第17卷第2期 智能系统学报 Vol.17 No.2 2022年3月 CAAI Transactions on Intelligent Systems Mar.2022 D0:10.11992/tis.202101009 网络出版地址：https:/kns.cnki.net/kcms/detail/23.1538.TP.20210628.1654.002.html 基于局部对比度背景估计的红外小目标检测方法 赵骞，韩金辉，徐茂，陈园园 (周口师范学院物理与电信工程学院，河南周口466001) 摘要：为缓解复杂背景对红外小目标检测任务的干扰，提出一种新的红外小目标检测方法。该方法将背景估 计与局部对比度相结合，以提高算法的检测性能。提出了一种更适合于小目标检测的双层均值最大化背景估 计算法，以获得更准确的基准背景值。在原始图像和估计背景之间提出了比差联合局部对比度度量方法，可以 在增强目标的同时抑制各种类型的复杂背景。通过实验对比分析，验证该方法的有效性和鲁棒性。 关键词：红外小目标；最大均值：背景估计：比差联合方法；局部对比度；目标检测：单帧检测：抗噪声能力 中图分类号：TP391.4 文献标志码：A文章编号：1673-4785(2022)02-0314-11 中文引用格式：赵骞，韩金辉，徐茂，等.基于局部对比度背景估计的红外小目标检测方法.智能系统学报，2022,17(2)： 314-324. 英文引用格式：ZHAO Qian,,HAN Jinhui,XU Mao,,etal.Infrared smal-target detection utilizing background estimation com- bined with local contrastJ].CAAI transactions on intelligent systems,2022,17(2):314-324. Infrared small-target detection utilizing background estimation combined with local contrast ZHAO Qian,HAN Jinhui,XU Mao,CHEN Yuanyuan (College of Physics and Telecommunication,Zhoukou Normal University,Zhoukou 466001,China) Abstract:In order to alleviate the interference of complex backgrounds in infrared small target detection,a new in- frared small target detection method is proposed.The new method combines background estimation with local contrast to improve the detection performance of the algorithm.The main work includes the following aspects:First,a double- layer max-mean background estimation algorithm that is more suitable for small target detection is proposed to get a more accurate background benchmark.Then,a ratio-difference joint local contrast measure is proposed between the raw image and the estimated background to enhance the different sizes of true targets while simultaneously suppressing vari- ous types of complex backgrounds.The analysis and comparison in the experiment show its effectiveness and robustness. Keywords:IR small target;max-mean;background estimation;ratio-difference joint;local contrast;target detection; single frame detection;noise-resistant ability 红外精确制导、红外预警、海上搜救等领域 sized noises with high brightness,PNHB)等，给目 中，被测目标与传感器之间的距离通常很远。由 标检测带来严重干扰，导致较高的虚警率。 于光学系统和焦平面阵列性能的限制，图像中目 在现有的红外小目标检测领域，研究者为实 标通常仅占据几个像素且灰度值较小，容易导致 现高检测率和低虚警率，提出了多种检测方法， 较低的检测率山。此外，由于视野中树木、房屋、 主要包括基于序列的算法和基于单帧的算法。基 云层、海浪和其他随机因素的存在，原始红外图 于序列的算法倾向于利用多帧之间的运动信息检 像中可能存在各种类型的复杂背景，例如高亮度 测目标，因此即使目标在某些帧中被遮挡，仍可 背景、背景边缘)和高亮度孤立点噪声(pixel-- 以取得良好的检测性能。但基于序列的算法通常 有较大的计算量，在某些应用中无法满足实时性 收稿日期：2021-01-08.网络出版日期：2021-06-28. 基金项目：国家自然科学基金项目(61802455,62003381)：河南 要求。基于单帧的算法仅使用单帧内的信息，因 省重点研发与推广专项（科技攻关）项日(192102210089， 212102210525). 此常具有较快的检测速度。此外，基于单帧的算 通信作者：韩金辉.E-mail:hanjinhui@zknu.edu.cn 法可作为某些基于序列的算法的基础模块进行使
DOI: 10.11992/tis.202101009 网络出版地址: https://kns.cnki.net/kcms/detail/23.1538.TP.20210628.1654.002.html 基于局部对比度背景估计的红外小目标检测方法 赵骞，韩金辉，徐茂，陈园园 （周口师范学院 物理与电信工程学院，河南 周口 466001） 摘 要：为缓解复杂背景对红外小目标检测任务的干扰，提出一种新的红外小目标检测方法。该方法将背景估 计与局部对比度相结合，以提高算法的检测性能。提出了一种更适合于小目标检测的双层均值最大化背景估 计算法，以获得更准确的基准背景值。在原始图像和估计背景之间提出了比差联合局部对比度度量方法，可以 在增强目标的同时抑制各种类型的复杂背景。通过实验对比分析，验证该方法的有效性和鲁棒性。 关键词：红外小目标；最大均值；背景估计；比差联合方法；局部对比度；目标检测；单帧检测；抗噪声能力 中图分类号：TP391.4 文献标志码：A 文章编号：1673−4785(2022)02−0314−11 中文引用格式：赵骞, 韩金辉, 徐茂, 等. 基于局部对比度背景估计的红外小目标检测方法 [J]. 智能系统学报, 2022, 17(2): 314–324. 英文引用格式：ZHAO Qian, HAN Jinhui, XU Mao, et al. Infrared small-target detection utilizing background estimation combined with local contrast[J]. CAAI transactions on intelligent systems, 2022, 17(2): 314–324. Infrared small-target detection utilizing background estimation combined with local contrast ZHAO Qian，HAN Jinhui，XU Mao，CHEN Yuanyuan (College of Physics and Telecommunication, Zhoukou Normal University, Zhoukou 466001, China) Abstract: In order to alleviate the interference of complex backgrounds in infrared small target detection, a new infrared small target detection method is proposed. The new method combines background estimation with local contrast to improve the detection performance of the algorithm. The main work includes the following aspects: First, a doublelayer max-mean background estimation algorithm that is more suitable for small target detection is proposed to get a more accurate background benchmark. Then, a ratio-difference joint local contrast measure is proposed between the raw image and the estimated background to enhance the different sizes of true targets while simultaneously suppressing various types of complex backgrounds. The analysis and comparison in the experiment show its effectiveness and robustness. Keywords: IR small target; max-mean; background estimation; ratio-difference joint; local contrast; target detection; single frame detection; noise-resistant ability 红外精确制导、红外预警、海上搜救等领域 中，被测目标与传感器之间的距离通常很远。由 于光学系统和焦平面阵列性能的限制，图像中目 标通常仅占据几个像素且灰度值较小，容易导致 较低的检测率[1]。此外，由于视野中树木、房屋、 云层、海浪和其他随机因素的存在，原始红外图 像中可能存在各种类型的复杂背景，例如高亮度 背景[2] 、背景边缘[3] 和高亮度孤立点噪声 (pixelsized noises with high brightness，PNHB) 等 [4] ，给目 标检测带来严重干扰，导致较高的虚警率。 在现有的红外小目标检测领域，研究者为实 现高检测率和低虚警率，提出了多种检测方法， 主要包括基于序列的算法和基于单帧的算法。基 于序列的算法倾向于利用多帧之间的运动信息检 测目标，因此即使目标在某些帧中被遮挡，仍可 以取得良好的检测性能。但基于序列的算法通常 有较大的计算量，在某些应用中无法满足实时性 要求。基于单帧的算法仅使用单帧内的信息，因 此常具有较快的检测速度。此外，基于单帧的算 法可作为某些基于序列的算法的基础模块进行使 收稿日期：2021−01−08. 网络出版日期：2021−06−28. 基金项目：国家自然科学基金项目 (61802455，62003381)；河南 省重点研发与推广专项 (科技攻关) 项目 (192102210089， 212102210525). 通信作者：韩金辉. E-mail：hanjinhui@zknu.edu.cn. 第 17 卷第 2 期 智 能 系 统 学 报 Vol.17 No.2 2022 年 3 月 CAAI Transactions on Intelligent Systems Mar. 2022
第2期 赵塞，等：基于局部对比度背景估计的红外小目标检测方法 ·315· 用。本文正是基于单帧的检测算法的进一步的改进。 因为尽管高亮度背景的增强因子比较小，但如果 到目前为止，已有大量基于单帧的检测算法 其原始亮度远大于目标，其最终增强结果仍可能 被提出，例如空域滤波、频域滤波、形态学滤 大于实际目标的增强结果，导致较高的虚警率。 波m、背景估计80和机器学习（包括监督学习 概括来说，目前的局部对比度方法通常具有 和无监督学习类型吗等。但是，复杂背景下的红 两个共同的缺陷。首先，现有算法在计算当前位 外小目标检测仍然是一个具有挑战性的问题。 置的局部对比度时，直接将当前位置的局部相邻 近年来，研究人员发现人类视觉系统(human 区域作为基准背景值，但如果背景过于复杂，则 visual system,HVS)的一些特性，可在红外小目标 该基准值可能不够精确，进而导致计算得到的对 检测中发挥巨大潜力。根据生物学研究发现，区 比度信息失准。其次，大多数现有的局部对比算 分对比度是人类视觉系统最重要作用之一。在 法是单一的差值形式或比值形式，尽管一些研究 红外小目标检测领域中，由于典型目标（例如飞机、 者试图将两者结合使用以获得更好的检测性能， 导弹、卡车、坦克、轮船等)通常具有比其周围环 但相关研究并不充分。例如，ILCM和NLCM都 境更高的温度，因此红外图像中的目标通常比其 是比值型的局部对比度算法，它们利用DoG滤波 直接邻域要稍亮，即目标附近存在一定的局部对 器（差值型算法）作为预处理来首先消除高亮度 比度值。因此，基于局部对比度的检测算法通常 背景，但是，这导致算法的结构变得复杂，任何环 可以获得比传统算法更好的性能。基于局部对比 节出现错误都可能导致检测失败。其他多环节算 度的算法易于实现，并且具有较低的算法复杂度。 法，例如LCM+LoG2)、LCM+支持向量机(support 基于局部对比度的算法中的关键问题之一， vector machine,SVMP和LCM+局部自相似(Ioc- 是如何确定局部对比度的计算公式。研究者们已 al self similar,.LSS)2等，也具有类似的局限性。 提出了许多种局部对比度定义，通常可以将其分 此外，深度神经网络的应用也延伸到了红外 为两类，即基于差值的局部对比度和基于比值的 目标检测领域。朱斌等2使用深度神经网络架 局部对比度。基于差值的局部对比度算法通过 构对红外与可见光双通道图像进行处理，以检测 计算当前位置与其局部相邻区域之间的灰度差， 低空无人机目标：侯晴宇等2刀基于深度学习理 可以消除高亮度背景。此类型算法包括高斯函数 拉普拉斯滤波器(Laplacian of Gaussian,LoG),高 论，提出了一种名为RISTDnet的卷积神经网络； 斯函数差分滤波器(difference of Gaussian,DoG)%, 戴一冕等21将LCM作为模块嵌入到卷积神经网 Gabor函数差分滤波器(difference of Gabor,DoGb) 络中。 和改进Gabor函数差分滤波器(improved differ- 本文在背景估计(background estimation, ence of Gabor,IDoGb)m,中心-四周累积差分度量 BE)的基础上，提出了一种新的最大均值背景估 计算法。该方法在计算当前位置的对比度时，可 (accumulated center-surround difference measure, ACSDM)喝和基于多尺度块的对比度度量(multiscale 以获得更准确的基准背景值。然后，将基于差值 patch-based contrast measure,MPCM)l等。其中 与基于比值的局部对比度相结合，在原始输人图 一些算法更利用了局部的方向信息，以更好地抑 像与估计背景之间提出比差联合局部对比度度 制背景边缘，例如IDoGb、ACSDM和MPCM。但 (ratio-difference joint local contrast measure, 是，如果目标非常暗，则目标与其直接邻域之间 RDLCM),可增强不同大小的真实目标，同时抑制 的灰度差将非常小，可能导致检测率较低。 各种类型的复杂背景。在BE-RDLCM计算得到 基于比值的局部对比度算法将当前位置与其 的显著性图中，真实目标会被凸显出来，然后使 局部相邻区域之间的灰度比作为增强因子，用于 用阈值操作即可提取目标。 对当前位置进行增强。此类型算法包括局部对比 1问题描述 度度量(local contrast measure,LCM)2o、改进的局 部对比度度量(improved local contrast measure,L~ 图1给出了包含真实小目标的红外图像的例 CM)、新型局部对比度度量(noval local contrast 子，用以直观地说明真实目标和各种干扰之间的 measure,.NLCM)2和加权局部差异度量(weighted 差异。图2是图1中所涉及的各种成分的三维局 local difference measure,WLDM)2等。其中的大 部分布，包括真实目标（以TT表示）、普通背景 多数方法都利用方向信息来更好地抑制背景边 (以NB表示)、高亮度背景（以表HB示）、背景边 缘。但比值型算法不能有效地消除高亮度背景， 缘（以EB表示）和PNHB
用。本文正是基于单帧的检测算法的进一步的改进。 到目前为止，已有大量基于单帧的检测算法 被提出，例如空域滤波[5] 、频域滤波[6] 、形态学滤 波 [7] 、背景估计[8-10] 和机器学习 (包括监督学习[11] 和无监督学习类型[12] ) 等。但是，复杂背景下的红 外小目标检测仍然是一个具有挑战性的问题。 近年来，研究人员发现人类视觉系统 (human visual system，HVS) 的一些特性，可在红外小目标 检测中发挥巨大潜力。根据生物学研究发现，区 分对比度是人类视觉系统最重要作用之一[13]。在 红外小目标检测领域中，由于典型目标 (例如飞机、 导弹、卡车、坦克、轮船等) 通常具有比其周围环 境更高的温度，因此红外图像中的目标通常比其 直接邻域要稍亮，即目标附近存在一定的局部对 比度值。因此，基于局部对比度的检测算法通常 可以获得比传统算法更好的性能。基于局部对比 度的算法易于实现，并且具有较低的算法复杂度。 基于局部对比度的算法中的关键问题之一， 是如何确定局部对比度的计算公式。研究者们已 提出了许多种局部对比度定义，通常可以将其分 为两类，即基于差值的局部对比度和基于比值的 局部对比度[14]。基于差值的局部对比度算法通过 计算当前位置与其局部相邻区域之间的灰度差， 可以消除高亮度背景。此类型算法包括高斯函数 拉普拉斯滤波器 (Laplacian of Gaussian，LoG)[15] ，高 斯函数差分滤波器 (difference of Gaussian，DoG)[16] ， Gabor 函数差分滤波器 (difference of Gabor，DoGb) 和改进 Gabor 函数差分滤波器 (improved difference of Gabor，IDoGb)[17] ，中心−四周累积差分度量 (accumulated center-surround difference measure， ACSDM)[18] 和基于多尺度块的对比度度量 (multiscale patch-based contrast measure，MPCM)[19] 等。其中 一些算法更利用了局部的方向信息，以更好地抑 制背景边缘，例如 IDoGb、ACSDM 和 MPCM。但 是，如果目标非常暗，则目标与其直接邻域之间 的灰度差将非常小，可能导致检测率较低。 基于比值的局部对比度算法将当前位置与其 局部相邻区域之间的灰度比作为增强因子，用于 对当前位置进行增强。此类型算法包括局部对比 度度量 (local contrast measure，LCM)[20] 、改进的局 部对比度度量 (improved local contrast measure，ILCM)[4] 、新型局部对比度度量 (noval local contrast measure，NLCM)[21] 和加权局部差异度量 (weighted local difference measure，WLDM)[22] 等。其中的大 多数方法都利用方向信息来更好地抑制背景边 缘。但比值型算法不能有效地消除高亮度背景， 因为尽管高亮度背景的增强因子比较小，但如果 其原始亮度远大于目标，其最终增强结果仍可能 大于实际目标的增强结果，导致较高的虚警率。 概括来说，目前的局部对比度方法通常具有 两个共同的缺陷。首先，现有算法在计算当前位 置的局部对比度时，直接将当前位置的局部相邻 区域作为基准背景值，但如果背景过于复杂，则 该基准值可能不够精确，进而导致计算得到的对 比度信息失准。其次，大多数现有的局部对比算 法是单一的差值形式或比值形式，尽管一些研究 者试图将两者结合使用以获得更好的检测性能， 但相关研究并不充分。例如，ILCM 和 NLCM 都 是比值型的局部对比度算法，它们利用 DoG 滤波 器 (差值型算法) 作为预处理来首先消除高亮度 背景，但是，这导致算法的结构变得复杂，任何环 节出现错误都可能导致检测失败。其他多环节算 法，例如 LCM+LoG[23] 、LCM+支持向量机 (support vector machine，SVM)[24]和 LCM+局部自相似 (local self similar，LSS)[25] 等，也具有类似的局限性。 此外，深度神经网络的应用也延伸到了红外 目标检测领域。朱斌等[26] 使用深度神经网络架 构对红外与可见光双通道图像进行处理，以检测 低空无人机目标；侯晴宇等[27] 基于深度学习理 论，提出了一种名为 RISTDnet 的卷积神经网络； 戴一冕等[28] 将 LCM 作为模块嵌入到卷积神经网 络中。 本文在背景估计 (background estimation， BE) 的基础上，提出了一种新的最大均值背景估 计算法。该方法在计算当前位置的对比度时，可 以获得更准确的基准背景值。然后，将基于差值 与基于比值的局部对比度相结合，在原始输入图 像与估计背景之间提出比差联合局部对比度度 量 (ratio-difference joint local contrast measure， RDLCM)，可增强不同大小的真实目标，同时抑制 各种类型的复杂背景。在 BE-RDLCM 计算得到 的显著性图中，真实目标会被凸显出来，然后使 用阈值操作即可提取目标。 1 问题描述 图 1 给出了包含真实小目标的红外图像的例 子，用以直观地说明真实目标和各种干扰之间的 差异。图 2 是图 1 中所涉及的各种成分的三维局 部分布，包括真实目标 (以 TT 表示)、普通背景 (以 NB 表示)、高亮度背景 (以表 HB 示)、背景边 缘 (以 EB 表示) 和 PNHB。 第 2 期 赵骞，等：基于局部对比度背景估计的红外小目标检测方法 ·315·
·316· 智能系统学报 第17卷 目标位置的突出程度一般很小，有必要对其进行 增强。另外，由于光学系统的点扩散特性，真实 B回 目标通常具有一定的面积（很小，但通常大于1×1）， 且从中心向四周均匀衰减，没有各向异性。 2)普通背景通常是较暗且平坦的，因此在灰 EB 度值和局部对比度方面都不突出。 HB 3)高亮度背景具有较大的灰度值（可能比 TT还大)，但内部的灰度分布较为平坦，因此在局 部对比度方面不明显。 图1包含真实小目标的红外图像 4)背景边缘的两侧灰度值不同，因此在两侧 Fig.1 A sample of real IR image 之间存在局部对比度信息。但是，背景边缘通常 在图2中，可以看到红外小目标和干扰因素 沿特定方向分布，这与TT的方向特性明显不同。 存在如下特点： 5)PNHB在局部对比度和方向特征上具有类 1)真实目标一般会出现在平坦、均匀的背景 似于真实目标的模式。但是，PNHB通常是由随 区域中，并且通常比其直接邻域更亮，这是因为 机因素引起的，并且它仅作为单个像素出现，这 在大多数实际应用中，目标通常会更热。但是， 与真实目标明显不同。 1.0 1.0 1.0 as 阳 15 10 0 15 10 10 10 10 X轴 5 Y轴 X轴 5 X轴 0 Y轴 0 Y轴 (a)NB (b)TT (c)HB 1.0 1.0 0.5 5 10 15 10 10 15 10 X轴 5 5 Y轴 X轴 0 5 0 Y轴 (d)PNHB (e)EB 图2各种成分的三维局部分布 Fig.2 3D distributions of different types of components 2双层均值最大化背景估计 法可以看作一种特殊的空间域算法，它通过对相 邻区域进行合理的计算，来获得当前位置的估计 从第1节的分析可以看出，真实目标与其他干 背景，因此与直接使用相邻区域相比，会更加准 扰之间的最大区别是真实目标在局部具有一定的 对比度，故基于HVS的算法倾向于使用局部对比 确，尤其是在背景复杂的情况下。 度来提取真实目标。局部对比度的本质是当前位 到目前为止，研究者们已经提出了许多种背 置的像素值与其基准值之间的差异，现有算法通 景估计算法，例如最大均值滤波、最大中值滤波⑧ 常直接使用当前位置的相邻区域作为基准值，但是， 二维最小均方差滤波(two dimensional least mean 当背景复杂时，基准值可能不够准确，因此会给 square,TDLMS)-1o等方法。应该注意的是，真实 出不正确的对比度信息，从而导致检测性能较差。 目标在面积、方向性等方面与其他干扰因素不 针对上述问题，本文通过引入背景估计的思 同，因此在红外小目标检测领域进行背景估计 想，提出新的局部对比度计算框架。背景估计算 时，需要注意两个问题，一是应当对目标进行遮
PNHB TT NB EB HB 图 1 包含真实小目标的红外图像 Fig. 1 A sample of real IR image 在图 2 中，可以看到红外小目标和干扰因素 存在如下特点： 1) 真实目标一般会出现在平坦、均匀的背景 区域中，并且通常比其直接邻域更亮，这是因为 在大多数实际应用中，目标通常会更热。但是， 目标位置的突出程度一般很小，有必要对其进行 增强。另外，由于光学系统的点扩散特性[24] ，真实 目标通常具有一定的面积 (很小，但通常大于 1×1)， 且从中心向四周均匀衰减，没有各向异性。 2) 普通背景通常是较暗且平坦的，因此在灰 度值和局部对比度方面都不突出。 3) 高亮度背景具有较大的灰度值 (可能比 TT 还大)，但内部的灰度分布较为平坦，因此在局 部对比度方面不明显。 4) 背景边缘的两侧灰度值不同，因此在两侧 之间存在局部对比度信息。但是，背景边缘通常 沿特定方向分布，这与 TT 的方向特性明显不同。 5)PNHB 在局部对比度和方向特征上具有类 似于真实目标的模式。但是，PNHB 通常是由随 机因素引起的，并且它仅作为单个像素出现，这 与真实目标明显不同。 5 1.0 0.5 0 0 (a) NB (b) TT (c) HB (d) PNHB (e) EB 0 0 0 0 15 10 5 10 X 轴 Y 轴 15 5 1.0 0.5 0 15 10 5 10 Y 轴 X 轴 15 5 1.0 0.5 0 15 10 5 10 Y 轴 X 轴 15 5 1.0 0.5 0 15 10 5 10 Y 轴 X 轴 15 5 1.0 0.5 0 15 10 5 10 X 轴 Y 轴 15 亮度值 亮度值 亮度值 亮度值 亮度值 图 2 各种成分的三维局部分布 Fig. 2 3D distributions of different types of components 2 双层均值最大化背景估计 从第 1 节的分析可以看出，真实目标与其他干 扰之间的最大区别是真实目标在局部具有一定的 对比度，故基于 HVS 的算法倾向于使用局部对比 度来提取真实目标。局部对比度的本质是当前位 置的像素值与其基准值之间的差异，现有算法通 常直接使用当前位置的相邻区域作为基准值，但是， 当背景复杂时，基准值可能不够准确，因此会给 出不正确的对比度信息，从而导致检测性能较差。 针对上述问题，本文通过引入背景估计的思 想，提出新的局部对比度计算框架。背景估计算 法可以看作一种特殊的空间域算法，它通过对相 邻区域进行合理的计算，来获得当前位置的估计 背景，因此与直接使用相邻区域相比，会更加准 确，尤其是在背景复杂的情况下。 到目前为止，研究者们已经提出了许多种背 景估计算法，例如最大均值滤波、最大中值滤波[8] 、 二维最小均方差滤波 (two dimensional least mean square，TDLMS)[9-10] 等方法。应该注意的是，真实 目标在面积、方向性等方面与其他干扰因素不 同，因此在红外小目标检测领域进行背景估计 时，需要注意两个问题，一是应当对目标进行遮 ·316· 智 能 系 统 学 报 第 17 卷
第2期 赵骞，等：基于局部对比度背景估计的红外小目标检测方法 ·317· 盖，以便在真实目标及其估计的背景之间获得明 BTT<ITT (4) 显的差异；二是有必要考虑方向性信息，以便识 别背景边缘。然而，现有背景估计算法通常未能 兼顾这些问题。例如，TDLMS算法在估计过程中 使用了一个双层窗口。内层窗口用于遮盖小目 标，外层窗口用于捕获背景，但是未使用方向信 息，因此无法抑制背景边缘；最大均值和最大中 值滤波算法利用了方向信息，但是没有针对小目 B 标进行遮盖，因此真实目标及其估计背景之间的 差异可能不够明显。 本文提出了一种新的最大均值算法来构造背 图4不同类型的像素时的BE情况 景估计。该方法具有一个双层窗口，如图3所 Fig.4 Cases for different types of pixels when calculating 示。半径为R的内层窗口用于遮盖小目标，因此 BE 其大小不应小于真实目标。半径为R的外层窗 2)如果(2，q)是普通背景NB,由于背景通常是 口用于捕获局部的周围背景，并且划分为8个方 平坦的，因此M(p,q)在所有8个方向上都接近原 向，以利用方向信息来抑制背景边缘。H是 始灰度值I(p,q),因此B(p,q也将接近I(p,q),即 Rn和Ru之间的差。显然，H越大，参与运算的有 BNB≈IB (5) 效像素将越多。但是，如果R。和H太大，则外部 3)如果(p,q)是高亮度背景HB,结论将类似 窗口将太大，可能会引入更多的干扰。 于NB,即 BHB≈THB (6) ◇ 4)如果(p,q)是背景边缘EB并且在较亮的 一侧，则M(p,q)在某些方向上可能小于I(p,q), 口当前位置 但在其他方向上将与I(P,q)接近，因此最终的 口有效像素 B(2,q)和I(p,q)将彼此接近，即 BB≈IB (7) H 如果(p,q)在较暗的一侧，最终的B(p,q)甚 至将会大于Ip,q),即 图3算法所使用的双层窗口结构 BEB TEB (8) Fig.3 Double-layer window structure used in our al- 5)如果(p,q)是PNHB,结论将类似于真实目 gorithm 标的情形： 对于位置(p,q),第i个方向上的有效像素的 BPNHB<IPNHB (9) 均值定义为 从上面的讨论可以看出，在进行最大均值背 M(p,q)=mean(Ii),j=1,2.....H (1) 景估计之后，TT和PNHB的估计值将小于原始灰 式中：户1,2，…，8表示第i个方向L是在第i个方 度值，而NB、HB和EB的估计值将与原始灰度值 向上的第个有效像素的灰度值；H是内层窗口 接近，这将有助于在后续步骤中区分它们。 和外层窗口之间的宽度，如图3所示。 应该指出的是，本文所提出的最大均值算法 然后，像素(P,q)的背景估计被定义为 与原始的最大均值算法1之间存在两个主要区 B(p,q)=max(M(p,q)i=1,2,…,8 (2) 别。首先，在本文算法中使用了双层窗口，其中 式中：max0函数用于获取位置(p,q)的最大均值 内层窗口用于掩盖小目标，从而可以使获得的B” 结果。 和严之间的差异更明显。其次，该算法总共使用 另外，有必要分析当(p,q)是不同类型的像素 了8个方向，而非4个方向，因此该算法可以更好 时的情况，如图4所示。 地利用方向信息。 1)如果(P,q)是真实目标TT,由于真实目标 对于给定的输入图像【，背景估计的计算过程 通常比它的近邻更亮并且从中心向四周逐渐衰 为：1)原始图像I,参数Rm,H;2)构建参数为 减，因此可以很容易地得出： Rm和H的双层窗口，如图2所示；3)按照从上到 M<,i=1,2,…,8 (3) 下，从左到右顺序滑动窗口，遍历整幅图像：4)根 此时B(p,q)将小于p,q即 据式(1)和(2)计算每个像素位置的背景估计值：
盖，以便在真实目标及其估计的背景之间获得明 显的差异；二是有必要考虑方向性信息，以便识 别背景边缘。然而，现有背景估计算法通常未能 兼顾这些问题。例如，TDLMS 算法在估计过程中 使用了一个双层窗口。内层窗口用于遮盖小目 标，外层窗口用于捕获背景，但是未使用方向信 息，因此无法抑制背景边缘；最大均值和最大中 值滤波算法利用了方向信息，但是没有针对小目 标进行遮盖，因此真实目标及其估计背景之间的 差异可能不够明显。 本文提出了一种新的最大均值算法来构造背 景估计。该方法具有一个双层窗口，如图 3 所 示。半径为 Rin 的内层窗口用于遮盖小目标，因此 其大小不应小于真实目标。半径为 Rout 的外层窗 口用于捕获局部的周围背景，并且划分为 8 个方 向，以利用方向信息来抑制背景边缘。 H 是 Rin 和 Rout 之间的差。显然，H 越大，参与运算的有 效像素将越多。但是，如果 Rin 和 H 太大，则外部 窗口将太大，可能会引入更多的干扰。 当前位置 有效像素 Rin H Rout 图 3 算法所使用的双层窗口结构 Fig. 3 Double-layer window structure used in our algorithm 对于位置 (p, q)，第 i 个方向上的有效像素的 均值定义为 M(p,q) = mean(Ii, j), j = 1,2,··· ,H (1) 式中：i=1,2,…,8 表示第 i 个方向；Ii，j 是在第 i 个方 向上的第 j 个有效像素的灰度值；H 是内层窗口 和外层窗口之间的宽度，如图 3 所示。 然后，像素 (p, q) 的背景估计被定义为 B(p,q) = max(Mi(p,q)) i = 1,2,··· ,8 (2) 式中：max() 函数用于获取位置 (p, q) 的最大均值 结果。 另外，有必要分析当 (p, q) 是不同类型的像素 时的情况，如图 4 所示。 1) 如果 (p, q) 是真实目标 TT，由于真实目标 通常比它的近邻更亮并且从中心向四周逐渐衰 减，因此可以很容易地得出： MTT i < I TT , i = 1,2,··· ,8 (3) 此时 B(p, q) 将小于 I(p, q)，即 B TT < I TT (4) PNHB TT NB EB HB 图 4 不同类型的像素时的 BE 情况 Fig. 4 Cases for different types of pixels when calculating BE 2) 如果 (p, q) 是普通背景 NB，由于背景通常是 平坦的，因此 M(p, q) 在所有 8 个方向上都接近原 始灰度值 I(p, q)，因此 B(p, q) 也将接近 I(p, q)，即 B NB ≈ I NB (5) 3) 如果 (p, q) 是高亮度背景 HB，结论将类似 于 NB，即 B HB ≈ I HB (6) 4) 如果 (p, q) 是背景边缘 EB 并且在较亮的 一侧，则 M(p, q) 在某些方向上可能小于 I(p, q)， 但在其他方向上将与 I(p, q) 接近，因此最终的 B(p, q) 和 I(p, q) 将彼此接近，即 B EB ≈ I EB (7) 如果 (p, q) 在较暗的一侧，最终的 B(p, q) 甚 至将会大于 I(p, q)，即 B EB > I EB (8) 5) 如果 (p, q) 是 PNHB，结论将类似于真实目 标的情形： B PNHB < I PNHB (9) 从上面的讨论可以看出，在进行最大均值背 景估计之后，TT 和 PNHB 的估计值将小于原始灰 度值，而 NB、HB 和 EB 的估计值将与原始灰度值 接近，这将有助于在后续步骤中区分它们。 应该指出的是，本文所提出的最大均值算法 与原始的最大均值算法[8] 之间存在两个主要区 别。首先，在本文算法中使用了双层窗口，其中 内层窗口用于掩盖小目标，从而可以使获得的 B TT 和 I TT 之间的差异更明显。其次，该算法总共使用 了 8 个方向，而非 4 个方向，因此该算法可以更好 地利用方向信息。 对于给定的输入图像 I，背景估计的计算过程 为 ： 1) 原始图像 I, 参数 Ri n , H； 2) 构建参数为 Rin 和 H 的双层窗口，如图 2 所示；3) 按照从上到 下，从左到右顺序滑动窗口，遍历整幅图像；4) 根 据式 (1) 和 (2) 计算每个像素位置的背景估计值； 第 2 期 赵骞，等：基于局部对比度背景估计的红外小目标检测方法 ·317·
·318· 智能系统学报 第17卷 5)按顺序保存结果，得到背景估计矩阵B。 比值形式，未能同时结合两者的优势。本文提出 了一种在原始输入图像和估计背景之间的比差联 3比差联合局部对比度度量 合局部对比度测量方法，可以增强不同大小的真 背景估计完成后，在计算当前位置的局部对 实目标，并抑制各种复杂的背景，无需预处理环 比度时，将以当前位置的估计背景为基准。 节，从而使算法结构更加简洁。图5给出了带背 现有的局部对比度算法多采用差值形式或者 景估计的比差联合算法的整体流程图。 背景估计 计算阀值 Th=tk.×o Th 输人：原始红 比差联合算法 输出： 外图像 BE-RDLCM 阀值操作 检测结果 1.0 80.4 0.2F 380 200 X轴100.10020030040% y轴 图5基于背景估计的比差联合局部对比度度量算法流程图 Fig.5 Flowchart of the proposed BE-RDLCM algorithm 首先，考虑到真实目标通常比其背景估计值 当(p,q)是EB时，在较亮一侧可以得到 更亮，并且面积大于1×1，为了增强真实目标，将 EB≈1 (p,q)位置处的增强因子定义为 在较暗一侧则为 V(p,q) Ep,q）=Bp,q EEB<1 (10) 显然，无论在哪一侧，该值都比真实目标值小。 其中B(p,q)是根据背景估计方法得到的位置(P, 对于灰度值接近甚至稍大于真实目标的PN q)的背景估计值，2，q)是原始图像中以(p,q)为 HB,将有 中心的K个像素的平均灰度值，即 EPNHB >1 ∑∑1p+m.g+m 但由于PNHB通常以单个像素出现，只要式 (11)中的K大于1，根据式(13)，它的比值形式局 V(p.q)= (11) K 部对比度值将小于TT的值，即 其中K为参与计算的像素数，计算方法为 RPNHB<RTT K=(2L+1)×(2L+1) (12) 由上述分析可知，比值型的局部对比度可以 然后，将位置(P,q)的比值形式局部对比度定 有效增强真实目标。但是，对于灰度值远大于TT 义为 的HB,虽然其增强因子值较小，根据式(13)，其增 R(p.q)=E(p.q).V(p.q)= 强后的值仍可能大于真实目标的值，即， V(p.Qv(p.q) (13) RHB RTT B(p,g) 这可能导致检测率减低和虚警率上升。 显然，当(P,q)是真实目标TT时，由于真实 为消除高亮背景，本文将比值形式与差值形 目标通常比其直接邻域稍亮，因此有 式的局部对比度结合为一体，在原始图像与估计 ETT>1 得到的背景之间，定义位置(p,q)处的BE-RDLCM 这意味着真实目标得到了增强。 定义为 当(P,q)是NB或HB时，由于背景通常是平 D(p,q)=R(p.q)-V(p.q)= 坦的.所以会有 V(p.q .-1V(p.q) (14) ENB≈EHB≈1 B(p,g) 其值小于真实目标的增强因子。 对于给定的输入图像L,BE-RDLCM的计算
5) 按顺序保存结果，得到背景估计矩阵 B。 3 比差联合局部对比度度量 背景估计完成后，在计算当前位置的局部对 比度时，将以当前位置的估计背景为基准。 现有的局部对比度算法多采用差值形式或者 比值形式，未能同时结合两者的优势。本文提出 了一种在原始输入图像和估计背景之间的比差联 合局部对比度测量方法，可以增强不同大小的真 实目标，并抑制各种复杂的背景，无需预处理环 节，从而使算法结构更加简洁。图 5 给出了带背 景估计的比差联合算法的整体流程图。 输入: 原始红 外图像 比差联合算法 阈值操作 背景估计 输出: I 检测结果 B BE-RDLCM 计算阈值 Th=μ+kth×σ Th 1.0 0.8 0.6 0.4 0.2 0 300 200 100 0 100 200 300 400 亮度值 X 轴 Y 轴 图 5 基于背景估计的比差联合局部对比度度量算法流程图 Fig. 5 Flowchart of the proposed BE-RDLCM algorithm 首先，考虑到真实目标通常比其背景估计值 更亮，并且面积大于 1×1，为了增强真实目标，将 (p, q) 位置处的增强因子定义为 E(p,q) = V(p,q) B(p,q) (10) 其中 B(p, q) 是根据背景估计方法得到的位置 (p, q) 的背景估计值，V(p, q) 是原始图像中以 (p, q) 为 中心的 K 个像素的平均灰度值，即 V(p,q) = ∑L m=−L ∑L n=−L I(p+m,q+n) K (11) 其中 K 为参与计算的像素数，计算方法为 K = (2L+1)×(2L+1) (12) 然后，将位置 (p, q) 的比值形式局部对比度定 义为 R(p,q) = E(p,q)·V(p,q) = V(p,q) B(p,q) V(p,q) (13) 显然，当 (p, q) 是真实目标 TT 时，由于真实 目标通常比其直接邻域稍亮，因此有 E TT > 1 这意味着真实目标得到了增强。 当 (p, q) 是 NB 或 HB 时，由于背景通常是平 坦的，所以会有 E NB ≈ E HB ≈ 1 其值小于真实目标的增强因子。 当 (p, q) 是 EB 时，在较亮一侧可以得到 E EB ≈ 1 在较暗一侧则为 E EB < 1 显然，无论在哪一侧，该值都比真实目标值小。 对于灰度值接近甚至稍大于真实目标的 PNHB，将有 E PNHB > 1 但由于 PNHB 通常以单个像素出现，只要式 (11) 中的 K 大于 1，根据式 (13)，它的比值形式局 部对比度值将小于 TT 的值，即 R PNHB < R TT 由上述分析可知，比值型的局部对比度可以 有效增强真实目标。但是，对于灰度值远大于 TT 的 HB，虽然其增强因子值较小，根据式 (13)，其增 强后的值仍可能大于真实目标的值，即， R HB > R TT 这可能导致检测率减低和虚警率上升。 为消除高亮背景，本文将比值形式与差值形 式的局部对比度结合为一体，在原始图像与估计 得到的背景之间，定义位置 (p, q) 处的 BE-RDLCM 定义为 D(p,q) = R(p,q)−V(p,q) = [ V(p,q) B(p,q) −1 ] V(p,q) (14) 对于给定的输入图像 I，BE-RDLCM 的计算 ·318· 智 能 系 统 学 报 第 17 卷