紅外背景抑制與小目標分割檢測

紅外背景抑制與小目標分割檢測

紅外尋的導引頭小目標圖像的分割與檢測是地空導彈和艦空導彈的關鍵技術.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，在此基礎上提出基于統(tǒng)計計算均值和直方圖的自適應門限背景抑制與小目標分割方法.基于目標運動的連續(xù)性、規(guī)律性和噪聲的隨機性，研究連續(xù)性濾波器的設計和用流水線管道結構檢測目標運動軌跡的方法.大量實驗和比較結果檢驗了本文方法的正確性.
　　關鍵詞:紅外圖像；背景抑制；高通濾波；自適應門限；目標分割；目標檢測

Infrared Background Suppression for Segmenting and Detecting Small Target

PENG Jia-xiong,ZHOU Wen-lin
(Institute of Pattern Recognition and Artificial Intelligence,Huazhong University of Science and Technology,Wuhan 430074,China)

　　Abstract:The segmentation and detection of samll target image for infrared homing guidance head are crucial technologies for ground-air and surface-air missiles.This paper studies the effect and performance comparison of suppressing large area and low frequency background by use of six high-pass filters.Based on this,we propose an adaptive threshold method of background suppression and small target segmentation using image mean and histogram.In view of the continuity and regularity of motion for target and the randomness for noise,the design of continuity filter and a technique via assembly line and pipeline scheme to detect target trajectory are considered.The methods researched here are verified by a large number of results of experiments and comparisons.
　　Key words:infrared image;background suppression;high-pass filtering;adaptive threshold;target segmentation;target detection

一、引　　言
　　為了盡可能早地發(fā)現(xiàn)目標，使防御武器有足夠的反應時間，要求目標在很遠處就能被檢測到，這時目標的圖像很小，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分割與檢測問題.小目標分割與檢測性能的好壞將直接決定紅外自動尋的末制導系統(tǒng)的有效作用距離及設備的復雜程度，是一個必須解決的關鍵問題.
　　由于小目標的像元個數(shù)很少，缺乏目標的結構信息，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.國外學者從七十年代末期開始，經過十多年對小目標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)對低空及地面目標的監(jiān)視；一是低空或地面系統(tǒng)對星空背景中目標的監(jiān)視.由前人所做的工作看出，運動小目標分割與檢測之關鍵在于解決沿未知目標軌跡的快速能量積累問題，即把運動小目標分割與檢測問題看成是目標軌跡搜索及根據(jù)能量積累作出判決的過程，也就是根據(jù)目標運動的連續(xù)性和規(guī)則性來檢測目標.
　　對于背景抑制與小目標檢測問題，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)估計技術來增加目標的可檢測性［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［4，5］提出了頻域中的三維時空匹配濾波技術.它已經被簡化為只在空域中進行的二維匹配濾波但在時間序列中進行遞推求和［6］.最近文獻［7］又進一步發(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平均再用梯度進行規(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.Bir Bhanu和D.H.Richard使用圖像分割方法來檢測運動目標［10］.然而在許多情況下，從復雜的前景和背景中分割出運動目標是很困難的任務.
　　光流法［11～13］是文獻中最常見的方法.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，檢測單像速目標運動軌跡的一種有效方法在文獻［14］中提出來了.這個方法是基于準連續(xù)性濾波器來抑制大量的噪聲，把軌跡的性質嵌入到一個代價函數(shù)中并把軌跡檢測問題歸結代價函數(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等人基于使用內部世界模型的十個方程式所定義的MLANS非線性神經網絡系統(tǒng)，描述了一個自動目標識別方法和一個有關的非合作辨別敵友的問題［15］.這些模型在MLANS中對大量的神經網絡權系數(shù)進行編碼并且MLANS用一些先驗樣本進行學習.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的小運動，因為該方法中使用的自適應門多特征像素分類器已經假設了兩幀間的運動是小的.我國在小目標分割與檢測方面也做了大量的工作.由國防科技大學、同濟大學、上海交通大學、華中理工大學共同參加的紅外導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神經網絡法、全局搜索法等小目標檢測方法.
　　總的來說，上述方法存在的問題在于：在低信噪比情況下，目標點極易被噪聲所淹沒.單幀圖像處理不能實現(xiàn)對目標的可靠分割與檢測，必須對圖像序列進行處理.這樣，在目標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擔.解決目標自動檢測問題的常用方法是首先進行圖像分割，然后結合有關目標的知識，從分割后圖像的各個連通區(qū)域塊(稱為候選目標塊)中確定真實目標.由于噪聲的存在和背景的復雜性，為了提高目標的信噪比，故要進行背景抑制濾波和分割，然后檢測.
　　本文是將小目標特征分析與分割檢測緊密聯(lián)系起來，把小目標分割與檢測分為兩個步驟進行.通常目標比背景要亮，目標像素雖少但卻位于高灰度區(qū)，遠遠大于平均灰度.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行均值化處理，分割出高灰度的背景像素和目標像素.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上，提出一種基于直方圖峰值的自適應門限分割方法.該方法自適應地統(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，為小目標檢測創(chuàng)造了良好條件.

二、背景抑制濾波器
　　對于小目標而言，缺乏形狀和結構信息.如果要檢測到它的存在，必備的條件是：目標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.從圖像中提取可能的目標點，去除一般像素點，可以盡量減少背景和其它噪聲對目標檢測過程的影響.
　　從圖像序列中檢測小目標時，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行預處理濾波，圖像預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圖像，背景除了有在空間不相關的噪聲外，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性.而小目標亮度較背景高，與背景不相關，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行大面積的背景抑制，同時保留目標和部分高亮度噪聲.
　　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)，設濾波器的脈沖響應函數(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函數(shù)，記為矩陣H.我們設計了兩個空域5×5高通濾波器模板如下：

對于模板H1，中心像素權值最大，易通過，而周圍部分權值均為1，值小，不易通過.這樣，對于孤立噪聲點和小目標，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將中心高權值分布在十字形區(qū)域中，使權值分散，必然使濾波后的小目標發(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.頻域濾波器的關鍵是設計適當?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.