地基觀測(cè)紅外目標(biāo)二維經(jīng)驗(yàn)?zāi)Ｊ椒纸鈾z測(cè)方法及應(yīng)用

陳 略，唐歌實(shí)，王保豐，路偉濤，王 欣

（1.北京航天飛行控制中心，北京100094；2.航天飛行動(dòng)力學(xué)技術(shù)國(guó)家級(jí)重點(diǎn)實(shí)驗(yàn)室，北京100094）

1 引言

航天器在返回過(guò)程中的跟蹤觀測(cè)對(duì)于航天器返回狀態(tài)評(píng)估、彈道計(jì)算與應(yīng)急決策等至關(guān)重要。航天器在返回過(guò)程中需要穿越稠密大氣層，地基航天器觀測(cè)易受到氣象條件影響，尤其是云層雜波對(duì)目標(biāo)監(jiān)測(cè)影響最為嚴(yán)重［1］。航天器返回過(guò)程中，可見(jiàn)光觀測(cè)相對(duì)于紅外觀測(cè)更容易受到外界環(huán)境影響［2］。因此，地基紅外觀測(cè)是航天器返回過(guò)程中最重要的監(jiān)測(cè)手段之一。在紅外監(jiān)視系統(tǒng)中，由于對(duì)太陽(yáng)光的反射，高亮云層等形成很強(qiáng)的背景雜波干擾，其能量強(qiáng)度甚至遠(yuǎn)遠(yuǎn)超過(guò)目標(biāo)，導(dǎo)致目標(biāo)被淹沒(méi)其中。為有效地抑制背景雜波，去除背景雜波干擾是目標(biāo)檢測(cè)的關(guān)鍵環(huán)節(jié)［3］。針對(duì)紅外探測(cè)下的背景雜波抑制問(wèn)題，國(guó)內(nèi)外學(xué)者提出了許多背景抑制方法，例如局部去均值算法、最大中值濾波算法、形態(tài)學(xué)濾波算法、小波變換、基于核函數(shù)的時(shí)空域聯(lián)合抑制算法等，各種背景抑制算法都有其適應(yīng)性與局限性，針對(duì)不同的背景特征其性能各不相同［3］。經(jīng)驗(yàn)?zāi)Ｊ椒纸猓‥mpirical Mode Decomposition，EMD）能將信號(hào)自適應(yīng)地分解到不同尺度上，非常適合于非線性、非平穩(wěn)信號(hào)處理［4］，已被廣泛應(yīng)用于工程領(lǐng)域［5-6］。2003年，Nunes提出二維 EMD（BEMD）的思想［7］，使EMD的應(yīng)用技術(shù)從一維邁向了二維領(lǐng)域［8-9］，并很快應(yīng)用于核磁共振圖像［10］、雷達(dá)圖像［11］、人臉圖像［12］等處理中，非常適合于非線性、非平穩(wěn)圖像處理過(guò)程。但BEMD方法在紅外圖像目標(biāo)檢測(cè)中的應(yīng)用及性能未見(jiàn)報(bào)道。

本文引入BEMD方法處理航天器返回過(guò)程中的實(shí)測(cè)紅外圖像，以增強(qiáng)航天器返回紅外圖像的清晰度，從而為返回航天器紅外目標(biāo)跟蹤與檢測(cè)提供可靠依據(jù)。

2 紅外圖像檢測(cè)方法

本文基本思路是基于BEMD方法對(duì)紅外圖像進(jìn)行處理，結(jié)合中值濾波圖像預(yù)處理方法與點(diǎn)銳度圖像清晰度評(píng)價(jià)方法，對(duì)紅外圖像進(jìn)行處理，為紅外目標(biāo)檢測(cè)提供高清圖像結(jié)果。下面簡(jiǎn)要介紹BEMD方法、點(diǎn)銳度圖像清晰度評(píng)價(jià)方法與本文紅外圖像處理流程。

2.1 基于BEMD的紅外圖像處理算法

BEMD是對(duì)一維EMD的擴(kuò)展，對(duì)于二維M×N 圖像信號(hào) fx，y( )，x ＝ 1，…，M，y ＝ 1，…，N，BEMD 的實(shí)現(xiàn)過(guò)程如下［7］：

1）外部初始化，令待處理的圖像式（1）：

篩分抽取第j個(gè)IMF：

（1）初始化如式（2）：

（2）利用形態(tài)學(xué)算法或8鄰域象素，找出hk－1中的極大值和極小值點(diǎn)；

（3）分別對(duì)極大值點(diǎn)和極小值點(diǎn)進(jìn)行包絡(luò)擬合，形成二維圖像包絡(luò)曲面 uminx，y( )和umaxx，y( )；

（4）確定上下包絡(luò)的均值如式（3）：

（5）從圖像中減去均值得到式（4）：

（6）計(jì)算終止條件，若滿足IMF條件則有式（5）：

否則令k＝k＋1，轉(zhuǎn)到（2）步；

2）求殘余量如式（6）：

若rjx，y( )中仍有不少于兩個(gè)的極值點(diǎn)或者分解所得的 IMF。數(shù)目未達(dá)到要求，則將rjx，y( )看作新的數(shù)據(jù)轉(zhuǎn)到（2），j＝ j＋ 1。

3）最后得到的BEMD分解結(jié)果如式（7）：

2.2 紅外圖像清晰度評(píng)估

銳度，有時(shí)也叫“清晰度”，是反映圖像平面清晰度和圖像邊緣銳利程度的一個(gè)指標(biāo)，如果將銳度調(diào)高，圖像平面上的細(xì)節(jié)對(duì)比度也更高，看起來(lái)更清楚［13］。本文引入改進(jìn)自邊緣銳度算法的點(diǎn)銳度的方法進(jìn)行紅外圖像的清晰度評(píng)估，定義點(diǎn)銳度為式（8）［13］：

其中，m和n為圖像的長(zhǎng)和寬；df為灰度變化幅值；dx為像元間的距離增量。上式可描述為：逐個(gè)對(duì)圖像中的每點(diǎn)取8鄰域點(diǎn)與之相減，先求8個(gè)差值的加權(quán)和（權(quán)的大小取決于距離，距離遠(yuǎn)則權(quán)小，如45°和135°方向的差值需乘以1／2），再將所有點(diǎn)所得值相加除以像素總個(gè)數(shù)。該式可以理解為對(duì)圖像每點(diǎn)周圍的灰度擴(kuò)散程度的統(tǒng)計(jì)，即擴(kuò)散越劇烈，其值越大，圖像越清晰。

2.3 紅外圖像處理流程圖

基于BEMD的紅外圖像處理流程示意圖如圖1所示，步驟為：首先輸入待檢測(cè)的原始紅外圖像，然后利用中值濾波對(duì)其圖像進(jìn)行預(yù)處理，接著預(yù)處理后的圖像利用BEMD方法對(duì)其進(jìn)行自適應(yīng)分解，獲得二維基本模式分量（BIMF）和殘余圖像，依據(jù)分解效果選擇合適的BIMF重構(gòu)紅外圖像，隨后利用改進(jìn)的點(diǎn)銳度方法計(jì)算重構(gòu)紅外圖像的點(diǎn)銳度，最后對(duì)重構(gòu)圖像進(jìn)行目標(biāo)檢測(cè)，并對(duì)比原始紅外圖像進(jìn)行清晰度評(píng)價(jià)。

圖1 紅外圖像處理流程示意圖Fig．1 Flowchart of original infrared image processing

3 紅外目標(biāo)實(shí)測(cè)數(shù)據(jù)分析驗(yàn)證

在某次航天器返回時(shí)，由于天氣與云層雜波影響，可見(jiàn)光頻段無(wú)法獲得清晰的跟蹤圖像，紅外圖像跟蹤成為最重要的跟蹤手段。測(cè)站實(shí)時(shí)傳送至數(shù)據(jù)處理中心的原始紅外圖像在某些時(shí)刻也存在模糊不清的現(xiàn)象。事后獲取原始紅外圖像，利用基于本文算法開(kāi)發(fā)的程序，對(duì)某航天器在返回時(shí)的紅外監(jiān)測(cè)圖像進(jìn)行處理，驗(yàn)證紅外目標(biāo)檢測(cè)方法的有效性。圖2為航天器剛進(jìn)入大氣層時(shí)紅外圖像，從圖中可以看出航天器拖著較長(zhǎng)的一條尾焰，那是因?yàn)榉祷睾教炱鞅砻媾c大氣劇烈摩擦的結(jié)果。從圖中也可以看出，當(dāng)天的氣候條件十分惡劣，云層與背景雜波十分顯著，紅外圖像中的目標(biāo)也較模糊，目標(biāo)與云層背景雜波對(duì)比度不強(qiáng)，與此同時(shí)觀測(cè)站的可見(jiàn)光并不能發(fā)現(xiàn)目標(biāo)。觀測(cè)站持續(xù)對(duì)目標(biāo)進(jìn)行紅外圖像跟蹤，相對(duì)于圖2中5 s后紅外圖像如圖3所示，可以看出紅外圖像中的目標(biāo)更加模糊。對(duì)原始紅外圖像西先進(jìn)行3×3的中值濾波預(yù)處理后，利用本文的BEMD算法進(jìn)行處理，圖2的紅外圖像經(jīng)BEMD分解后BIMF的圖像如圖4所示，殘余項(xiàng)的紅外圖像如圖5所示。

圖2 航天器進(jìn)入大氣層的紅外原始圖像一Fig．2 Original infrared image 1 of spacecraft re-entry

圖3 航天器進(jìn)入大氣層的紅外原始圖像二Fig．3 Original infrared image 2 of spacecraft re-entry

圖4 航天器紅外原始圖像一的BEMD分解IMF圖Fig．4 IMF figure based on BEMD of original spacecraft infrared image 1

分別對(duì)圖2、圖3紅外圖像BEMD分解獲得BIMF進(jìn)行重構(gòu)，獲得目標(biāo)紅外重構(gòu)圖，分別如圖6、圖7所示。對(duì)于與圖2、圖3，可以明顯看出目標(biāo)紅外重構(gòu)圖的清晰度明顯提高。為進(jìn)一步量化紅外圖像清晰化指標(biāo)，采用上一節(jié)中介紹的點(diǎn)銳度方法進(jìn)行定量評(píng)估。且結(jié)果如表1所示?？梢钥闯隼帽疚牡腂EMD算法對(duì)目標(biāo)紅外圖像處理，紅外圖像清晰度提高了近100倍，目標(biāo)在紅外圖像中更加清晰可見(jiàn)。

圖5 航天器紅外原始圖像一的BEMD分解殘余圖Fig．5 Residual figure based on BEMD of original spacecraft infrared image 1

圖6 航天器紅外原始圖像一的BEMD重構(gòu)圖Fig．6 Re-construct figure based on BEMD of original spacecraft infrared image 1

圖7 航天器紅外原始圖像二的BEMD重構(gòu)圖Fig．7 Re-construct figure based on BEMD of original spacecraft infrared image 2

為進(jìn)一步驗(yàn)證二維EMD方法對(duì)于處理目標(biāo)紅外圖像的有效性，對(duì)另外測(cè)站跟蹤獲取的航天器返回末段目標(biāo)紅外圖像進(jìn)行處理，其紅外原始圖像如圖8所示，可以看出原始紅外圖像非常模糊，紅外圖像背景和目標(biāo)對(duì)比度不明顯。利用本文的方法對(duì)該紅外圖像進(jìn)行處理，得到的重構(gòu)紅外圖像如圖9所示，從圖中可以明顯看出，紅外圖像的清晰度得到明顯改善，航天器在末段降落過(guò)程中打開(kāi)的降落傘在圖像中央清晰可見(jiàn)，且在降落傘下方的航天器變得非常直觀，驗(yàn)證了本文紅外圖像方法的有效性。

表1 航天器返回初段紅外圖像點(diǎn)銳度比對(duì)結(jié)果Table 1 Comparison of dot sharpness of infrared image in initial phase of spacecraft re-entry

圖8 航天器返回末段的紅外原始圖像Fig．8 Infrared image in last phase of spacecraft reentry

圖9 航天器返回末段紅外圖像的BEMD重構(gòu)圖Fig．9 Reconstructed figure based on BEMD in end phase of spacecraft re-entry

利用點(diǎn)銳度方法定量評(píng)估重構(gòu)紅外圖像與原始紅外圖像的清晰度，結(jié)果如表2所示，從表中可以看出重構(gòu)紅外圖像的點(diǎn)銳度顯著提高，相對(duì)原始紅外圖像提高了超過(guò)10000倍，紅外圖像的清晰度得到大幅度提高。

表2 航天器返回末段紅外圖像點(diǎn)銳度比對(duì)結(jié)果Table 2 Comparison of dot sharpness of infrared image in spacecraft middle and end re-entry phase

4 結(jié)論

本文論述了BEMD算法與點(diǎn)銳度判據(jù)，以此為基礎(chǔ)開(kāi)發(fā)了紅外圖像處理程序，并對(duì)實(shí)測(cè)航天器返回過(guò)程中的紅外圖像進(jìn)行了處理，圖像處理結(jié)果表明：BEMD方法實(shí)現(xiàn)了紅外背景雜波有效抑制，大幅提高了紅外圖像的清晰度，點(diǎn)銳度提高了100倍以上的量級(jí)，有效實(shí)現(xiàn)了對(duì)返回航天器的準(zhǔn)確檢測(cè)與識(shí)別。本文的紅外圖像處理方法可靠、可行，可為后續(xù)相關(guān)工程任務(wù)實(shí)施提供技術(shù)支持。

參考文獻(xiàn)（References）

［1］ 鞏晉南，侯晴宇，張偉.紅外云雜波下點(diǎn)目標(biāo)檢測(cè)算法性能評(píng)價(jià)［J］.哈爾濱工程大學(xué)學(xué)報(bào)，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.復(fù)雜背景中紅外弱小目標(biāo)探測(cè)方法研究［D］.南京：南京理工大學(xué)，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.天基紅外圖像弱目標(biāo)檢測(cè)前跟蹤技術(shù)研究［D］.長(zhǎng)沙：國(guó)防科學(xué)技術(shù)大學(xué)，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］ 陳略，訾艷陽(yáng)，何正嘉，等.總體平均經(jīng)驗(yàn)?zāi)Ｊ椒纸馀c1.5維譜方法的研究［J］.西安交通大學(xué)學(xué)報(bào)，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，高鳳嬌，郗朝暉.二維EMD分解方法的比較與改進(jìn)［J］. 電子與信息學(xué)報(bào)，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］ 張帆，刁鳴，楊承志.時(shí)頻圖像二維EMD分解在LPI信號(hào)識(shí)別中的應(yīng)用［J］. 現(xiàn)代防御技術(shù)，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］ 萬(wàn)建，任龍濤，趙春暉.二維EMD應(yīng)用在圖像邊緣特征提取中的仿真研究［J］.系統(tǒng)仿真學(xué)報(bào)，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］ 王鴻南，鐘文，汪靜，等.圖像清晰度評(píng)價(jià)方法研究［J］.中國(guó)圖象圖形學(xué)報(bào)，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）