采用局部特性对比的多弹迹点检测

王春平，苗晓孔，付 强



采用局部特性对比的多弹迹点检测

王春平，苗晓孔，付 强

（军械工程学院 电子与光学工程系，河北 石家庄 050003）

针对红外图像中多弹迹点检测精度不高的问题，对红外图像中弹迹点的特性进行了分析，提出了一种基于局部特性对比的多弹迹点检测算法用于有效检测红外图像中低信噪比条件下的多弹迹点。该方法利用同态滤波和中值滤波两种综合滤波方法减少光照不均的影响，提高图像信噪比。然后根据弹迹点在红外图像中自身的局部特性，采用局部特性对比并结合边缘检测精确检测弹迹点位置。从理论上分析了检测算法的有效性，并通过仿真实验与其他检测方法进行了对比。实验结果显示，本方法能够在低信噪比条件下有效检测出红外图像多弹迹点，与基于Top-hat和基于局部均值等方法相比，检测准确度更高，鲁棒性更好。

局部对比；红外图像；对比特性；弹迹检测

0 引言

随着红外探测技术和图像处理技术的不断发展，红外目标检测在军事战争中发挥的作用越来越重要。红外探测除了具备光电探测被动检测、隐蔽性好等优势外还具有可昼夜工作，受天气影响小等优势，因此红外目标检测技术在精确制导、防空预警、安全监控等领域也获得了广泛应用[1]。

近些年来，利用红外技术检测空中弹迹点的算法层出不穷，从最初的空域滤波[2]、小波变换[3]、Top-hat变换[4]，到现在逐步发展起来的机器学习法[5]、遗传算法[6]以及主成分分析法等。但是分析目前弹迹点检测算法可以发现：最新的智能学习等检测算法往往计算复杂，程序繁琐，对硬件的要求较高，而传统的检测算法绝大部分还存在虚警率高、先验条件要求过高等问题。

针对弹迹点检测算法的不足，在分析红外弱小目标特征的基础上，结合弹迹点本身特性提出了采用局部特性对比的多弹迹点检测。采用综合滤波的方式，将红外原始图像滤波，进一步减弱光照和噪声干扰等问题，提高图像信噪比，然后根据弹迹点自身特点，采用局部对比度方式进行区域分割，最后再结合边缘检测等方法确定多弹迹点位置。

1 红外图像中弹迹点目标特点

红外图像中的弹迹点作为一类特殊的红外弱小目标，具备了红外弱小目标的基本特征，为了实现对弹迹点目标的检测，本文先简述红外弱小目标的特征，再总结弹迹点的自身特征。

红外弱小目标中的“弱”和“小”是指不同目标所具有的两个不同的属性。“弱”是指目标反射红外的强度，目标与背景的灰度对比度低。“小”是指目标在整幅图像中所占像素点少。大部分学者是将所占像素和不超过图像总像素的0.15%的目标定义为红外弱小目标[7]。

在红外图像中，目标虽然弱小，但具有其自身特点：首先红外图像中背景区域一般具有很强的相关性，而目标和背景之间的相关性不明显。目标在图像中呈现为一个灰度奇异点，且亮度区域的大小基本保持不变，相当于一个有区别的图像块的概念[8]。其次目标周围区域存在一定程度的低灰度区域，因此具有相对的孤立性，背景往往变化平缓不具有极大值特性，而目标区域变化突然，具有极值特点。

弹迹点特征：弹迹点目标是一类特殊的红外弱小目标。其与小目标的相似性表现在体积大小以及与背景灰度差别上，其特殊性则体现在：

1）弹迹点目标的像素灰度值相近，但与背景的对比度变化范围较大；

2）弹迹点目标具有较为一致的形状特征，但是位置会出现小幅偏移。

通过上述特征可以发现弹迹点目标具有局部某一特性不变的特征，其对平移、旋转等位置变化不敏感，且弹迹点与弹迹点之间相似性高，可以通过利用比较弹迹点与弹迹点之间的区域相似性来确定弹迹点的位置和数量，减小漏检概率，提高检测准确率。

2 图像综合滤波

采用将同态滤波和中值滤波相结合的综合滤波方式，可以有效减小光照、噪声的影响，提高图像信噪比，为后续图像目标检测和跟踪等奠定基础。

同态滤波的基本原理是：将像元灰度值看作是照度和反射率两个部分的组成，由于照度相对变化很小，可以看作是图像的低频成分，而反射率则是高频成分，通过分别处理照度和反射率对像元灰度值的影响，达到展示图像细节特征的目的。

因为弹迹点属于一类特殊的红外弱小目标，其在图像中的亮度虽然呈现局部特征但是整体的亮度较暗，极易受到光照不均影响，使得滤波处理过程中无法准确分割出目标区域。而同态滤波是一种图像预处理中主要用于解决光照非均衡图像校正问题的常用算法[9]。其采用图像频率域处理范畴的方法，对图像的灰度范围进行调整，通过增强暗区的图像细节，同时也不损失亮区的图像细节，达到消除图像上照明不均的问题。

同态滤波的流程如图1所示。

图1 同态滤波的流程图

step 1：先对原始红外图像取对数

假设原始红外图像的中每一个像素点可用(,)表示，其可以看作是入射分量(,)和反射分量(,)的卷积，即：

(,)＝(,)*(,)

通过取对数分离两个分量，如式(1)：

(,)＝ln(,)＝ln(,)＋ln(,) (1)

step 2：进行傅里叶变换，将函数转换到频域：

(,)＝(,)＋(,) (2)

step 3：在频域中利用同态滤波器进行滤波

选择合适的传递函数，即合适的同态滤波器(,)进行滤波，削弱低频的弱入射分量(,)，增强高频的反射分量(,)。该步骤滤波函数为：

(,)＝(,)(,)＝(,)(,)＋(,)(,) (3)

step 4：最后通过逆傅里叶变换及指数变化得到增强后的图像：

为了验证中值和同态滤波结合后的综合滤波效果，本文也通过实验仿真对各滤波算法效果进行了对比，实验效果如图2所示。

图2(a)为一幅目标和弹丸在同一视野内的原始红外图像，由于图像受到光照影响，左侧部分受到严重干扰。为了更加清晰地看出光照对目标图像的影响，图2(b)是将原始红外图像未经任何图像预处理直接自适应阈值分割所得图像，从图2(b)能够更清楚地看到图像受到光照干扰的程度，这将对目标和弹迹检测产生影响。图2(c)～(f)分别是经过形态滤波、中值滤波、同态滤波和综合滤波之后再进行的二值分割图像，对比图2(c)、图2(d)和图2(e)三幅图像可以明显看出，同态滤波能够很好地削弱图像高频部分的影响，较好地抑制了光照影响，中值和形态滤波则不能很好地做到这一点，但是同态滤波也不能够完全将光照影响消除，且目标区域在一定程度上也会受到影响。图2(f)为综合滤波效果图，分析综合滤波效果可以看出：该滤波方法一定程度上削减了光照不均的影响，同时也很大程度上保留了目标区域的信息，起到了较好的滤波效果。

图2 不同滤波方式处理的二值分割图像

3 局部特性对比

在红外图像中，对于小目标来说大多数情况下缺少纹理和形状等特征信息，对于弹迹点目标同样存在这个问题，本文所提算法首先对弹迹图像进行滤波，提高图像信噪比，然后采用局部对比度方法，利用其在提取目标区域特征信息方面的优势再次处理图像，结合图像中弹迹点的特征进行的多弹迹点检测。

3.1 局部对比度

局部对比度策略是一种基于像素级信息进行的目标检测算法，其原理主要是通过计算每个像素点所在区域与周围区域的差异来突出弱小目标，并抑制背景[10]。文献[10]中对局部对比度检测模型进行了详细介绍，这里简要概括如下。

如图3所示为检测的主要模型。局部对比度检测是通过滑动窗口Q模板对每帧图像E中的像素进行检测处理。R表示当前帧图像中目标所在区域。该方法通过不断移动模板窗口，使其遍历整幅图像后确定出目标位置。图4表示模板Q内部分割处理方式。模板Q将其所在区域分割为如图4所示的9个不同单元，这9个单元大小相同，中心位置被记作“0”号单元。

检测步骤：

Step 1：通过式(5)计算“0”号单元最大像素值：

式中：I0代表“0”号单元中第个像素点灰度值；0表示每个单元中所含像素总数；L表示第个Q模板，＝1, 2, …,；为Q模板总数量。

Step 2：通过式(6)分别计算1至8号单元内平均灰度值：

式中：I表示第个单元中，第个像素的灰度值；N表示第个单元中图像所含像素总数；表示从1至8的单元序列号。

E表示被检测图像；Q表示检测模板；R表示目标区域。

图3 局部对比检测窗口

Fig.3 Local contrast detection window

图4 模板Q内部分割

Step 3：通过式(7)计算局部对比度值C：

Step 4：将第3步计算的局部对比度值C代替0号单元中心像素点灰度值，计算当前模板Q所对应的局部像素值。

Step 5：在整幅图像中遍历，得到与原图像相对应的局部对比度图像。

通过上述局部对比度的检测方法可以起到突出弱小目标，抑制背景的作用，有利于检测出目标或弹迹点位置，但其对前期的预处理效果依赖相对较大，同时会将少量噪声点误认为目标检测出来，对检测效果造成影响。

3.2 局部特性对比

采用局部特性对比的方法检测多弹迹点是在局部对比度检测基础上进行的，将检测到的“类目标区域”（将通过局部对比度方法检测出的所有符合目标特征点统称为类目标区域，包含目标、部分噪声点和干扰物）先进行边缘检测再进行局部数据相关处理和对比，然后通过提取局部特征共性最终确定弹迹点。其具体的检测步骤如下：

step 1：将局部对比度图像中的个类目标区域进行提取，统计各个类目标区域的最大长度l和宽度w。

step 2：计算和统计各个区域面积并保存，同时通过下式计算总的类目标区域均值和方差：

＝l/w，＝1,…,(10)

式中：表示第个类目标区域的长宽比。

step 4：根据式(10)的判别式最终确定目标位置：

依据式(13)，将同时符合两个判别式的所有对应点标记出来，即为最终检测的弹迹点。

4 实验结果及分析

为了验证局部特性对比算法的性能和效果，通过实验对算法进行了验证。本文的仿真实验平台是基于硬件平台32位操作系统的 Intel Core i5 CPU，8GB RAM计算机；软件平台是基于Windows 7操作系统和MATLAB R2015b。

4.1 本文算法检测效果

主要选取了3幅不同状态下含有多弹迹的红外原始图像，图像尺寸均为640×480，为了测试检测算法的有效性和精确度，采用漏检率（漏检：指真实存在的弹迹点却未检测出来或者将相近两个或多个弹迹点检测为一个）、误检率（误检：是指错误的将噪声点或者干扰物作为弹迹点检测出来）以及检测准确率（检测到的真实目标个数与检测到的所有类目标区域总个数之比）作为评价检测性能的指标。其计算公式分别为：

式中：L、w和z分别表示漏检目标概率、误检概率和检测准确率。L表示漏检的真实目标个数；w检测到错误目标个数；act表示算法检测到的弹迹点的个数；zq表示检测到真实弹迹点的正确个数。漏检和误检概率越低（越接近0），准确率越高（越接近1）表示检测效果越好，检测精确度越高。如图5所示为3组不同情况下多弹迹点的原始红外图像。

图5(a)和图5(b)均为左侧受到光照不均严重影响的情况，图5(b)还同时存在多个弹迹点距离较近，甚至相连或者重合的复杂情况。图5(c)为同时包含目标点和多弹迹点的情况，受到目标亮度对红外系统的干扰，画面中弹迹点的亮度和清晰度也受到影响。

图6是局部特性对比度算法的流程中各步骤的检测效果图，表1记录了图6中局部对比特性检测相关参数。结合检测效果和表1的参数分析可知：局部对比特性检测算法的检测效果较明显，有效提升了弹迹点检测的精度和检测效果，但是仍存在一定程度上的漏检和误检。

图5 含多弹迹点的原始红外图像

4.2 与其他实验对比

为了进一步衡量算法的有效性，将多弹迹点检测算法与基于Top-Hat变换的检测、基于局部均值法的检测进行了对比实验。如图7所示，仍采用上述3幅不同情况下的多弹迹点图像，图像分辨率为640×480。3幅原始红外图像中第1幅表示受光照不均影响的少量弹迹点，第2幅表示大量弹迹点且弹迹点相距较近的情况，第3幅表示目标和弹迹点同时出现时的情况。

图6 局部特性对比度检测效果

表1 图6中局部对比特性检测相关参数

图7(b)为基于Top-hat检测算法分割阈值为0.4的检测结果，图7(c)为基于Top-hat检测算法分割阈值为0.5的检测结果，图7(e)为基于局部均值检测算法＝0.1、＝0.35时的检测结果，图7(e)为基于局部均值检测算法＝0.15、＝0.35时的检测结果。其中，，为不同的权重系数，文献[11]给出了，具体公式。

为了检验本文算法的整体性能，实验中还对不同算法的检测耗时进行测量，如表2所示（表中数据为10次测量的平均值）。由表2可以看出本文算法的检测耗时相对较多，局部均值较少，本文算法还有进一步完善和改进的空间。表3是对图7中3种算法检测结果的统计。表4则是对图7中3种检测算法的准确率的统计。由表3可得：基于Top-hat和局部均值的检测算法受参数影响较大，不同的参数检测效果差异明显，对于Top-hat检测阈值设置很关键，而对于局部均值法则对参数、都有限制，所以针对不同情况需要不断调整参数，而本文检测算法则适应性更强。从表4中能够可以看出本文检测算法的准确率比较高，针对不同情况算法的鲁棒性更好。但是本文算法在对距离相近的弹迹点检测时分辨率不高，需要进一步改进。

表2 图7中3种算法检测耗时

表3 图7中3种算法检测结果

表4 图7中3种检测算法的准确率

5 结论

对红外图像中的弹迹点进行了分析，针对弹迹点的特征提出采用局部特性对比的多弹迹点检测。采用综合滤波方式提高图像信噪比，然后采用局部对比度初步检测类目标，最后利用基于目标特征匹配[12]方式，将边缘检测和弹迹点自身的旋转不变性及面积特征等局部特性进行再次对比确定弹迹点位置。通过仿真实验验证了算法有效性，与其他实验的对比表明：本文检测算法的效果和适应性均优于基于Top-hat检测和基于局部均值的检测算法，本文算法的鲁棒性更好，但其耗时仍有进一步提升的空间。

[1] 王刚, 陈永光, 杨锁昌, 等. 采用图像块对比特性的红外弱小目标检测[J]. 光学精密工程, 2015, 23(5): 1424-1433.

WANG Gang, CHEN Yong-guang, YANG Suo-chang, et al. Detection of infrared dim small target based on image patch contrast[J].,2015, 23(5): 1424-1433.

[2] 罗军辉, 姬红兵, 刘靳. 一种基于空间滤波的红外小目标检测算法及其应用[J]. 红外与毫米波学报, 2007, 26(3): 209-212.

LUO Junhui, JI Hongbing, LIU Jin. Algorithm of IR small targets detection based on spatial filter and its application[J]., 2007, 26(3): 209-212.

[3] 王文龙, 韩保君, 张红萍. 一种海空背景下红外小目标检测新算法[J]. 光子学报, 2009, 38(3): 725-728.

WANG W L, HANG B J, ZHANG H P. A new algorithm of small target detection for infrared image in background of sea and sky[J]., 2009, 38(3): 725-728.

[4] TOM V, PELI T, LEUNG M, et al. Morphology-based algorithm for point target detection in infrared backgrounds[C]//., 1993, 1954: 2-11.

[5] 李玲, 宋莹玮, 杨秀华, 等. 应用图学习算法的跨媒体相关模型图像语义标注[J]. 光学精密工程, 2016, 24(1): 229-235.

LI Ling, SONG Yingwei, YANG Xiuhua, et al. Image semantic annotation of CMRM based on graph learning[J]., 2016, 24(1): 229-235.

[6] 张怀柱, 向长波, 宋建中, 等. 改进的遗传算法在实时图像分割中的应用[J]. 光学精密工程, 2008, 16(2): 333-337.

ZHANG H Z，XIANG C B，SONG J Z et a1. Application of improved adaptive genetic algorithm to image segmentation in real time[J]., 2008, 16(2): 333-337．

[7] BAE T W, KIM B, ZHANG F, et al. Recursive multi-SEs NW TH method for small target detection in infrared images[J]., 2011, 19(8): 1576-1582.

[8] Buades A, Coll B, Morel J M. A non-local algorithm for image denoising[C]//, 2005, 2: 60-65.

[9] 肖俊, 宋寿鹏, 丁丽娟. 空域同态滤波算法研究[J]. 中国图象图形学报, 2008, 13(12): 2302-2306.

XIAO Jun, SONG Shoupeng, DING Lijuan. Research on the fast algorithm of spatial Homomrphic filtering.[J], 2008, 13(12): 2302-2306.

[10] 王晓阳, 彭真明, 张萍, 等. 局部对比度结合区域显著性红外弱小目标检测[J]. 强激光与粒子束, 2015, 27(9): 091005-1-7.

WANG Xiaoyang, PENG Zhenming, ZHANG Ping et al.. Infrared small dim target detection based on local contrast combined with region saliency[J]., 2015, 27(9): 091005-1-7.

[11] 刘运龙, 薛雨丽, 袁素真, 等. 基于局部均值的红外小目标检测算法[J]. 红外与激光工程, 2013, 42(3): 814-822

LIU Yunlong, XUE Yuli, YUAN Suzhe, et al. Infrared small targets detection using local mean[J]., 2013, 42(3): 814-822

[12] 管学伟. 一种基于特征点匹配的目标跟踪方法[J]. 红外技术, 2016, 38(7): 597-601.

GUAN Xuewei.A Method of Object Tracking Based on Feature Point Matching[J].,2016, 38(7): 597-601.

Detection of Multi-shell Track Based on Local Characteristics Contrast

WANG Chunping，MIAO Xiaokong，FU Qiang

(,,050003,)

Aiming at the problem that the precision of multi-shell track detection in an infrared image is not high, this study analyzed the characteristics of the shell track in an infrared image, and proposed a local-characteristics-contrast-based multi-shell track detection method, which was used to detect multi-shell tracks efficaciously in infrared images with low signal-to-noise ratios. The homomorphic filter and median filter were used jointly in the proposed method to reduce the influence of the uneven illumination and improve the signal-to-noise ratio. Then, according to the local characteristics of the infrared image, the local characteristics contrast and the edges were combined to detect the position of the shell track accurately. The efficacy of the proposed method was analyzed theoretically. Verification and contrast experiments were conducted. The experimental results show that the proposed method can detect the multi-shell track effectively in an infrared image with low signal-to-noise ratio. Compared with the top-hat detection methods and the local-mean detection methods, the proposed method is better in terms of detection precision and robustness.

local contrast，infrared image，compare feature，shell track detection

TP391.9

A

1001-8891(2017)11-1012-06

2016-10-19；

2016-12-21.

王春平（1965-），男，陕西省汉中市人，教授，博士生导师，主要研究领域为图像处理、火力控制理论与应用。E-mail：wchp@tom.com。

国家自然科学基金（61141009）。