基于IHBF的增强局部对比度红外小目标检测方法

贺 顺，谢永妮，杨志伟，贺小艳，刘祥熹

基于IHBF的增强局部对比度红外小目标检测方法

贺 顺1，谢永妮1，杨志伟2，贺小艳1，刘祥熹1

（1. 西安科技大学 通信与信息工程学院，陕西 西安 710600；2. 西安电子科技大学 雷达信号处理国家重点实验室，陕西 西安 710071）

针对非均匀背景下红外小目标检测率低的问题，本文引入人眼视觉系统对比度机制，提出一种基于改进高提升滤波（improved high boost filter，IHBF）的增强局部对比度红外小目标检测方法。首先，根据小目标的频域特性，通过IHBF运算提升高频信号同时，剔除含有背景的低频信号；然后，提出增强局部对比度方法构建比差联合形式的算子，进一步增强目标与背景间的对比度，获得最优显著图；最后，采用自适应阈值分割技术获取真实目标。仿真结果表明：相对于现有的局部对比度算法，所提方法在检测率、虚警率等方面更具优势，是非均匀背景下检测红外小目标的一种有效方法。

人眼视觉系统；红外小目标；改进高提升滤波；增强局部对比度；目标检测

0 引言

红外小目标检测是红外搜索与跟踪（Infrared Search and Track, IRST）系统的关键技术之一，如何提高红外图像中小目标的检测精度对IRST系统具有十分重要的作用[1-3]。在原始图像序列中，红外小目标的亮度通常比背景强。然而，在多云、山地、海面等非均匀背景下，目标常被淹没在强噪声与背景杂波中，导致目标精确检测十分困难[4]。

近年来，许多研究学者主要利用人眼视觉特性提高红外小目标的检测性能[5-6]，包括尺度自适应[7]、对比度[8]、注意力转移[9]等。研究结果表明：人眼在辨识物体时，更多是依赖对比度，而非强度。基于此，Kim[10]等人对原始红外图像进行高斯-拉普拉斯（Laplacian of Gaussian，LoG）滤波来提高对比度，但难以检测背景边缘处的目标，产生较高的虚警率。在此基础上，Shao[11]等人将LoG滤波器与形态学处理相结合，在复杂杂波下能有效辨别目标和噪声。Chen[12]等人提出局部对比度（Local Contrast Measure，LCM）方法，改善了对小目标的检测性能，但无法有效抑制高亮背景，存在严重的“块效应”。

随着研究的深入，基于局部对比度的红外小目标检测方法陆续提出。Han[13]等人提出一种改进的局部对比度（Improved LCM，ILCM）算法，对高斯差分（Difference of Gaussian，DoG）滤波后的红外图像进行分块处理，提高了检测速度，但该算法利用子块的平均值计算对比度，使得尺寸小的目标被削弱。Qin[14]等人根据人类视觉系统（Human Visual System，HVS）特性，在滑动窗口中仅计算若干个最大像素的均值，解决了ILCM中目标容易被淹没的问题，取得较好的检测效果。此外，Wei[15]等人考虑目标与背景块的差异信息计算不同尺度下的局部对比度，能够有效增强红外图像中的亮、暗目标。随后，Shi[16]等人提出了高提升的多尺度局部对比度（High-boost-based Multiscale Local Contrast Measure，HB-MLCM）算法，利用多尺度局部对比度的差值作为增强系数来适应不同尺寸的目标，但易受高亮度边缘的影响，对小而暗的目标检测性能较差。在此基础上，Wang[17]等人提出了新的基于高提升滤波的改进局部对比度（Novel High-Boost Filter Improved LCM，NHBF-ILCM）算法，可以有效增强非均匀背景下的目标，然而该算法在计算目标与背景间的局部差异时，引入了平方运算，造成检测性能急剧下降。

为解决现有局部对比度方法在含有碎积云层、重杂波、高亮度边缘等非均匀背景影响下小目标检测率不高的问题，本文提出了一种基于改进高提升滤波（Improved High Boost Filter，IHBF）的增强局部对比度小目标检测方法。首先，利用IHBF运算去除大面积背景杂波对目标检测的影响。然后，提出增强局部对比度（Enhanced Local Contrast Measure，ELCM）方法避免了现有对比度方法在图像边缘处的显著值干扰。最后，通过自适应阈值分割技术获得小目标的位置。实验结果表明IHBF-ELCM方法可以有效消除复杂边缘导致的虚假检测，扩大目标对比度。即使图像存在大量疑似目标的区域，也具有稳定的检测性能。

1 本文提出的检测算法

图1给出了文中所提方法的处理流程图。首先，为了滤除含有背景的高频信号，采用IHBF运算对图像进行预处理。然后，基于小目标的出现会对邻域图像的纹理信息带来显著性的变化，提出ELCM方法得到最优检测图。最后，在显著性检测图上设置合适的阈值，准确提取目标。

图1 检测方法的流程

1.1 IHBF运算

在红外小目标图像中，背景主要是大面积缓慢变化的低频部分，如天空背景中的云层，其在空间上往往呈连续分布状态，而目标总是表现为一个个孤立的亮斑，占据图像的高频频段[18]。因此如何利用频域信息突出目标、抑制背景杂波显得尤为重要。如文献[15-16]所示，HBF通常用来增强传统图像中的高频分量，并保留低频分量。HBF的定义如下：

HBF＝(1＋)0－×m(1)

式中：0和m分别表示原始图像和平滑图像。当＞1时，HBF为高提升滤波后的结果。

由式(1)的计算过程可以看出，该方法对锐化红外图像边缘是有效的。然而，在原始红外图像中，小目标周围往往存在背景杂波和噪声，若直接利用HBF对图像进行预处理，会产生大量的杂波边缘，影响后续目标的检测精度。为了有效增强红外图像中的小目标，IHBF方法可以定义为如下的形式：

h＝max{0－m, 0} (2)

IHBF＝0(,)×h(,) (3)

式中：(,)表示当前像素点的坐标；为IHBF的权重系数。通常，系数＞1时，有利于提升高频成分，但取值越大，则很容易引入过多像素级的高亮噪声（Pixel-Sized Noises with High Brightness，PNHB），因此，本文将设置为1.2。

显然，对于大面积分布连续的纯背景，其平滑背景的像素输出值h为零，也就是说，简单背景的像素强度会表现出很高的一致性，差异较小。因而经过公式(3)的处理，红外图像中大面积的低频背景信号将被显著抑制，同时得到凸显目标区域。此外，IHBF计算简单、速度快，易于扩展到实际应用中。

1.2 增强局部对比度测量计算

人眼视觉系统（HVS）在复杂环境下能稳健提取出目标区域，主要得益于尺度自适应机制与对比度机制。尺度自适应机制指自动调整分辨率，使之与目标尺寸匹配；对比度机制是指根据对比度从背景中分割出目标区域，而不是依赖目标信号强度[19]。换言之，人眼利用目标区域与邻近背景的强度差异（也称为局部对比度）信息来检测目标，对信号强度具有稳健性。本文利用目标与周围背景间存在对比度差异的特征，设计了一个新的增强局部对比度测量方法，以单尺度对比计算获得最优显著检测图，大大减少了实际运算量。

按照图2(b)所示的窗口从上至下、从左至右的顺序遍历红外图像，为避免小目标被分离，窗口以逐个像素点步长移动。经过处理图像可得到一系列子块（包括目标区域、高亮度背景、复杂背景边缘和PNHB），并且这些块有所重合。图2(a)为图像块分为9个单元的示意图，中央单元标号为“0”，其他8个单元依次标号为1，2，3，…，7，8。

图2 滑动窗口的嵌套模型

PNHB通常仅以单像素形式出现，在红外图像中所占像素较少，而真实红外小目标通常面积很小（根据SPIE定义[20]，小于9×9像素）。为了减少PNHB对小目标区域的影响，有效提高图像的信杂比，将每个子块的值定义为所有像素的灰度平均值，如下式所示：

式中：0是中央单元“0”所包含的像素个数；I0是单元格中第个像素的灰度值；类似地，b代表周围背景区域中的像素数；I表示相应背景单元(＝1,2,…, 8)的灰度值。

小目标区域内部通常是相对平滑的，但与其周围的背景杂波之间存在较大差异。也就是说，目标的强度高于或小于背景块的强度。因此，为了最大化目标与其对应的周围背景单元之间的对比度，提出增强局部对比度C，具体计算式为：

式中：为滑动窗口遍历整幅图像时得到的第个图像块；L表示中心“0”号单元的最大像素灰度值。通过计算增强局部对比度，可对图像中每一个像素点用C替换得到显著性检测图，其中C值越大，表示此处越有可能出现小目标。

1.3 自适应阈值分割

在获取的显著性检测图中，真正的目标通常是局部显著的，而其它杂波干扰可以得到有效的抑制。因此，采用简单的自适应阈值分割操作即可完成小目标的提取。借鉴统计学中的3准则[21]，本文将阈值定义为：

r＝＋(6)

式中：是参数；和是的均值和标准差，即：

1.4 检测能力分析

如图2所示，红外图像中通常存在不同类型的干扰，如高亮度背景、复杂的背景边缘和PNHB。通过计算每个像素的IHBF-ELCM值，可以在增强红外小目标的同时显著抑制以上不同分量的干扰，进一步提高图像的信杂比。

2）当中心单元包含真正目标时，由于在局部区域内目标与其对应的周围背景之间存在显著的对比度，很容易得到0＞b，则有T＞L成立，即在显著性图像中目标幅度被增大。因此，在最终显著图中具有最大值的区域最有可能成为目标。

4）当中心单元包含PNHB时，由于其灰度值接近或略大于真实目标，很难决定它是被增强还是抑制。然而，PNHB通常是像素级别的噪声，对中心子块的平均值影响很小，于是有T＞PNHB成立，从而在检测时与目标做区分，降低了PNHB噪声对检测的影响。

2 实验结果与分析

为了验证本文所提方法对非均匀场景具有稳健性，对6个不同背景类型的红外图像进行仿真实验，其中序列1表示碎积云天空背景；序列2表示高亮天空背景；序列3表示树木背景，序列4表示海空杂波背景；序列5表示建筑背景；序列6表示多云层结构干扰的天空背景。

表1中给出不同图像的分辨率、目标大小、背景类型等详细信息。实验数据处理均在内存16G、主频3.4GHz的Intel i7双核通用计算机上完成，所使用的测试软件为MATLAB R2016a。

表1 六组红外序列的详细信息

2.1 使用本文算法的检测效果

图3是采用所提IHBF-ELCM算法逐步得到的检测结果，可以看到，第一列为原始红外图像，用红色方框标记的区域为目标，在非均匀背景下目标小而暗淡，易受高亮度边缘、PNHB和杂波的影响。第二列是使用IHBF方法处理后的图像，目标变得比较突出，减少了大多数非均匀背景的干扰。接下来，经过ELCM计算后，目标区域的像素值得到了有效地提升，同时残留的高亮背景边缘对比度值基本靠近0附近，可以很好地去除背景边缘。另外，当目标位于包含PNHB噪声的建筑背景时，在三维显示图中可以清楚地看到目标成为了最显著的区域，而层层相似的房屋边缘灰度值抑制为0，且图像的信杂比得到了进一步的提高。最终，经过阈值分割成功检测到了所有小目标，无虚警发生。特别地，若小目标靠近高亮噪声、尖锐边缘时，结合图3中第1、2、5行可见，本文算法在这种极端情况下仍具有较好的检测效果，证明该算法能够有效处理非均匀背景下不同类型的目标。

图3 本文算法各阶段处理结果

2.2 与现有算法的性能对比

本文选择了一些现有的局部对比度算法进行对比，包括LCM[12]，MPCM[14]，LIG[8]，HB-MLCM[16]和NHBF-ILCM[17]算法。其中，LCM和MPCM是基于HVS的经典算法，LIG是利用强度和梯度特性检测目标的算法，HB-MLCM和NHBF-ILCM是基于高提升滤波的HVS算法。以上算法的对比结果如图4所示，红色方框标出了真实目标位置，LCM算法由于利用中央子窗口像素灰度的最大值来增强目标，导致受到高亮度背景影响时，检测结果中会出现大量虚警点。与LCM相比，MPCM、LIG算法具有更好的抑制性能，但对于高亮边缘处的目标容易出现虚检。HB-MLCM、NHBF-ILCM算法通常可以实现更好的检测性能，然而当目标淹没在建筑背景（Seq.5）时，不能成功检测到目标。这是因为算法利用均值滤波抑制背景时，过度削弱了目标的亮度，导致目标亮度低于背景，从而无法准确提取目标。另外，HB-MLCM算法采用多个尺度进行对比度计算，算法运算量较大。由图4中所提方法的结果可以看出，本文方法可以有效增强真实目标，抑制其它杂波干扰，即使在复杂的高亮背景下仍具有优良的检测性能。这是由于该方法利用IHBF对图像进行了预处理，避免了大部分背景对后续局部对比度计算的影响，可以更准确地提取目标。

图4 不同算法对比检测结果

为了定量比较算法性能，本文分别采用信杂比增益（signal clutter ratio gain，SCRG）和背景抑制因子（background suppression factor，BSF）两项指标评估各个算法，SCRG和BSF的定义如下：

式中：SCR表示图像的信杂比；表示背景的灰度标准差。表2为不同图像下各个方法的的SCRG和BSF值，其粗体表示最优值，下划线的表示次优值。SCRG反映了处理前后目标信号相对于背景的增强程度，而BSF表示背景的抑制水平，二者的值越高，说明所对应算法增强目标、去除背景的能力越强。定量分析发现，在所有的测试样本中，相对于其他算法，本文方法均可以取得最大的SCRG和BSF值，表明本文方法不仅能够抑制背景干扰，还能有效突出目标的显著性特征。

表2 各图像下不同算法的SCRG值和BSF值

Note: “-” indicates that the algorithm did not detect the target

与此同时，为了更直观地比较算法的检测性能，分别计算各个方法的检测率d和虚警率a[23]，即：

当检测结果与真实目标之间的位置不超过4个像素时，则认为检测成功。此外，受试者工作特征（Receiver Operating Characteristic，ROC）曲线[24]也是表征d和a相对变化的综合评价指标。曲线越接近左上方位置，d值越大，a值越小，表明该方法的实际检测性能越好。图5显示了6个序列上各个方法获得的ROC曲线，其中LCM方法的性能最差，这是因为它未对图像进行预处理，只采用了比值局部对比度来增强小目标。MPCM和LIG方法的检测性能优于LCM，然而当场景中有严重的杂波噪声时，虚警率随之升高。HB-MLCM和NHBF-ILCM方法在大多数情况下检测率高于其余算法，但无法检测到建筑场景中暗而小的目标。相比于5种局部对比度方法，本文所提方法的ROC曲线均可以较快地靠近左上方位置，即在相同虚警率下，目标检测准确率最高，表明所提IHBF-ELCM方法在多种非均匀背景下均能达到最优性能。

图5 不同序列下的各算法ROC曲线

3 结论

本文结合人眼对目标的对比度敏感机制，提出了一种基于IHBF的增强局部对比度红外小目标检测方法，充分利用目标与周围背景的局部差异信息，增强真实目标，抑制非均匀背景。为了验证所提方法的有效性，在6个不同场景下，与LCM、MPCM、LIG、HB-MLCM、NHBF-ILCM方法进行了比较，所提方法不但能够提高小目标在高亮背景下的可见度，而且能够减小复杂高亮区域及边缘突变区域所引入的虚假检测。此外，本文所提方法主要通过局部对比特性检测目标，未来可以考虑结合红外小目标的局部梯度特性，进一步优化方法性能。

[1] CHEN Zhengguo, CHEN Shuizhong, ZHAI Zhengjun, et al. Infrared small-target detection via tensorconstruction and decomposition[J]., 2021, 12(9): 900-909.

[2] HAN Jinhui, MORADI Saed, FARAMARZI Iman, et al. A local contrast method for infrared small-target detection utilizing a tri-Layer window[J]., 2020, 17(10): 1822-1826.

[3] CHEN Yuwen, SONG Bing, WANG Dianjun, et al. An effective infrared small target detection method based on the human visual attention[J]., 2018, 95: 128-135.

[4] DAI Yimian, WU Yiquan, SONG Yu. Infrared small target and background separation via column-wise weighted robust principal component analysis[J]., 2016, 77: 421-430.

[5] 刘旭, 崔文楠. 采用人类视觉对比机制的红外弱小目标检测[J].红外技术, 2020, 42(6): 559-565.

LIU Xu, CUI Wennan. Infrared-image-based detection of dim and small targets using human visual contrast mechanism [J]., 2020, 42(6): 559-565.

[6] 徐小东, 朱慧, 郝忻, 等. 基于视觉对比度机制的红外双极性小目标检测方法[J]. 传感技术学报, 2021, 34(5): 597-603.

XU Xiaodong, ZHU Hui, HAO Xin, et al. Detection method of infrared bi-polar small targets based on visual contrast mechanism[J]., 2021, 34(5): 597-603.

[7] ZHANG Hong, ZHANG Lei, DING Yuan, et al. Infrared small target detection based on local intensity and gradient[J]., 2017, 89(12): 88-96.

[8] QIN Zhaobing, MA Yong, HUANG Jun, et al. Adaptive scale patch-based contrast measure for dim and small infrared target detection[J]., 2020, 19(12): 1-5.

[9] KIM Sungho, YANG Yukyung, LEE Joohyoung, et al. Small target detection utilizing robust methods[J]., 2009, 30(9): 994-1011.

[10] SHAO Xiaopeng, FAN Hua, LU Guangxu, et al. An improved infrared dim and small target detection algorithm based on the contrast mechanism of human visual system[J]., 2012, 55(5): 403-408.

[11] CHEN C L P, LI Hong, WEI Yantao, et al. A local contrast method for small infrared target detection[J]., 2014, 52(1): 574-581.

[12] HAN Jinhui, MA Yong, ZHOU Bo, et al. A robust infrared small target detection algorithm based on human visual system[J]., 2014, 11(12): 2168–2172.

[13] QIN Yao, LI Biao. Effective infrared small target detection utilizing a novel local contrast method[J]., 2016,13: 1890-1894.

[14] WEI Yantao, YOU Xinge, LI Hong. Multiscale patch-based contrast measure for small infrared target detection[J]., 2016, 58: 216-226.

[15] SHI Yafei, WEI Yantao, PAN Donghui, et al. High-boost-based multiscale local contrast measure for infrared small target detection[[J]., 2018, 15(1): 33-37.

[16] WANG Hao, LIU Cuntong, MA Chenning, et al. A novel and high-speed local contrast method for infrared small-target detection[J]., 2020, 17(10): 1812-1816.

[17] HAN Jinhui, LIU Sibang, QIN Gang, et al. A local contrast method combined with adaptive background estimation for infrared small target detection[J]., 2019, 16(9): 1442-1446.

[18] DENG He, SUN Xianping, LIU Maili, et al. Entropy-based window selection for detecting dim and small infrared targets[J]., 2017, 61: 66-77.

[19] 杨威, 付耀文, 潘晓刚, 等. 弱目标检测前跟踪技术研究综述[J]. 电子学报, 2014, 42(9): 1786-1793.

YANG Wei, FU Yaowen, PAN Xiaogang, et al. Track-before-detect technique for dim targets: an overview [J]., 2014, 42(9): 1786-1793.

[20] HAN Jinghui, LIU Chengyin, LUO Zhen, et al. Infrared small target detection utilizing the enhanced closest-mean background estimation[J]., 2021, 14: 645-662.

[21] 韩金辉, 董兴浩, 蒋亚伟, 等. 基于局部对比度机制的红外弱小目标检测算法[J].红外技术, 2021, 43(4): 357-366.

HAN Jinghui, DONG Xinghao, JIANG Yawei. Infrared small dim target detection based on local contrast mechanism[J]., 2021, 43(4): 357-366.

[22] ZHAO Mingjing, LI Lu, LI Wei, et al. Infrared small-target detection based on multiple morphological profiles[J]., 2021, 59(7): 6077-6091.

[23] DU Peng, HAMDULLA Askar. Infrared small target detection using homogeneity-weighted local contrast measure[J]., 2019, 17(3): 514-518.

IHBF-Based Enhanced Local Contrast Measure Method for Infrared Small Target Detection

HE Shun1，XIE Yongni1，YANG Zhiwei2，HE Xiaoyan1，LIU Xiangxi1

(1. Communication and Information Engineering College, Xi’an University of Science and Technology, Xi’an 710600, China;2. National Laboratory of Radar Signal Processing, Xidian University, Xi’an 710071, China)

Inspired by the contrast mechanism of the human visual system (HVS), this study proposed an improved high boost filter (IHBF)-based enhanced local contrast measurement method for solving the low detection rate of infrared (IR) small targets with a non-homogeneous background. First, based on the frequency characteristics of the small target, the IHBF operation was used to discard the low-frequency signal containing the background. An enhanced local contrast measure method was proposed to construct the contrast operator of the ratio-difference joint form. Thus, the target contrast can be enhanced further to obtain an optimal saliency map. Finally, the adaptive threshold technology was used to extract small targets. The simulation results demonstrate that compared with existing local contrast algorithms, the proposed method is better in terms of detection rate and false alarm rate and is an effective method for detecting IR small targets in non-homogeneous backgrounds.

HVS, IR small target, improved high boost filter, enhanced local contrast, target detection

TP751.1

A

1001-8891(2022)11-1132-07

2022-08-04；

2022-09-13.

贺顺（1980-），女，湖南常德人，博士，副教授，主要从事红外图像处理、阵列信号处理等方面的研究工作。E-mail: heshun1212@163.com。

谢永妮（1998-），女，陕西宝鸡人，硕士，主要从事红外小目标检测、红外图像处理等研究。E-mail：x1522997@163.com。

国家自然科学基金（62071481）。