地基观测红外目标二维经验模式分解检测方法及应用

陈 略，唐歌实，王保丰，路伟涛，王 欣

（1.北京航天飞行控制中心，北京100094；2.航天飞行动力学技术国家级重点实验室，北京100094）

1 引言

航天器在返回过程中的跟踪观测对于航天器返回状态评估、弹道计算与应急决策等至关重要。航天器在返回过程中需要穿越稠密大气层，地基航天器观测易受到气象条件影响，尤其是云层杂波对目标监测影响最为严重［1］。航天器返回过程中，可见光观测相对于红外观测更容易受到外界环境影响［2］。因此，地基红外观测是航天器返回过程中最重要的监测手段之一。在红外监视系统中，由于对太阳光的反射，高亮云层等形成很强的背景杂波干扰，其能量强度甚至远远超过目标，导致目标被淹没其中。为有效地抑制背景杂波，去除背景杂波干扰是目标检测的关键环节［3］。针对红外探测下的背景杂波抑制问题，国内外学者提出了许多背景抑制方法，例如局部去均值算法、最大中值滤波算法、形态学滤波算法、小波变换、基于核函数的时空域联合抑制算法等，各种背景抑制算法都有其适应性与局限性，针对不同的背景特征其性能各不相同［3］。经验模式分解（Empirical Mode Decomposition，EMD）能将信号自适应地分解到不同尺度上，非常适合于非线性、非平稳信号处理［4］，已被广泛应用于工程领域［5-6］。2003年，Nunes提出二维 EMD（BEMD）的思想［7］，使EMD的应用技术从一维迈向了二维领域［8-9］，并很快应用于核磁共振图像［10］、雷达图像［11］、人脸图像［12］等处理中，非常适合于非线性、非平稳图像处理过程。但BEMD方法在红外图像目标检测中的应用及性能未见报道。

本文引入BEMD方法处理航天器返回过程中的实测红外图像，以增强航天器返回红外图像的清晰度，从而为返回航天器红外目标跟踪与检测提供可靠依据。

2 红外图像检测方法

本文基本思路是基于BEMD方法对红外图像进行处理，结合中值滤波图像预处理方法与点锐度图像清晰度评价方法，对红外图像进行处理，为红外目标检测提供高清图像结果。下面简要介绍BEMD方法、点锐度图像清晰度评价方法与本文红外图像处理流程。

2.1 基于BEMD的红外图像处理算法

BEMD是对一维EMD的扩展，对于二维M×N 图像信号 fx，y( )，x ＝ 1，…，M，y ＝ 1，…，N，BEMD 的实现过程如下［7］：

1）外部初始化，令待处理的图像式（1）：

筛分抽取第j个IMF：

（1）初始化如式（2）：

（2）利用形态学算法或8邻域象素，找出hk－1中的极大值和极小值点；

（3）分别对极大值点和极小值点进行包络拟合，形成二维图像包络曲面 uminx，y( )和umaxx，y( )；

（4）确定上下包络的均值如式（3）：

（5）从图像中减去均值得到式（4）：

（6）计算终止条件，若满足IMF条件则有式（5）：

否则令k＝k＋1，转到（2）步；

2）求残余量如式（6）：

若rjx，y( )中仍有不少于两个的极值点或者分解所得的 IMF。数目未达到要求，则将rjx，y( )看作新的数据转到（2），j＝ j＋ 1。

3）最后得到的BEMD分解结果如式（7）：

2.2 红外图像清晰度评估

锐度，有时也叫“清晰度”，是反映图像平面清晰度和图像边缘锐利程度的一个指标，如果将锐度调高，图像平面上的细节对比度也更高，看起来更清楚［13］。本文引入改进自边缘锐度算法的点锐度的方法进行红外图像的清晰度评估，定义点锐度为式（8）［13］：

其中，m和n为图像的长和宽；df为灰度变化幅值；dx为像元间的距离增量。上式可描述为：逐个对图像中的每点取8邻域点与之相减，先求8个差值的加权和（权的大小取决于距离，距离远则权小，如45°和135°方向的差值需乘以1／2），再将所有点所得值相加除以像素总个数。该式可以理解为对图像每点周围的灰度扩散程度的统计，即扩散越剧烈，其值越大，图像越清晰。

2.3 红外图像处理流程图

基于BEMD的红外图像处理流程示意图如图1所示，步骤为：首先输入待检测的原始红外图像，然后利用中值滤波对其图像进行预处理，接着预处理后的图像利用BEMD方法对其进行自适应分解，获得二维基本模式分量（BIMF）和残余图像，依据分解效果选择合适的BIMF重构红外图像，随后利用改进的点锐度方法计算重构红外图像的点锐度，最后对重构图像进行目标检测，并对比原始红外图像进行清晰度评价。

图1 红外图像处理流程示意图Fig．1 Flowchart of original infrared image processing

3 红外目标实测数据分析验证

在某次航天器返回时，由于天气与云层杂波影响，可见光频段无法获得清晰的跟踪图像，红外图像跟踪成为最重要的跟踪手段。测站实时传送至数据处理中心的原始红外图像在某些时刻也存在模糊不清的现象。事后获取原始红外图像，利用基于本文算法开发的程序，对某航天器在返回时的红外监测图像进行处理，验证红外目标检测方法的有效性。图2为航天器刚进入大气层时红外图像，从图中可以看出航天器拖着较长的一条尾焰，那是因为返回航天器表面与大气剧烈摩擦的结果。从图中也可以看出，当天的气候条件十分恶劣，云层与背景杂波十分显著，红外图像中的目标也较模糊，目标与云层背景杂波对比度不强，与此同时观测站的可见光并不能发现目标。观测站持续对目标进行红外图像跟踪，相对于图2中5 s后红外图像如图3所示，可以看出红外图像中的目标更加模糊。对原始红外图像西先进行3×3的中值滤波预处理后，利用本文的BEMD算法进行处理，图2的红外图像经BEMD分解后BIMF的图像如图4所示，残余项的红外图像如图5所示。

图2 航天器进入大气层的红外原始图像一Fig．2 Original infrared image 1 of spacecraft re-entry

图3 航天器进入大气层的红外原始图像二Fig．3 Original infrared image 2 of spacecraft re-entry

图4 航天器红外原始图像一的BEMD分解IMF图Fig．4 IMF figure based on BEMD of original spacecraft infrared image 1

分别对图2、图3红外图像BEMD分解获得BIMF进行重构，获得目标红外重构图，分别如图6、图7所示。对于与图2、图3，可以明显看出目标红外重构图的清晰度明显提高。为进一步量化红外图像清晰化指标，采用上一节中介绍的点锐度方法进行定量评估。且结果如表1所示。可以看出利用本文的BEMD算法对目标红外图像处理，红外图像清晰度提高了近100倍，目标在红外图像中更加清晰可见。

图5 航天器红外原始图像一的BEMD分解残余图Fig．5 Residual figure based on BEMD of original spacecraft infrared image 1

图6 航天器红外原始图像一的BEMD重构图Fig．6 Re-construct figure based on BEMD of original spacecraft infrared image 1

图7 航天器红外原始图像二的BEMD重构图Fig．7 Re-construct figure based on BEMD of original spacecraft infrared image 2

为进一步验证二维EMD方法对于处理目标红外图像的有效性，对另外测站跟踪获取的航天器返回末段目标红外图像进行处理，其红外原始图像如图8所示，可以看出原始红外图像非常模糊，红外图像背景和目标对比度不明显。利用本文的方法对该红外图像进行处理，得到的重构红外图像如图9所示，从图中可以明显看出，红外图像的清晰度得到明显改善，航天器在末段降落过程中打开的降落伞在图像中央清晰可见，且在降落伞下方的航天器变得非常直观，验证了本文红外图像方法的有效性。

表1 航天器返回初段红外图像点锐度比对结果Table 1 Comparison of dot sharpness of infrared image in initial phase of spacecraft re-entry

图8 航天器返回末段的红外原始图像Fig．8 Infrared image in last phase of spacecraft reentry

图9 航天器返回末段红外图像的BEMD重构图Fig．9 Reconstructed figure based on BEMD in end phase of spacecraft re-entry

利用点锐度方法定量评估重构红外图像与原始红外图像的清晰度，结果如表2所示，从表中可以看出重构红外图像的点锐度显著提高，相对原始红外图像提高了超过10000倍，红外图像的清晰度得到大幅度提高。

表2 航天器返回末段红外图像点锐度比对结果Table 2 Comparison of dot sharpness of infrared image in spacecraft middle and end re-entry phase

4 结论

本文论述了BEMD算法与点锐度判据，以此为基础开发了红外图像处理程序，并对实测航天器返回过程中的红外图像进行了处理，图像处理结果表明：BEMD方法实现了红外背景杂波有效抑制，大幅提高了红外图像的清晰度，点锐度提高了100倍以上的量级，有效实现了对返回航天器的准确检测与识别。本文的红外图像处理方法可靠、可行，可为后续相关工程任务实施提供技术支持。

参考文献（References）

［1］ 巩晋南，侯晴宇，张伟.红外云杂波下点目标检测算法性能评价［J］.哈尔滨工程大学学报，2015，36（4）：577-580.Gong Jinnan， Hou Qingyu， Zhang Wei.Performance evaluation for point target detection algorithm under infrared cloud clutter［J］.Journal of Harbin Engineering University， 2015，36（4）： 577-580.（in Chinese）

［2］ 胡永生.复杂背景中红外弱小目标探测方法研究［D］.南京：南京理工大学，2008.Hu Yongsheng.Research on Infrared Dim and Small Target Detection in Clutter Environment［D］.Nanjing： Nanjing University of Science and Technology， 2008.（in Chinese）

［3］ 林再平.天基红外图像弱目标检测前跟踪技术研究［D］.长沙：国防科学技术大学，2012.Lin Zaiping.Research on Weak Target Track-Before-Detect Technologies for Space-based Infrared Image［D］.Changsha：National University of Defense Technology， 2012.（in Chinese）

［4］ Huang N E，Shen Z， Long S R， et al.The empirical mode decomposition and the Hilbert spectrum for nonlinear and nonstationary time series analysis［C］ ／／Proceedings of the Royal Society of London A： mathematical， physical and engineering sciences.The Royal Society， 1998， 454（1971）： 903-995.

［5］ 陈略，訾艳阳，何正嘉，等.总体平均经验模式分解与1.5维谱方法的研究［J］.西安交通大学学报，2009，43（5）： 94-98.Chen Lue， Zi Yanyang， He Zhengjia， et al.Research and application of ensemble empirical mode decomposition principle and 1.5 dimension spectrum method［J］.Journal of Xi’an Jiaotong University， 2009， 43（5）： 94-98.（in Chinese）

［ 6 ］ Chen Lue， Zi Yanyang， He Zhengjia， et al.Rotating machinery fault detection based on improved ensemble empirical mode decomposition［J］.Advances in Adaptive Data Analysis， 2014， 6（2）： 1-24.

［7］ Nunes J C，Bouaoune Y，Delechelle E，et al.Image analysis by bidimensional empirical mode decomposition［J］.Image and Vision Computing， 2003， 21（12）： 1019-1026.

［ 8 ］ Nunes J C， Guyot S， Deléchelle E.Texture analysis based on local analysis of the bidimensional empirical mode decomposition［J］.Machine Vision and Applications， 2005， 16（3）：177-188.

［9］ 宋立新，高凤娇，郗朝晖.二维EMD分解方法的比较与改进［J］. 电子与信息学报，2008，30（12）：2890-2893.Song Lixin， Gao Fengjiao， Xi Zhaohui.Compared and improved research of bidimensional empirical mode decomposition method［J］.Journal of Electronics ＆ Information Technology， 2008，30（12）：2890-2893.（in Chinese）

［10］ Sahu O， Anand V， Kanhangad V， et al.Classification of magnetic resonance brain images using bi-dimensional empirical mode decomposition and autoregressive model［J］.Biomedical Engineering Letters， 2015， 5（4）： 311-320.

［11］ 张帆，刁鸣，杨承志.时频图像二维EMD分解在LPI信号识别中的应用［J］. 现代防御技术，2015，43（5）：172-177.Zhang Fan， Diao Ming， Yang Chengzhi.Radar signal classification based on two-dimensional empirical mode decomposition of time-frequency images［J］.Modern Defence Technology， 2015，43（5）： 172-177.（in Chinese）

［12］ 万建，任龙涛，赵春晖.二维EMD应用在图像边缘特征提取中的仿真研究［J］.系统仿真学报，2009，21（3）：799-801.Wan Jian， Ren Longtao， Zhao Chunhui.Simulation research of applying two-dimensional empirical mode decomposition on image feature extraction［J］.Journal of System Simulation，2009， 21（3）： 799-801.（in Chinese）

［13］ 王鸿南，钟文，汪静，等.图像清晰度评价方法研究［J］.中国图象图形学报，2004，9（7）：828-831.Wang Hongnan， Zhong Wen， Wang Jing， et al.Research of measurement for digital image definition［J］.Journal of Image and Graphics， 2004， 9（7）： 828-831.（in Chinese）