陆福星, 李夜金, 陈 忻, 陈桂林, 饶 鹏
(1.中国科学院上海技术物理研究所, 上海 200083; 2.中国科学院红外探测与成像技术重点实验室, 上海 200083; 3.中国科学院大学, 北京 100049)
近年来,红外弱小目标的检测是国内外红外数字图像信息处理领域研究的热点。目标因红外探测距离较远、成像面积小而缺乏形状和几何结构特征,红外图像背景复杂而呈现低信噪比(signal-to-noise ratio, SNR)、低对比度等特点,使得红外弱小目标的检测和跟踪十分困难[1]。
为了提高红外探测系统的目标检测能力,国内外学者提出了许多方法[2-4]。常用的方法包括空域和频域滤波[5-8]、双边滤波[9]、小波域滤波[5,10-12]、Perona-Malik (PM)模型滤波[1,13-15]、数学形态滤波[1]等方法,这些方法都有各自的特点,能实现一定程度的背景抑制(background suppression, BS)。一般的空域和频域滤波能够实现简单的BS,但当红外图像中背景起伏剧烈且噪声突出导致目标被淹没时,目标可能当作背景噪声被滤除,或者背景边缘被当作目标保留;多尺度多分辨率小波变换滤波能取得较好的滤波效果,但算法较为复杂,耗时较长因而不能满足实时性的要求;单一的PM模型滤波和数学形态滤波等在抑制背景和噪声的同时也会弱化目标的强度,因而降低图像的对比度,导致后续目标检测侯选的目标点过多,产生较大的误检概率。
因此本文提出了一种将PM和 Top-hat相结合的红外图像BS算法。首先通过形态学滤波中的 Top-hat变换对红外图像进行非线性增强,以提高目标与目标周围背景的对比度,然后再利用改进的PM模型滤波达到BS的目的。该方法不仅能抑制强起伏背景,而且能够增强目标信号,从而达到较好的检测数值指标和视觉效果。
传统的各向同性滤波在去除噪声的同时容易使图像的边缘变得模糊、丢失图像的细节信息;为了克服这一缺点,文献[14-20]在1990年提出了PM扩散模型。PM扩散模型是一种非线性的扩散方法,表达式为
(1)
(2)
在红外图像中,梯度较大的突变区域是目标,而梯度较小的平滑区域是背景。由于PM扩散模型用来剔除图像的噪声使图像变得平稳;而红外弱小目标检测中需要抑制平稳和非平稳的背景区域,保留突变的目标区域;因此需对PM模型的扩散系数作如下修改:在小梯度的背景处抑制扩散系数;而在大梯度的目标处扩散加强扩散系数[20]。文献[1,22]对这2种扩散系数进行了修改,即
(3)
修改后的扩散系数借助各向异性微分保留红外图像中的平稳、非平稳区域,平滑掉突变区域,来完成图像的背景预测。最后通过与原始图像的差分就可得到含有少量噪声和小目标的图像[15,22]。本文实验采用的扩散系数是C2。
形态学方法采用的是非线性滤波的方式,它通过集合的开、闭运算对图像进行操作来实现图像上奇异点的抑制,最常用的方法为Top-hat 算子[1,22]。数学形态学运算包含2个基本运算:膨胀和腐蚀。由于形态学开运算能够滤除小于结构元素的亮奇异点,形态学闭运算能够滤除小于结构元素的暗奇异点,而图像上缓慢变化的背景受运算的影响很小[15,19]。
(4)
式中,p=(p1,p2),q=(q1,q2),加权系数w和归一化常数C为
(5)
由于红外弱小目标在图像上表现为灰度的奇异点,选取大小合适的结构元,采用形态学Top-hat变换,可实现大部分的图像背景噪声抑制。而通过改进的PM模型得到的BS图像,在提高背景抑制因子(background suppression factor, BSF)的同时也一定程度上削弱了目标信号的能量,在复杂强背景噪声、低SNR的情况下,不利于弱小目标的检测。因此可采用一定的预处理操作先通过点目标增强来提高目标的SNR,再结合改进的PM形态学滤波来实现BS。
本文选择亮点目标图像进行分析,先通过Top-hat变换得到包含部分背景和小目标的残差图像,再通过改进的PM模型进行BS,最终得到BS后的目标图像。
为了衡量BS后图像的抑制程度,本文采用SNR、BSF和单帧图像的检测概率来说明算法增强目标信号和抑制背景的有效性[11,23-24]。
(1) SNR
(6)
式中,μt为目标灰度均值;μb为背景灰度均值;σb为背景灰度标准差。SNR主要反映目标灰度与背景灰度的相关性。SNR越大,目标与背景的相关性越小,目标受背景干扰越小。
(2) BSF
(7)
式中,σin,σout分别为滤波前后图像背景的标准差。BSF主要反映了滤波后背景的抑制程度,BSF越大,滤波后背景受到的抑制越强。
(3) 接收机工作曲线(receiver working curve,ROC)
对图像进行背景抑制后,可认为图像背景近似服从N(μb,σb)的正态分布,而目标服从N(μt,σb)的正态分布。采用恒虚警检测方法可以确定分割阈值,从而得到目标的检测概率[23-25]。通过设置不同的虚警率来调整分割阈值最终得到对应的检测率概率[26]。将对应的虚警率和检测率分别作为横轴和纵轴就可描绘出相应的ROC。
SNR反映了目标信号相对背景信号的加强程度,而BSF只反映了背景的抑制水平,没有反映任何目标信息。图像单帧检测概率反映了信号与背景的差异程度。这3个指标综合起来,评价更全面,它们的值越大,目标越显著,检测相对越容易。
为了比较本文算法的优势,特选取4幅不同SNR和不同对比度的弱小目标图片进行验证。实验结果如图1和图2所示。4幅图像中的目标均为添加的点目标,没有任何形状和纹理信息;图片为复杂云背景,4幅图像的SNR较低。第1幅和第4幅图像中的点目标位于背景平缓处,和周围背景相比较信号强度高于背景,但背景起伏程度较大;第2幅和第3幅图像背景起伏相对平缓,但图像中的目标位于白云之上,目标被严重干扰,图像SNR较低。
将4幅图像分别采用Top-hat滤波和PM方法进行BS,并与本文提出的方法进行比较。
图1 4幅图像的BS结果Fig.1 BS results of four images
图2 4幅图像的检测结果Fig.2 Test results of four images
从图1和图2可以看出,Top-hat处理的结果加强了目标的强度,但图像对比度较大,BS效果不佳;而PM能够较好地抑制背景但目标信号的能量较弱,本文提出的方法在抑制背景的同时又能较好地增强目标的信号能量,BS算法性能较单一的方法有了一定程度的提高。由图1可知,针对不同低SNR(SNR<2)云背景下的弱小目标采用Top-hat变换、PM抑制和本文方法得到的BS效果,本文提出的方法在平滑BS噪声方面效果更为显著,有利于后续弱小目标的分割。加入了最大中值滤波方法从SNR、BSF进行算法比较,具体数据如表1所示。
从经过不同的BS方法采用全局阈值分割法得到的4幅图像中可以看出,本文的方法进行BS后分割得到的图像较为理想,能消除较弱的杂波和噪声信号、很大程度上滤除强背景下的云杂波,因而含有较少的噪声,为后续序列图像的目标检测打下了良好的基础。
表1 不同算法性能比较
从表1可以看出,原始图像中目标仅占一个像素,基本没有形状和纹理结构的信息,部分图像中的目标强度较弱,被强烈的结构化云层所干扰,PM模型直接BS后,虽然BS算子较大,但同时也弱化了目标的强度,而改进的PM滤波方法处理能较好抑制背景云层但突出目标不明显,因而需要通过Top-hat变换先对目标进行增强再进行BS。仿真实验表明,通过新提出的算法能够较好地平滑背景边界,使得图像的SNR和BSF有较大的提升。从图1可以看出:本文提出的BS方法处理得到的图像经过阈值分割后产生的虚警明显减少,有利于序列图像的检测跟踪;而表1和图2表明本文提出的算法在SNR和BS能力上都有大幅度提高。
为了验证本文提出的算法检测弱小目标的检测能力,利用拍摄的100帧飞机图像作为实验对象,分别统计了Top-hat滤波、PM模型和本文算法ROC,实验中每幅图像均含有一个真实目标和4个不同强度的虚警目标,最终的ROC如图3所示。图3的ROC表明,改进后的算法在同等虚警条件下具有更好的检测能力。
图3 3种算法的ROC图Fig.3 ROC diagram of the three algorithms
在传统PM模型滤波的基础上,所提出的滤波算法利用了非线性映射的可分离性,结合了Top-hat变换能够根据不同起伏背景的特点自适应调节抑制参数大小,实现目标的增强。在Matlab仿真实验平台上用仿真红外图像进行验证,结果证明了该算法BS的有效性。仿真实验结果表明,本文算法与单一的Top-hat滤波算子、PM滤波方法及改进PM滤波相比,本文算法提高了图像SNR(20%),BSF有了显著提升,处理后的背景更加平滑;同时在同等虚警概率下检测能力比原有的PM模型提高了40%,对于提高天基红外探测系统的弱小目标检测能力的研究具有一定的参考价值。
参考文献:
[1] 张强,蔡敬菊,张启衡.各向异性的红外背景预测方法[J].强激光与粒子束, 2012, 24(2): 301-306.
ZHANG Q, CAI J J, ZHANG Q H. An anisotropic infrared background prediction method[J]. High Power Laser And Particle Beams, 2012, 24 (2): 301-306.
[2] 冯洋.基于改进的奇异值分解和形态滤波的弱小目标背景抑制[J]. 现代电子技术, 2016,40(3):5-8.
FENG Y. Background suppression of weak targets based on improved singular value decomposition and morphological filtering[J]. Modern Electronic Technology, 2016,40(3):5-8.
[3] 刘可辉, 天基红外点目标成像特征研究[D].西安:西安电子科技大学,2014.
LIU K H. Research on imaging characteristics of space-based infrared point target[D]. Xi’an: Xi’an Electronic and Science University, 2014.
[4] WANG B, DONG L L, ZHAO M, et al. A small dim infrared maritime target detection algorithm based on local peak detection and pipeline filtering[C]∥Proc.of the 7th International Conference on Graphic and Image Processing, 2015: 98170U.
[5] DONG X B, HUANG X S, ZHEN Y B, et al. Infrared dim and small target detecting and tracking method inspired by human visual system[J]. Infrared Physics & Technology,2014,62(1):100-109.
[6] 王鹏,王志成,张钧,等.基于多尺度小波核 LSSVM 的红外弱小目标检测[J]. 红外与激光工程, 2006, 35(C): 251-257.
WANG P, WANG Z C, ZHANG J, et al. Infrared dim target detection based on multi-scale wavelet kernel of LSSVM[J]. Infrared and Laser Engineering, 2006, 35(C): 251-257.
[7] 李静,袁媛, 复杂背景下弱小目标的检测[J]. 计算机与数字工程, 2015, 26(3): 408-411.
LI J, YUAN Y. Detection of dim targets in complex backgrounds[J]. Computer And Digital Engineering, 2015, 26(3): 408-411.
[8] CHEN C L P, LI H, WEI Y T, et al. A local contrast method for small infrared target detection[J].IEEE Trans.on Geoscience and Remote Sensing, 2014, 52(1): 574-581.
[9] MOHAMED M A. New detection algorithm for dim point moving target in IR-image sequence based on an image frames transformation[C]∥Proc.of the International Society for Optical Engineering, 2013, 8907(2): 89072E-89072E-10.
[10] 秦翰林,周慧鑫,刘上乾,等. 基于双边滤波的弱小目标背景抑制[J]. 强激光与粒子束, 2009, 21(1): 25-28.
QIN H L, ZHOU H X, LIU S Q, et al. Based on bilateral filtering of small targets, background suppression[J]. High Power Laser and Particle Beams, 2009, 21 (1): 25-28.
[11] 罗晓清,吴小俊.利用小波变换与 Gabor 滤波检测红外小目标[J].红外与激光工程,2011, 40(9):1817-1822.
LUO X Q, WU X J. Detection of small infrared targets by wavelet transform and Gabor filter[J]. Infrared and Laser Engineering,2011, 40 (9): 1817-1822.
[12] ZHAO D, ZHOU H X, ZHAO Y, et al. Infrared target detection based on surfacelet transform and total variation[C]∥Proc.of the SPIE 9675, AOPC 2015: Image Processing and Analysis, 2015: 229-236.
[13] CHEN H, ZHANG H, YANG Y F, et al. Small target detection based on infrared image adaptive[J]. International Journal on Smart Sensing & Intelligent Systems,2015,8(1):497-515.
[14] STRICKLAND R N, HAHN H I. Wavelet transform methods for object detection and recovery[J]. IEEE Trans.on Image Processing, 1997, 6(5):724-35.
[15] 孙海江,王延杰,陈小林.基于自适应梯度阈值各向异性滤波抑制红外复杂背景[J].光学精密工程, 2014, 22(1): 146-151.
SUN H J, WANG Y J, CHEN X L, Suppression of infrared complex background based on adaptive gradient threshold anisotropic filtering[J]. Optics and Precision Engineering,2014,22(1):146-151.
[16] 郭红伟,赵伶俐,李娟,等.基于各向异性的红外小目标背景预测及分割[J]. 激光与红外, 2016,46(10):1295-1300.
GUO H W, ZHAO L L, LI J, et al. Prediction and segmentation of infrared small target background based on anisotropy[J]. Laser and Infrared, 2016,46 (10): 1295-1300.
[17] 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.
FANG Y Q, FAN X, CHENG Z D, et al. The analysis of infrared small target tracking based on mathematical morphology[J]. Journal of Projectiles, Rockets, Missiles and Guidance,2012,32(2):15-18.
[18] FARAJZADEH M, MAHMOODI A, ARVAN M R. Detection of small target based on morphological filters[C]∥Proc.of the 20th Iranian Conferance on Electrical Engineering,2012:1097-1101.
[19] LAI J S, FORD J J, O’SHEA P J, et al. A study of morphological pre-processing approaches for track-before-detect dim target detection[C]∥Proc.of the Australasian Conference on Robotics & Automation,2008: 3-5.
[20] JACKWAY P T. Improved morphological top-hat[J]. Electronics Letters, 2002, 36(14):1194-1195.
[21] 凌强,黄树彩,吴潇,等.基于核各向异性扩散的红外小目标检测[J]. 强激光与粒子束, 2015, 27(1): 93-98.
LING Q, HUANG S C, WU X, et al. Infrared small target detection based on kernel anisotropic diffusion[J]. High Power Laser and Particle Beams, 2015, 27(1): 93-98.
[22] PERONA P, MALIK J. Scale-space and edge detection using anisotropic diffusion[J]. IEEE Trans.on Pattern Analysis & Machine Intelligence, 2002, 12(7):629-639.
[23] ZHANG Q, CAI J J, ZHANG Q H. An anisotropic detection method of dim-small infrared targets[C]∥Proc.of the Automatic Target Recognition and Image Analysis, 2011: 80030M-1-80030M-6.
[24] 姚睿, 张艳宁,杨涛,等. 基于迭代距离分类与轨迹关联检测空间弱小目标[J]. 光学精密工程, 2012,20(1): 179-189.
YAO R, ZHANG Y N, YANG T, et al. Based on iterative distance classification and trajectory correlation to detect small and dim targets in space[J]. Optics and Precision Engineering,2012, 20(1): 179-189.
[25] LIU Y, CHEN F, HUANG J M, et al. Research on the detection technology to dim and small target[C]∥Proc.of the Photoelectronic Technology Committee of the Chinese Society of Astronautics, 2015: 952111-1-952111-9.
[26] SALARI E, LI M. Dim target tracking with total variation and genetic algorithm[C]∥Proc.of the IEEE International Conference on Electro/information Technology, 2014:270-274.