基于权重强化局部方差对比的红外小目标检测*

张国峰，马洪兵，艾斯卡尔·艾木都拉

(1.新疆大学 信息科学与工程学院，乌鲁木齐 830046；2.清华大学 电子工程系，北京 100084；3.昌吉职业技术学院 机电工程分院，新疆 昌吉8311003)

0 引 言

红外小目标检测在红外成像系统中有着广泛的应用，特别是在遥感和预警监视领域。红外小目标通常在图像中占据几个像素，缺乏结构纹理等信息。成像距离的变化导致目标尺度的差异，周围环境与目标状态的改变，也增加了检测的难度。通常在低对比度的红外图像序列中，小目标很容易陷入复杂的背景中。在过去的几十年里，学者们提出了各种各样的方法准确有效地检测到了小目标。现有的算法大致可以分为两类。第一类由基于背景的估计方法组成，这些方法是对背景的预测或建模，比如形态学滤波中利用顶帽变换等算法计算原始图像与估计背景之间的差异来检测潜在的目标；Bai[1]和Zhou[2]使用新的顶帽变换、形态学滤波、最大中值或最大均值滤波器和贝叶斯估计消除了背景。这些方法都是基于背景对噪声或结构组件的形状和尺寸不敏感。第二类是目标聚焦方法，该方法聚焦于目标特征，并将小目标从红外背景中分离出来。频域内的高通滤波已经被应用于目标检测。Wang等人[3]利用最小二乘支持向量机为检测任务开发了两个方向的高通滤波模板。Kim[4]将高斯滤波器的拉普拉斯变换分解为4个滤波器，应用最小滤波器得到最终的空间滤波图像。这些方法侧重于去除低频杂波，基于最大极值点更多可能是目标的思想，但未能滤除高频分量中的噪声和强杂波，而且他们的方法忽略了目标形状的变化。例如，文献[5]提出了一种利用提取出的红外图像局部小块的IPI(Infrared Patch-image)模型算法，并在此基础上将小目标增强转化为恢复低秩稀疏矩阵的优化问题。该方法虽然有较好的效果，但计算量大，难以在实时检测中得到应用。受人类视觉系统(Human Visual System,HVS)启发，Chen等人[6]提出了基于局部对比度(Local Contrast Measure,LCM)的测量方法，利用目标与其邻近区域的强度差来检测目标。这种方法虽然有效，但也会受到高亮度噪声的影响。随后，改进的ILCM[7](Improved LCM)、新的NLCM(Novel LCM)[8]、多尺度块对比测量MSPCM[9](Multi-scale Patch-based Contrast Measure)、多尺度对比度测量(Multi-scale LCM,MSLCM)[10]和多尺度相对测量(Relative LCM,RLCM)[11]相继提出。这些算法在背景轻微波动的情况下表现良好，但在复杂背景下的检测率和鲁棒性较差，因为这些算法要么删除背景，要么增强目标，而不是同时做这两件事。本文提出了一种新的方法，灵感来自HVS，即WSVLCM(Weighted Strength and Local Variance LCM)。对于均匀区域红外小目标中心区域强度值大于局部邻域，对于异质边缘区域三层图像块内局部方差对比波动较为突出。与只计算目标中心区域同质性而不能有效增强目标的RLCM算法相比，本文提出的算法在增强目标的同时，又能抑制高亮的背景边缘。

1 目标特性分析

对于远距离的红外成像，如飞行的飞机、来袭的导弹等距离探测器非常远，在探测器平面上所成的像仅仅占据一个或几个像素，表现为斑点状[10-11]。通常情况下，红外图像中的小目标比其周围的背景要亮一点，考虑到其在红外图像中的小尺寸，2014年Chen等人[6]提出了局部对比度度量来描述和改善目标与周围背景之间的差异。以中心灰度最大值和局部平均灰度值的差异作为对比度量，其强度值可以建模为以目标为中心的高斯函数[10-12]。图1构造了一个嵌套型的滑动窗口，该滑动窗口包含两部分，分别是目标区域T和局部背景区域B，局部背景区域的尺度是目标区域尺度的2～4倍。该滑动窗口按照从上至下、从左至右的顺序对输入图像进行滤波。

图1 嵌套型滑动窗口结构示意图

1.1 三层图像块模型

图像局部区域的方差在一定程度上可以更好地反映其局部区域的细节。局部方差不仅可以表示像素与其邻域像素之间的关系，还可以表示区域内像素灰度变化的剧烈程度。在复杂背景或图像中像素变化剧烈的区域，局部区域内灰度值的一致性较低，即得到更大的局部方差；相反，在亮度变化平缓的区域，灰度值变化程度较小，局部区域灰度值的一致性较高，即得到较小的局部方差。在本节中，从一幅原始的红外图像中以恒定大小和步长的窗口扫描整个图像提取块图像，把每一个块图像按一定尺度局部再划分为3层[12]，分别定义为中心层、防护层、背景层，如图2所示，中心层亮度值最大，包含目标的区域或内层；防护层是中间层，包括目标与其周围背景之间的强度值范围；背景层或外部层包括目标区域周围的杂波。利用中心层包含的像素值的方差来衡量目标内部区域灰度值的变化情况。如果滑动窗口中间块的大小与真实目标的大小合适，即中间块刚好包含小目标但不包含背景区域时，中心层内部区域相对均匀，此时，其方差较小。另一方面，如果滑动窗口的中间块的尺度与真实目标不匹配，将会导致较大的局部方差，采用局部方差来描述滑动窗口中间块的均匀程度。因此，可以利用不同层间均值差异对提取的图像块进行研究，从而增强目标的可能区域，在很大程度上减少虚假目标，利用不同层之间方差的波动程度对目标进行假警识别，因此，虚假目标等高亮背景杂波能被抑制。

图2 三层图像块模型

1.2 目标增强

目标或者中心层考虑具有最大的强度值，背景或最外层包括目标区域周围的杂波强度值较小，防护层或中间层其强度值范围在包括目标与其周围背景之间。定义图像块大小为n×n，中心层尺寸为m×m，三层图像块方差差异计算如下：

DMIM=MIL-MML,

(1)

(2)

式中：MIL、MML、DMIM分别代表中心层的平均强度、防护层的平均强度、中心层和防护层平均强度的差值；Prem表示红外图像中目标可能区域的显著图。式(1)和式(2)可以用于寻找和增强红外图像中可能的目标区域。在图2中，内层的平均强度和中间层之间的差异在每个包含目标的块图像中其值都大于零，将块图像的中心像素视为图像中目标的可能像素。

为了增加目标与残余背景杂波的对比度，将原始红外图像I和目标可能区域Prem平方与三层图像块方差差值的均值平方相乘，作为包含目标的局部方差对比图中中心像素的值。

(3)

VARD=Vi-Ve,

(4)

(5)

(6)

(7)

VLCM显示了目标的增强图像，在理想状态下，滑动窗口中间块T的尺度应该刚好包含小目标以得到最佳检测效果。事实上，在实际目标检测过程中，随着目标的运动，小目标在每一帧的位置沿着一定的轨迹改变，而目标的大小通常也会随着成像距离的变化而变化。如果中间块T的尺度比待检测的小目标的尺度小，则滑动窗口的中间块与邻域块的对比度不明显，可能造成漏检；另一方面，如果中间块T的尺度大于待检测的小目标，中间块不仅包含了小目标，还包含了部分局部背景，这也会使局部对比度降低，造成虚警或漏检。因此，如何使滑动窗口的尺度自适应匹配小目标的大小，是一个值得讨论的话题。在本文中，仍然采用多尺度的思想来解决这个问题。

2 权重强化

2.1 权重函数的计算

文献[13]提出的RIL(Regional Intensity Level)是一种评估嵌套结构复杂度的有效方法，但原始的RIL简单定义为嵌套结构中的最大值与平均值之差，对单一随机噪声敏感。在本文中，改进的RIL(Improved RIL,IRIL)算法定义为

IRILi=MLi-meani,

(8)

(9)

本文提出一种新的权重强化(Weighted Strength,WS)框架函数，并将当前像素(x,y)的权重强化函数定义为

(10)

WT具有目标的特征：

WT(x,y)=IRILT。

(11)

WD是目标与其邻近背景的差值，计算方法为

WD(x,y)=max{0,min{IRILT-IRILi}}。

(12)

WB是背景的特征，表示为

WB(x,y)=std{IRIL1,IRIL2,…,IRIL8}。

(13)

ε是一个很小的随机值,以避免分母为零。

2.2 WSVLCM的计算

局部方差对比图VLCM和权重强化函数WS计算后，权重强化局部方差对比WSVLCM的增强图像在当前像素(x,y)下定义为

WSVLCM(x,y)=WS(x,y)VLCM(x,y)。

(14)

在实际应用中，目标的大小通常是未知的，因此需要进行多尺度操作。因此，单元格大小被设置为不同的值，并且对于每个值计算(x,y)位置处的WSVLCM，然后使用最大池化操作得到最终的WSVLCM值:

WSVLCM(x,y)=max{WSVLCMp(x,y)}。

(15)

式中：p是第p个尺度，p=1,2,…,s,s是尺度的总数。

3 实验评估

3.1 参数的选取

为了获得最佳性能，每种方法都可能需要调整参数。一般情况下小目标实际尺寸小于80 pixel[13-14]。为了有更好的检测性能，本文算法通过大量实验和目标实际尺寸的大小来确定参数，提出的局部方差算法考虑了三层图像块尺寸大小对目标增强的影响，中心层、防护层、背景层尺寸大小分别为5×5、9×9和19×19。

在权重强化上，对于原始图像的每个像素，计算WSVLCM并将结果形成一个新的矩阵，名为显著性映射。有必要讨论(x,y)是真实目标中心像素、纯背景像素、背景边缘像素和随机噪声像素时的不同情况，图3表示目标在红外图像中可能出现的区域，下面讨论不同区域权重函数对其影响。

图3 红外图像的不同区域

当(x,y)为真实目标中心时，由于目标通常是局部凸点,其DMIM、MVARD较大,因此其VLCM较大;同时，它的WT和WD会很大，WB会很小，所以它的WS也会很大。因此，最终的WSVLCM值会很大。

如果(x,y)是纯背景，由于背景通常是大面积均匀的，其DMIM将接近于0，因此其VLCM将近似等于0;并且它的WT和WD都接近于0，所以它的WS也近似等于0。因此，最终的WSVLCM的值将接近于0。

如果(x,y)是背景边缘，它的VLCM会很小，因为周围的一些单元格可能包含高亮度的背景;另外，它的WT虽然大，但是WD会因为周围一些单元格可能包含相同的背景边缘而小，WB会因为周围8个单元格的内容不同而大，所以它的WS会小。因此，可以进一步抑制背景边缘。

如果(x,y)是位于平坦背景中的随机噪声，由于随机噪声通常以单个像素的形式出现，且不是高斯类的，其DMIM将小于真实目标，因此它的VLCM会更小。此外，由于式(8)中IRIL的定义采用的是某些最大像素的均值而不是单个最大像素的均值，因此其WT、WD和WS都小于真实目标，从而可以进一步抑制随机噪声。

本实验是在使用Intel i5-4460 CPU(3.2 GHz) 和8 GB内存的计算机上运行，软件采用Matlab R2016b。

3.2 定性评估

为了评估提出算法的能力，在实验中使用了4组红外序列图像。选取的4组红外序列图像背景不同，目标大小不同。为简单起见，4个序列分别用序列1～4表示。表1列出了序列图像的详细信息。

表1 序列图像详细信息

序列1包含海空部分云背景，序列2和序列4包含带噪声的云杂波，而序列3的背景包括地面植物。通过与其他五种方法的比较来验证该算法的检测性能。在众多的方法中，本文选择了近年来流行的方法包括红外图像块IPI、改进的ILCM、多尺度MSLCM、多尺度块MSPCM、多尺度相对RLCM进行对比。四种不同背景下经WSVLCM算法后部分图像样值检测结果如图4所示。

图4 不同算法下检测结果

由图4可以看出，ILCM算法对这4个序列的目标增强有效性和鲁棒性较差，在序列1和序列4中对背景抑制能力较弱，没有增强目标，对背景杂波和明亮的背景边缘非常敏感，导致目标被背景杂波淹没；MSLCM的表现与MSPCM类似，在均匀的背景序列下对背景抑制能力和目标增强较好(c4,c5)，但在序列4上没有很好地抑制背景杂波，小目标处于杂波淹没状态，增强效果不突出(d4,d5)。对图像序列1中小目标增强不突出(a4,a5)，未能有效滤除杂波，目标仍有可能被背景淹没。RLCM方法在序列1～4上表现良好，目标增强很明显，但在序列4上目标周围残留有较少量未滤除的杂波，整体分析也取得了令人较满意的结果。IPI在不同背景下杂波抑制能力超强，小目标增强效果表现优越，略逊于提出的算法。图4表明，与其他方法相比，本文提出的算法在所有序列上都有很好的增强性能。对于序列4的复杂背景，本文的方法仍然有很好的效果。WSVLCM不仅增强了目标，而且很好地抑制了不同背景下的杂波，这为后续阈值分割检测判决小目标非常有利。

3.3 定量评估

对于红外图像中弱小目标检测，信杂比(Signal-to-Clutter Ratio,SCR)[14-16]是影响检测质量的关键因素，定义为

(16)

式中:μb是图像中目标强度的平均值，μt是背景区域局部强度均值，σb是背景区域局部方差。SCR值的增加导致目标区域的对比度增强，越易于检测。式(17)和式(18)分别定义了背景抑制因子(Background Suppression Factor，BSF)[17-18]和信噪比增益SCRG (SCR Gain)[14-16]：

(17)

(18)

式中：σin、σout分别为杂波抑制前后方差。BSF代表对背景杂波的抑制质量，SCRG度量背景抑制算法对噪声的抑制能力。BSF和SCRG的值越大，杂波抑制能力越强，检测性能越好。实验测试取自上述四种不同背景下的原始序列红外图像，表2和表3给出了四种不同背景下增强图像BSF和SCRG统计平均值。

表2 不同算法下所得BSF值

表3 不同算法下所得SCRG值

由表2和表3可知，四种不同背景下，本文所提出的WSVLCM算法的BSF和SCRG值远大于IPI、ILCM、MLCM、PLCM、RLCM的值。其中，红色值表示更高的杂波抑制质量。表中展现了本文方法不仅在背景和噪声抑制能力方面具有优良的效果，而且更重要的是对于引入局部方差在边缘检测上表现十分优越，对强起伏背景抑制鲁棒性能更好。此外，由表4可知，对于时间消耗IPI最长，MSLCM、MSPCM也较长，而本文提出的算法与RLCM很相近，时间上略优于RLCM。

表4 不同算法下的时间消耗

4 结束语

本文提出了一种权重强化局部方差对比特性的小目标检测算法，该算法由局部方差VLCM的计算和权重强化函数的设计两个模块组成。利用三层图像块模型之间的方差差异增强真实目标，权重强化函数的设计对高亮背景边缘和单一噪声有更强的抑制性能，对小目标处于同质均匀背景、异质边缘均具有良好的增强性能。实验结果表明，WSVLCM算法与当前流行的方法IPI、ILCM、MSLCM、MSPCM、RLCM相比较，不仅具有增强目标抑制杂波的能力，而且具有对各种目标尺寸的鲁棒性；单帧消耗平均时间约为0.144 s，与其他算法相比所消耗时间更少。由于红外小目标的形状近似于二维高斯函数[17]，局部方差属性和强化函数结合可以更有效地增强小目标。红外小目标检测仍然存在目标尺度变化大、杂波强等问题，后续将尝试把所提方法与目标的运动信息相结合，争取在这一领域做进一步的改进。