一种红外弱小目标提取的有效算法
摘 要
为解决红外弱小目标检测困难的问题，本文采取背景抑制方法，通过将原始图像进行高通滤波、改进中值滤波等处理，然后再利用八向梯度法决策对滤波后图像进行阈值分割找出目标点，实验结果验证了本文算法的有效性。
【关键词】红外弱小目标 高通滤波 改进中值滤波 八向梯度法
在远程红外预警、红外搜索系统中，需要在较远的距离下检测和跟踪目标，以确保有充裕的反应时间实现对目标的准确栏截。但当红外成像系统与目标的相对距离较远时，目标的红外成像面积非常小，通常只有几个像素，而且能量很弱，同时红外图像中存在大面积的背景和较强的噪声干扰，使得目标常淹没于背景和噪声之中，这使得红外弱小目标的检测非常困难。
本文采取背景抑制方法，通过将原始图像进行高通滤波、改进中值滤波等处理，有效地抑制背景杂波，提高图像的信杂比，并在此基础上利用八向梯度法对滤波后图像进行阈值检测找出目标点，以实现对弱小目标的检测。
1 弱小目标检测原理
弱小目标检测的实质就是将图像中的小目标从背景图像中分割出来。由于红外成像除了目标往往存在各种背景物，如大气云层背景中，除了有云层外，还有空间上不相关的噪声；并且小目标成像面积小，缺乏几何形状、纹理结构等特征，可供检测识别的信息很少，这些特征严重影响了对红外弱小目标的检测，因此，为了提高信噪比，突出小目标，需对图像进行检测前的图像预处理，包括背景抑制和噪声削减等方法，以提高对目标的检测概率；经过预处理后的图像再采用目标梯度阈值分割、多特征提取等算法即可实现对弱小目标的检测。弱小目标检测原理框图如图1所示。
2 弱小目标检测过程
2.1 图像背景抑制
利用红外传感器采集的小目标图像，背景区域比较平坦，是灰度变化缓慢的低频部分，具有一定的相关性。而小目标的亮度较背景高，其灰度处于突变区域，且与背景不相关，是图像中的高频部分。由于高通滤波器能有效抑制低频分量，让高频分量通过，为此采用高通滤波器来进行全视场的背景抑制，背景抑制的结果增强了局部弱小目标同时也保留了部分高频噪声。
对于数字图像，滤波器的脉冲响应函数一般选用卷积模板来表示，记为矩阵H。在模板系数选择上，如果矩阵中间权值之和与旁边权值之和相互抵消，就能有效地去除低频分量，由于小目标一般都是包含几个像素，因而取如下模板H：
2.2 改进的中值滤波
中值滤波法是一种非线性变换，它不仅能保持轮廓边缘的清晰度，对多种噪声有良好的去噪功能， 而且算法简单，便于实现。其实现过程如下：
（1）选择一个有奇数点的滑动窗。如一维处理可选长度为3，5等的滑动窗，二维处理可以选择3×3，5×5等的滑动窗。
（2）将滑动窗内的点按数值大小顺序排列成序列X。
（3）将滑动窗中心的点用序列X的中值代替。如长度为5的滑动窗的中心用序列X的第3个值替换，滑动窗为3×3的中心用序列X的第5个值替换。
由于高通滤波后的图像在保留弱小目标的同时也保留了高频噪声，为了进一步抑制噪声，需要对图像再次滤波。由于红外成像系统中热扩散的原因，目标的成像面积一般大于一个像素。本文选用的改进中值滤波，以尽可能去除非目标象素点，满足弱小目标单帧检测概率要求。其实现过程如下：
（1）弱小目标在红外成通常像上仅形成一个不大于3×3 像素的非均匀区域，因此选择一个3×3的滑动窗。
（2）将3×3滑动窗内的点按灰度从大到小排列成序列X。
（3）将滑动窗中心的灰度用序列X的第三个值代替，即选取灰度第三大的点的灰度作为该点的灰度。
通过改进的中值滤波，可以去掉孤立的噪声点，同时又确保保留像素点不小于3的小目标，避免造成漏警。
2.3 八向梯度法决策
经过对大量复杂云层图像的观察和分析，发现红外图像中的弱小目标即使在整个图像中强度不是最强的，但在它所处的小区域中与局域背景的差别较明显，弱点目标沿各个方向上的梯度均较高，而背景部分的梯度由于其相关性不具有这一特性，且边缘仅在某些连续的方向上具有高梯度。
基于以上观点，这里提出用多向梯度来检测弱小目标的原理。梯度可以定量反应待检测像素点在某一方向上高于其周围像素点数值大小的量，当多个方向的差异度都大于一定阈值时，则该像素点为弱小目标；反之，则为背景。
图像任意一点的梯度为一矢量，其数学定义如下：
（1）
该梯度向量的模为：
（2）
从数学上看，梯度的数值是在其最大变化率方向上的单位距离所增加的量，而对于数字图像来说，，可用差分运算表示。因此可以定义图像中任意一点沿任意方向的梯度为：
（3）
式中，m，n为水平和垂直方向的梯度步长，它的选取与目标大小、系统要求的检测概率和计算时间相关。一般情况下，对图像中每点梯度的计算方向越多对检测弱小目标越有利，但计算量会急剧增加，导致实时性差。综合考虑检测效果和实时性，本文采用八向梯度来计算，则定义图像中任意一点f（x，y）的八向梯度为：
G[f（x，y）]=（Δf（-m，-n）+Δf（-m，0）+Δf（-m，n）+Δf（0，-n）+Δf（0，n）+Δf（m，-n）+Δf（m，0）+Δf（m，n））/8 （4）
根据阈值判决的方法，利用式（5）将梯度图像G[f（x，y）]进行二值化处理，则加阈值的梯度图像g（x，y）的表达式为：
（5）
式中TH为阈值门限，且TH由梯度图像G[f（x，y）]的均值μ和标准差σ来构造，如公式（6）所示：
Th=μ+λσ （6）
式中λ为梯度阈值系数，一般选取2.0～2.4时，该阈值分割算法能实现较高的检测概率（>95%），同时又将虚警个数降得较低（每帧虚警个数可小于5），从而达到了检测目的。
3 实验结果及结论
采用原始红外图像，经高通滤波后、改进中值滤波、八向梯度均值分割后的图像如图2～5所示。
从图2可以看出原始图像经过高通滤波后，大面积的背景被抑制掉，但还是保留了大量的高频噪声；经过改进的中值滤波后，可以看到噪声被进一步抑制，但降低了图像的信噪比，不便于目标辨认；再经过八向梯度判决滤除了背景干扰，获取了正确目标。经过实验及结果分析验证了本文算法是切实有效的。
参考文献
[1]王江安，肖伟岸.基于双波段的目标红外特征分析[J].激光与红外，2001，31（6）： 351～353.
[2]章毓晋.图像工程[M].北京：清华大学出版社，2007.
[3]宗思光，王江安.多量级多向梯度海空复杂背景红外弱点目标检测[J].应用光学，2005， 26（5）.
作者单位
中国电子科技集团公司第二十七研究所 河南省郑州市 450047
