??? 摘 要： 針對空中紅外弱小目標" title="紅外弱小目標">紅外弱小目標的檢測，提出了一種新的背景預測" title="背景預測">背景預測方法。該方法對云層邊緣區域的點采用亮暗點分類，尋求最相似點的方法進行預測；對非邊緣區域的點采用基本背景預測法進行預測；最后經過背景對消和閾值分割，將弱小目標檢測" title="目標檢測">目標檢測出來。實驗結果表明，該方法能夠提高對起伏背景預測的準確性，減小由于云層邊緣預測不準確而引起的虛警，從而能夠更加有效地檢測到弱小目標。
??? 關鍵詞： 背景預測? 紅外弱小目標? 目標檢測
?
??? 紅外弱小目標檢測技術作為紅外成像制導中的關鍵技術之一，越來越受到人們的重視。但由于紅外弱小目標具有距離遠、面積小、形狀特征弱、細節特征部分喪失、信噪比" title="信噪比">信噪比低等特點，對紅外弱小目標的檢測依然具有極大的挑戰性。
??? 目前，基于背景預測的紅外弱小目標檢測技術得到了很大的發展。主要包括基本背景預測法[1]、自適應背景預測法[2]、分塊背景預測法(包括區域最大化背景預測法[1]、區域最小化背景預測法[3]、區域均值背景預測法[4]、區域最相似背景預測法[1])、基于神經網絡的背景預測方法[5]等。在圖像信噪比較高、背景較均勻的情況下，這些方法檢測效果良好；但當背景起伏較大，圖像信噪比較低時，在背景的起伏邊緣就會出現較多的虛警。以含有起伏云層的天空背景為例,當圖像信噪比較低時，云層邊緣預測值與真實灰度值之間就會產生較大差異，檢測結果會出現以云層亮邊緣為主的虛警點。因此，應盡可能地對邊緣進行準確預測，使殘差圖中邊緣被極大抵消，達到抑制背景、突出目標的目的。鑒于此，本文提出一種新的基于邊緣區域亮暗點分類的背景預測方法，以減小起伏背景對檢測結果的影響。
1 紅外弱小目標圖像特性分析
??? 紅外圖像是利用紅外探測器掃視被攝景物空間而獲得的紅外熱輻射圖像。紅外弱小目標圖像可描述為：
??? f(x，y)=s(x，y)+b(x，y)+n(x，y)??????????????????? (1)
式中，(x，y)為像素點的坐標，f(x，y)為在紅外焦平面傳感器獲取的場景圖像，s(x，y)、b(x，y)和n(x，y)分別為紅外目標、紅外背景和噪聲的圖像。
??? 紅外圖像中的弱小目標尺寸很小,一般為幾個或十幾個像素，沒有形狀、大小和紋理等特征，缺乏結構信息，圖像中惟一可供利用的是弱小目標的灰度信息。紅外背景是指圖像中的非目標區域，在圖像中主要是大面積緩慢變化的低頻成分，在灰度空間分布上具有較大的相關性。圖像中噪聲主要來源于探測器電路噪聲，屬于圖像中的高頻成分，可近似認為服從高斯分布，在灰度空間上的分布是隨機的，與背景圖像沒有相關性。圖像的信噪比較低，目標點極易被噪聲和背景淹沒，所以從背景出發進行弱小目標的檢測更為合理。
2 背景預測方法的基本思想
??? 背景預測方法的基本思想是：背景中點的灰度值與周圍像素點的灰度值相關性較強，而弱小目標點上的灰度值與周圍背景像素點的灰度值相關性較差。因此，將圖像中各點的灰度值用它周圍區域點的灰度值進行預測，則背景中點的實際灰度值與預測值近似，兩者相減得到的預測殘差很小，而目標點的實際灰度值與預測值相差較大，預測殘差較大。此時在殘差圖上進行門限檢測即可得到目標。背景預測的目標是：使背景灰度的預測值盡可能接近真實值，而目標灰度的預測值盡可能遠小于真實值，以使殘差圖中背景盡可能被消掉，目標盡可能被突出。
??? 基本的背景預測模型可表示為：
??? 
式中，X是尺寸為M×N的輸入圖像，Y是預測圖像，Wj是第j級的權重矩陣，j=m×M+n對應著當前位置，Sj對應著局域背景選取點的范圍集合，屬于Sj的像素點個數是有限的，設為L。
??? 預測圖像與輸入圖像之間的殘差圖像為：
??? 
式中，X是原始輸入圖像，Y(m，n)是預測圖像。這樣，目標檢測問題就轉化為在殘差圖像上進行閾值檢測。
3 背景預測方法介紹
??? 根據權值的不同取法，現有背景預測方法可分為以下幾類：基本背景預測方法、分塊背景預測方法、基于邊緣區域亮暗點分類的背景預測方法等。
3.1 基本背景預測方法
??? 基本背景預測的權重為固定權值。按權值的取法可對應成如下的濾波器模板：
??? 
?
??? 
??? h1、h2、h3模板均適用于點目標和弱小目標，h2、h3模板的兼容性更好一些。
3.2 分塊背景預測方法
??? 分塊背景預測法是將像素點周圍背景以該像素點為中心劃分為四個區域，分別以這四個區域中的最大值、最小值、均值、最相似值作為預測點的預測值，獲得預測圖，依次稱為區域最大化背景預測法、區域最小化背景預測法、區域均值背景預測法、區域最相似背景預測法。
??? 分塊背景預測法在某些情況下可對背景實現有效預測，但其存在如下問題：當弱小目標灰度值較低且位于亮云層邊緣時，采用區域最大化背景預測法，目標的灰度預測值就會接近周圍的亮背景，預測值會比較大，則殘差后目標點處的殘差值會比較小，使得與背景的對比度較低，無法正確檢測到目標；采用區域最小化背景預測法時，背景亮邊緣區域點的灰度預測值會變小，這樣雖然目標點殘差值較大，但云層邊緣處的背景點殘差值也較大，容易出現以云層邊緣為主的虛警點；采用區域最相似背景預測法，目標的預測值比較接近真實值，目標點的殘差值較小，有可能檢測不到目標。
3.3 基于邊緣區域亮暗點分類的背景預測法
??? 參考文獻[6]提出的基于邊緣區域亮暗點分類的背景預測法是在自適應線性背景預測算法的基礎上提出的改進算法。該算法利用自適應均值預測器對原始圖像進行背景估計：當被預測點不是邊緣點時，直接進行濾波；當被預測點是邊緣點時，首先以預測窗口灰度均值為閾值將預測窗口內的像素點分為亮點和暗點兩類，若亮像素點為多數，則根據亮像素點計算預測值，反之則根據暗像素點計算預測值。
??? 上述方法有如下缺點：若預測窗中暗像素點為多數，則高亮云層邊緣就會用暗點來預測，其預測值可能會大大減小，使亮邊緣點的殘差值較大，容易形成虛警。
4 新的基于邊緣區域亮暗點分類的背景預測法
??? 為了減少起伏邊緣造成的影響，使背景灰度預測值盡可能接近真實值，而目標灰度預測值盡可能遠小于真實值，本文提出一種新的基于邊緣區域亮暗點分類的背景預測法。其主要思想是：對云層邊緣區域的點采用亮暗點分類，尋求最相似點進行預測；對非邊緣區域的點采用基本背景預測法進行預測，從而得到原圖的背景預測圖。本方法預測窗是以預測點p為中心的9×9區域，如圖1所示。預測步驟如下：
??? (1)對圖像進行預濾波處理，去除點源噪聲。
??? (2)利用邊緣檢測方法" title="檢測方法">檢測方法提取背景云層邊緣。
??? (3)如果預測點在邊緣區域，則以預測窗的均值為門限，將預測窗內的點分為亮點和暗點兩類。如果被預測點屬于亮點，則在預測區（預測窗內除去以預測點P為中心的5×5區域的灰色區域，共56個點）的亮點中搜索與被預測點灰度最接近的點作為預測值；如果被預測點屬于暗點，則在預測區的暗點中搜索與被預測點最接近的點作為預測值。其中，預測區的選擇要考慮到算法的兼容性。預測區域圖如圖1所示。
?
??? (4)如果預測點不屬于邊緣，則用h1模板進行基本背景預測。
??? 本方法有兩大優點：(1)對于邊緣區域的點，充分考慮了被預測點本身的性質。以被預測點為參照進行預測，預測值要求與被預測點最接近；(2)充分考慮了邊緣點的特性。邊緣點處于兩種灰度區域的交界處。若用預測窗內的所有點進行預測或不考慮被預測點的特性而以某一特性的部分點進行預測必然會產生較大的誤差。應用本方法預測，可使得云層邊緣點的預測值與真實值更接近，同時目標點處的預測值遠小于真實值。
??? 為了清楚說明問題，列出幾種背景預測方法的預測圖，如圖2所示。
?
??? 可以看出，與圖2(b)相比較，圖2(c)中云層發生膨脹，目標處灰度值非常低；圖2(d)中云層發生收縮，邊緣變暗，目標所在區域灰度值非常低，預測圖中已看不到目標；圖2(e)邊緣有明顯的腐蝕痕跡，云層邊緣的亮點在預測圖中變成了暗點，目標點中心位置灰度值較強；圖2(f)中云層的邊緣做到了較為準確的預測，目標位置處灰度變暗，幾乎與背景相同，遠小于目標真實值。
??? 圖2(c)中目標在云層外時，殘差后目標增強，背景減弱，能很好的檢測到目標，但當目標在云層邊緣時，目標的預測值會變大，殘差值會減小，可能會檢測不到目標；圖2(d)中云層邊緣會有殘留，若殘留的云層邊緣灰度值小于目標點灰度值，則可檢測到目標，反之，則不能檢測到目標；圖2(e)中云層強邊緣會出現在殘差圖中，容易形成虛警點；圖2(f)的殘差圖中，云層邊緣得到了很好的抑制，而目標區域的灰度殘差值較大。
5 背景對消和閾值分割
??? 采用新的基于邊緣區域亮暗點分類的背景預測算法得到預測圖，按照(3)式與預濾波處理后的原圖作差，得到殘差圖。殘差圖整體灰度值較低，目標點與周圍灰度值相近。為了方便后續的閾值分割，可采用合適的方法對殘差圖進行圖像增強。
??? 殘差圖中已去掉了大部分低頻信息，但仍存在部分低頻殘留和干擾點。所以需對圖像進行分割，去掉干擾，只保留可能目標點。閾值選擇對后續處理有重要影響：閾值過高,則可能丟失真正的目標信息，閾值過低，將造成較高的虛警率。本文采取自適應閾值分割圖像，取門限為：
??? T=m+kσ????????????????????????????????????? (7)
式中，m為圖像的均值，σ為圖像的均方差；k為常值，根據經驗獲得，一般取5～15。每幅圖像中，大于或等于門限的灰度值賦1，小于門限的灰度值賦0。
6 實驗結果
??? 本文采用的紅外弱小目標圖像是在紅外背景圖像上嵌入弱小目標得到的合成圖像，圖像大小為244×320像素。其中，背景為空中云層，弱小目標為3×3像素，圖像信噪比約為２。下面分別采用區域最大化背景預測法、區域最小化背景預測法、區域亮暗點分類背景預測法和本文提出的新的基于邊緣區域亮暗點分類的背景預測法在PIII600A上進行仿真，給出最終檢測結果并進行分析。第一種情況是目標在云層外，目標周圍背景相對均勻，檢測結果如圖3所示；第二種情況是目標在云層邊緣，目標周圍背景起伏較大，檢測結果如圖4所示。
?
??? 在圖3中，(a)圖中白色方框內為小目標，(b)、(c)、(d)、(e)圖中白色方框表示檢測到的目標。可以看出，當目標在云層外，周圍背景比較均勻時，(b)、(e)兩種方法的檢測效果較好，而(c)、(d)出現了以云層邊緣為主的多個虛警，(c)的檢測效果最差；當目標在云層邊緣，周圍背景起伏較大時，區域最大化背景預測法、區域最小化背景預測法、區域亮暗點分類背景預測法均出現了較多的虛警點，采用本文提出的新的基于邊緣區域亮暗點分類的背景預測法的檢測效果良好。綜合考慮，可以看出，無論目標周圍背景均勻或者起伏，采用本文提出的新的基于邊緣區域亮暗點分類的背景預測法進行弱小目標檢測均可以很好地抑制背景，有效地檢測到目標。
??? 基于背景預測的紅外弱小目標檢測方法的關鍵是對圖像背景準確預測時，對目標的影響最小。本文針對起伏邊緣易產生虛警點，提出了一種新的基于邊緣區域亮暗點分類的背景預測方法。實驗結果表明：在圖像背景起伏較大、信噪比低的情況下，該方法對起伏背景的預測更為準確，從而能夠大大減小起伏邊緣引起的虛警，更加有效的檢測到弱小目標。
參考文獻
[1] 徐軍.紅外圖像中弱小目標檢測技術研究.博士論文，西安電子科技大學，2003：11-19.
[2] DENNEY B S，FIGUEIREDO R J P.Optimal point target?detection using adaptive auto regressive background?prediction[C].Proc.SPIE，2000，4048：46-57.
[3] 向健勇，尹超，韓建棟.一種紅外弱小目標檢測方法.電子科技，2005，(1)：6-9.
[4] 尹超，向健勇，韓建棟.一種基于區域背景預測的紅外弱小目標檢測方法.紅外技術，2004，26（6）：62-65.
[5] 張焱，沈振康，王平.基于RBF神經網絡的背景估計及紅外小目標檢測.國防科技大學學報，2004，26（5）：39-45.
[6] 蔡智富.基于自適應背景估計的復雜紅外背景抑制技術.碩士論文，哈爾濱工程大學，2005：29-31.