检测红外弱小目标的对比滤波时域廓线算法

董维科,张建奇,邵晓鹏,刘德连

(西安电子科技大学物理与光电工程学院,陕西西安 710071)

检测红外弱小目标的对比滤波时域廓线算法

董维科,张建奇,邵晓鹏,刘德连

(西安电子科技大学物理与光电工程学院,陕西西安 710071)

针对弱小目标与云边缘杂波的运动速度相当时,传统时域廓线算法的检测性能将会出现明显下降.文中提出一种对比滤波的时域廓线算法.针对传统方法出现虚警的情况,该方法在分析弱小目标、云边缘杂波以及平稳背景3类像素点时域特性的基础之上,首先利用时域廓线特性抑制平稳背景;然后依据云边缘杂波像素在空域连续,而弱小目标像素在空域孤立的特性,构造空域对比滤波器,并使用对比滤波器对去除平稳背景的图像数据进行滤波;最后再进行时域廓线的驻点连线滤波,以实现对弱小目标的检测.仿真结果表明,该算法能明显消除与弱小目标运动速度相当的云边缘杂波虚警,提高了弱小目标的检测概率.

弱小目标;检测;对比滤波;时域廓线

序列图像的时域目标检测方法是在红外图像中目标极小,通常只有单个像素甚至是亚像素,几乎无空间分布信息可用的情况下提出的.时域目标检测的主要方法是通过分析所有像素点灰度值的时域变化特性对目标进行检测.最早出现的时域目标检测方法是三维滤波法[1],把序列图像看做是具有空间分布和时间分布的三维连续数据,取得了很好的效果.针对三维滤波法计算量大的不足,文献[2]指出仅利用序列图像中像素点的时域分布特性,仍然可以进行目标检测,并设计出一种新的一维滤波器,大大降低了算法的运算复杂度.文献[3]系统地分析了序列图像中像素点的时域分布特性,将序列图像中的像素点分为目标、平稳背景和云杂波3类分别进行处理,提出了一种基于三假设检验的目标检测方法.文献[4]沿用这种分类方法,进一步分析了这3类像素点的均值和方差特性,提出了一种自适应均值方差滤波法.该方法计算复杂度低,操作简单,运行速度快,具有很高的实用价值.在国内,国防科技大学自动目标识别实验室对序列图像的时域目标检测也进行了研究[5];西安电子科技大学红外实验室在像素时域模型的基础上提出了时域廓线驻点连线滤波的处理思路[6-7],取得了一定的研究成果;此外,还有一些研究群体在时域弱小目标检测方面提出了有价值的见解[8-10].

时域廓线算法是对时域进行弱小目标检测的重要方法,已有的时域廓线算法都假设弱小目标相对于云边缘杂波具有更快的运动速度,并将此作为检测出弱小目标的基本依据.当弱小目标与云边缘杂波的运动速度相当时,已有的方法会出现较多虚警.针对这种情况,笔者提出一种云杂波背景下的时域红外弱小目标检测方法.该方法在分析弱小目标、云边缘杂波和平稳背景3类像素点时域特性的基础之上,首先依据时域廓线特性移除平稳背景,然后对去除平稳背景的图像数据进行对比滤波,最后再进行时域廓线的驻点连线滤波并最终检测出弱小目标.

1 时域廓线模型

图1(a)显示了一副天空背景的红外场景图像,图1(b)中展示的是对应序列图像中4种典型的时域廓线,图中纵坐标表示像素灰度值,横坐标表示序列图像的帧序号.图1(b)中a曲线表示云层内部的时域廓线,由于云层具有较高的温度,因此它的灰度值较高,且属于微小起伏;b曲线表示云层边缘的时域廓线,通常情况下,云层运动相对成像系统的帧频较缓慢.因此相对于a曲线,经过约80帧可以看到b曲线的明显变化;c曲线表示弱小目标的时域廓线,它的明显变化与b曲线有显著不同;d曲线表示晴朗天空的时域廓线,天空背景较低的温度使得这条起伏微小的廓线曲线的平均灰度要远低于a曲线,检测出不同类型的时域廓线就可以实现对运动弱小目标的检测.

图1 天空背景序列图像时域廓线示意图

1.1 平稳背景像素时域廓线模型

平稳背景像素的时域特性可以用一个常数与一个时域高斯白噪声过程的和来建模,其中高斯白噪声的均值为0,而它的标准差对于一个给定的红外探测器来说是个常数.用n表示采样时刻,则对于天空背景的时域廓线和云层内部的时域廓线可以用式(1)描述.

其中,C为常数,w(n)～N(0,σ2)为高斯噪声,σ为高斯噪声的标准差.

1.2 杂波像素时域廓线模型

图像中杂波像素的时域灰度变化和目标相比是很不规则的.对于天空背景的红外图像,云层的明亮边缘会引起这些像素的灰度在时域上产生一些峰.通常情况下,云层移动的速度比目标慢,这些峰的宽度一般比目标脉冲的宽度要宽.这些像素可以用一阶马尔科夫模型建模为

1.3 目标像素时域廓线模型

当运动目标经过一个像素时,受到目标的影响,该像素的灰度会出现一个脉冲.目标脉冲的宽度反比于目标的速度,而目标脉冲的强度正比于其与背景的灰度差.如果将目标建模为一个运动的点源,则目标的时域灰度变化特征就可以建模为该红外探测器点扩散函数的一维变化曲线的一个膨胀或者收缩.因此,如果红外探测器的点扩散函数是已知的,就可以得到一个确定性的模型来描述目标的灰度变化,目标的时域廓线可以描述为

其中,u(n)由目标所在位置确定,如果目标在天空背景或云层内部位置,则u(n)=C,如果目标在云边缘位置,则u(n)=x(n-1);t(n,p)为目标冲击,p为与目标自身有关的向量.

2 对比滤波时域廓线算法

2.1 抑制平稳背景

根据第1节对各种类型像素点的时域特性分析可知,平稳背景像素点的时域廓线变化平稳,具有完全不同于云边缘和目标像素点的时域廓线形态,可以很容易地去除.通常情况下,红外天空场景中平稳背景占据较大的部分,去除平稳背景的影响,有利于大幅度减少跟踪像素数,并且可以降低后续处理时目标检测的虚警.

依据目标和背景的时域特性模型,可以将平稳天空背景、云边缘杂波和目标时域特性统一描述为

其中,当k→0且b→C时,对应于平稳天空背景的时域廓线;当k→1且b→0时,对应于云边缘的时域廓线;当处于二者之间时对应于目标的时域廓线.因此可以利用k和b的大小来抑制背景[7].

2.2 对比滤波

在去除平稳背景的图像中,能够对目标检测造成影响的主要就是云边缘杂波像素.通常情况下,云层的运动速度比目标的慢,时域廓线驻点连线算法[6-7]将具有很好的检测性能.但一方面,云边缘杂波相对于云层内部有更活跃的变化;另一方面,当目标远离探测器时,目标在探测器成像面上的投影会运动缓慢,特别是当目标的运动方向不与探测器的法线方向垂直时,目标就与云边缘杂波具有相当的运动速度.此时,目标的时域廓线将表现为1.2节中模型的特征;或者,云边缘杂波的时域廓线表现出1.3节中模型的特征,如图2所示.在这种情况下,将会产生大量的虚警,并导致目标检测性能的大幅下降.

图2 目标以及与目标运动速度相当的云边缘时域廓线

为了消除这种虚警,必须降低与弱小目标运动速度相当的云边缘杂波时域廓线的起伏.考虑到云边缘杂波像素在空域连续,而弱小目标像素在空域孤立的特性,在云边缘像素的邻域内必然存在其它云边缘像素和云层像素.那么,在一个确定尺寸的滑窗内,中心点为云边缘的滑窗内的灰度均值相对于中心点为弱小目标的滑窗内的灰度均值高,通过式(5)的对比滤波处理,将会有效降低云边缘像素的灰度量级,相应地突出目标的灰度C量级,即

其中,GM表示滑窗中心像素的灰度值,GB表示滑窗中像素的灰度均值.

经过对比度滤波后,再进行时域廓线的驻点连线滤波[6],如图3(a)和图3(b)所示,残差时域廓线的结果表明弱小目标比云边缘像素更加突出,这就使得与目标运动速度相当的云边缘像素被有效滤除了.

图3 对比度滤波后的残差时域廓线

2.3 目标检测

非弱小目标像素点的时域廓线偏离其包络线的起伏符合高斯分布[6];弱小目标像素点,以及与其运动速度相当的云边缘杂波像素点的时域廓线偏离其包络线的起伏偏离高斯分布.经过对比滤波,弱小目标像素点的时域廓线将会表现出更大的偏离度.因此,可以利用偏离高斯分布的最大距离作为目标检测的量度,该量度可由马哈拉诺比斯距离给出,即

3 实验结果与分析

采用美国空军实验室拍摄的实测图像[11]验证算法的有效性.该图像的红外场景是在云层中飞行的红外弱小目标图像序列,图像数据为12位无符号整型,图像大小为320×244,帧频为30帧每秒,一共95帧.

图4(a)显示的是没有经过处理的初始图像,图中一共含有两个目标,一个位于像素(175,186)附近,另一个位于像素(256,203)附近,两个目标都很小,接近于单个像素,从单帧的角度来看,几乎可以认为是噪声;图4(b)是驻点连线滤波法的检测结果,因为噪声干扰的影响,目标的检测轨迹并不清晰;图4(c)是文中算法的检测结果,可以看出,复杂云背景和系统噪声的影响都基本被消除了,目标的检测轨迹更加清晰.由于对滤除平稳背景后的图像进行了对比滤波,算法在抑制大部分云边缘杂波干扰的基础之上,进一步抑制了与弱小目标运动速度相当的云边缘杂波干扰,使得目标检测效果更加明显.

图4 仿真结果图

图4(d)显示了另一幅红外场景,图中含有一个目标,位于像素(120,136)附近,目标很小,接近于单个像素,从单帧的角度来看,几乎可以认为是噪声;图4(e)是驻点连线滤波法的检测结果,目标的检测轨迹并不清晰;图4(f)是文中算法的检测结果,可以看出,云边缘杂波被有效抑制,目标的检测轨迹十分清晰.

表1列出了驻点连线滤波法和文中算法在检测效果上的比较结果,可以看出文中算法在不同云背景下均具有较高的检测率,较低的虚警个数和较完整的目标检测轨迹,表现出了更优的检测性能.

表1 实验结果

4 结束语

在红外起伏天空背景中,当弱小目标与云边缘杂波的运动速度相当时,采用传统的时域廓线的弱小目标检测方法将会出现较多虚警.笔者提出的对比滤波时域廓线算法在去除平稳背景后进一步抑制了云边缘杂波,特别是与弱小目标运动速度相当的云边缘杂波.仿真结果表明,该算法能明显消除与弱小目标运动速度相当的云边缘杂波虚警,进一步提高弱小目标的检测概率.

[1]Reed I S,Gagliardi R M,Shao H M.Application of Three-dimensional Filtering to Moving Target Detection[J].IEEE Transactions on Aerospace and Electronic Systems,1983,19(6):898-905.

[2]Silverman J,Mooney J M,Caefer C E.Tracking Point Target in Cloud Clutter[C]//Proceedings of SPIE.Bellingham: SPIE,1997,3061:496-507.

[3]Tzannes A P,Brooks D H.Detecting Small Moving Objects Using Temporal Hypothesis Testing[J].IEEE Transactions on Aerospace and Electronic Systems,2002,38(2):570-586.

[4]Lim E T,Shue L,Venkarteswarlu R.Adaptive Mean and Variance Filter for Detection of Dim Point-like Targets[C]// Proceedings of SPIE.Bellingham:SPIE,2002,4728:492-502.

[5] 张兵,卢焕章.基于像素时域剖面分析的序列图像中弱点目标检测算法[J].中国图像图形学报,2005,10(10):1293-1298. Zhang Bin,Lu HuanZhang.Temporal Profile Analysis for Dim Point Target Detection in Image Sequences[J].Journal of Image and Graphics,2005,10(10):1293-1298.

[6]Liu Delian,Zhang Jianqi,Dong Weike.Temporal Profile Based Small Moving Target Detection Algorithm in Infrared Image Sequences[J].International Journal of Infrared and Millimeter Waves,2007,28(5):373-381.

[7]王博,刘德连,张建奇.基于背景移除的时域目标检测[J].通信学报,2009,30(7):67-72. Wang Bo,Liu Delian,Zhang Jianqi.Temporal Filtering for Target Detection Algorithm Based on Static Background Elimination[J].Journal on Communications,2009,30(7):67-72.

[8] 汪大宝,刘上乾,张峰.一种新的红外复杂背景自适应抑制算法[J].西安电子科技大学学报,2010,37(5):927-933. Wang Dabao,Liu Shangqian,Zhang Feng.New Adaptive Infrared Strong Cluttered Background Suppression Algorithm [J].Journal of Xidian University,2010,37(5):927-933.

[9] 王博,张建奇.一种空时域结合滤波的运动弱小目标检测方法[J].西安电子科技大学学报,2010,37(3):524-528. Wang Bo,Zhang Jianqi.Moving Dim Point Target Detection Based on the Special and Temporal Combined Filter[J]. Journal of Xidian University,2010,37(3):524-528.

[10]武斌,李鹏.一种新的红外弱小目标检测前跟踪算法[J].西安电子科技大学学报,2011,38(3):107-113. Wu Bin,Li Peng.Novel Track-before-detect algorithm for Small Infrared Target[J].Journal of Xidian University,2011,38(3):107-113.

[11]Murguia J E,Mooney J M,Ewing W S.Evaluation of a PtSi Infrared Camera[J].Optical Engineering,1990,29(7): 786-794.

(编辑:王 瑞)

Temporal profile algorithm based on comparison filtering for detection of the infrared dim small target

DONG Weike,ZHANG Jianqi,SHAO Xiaopeng,LIU Delian
(School of Physics and Optoelectronic Engineering,Xidian Univ.,Xi’an 710071,China)

The detection performance of the traditional temporal profile algorithm deteriolates when the dim small target has a velocity correspmding to equivalent that of cloud edge clutters.This paper proposes a temporal profile algorithm based on comparison filtering as a responding method to the fake-alarm occurrence existing in the traditional detection algorithm.Based on the analysis of the time domain characteristics of the dim small target,cloud edge clutters as well as the stationary background,the characteristic of the temporal profile is adopted to restrain the stationary background,and then the spatial domain comparison filter is structured based on the fact that the pixels of the cloud edge clutters are continuous in spatial domain while the pixels of the dim small target are discrete,and the images after removal of the static background are filtered by the comparison filter;lastly,the connecting line of the stagnation points(CLSP)based filtering is used to realize the detection of the dim small target.Simulation data show that this algorithm can significantly eliminate the fake-alarm caused by the cloud edge clutters with an equivalent velocity of the target,thus further improving the detection probability of the dim small target.

dim small target;detection;comparison filtering;temporal profile

TN362

A

1001-2400(2014)01-0013-05

10.3969/j.issn.1001-2400.2014.01.003

2012-12-06 < class="emphasis_bold">网络出版时间:

时间:2013-09-16

教育部基本科研业务费资助项目(50511050005);国家部委基金资助项目(9140A01060110DZ0125)

董维科(1973-),男,副教授,硕士,E-mail:wkdong@mail.xidian.edu.cn.

http://www.cnki.net/kcms/detail/61.1076.TN.20130916.0926.201401.17_030.html