檢測(cè)紅外弱小目標(biāo)的對(duì)比濾波時(shí)域廓線算法

董維科,張建奇,邵曉鵬,劉德連

(西安電子科技大學(xué)物理與光電工程學(xué)院,陜西西安 710071)

檢測(cè)紅外弱小目標(biāo)的對(duì)比濾波時(shí)域廓線算法

董維科,張建奇,邵曉鵬,劉德連

(西安電子科技大學(xué)物理與光電工程學(xué)院,陜西西安 710071)

針對(duì)弱小目標(biāo)與云邊緣雜波的運(yùn)動(dòng)速度相當(dāng)時(shí),傳統(tǒng)時(shí)域廓線算法的檢測(cè)性能將會(huì)出現(xiàn)明顯下降.文中提出一種對(duì)比濾波的時(shí)域廓線算法.針對(duì)傳統(tǒng)方法出現(xiàn)虛警的情況,該方法在分析弱小目標(biāo)、云邊緣雜波以及平穩(wěn)背景3類像素點(diǎn)時(shí)域特性的基礎(chǔ)之上,首先利用時(shí)域廓線特性抑制平穩(wěn)背景;然后依據(jù)云邊緣雜波像素在空域連續(xù),而弱小目標(biāo)像素在空域孤立的特性,構(gòu)造空域?qū)Ρ葹V波器,并使用對(duì)比濾波器對(duì)去除平穩(wěn)背景的圖像數(shù)據(jù)進(jìn)行濾波;最后再進(jìn)行時(shí)域廓線的駐點(diǎn)連線濾波,以實(shí)現(xiàn)對(duì)弱小目標(biāo)的檢測(cè).仿真結(jié)果表明,該算法能明顯消除與弱小目標(biāo)運(yùn)動(dòng)速度相當(dāng)?shù)脑七吘夒s波虛警,提高了弱小目標(biāo)的檢測(cè)概率.

弱小目標(biāo);檢測(cè);對(duì)比濾波;時(shí)域廓線

序列圖像的時(shí)域目標(biāo)檢測(cè)方法是在紅外圖像中目標(biāo)極小,通常只有單個(gè)像素甚至是亞像素,幾乎無(wú)空間分布信息可用的情況下提出的.時(shí)域目標(biāo)檢測(cè)的主要方法是通過(guò)分析所有像素點(diǎn)灰度值的時(shí)域變化特性對(duì)目標(biāo)進(jìn)行檢測(cè).最早出現(xiàn)的時(shí)域目標(biāo)檢測(cè)方法是三維濾波法[1],把序列圖像看做是具有空間分布和時(shí)間分布的三維連續(xù)數(shù)據(jù),取得了很好的效果.針對(duì)三維濾波法計(jì)算量大的不足,文獻(xiàn)[2]指出僅利用序列圖像中像素點(diǎn)的時(shí)域分布特性,仍然可以進(jìn)行目標(biāo)檢測(cè),并設(shè)計(jì)出一種新的一維濾波器,大大降低了算法的運(yùn)算復(fù)雜度.文獻(xiàn)[3]系統(tǒng)地分析了序列圖像中像素點(diǎn)的時(shí)域分布特性,將序列圖像中的像素點(diǎn)分為目標(biāo)、平穩(wěn)背景和云雜波3類分別進(jìn)行處理,提出了一種基于三假設(shè)檢驗(yàn)的目標(biāo)檢測(cè)方法.文獻(xiàn)[4]沿用這種分類方法,進(jìn)一步分析了這3類像素點(diǎn)的均值和方差特性,提出了一種自適應(yīng)均值方差濾波法.該方法計(jì)算復(fù)雜度低,操作簡(jiǎn)單,運(yùn)行速度快,具有很高的實(shí)用價(jià)值.在國(guó)內(nèi),國(guó)防科技大學(xué)自動(dòng)目標(biāo)識(shí)別實(shí)驗(yàn)室對(duì)序列圖像的時(shí)域目標(biāo)檢測(cè)也進(jìn)行了研究[5];西安電子科技大學(xué)紅外實(shí)驗(yàn)室在像素時(shí)域模型的基礎(chǔ)上提出了時(shí)域廓線駐點(diǎn)連線濾波的處理思路[6-7],取得了一定的研究成果;此外,還有一些研究群體在時(shí)域弱小目標(biāo)檢測(cè)方面提出了有價(jià)值的見(jiàn)解[8-10].

時(shí)域廓線算法是對(duì)時(shí)域進(jìn)行弱小目標(biāo)檢測(cè)的重要方法,已有的時(shí)域廓線算法都假設(shè)弱小目標(biāo)相對(duì)于云邊緣雜波具有更快的運(yùn)動(dòng)速度,并將此作為檢測(cè)出弱小目標(biāo)的基本依據(jù).當(dāng)弱小目標(biāo)與云邊緣雜波的運(yùn)動(dòng)速度相當(dāng)時(shí),已有的方法會(huì)出現(xiàn)較多虛警.針對(duì)這種情況,筆者提出一種云雜波背景下的時(shí)域紅外弱小目標(biāo)檢測(cè)方法.該方法在分析弱小目標(biāo)、云邊緣雜波和平穩(wěn)背景3類像素點(diǎn)時(shí)域特性的基礎(chǔ)之上,首先依據(jù)時(shí)域廓線特性移除平穩(wěn)背景,然后對(duì)去除平穩(wěn)背景的圖像數(shù)據(jù)進(jìn)行對(duì)比濾波,最后再進(jìn)行時(shí)域廓線的駐點(diǎn)連線濾波并最終檢測(cè)出弱小目標(biāo).

1 時(shí)域廓線模型

圖1(a)顯示了一副天空背景的紅外場(chǎng)景圖像,圖1(b)中展示的是對(duì)應(yīng)序列圖像中4種典型的時(shí)域廓線,圖中縱坐標(biāo)表示像素灰度值,橫坐標(biāo)表示序列圖像的幀序號(hào).圖1(b)中a曲線表示云層內(nèi)部的時(shí)域廓線,由于云層具有較高的溫度,因此它的灰度值較高,且屬于微小起伏;b曲線表示云層邊緣的時(shí)域廓線,通常情況下,云層運(yùn)動(dòng)相對(duì)成像系統(tǒng)的幀頻較緩慢.因此相對(duì)于a曲線,經(jīng)過(guò)約80幀可以看到b曲線的明顯變化;c曲線表示弱小目標(biāo)的時(shí)域廓線,它的明顯變化與b曲線有顯著不同;d曲線表示晴朗天空的時(shí)域廓線,天空背景較低的溫度使得這條起伏微小的廓線曲線的平均灰度要遠(yuǎn)低于a曲線,檢測(cè)出不同類型的時(shí)域廓線就可以實(shí)現(xiàn)對(duì)運(yùn)動(dòng)弱小目標(biāo)的檢測(cè).

圖1 天空背景序列圖像時(shí)域廓線示意圖

1.1 平穩(wěn)背景像素時(shí)域廓線模型

平穩(wěn)背景像素的時(shí)域特性可以用一個(gè)常數(shù)與一個(gè)時(shí)域高斯白噪聲過(guò)程的和來(lái)建模,其中高斯白噪聲的均值為0,而它的標(biāo)準(zhǔn)差對(duì)于一個(gè)給定的紅外探測(cè)器來(lái)說(shuō)是個(gè)常數(shù).用n表示采樣時(shí)刻,則對(duì)于天空背景的時(shí)域廓線和云層內(nèi)部的時(shí)域廓線可以用式(1)描述.

其中,C為常數(shù),w(n)～N(0,σ2)為高斯噪聲,σ為高斯噪聲的標(biāo)準(zhǔn)差.

1.2 雜波像素時(shí)域廓線模型

圖像中雜波像素的時(shí)域灰度變化和目標(biāo)相比是很不規(guī)則的.對(duì)于天空背景的紅外圖像,云層的明亮邊緣會(huì)引起這些像素的灰度在時(shí)域上產(chǎn)生一些峰.通常情況下,云層移動(dòng)的速度比目標(biāo)慢,這些峰的寬度一般比目標(biāo)脈沖的寬度要寬.這些像素可以用一階馬爾科夫模型建模為

1.3 目標(biāo)像素時(shí)域廓線模型

當(dāng)運(yùn)動(dòng)目標(biāo)經(jīng)過(guò)一個(gè)像素時(shí),受到目標(biāo)的影響,該像素的灰度會(huì)出現(xiàn)一個(gè)脈沖.目標(biāo)脈沖的寬度反比于目標(biāo)的速度,而目標(biāo)脈沖的強(qiáng)度正比于其與背景的灰度差.如果將目標(biāo)建模為一個(gè)運(yùn)動(dòng)的點(diǎn)源,則目標(biāo)的時(shí)域灰度變化特征就可以建模為該紅外探測(cè)器點(diǎn)擴(kuò)散函數(shù)的一維變化曲線的一個(gè)膨脹或者收縮.因此,如果紅外探測(cè)器的點(diǎn)擴(kuò)散函數(shù)是已知的,就可以得到一個(gè)確定性的模型來(lái)描述目標(biāo)的灰度變化,目標(biāo)的時(shí)域廓線可以描述為

其中,u(n)由目標(biāo)所在位置確定,如果目標(biāo)在天空背景或云層內(nèi)部位置,則u(n)=C,如果目標(biāo)在云邊緣位置,則u(n)=x(n-1);t(n,p)為目標(biāo)沖擊,p為與目標(biāo)自身有關(guān)的向量.

2 對(duì)比濾波時(shí)域廓線算法

2.1 抑制平穩(wěn)背景

根據(jù)第1節(jié)對(duì)各種類型像素點(diǎn)的時(shí)域特性分析可知,平穩(wěn)背景像素點(diǎn)的時(shí)域廓線變化平穩(wěn),具有完全不同于云邊緣和目標(biāo)像素點(diǎn)的時(shí)域廓線形態(tài),可以很容易地去除.通常情況下,紅外天空?qǐng)鼍爸衅椒€(wěn)背景占據(jù)較大的部分,去除平穩(wěn)背景的影響,有利于大幅度減少跟蹤像素?cái)?shù),并且可以降低后續(xù)處理時(shí)目標(biāo)檢測(cè)的虛警.

依據(jù)目標(biāo)和背景的時(shí)域特性模型,可以將平穩(wěn)天空背景、云邊緣雜波和目標(biāo)時(shí)域特性統(tǒng)一描述為

其中,當(dāng)k→0且b→C時(shí),對(duì)應(yīng)于平穩(wěn)天空背景的時(shí)域廓線;當(dāng)k→1且b→0時(shí),對(duì)應(yīng)于云邊緣的時(shí)域廓線;當(dāng)處于二者之間時(shí)對(duì)應(yīng)于目標(biāo)的時(shí)域廓線.因此可以利用k和b的大小來(lái)抑制背景[7].

2.2 對(duì)比濾波

在去除平穩(wěn)背景的圖像中,能夠?qū)δ繕?biāo)檢測(cè)造成影響的主要就是云邊緣雜波像素.通常情況下,云層的運(yùn)動(dòng)速度比目標(biāo)的慢,時(shí)域廓線駐點(diǎn)連線算法[6-7]將具有很好的檢測(cè)性能.但一方面,云邊緣雜波相對(duì)于云層內(nèi)部有更活躍的變化;另一方面,當(dāng)目標(biāo)遠(yuǎn)離探測(cè)器時(shí),目標(biāo)在探測(cè)器成像面上的投影會(huì)運(yùn)動(dòng)緩慢,特別是當(dāng)目標(biāo)的運(yùn)動(dòng)方向不與探測(cè)器的法線方向垂直時(shí),目標(biāo)就與云邊緣雜波具有相當(dāng)?shù)倪\(yùn)動(dòng)速度.此時(shí),目標(biāo)的時(shí)域廓線將表現(xiàn)為1.2節(jié)中模型的特征;或者,云邊緣雜波的時(shí)域廓線表現(xiàn)出1.3節(jié)中模型的特征,如圖2所示.在這種情況下,將會(huì)產(chǎn)生大量的虛警,并導(dǎo)致目標(biāo)檢測(cè)性能的大幅下降.

圖2 目標(biāo)以及與目標(biāo)運(yùn)動(dòng)速度相當(dāng)?shù)脑七吘墪r(shí)域廓線

為了消除這種虛警,必須降低與弱小目標(biāo)運(yùn)動(dòng)速度相當(dāng)?shù)脑七吘夒s波時(shí)域廓線的起伏.考慮到云邊緣雜波像素在空域連續(xù),而弱小目標(biāo)像素在空域孤立的特性,在云邊緣像素的鄰域內(nèi)必然存在其它云邊緣像素和云層像素.那么,在一個(gè)確定尺寸的滑窗內(nèi),中心點(diǎn)為云邊緣的滑窗內(nèi)的灰度均值相對(duì)于中心點(diǎn)為弱小目標(biāo)的滑窗內(nèi)的灰度均值高,通過(guò)式(5)的對(duì)比濾波處理,將會(huì)有效降低云邊緣像素的灰度量級(jí),相應(yīng)地突出目標(biāo)的灰度C量級(jí),即

其中,GM表示滑窗中心像素的灰度值,GB表示滑窗中像素的灰度均值.

經(jīng)過(guò)對(duì)比度濾波后,再進(jìn)行時(shí)域廓線的駐點(diǎn)連線濾波[6],如圖3(a)和圖3(b)所示,殘差時(shí)域廓線的結(jié)果表明弱小目標(biāo)比云邊緣像素更加突出,這就使得與目標(biāo)運(yùn)動(dòng)速度相當(dāng)?shù)脑七吘壪袼乇挥行V除了.

圖3 對(duì)比度濾波后的殘差時(shí)域廓線

2.3 目標(biāo)檢測(cè)

非弱小目標(biāo)像素點(diǎn)的時(shí)域廓線偏離其包絡(luò)線的起伏符合高斯分布[6];弱小目標(biāo)像素點(diǎn),以及與其運(yùn)動(dòng)速度相當(dāng)?shù)脑七吘夒s波像素點(diǎn)的時(shí)域廓線偏離其包絡(luò)線的起伏偏離高斯分布.經(jīng)過(guò)對(duì)比濾波,弱小目標(biāo)像素點(diǎn)的時(shí)域廓線將會(huì)表現(xiàn)出更大的偏離度.因此,可以利用偏離高斯分布的最大距離作為目標(biāo)檢測(cè)的量度,該量度可由馬哈拉諾比斯距離給出,即

3 實(shí)驗(yàn)結(jié)果與分析

采用美國(guó)空軍實(shí)驗(yàn)室拍攝的實(shí)測(cè)圖像[11]驗(yàn)證算法的有效性.該圖像的紅外場(chǎng)景是在云層中飛行的紅外弱小目標(biāo)圖像序列,圖像數(shù)據(jù)為12位無(wú)符號(hào)整型,圖像大小為320×244,幀頻為30幀每秒,一共95幀.

圖4(a)顯示的是沒(méi)有經(jīng)過(guò)處理的初始圖像,圖中一共含有兩個(gè)目標(biāo),一個(gè)位于像素(175,186)附近,另一個(gè)位于像素(256,203)附近,兩個(gè)目標(biāo)都很小,接近于單個(gè)像素,從單幀的角度來(lái)看,幾乎可以認(rèn)為是噪聲;圖4(b)是駐點(diǎn)連線濾波法的檢測(cè)結(jié)果,因?yàn)樵肼暩蓴_的影響,目標(biāo)的檢測(cè)軌跡并不清晰;圖4(c)是文中算法的檢測(cè)結(jié)果,可以看出,復(fù)雜云背景和系統(tǒng)噪聲的影響都基本被消除了,目標(biāo)的檢測(cè)軌跡更加清晰.由于對(duì)濾除平穩(wěn)背景后的圖像進(jìn)行了對(duì)比濾波,算法在抑制大部分云邊緣雜波干擾的基礎(chǔ)之上,進(jìn)一步抑制了與弱小目標(biāo)運(yùn)動(dòng)速度相當(dāng)?shù)脑七吘夒s波干擾,使得目標(biāo)檢測(cè)效果更加明顯.

圖4 仿真結(jié)果圖

圖4(d)顯示了另一幅紅外場(chǎng)景,圖中含有一個(gè)目標(biāo),位于像素(120,136)附近,目標(biāo)很小,接近于單個(gè)像素,從單幀的角度來(lái)看,幾乎可以認(rèn)為是噪聲;圖4(e)是駐點(diǎn)連線濾波法的檢測(cè)結(jié)果,目標(biāo)的檢測(cè)軌跡并不清晰;圖4(f)是文中算法的檢測(cè)結(jié)果,可以看出,云邊緣雜波被有效抑制,目標(biāo)的檢測(cè)軌跡十分清晰.

表1列出了駐點(diǎn)連線濾波法和文中算法在檢測(cè)效果上的比較結(jié)果,可以看出文中算法在不同云背景下均具有較高的檢測(cè)率,較低的虛警個(gè)數(shù)和較完整的目標(biāo)檢測(cè)軌跡,表現(xiàn)出了更優(yōu)的檢測(cè)性能.

表1 實(shí)驗(yàn)結(jié)果

4 結(jié)束語(yǔ)

在紅外起伏天空背景中,當(dāng)弱小目標(biāo)與云邊緣雜波的運(yùn)動(dòng)速度相當(dāng)時(shí),采用傳統(tǒng)的時(shí)域廓線的弱小目標(biāo)檢測(cè)方法將會(huì)出現(xiàn)較多虛警.筆者提出的對(duì)比濾波時(shí)域廓線算法在去除平穩(wěn)背景后進(jìn)一步抑制了云邊緣雜波,特別是與弱小目標(biāo)運(yùn)動(dòng)速度相當(dāng)?shù)脑七吘夒s波.仿真結(jié)果表明,該算法能明顯消除與弱小目標(biāo)運(yùn)動(dòng)速度相當(dāng)?shù)脑七吘夒s波虛警,進(jìn)一步提高弱小目標(biāo)的檢測(cè)概率.

[1]Reed I S,Gagliardi R M,Shao H M.Application of Three-dimensional Filtering to Moving Target Detection[J].IEEE Transactions on Aerospace and Electronic Systems,1983,19(6):898-905.

[2]Silverman J,Mooney J M,Caefer C E.Tracking Point Target in Cloud Clutter[C]//Proceedings of SPIE.Bellingham: SPIE,1997,3061:496-507.

[3]Tzannes A P,Brooks D H.Detecting Small Moving Objects Using Temporal Hypothesis Testing[J].IEEE Transactions on Aerospace and Electronic Systems,2002,38(2):570-586.

[4]Lim E T,Shue L,Venkarteswarlu R.Adaptive Mean and Variance Filter for Detection of Dim Point-like Targets[C]// Proceedings of SPIE.Bellingham:SPIE,2002,4728:492-502.

[5] 張兵,盧煥章.基于像素時(shí)域剖面分析的序列圖像中弱點(diǎn)目標(biāo)檢測(cè)算法[J].中國(guó)圖像圖形學(xué)報(bào),2005,10(10):1293-1298. Zhang Bin,Lu HuanZhang.Temporal Profile Analysis for Dim Point Target Detection in Image Sequences[J].Journal of Image and Graphics,2005,10(10):1293-1298.

[6]Liu Delian,Zhang Jianqi,Dong Weike.Temporal Profile Based Small Moving Target Detection Algorithm in Infrared Image Sequences[J].International Journal of Infrared and Millimeter Waves,2007,28(5):373-381.

[7]王博,劉德連,張建奇.基于背景移除的時(shí)域目標(biāo)檢測(cè)[J].通信學(xué)報(bào),2009,30(7):67-72. Wang Bo,Liu Delian,Zhang Jianqi.Temporal Filtering for Target Detection Algorithm Based on Static Background Elimination[J].Journal on Communications,2009,30(7):67-72.

[8] 汪大寶,劉上乾,張峰.一種新的紅外復(fù)雜背景自適應(yīng)抑制算法[J].西安電子科技大學(xué)學(xué)報(bào),2010,37(5):927-933. Wang Dabao,Liu Shangqian,Zhang Feng.New Adaptive Infrared Strong Cluttered Background Suppression Algorithm [J].Journal of Xidian University,2010,37(5):927-933.

[9] 王博,張建奇.一種空時(shí)域結(jié)合濾波的運(yùn)動(dòng)弱小目標(biāo)檢測(cè)方法[J].西安電子科技大學(xué)學(xué)報(bào),2010,37(3):524-528. Wang Bo,Zhang Jianqi.Moving Dim Point Target Detection Based on the Special and Temporal Combined Filter[J]. Journal of Xidian University,2010,37(3):524-528.

[10]武斌,李鵬.一種新的紅外弱小目標(biāo)檢測(cè)前跟蹤算法[J].西安電子科技大學(xué)學(xué)報(bào),2011,38(3):107-113. Wu Bin,Li Peng.Novel Track-before-detect algorithm for Small Infrared Target[J].Journal of Xidian University,2011,38(3):107-113.

[11]Murguia J E,Mooney J M,Ewing W S.Evaluation of a PtSi Infrared Camera[J].Optical Engineering,1990,29(7): 786-794.

(編輯:王 瑞)

Temporal profile algorithm based on comparison filtering for detection of the infrared dim small target

DONG Weike,ZHANG Jianqi,SHAO Xiaopeng,LIU Delian
(School of Physics and Optoelectronic Engineering,Xidian Univ.,Xi’an 710071,China)

The detection performance of the traditional temporal profile algorithm deteriolates when the dim small target has a velocity correspmding to equivalent that of cloud edge clutters.This paper proposes a temporal profile algorithm based on comparison filtering as a responding method to the fake-alarm occurrence existing in the traditional detection algorithm.Based on the analysis of the time domain characteristics of the dim small target,cloud edge clutters as well as the stationary background,the characteristic of the temporal profile is adopted to restrain the stationary background,and then the spatial domain comparison filter is structured based on the fact that the pixels of the cloud edge clutters are continuous in spatial domain while the pixels of the dim small target are discrete,and the images after removal of the static background are filtered by the comparison filter;lastly,the connecting line of the stagnation points(CLSP)based filtering is used to realize the detection of the dim small target.Simulation data show that this algorithm can significantly eliminate the fake-alarm caused by the cloud edge clutters with an equivalent velocity of the target,thus further improving the detection probability of the dim small target.

dim small target;detection;comparison filtering;temporal profile

TN362

A

1001-2400(2014)01-0013-05

10.3969/j.issn.1001-2400.2014.01.003

2012-12-06 < class="emphasis_bold">網(wǎng)絡(luò)出版時(shí)間:

時(shí)間:2013-09-16

教育部基本科研業(yè)務(wù)費(fèi)資助項(xiàng)目(50511050005);國(guó)家部委基金資助項(xiàng)目(9140A01060110DZ0125)

董維科(1973-),男,副教授,碩士,E-mail:wkdong@mail.xidian.edu.cn.

http://www.cnki.net/kcms/detail/61.1076.TN.20130916.0926.201401.17_030.html