基于双边滤波的弱小目标背景抑制_秦翰林

第21卷第1期强激光与粒子束Vol.21,N o.1 2009年1月H IGH POWER LASER AND PA RTICLE BEAM S Jan.,2009　文章编号:　1001-4322(2009)01-0025-04基于双边滤波的弱小目标背景抑制＊秦翰林,　周慧鑫,　刘上乾,　李　凡(西安电子科技大学技术物理学院,西安710071) 摘　要:　为解决红外弱小目标检测技术中结构化背景抑制的难题,利用双边滤波集成了图像几何、光度和局部结构相似性等信息并以非迭代、局部操作的优点,提出了一种基于双边滤波的红外弱小目标背景抑制算法,并引入了局部梯度的统计特性来抑制背景细节、增强目标信息,从而达到更好抑制图像中的背景,突出目标图像,提高图像整体对比度、信噪比的目的。

实验结果显示,与小波滤波算法比较,该算法对含有弱小目标的复杂背景从主观视觉和数值指标都具有良好抑制效果。

关键词:　红外图像;　目标检测;　背景抑制;　双边滤波;　局部梯度 中图分类号:　T N219 文献标志码:　A 红外搜索跟踪系统因其被动探测、高度隐蔽的特点而受到广泛的重视。

当目标距离很远时,其成像面积非常小,且目标与背景的对比度较低,常表现为淹没在结构化背景中的几个像点,即为弱小目标。

如果要可靠、稳定、准确地检测并跟踪这类目标,则必须对图像进行预处理,而高性能的背景抑制技术是决定目标检测算法性能的关键。

近十几年来,红外图像背景抑制技术得到较大的发展,主要有时域滤波[1]、空域滤波[2-3]、形态学滤波[4]和小波域滤波[5]等滤波方法。

但是,当背景为复杂的结构化背景时,这类滤波算法不能完全平滑边缘,从而导致检测概率的降低,虚警率增大。

在这种情况下,为了使有用的目标特征被保留并得到有效增强,则必须要对结构化背景实行自适应的抑制。

为此,本文提出了一种基于改进的双边滤波弱小目标背景抑制算法:能平滑掉结构化背景,增强其突变部分,即目标信号;用真实的红外图像序列进行实验,有效地抑制图像中的背景,突出目标图像,提高信噪比。

1　基于双边滤波的背景抑制1.1　双边滤波原理 包含有弱小目标的可见光、红外图像一般可以表示为I(x,y)=t(x,y)+b(x,y)+n(x,y) (目标存在)b(x,y)+n(x,y) (目标不存在)(1)式中:x,y分别表示图像的空间坐标横、纵轴;I(x,y)表示图像(x,y)处的像素灰度值;t,b和n分别表示目标、背景以及噪声的灰度。

噪声常认为是高斯的。

弱小目标可以认为是理想的点源经过点扩展函数后成像,因此目标信号模型为f t(i,j,k)=A l(k)h(i,j,x l,y l)(2)式中:A l(k)是目标峰值强度,在较短时间内可以认为是常数;(x l,y l)是目标像素位置;h(·)是点扩散函数。

由于空中弱小目标的红外辐射强度与周围自然背景的辐射强度无关,表现在图像上,就形成了局部区域的弱小亮斑;而背景在图像上往往大面积的连续分布状态,从而使得相邻像素灰度间具有很强的相关性。

因此,可以利用邻域像素灰度估计当前像素灰度中的背景灰度部分,进而达到抑制背景、提高目标信噪比和对比度的目的。

于是,自适应背景估计可以表示为b(m)=∑m,n∈Sw(m,n)I(m-n)w T S(3)式中:m=(m1,m2);n=(n1,n2);w={w(m,n)}为加权系数;S为像素的某个邻域。

选取不同的加权系数,＊收稿日期:2008-07-21; 修订日期:2008-10-15基金项目:教育部科学技术研究重点项目(108114)作者简介:秦翰林(1982—),男,陕西富平人,博士研究生,主要研究方向为红外目标检测与跟踪;hlqin@。

对应不同的自适应背景抑制算法。

然后从原图中减去估计的背景图像就得到残差图像,即e (m )=I (m )-b (m )(4) 借助双边滤波[6]集成了几何、光度和局部结构相似性等信息的优势,以非迭代和局部操作的方式来抑制背景图像。

其加权系数为w (m ,n )=1C e ‖m-n ‖22σ2d e -‖N (m )-N (n )‖22σ2r (5)C =∑n ∈N (m )e ‖m -n ‖22σ2d e -‖N (m )-N (n )‖22σ2r (6)式中:σd 和σr 分别控制空间和灰度域的权值自由度,分别与像素间的距离和灰度值有关;N (m )为像素I (m )的邻域空间;C 为归一化常数。

由于双边滤波结合了空间和灰度域两种滤波,权值w 取决于空间和灰度距离,因此能适应图像背景变化复杂的情况,对图像中较强的结构性特征背景分量的抑制作用明显。

但该方法以像素为基本检测单元进行,而背景又占绝大多数的像素,这样势必会浪费计算资源,同时图像的有些精细背景在抑制时也会被平滑掉,经过背景减除后会产生一些虚假目标点,因而为减少滤波的时间,增强背景抑制效果,采用局部梯度的标准差来判定选定的区域是否需要进行双边滤波。

1.2　基于局部梯度统计特性的阈值选取 设X 是R M ×N 的欧几里得空间。

令u ,v ∈X ,则它们的内积为〈u ,v 〉=∑1≤j ≤M ,1≤j ≤N u i ,j v i ,j ,u 的范数为‖u ‖=〈u ,u 〉。

假设图像为M ×N 的2维向量u ,则u ∈X ,由此图像的梯度为( u )i ,j =(( u )x i ,j ,( u )y i ,j )(7)式中:(i ,j )为图像像素坐标;( u )x i ,j 和( u )y i ,j 分别表示图像x 和y 方向的梯度。

( u )x i ,j =u i +1,j -u i ,j (i <M )0 (i =M ), ( u )y i ,j =u i ,j +1-u i ,j (j <N )0 (j =N )(8) 图像的梯度向量包含局部方向信息,而且梯度的方向可以表示方向角。

计算局部方向时,每个像素的信息需要在某个局部邻域作平均,因此能够反映局部邻域内像素间灰度之间的关系。

但而对于各向同性的区域,其平均梯度场为0。

原因在于上升边缘和下降边缘的梯度符号相反,从而抵消了相互之间的差异。

为了克服图像梯度出现的这种弊端,将x 和y 方向的梯度都取绝对值。

( u ′)i ,j =(|( u )x i ,j |,|( u )y i ,j |)(9) 局部梯度标准差δSTD ( u ′)i ,j ∈Ψ表示该局部区域图像梯度值变化剧烈情况,由此可有b ′(m )=b (m ) (T r ≥δS TD )I (m ) (T r <δSTD )(10)式中:T r 为基于一定信噪比选定的阈值,一般取值在10～20之间,作为判断当前像素点是否进行双边滤波的依据。

由式(10)遍历整个图像,可得到抑制背景图像b ′,带入式(4)即为背景抑制后的图像。

2　实验结果与分析2.1　性能评价准则 为了衡量背景抑制后图像的抑制程度,本文采用5个指标来说明算法保存目标信号去除复杂背景的有效性。

它们是:(1)信噪比R sn =|G t -G b |/σb c ;(2)信噪比增益I snr =R sn ,out /R sn ,in ;(3)对比度S cr =|G t -G b |/|G t +G b |;(4)对比度增益I scr =S cr ,out /S cr ,in ;(5)背景抑制因子F bs =σout /σin 。

其中G t ,G b 分别是目标的平均灰度值和目标周围区域内灰度值的均值;R sn ,in ,R sn ,out 分别代表输入图像和输出图像的信噪比;S cr ,in ,S cr ,out 分别代表输入图像和输出图像的对比度;σbc 是背景加噪声的均方差;σin 和σou t 分别为原始图像的均方差和滤波后图像的均方差。

2.2　仿真实验数据结果与讨论 选择了两组有代表性的分别含有2个和3个目标红外图像序列进行实验验证。

实验图像大小为128×128像素,像素灰度8位,信噪比低于2,对比度低于9%。

基于CPU 为赛扬2.66GH z ,内存为512M H z 的PC 机,通过m atlab7.0软件平台完成仿真实验。

图1(a1)和(a2)分别为2个序列中的1幅原图,图1(b1)和(b2)26强激光与粒子束第21卷为本文算法的处理效果,图1(d1)和(d2)为采用小波滤波算法的处理结果。

图1(c1)和(c2)、图1(e1)和(e2)分别为采用本文和小波滤波算法进行自适应阈值分割[7]的结果。

处理前后评价参数数值如表1所示。

从实验结果可以看出,原始图像中目标仅占1个或几个像元,呈现为点状,无形状与结构特征,且强度较弱,特别是其中的目标更是被强烈的结构化云层所干扰。

小波滤波处理后,目标虽然被增强,但同时背景也被增强,而没有被较好地抑制,这样必然会影响后续的检测处理。

而经本文算法处理后,在很好地保存并增强弱小目标信号的同时较好地抑制了结构化背景,图像信噪比增益达3以上,图像对比度增益达8以上,背景抑制因子达5倍以上。

特别对目标受到大面积云层干扰的情况,与小波滤波结果相比较,本文算法不但平滑了云层内部,而且将云层的边缘也被平滑掉,使得图像整体对比度和信噪比得到了很大的改善,目标检测的虚警明显降低。

为进一步说明本文算法的良好效果,图2显示了原图和本文算法分割结果的对比,显示本文算法能有效地检测到原图中含有的多个目标。

相比来说,在天空复杂云层背景和目标信噪比等发生变化的情况下,本文算法对R sn ≥1.6的目标都得到较好的处理效果。

表1　不同方法性能比较T able 1　Performance comparis on of different methodsoriginal imag esindexS nr ,in S cr ,in w avelet filtering me tho d I snr I scr F bs pre sented method I snr I sc r F bs (a1)1.586.552.092.933.804.3912.278.67(a2)1.888.412.525.473.723.738.205.033　结　论 本文提出了一种基于双边滤波的红外弱小目标结构化背景抑制算法,并引入局部梯度的统计特性改善了算法性能。

用真实红外序列图像的实验效果验证了该算法在很大程度上可以抑制结构化背景,保存并增强目27第1期秦翰林等:基于双边滤波的弱小目标背景抑制28强激光与粒子束第21卷标信号,提高整个图像的信噪比。

并获得了比较好的检测结果。

参考文献:[1]　宋海峰,陈兴无,王磊,等.运动背景下弱小目标的提取算法[J].强激光与粒子束,2006,18(10):1625-1628.(S on g H aifeng,Ch en Xing-wu,W an g Lei,et al.Cap tu re of dim target in moving background.High Power Laser and Particle B eams,2006,18(10):1625-1628) [2]　胡谋法,沈燕,陈曾平.一种基于空间滤波的红外小目标检测算法及其应用[J].红外与毫米波学报,2007,26(3):209-212.(Hu M oufa,Shen Yan,Chen Zengping.Algorithm of IR small targets detection based on spatial filter an d its app l ication.J In f rared Millim Waves, 2007,26(3):209-212)[3]　Zhang B Y,Zhang T X,C ao Z G,et al.Fast new small target detection algorithm based on a modified partial differential equation in infraredclutter[J].S P IE Op tical E ngineer ing,2007,46:106401.[4]　顾静良,张卫,万敏.基于灰度形态学和邻域熵值的弱小目标检测[J].强激光与粒子束,2004,16(12):1527-1530.(Gu Jingliang,Zhan gWei,Wan M in.Faint targets detection based on gray morphological filtering and neighborh ood entropy method.Hg h Power Laser and Par-ticle Beams,2004,16(12):1527-1530)[5]　邓义君,严高师.一种基于小波变换的红外小目标去噪算法[J].强激光与粒子束,2007,19(3):399-402.(Deng Yijun,Yan Gaoshi.De-noising algorithm of infrared small target based on w avelet transform.H igh Power Las er and P article Beams,2007,19(3):399-402)[6]　T om asi C,M anduchi R.Bilateral filtering for gray and color images[C]//Proc Six th Inter Conf C om puter Vision.1998,839-846.[7]　Steinberg R A.Infrared s urveillan ce1:statis tical model[J].A pp l Op t,1980,19(1):77-85.Dim and small target background suppression using bilateral filteringQ in H anlin,　Zho u H uixin,　Liu Shangqian,　Li F an(School of T echnolog y Physics,X idian University,X i'an710071,China) Abstract:　S tructur ed backg ro und suppression is difficult fo r dim and small tar gets detection.bilateral filtering could g et in-for matio n of image g eometric,pho tometric and local structure similarites,a nd is non-iter ative,local and simple,a backg ro und suppressio n alg o rithm based o n bilater al filtering w a pr esented to solve the pro blem,and local g radient sta tistics w as int roduced to suppress backg round details and e nhance ta rget info rmation for improving entir e image co ntr ast and sig nal to noise ratio(SN R). W hen compared w ith wav elet filte ring algo rithm throug h subject inspectio n and v alue index,seve ral g roups of experimental results demonstrate that the presented a lg orithm can suppress complicated backg round in the dim and small targ et imag e effec tively. Key words:　infr ared image;　targ et de tectio n;　backg ro und suppr essio n;　bila te ral filte ring;　lo cal g radient。