多波段红外目标的空谱关联检测算法①

南京宏，张义超，李重远，解永锋，陈 益

(北京宇航系统工程研究所，北京 100076)

0 引言

空中目标监视任务日益严峻，呈现出目标多元、特性复杂、广域分布等特点。红外传感器[1]具有功耗低、重量轻、隐蔽性强等优势，广泛用于民用和军事领域。由于高速信号处理芯片、数字图像处理等技术的不断发展，红外图像目标检测得到不断拓展和充实完善，形成了大量理论体系[2]。按照红外传感器与目标的不同距离阶段划分，红外目标检测算法包括弱小目标检测算法和面目标检测算法。在弱小目标检测阶段，目标与红外传感器距离远，由于大气衰减、光学散射等因素，目标成像面积小，通常只占几个像素而不具有形状、纹理和结构信息，且易受背景噪声干扰，具有一定检测难度。

国内外学者设计了众多的红外目标检测方法，传统的单帧图像检测方法包括最大均值滤波[3]、Tophat滤波[4，5]和小波变换[6]等，但是上述方法在目标信噪比较低时的虚警率高。为了同时实现低虚警率和高检测率，利用基于多显著图融合的方法[7，8]和基于稀疏表示的方法[9]实现低信噪比红外目标检测，但是上述方法由于迭代计算导致实时性差。

近年来出现了基于人类视觉系统(HVS)的红外弱小目标检测方法[10-13]，该系列方法通过定义和计算目标与周围背景的局部对比度实现背景抑制和目标增强，从而有效提取目标。然而，上述方法仅采用单一波段的红外图像完成目标检测，而超远距离的空中目标成像能量微弱、信噪比低，仍存在检测率低、虚警率高的问题。针对上述问题，本文研究多波段红外目标的空谱关联检测算法。

1 基于空谱关联的多波段红外目标检测算法

本文以多波段红外视频为输入信息，针对目标远距离成像能量微弱、信噪比低的问题，提出了空谱关联的目标检测算法，总体算法流程如图1所示，包括局部对比度提升的多尺度目标空域检测、多波段红外图像的潜在目标光谱鉴别两部分。

图1 基于空谱关联的目标检测总体算法流程

1.1 局部对比度提升的多尺度目标空域检测

1.1.1 多波段红外图像预处理

传统的图像预处理方法包括中值滤波和均值滤波。然而，针对远距离目标探测的目标信噪比低、点源分布特点，上述预处理方法存在噪声和目标同时滤除的问题。由于目标中心点对其八邻域存在一定的红外辐射影响，而噪声中心点孤立存在，所以噪声八邻域的灰度值都很小。利用目标邻域与噪声邻域的差异性，本文设计目标保护的高效去噪方法：

(1)

其中，dcen表示中心像素灰度值与其八邻域像素灰度值差值的绝对值之和，Icen表示中心像素灰度值，Ii表示邻域像素i的灰度值。

(2)

式(2)中，设定阈值Thd，I(x,y)为图像位置(x,y)处的灰度值，mediumfilter(·)表示3×3中值滤波。在图像预处理过程中，计算每一个像素点的dcen，并与Thd进行比较，如果大于该阈值，则认为是潜在的噪声点，并采用3×3中值滤波进行去噪，否则保留原始灰度值。

1.1.2 多尺度块局部对比度计算

在完成图像预处理后，图像存在目标及少量背景噪声。本文采用一种多尺度块局部对比度测量方法，进行目标增强和背景抑制，提升目标信噪比。针对红外目标局部对比度高于背景局部对比度的特点进行算法设计。由于目标面积不超过3×3像素，所以给定尺度s×s(s=2,3)，则中心块区域设为T，其八邻域为B1～B8，结构图如图2所示。

图2 图像块八连通域结构图

定义目标T与背景Bi的不相似度为：

(3)

其中：

d(T,Bi)=mT-mBi(i=1,2,…,8)

(4)

mT和mBi分别为中心块区域及其背景区域的灰度均值，计算块局部对比度：

dn=d(T,Bi)×d(T,Bi+4)

(5)

由于dn包含四个值，选择最小值dmin作为当前中心块的局部对比度值。采用图像滑窗的方式计算多尺度s×s(s=2,3)的局部对比度。以多尺度最大响应值代替原始区域像素值并构建对比度响应图，即可实现红外目标增强与背景抑制。依据公式(6)对对比度图进行阈值分割和目标提取。图像局部对比度图的均值为μ，方差为σ，则定义二值化全局阈值T：

T=μ+kσ

(6)

其中，k是可调节参数。在完成图像阈值分割后，统计二值化图像中的连通体作为目标候选区域，并提取质心位置，得到单帧空间域潜在目标位置结果，如图3所示。

(a)短波图像 (b)中波图像 (c)长波图像

由图3可知，在同一探测场景不同波段图像中，潜在目标检测结果存在差异。图中圆圈标记了三个波段均检测到的潜在目标。所以需要实现多波段红外图像的目标光谱鉴别。

1.2 多波段红外图像的潜在目标光谱鉴别

1.2.1 潜在目标及背景光谱提取

根据多波段红外图像的潜在目标检测结果，得到数据Y=[Y1,Y2,Y3]T=[y1,y2,…yN]，其中，Yk为第k(k[1,3]个波段图像灰度值，yi为第i(i[1,N])个潜在目标像元的质心位置，N为潜在目标像元总数。为了实现多波段红外图像的潜在目标光谱鉴别，首先需要采集潜在目标光谱和背景光谱，为分析光谱特征的差异性奠定基础，如图4所示。

图4 多波段红外图像的潜在目标及背景光谱提取结果

分析图4可知，背景光谱整体平滑且灰度值较低，而潜在目标光谱中部分波段的灰度值较高。然而，部分潜在目标受到噪声的影响需要剔除。所以利用光谱信息保留有效目标。

1.2.2 多波段图像RX异常检测

为了描述目标光谱与背景光谱的差异性，采用RX异常检测方法，设F0表示异常不存在，F1表示异常存在，则二元假设可表示为：

F0∶y=On

F1∶y=st+On

(7)

式中，On表示背景噪声向量，si表示异常像元(目标)的光谱向量。假设待检验的光谱向量yi来源于两个具有相同协方差矩阵Cb与不同均值的高斯分布。在假设F0下，yi(背景)服从高斯分布N(0,Cb)；在另一假设F1下，yi(目标)服从高斯分布N(st,Cb)，则针对潜在目标光谱集合中的像元yi，RX方法的光谱检测结果可表示为：

(8)

(9)

(10)

设阈值为η=mean(RX)，如果RX(yi)≥η，则像元yi为空谱检测的目标结果。

2 结果分析

首先分析目标检测性能评价指标，并对算法进行定量分析和定性分析。

2.1 性能评价指标

本文采用平均检测准确率(TPR)和平均虚警率(FAR)两个指标进行定量分析：

(11)

(12)

式中，Dn表示实际检测到的目标数量，Rn表示真实存在的目标数量，Fp表示误检测的像素总数，Tp表示图像全部像素数。

2.2 算法定量分析

本文提出的多波段红外目标的空谱关联检测算法包括空间域候选目标检测和光谱域目标精确鉴别两部分内容，实现“空间域快速提取+光谱域精确鉴别”的空谱关联检测。本文采用3类背景、2类光照条件共计6种典型场景，每个场景中包含180帧多波段图像(短波红外、中波红外、长波红外)，每帧图像中包含3个目标和一定的背景噪声，分阶段验证本文算法的性能。

2.2.1 单波段图像的空间域目标检测结果分析

本文提出的空间域目标快速提取算法模块包含多波段红外图像预处理和多尺度块局部对比度计算两部分内容。基于6种典型场景的中波红外图像，将本文算法与三种通用的单帧图像目标检测算法LCM[11]、MPCM[12]和HB-MLCM[13]进行性能对比，结果如表1所示。

表1 本文空间域检测方法与其它算法的性能对比结果

由表1可知，基于6种典型场景的中波红外图像，本文空间域检测方法的平均TPR为90.73%，平均FAR为1.11×10-6，均优于其它三种对比的方法。结果表明本文采用的“图像空间域预处理+多尺度块局部对比度计算”可以有效剔除噪声，提高检测率并降低虚警率。

2.2.2 多波段图像的光谱域目标检测结果分析

在单波段图像空间域目标检测结果分析的基础上，对比单波段目标检测与多波段空谱关联检测的结果，如表2所示。

表2 单波段目标检测与多波段空谱关联检测结果对比

由表2可知，多波段空谱关联检测的准确率和虚警率均优于单一波段。其中，多波段检测的平均TPR为98.35%，性能优于短波约6%、优于中波约8%、优于长波约10%；而多波段检测的虚警率比任意单一波段降低了约30%。所以，多波段空谱关联检测结果优于任意单一波段的空域检测结果，验证了“空谱关联检测”的有效性。

2.3 算法定性分析

本文定性分析算法结果，场景中包含180帧多波段图像，每帧图像包含3个目标和一定的背景噪声。为了方便展示，将目标检测结果用红色矩形框标记在中波输入图像。多波段红外目标检测结果如图5所示。在第135帧至第160帧图像(以5帧为间隔)中，均准确检测到目标1、目标2和目标3，在第155帧存在两个虚警，在第135、140、145、150、160帧不存在虚警。

本文提出的多波段红外目标空谱关联检测算法适用于不同背景和不同光照条件，在保持较低虚警率的前提下，可以有效检测目标。

图5 多波段红外目标检测结果

3 结论

针对远距离多波段空中目标探测，本文提出了基于空谱关联的多波段红外目标检测算法，基于局部对比度提升的多尺度目标检测实现潜在目标提取，并利用多波段红外图像的潜在目标光谱鉴别实现虚警剔除。利用多波段(短波1 μm～3 μm、中波3 μm～5 μm、长波8 μm～10 μm)红外图像数据，在不同背景、不同光照条件的场景下验证了空谱关联目标检测算法性能。实验结果表明：多波段空谱关联检测结果优于任意单一波段的检测结果，目标检测准确率达到98.35%，而虚警率仅为7.5×10-7。