赵爱罡等：基于非线性局部滤波的红外小目标检测方法 ·1655· 度均值将区域O内像素分为两部分，若此中心点为边 图像高斯金字塔对应的频率范围为0，π2-]， 缘点，则环域分成的两部分必定为与边缘点连续的区 拉普拉斯金字塔频段为[m2',π2~1]，对目标进行检 域和与边缘点不连续的区域，分别计算两部分的均值 测大约在（π2,2π）频段进行，范围比拉普拉斯金 为m。和ma,则式(5)变为 字塔大，比直接在拉普拉斯金字塔上滤波效果要好，首 i,(x,y）=1(x,y）× 先能够保证每次检测均含有目标成分，其次使用原始 1+sign(min(l1(x,y）-m.l,l1(x,y）-mul)-ot) 图像尺寸能够精确定位目标位置，使得每次滤波均能 2 对目标进行有效检测 (7) 3基于拉普拉斯金字塔的检测算法 式中，，(x,y)为排除可疑边缘点的临时图像，此过程 检测算法借助高斯金字塔的低频信息，将平坦区 只需对，(x,y)中少量非零点做进一步判断，经过两次 域剔除，依据目标的局部对比度将边缘区域抑制，最终 局部非线性滤波，等同于经过一次高通选择滤波，通过 构造拉普拉斯金字塔稀疏，重构检测图像，流程如图4 阈值剔除细节纹理成分，并将滤波结果进一步筛选，得 所示.一般金字塔分解到只含有几个像素为止，分解 到只含可疑目标点的图像，但在检测结果中，灰度值较 彻底，但在本应用中，小目标最大尺寸为9×9个像素， 大的单像素噪声点会成为虚警，为剔除噪声点的影响， 信息主要存在于中高频段内，如果分解到只剩几个像 在1，(xy)中，若非零点的邻域内存在六个以上的零 素，小目标信息被屏蔽掉，检测到更多的将是平坦区域 点，则判定为噪声点，将其置零.下一步将各尺度下的 的过度信息，对于检测小目标是多余的步骤，所以设置 检测结果融合到一起，形成最终检测图.使用I,(x,y) L…=4,可以避免冗余的计算量，这样检测算法总体复 直接下采样构造最终检测图的拉普拉斯金字塔{L,(x, 杂度为O(N),N为像素个数. y)},通过金字塔重构得到检测图 原始图像 构壁 做差阈值剔除边缘 去除噪声 1构 拉普拉斯金字塔L} 检测结果 建 构 高斯金字塔{G】 匹配手 尺寸 图4检测算法流程图 Fig.4 Flow chart of the detection algorithm 依据图4流程图得到检测图I,(x,y),将其归一化 果，由3D显示图可见目标明显突出，检测效果较好 到D,1]范围内，候选日标定位如下： 4实验结果及分析 rI(x,y),Ir(x,y)>hδ， In(x,y）= (8) 0, 其他 为了进一步验证本文提出的检测算法，采用多组 式中，δ为I,(x,y)中的最大值，k为权重系数，实验中 不同背景的红外小目标图像序列进行仿真实验.实验 取k=0.6.假设目标局部信噪比为r,背景灰度值为 数据来自浙江大立的M3制冷型红外热像仪，部分是 P,根据高斯平滑的权重系数推导参数为σh=ap(r- 实拍图像序列，部分是实拍背景加人工合成小目标图 1),为权重系数，取值范围为(0.4,0.7)，参数σ= 像序列.仿真计算机参数为：CPU3×2;内存4GB:主 频3.3GHz.仿真程序采用VS2012+0 pencv2.4.9编 2σ·表1给出包括三种背景下的小目标检测，并对检 写.对比算法有基于滤波的Tophat和MaxMean可算 测详细过程进行了展示. 法，基于视觉注意机制的改进局部对比测量(improved 按照检测流程，对表1(a)进行检测，显示1=2时 local contrast measure,LCM)检测算法，以及基于成 检测的中间结果.表1(a)为复杂红外小目标图像：表 分表达的RDL检测算法圆.经过多次实验验证，参数 1(b)为对应的高斯图像：表1(c)为根据式(6)计算得 σ山=0.1效果最佳.表2给出包括五种不同背景的小 到的抑制平坦区域后的结果，将低频成分和波动较小 目标检测结果 的高频成分剔除，剩余系数波动较大的边缘区域和目 表2所示为五组单帧图像的检测实验，分别为简 标区域，同时也包含部分单像素噪声点：表1(d)为抑 单的晴空背景、云杂波背景、浓云背景、海天线背景和 制边缘点的效果图，由于边缘必和某一侧连续，灰度值 海杂波背景.由检测结果可知，对于不同类型的复杂 比较接近，目标和外环区域内的像素值存在间断，利用 背景，本文算法即非线性局部滤波检测算法(nonlinear 此性质可以抑制边缘区域和部分平坦区域的过度成 local filter,NLF)均能对小目标有效检测，尤其对过度 分：表1(e)为剔除噪声点后融合而成的最终检测结 平滑或是区域内波动较小的图像检测效果比较好，如赵爱罡等: 基于非线性局部滤波的红外小目标检测方法 度均值将区域 O 内像素分为两部分，若此中心点为边 缘点，则环域分成的两部分必定为与边缘点连续的区 域和与边缘点不连续的区域，分别计算两部分的均值 为 mc 和 md，则式( 5) 变为 ^ Il ( x，y) = I 槇l ( x，y) × 1 + sign( min( | I( x，y) － mc | ，| I( x，y) － md | ) － σeth ) 2 ． ( 7) 式中，^ Il ( x，y) 为排除可疑边缘点的临时图像，此过程 只需对 I 槇l ( x，y) 中少量非零点做进一步判断，经过两次 局部非线性滤波，等同于经过一次高通选择滤波，通过 阈值剔除细节纹理成分，并将滤波结果进一步筛选，得 到只含可疑目标点的图像，但在检测结果中，灰度值较 大的单像素噪声点会成为虚警，为剔除噪声点的影响， 在 ^ Il ( x，y) 中，若非零点的邻域内存在六个以上的零 点，则判定为噪声点，将其置零． 下一步将各尺度下的 检测结果融合到一起，形成最终检测图． 使用 Il ( x，y) 直接下采样构造最终检测图的拉普拉斯金字塔{ Ll ( x， y) } ，通过金字塔重构得到检测图． 图像高斯金字塔对应的频率范围为［0，π/2l － 1 ］， 拉普拉斯金字塔频段为［π/2l ，π/2l － 1 ］，对目标进行检 测大约在( π/2l － 1 ，2π) 频段进行，范围比拉普拉斯金 字塔大，比直接在拉普拉斯金字塔上滤波效果要好，首 先能够保证每次检测均含有目标成分，其次使用原始 图像尺寸能够精确定位目标位置，使得每次滤波均能 对目标进行有效检测． 3 基于拉普拉斯金字塔的检测算法 检测算法借助高斯金字塔的低频信息，将平坦区 域剔除，依据目标的局部对比度将边缘区域抑制，最终 构造拉普拉斯金字塔稀疏，重构检测图像，流程如图 4 所示． 一般金字塔分解到只含有几个像素为止，分解 彻底，但在本应用中，小目标最大尺寸为 9 × 9 个像素， 信息主要存在于中高频段内，如果分解到只剩几个像 素，小目标信息被屏蔽掉，检测到更多的将是平坦区域 的过度信息，对于检测小目标是多余的步骤，所以设置 lmax = 4，可以避免冗余的计算量，这样检测算法总体复 杂度为 O( N) ，N 为像素个数． 图 4 检测算法流程图 Fig． 4 Flow chart of the detection algorithm 依据图 4 流程图得到检测图 IT ( x，y) ，将其归一化 到［0，1］范围内，候选目标定位如下: ID ( x，y) = IT ( x，y) ， IT ( x，y) ＞ kδ， {0， 其他． ( 8) 式中，δ 为 IT ( x，y) 中的最大值，k 为权重系数，实验中 取 k = 0. 6． 假设目标局部信噪比为 r，背景灰度值为 p，根据高斯平滑的权重系数推导参数为 σth = αp( r － 1) ，α 为权重系数，取值范围为( 0. 4，0. 7) ，参数 σeth = 2σth ． 表 1 给出包括三种背景下的小目标检测，并对检 测详细过程进行了展示． 按照检测流程，对表 1( a) 进行检测，显示 l = 2 时 检测的中间结果． 表 1( a) 为复杂红外小目标图像; 表 1( b) 为对应的高斯图像; 表 1( c) 为根据式( 6) 计算得 到的抑制平坦区域后的结果，将低频成分和波动较小 的高频成分剔除，剩余系数波动较大的边缘区域和目 标区域，同时也包含部分单像素噪声点; 表 1( d) 为抑 制边缘点的效果图，由于边缘必和某一侧连续，灰度值 比较接近，目标和外环区域内的像素值存在间断，利用 此性质可以抑制边缘区域和部分平坦区域的过度成 分; 表 1( e) 为剔除噪声点后融合而成的最终检测结 果，由 3D 显示图可见目标明显突出，检测效果较好． 4 实验结果及分析 为了进一步验证本文提出的检测算法，采用多组 不同背景的红外小目标图像序列进行仿真实验． 实验 数据来自浙江大立的 M3 制冷型红外热像仪，部分是 实拍图像序列，部分是实拍背景加人工合成小目标图 像序列． 仿真计算机参数为: CPU i3 × 2; 内存 4 GB; 主 频 3. 3 GHz． 仿真程序采用 VS2012 + Opencv2. 4. 9 编 写． 对比算法有基于滤波的 Tophat ［4］和 MaxMean ［5］算 法，基于视觉注意机制的改进局部对比测量( improved local contrast measure，ILCM) 检测算法［10］，以及基于成 分表达的 ＲDL 检测算法［6］． 经过多次实验验证，参数 σth = 0. 1 效果最佳． 表 2 给出包括五种不同背景的小 目标检测结果． 表 2 所示为五组单帧图像的检测实验，分别为简 单的晴空背景、云杂波背景、浓云背景、海天线背景和 海杂波背景． 由检测结果可知，对于不同类型的复杂 背景，本文算法即非线性局部滤波检测算法( nonlinear local filter，NLF) 均能对小目标有效检测，尤其对过度 平滑或是区域内波动较小的图像检测效果比较好，如 ·1655·