基于梯度关系和局部连通性的红外小目标检测方法

李佳文，李 建，杨 杰

（1.上海交通大学 图像处理与模式识别研究所，上海 200240；2.上海航天控制技术研究所，上海 200240；3.中国航天科技集团公司红外探测技术研发中心，上海 200240）

0 引言

在复杂的现代化环境下，必须及时发现目标并精确定位，才能进行下一步的目标跟踪，实现精确打击。在现有的红外成像条件下，目标容易受到复杂背景、辐射和不确定噪声等因素的严重影响［1］，红外图像可能会非常模糊，甚至会淹没在周围环境中。因此，研究复杂环境下的红外弱小目标检测算法，保证识别的高准确率，是提升现代化军事能力的重要环节。

目标检测［2-3］是计算机视觉领域的一个重要的研究方向。它主要用于复杂环境下目标尺寸大小、能量特性等信息，实现对目标的识别定位。目标检测技术在人脸识别、无人驾驶、精确制导等领域均有广泛应用。在军用方面，由于需要检测的目标多为红外弱小目标，与民用领域中常见的可见光图像中的目标有一定差别，检测难度相对较大。如何在低信噪比条件环境中准确提取目标信息，剔除可能存在的各种干扰点，是目前红外目标检测技术所要解决的重要问题。

自21 世纪开始，人们陆续提出了多种有效的红外弱小目标检测算法。检测算法的基础主要分为两类：背景抑制和小目标显著性。基于背景抑制的检测算法是通过对背景建模，降低背景对弱小目标的干扰程度。比较典型的算法有1999 年VENKATESWARLU 等［4］提出的平滑滤波方法，对背景进行估计；2017 年许文晴等［6］改进了简单的滤波检测算法，首先提取图像中的目标区域，构造双结构元素抑制噪声和杂波信号。基于显著性的检测算法是将弱小目标看作图像中的显著区域，利用梯度等特征对图像进行显著性检测。比较典型的算法有2013 年刘运龙等［7］提出的基于局部灰度均值确定弱小目标位置的算法，在简单背景下能取得较好的效果。图像边缘梯度特征可以除去部分冗余信息，且对噪声不敏感，因此，出现了基于梯度信息的目标检测算法［7-8］。但因阈值二值化的影响，目标定位的准确率受到限制。部分学者在提出的目标检测方法中加入了连通性检验，一定程度上降低了背景部分的噪声。

本文针对利用梯度信息检测弱小目标的局限性提出一种改进算法，首先寻找图片中具有梯度关系的像素点作为候选目标，利用区域生长方法检测这些像素点与周围环境的连通性。为了适应多个目标检测环境，利用自适应选择策略确定阈值，提高弱小目标的检测准确率，在目标跟踪［9］等其他领域也能进一步应用。

1 本文算法主要原理

由于弱小目标的特性，目标红外能量较高，在像平面上像素值较高，背景相对较亮，因此，可看作小目标与周围环境存在梯度关系。目标面积较小，而干扰点一般情况下都比小目标大，可以认为小目标与周围背景不存在连通性，干扰点往往与周围背景存在连通性。两个检测步骤中的阈值均利用自适应策略确定，以适应多种复杂环境。

1.1 基于梯度和局部连通性检测

首先，针对输入红外图像X，根据红外成像中弱小目标特性，寻找图中的峰值点，即寻找满足如下公式的像素点位置：

式中：Xi，j为红外图像X第i行第j列的像素点；Xi+r，j+r为以Xi，j为中心点，长宽均为2r的矩形区域；Tm为像素阈值。

峰值点检测如图1 所示，其红色圆圈代表检测得到的峰值点。

图1 检测小目标的像素图Fig.1 Pixel image of detected dim target

一般而言，通过寻找图像中的像素峰值点可以确定目标的位置，但这种检测方法较简单，对图像中的噪声点会较为敏感，误检率较高。考虑到弱小目标的特性，小目标所在的区域与其小邻域范围内应该有一个梯度变化，且变化是很尖锐的。因此，本文提出的检测方法引入了梯度检测和局部连通性检测，进一步处理检测到的像素峰值点，首先在找到的像素峰值点的基础上寻找具有梯度关系的可疑目标点，分两种情况处理。当处理单像素目标时（如图2 所示），可基于上一步得到的峰值点，直接寻找满足如下公式的点，即

式中：TG为梯度阈值，具体数值与检测的数据集和检测环境有关。

图2 梯度关系检测示意图Fig.2 Schematic diagram of gradient relation detection

图2 表示将待检测点像素值与周围3×3 区域点的像素值相比较，当差值超过梯度阈值时，则说明该点与周围区域满足梯度关系，判定为疑似目标点。如果处理的是如图3 所示的多像素目标，需要进行如文献［10］的多尺度检测处理。

图3 多尺度检测处理示意图Fig.3 Schematic diagram of multi-scale detection and processing

梯度与连通性的关系如图4 所示。图中可见，满足梯度关系不一定保证该区域的不连通性。因此，本文在判断局部区域的梯度关系之后加入区域生长算法［11-13］，将经过梯度关系判断得到的可疑目标点作为种子点，对种子点做区域生长，记录区域生长结束后形成的区域面积。判断的方法是比较区域生长后的面积与事先设定的阈值大小关系。

具体的判断准则为

式中：Si，j为由目标点Xi，j生长出的区域面积；Tc为区域生长的面积阈值，数值由自适应策略确定。

图4 梯度及连通性关系Fig.4 Relation between gradient and connectivity

根据区域生长算法，可以有效判断当前可疑点是否具有连通性。连通性的准则判断依据如下：

1）若生长区域的面积＞阈值，则该点具有连通性，故不是目标点；

2）若生长区域的面积＜阈值，则该点不具有连通性，故是目标点。

1.2 自适应阈值确定

本文提出的检测方法中梯度检测算法和区域生长算法都涉及阈值的设定，而且阈值依赖于数据本身，不同的数据集，能量分布特性和目标特性可能会有很大不同，因此，使阈值能够自适应很有必要。本文先给出检测算法的评判标准，在此基础上给出区域生长算法的阈值选取准则。

对于检测结果的评估，采用P（准确率）/R（召回率）的方式，相应的计算公式为

式中：PT为将正样本（真实目标点）检测为正样本的数量；PF为将负样本（虚假目标点、噪声点）检测为正样本的数量；NT为将正样本检测为负样本的数量。

准确率和召回率是一对矛盾的度量。一般来说，准确率高时，召回率较低；召回率较高时，准确率往往偏低。本方法中需要尽可能地将真实目标点检测到，即使包含进去较多的干扰点。通过一些方法对干扰点剔除筛选，从而得到最终的真实目标点。若没有将真实目标点检测到，后续的所有操作都将毫无意义。如果要尽可能提高检测算法的精度，需提高召回率，因此，检测时应当设定较低的阈值。

为了自适应地确定阈值，本方法需要研究当前图像中目标与背景之间能量的相互关系，从而判断当前目标点检测的难易程度。将整张图片的所有像素值视为一个数组，目标点的像素值成为数组中的“离群值”。由于整张图片较为平滑，可认为近似服从高斯分布，故可利用图像的标准差和均值来筛选“离群值”。在高斯分布中，数值落在（m-3d，m+3d）这一区间的比率超过99%，落在这个区间之外则视为“离群值”。因此，可设置像素阈值和面积阈值如下：

式（2）和式（4）变为

从中看出，如果像素值大于m+3d，则认为是峰值点，参与下一步检测；如果生长区域中像素值大于m+5d的点低于一定比例，则认为其面积较小，不能连通，进而认为该点是目标点。

2 实验结果及分析

2.1 复杂背景图片目标检测

本文算法中，设置梯度阈值参数TG=50，检测区域选择的是21×21 像素邻域，若红外图像形态差别较大，则可以适当调整梯度阈值参数值。

本文算法针对红外图像，因此，选取多张含有弱小目标的红外图像［14］进行实验。本文提出的算法在这些图像上的检测结果如图5 所示。上一行为原始图像，下一行为标记结果的图像。

图5（a）和图5（c）含有较多噪声点，而从图5（e）和图5（g）可以看出，本文算法不受噪声点的影响，准确检测到了目标。图5（b）是以天空为背景，

在图5 中有白云作为干扰，黑白色差较大，且目标所处位置附近白云较为密集，图5（f）这一结果显示了算法的鲁棒性。图5（d）背景较为复杂，有较多的海杂波，目标是一艘潜艇，检测结果如图5（h）所示，检测到的目标标记处于潜艇的中心处，说明了算法能够避免背景中可能存在的复杂波动的影响，较准确地检测到目标。

仍选择图5 当中的4 张原始图片，对其进行Top-Hat 运算，运算结果如图6 所示，上方4 张图片为原图，下方4 张图片为处理结果图。可以看出，Top-Hat 操作能够凸显出部分场景中的小目标，但是在如图6（g）所示的环境中，Top-Hat 运算的凸显效果不能令人满意，仍然存在较多噪点，无法通过阈值二值化检测出目标。

图5 本文算法的检测结果Fig.5 Detection results of the proposed algorithm

图6 Top-Hat 运算的检测结果Fig.6 Detection results of the Top-Hat algorithm

2.2 红外视频序列目标检测

本部分选取了红外数据集VOT-TIR2015［15］进行实验。选取boat1 子数据集的前100 帧图片进行目标检测。选取梯度阈值参数TG=70，检测结果如图7 所示，其中图7（a）～图7（d）4 幅子图为本文算法的处理结果。

结果显示，本文算法在保证100% 检测准确率的基础上，平均每帧处理时间可达0.402 8 s，而采用Top-Hat 运算，平均处理时间达到了1.101 8 s。比较之下，本文提出的算法在处理速度上具有优势。

图7 本文算法在boat1 视频序列中的检测结果Fig.7 Detection results of the proposed method in boat1 video sequences

3 结束语

本文针对红外图像中的弱小目标检测问题，提出一种基于梯度关系和局部连通性的弱小目标检测方法。该方法首先基于像素数值检测峰值点，在此基础上利用梯度关系和局部连通性判断是否为待检测的目标点。同时，本方法结合具体的检测环境和目标特性等信息，采用自适应策略选择检测阈值，提升了该算法的检测准确率，最后在红外图像上进行了实验。实验结果证明，本文提出的检测方法具有较高准确率和抗干扰性，且处理速度较快。