基于Robinson-Guard滤波器和像素聚拢度的小目标检测方法 下载: 1118次
1 引言
随着红外探测器技术和计算机技术的广泛运用,识别红外图像中目标的手段得到了极大的发展,但对于复杂背景下的弱小红外目标而言,提取和跟踪此类目标依然存在一些困难,如:红外图像中目标的空间分辨率较低;难以获得大量的目标样本用于提取特征;对于目标识别的准确率要求通常较高等。为识别红外目标,国内外学者针对这些问题提出了许多有效的算法,而另一种增强目标识别性能的思路是提高原始图像分辨率。例如:红外线列推扫探测器具有分辨率高的优势,可大大增大目标识别的潜力,但代价是输出帧率较低,且存在与扫描方向一致的带状噪声。
由于线列推扫探测器的输出帧率较低,许多需要多帧关联识别的算法[1-3]应用困难,且会为目标识别带来较大的延迟。为发挥探测器的潜力,本文主要讨论单帧识别算法。
对于中小目标的单帧检测,存在很多经典的方法。基于图像频率[4]、二维最小均方差(TDLMS)[5] 、简单非线性滤波器[6-7] 、背景估计[8]的经典背景估计算法运算速度快,形式简洁,但在复杂的背景条件下容易受到高频背景(如云层边缘和海天线)的干扰。Human Visual System[9]、高斯函数差分(DoG)[10]、局部对比度估计(LCM)[11]和各种融合算法[12-14]通过对比目标和目标周围背景亮度分割目标。这些算法针对固定空间尺度的红外小目标效果较好,但对间断的带状噪声或复杂背景边缘常常存在虚警,且对高分辨率下的中等尺寸红外目标识别性能不佳。基于低秩稀疏表示(LRSR)的识别算法[15-16],利用稀疏目标模型区分目标、噪声和背景,总体具有较强的识别性能,但其时间复杂度与图像分辨率不是线性关系,对于高分辨率图像而言,实现稳定的实时处理难度较大。基于信息熵[17-18]的算法可融合各种熵特征以增强图像中的目标,但由背景边缘和带状噪声引起的虚警率较高,需要结合复杂的虚警处理手段。近年来,亦有使用机器学习识别红外目标的案例[19],但此类方法需要大量数据进行训练,对于极小尺度的目标将完全失效,且运算开销较大,在高分辨率场景下难以投入实用。
红外线列推扫探测器成像时,空间分辨率高,但帧率低,存在带状噪声,需要一种运算速度快、识别能力强且在不同场景下表现稳定的算法,因此本文提出了一种融合Robinson-Guard滤波器和像素聚拢度的红外小目标识别方法。该方法通过像素聚拢度尽可能地排除了带状噪声和形状异常的高亮区域的影响,通过大尺度窗口和窗口预搜索解决了小目标的检测问题,通过保护带解决了背景边缘区域的虚警问题,可以在各种复杂场景下对目标实现单帧检测,在实验中表现出了稳健的识别效果。
2 目标特征的设计
2.1 Robinson-Guard滤波器的优点与不足
Robinson-Guard滤波器[20]是一种经典的点目标检测滤波器,滤波器窗口外圈上设计一个保护带区域Z,将其作为背景像素,以对比窗口内的点目标和保护带内背景的亮度差异,其优点在于:通过调节窗口大小,可以适应各种中等尺度的目标,同时依然可以保留对小目标的检测能力,使其不易被背景边缘干扰,且不会带来过大的运算开销。Robinson-Guard滤波器定义为
式中:(x,y) 为点的坐标;fRobinson为Robinson-Guard滤波器的输出结果;max(z)为保护带区域Z内像素的最大值;fpre(x,y)为窗口内原始像素亮度[20];(x,y)为像素坐标。
假定保护带区域中的背景是较为均匀的,如果被保护带保护的区域亮度高于保护带,则高亮区域为小目标。然而,受探测器性能的影响,线列推扫探测器成像时容易出现横向的带状噪声。例如,
然而,随着窗口的增大,带状噪声、散粒噪声和红外目标显现出空间分布上的特征差异。红外目标通常为光斑状,带状噪声通常为横向的条状,而散粒噪声通常为分散的像素点。从像素聚拢程度上分析,组成红外目标的像素最为聚集,带状噪声次之,散粒噪声最为分散。为此,本文根据噪声和点目标的像素聚拢程度不同的特点,提出了一种针对性的小目标识别方法。
2.2 一种衡量像素聚拢程度的指标
受光学条件和红外探测器分辨率限制,红外小目标的视觉形象大多为实心光斑状,组成目标的像素较为聚集。基于这一认知,本文提出一种用于衡量像素聚拢程度的指标。
对于平面直角坐标系中的以坐标原点为圆心的半径为a的圆形区域D,有
设S为圆形区域D的面积,有
式中:dσ为区域D上的面积微元。
对于(3)式而言,注意到
其中
式中:xC,yC 为整数;rp为像素到质心C的距离;[·]为取整符号。
特别地,如果存在正整数RD:
将所有满足(7)式的像素的坐标集合称为U,若U恰好与目标像素集合相等,则称该目标为目标半径为RD的圆目标。对于圆目标而言,RD→¥时,(6)式为(3)式的离散形式,故MC→
给定像素数量n相同的非圆目标Tw和圆目标Tr,将目标相叠,使两者质心重合,则Tw可以通过依次将Tr内的部分像素移动到集合P外实现。由于每次移动将增加MC值,易知,对于相同面积的目标而言,圆目标Tr的MC值最小。然而,当RD不趋于无穷时,MC的误差可能增大,因此下文将讨论RD较小的情形。
对于圆目标而言,当半径R≥1时,有n≥5。
可见,MC不存在非常大的误差,且当R>1时,绝对偏差率迅速收敛至0.2%以下。
图 3. 半径为R的圆目标的MC与理想值的偏移率
Fig. 3. Deviation ratio between MC of circle target with radius of R and ideal value
除此之外,根据由(7)式导出的圆目标定义,不存在像素数为n且2≤n≤4的圆目标,然而,在实践中,这一尺寸的红外目标是存在的。因此
图 4. 2≤n≤4时MC值最小的目标。(a) MC=0.3536;(b) MC=0.3849;(c) MC=0.3750
Fig. 4. Targets with minimum MC when 2≤n≤4. (a) MC=0.3536; (b) MC=0.3849; (c) MC=0.3750
2.3 像素聚拢度的作用
由
图 5. 一些典型像素的MC值。(a) MC=0.4033;(b) MC=0.6479;(c) MC=0.8000
Fig. 5. MC of some typical pixels. (a) MC=0.4033; (b) MC=0.6479; (c) MC=0.8000
本文对MC进行缩放,表达式为
将MC转化为百分比值以衡量一组图样的圆度。(10)式中m为模型的一个常参数,用于调节像素聚拢度在模型中的影响大小。该参数的取值与使用的窗口大小有关。通过调节m的大小,可以修正像素聚拢度的作用强度。当取m=1时,
2.4 基于像素聚拢度的扩展Robinson-Guard判别器
现有的中长波红外探测器在工作区间内,其输出值和黑体辐射强度通常近似成线性[21-22]。因此,可以认为像素p的输出值Lp和该像素接收的目标辐射功率Pp近似满足
式中:k为与探测器性能相关的比例系数;b为探测器固有的偏置系数。
探测器接收的目标辐射总功率Psum是各像素接收的目标辐射功率之和,故
在(12)式的基础上,对于一帧图像,探测器接收的该疑似目标的能量与相同面积的背景峰值辐射能量之差Etarget可表示为
即
由此,基于Robinson-Guard滤波器设计判别特征fERG,记边长为2d+1的窗口矩阵A中坐标为(x,y)的像素为A(x,y),计算矩阵A中所有像素的fRobinson[A(x,y)],取最大值max{fRobinson[A(x,y)]},并将结果大于0的像素设为目标像素,计目标像素总数为n,计算这n个像素组成的像素集合的MC(A)。根据(11)式,定义该窗口的扩展Robinson-Guard判别器fERG为
当n=1时,fERG退化为该像素的fRobinson值。
2.5 窗口分布热力图与总体算法
亮度相同、尺寸较大的红外目标理应具有较强的特征。但在fERG的框架下,以
人们希望窗口的移动原则具有这些特点:如果一个检测窗口内不太可能有目标,它应该往可能有目标的方向移动;而如果窗口落到了疑似目标上,它应该不再移动。而且,这一方法最好对于大尺寸目标更为有效,从而减轻大目标落入保护带引起的负面效应。
因此,使用以下方法移动窗口:设图像为P×Q的二维矩阵,窗口中心坐标为(x,y),窗口内最亮点坐标为(x+a,y+b),移动窗口,使窗口中心落在(x+a,y+b)上,移动次数为有限次。这一方法分下列几种情况:
1) 如果窗口起初包含了目标,窗口将移动到目标上以便识别目标。
2) 对于均匀背景下的点目标而言,如果窗口起初不包含点目标,这些窗口将在背景噪声的作用下随机移动或不移动,一部分窗口在数次移动后将到达点目标上。
3) 对于非均匀背景下的点目标而言,如果窗口起初不包含点目标,这些窗口将在背景强度的作用下向背景强度高的方向移动。由于移动距离有限,部分窗口在最后一次移动后捕获了目标,但目标不处于窗口中心,这会导致窗口偏向背景强度弱的方向,但偏移量不大于半个窗口边长,如
4) 对于大尺寸目标而言,由于目标面积大,将有更多的窗口截获目标,从而增强了识别性能。
5) 对于图像边缘的目标而言,由于能够移动到目标的窗口较少,算法的处理能力将下降。但对于全景式线列推扫探测器而言,由于不存在图像边缘,这一代价是无需考虑的。
图 7. 低信噪比(SNR)下的窗口偏移。(a)原始图像;(b)发生偏移的窗口与原始图像的叠加图
Fig. 7. Window position shift in low SNR condition. (a) Original image; (b) fusion map of original image and shifted window
最终,本文使用以下步骤对图像进行处理:
1) 在待处理的P×Q图像矩阵上以间距s像素(即一个窗口在横或纵方向上移动s 像素即为它的相邻窗口)放置边长为2d+1像素的窗口(该窗口矩阵为Aij),窗口中心坐标(xi,yj)满足
2) 找到每个窗口内的像素最大值,移动窗口,使窗口中心移动到最大值所在的像素上,仍记移动后的窗口矩阵为Aij,中心坐标为(xi,yj)。
3) 重复一次步骤2)。
4) 计算Aij的fERG,构建P×Q矩阵Mij,其中每个元素Mij(x,y)的值为
5) 叠加所有Mij,其结果为目标概率图(TPM),即
式中:MTPM为目标概率图矩阵。
6) 定义阈值TThd二值化目标概率图以获得目标。其中,
本文算法流程图如
在实践中发现,在使用高分辨率探测器的场景下,红外目标的尺度有时可达15 pixel×15 pixel。为了尽可能覆盖这部分目标,本文使用的窗口边长2d+1为31 pixel。间距s将影响计算时间和最终效果,通过广泛尝试,取间距为6 pixel可以在性能和速度之间获得平衡。参考经典的Robinson-Guard保护带宽度,取保护带宽度为2 pixel。为了规避浮点乘方的运算代价,m宜取整数。经实验,m=1的效果较为良好。在8 bit图像上,本文使用kth=1.5,bth=10进行分割。算法的时间复杂度为O(n),空间复杂度为O(1),可以在有限内存的设备上进行流水线处理。
图 9. 云层中的红外飞鸟图像处理示意图。(a1)(a2)原始图像;(b1)(b2)窗口分布热力图;(c1)(c2)目标概率图;(d1)(d2)分割结果
Fig. 9. Processing of IR images of birds in clouds. (a1)(a2) Original images; (b1)(b2) heat maps of window distribution; (c1)(c2) target probability maps; (d1)(d2) segmentation results
图 10. 对图9 (c1)、(c2)目标概率图进行归一化后的三维表示。(a)对应图9 (c1);(b)对应图9 (c2)
Fig. 10. Three-dimensional projection of normalized |MTPM| in Figs. 9(c1) and 9(c2). (a) Projection of Fig. 9 (c1); (b) projection of Fig. 9 (c2)
图 11. 不同信噪比下的模拟图和目标概率图。(a1) RSNR=0.2的模拟图;(b1) RSNR=0.5的模拟图;(c1) RSNR=1的模拟图;(d1) RSNR=3的模拟图;(a2) RSNR=0.2的MTPM;(b2) RSNR=0.5的MTPM;(c2) RSNR=1的MTPM;(d2) RSNR=3的MTPM
Fig. 11. Simulated images and MTPM for different SNR. (a1) Simulated image with RSNR=0.2; (b1) simulated image with RSNR=0.5; (c1) simulated image with RSNR=1; (d1) simulated image with RSNR=3; (a2) MTPM with RSNR=0.2; (b2) MTPM with RSNR=0.5; (c2) MTPM with RSNR=1; (d2) MTPM with RSNR=3
3 算法效果与评价
为横向对比本文算法的目标检测性能,本节使用公开数据集,选择930张图像数据对各种方法进行对比与评价。
图 12. 各种目标检测方法对比。(a1)(b1)(c1)(d1)场景a,b,c,d;(a2)(b2)(c2)(d2) NIPPS;(a3)(b3)(c3)(d3) RIPT;(a4)(b4)(c4)(d4) MDTDLMS-RDLCM;(a5)(b5)(c5)(d5)本文方法
Fig. 12. Comparison of several target detection methods. (a1)(b1)(c1)(d1) Scenes a,b,c,and d; (a2)(b2)(c2)(d2) NIPPS; (a3)(b3)(c3)(d3) RIPT; (a4)(b4)(c4)(d4) MDTDLMS-RDLCM; (a5)(b5)(c5)(d5) proposed method
在使用默认参数的条件下使用本文方法、MDTDLMS-RDLCM[11]方法、NIPPS方法[3]、RIPT方法[3]对比识别率(RDR)与虚警率(RFA),结果如
表 1. 不同方法的识别率
Table 1. Detection rates of different methods
|
表 2. 不同方法的虚警率
Table 2. False alarms of different methods
|
表 3. 不同目标检测方法的运行时间Table 3 Running time of several target detection methodss
Table 3.
|
式中:ND为算法正确检测的目标数;NF为算法误检的虚假目标数;NT为样本中存在的实际目标数。所有方法的可调参数使用原始论文的默认参数。其中,MDTDLMS-RDLCM方法在场景c下出现了大量的带状或片状虚警,已经无法统计虚警率,因此
所有的算法在a,b,d场景下均具有较好的识别率, 然而在最为复杂的c场景下,除本文算法外,其余算法均存在大量虚警,无法正常完成探测工作。从
为了进一步衡量各种算法的识别率/虚警率的性能,本文选择每组场景中最后一张图片,调节各算法阈值,在
本文在i7-4980HQ处理器平台上,使用Matlab R2015b实现并统计了文中所提及的各种算法处理4张256 pixel×256 pixel的8 bit灰度图像所需的时间,结果如
4 结论
提出了一种基于Robinson-Guard滤波器和像素聚拢度的改进算法,实验结果表明,文中提出的方法可以有效地识别各种尺度的目标。在天空背景与复杂空地背景下,均具有较高的目标识别率和较低的虚警率。相较于文中提及的算法,本文算法在虚警率和运算速度上具有明显的优势。
[1] Henriques J F, Caseiro R, Martins P, et al. High-speed tracking with kernelized correlation filters[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2015, 37(3): 583-596.
[2] Zhang K, Li X G. Infrared small dim target detection based on region proposal[J]. Optik, 2019, 182: 961-973.
[3] Dai Y M, Wu Y Q. Reweighted infrared patch-tensor model with both nonlocal and local priors for single-frame small target detection[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2017, 10(8): 3752-3767.
[4] Yang L, Yang J, Yang K. Adaptive detection for infrared small target under sea-sky complex background[J]. Electronics Letters, 2004, 40(17): 1083-1085.
[5] Hadhoud M M, Thomas D W. The two-dimensional adaptive LMS (TDLMS) algorithm[J]. IEEE Transactions on Circuits and Systems, 1988, 35(5): 485-494.
[6] Deshpande S D, Er M H, Venkateswarlu R, et al. Max-mean and max-median filters for detection of small targets[J]. Proceedings of SPIE, 1999, 3809: 74-83.
[7] Bai X Z, Zhou F G, Xie Y C. New class of top-hat transformation to enhance infrared small targets[J]. Journal of Electronic Imaging, 2008, 17(3): 030501.
[8] 管志强, 陈钱, 钱惟贤, 等. 一种背景自适应调整的弱点目标探测算法[J]. 光学学报, 2007, 27(12): 2163-2168.
[9] Kim S, Yang Y, Lee J, et al. Small target detection utilizing robust methods of the human visual system for IRST[J]. Journal of Infrared, Millimeter, and Terahertz Waves, 2009, 30(9): 994-1011.
[10] Wang X, Lv G, Xu L Z. Infrared dim target detection based on visual attention[J]. Infrared Physics & Technology, 2012, 55(6): 513-521.
[11] Han J H, Liang K, Zhou B, et al. Infrared small target detection utilizing the multiscale relative local contrast measure[J]. IEEE Geoscience and Remote Sensing Letters, 2018, 15(4): 612-616.
[12] 陆福星, 陈忻, 陈桂林, 等. 背景自适应的多特征融合的弱小目标检测[J]. 红外与激光工程, 2019, 48(3): 269-275.
Lu F X, Chen X, Chen G L, et al. Dim and small target detection based on background adaptive multi-feature fusion[J]. Infrared and Laser Engineering, 2019, 48(3): 269-275.
[13] Han J H, Liu S B, Qin G, et al. A local contrast method combined with adaptive background estimation for infrared small target detection[J]. IEEE Geoscience and Remote Sensing Letters, 2019, 16(9): 1442-1446.
[15] He Y J, Li M, Zhang J L, et al. Small infrared target detection based on low-rank and sparse representation[J]. Infrared Physics & Technology, 2015, 68: 98-109.
[16] Gao SJ, Jhang ST. Infrared target tracking using multi-feature joint sparse representation[C]//Proceedings of the International Conference on Research in Adaptive and Convergent Systems-RACS'16, October 11-14, 2016, Odense, Denmark.New York: ACM Press, 2016: 40- 45.
[17] Bai X Z, Bi Y G. Derivative entropy-based contrast measure for infrared small-target detection[J]. IEEE Transactions on Geoscience and Remote Sensing, 2018, 56(4): 2452-2466.
[19] 谢江荣, 李范鸣, 卫红, 等. 用于空中红外目标检测的增强单发多框检测器方法[J]. 光学学报, 2019, 39(6): 0615001.
[20] 陈喆, 顾国华. 基于Robinson双模板匹配及融合的点目标检测算法[J]. 红外技术, 2011, 33(6): 340-344.
[21] 曹立华, 李宁, 杨词银, 等. 3~5 μm红外探测器的辐射定标[J]. 红外与激光工程, 2012, 41(4): 858-864.
Cao L H, Li N, Yang C Y, et al. Radiance calibration for 3-5 μm infrared detector[J]. Infrared and Laser Engineering, 2012, 41(4): 858-864.
[23] Hui BW, Song ZY, Fan HQ, et al. and tracking of aircraft in infrared image sequences[EB/OL]. ( 2019-10-28)[2019-12-31]. https://www.researchgate.net/publication/341402455_BIRDSAI_A_Dataset_for_Detection_and_Tracking_in_Aerial_Thermal_Infrared_Videos.
Article Outline
楼晨风, 张湧, 尹佳琪. 基于Robinson-Guard滤波器和像素聚拢度的小目标检测方法[J]. 光学学报, 2020, 40(15): 1504001. Chenfeng Lou, Yong Zhang, Jiaqi Yin. Small Target Detection Method Based on Robinson-Guard Filter and Pixel Convergence[J]. Acta Optica Sinica, 2020, 40(15): 1504001.