采用三層模板局部差異度量的紅外弱小目標(biāo)檢測

穆 靖，李偉華，饒俊民，李范鳴，衛(wèi) 紅

（1.中國科學(xué)院 紅外探測與成像技術(shù)重點(diǎn)實(shí)驗(yàn)室，上海200083；2.中國科學(xué)院 上海技術(shù)物理研究所，上海200083；3.中國科學(xué)院大學(xué)，北京100049）

1 引 言

紅外搜索跟蹤（Infrared Search and Tracking，IRST）系統(tǒng)具有透霧能力強(qiáng)、隱蔽性好、可晝夜工作等優(yōu)勢［1］，在遠(yuǎn)距離目標(biāo)探測中應(yīng)用廣泛。弱小目標(biāo)檢測作為IRST系統(tǒng)的關(guān)鍵技術(shù)之一，其檢測結(jié)果的準(zhǔn)確性直接決定了系統(tǒng)的探測性能［2］。在實(shí)際應(yīng)用中，設(shè)備作用距離遠(yuǎn)導(dǎo)致目標(biāo)成像面積小，缺乏形狀和紋理信息［3］；此外，探測環(huán)境復(fù)雜多變使得圖像信雜比低，包含復(fù)雜背景和高亮點(diǎn)噪聲［4］。因此，實(shí)現(xiàn)復(fù)雜場景下的弱小目標(biāo)檢測，保證算法具有高檢測率、低虛警率和低復(fù)雜度，仍是當(dāng)前亟待解決的研究難點(diǎn)。

常見的紅外弱小目標(biāo)檢測算法通常分為單幀檢測與多幀檢測兩類。其中，多幀檢測算法依賴于背景幀間一致和目標(biāo)位置幀間連續(xù)的假設(shè)［5］。工程應(yīng)用中，光電設(shè)備抖動(dòng)或目標(biāo)快速移動(dòng)會(huì)導(dǎo)致場景和目標(biāo)位置發(fā)生變化，難以建立相鄰幀間的關(guān)聯(lián)性，使得多幀檢測算法的性能急劇下降。與多幀檢測算法相比，單幀檢測算法更能適應(yīng)復(fù)雜場景的變化和目標(biāo)運(yùn)動(dòng)的機(jī)動(dòng)性［6］，因此應(yīng)用更加廣泛。

傳統(tǒng)的單幀檢測算法通常從背景抑制和目標(biāo)增強(qiáng)兩方面著手對弱小目標(biāo)進(jìn)行檢測［7］。其中，基于空域?yàn)V波的算法利用背景的低頻特性設(shè)計(jì)線性或非線性的濾波器實(shí)現(xiàn)背景抑制，如Tophat變換［8-9］、Max-mean/Max-median濾波［10］、高斯差分（Difference of Gaussian，DoG）濾波［11］等。此類算法易于實(shí)現(xiàn)，但需要明確目標(biāo)尺寸這一先驗(yàn)信息且對背景中的強(qiáng)邊緣和噪聲敏感。依據(jù)人類視覺系統(tǒng)（Human Visual System，HVS）的對比度機(jī)制，局部對比度（Local Contrast Method，LCM）［12］及其改進(jìn)算法［13-14］，根據(jù)目標(biāo)及其鄰域背景的灰度差異構(gòu)造比值型和差值型對比度度量方式實(shí)現(xiàn)目標(biāo)增強(qiáng)或背景抑制。Han等［15］提出比-差聯(lián)合型局部相關(guān)對比度度量（Relative Local Contrast Measure，RLCM）算法，同時(shí)實(shí)現(xiàn)了目標(biāo)增強(qiáng)與背景抑制。此類算法通常使用不同尺寸的滑動(dòng)窗口遍歷圖像，以實(shí)現(xiàn)對不同大小目標(biāo)的檢測，但這種多尺度運(yùn)算會(huì)破壞目標(biāo)的原始尺寸。Wu等［16］將這一現(xiàn)象稱為“膨脹效應(yīng)”并提出了雙鄰域梯度算法（Double-Neighborhood Gradient Method，DNGM）。DNGM算法使用固定尺寸的三層滑動(dòng)窗口實(shí)現(xiàn)對不同大小目標(biāo)的檢測，有效改善了膨脹效應(yīng)且避免了多尺度運(yùn)算導(dǎo)致的算法復(fù)雜度提升；但該算法僅實(shí)現(xiàn)了背景抑制，在復(fù)雜背景下仍具有較高的虛警率。文獻(xiàn)［17］提出雙層局部對比度機(jī)制（Double Layer Local Contrast Measure，DLLCM），通過計(jì)算對角灰度差實(shí)現(xiàn)背景抑制，該算法與DNGM算法存在相同的缺陷。基于圖像數(shù)據(jù)結(jié)構(gòu)的算法同時(shí)考慮了目標(biāo)與背景的特性，如GAO Chenqiang［2］、DAI Yi-mian等［18］利用目標(biāo)的稀疏性和背景的非局部自相關(guān)性，將弱小目標(biāo)檢測問題轉(zhuǎn)化為稀疏矩陣與低秩矩陣的分解問題，可有效檢測多種尺寸的目標(biāo)并抑制背景，但此類算法復(fù)雜度高、實(shí)時(shí)性差。近年來，深度學(xué)習(xí)算法在目標(biāo)檢測、圖像分割等諸多領(lǐng)域取得了革命性進(jìn)展［19-20］，相關(guān)學(xué)者將它應(yīng)用于紅外弱小目標(biāo)檢測領(lǐng)域并提出基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）的檢測算法。文獻(xiàn)［21］提出基于特征融合的骨干網(wǎng)絡(luò)CNN-MNET，可用于檢測海天背景下的弱小目標(biāo)。文獻(xiàn)［22］引入空間注意力機(jī)制加強(qiáng)不同區(qū)域之間的相關(guān)性，實(shí)現(xiàn)了對復(fù)雜地面背景下的弱小目標(biāo)檢測。但此類算法需要大量訓(xùn)練數(shù)據(jù)，且模型參數(shù)量大，不利于工程實(shí)現(xiàn)。

針對現(xiàn)有算法的不足，本文提出基于三層模板的局部差異度量（Tri-layer Template Local Difference Measure，TTLDM）算法。首先，使用三層模板遍歷圖像，得到包含不同場景的局部圖像；然后，根據(jù)目標(biāo)在局部圖像中灰度分布的差異性提出灰度差異（Gray Scale Difference，GSD）度 量 與 方 差 差 異（Variance Difference，VD）度量相結(jié)合的TTLDM算法并求得顯著性圖；最后，采用自適應(yīng)閾值分割算法提取待檢測目標(biāo)。TTLDM算法同時(shí)實(shí)現(xiàn)了目標(biāo)增強(qiáng)與背景抑制，只需使用單一尺寸的三層模板遍歷一次原始圖像即可得到顯著性圖。在大量真實(shí)數(shù)據(jù)上進(jìn)行實(shí)驗(yàn)，結(jié)果表明，本文算法可以實(shí)現(xiàn)多種復(fù)雜場景下的弱小目標(biāo)檢測，相比于現(xiàn)有算法具有更高的檢測率、更低的虛警率和更好的實(shí)時(shí)性。

2 算法原理

2.1 三層模板的構(gòu)造

根據(jù)國際光學(xué)工程學(xué)會(huì)（International Society for Optical Engineering，SPIE）給出的定義，弱小目標(biāo)所占的像素?cái)?shù)應(yīng)不超過圖像總像素?cái)?shù)的0.12%，即在一幅分辨率為256×256 pixel的圖像中，弱小目標(biāo)的尺寸不超過81 pixel［7］。由于在實(shí)際應(yīng)用中，目標(biāo)尺寸這一先驗(yàn)信息通常很難獲取，因此LCM及其改進(jìn)算法［12-14］采用多尺度度量機(jī)制實(shí)現(xiàn)對不同尺寸目標(biāo)的檢測。如圖1所示，多尺度運(yùn)算通常將滑動(dòng)窗口劃分為9個(gè)子塊，然后分別令子塊的尺寸為3×3，5×5，7×7，9×9，通過多次遍歷原始圖像得到多尺度局部對比度，最后取最大值得到最終的顯著性圖。

多尺度運(yùn)算不僅提升了算法復(fù)雜度，而且增強(qiáng)了目標(biāo)周圍的背景區(qū)域，如圖2（b）所示。當(dāng)多個(gè)目標(biāo)位置接近時(shí)，膨脹效應(yīng)會(huì)引起鄰近目標(biāo)的顯著性區(qū)域產(chǎn)生重疊，本文將這一現(xiàn)象稱為“區(qū)域交疊”，如圖2（b）圓圈所示。因此，為了避免區(qū)域交疊造成目標(biāo)漏檢及算法復(fù)雜度的增加，本文通過構(gòu)造單一尺寸的三層模板，僅需從左至右、從上至下逐像素遍歷一次圖像即可得到最終的顯著性圖。如圖3所示，該模板包含了內(nèi)層、中間層和外層3部分。其中，內(nèi)層的尺寸表示為K，中間層、外層的尺寸分別為內(nèi)層尺寸的3倍和5倍。本文限定待檢測弱小目標(biāo)的尺寸介于2×2～9×9之間，因此當(dāng)模板遍歷至目標(biāo)中心時(shí)，為保證模板包含完整的目標(biāo)及其最近鄰局域背景，K的取值應(yīng)不小于3。

圖3 三層模板示意圖Fig.3 Schematic diagram of tri-layer template

2.2 灰度差異的計(jì)算

弱小目標(biāo)通常表現(xiàn)為致密且均勻的區(qū)域［10］，與其所在局域背景間存在灰度差異，在局部圖像中具有孤立性與顯著性，如圖4（a）所示。因此，在觀察包含弱小目標(biāo)的紅外圖像時(shí)，人類視覺系統(tǒng)可以快速并準(zhǔn)確地定位出目標(biāo)區(qū)域。由紅外目標(biāo)的輻射特性可知，目標(biāo)的灰度值從中心向四周逐漸減小［23］，如圖4（b）所示。因此，當(dāng)弱小目標(biāo)位于三層模板的中心時(shí)，模板各層包含的灰度均值由內(nèi)至外依次遞減。

圖4 典型復(fù)雜背景下紅外弱小目標(biāo)圖像Fig.4 Typical IR image with small target under complex background

根據(jù)上述分析，本文基于HVS的對比度機(jī)制及目標(biāo)的輻射特性，利用模板三層區(qū)域的灰度均值構(gòu)造GSD度量方式，用于得到候選目標(biāo)區(qū)域，計(jì)算公式如下：

式中：Min，Mmid，Mout分別為內(nèi)層、中間層、外層所含像素的灰度均值，由式（2）計(jì)算得到；N為區(qū)域包含的像素?cái)?shù)；g為像素的灰度值；H(x)為階躍函數(shù)，用于判斷灰度差值的正負(fù)，其公式為：

根據(jù)局部圖像的灰度分布特性將紅外圖像劃分為不同類型的區(qū)域，包括平緩背景區(qū)域、弱小目標(biāo)區(qū)域、高亮點(diǎn)噪聲區(qū)域、目標(biāo)附近區(qū)域、強(qiáng)邊緣區(qū)域及雜波區(qū)域，如圖4（a）所示。使用三層模板遍歷原始圖像，當(dāng)模板遍歷至目標(biāo)區(qū)域時(shí)，如圖5（b）所示，模板內(nèi)層灰度均值大于中間層與外層的灰度均值，此時(shí)GSDT＞0；當(dāng)模板遍歷至目標(biāo)附近區(qū)域時(shí)，如圖5（d）所示，模板內(nèi)層的灰度均值小于中間層和外層的灰度均值，此時(shí)GSDB＜0；當(dāng)模板遍歷至平緩背景時(shí)，如圖5（a）所示，模板內(nèi)層、中間層、外層的灰度均值接近，此時(shí)GSDB≈0；當(dāng)模板遍歷至高亮點(diǎn)噪聲（Pixel Noise with High Brightness，PNHB）區(qū)域時(shí)，如圖5（c）所示，由于點(diǎn)噪聲僅占單個(gè)像素，其內(nèi)層的灰度均值略大于中間層與外層的灰度均值，此時(shí)0＜GSDPNHB＜GSDT。

圖5 三層模板遍歷不同區(qū)域Fig.5 Different regions covered by tri-layer template

圖6給出了使用三層模板遍歷圖像得到的GSD顯著性圖，可以看出，均勻背景、高亮點(diǎn)噪聲及目標(biāo)周圍的背景均得到了抑制。但由于地表雜波和強(qiáng)邊緣與目標(biāo)具有相似的灰度顯著性，因此僅使用GSD度量無法抑制背景中的雜波與邊緣區(qū)域。為解決這一問題，本文提出方差差異度量算法進(jìn)一步抑制復(fù)雜背景中的邊緣與雜波。

圖6 GSD顯著性Fig.6 Saliency map of GSD

2.3 方差差異的計(jì)算

在概率論中，方差用于衡量隨機(jī)變量的取值與其數(shù)學(xué)期望的偏離程度。若將圖像灰度作為隨機(jī)變量，則圖像的方差可用于表征圖像灰度的離散程度，方差越大說明圖像灰度的離散程度越高，局部圖像的灰度分布越不均勻，因此可使用方差對圖像的均勻性進(jìn)行定量描述。

從均勻性的角度對圖5中包含不同區(qū)域的局部圖像進(jìn)行分析，可以看出不同區(qū)域的灰度分布在模板的不同分層內(nèi)存在較大差異：平滑背景、點(diǎn)噪聲區(qū)域的外層、中間層及內(nèi)層均具有平坦的灰度分布；強(qiáng)邊緣、雜波區(qū)域的外層、中間層及內(nèi)層的灰度分布較為離散；目標(biāo)區(qū)域的外層灰度分布更加均勻，但中間層及內(nèi)層的灰度分布受目標(biāo)的影響相對離散。

基于上述分析，本文利用包含不同背景和目標(biāo)的局部圖像灰度離散程度的差異性，構(gòu)造VD度量方式用于進(jìn)一步抑制強(qiáng)邊緣與雜波，其計(jì)算公式如下：

式中：Vmid+in，Vout分別為中間層與內(nèi)層所含像素、外層所含像素的灰度方差，可由式（5）計(jì)算得到；M為灰度均值，由式（2）計(jì)算得到；ε為常數(shù)，為了避免分母為0，本文令ε=1×10-5。

為了進(jìn)一步說明VD度量方式對強(qiáng)邊緣與雜波的抑制效果，分別對包含弱小目標(biāo)、強(qiáng)邊緣和雜波區(qū)域的局部圖像的灰度分布進(jìn)行分析。圖7為包含不同區(qū)域的局部圖像的灰度分布直方圖，右上角為對應(yīng)的局部圖像。從圖7中可以看出：當(dāng)模板遍歷至目標(biāo)區(qū)域時(shí)，其內(nèi)層與中間層受目標(biāo)的影響灰度分布比較離散，而其外層灰度分布比 較 集 中，如 圖7（a）和7（d）所 示，此 時(shí)VDmid+in＞VDout；當(dāng)模板遍歷至強(qiáng)邊緣區(qū)域時(shí)，其內(nèi)層與中間層所含像素、外層所含像素的灰度分布特征相似，如圖7（b）和7（e）所示，此時(shí)VDmid+in≈VDout；當(dāng)模板遍歷至雜波區(qū)域時(shí)，由于與目標(biāo)相比雜波的致密性較差，其外層所含像素的灰度分布受雜波影響較為離散，如圖7（c）和7（f）所示，此時(shí)VDmid+in≈VDout。因此，VD度量方式可以較好地抑制復(fù)雜背景中的強(qiáng)邊緣與雜波。圖8為原始紅外圖像的VD顯著性圖，從圖中可以看出，強(qiáng)邊緣和雜波均得到抑制。

圖7 不同區(qū)域的灰度分布直方圖Fig.7 Histogram of gray distribution in different regions

圖8 VD顯著性Fig.8 Saliency map of VD

2.4 三層模板局部差異度量

本文提出TTLDM算法，利用目標(biāo)與其局域背景的灰度差異性和局部圖像的均勻性同時(shí)實(shí)現(xiàn)目標(biāo)增強(qiáng)與背景抑制，其計(jì)算公式如下：

式中(i，j)為三層模板中心位置像素在原始圖像中的坐標(biāo)。

2.5 自適應(yīng)閾值分割

TTLDM算法的完整流程如圖9所示。由于在計(jì)算得到的TTLDM顯著性圖（Saliency Map，SM）中仍存在少許雜波，因此本文進(jìn)一步采用自適應(yīng)閾值分割算法提取待檢測目標(biāo)。分割閾值的計(jì)算公式如下：

圖9 基于三層模板的局部差異度量算法流程Fig.9 Flowchart of TTLDM algorithm

式中：μTTLDM，δTTLDM分別為TTLDM顯著圖的均值與標(biāo)準(zhǔn)差；λ為超參數(shù)，其取值介于20～35之間。

3 實(shí) 驗(yàn)

3.1 實(shí)驗(yàn)數(shù)據(jù)與運(yùn)行環(huán)境

本文采用Dai等［24］整理并發(fā)布的單幀紅外弱小目標(biāo)（Single-frame Infrared Small Target，SIRST）檢測數(shù)據(jù)集及Han等［25-26］提供的單幀圖像庫對TTLDM算法的有效性進(jìn)行驗(yàn)證。其中，SIRST數(shù)據(jù)集共包含427張圖像、480個(gè)弱小目標(biāo)，單幀圖像庫共包含25張圖像、29個(gè)弱小目標(biāo)。為避免場景重復(fù)，SIRST數(shù)據(jù)集和單幀圖像庫中的每張圖像均是從包含不同場景的圖像序列中抽取的一張具有代表性的圖像。圖10展示了9張選自SIRST數(shù)據(jù)集和單幀圖像庫的包含單個(gè)或多個(gè)目標(biāo)的圖像，圖中方框內(nèi)為弱小目標(biāo)及其局部放大圖。圖10中每張圖像所含目標(biāo)及背景的特性如表1所示，其中信雜比（Signal to Clutter Ratio，SCR）的定義如下：

表1 圖10中紅外圖像的特點(diǎn)T ab.1 Features of IR images shown in Fig.10

圖10 SIRST數(shù)據(jù)集中不同背景下的紅外圖像Fig.10 Typical IR images from SIRST dataset with various backgrounds

式中：μt為目標(biāo)的灰度均值；μb，σb分別為目標(biāo)周圍鄰域的灰度均值和標(biāo)準(zhǔn)差。SCR用于衡量目標(biāo)的顯著性，SCR越大，目標(biāo)越容易被檢測到。

實(shí)驗(yàn)所使用的計(jì)算機(jī)配置為Intel（R）Core（TM）i7-7700HQ CPU@2.80 GHz，內(nèi)存為16 GB；各個(gè)算法的運(yùn)行環(huán)境為MATLAB 2018a且均在CPU上使用單線程運(yùn)行。

3.2 算法評價(jià)指標(biāo)

本文選用信雜比增益（Signal to Clutter Ratio Gain，SCRG）、背景抑制因子（Background Suppression Factor，BSF）、受試者工作特征（Receiver Operating Characteristic，ROC）曲線和運(yùn)行時(shí)間4個(gè)指標(biāo)對算法的性能進(jìn)行定量評估。其中，SCRG用于評估算法增強(qiáng)目標(biāo)的能力，其表達(dá)式為：

式中：Rin，Rout分別表示算法處理前后圖像的信雜比。

BSF用于評估算法抑制背景的能力，其表達(dá)式為：

式中：σin，σout分別為算法處理前后圖像中背景的灰度標(biāo)準(zhǔn)差。SCRG和BSF越大，說明算法對目標(biāo)的增強(qiáng)能力和對復(fù)雜背景的抑制能力越強(qiáng)。

ROC［27］曲 線 以 虛 警 率（False-alarm Rate，F(xiàn)R）為橫軸，以檢測率（Probability of Detection，POD）為縱軸繪制而成。其中，檢測率與虛警率的定義［28］如下：

式中：Nd為算法正確檢測的目標(biāo)數(shù)量；Tt為待檢測圖像中存在的真實(shí)目標(biāo)的數(shù)量；Nf為被算法誤檢為目標(biāo)的像素總數(shù)；Np為待檢測紅外圖像所包含的像素總數(shù)。

3.3 模板尺寸的選取

根據(jù)2.1節(jié)所述三層模板的構(gòu)造，理論上使用單一尺寸的三層模板遍歷一次原始圖像即可實(shí)現(xiàn)對不同大小的弱小目標(biāo)的檢測。為了比較K的取值對算法檢測性能的影響，本文使用SIRST數(shù)據(jù)集對K的取值進(jìn)行測試，當(dāng)K分別取3，5，7，9時(shí)對本文算法的檢測率與虛警率進(jìn)行統(tǒng)計(jì)并繪制ROC曲線，如圖11所示。由圖11可以看出，當(dāng)K=3時(shí)，算法具有更好的檢測性能。

圖11 K取不同值時(shí)的ROC曲線Fig.11 ROC curves for different K

據(jù)2.1節(jié)所述，紅外弱小目標(biāo)的尺寸介于2×2～9×9。圖12分別列出了本文算法對尺寸分別為2×2，5×5，7×7，9×9的弱小目標(biāo)的檢測效果，其中模板尺寸K=3?？梢钥闯觯疚乃惴▋H需使用單一尺寸的三層模板遍歷一次圖像即可檢測出不同尺寸的目標(biāo)。

圖12 TTLDM算法對不同尺寸目標(biāo)的檢測效果Fig.12 Detection effect of TT LDM method on targets of different sizes

3.4 與現(xiàn)有算法的檢測效果對比

為驗(yàn)證本文算法能夠有效避免區(qū)域交疊，針對包含多個(gè)紅外弱小目標(biāo)的圖像，將本文算法與LCM［12］，ILCM［13］，RLCM［15］3種 常 見 的 多 尺 度HVS算法進(jìn)行對比，檢測結(jié)果如圖13所示。從圖13中可以看出，LCM，ILCM，RLCM算法均破壞了目標(biāo)的原始尺寸且伴隨區(qū)域交疊現(xiàn)象，而本文算法可準(zhǔn)確檢測出所有弱小目標(biāo)，且保留了目標(biāo)的原始尺寸。

圖13 不同算法對含多個(gè)紅外弱小目標(biāo)圖像的檢測結(jié)果Fig.13 Experimental results of different algorithms on IR image with multiple small targets

為進(jìn)一步驗(yàn)證所提算法抑制復(fù)雜背景的有效性及優(yōu)勢，本文選用NWTH［9］，RIPT［18］，MLCM［12］，MPCM［14］，MRLCM［15］，TLLCM［25］，DNGM［16］，MLCM-LEF［29］8種 算 法 與 本 文 算 法的檢測結(jié)果進(jìn)行對比，各個(gè)算法的參數(shù)設(shè)置見表2。圖14展示了各個(gè)算法對不同復(fù)雜背景下紅外弱小目標(biāo)圖像的檢測結(jié)果，包括顯著性圖及其三維特征，圖中方框內(nèi)為弱小目標(biāo)及其局部放大圖。從實(shí)驗(yàn)結(jié)果可以看出，NWTH，MRLCM算法無法抑制背景中的強(qiáng)雜波；RIPT算法對背景中的點(diǎn)噪聲敏感，且當(dāng)目標(biāo)信雜比偏低時(shí)，會(huì)造成目標(biāo)漏檢，如圖14（b3）和14（c3）所示；MLCM算法雖然增強(qiáng)了目標(biāo)但無法抑制背景，且存在明顯的膨脹效應(yīng)；MPCM算法可有效抑制背景中的邊緣但對暗孔洞噪聲及雜波敏感，如圖14（c5）和14（d5）所示；TTLCM算法對背景中的粒狀噪聲敏感，當(dāng)目標(biāo)的對比度偏低時(shí)會(huì)造成目標(biāo)漏檢，如圖14（b7）和14（c7）所示；由于DNGM只做到了抑制背景而不能增強(qiáng)目標(biāo)，因此當(dāng)目標(biāo)信雜比偏低時(shí)，該算法對復(fù)雜背景中的雜波敏感，如圖14（a8）所示；MLCM-LEF算法對點(diǎn)噪聲及與目標(biāo)相似的雜波敏感，如圖14（b9）和14（d9）所 示；與 其 他 算 法 相 比，TTLDM算法不僅能夠有效抑制復(fù)雜背景，包括強(qiáng)邊緣、高亮點(diǎn)噪聲及雜波，而且實(shí)現(xiàn)了對低信雜比目標(biāo)的增強(qiáng)。

圖14 不同算法對包含不同復(fù)雜背景的紅外弱小目標(biāo)圖像的檢測結(jié)果Fig.14 Experimental results of different algorithms on IR images with various complex backgrounds

表2 不同算法的參數(shù)設(shè)置Tab.2 Detailed parameter settings for different methods

3.5 算法性能分析

為了對所提算法的性能進(jìn)行定量評估，表3列出了SIRST數(shù)據(jù)集和單幀圖像庫經(jīng)不同算法處理后得到的SCRG，BSF的平均值及不同算法處理單幀圖像的平均運(yùn)行時(shí)間。RIPT算法屬于基于圖像數(shù)據(jù)結(jié)構(gòu)的單幀檢測算法，計(jì)算分別得到一張目標(biāo)圖與一張背景圖，使用所得目標(biāo)圖計(jì)算該算法的SCRG，BSF得到的數(shù)值為Inf，說明在該算法的目標(biāo)圖中，目標(biāo)的局部背景區(qū)域得到了充分抑制。從表3可以看出，對于SIRST數(shù)據(jù)集，本文算法的SCRG與BSF數(shù)值最高，其中SCRG相較于其他算法的SCRG平均值提高了7.7倍，BSF相較于其他算法的BSF平均值提高了3.9倍；對于單幀圖像庫，本文算法的SCRG相較于其他算法的SCRG平均值提高了9.5倍，BSF相較于其他算法的平均值提高了3.5倍。此外，本文算法只需使用單一尺寸的三層模板遍歷一次圖像即可實(shí)現(xiàn)檢測，因此相比于其他算法具有更好的實(shí)時(shí)性。

表3 不同算法的SCRG，BSF的平均值Tab.3 Means of SCRG，BSF of different algorithms

為了更直觀地說明TTLDM算法的檢測性能，本文對各個(gè)算法在SIRST數(shù)據(jù)集上的檢測率和虛警率進(jìn)行統(tǒng)計(jì)并繪制了ROC曲線，如圖15所示。

從圖15可以看出，本文算法的ROC曲線位于其他算法的ROC曲線的左上方，說明本文算法的檢測性能更加穩(wěn)定，總體上優(yōu)于其他算法。

圖15 SIRST數(shù)據(jù)集的ROC曲線Fig.15 ROC curves of SIRST dataset

4 結(jié) 論

本文提出了一種基于三層模板局部差異度量的單幀紅外弱小目標(biāo)檢測算法，使用單一尺寸的三層模板遍歷一次圖像即可實(shí)現(xiàn)對多種尺寸的紅外弱小目標(biāo)的檢測，不僅提高了檢測的實(shí)時(shí)性，而且避免了多尺度運(yùn)算導(dǎo)致的目標(biāo)膨脹效應(yīng)及區(qū)域交疊現(xiàn)象。為了增強(qiáng)目標(biāo)并抑制不同類型的復(fù)雜背景，包括強(qiáng)邊緣、高亮點(diǎn)噪聲、雜波，本文充分利用弱小目標(biāo)的輻射特性及局部圖像的均勻性，提出了TTLDM算法。在公開數(shù)據(jù)集SIRST上進(jìn)行測試，TTLDM算法的SCRG為449.75、BSF為464.81，相較于現(xiàn)有算法分別提高了7.7倍和3.9倍；此外，本文算法在SIRST數(shù)據(jù)集上的平均運(yùn)行時(shí)間為10.9 ms/frame。實(shí)驗(yàn)結(jié)果和測試數(shù)據(jù)均驗(yàn)證了本文算法在檢測性能及實(shí)時(shí)性上的優(yōu)勢。