

[8] LEUNG H，YOUNG A. Small target detection in clutter using recursive nonlinear prediction [J]. IEEE Tans on Aerospace and Electronic Systems，2000，36（2）：713-718.

[9]牛戴楠.基于FPGA的红外图像预处理系统的研究与设计[D].武汉：武汉理工大学，2008.

[10]秦剑，陈钱，钱惟贤.基于背景分类的弱小目标检测算法[J].光电工程，2011，38（1）：23-33.

[11] EMILIO M，ANDREA C. Learning scene context for multiple object tracking[J]. IEEE Transactions On Image Processing，2009，18（8）：1873-1884.

（编辑：徐柳）

Study on the algorithms for infrared small object image background suppression

JIN Changjiang，SHI Tingwei
（The 27th Research Institute of China Electronics Technology Group Corporation，Zhengzhou 450047，China）

Abstract:The recognition of infrared small targets in complex backgrounds is one of the key technologies for infrared image processing. In this paper，a rapid order -statistics filters and Robinson Guard filters based parallel and rapid processing algorithm is proposed according to the temporal and spatial fields of infrared small and weak targets under complicated cloud backgrounds and the requirements of hardware realization and real-time performance. It is a high SNR background suppression method. The experiment reveals that the algorithm can improve the SNR of infrared small and weak targets and enhance the probability in small target detection under complicated backgrounds.

Keywords:small object detection；infrared image；background suppression；Robinson Guard filter

文献标志码：A

文章编号：1674-5124（2016）04-0115-05

doi：10.11857/j.issn.1674-5124.2016.04.025

收稿日期：2015-12-15；收到修改稿日期：2016-01-20

作者简介：金长江（1983-），男，河南郑州市人，工程师，硕士，主要从事光电信息处理研究。