基于權重強化局部方差對比的紅外小目標檢測*

張國峰，馬洪兵，艾斯卡爾·艾木都拉

(1.新疆大學 信息科學與工程學院，烏魯木齊 830046；2.清華大學 電子工程系，北京 100084；3.昌吉職業(yè)技術學院 機電工程分院，新疆 昌吉8311003)

0 引 言

紅外小目標檢測在紅外成像系統中有著廣泛的應用，特別是在遙感和預警監(jiān)視領域。紅外小目標通常在圖像中占據幾個像素，缺乏結構紋理等信息。成像距離的變化導致目標尺度的差異，周圍環(huán)境與目標狀態(tài)的改變，也增加了檢測的難度。通常在低對比度的紅外圖像序列中，小目標很容易陷入復雜的背景中。在過去的幾十年里，學者們提出了各種各樣的方法準確有效地檢測到了小目標?，F有的算法大致可以分為兩類。第一類由基于背景的估計方法組成，這些方法是對背景的預測或建模，比如形態(tài)學濾波中利用頂帽變換等算法計算原始圖像與估計背景之間的差異來檢測潛在的目標；Bai[1]和Zhou[2]使用新的頂帽變換、形態(tài)學濾波、最大中值或最大均值濾波器和貝葉斯估計消除了背景。這些方法都是基于背景對噪聲或結構組件的形狀和尺寸不敏感。第二類是目標聚焦方法，該方法聚焦于目標特征，并將小目標從紅外背景中分離出來。頻域內的高通濾波已經被應用于目標檢測。Wang等人[3]利用最小二乘支持向量機為檢測任務開發(fā)了兩個方向的高通濾波模板。Kim[4]將高斯濾波器的拉普拉斯變換分解為4個濾波器，應用最小濾波器得到最終的空間濾波圖像。這些方法側重于去除低頻雜波，基于最大極值點更多可能是目標的思想，但未能濾除高頻分量中的噪聲和強雜波，而且他們的方法忽略了目標形狀的變化。例如，文獻[5]提出了一種利用提取出的紅外圖像局部小塊的IPI(Infrared Patch-image)模型算法，并在此基礎上將小目標增強轉化為恢復低秩稀疏矩陣的優(yōu)化問題。該方法雖然有較好的效果，但計算量大，難以在實時檢測中得到應用。受人類視覺系統(Human Visual System,HVS)啟發(fā)，Chen等人[6]提出了基于局部對比度(Local Contrast Measure,LCM)的測量方法，利用目標與其鄰近區(qū)域的強度差來檢測目標。這種方法雖然有效，但也會受到高亮度噪聲的影響。隨后，改進的ILCM[7](Improved LCM)、新的NLCM(Novel LCM)[8]、多尺度塊對比測量MSPCM[9](Multi-scale Patch-based Contrast Measure)、多尺度對比度測量(Multi-scale LCM,MSLCM)[10]和多尺度相對測量(Relative LCM,RLCM)[11]相繼提出。這些算法在背景輕微波動的情況下表現良好，但在復雜背景下的檢測率和魯棒性較差，因為這些算法要么刪除背景，要么增強目標，而不是同時做這兩件事。本文提出了一種新的方法，靈感來自HVS，即WSVLCM(Weighted Strength and Local Variance LCM)。對于均勻區(qū)域紅外小目標中心區(qū)域強度值大于局部鄰域，對于異質邊緣區(qū)域三層圖像塊內局部方差對比波動較為突出。與只計算目標中心區(qū)域同質性而不能有效增強目標的RLCM算法相比，本文提出的算法在增強目標的同時，又能抑制高亮的背景邊緣。

1 目標特性分析

對于遠距離的紅外成像，如飛行的飛機、來襲的導彈等距離探測器非常遠，在探測器平面上所成的像僅僅占據一個或幾個像素，表現為斑點狀[10-11]。通常情況下，紅外圖像中的小目標比其周圍的背景要亮一點，考慮到其在紅外圖像中的小尺寸，2014年Chen等人[6]提出了局部對比度度量來描述和改善目標與周圍背景之間的差異。以中心灰度最大值和局部平均灰度值的差異作為對比度量，其強度值可以建模為以目標為中心的高斯函數[10-12]。圖1構造了一個嵌套型的滑動窗口，該滑動窗口包含兩部分，分別是目標區(qū)域T和局部背景區(qū)域B，局部背景區(qū)域的尺度是目標區(qū)域尺度的2～4倍。該滑動窗口按照從上至下、從左至右的順序對輸入圖像進行濾波。

圖1 嵌套型滑動窗口結構示意圖

1.1 三層圖像塊模型

圖像局部區(qū)域的方差在一定程度上可以更好地反映其局部區(qū)域的細節(jié)。局部方差不僅可以表示像素與其鄰域像素之間的關系，還可以表示區(qū)域內像素灰度變化的劇烈程度。在復雜背景或圖像中像素變化劇烈的區(qū)域，局部區(qū)域內灰度值的一致性較低，即得到更大的局部方差；相反，在亮度變化平緩的區(qū)域，灰度值變化程度較小，局部區(qū)域灰度值的一致性較高，即得到較小的局部方差。在本節(jié)中，從一幅原始的紅外圖像中以恒定大小和步長的窗口掃描整個圖像提取塊圖像，把每一個塊圖像按一定尺度局部再劃分為3層[12]，分別定義為中心層、防護層、背景層，如圖2所示，中心層亮度值最大，包含目標的區(qū)域或內層；防護層是中間層，包括目標與其周圍背景之間的強度值范圍；背景層或外部層包括目標區(qū)域周圍的雜波。利用中心層包含的像素值的方差來衡量目標內部區(qū)域灰度值的變化情況。如果滑動窗口中間塊的大小與真實目標的大小合適，即中間塊剛好包含小目標但不包含背景區(qū)域時，中心層內部區(qū)域相對均勻，此時，其方差較小。另一方面，如果滑動窗口的中間塊的尺度與真實目標不匹配，將會導致較大的局部方差，采用局部方差來描述滑動窗口中間塊的均勻程度。因此，可以利用不同層間均值差異對提取的圖像塊進行研究，從而增強目標的可能區(qū)域，在很大程度上減少虛假目標，利用不同層之間方差的波動程度對目標進行假警識別，因此，虛假目標等高亮背景雜波能被抑制。

圖2 三層圖像塊模型

1.2 目標增強

目標或者中心層考慮具有最大的強度值，背景或最外層包括目標區(qū)域周圍的雜波強度值較小，防護層或中間層其強度值范圍在包括目標與其周圍背景之間。定義圖像塊大小為n×n，中心層尺寸為m×m，三層圖像塊方差差異計算如下：

DMIM=MIL-MML,

(1)

(2)

式中：MIL、MML、DMIM分別代表中心層的平均強度、防護層的平均強度、中心層和防護層平均強度的差值；Prem表示紅外圖像中目標可能區(qū)域的顯著圖。式(1)和式(2)可以用于尋找和增強紅外圖像中可能的目標區(qū)域。在圖2中，內層的平均強度和中間層之間的差異在每個包含目標的塊圖像中其值都大于零，將塊圖像的中心像素視為圖像中目標的可能像素。

為了增加目標與殘余背景雜波的對比度，將原始紅外圖像I和目標可能區(qū)域Prem平方與三層圖像塊方差差值的均值平方相乘，作為包含目標的局部方差對比圖中中心像素的值。

(3)

VARD=Vi-Ve,

(4)

(5)

(6)

(7)

VLCM顯示了目標的增強圖像，在理想狀態(tài)下，滑動窗口中間塊T的尺度應該剛好包含小目標以得到最佳檢測效果。事實上，在實際目標檢測過程中，隨著目標的運動，小目標在每一幀的位置沿著一定的軌跡改變，而目標的大小通常也會隨著成像距離的變化而變化。如果中間塊T的尺度比待檢測的小目標的尺度小，則滑動窗口的中間塊與鄰域塊的對比度不明顯，可能造成漏檢；另一方面，如果中間塊T的尺度大于待檢測的小目標，中間塊不僅包含了小目標，還包含了部分局部背景，這也會使局部對比度降低，造成虛警或漏檢。因此，如何使滑動窗口的尺度自適應匹配小目標的大小，是一個值得討論的話題。在本文中，仍然采用多尺度的思想來解決這個問題。

2 權重強化

2.1 權重函數的計算

文獻[13]提出的RIL(Regional Intensity Level)是一種評估嵌套結構復雜度的有效方法，但原始的RIL簡單定義為嵌套結構中的最大值與平均值之差，對單一隨機噪聲敏感。在本文中，改進的RIL(Improved RIL,IRIL)算法定義為

IRILi=MLi-meani,

(8)

(9)

本文提出一種新的權重強化(Weighted Strength,WS)框架函數，并將當前像素(x,y)的權重強化函數定義為

(10)

WT具有目標的特征：

WT(x,y)=IRILT。

(11)

WD是目標與其鄰近背景的差值，計算方法為

WD(x,y)=max{0,min{IRILT-IRILi}}。

(12)

WB是背景的特征，表示為

WB(x,y)=std{IRIL1,IRIL2,…,IRIL8}。

(13)

ε是一個很小的隨機值,以避免分母為零。

2.2 WSVLCM的計算

局部方差對比圖VLCM和權重強化函數WS計算后，權重強化局部方差對比WSVLCM的增強圖像在當前像素(x,y)下定義為

WSVLCM(x,y)=WS(x,y)VLCM(x,y)。

(14)

在實際應用中，目標的大小通常是未知的，因此需要進行多尺度操作。因此，單元格大小被設置為不同的值，并且對于每個值計算(x,y)位置處的WSVLCM，然后使用最大池化操作得到最終的WSVLCM值:

WSVLCM(x,y)=max{WSVLCMp(x,y)}。

(15)

式中：p是第p個尺度，p=1,2,…,s,s是尺度的總數。

3 實驗評估

3.1 參數的選取

為了獲得最佳性能，每種方法都可能需要調整參數。一般情況下小目標實際尺寸小于80 pixel[13-14]。為了有更好的檢測性能，本文算法通過大量實驗和目標實際尺寸的大小來確定參數，提出的局部方差算法考慮了三層圖像塊尺寸大小對目標增強的影響，中心層、防護層、背景層尺寸大小分別為5×5、9×9和19×19。

在權重強化上，對于原始圖像的每個像素，計算WSVLCM并將結果形成一個新的矩陣，名為顯著性映射。有必要討論(x,y)是真實目標中心像素、純背景像素、背景邊緣像素和隨機噪聲像素時的不同情況，圖3表示目標在紅外圖像中可能出現的區(qū)域，下面討論不同區(qū)域權重函數對其影響。

圖3 紅外圖像的不同區(qū)域

當(x,y)為真實目標中心時，由于目標通常是局部凸點,其DMIM、MVARD較大,因此其VLCM較大;同時，它的WT和WD會很大，WB會很小，所以它的WS也會很大。因此，最終的WSVLCM值會很大。

如果(x,y)是純背景，由于背景通常是大面積均勻的，其DMIM將接近于0，因此其VLCM將近似等于0;并且它的WT和WD都接近于0，所以它的WS也近似等于0。因此，最終的WSVLCM的值將接近于0。

如果(x,y)是背景邊緣，它的VLCM會很小，因為周圍的一些單元格可能包含高亮度的背景;另外，它的WT雖然大，但是WD會因為周圍一些單元格可能包含相同的背景邊緣而小，WB會因為周圍8個單元格的內容不同而大，所以它的WS會小。因此，可以進一步抑制背景邊緣。

如果(x,y)是位于平坦背景中的隨機噪聲，由于隨機噪聲通常以單個像素的形式出現，且不是高斯類的，其DMIM將小于真實目標，因此它的VLCM會更小。此外，由于式(8)中IRIL的定義采用的是某些最大像素的均值而不是單個最大像素的均值，因此其WT、WD和WS都小于真實目標，從而可以進一步抑制隨機噪聲。

本實驗是在使用Intel i5-4460 CPU(3.2 GHz) 和8 GB內存的計算機上運行，軟件采用Matlab R2016b。

3.2 定性評估

為了評估提出算法的能力，在實驗中使用了4組紅外序列圖像。選取的4組紅外序列圖像背景不同，目標大小不同。為簡單起見，4個序列分別用序列1～4表示。表1列出了序列圖像的詳細信息。

表1 序列圖像詳細信息

序列1包含?？詹糠衷票尘埃蛄?和序列4包含帶噪聲的云雜波，而序列3的背景包括地面植物。通過與其他五種方法的比較來驗證該算法的檢測性能。在眾多的方法中，本文選擇了近年來流行的方法包括紅外圖像塊IPI、改進的ILCM、多尺度MSLCM、多尺度塊MSPCM、多尺度相對RLCM進行對比。四種不同背景下經WSVLCM算法后部分圖像樣值檢測結果如圖4所示。

圖4 不同算法下檢測結果

由圖4可以看出，ILCM算法對這4個序列的目標增強有效性和魯棒性較差，在序列1和序列4中對背景抑制能力較弱，沒有增強目標，對背景雜波和明亮的背景邊緣非常敏感，導致目標被背景雜波淹沒；MSLCM的表現與MSPCM類似，在均勻的背景序列下對背景抑制能力和目標增強較好(c4,c5)，但在序列4上沒有很好地抑制背景雜波，小目標處于雜波淹沒狀態(tài)，增強效果不突出(d4,d5)。對圖像序列1中小目標增強不突出(a4,a5)，未能有效濾除雜波，目標仍有可能被背景淹沒。RLCM方法在序列1～4上表現良好，目標增強很明顯，但在序列4上目標周圍殘留有較少量未濾除的雜波，整體分析也取得了令人較滿意的結果。IPI在不同背景下雜波抑制能力超強，小目標增強效果表現優(yōu)越，略遜于提出的算法。圖4表明，與其他方法相比，本文提出的算法在所有序列上都有很好的增強性能。對于序列4的復雜背景，本文的方法仍然有很好的效果。WSVLCM不僅增強了目標，而且很好地抑制了不同背景下的雜波，這為后續(xù)閾值分割檢測判決小目標非常有利。

3.3 定量評估

對于紅外圖像中弱小目標檢測，信雜比(Signal-to-Clutter Ratio,SCR)[14-16]是影響檢測質量的關鍵因素，定義為

(16)

式中:μb是圖像中目標強度的平均值，μt是背景區(qū)域局部強度均值，σb是背景區(qū)域局部方差。SCR值的增加導致目標區(qū)域的對比度增強，越易于檢測。式(17)和式(18)分別定義了背景抑制因子(Background Suppression Factor，BSF)[17-18]和信噪比增益SCRG (SCR Gain)[14-16]：

(17)

(18)

式中：σin、σout分別為雜波抑制前后方差。BSF代表對背景雜波的抑制質量，SCRG度量背景抑制算法對噪聲的抑制能力。BSF和SCRG的值越大，雜波抑制能力越強，檢測性能越好。實驗測試取自上述四種不同背景下的原始序列紅外圖像，表2和表3給出了四種不同背景下增強圖像BSF和SCRG統計平均值。

表2 不同算法下所得BSF值

表3 不同算法下所得SCRG值

由表2和表3可知，四種不同背景下，本文所提出的WSVLCM算法的BSF和SCRG值遠大于IPI、ILCM、MLCM、PLCM、RLCM的值。其中，紅色值表示更高的雜波抑制質量。表中展現了本文方法不僅在背景和噪聲抑制能力方面具有優(yōu)良的效果，而且更重要的是對于引入局部方差在邊緣檢測上表現十分優(yōu)越，對強起伏背景抑制魯棒性能更好。此外，由表4可知，對于時間消耗IPI最長，MSLCM、MSPCM也較長，而本文提出的算法與RLCM很相近，時間上略優(yōu)于RLCM。

表4 不同算法下的時間消耗

4 結束語

本文提出了一種權重強化局部方差對比特性的小目標檢測算法，該算法由局部方差VLCM的計算和權重強化函數的設計兩個模塊組成。利用三層圖像塊模型之間的方差差異增強真實目標，權重強化函數的設計對高亮背景邊緣和單一噪聲有更強的抑制性能，對小目標處于同質均勻背景、異質邊緣均具有良好的增強性能。實驗結果表明，WSVLCM算法與當前流行的方法IPI、ILCM、MSLCM、MSPCM、RLCM相比較，不僅具有增強目標抑制雜波的能力，而且具有對各種目標尺寸的魯棒性；單幀消耗平均時間約為0.144 s，與其他算法相比所消耗時間更少。由于紅外小目標的形狀近似于二維高斯函數[17]，局部方差屬性和強化函數結合可以更有效地增強小目標。紅外小目標檢測仍然存在目標尺度變化大、雜波強等問題，后續(xù)將嘗試把所提方法與目標的運動信息相結合，爭取在這一領域做進一步的改進。