紅外背景抑制與小目標(biāo)分割檢測

第第頁紅外背景抑制與小目標(biāo)分割檢測紅外背景抑制與小目標(biāo)分割檢測

紅外尋的導(dǎo)引頭小目標(biāo)圖像的分割與檢測是地空導(dǎo)彈和艦空導(dǎo)彈的關(guān)鍵技術(shù).本文研究用六種高通濾波器抑制大面積低頻背景的效果與性能比較，在此基礎(chǔ)上提出基于統(tǒng)計計算均值和直方圖的自適應(yīng)門限背景抑制與小目標(biāo)分割方法.基于目標(biāo)運動的連續(xù)性、規(guī)律性和噪聲的隨機性，研究連續(xù)性濾波器的設(shè)計和用流水線管道結(jié)構(gòu)檢測目標(biāo)運動軌跡的方法.大量實驗和比較結(jié)果檢驗了本文方法的正確性.

關(guān)鍵詞:紅外圖像；背景抑制；高通濾波；自適應(yīng)門限；目標(biāo)分割；目標(biāo)檢測

InfraredBackgroundSuppressionforSegmentingandDetectingSmallTarget

PENGJia-xiong,ZHOUWen-lin

(InstituteofPatternRecognitionandArtificialIntelligence,HuazhongUniversityofScienceandTechnology,Wuhan430074,China)

Abstract:Thesegmentationanddetectionofsamlltargetimageforinfraredhomingguidanceheadarecrucialtechnologiesforground-airandsurface-airmissiles.Thispaperstudiestheeffectandperformancecomparisonofsuppressinglargeareaandlowfrequencybackgroundbyuseofsixhigh-passfilters.Basedonthis,weproposeanadaptivethresholdmethodofbackgroundsuppressionandsmalltargetsegmentationusingimagemeanandhistogram.Inviewofthecontinuityandregularityofmotionfortargetandtherandomnessfornoise,thedesignofcontinuityfilterandatechniqueviaassemblylineandpipelineschemetodetecttargettrajectoryareconsidered.Themethodsresearchedhereareverifiedbyalargenumberofresultsofexperimentsandcomparisons.

Keywords:infraredimage;backgroundsuppression;high-passfiltering;adaptivethreshold;targetsegmentation;targetdetection

一、引言

為了盡可能早地發(fā)現(xiàn)目標(biāo)，使防御武器有足夠的反應(yīng)時間，要求目標(biāo)在很遠(yuǎn)處就能被檢測到，這時目標(biāo)的圖像很小，只有一個或幾個像素的面積.另一方面接收器內(nèi)的噪聲及背景雜波干擾又往往較強，因而是一個低信噪比的小目標(biāo)分割與檢測問題.小目標(biāo)分割與檢測性能的好壞將直接決定紅外自動尋的末制導(dǎo)系統(tǒng)的有效作用距離及設(shè)備的復(fù)雜程度，是一個必須解決的關(guān)鍵問題.

由于小目標(biāo)的像元個數(shù)很少，缺乏目標(biāo)的結(jié)構(gòu)信息，單從灰度來看，難于同噪聲區(qū)別開來，一般基于灰度的運動目標(biāo)檢測方法無法采用，可供分割與檢測算法利用的信息很少.國外學(xué)者從七十年代末期開始，經(jīng)過十多年對小目標(biāo)分割與檢測問題的深入研究已取得了不少成果，總的來說，對該問題的研究一般都圍繞以下兩個實際背景展開，一是空載下視系統(tǒng)如星載系統(tǒng)對低空及地面目標(biāo)的監(jiān)視；一是低空或地面系統(tǒng)對星空背景中目標(biāo)的監(jiān)視.由前人所做的工作看出，運動小目標(biāo)分割與檢測之關(guān)鍵在于解決沿未知目標(biāo)軌跡的快速能量積累問題，即把運動小目標(biāo)分割與檢測問題看成是目標(biāo)軌跡搜索及根據(jù)能量積累作出判決的過程，也就是根據(jù)目標(biāo)運動的連續(xù)性和規(guī)則性來檢測目標(biāo).

對于背景抑制與小目標(biāo)檢測問題，Bauch等人通過采用一組時間上的高階差分來抑制背景干擾，并得到目標(biāo)運動軌跡［1］.有一些工作集中于用動態(tài)規(guī)劃和狀態(tài)估計技術(shù)來增加目標(biāo)的可檢測性［2，3］.然而，它們在低信噪比情況下可能呈現(xiàn)差的性能.此后，文獻(xiàn)［4，5］提出了頻域中的三維時空匹配濾波技術(shù).它已經(jīng)被簡化為只在空域中進(jìn)行的二維匹配濾波但在時間序列中進(jìn)行遞推求和［6］.最近文獻(xiàn)［7］又進(jìn)一步發(fā)展成為基于線性變系數(shù)差分方程的方法.M.Irani等人用計算像素小鄰域上灰度差的加權(quán)平均再用梯度進(jìn)行規(guī)一化，以此作為運動的度量［8］.他們首先辯識有純平移運動的區(qū)域并分割相應(yīng)于計算運動的區(qū)域，再對分割的區(qū)域計算一個高階參數(shù)變換(仿射變換，射影變換，等等)來改善運動估計并迭代上述步驟直至收斂.另一個由S.P.Liou和R.C.Jian提出的運動檢測方法是基于時空空間中運動軌跡任一點上切線和法線的正交性［9］.但是為了得到圖像函數(shù)的時間和空間偏導(dǎo)數(shù)，必須實時完成在時空空間中的三維曲面擬合，從而增加了計算量.BirBhanu和D.H.Richard使用圖像分割方法來檢測運動目標(biāo)［10］.然而在許多情況下，從復(fù)雜的前景和背景中分割出運動目標(biāo)是很困難的任務(wù).

光流法［11～13］是文獻(xiàn)中最常見的方法.但是它很耗時而且在有些情況中不可用，例如有階躍邊緣和遮擋的情況.在這些情況下，光流的連續(xù)性不能得到保證.最近，檢測單像速目標(biāo)運動軌跡的一種有效方法在文獻(xiàn)［14］中提出來了.這個方法是基于準(zhǔn)連續(xù)性濾波器來抑制大量的噪聲，把軌跡的性質(zhì)嵌入到一個代價函數(shù)中并把軌跡檢測問題歸結(jié)代價函數(shù)的最小化問題.但是這個方法僅僅對于二值化圖像是可用的.L.I.Perlovsky等人基于使用內(nèi)部世界模型的十個方程式所定義的MLANS非線性神經(jīng)網(wǎng)絡(luò)系統(tǒng)，描述了一個自動目標(biāo)識別方法和一個有關(guān)的非合作辨別敵友的問題［15］.這些模型在MLANS中對大量的神經(jīng)網(wǎng)絡(luò)權(quán)系數(shù)進(jìn)行編碼并且MLANS用一些先驗樣本進(jìn)行學(xué)習(xí).還有一些其他的運動檢測方法，如M.V.Srinivasan提出的基于微分的廣義梯度方案［16］，S.D.Blostein和T.S.Huang提出的使用假設(shè)檢驗的方法［17］，R.C.Nelson提出的用運動觀測器檢測運動的方法［18］和W.B.Schaming提出的借助于Bayes統(tǒng)計量的像素分類法［19］，等等.后者僅能用于檢測相鄰兩幀之間目標(biāo)的小運動，因為該方法中使用的自適應(yīng)門多特征像素分類器已經(jīng)假設(shè)了兩幀間的運動是小的.我國在小目標(biāo)分割與檢測方面也做了大量的工作.由國防科技大學(xué)、同濟(jì)大學(xué)、上海交通大學(xué)、華中理工大學(xué)共同參加的紅外導(dǎo)引頭信息處理機的研制已取得了一定的成果.相繼提出了迭代統(tǒng)計平均檢測法，HOPFIELD神經(jīng)網(wǎng)絡(luò)法、全局搜索法等小目標(biāo)檢測方法.

總的來說，上述方法存在的問題在于：在低信噪比情況下，目標(biāo)點極易被噪聲所淹沒.單幀圖像處理不能實現(xiàn)對目標(biāo)的可靠分割與檢測，必須對圖像序列進(jìn)行處理.這樣，在目標(biāo)運動特性未知或可能的取值范圍較大的情況下，實現(xiàn)分割與檢測需要的計算量和存貯量將難以負(fù)擔(dān).解決目標(biāo)自動檢測問題的常用方法是首先進(jìn)行圖像分割，然后結(jié)合有關(guān)目標(biāo)的知識，從分割后圖像的各個連通區(qū)域塊(稱為候選目標(biāo)塊)中確定真實目標(biāo).由于噪聲的存在和背景的復(fù)雜性，為了提高目標(biāo)的信噪比，故要進(jìn)行背景抑制濾波和分割，然后檢測.

本文是將小目標(biāo)特征分析與分割檢測緊密聯(lián)系起來，把小目標(biāo)分割與檢測分為兩個步驟進(jìn)行.通常目標(biāo)比背景要亮，目標(biāo)像素雖少但卻位于高灰度區(qū)，遠(yuǎn)遠(yuǎn)大于平均灰度.首先用平均灰度作為門限，對灰度小于等于門限的背景像素進(jìn)行均值化處理，分割出高灰度的背景像素和目標(biāo)像素.然后對均值化處理后的圖像作直方圖，在對各種高通濾波器作充分比較的基礎(chǔ)上，提出一種基于直方圖峰值的自適應(yīng)門限分割方法.該方法自適應(yīng)地統(tǒng)計背景特性，用作抑制紅外背景的依據(jù).從而能有效地去除背景，分割出若干高灰度的孤立噪聲和目標(biāo)，為小目標(biāo)檢測創(chuàng)造了良好條件.

二、背景抑制濾波器

對于小目標(biāo)而言，缺乏形狀和結(jié)構(gòu)信息.如果要檢測到它的存在，必備的條件是：目標(biāo)的灰度與背景有一定差異，否則無法識別.因此，我們需要注意的是圖像中那些灰度奇異點，這些點才有可能是目標(biāo).從圖像中提取可能的目標(biāo)點，去除一般像素點，可以盡量減少背景和其它噪聲對目標(biāo)檢測過程的影響.

從圖像序列中檢測小目標(biāo)時，如果直接將這些含有大量噪聲的圖像疊加來累積信號能量，由于小目標(biāo)本身的運動，相加后圖像的信噪比不會提高.相反，會由于噪聲的存在而形成許多類似小目標(biāo)運動軌跡的線段，使圖像的信噪比降低.所以在各幀圖像疊加以前需進(jìn)行預(yù)處理濾波，圖像預(yù)處理的目的是為了減少各幀圖像的噪聲，提高信噪比，避免過多的噪聲給檢測帶來困難.

利用紅外傳感器等獲取的小目標(biāo)圖像，背景除了有在空間不相關(guān)的噪聲外，主要是大面積緩慢變化的低頻部分.例如飛機在云層中飛行，作為背景的云層本身不僅緩慢變化，而且具有一定的相關(guān)性.而小目標(biāo)亮度較背景高，與背景不相關(guān)，是圖像中的孤立亮斑，故是圖像中的高頻部分.高通濾波器能抑制低頻分量，讓高頻分量暢道，故采用高通濾波器來進(jìn)行大面積的背景抑制，同時保留目標(biāo)和部分高亮度噪聲.

常用的高通濾波器分為空域和頻域兩類.若濾波器的輸入為函數(shù)f(x,y)，輸出信號為g(x,y)，設(shè)濾波器的脈沖響應(yīng)函數(shù)為h(x,y)，用*表示卷積運算，則

g(x,y)=f(x,y)*h(x,y)(1)

對于離散圖像，一般選用卷積模板表示濾波器的脈沖響應(yīng)函數(shù)，記為矩陣H.我們設(shè)計了兩個空域5×5高通濾波器模板如下：

對于模板H1，中心像素權(quán)值最大，易通過，而周圍部分權(quán)值均為1，值小，不易通過.這樣，對于孤立噪聲點和小目標(biāo)，信號強度高，易通過.而有一定面積的背景不易通過，這就可以較好地抑制背景.模板H2將中心高權(quán)值分布在十字形區(qū)域中，使權(quán)值分散，必然使濾波后的小目標(biāo)發(fā)生膨脹，面積變大，被濾掉的背景灰度變得更均勻.

因兩個函數(shù)卷積的Fourier變換等于這兩個函數(shù)Fourier變換的乘積，所以式(1)的頻域表示為：

G(u,v)=F(u,v)H(u,v)(2)

式中G(u,v)、F(u,v)、H(u,v)分別為g(x,y)、f(x,y)和h(x,y)的Fourier變換.頻域濾波器的關(guān)鍵是設(shè)計適當(dāng)?shù)膫鬟f函數(shù)H(u,v).通常選取理想高通濾波器(LHPF)、指數(shù)高通濾波器(EHPF)和Butterworth高通濾波器(BHPF).它們的傳遞函數(shù)如下：

(3)

(4)

EHPF：H(u,v)=e-0.347［D0/D(u,v)］n(5)

式中：D0為截止頻率到原點的距離；為(u,v)點到原點的距離；n用以控制從原點算起的傳遞函數(shù)H(u,v)的增長率.

我們比較研究了六種背景抑制的高通濾波法.實驗圖像紅外傳感器輸出的在云層中飛行的小目標(biāo)圖像序列中的一幅，如圖1所示.原圖大小為204×283，但行列都按50%的比例顯示.圖2到圖6分別為空域和頻域濾波器處理后的圖像.

圖1原圖像

圖2H1模板處理圖

圖3H2模板處理圖

圖4理想濾波(D0=30.0)

圖5指數(shù)濾波(n=2,D0=30.0)

圖6巴特沃斯濾波(n=2,D0=30.0)

比較看出，空域和頻域法均能抑制背景，但頻域法的濾波效果比空域法好，頻域中又以EHPF法最好，因為它有更快的增長率，比相應(yīng)的BHPF更好地保存了高頻分量.LHPF則有明顯的振鈴現(xiàn)象，且隨D0的減少而增加.但EHPF和BHPF在低、高頻之間過渡平滑，沒有明顯的振鈴現(xiàn)象.因背景局部區(qū)域像素變化大，空域濾波后，背景變亮而且分布更加不規(guī)則，以模板H1最為突出.為此，調(diào)整模板H1為模板H3，經(jīng)模板H3濾波后見圖7.實驗表明，經(jīng)H3濾波后背景變得較暗，目標(biāo)也比H1清晰.可見對不同的圖像具有不同的最好權(quán)值，權(quán)值的選取很重要.另外，經(jīng)H3濾波后使目標(biāo)發(fā)生膨脹，中心部分變黑，這是由于H3平均中心權(quán)值的原因.

圖7H3模板處理圖

三、自適應(yīng)門限背景抑制與目標(biāo)分割

上面的實驗表明，常用的高通濾波器的背景抑制效果并不十分令人滿意.考慮到紅外圖像為熱輻射圖像，目標(biāo)通常灰度值較高，而且小目標(biāo)的面積小，亮度變化較小，我們提出基于圖像均值和直方圖的自適應(yīng)門限背景抑制與目標(biāo)分割方法.

設(shè)圖像的灰度矩陣為f(x,y)，矩陣大小為N=I×J，對圖像作行掃描后得到的一維序列記為{Fr,r∈Sr}，其中r=yI+x和Sr={0,1,2,…,(N-1)}，則圖像的樣本均值E為［20］：

(6)

假定目標(biāo)比背景要亮，小目標(biāo)圖像主要位于高灰度區(qū)，灰度遠(yuǎn)大于均值E.設(shè)f0(x,y)為目標(biāo)像素的灰度值，則f0(x,y)>>E，且灰度低于均值的像素必屬背景.故首先取E作為門限，循環(huán)地利用

(7)

來調(diào)整圖像的背景灰度.設(shè)

R=灰度為E的像素數(shù)目/圖像的總像素數(shù)目(8)

隨著比值R的增大，對待求的新均值E′產(chǎn)生越來越大的影響.當(dāng)R達(dá)到一定程度時，E=E′，自動退出循環(huán).此時大部分背景灰度為均值E，變得較均勻，目標(biāo)和較高灰度的背景保持不變.

由于目標(biāo)面積小，亮度變化很小，因此在圖像直方圖中具有目標(biāo)灰度值的像素數(shù)m少.而背景面積很大，且緩慢變化，有一定的相關(guān)性，所以具有相同灰度的像素點數(shù)m′大，且m′>>m.對經(jīng)過上述均值化處理后圖像的直方圖，設(shè)具有灰度值為為圖像最大灰度值)的像素計數(shù)值為k.求出k的最大值，即為直方圖中的最大計數(shù)峰值且對應(yīng)的灰度值記為fkm.因為m′>>m，且背景有相關(guān)性，則kmax必為背景像素的計數(shù)，如圖9所示.對于小目標(biāo)圖像，利用成像傳感器的靈敏度、分辨率、可成像距離和目標(biāo)可能的實際大小等信息，可估計目標(biāo)在圖像中的面積大小，即所占像素數(shù)目m0.根據(jù)m0的近似估計值，對經(jīng)過均勻值化處理后具有均值E的圖像，取fkm作為門限，再循環(huán)地利用

(9)

將背景灰度置為均值E并保持目標(biāo)灰度，直至kmax≈m0結(jié)束循環(huán).至此，圖像中的背景灰度就變得十分均勻，而目標(biāo)則保持原灰度不變，還可能有一些灰度值較大的小噪聲點也保留了原灰度.但只要m0值估計得恰當(dāng)，即可成功地抑制背景和噪聲而分離出小目標(biāo)，如圖8所示.

圖8自適應(yīng)法處理結(jié)果

圖9均值化后圖像的直方圖

通過對空域、頻域背景抑制濾波器和自適應(yīng)門限背景抑制法的試驗看出：對于小目標(biāo)檢測，空域和自適應(yīng)門限法對內(nèi)存要求低(只需分配兩倍的圖像大小內(nèi)存)；頻域濾波器由于Fourier變換產(chǎn)生大量浮點型中間值不能釋放，故占用內(nèi)存大.在一般的IBMPC微機上會造成內(nèi)存分配困難而難以實現(xiàn).從運算速度看，空域濾波器只需做乘法和加法運算，運行最快，自適應(yīng)門限法次之，頻域法最慢，但空域濾波器處理效果最差，自適應(yīng)門限法和頻域濾波器處理效果好.又由于自適應(yīng)門限對不同的圖像可進(jìn)行自適應(yīng)調(diào)整，因此它與頻域濾波器的通用性都好.

四、小目標(biāo)檢測

當(dāng)傳感器以適當(dāng)?shù)牟蓸宇l率進(jìn)行采樣時，目標(biāo)的運動在相鄰幀(場)間不可能有大的跳躍，其信號強度也不會突變.因而我們可以假設(shè)目標(biāo)運動軌跡在空間是光滑的且強度變化在時間上是連續(xù)的，隨機噪聲因其隨機性則不具備上述特點.

原始圖像序列經(jīng)過上述的逐幀處理后，成為一個更新的二值圖像序列.更新的圖像將原圖像中的大部分背景像素點賦為“0”，剩下為“1”的像素則隨機地分布在圖像上，它們有可能是目標(biāo)，有可能為可疑像素.為了檢測出真正的目標(biāo)，我們根據(jù)目標(biāo)運動的連續(xù)性，將更新序列推入流水線結(jié)構(gòu)［21］來進(jìn)行檢測.

檢測流水線是一個由n′(n′=3～5)幀M×N圖像組成的先進(jìn)先出(FIFO)陣列結(jié)構(gòu)，如圖10所示.經(jīng)過一個幀周期，圖像序列就在流水線中沿著t軸依次向前推進(jìn)一幀，從尾部推入一幀，就從頭部刪除一幀，此過程稱為“管道更新”.

圖10流水線管道結(jié)構(gòu)

每次管道更新后，在管道中移動一個窗口序列，窗口尺寸為l×m.當(dāng)窗口移到有目標(biāo)的位置時，由于目標(biāo)出現(xiàn)的連續(xù)性，必然有較多的可疑像素聚集于窗口內(nèi)，窗內(nèi)像素的累加值會大于一個門限.如果沒有目標(biāo)，由于噪聲的隨機分布性，窗內(nèi)像素的累加值就較小.從而我們可以檢測出流水線中間的一幀是否存在目標(biāo)并確定目標(biāo)的位置.

為了在目標(biāo)檢測時盡量減少檢測管道中非目標(biāo)點的干擾，在圖像進(jìn)入檢測管道前先進(jìn)行連續(xù)性濾波.根據(jù)目標(biāo)運動的連續(xù)性，如果第i幀中在像素(x,y)處有目標(biāo)，則該目標(biāo)在第i+1幀中必然會出現(xiàn)在像素(x,y)的一個小鄰域內(nèi).對于噪聲點而言，則幾乎不可能有這種性質(zhì).

連續(xù)性濾波由一個“與”管道流水線完成，見圖11的右邊部分.

圖11目標(biāo)檢測流水線結(jié)構(gòu)

1.對于先進(jìn)入“與”管道的第n′幀二值圖像進(jìn)行數(shù)學(xué)形態(tài)學(xué)的膨脹運算，得到一個掩膜幀，使原二值圖像為“1”的像素的小鄰域都為“1”；

2.將第n′+1幀二值圖像和掩膜幀進(jìn)行邏輯“與”運算，得到連續(xù)性濾波后的第n′+1幀.

把連續(xù)性濾波管道同檢測管道連接起來就構(gòu)成一個完整的目標(biāo)檢測流水線結(jié)構(gòu)，如圖11所示，這一結(jié)構(gòu)可對圖像序列連續(xù)地進(jìn)行處理.

運動小目標(biāo)流水線檢測算法如下：

1.構(gòu)造一個由n′幀圖像組成的檢測管道，一個由兩幀圖像組成的與管道和一個空白的檢測幀；

2.第一個幀周期初始化與管道，將第一幀更新過的二值圖像推入與管道.從第二幀開始，每一幀周期內(nèi)完成一次當(dāng)前圖像和前一幀圖像的與運算，即連續(xù)性濾波，并將結(jié)果送入檢測管道；

3.從第二個幀周期開始，到第n′個幀周期，進(jìn)行檢測管道初始化；

4.從第n′+1個周期開始正式進(jìn)入目標(biāo)檢測狀態(tài)，檢測管道完成下列工作：(1)刷新檢測幀；(2)移動窗口序列，計算二值圖像檢測管道P(x,y,j)中各窗口子管道內(nèi)像素點的總和如下：

(10)

其中(xi,yi)是窗口的中心坐標(biāo)，j表示管道內(nèi)的第j幀.(3)將A1與門限T比較，若A1＞T，則記入檢測幀；(4)在檢測幀中標(biāo)記目標(biāo)位置.

五、實驗結(jié)果

實驗圖像是在云層中飛行的紅外小目標(biāo)圖像序列，從外場試驗錄像帶上取下了64幀，大小為204×283.選取其中的兩幅，圖12(a)和12(b)所示即為原始圖像，為了清晰起見，經(jīng)增強后見圖12(c)和12(d).圖12(a)和12(b)的背景標(biāo)準(zhǔn)差分別為90.10和91.06，目標(biāo)很小，平均灰度為66.信噪比SNR可定義為目標(biāo)的平均灰度與背景標(biāo)準(zhǔn)差之比，圖12(a)和12(b)的SNR分別是0.73和0.725.圖13是自適應(yīng)法處理后的圖像，選取了不同的m0值進(jìn)行實驗，觀察它對處理結(jié)果的影響.實驗中當(dāng)R=0.87時，E′=E;當(dāng)m0=1000時，實驗結(jié)果