一种采用局部特征对比度的红外弱小目标检测算法的制作方法

1.本发明属于图像处理领域，具体涉及一种采用局部特征对比度的红外弱小目标检测算法。


背景技术：

2.红外探测系统已广泛应用于制导、预警等许多领域。但是，当探测距离非常远时，受光学系统参数限制和大气衰减等因素的影响，目标在系统输出的原始图像中所占面积很小，亮度一般也很微弱，这种目标被称为红外弱小目标。
3.对红外弱小目标的有效检测具有非常重大的理论意义和实用价值，但一直面临很大困难，主要原因包括：首先，目标本身面积小、亮度弱，缺乏足够明显的颜色、形状、纹理等信息，难以直接检出，导致目标的检测率较低；其次，在海天、地空等典型应用场景下，探测器视场中可能会出现亮度极高的背景及十分复杂的边缘，容易干扰检测，造成较多的虚警；同时，焦平面的生产工艺缺陷及器件工作时的电噪声等因素会造成一系列的噪声干扰，也可能导致虚警。然后，在很多实际应用中，目标的尺度通常是未知信息，使得算法参数的选择变得非常困难；最后，一些实际应用场合对检测实时性的要求比较高，这给小目标的检测带来了进一步的困难。
4.近年来，国内外研究者们提出了许多红外弱小目标检测算法，大致可以划分为序列型和单帧型两大类。序列型检测算法直接在相邻若干帧之间对目标进行提取，利用的信息更多，故通常检测性能更好，但是它们的数据量和计算量也比较大，其输出往往有一定的滞后性，难以满足一些实际应用对实时性的需求。单帧型检测算法在一帧内对目标进行检测，数据量和计算量相比序列型算法更小，实时性通常更好，同时，一些单帧型算法还可以作为某些序列型算法的基础模块进行使用。
5.目前已有很多类型的单帧型检测算法被提出，例如基于背景估计的、基于形态学的、基于方向导数或梯度的、基于频域滤波的、基于稀疏表示的、基于稀疏低秩分解的、基于局部对比度机制的等等。其中，基于局部对比度机制的算法作为仿生学算法的一种，主要受启发于人类视觉系统的对比度机制，即人眼对视场中的对比度信息比对亮度信息更敏感。而在原始红外图像中，目标虽然往往不是整幅图像中最亮的部分，却通常要比其周围背景稍亮一些(本质上是因为典型的有价值目标，如飞机、车辆、舰船等，一般会比其周围背景更热)。通过提取图像中的局部对比度信息，并以之作为目标检测的依据，可以有效地消除复杂背景的影响，取得较好的检测性能。因此，基于局部对比度机制的检测算法在近年来尤其受到人们的重视。
6.局部对比度的本质是当前位置与其周围邻域之间的差异信息，但是在具体的定义方面，目前尚无公论。不同的研究者根据各自的需求，提出了许多局部对比度的计算方法。按照对比度的计算方法，可以被划分为灰度差值型、灰度比值型和灰度比差联合型三种基本类型。同时，潘胜达等人提出的dlcm (double
‑
layer local contrast measure)算法是本文算法的重要基础之一，它的主要贡献在于提出了一个新型三层窗口，如图1所示。该窗
口共包含5
×
5个小子块，每个小子块都是3
×
3个像素点大小。其中，中心子块t用于捕捉目标中心附近的主要能量；周围子块sb1～sb16用于捕捉目标的邻域背景，并与目标进行对比度计算；中间子块ib1～ib8用于将目标与背景隔离开，使得算法可以不必调整窗口大小，直接使用单尺度计算解决未知尺寸小目标的检测。
7.在dlcm中，取中心子块与周围子块灰度差的最小值作为当前位置的对比度信息d，即
[0008][0009]
d＝min
j d(t,sb
j
),j＝1,2,...,16
ꢀꢀ
(2)
[0010]
式中，m0和m
sbj
分别代表中心子块t和周围子块sb
j
的灰度均值，j＝1～16 为周围子块的序号。注意公式(1)中使用了非负约束，用于消除杂波残留。
[0011]
同时，dlcm还利用中间层(即隔离层)的信息，引入了加权操作，并定义加权函数为：
[0012][0013]
w＝min
i
[d(t,ib
i
)
×
d(t,ib9‑
i
)],i＝1,2,3,4
ꢀꢀ
(4)
[0014]
式中，m0和m
ibi
分别代表中心子块t和中间子块ib
i
的灰度均值，i＝1～8为中间层子块的序号。公式(3)中同样使用了非负约束。
[0015]
于是，当前位置最终的对比度信息将是：
[0016]
dlcm＝w
×
d
ꢀꢀ
(5)
[0017]
使用该窗口对原始图像进行遍历，便可得到每个像素点的dlcm计算结果。作者认为真实目标的dlcm值将最为突出，因此使用阈值分割即可提取出目标。
[0018]
从理论上看，目前，在基于局部对比度机制的红外弱小目标检测算法当中，以比差联合型对比度算法的性能为最佳，并且研究者们还尝试了许多改进手段，但是，目前的改进仍然有一定的不足，包括：
[0019]
一、现有算法所使用的各种窗口通常只关注中心区域与四周邻域背景之间的差异，而对邻域背景本身的特征考虑不足。
[0020]
二、虽然已有部分研究者提出可以使用特征而非灰度进行对比度的求取，但目前人们所选择的特征还比较简单，如方差、梯度等。当背景比较复杂时，这些特征难以准确描述图像的局部信息。
[0021]
三、使用加权函数对原始对比度信息进行加权，是一种提升检测性能的有效手段，但是，目前人们提出的一些加权函数通常计算比较繁琐，导致算法整体结构复杂。
[0022]
本发明针对以上问题，提出了一种采用局部特征对比度的红外弱小目标检测算法。


技术实现要素：

[0023]
为了克服上述现有技术存在的不足，本发明提供了一种采用局部特征对比度的红
外弱小目标检测算法。
[0024]
为了实现上述目的，本发明提供如下技术方案：
[0025]
一种采用局部特征对比度的红外弱小目标检测算法，包括以下步骤：
[0026]
步骤1、获取原始图像，对现有的三层窗口进行扩充，得到由一个内层、八个外层构成的新嵌套窗口，其中内层窗口用于考察当前位置的数据特点，外层窗口用于考察当前位置局部邻域的数据特点；
[0027]
步骤2、采用比差联合的方法分别计算新嵌套窗口的内层和外层的局部对比度，并将所述局部对比度作为内层、外层的特征，在二者之间进行比差联合型对比度的计算，获得特征对比度；
[0028]
步骤3、利用新嵌套窗口的隔离层，设计加权函数，对所述特征对比度进行加权，以进一步抑制复杂背景、突出目标；
[0029]
步骤4、使用阈值操作，提取加权处理后图像中的红外弱小目标。
[0030]
优选地，所述新嵌套窗口一共由9
×
9个子块构成，每个子块都是3
×
3个像素点大小；其中，中间的5
×
5个子块构成内层窗口，由中心子块t、周围子块 sb1～sb
16
和中间子块ib1～ib8组成；
[0031]
在嵌套窗口的外部，分别以l
10
，l
20
，
…
，l
80
为中心，每3
×
3个子块构成一个外层窗口。
[0032]
优选地，所述步骤2具体步骤如下：
[0033]
步骤2.1、内层特征的提取
[0034]
步骤2.1.1、对中心子块进行高斯滤波
[0035]
采用一个与红外弱小目标形状相似的3
×
3二维高斯滤波器模板，对中心子块t进行滤波，提高原始图像的信噪比；
[0036]
在像素点(i,j)处，定义其匹配滤波结果为：
[0037][0038]
式中t为中心子块，p和q均为中间变量，g为滤波模板，ig
in
为匹配滤波后的结果；
[0039]
步骤2.1.2、对周围子块进行最接近滤波
[0040]
内层窗口包括sb1～sb
16
共16个周围子块，与中心子块高斯滤波值最接近的周围子块参与计算：
[0041][0042]
式中，(i,j)为当前像素点坐标，ig
in
表示中心子块的高斯滤波值，m
sbn
表示第n个周围子块的均值，b
in
表示选取的内层窗口最终背景值；
[0043]
步骤2.1.3、采用比差联合求取内层窗口对比度
[0044]
采用比差联合的计算方式，以增强真实目标、抑制复杂背景：
[0045][0046]
式中，rd
in
表示内层窗口的比差联合对比度，ξ是约束因子；
[0047]
步骤2.2、外层特征的提取
[0048]
新嵌套窗口的外层窗口包含l1～l8，对于第n个外层窗口，首先对其中心子块进行高斯滤波：
[0049][0050]
式中l
n0
为第n个外层窗口的中心子块，g为滤波模板，ig
outn
为匹配滤波后的结果；
[0051]
然后，选取与中心子块高斯滤波值最接近的周围子块参与计算；
[0052][0053]
式中，l
ni
为第n个外层窗口的第i个周围子块，m
lni
表示第n个外层窗口第i个周围子块的均值，ig
outn
表示第n个外层窗口中心子块的高斯滤波值，b
outn
表示第n个外层窗口的最终背景值；
[0054]
于是，第n个外层窗口的比差联合对比度为：
[0055][0056]
步骤2.3、特征对比度的计算
[0057]
首先，按照最接近原则，选择8个外层窗口中与内层窗口特征最为接近的值参与运算，即：
[0058][0059]
然后，使用比差联合的方式计算内层窗口与外层窗口之间的特征对比度：
[0060][0061]
优选地，所述步骤3中，只有内层窗口中心子块的最大像素值大于任一中间子块的平均像素值时，方令该位置处的权值w(i,j)＝1，反之令w(i,j)＝0；
[0062]
最终的显著性图sm将是特征对比度与加权函数的乘积：
[0063]
sm(i,j)＝rd(i,j)gw(i,j)
ꢀꢀ
(14)
[0064]
式中，w是加权函数，rd是特征对比度，sm是加权以后的最终结果。
[0065]
优选地，所述步骤4具体步骤如下：
[0066]
首先将sm归一化到0～1范围，然后定义阈值th为：
[0067]
th＝μ k
·
std
ꢀꢀꢀꢀꢀꢀ
(15)
[0068]
式中μ为sm的均值；std为sm的标准差；k为系数；
[0069]
使用th对sm做二值化操作，将大于th的像素点标记为1，小于th的像素点标记为0；对标记结果进行一次膨胀操作，最终每个值为1的连通区域被当作一个检测到的目标区域进行输出。
[0070]
本发明提供的采用局部特征对比度的红外弱小目标检测算法具有以下有益效果：
[0071]
(1)本发明设计了一种新型嵌套窗口，该窗口由一个内层窗口和八个外层窗口组成，其中内层窗口可以考察当前位置的数据特点，外层窗口可以考察当前位置局部邻域自身的数据特点；
[0072]
(2)选取内、外层窗口的局部对比度为特征，再在二者间计算特征对比度，相比一
些直接使用灰度值进行对比度计算的现有算法，该方法在背景比较复杂时可以更好地描述图像的局部信息，使得计算结果更准确；
[0073]
(3)利用隔离层，设计了一种计算简便但十分有效的加权函数，不仅有效提升了最终的检测性能，而且在计算复杂度和检测实时性方面也有一定的优势。
附图说明
[0074]
为了更清楚地说明本发明实施例及其设计方案，下面将对本实施例所需的附图作简单地介绍。下面描述中的附图仅仅是本发明的部分实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0075]
图1为现有dlcm算法使用的三层窗口结构；
[0076]
图2为本发明实施例1的采用局部特征对比度的红外弱小目标检测算法的流程图；
[0077]
图3为本发明算法所设计的嵌套窗口；
[0078]
图4为高斯滤波器模板；
[0079]
图5为不同类型像素点处的计算示意；
[0080]
图6为使用本发明算法对不同序列的检测过程与结果示意图；
[0081]
图7为使用本发明算法对6幅单帧图像的检测过程与结果示意图；
[0082]
图8为不同算法在8个序列中的roc曲线对比结果图；
[0083]
图9为加噪条件下本发明算法在各个序列中的roc曲线对比结果图。
具体实施方式
[0084]
为了使本领域技术人员更好的理解本发明的技术方案并能予以实施，下面结合附图和具体实施例对本发明进行详细说明。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
[0085]
实施例1
[0086]
本发明提供了一种采用局部特征对比度的红外弱小目标检测算法，具体如图2所示，包括以下步骤：
[0087]
步骤1、获取原始图像，为了考察原始图像的邻域背景自身的特征，设计了一种新型嵌套窗口，对现有的三层窗口进行了扩充，在保留单尺度计算优势的同时，可以有效考察邻域背景自身的特点。
[0088]
图3给出了本发明设计的新型嵌套窗口，该窗口一共由9
×
9个子块构成，每个子块都是3
×
3个像素点大小。其中，中间的5
×
5个子块构成内层窗口(见图3右)，该窗口与图1相同，由中心子块t、周围子块sb1～sb
16
和中间子块 ib1～ib8组成。
[0089]
在嵌套窗口的外部，分别以l
10
，l
20
，
…
，l
80
为中心，每3
×
3个子块构成一个外层窗口，以相同颜色标识，例如l
10
，l
11
，l
12
，
…
，l
18
就构成了一个外层窗口l1(见图3左)。注意内层窗口与外层窗口之间存在一定的重叠，例如内层窗口的sb1同时也是外层窗口l1的l
18
。
[0090]
在这个新型嵌套窗口中，由于内层窗口隔离层的存在，算法将可以保持单尺度计算的优势。而外层窗口的作用则是可以考察目标附近背景自身的特点，起到进一步抑制复杂背景的作用。
[0091]
步骤2、为了准确描述图像的局部信息，针对新型嵌套窗口的内层和外层，选取局
部对比度作为内层、外层窗口的特征，以准确描述图像的局部信息，并再在二者之间进行比差联合型对比度的计算(特征对比度)；并且，在对比度计算时，按照最接近滤波的原则选取周围参照，参与计算，避免目标被周围高亮背景淹没。
[0092]
将图3所示的嵌套窗口放置于原始图像上并不断滑动，在每个像素点位置处，分别计算其对比度信息。在计算时，本发明算法采用特征对比度的思想，先分别计算内层、外层窗口的特征，再在二者之间计算对比度。现有算法所选取的特征，如方差、梯度等，都比较简单，难以在复杂背景存在时准确描述图像的局部信息。步骤2具体包括：
[0093]
步骤2.1、内层特征的提取
[0094]
内层窗口的特征即内层窗口的对比度，准确地说应该是中心子块t与周围子块sb1～sb
16
之间的对比度。为了有效应对复杂背景和噪声，本发明在对比度计算前先分别对中心子块进行高斯滤波、对周围子块进行最接近滤波，然后再采用比差联合的方式计算对比度。
[0095]
步骤2.1.1、对中心子块进行高斯滤波
[0096]
根据匹配滤波器(matched filter)理论，当使用滤波法对一个信号进行处理时，若滤波器模板与信号形状一致，则原始信号的信噪比可以得到很好的提升。因此，本发明首先采用一个与红外弱小目标形状相似的3
×
3二维高斯滤波器模板(见图4)，对中心子块t进行滤波，提高原始图像的信噪比。
[0097]
在像素点(i,j)处，定义其匹配滤波结果为
[0098][0099]
式中t为中心子块，g为图4中的滤波模板，ig
in
为匹配滤波后的结果。
[0100]
步骤2.1.2、对周围子块进行最接近滤波
[0101]
内层窗口包括sb1～sb
16
共16个周围子块。在多数对比度算法(包括dlcm) 中，通常选取其中最大的一个作为背景值，参与对比度计算。但是，当目标出现在高亮背景附近时，按照这一原则选取出的背景很容易淹没目标。为了缓解目标被高亮背景淹没的问题，本发明选取与中心子块高斯滤波值最接近的周围子块参与计算：
[0102][0103]
式中，(i,j)为当前像素点坐标，ig
in
表示中心子块的高斯滤波值，m
sbn
表示第n个(共16个)周围子块的均值，b
in
表示选取的内层窗口最终背景值。
[0104]
步骤2.1.3、比差联合求取内层窗口对比度
[0105]
对比度的基本求取方式包括比值型、差值型、比差联合型等，本发明采用比差联合的计算方式，以增强真实目标、抑制复杂背景：
[0106][0107]
式中，rd
in
表示内层窗口的比差联合对比度，ξ是一个较小的约束因子，主要用来防止出现分母为0的情况，在本发明中，对于8bit红外图像而言，取ξ为5。
[0108]
步骤2.2、外层特征的提取
[0109]
本发明所使用的嵌套窗口共包含l1～l8等8个外层窗口。与内层窗口类似，对于第n个(共8个)外层窗口，首先对其中心子块进行高斯滤波
[0110][0111]
式中l
n0
为第n个外层窗口的中心子块，g为图4中的滤波模板，ig
outn
为匹配滤波后的结果。
[0112]
然后，选取与中心子块高斯滤波值最接近的周围子块参与计算
[0113][0114]
式中，l
ni
为第n个外层窗口的第i个周围子块(共8个)，m
lni
表示第n 个外层窗口第i个周围子块的均值，ig
outn
表示第n个外层窗口中心子块的高斯滤波值，b
outn
表示第n个外层窗口的最终背景值。
[0115]
于是，第n个外层窗口的比差联合对比度为
[0116][0117]
步骤2.3、特征对比度的计算
[0118]
在分别计算了内层窗口和外层窗口的特征(对比度)之后，即可在二者之间进行特征对比度的计算了。在本发明算法中，首先，按照最接近原则，选择 8个外层窗口中与内层窗口特征最为接近的值参与运算，即
[0119][0120]
然后，使用比差联合的方式计算内层窗口与外层窗口之间的特征对比度 (“对比度的对比度”)：
[0121][0122]
式中取平方是为了防止出现负值。
[0123]
步骤3、根据真实目标的数据特点，利用新嵌套窗口的隔离层，设计加权函数，对所述特征对比度进行加权，进一步抑制复杂背景、突出目标，提高检测效率。
[0124]
可以看出，在特征对比度的计算过程中，内层窗口的中间子块ib1～ib8并没有被用到，这部分信息被浪费了。考虑到在实际应用中，目标在图像中一般呈现从中心向四周逐渐衰减的特点，可以利用中间子块的信息设计一种简单的加权校验函数，进一步地突出目标、抑制背景杂波：只有内层窗口中心子块的最大像素值大于任一中间子块的平均像素值时，方令该位置处的权值w(i,j)＝1，反之令w(i,j)＝0。
[0125]
最终的显著性图(saliency map,sm)将是特征对比度与加权函数的乘积：
[0126]
sm(i,j)＝rd(i,j)gw(i,j)
ꢀꢀ
(14)
[0127]
步骤4、检测性能分析与阈值操作
[0128]
首先对本算法检测性能进行分析
[0129]
当像素点(i,j)为真实目标中心、纯背景(含高亮背景)区域、随机噪声点、背景边缘等类型时，使用本发明算法的计算结果，如图5所示。
[0130]
1.当(i,j)为真实目标中心时，见图5(a)。假设目标的最大灰度为p，其周围背景区域的灰度为q，由于目标在局部一般比较突出，故一般有p>q，此时：
[0131]
对于内层窗口，其中心子块t的高斯滤波值ig
in
会接近p，每个周围子块 sb
n
的平均值m
sbn
都会接近q，在16个周围子块中选取出的背景值b
in
也会接近q，于是内层窗口的特征值rd
in
会比较大，且一般大于0。
[0132]
对于外层窗口，由于目标一般出现在平坦背景当中，在第n个(共8个) 外层窗口中，中心子块l
n0
的高斯滤波值ig
outn
将接近q，其第i个周围子块l
ni
的平均值m
lni
也会接近q，在8个周围子块中选取出的最终背景值b
outn
还是接近原始值q，于是第n个外层窗口的特征rd
outn
会接近0，最后在8个外层窗口中选取出的最终特征值rd
out
也会接近0。
[0133]
再来考察加权函数，此时只需要研究内层窗口，由于目标一般呈现从中心向四周逐渐衰减的形态，通常中心子块t中的灰度值是最大的，于是此时的加权值将为1。
[0134]
最后，在内、外层窗口之间计算特征对比度并进行加权后，显然得到的sm(i, j)将会比较大，且一般大于0。
[0135]
2.当(i,j)为纯背景时，见图5(b)。假设其周围背景区域的灰度值为q，此时：
[0136]
对于内层窗口，其中心子块t的高斯滤波值ig
in
会接近q，每个周围子块 sb
n
的平均值m
sbn
也会接近q，在16个周围子块中选取出的背景值b
in
仍然接近q，于是内层窗口的特征值rd
in
会接近0。
[0137]
对于外层窗口，与(i,j)为真实目标中心时的外层窗口类似，最后的rd
out
也会接近0。
[0138]
对于加权函数，由于内层窗口的中心子块与各中间子块的灰度相同，此时的加权值将为0。
[0139]
最后，在内、外层窗口之间计算特征对比度并进行加权后，得到的sm(i,j) 将会接近0，并且该结果与q的具体取值无关。
[0140]
3.当(i,j)为随机点噪声时，见图5(c)，假设噪声亮度与目标最大亮度接近，均为p，而其周围背景的灰度值为q，且p>q，此时的分析过程与真实目标类似，可以得到sm(i,j)>0。但是，由于点噪声通常由器件电噪声等随机因素造成，大多表现为单个像素点，而在本发明算法中使用了高斯均值操作，故可以很容易地推出，随机点噪声的计算结果将小于真实目标的结果，不会干扰检测。
[0141]
4.当(i,j)为背景边缘附近时。假设边缘一侧的灰度值为q，另一侧为r，且r>q。在边缘亮侧，见图5(d)，有：
[0142]
对于内层窗口，其中心子块t的高斯滤波值ig
in
会接近r，一些周围子块的平均值会接近q，但与中心子块在同一侧的另一些周围子块的平均值会接近 r，在16个周围子块中选取出的背景值b
in
仍然接近r，于是内层窗口的特征值rd
in
会接近0。
[0143]
对于外层窗口，当某个外层窗口完全位于边缘一侧时，其特征rd
outn
会接近0，与内层窗口特征值最接近，故最后在8个外层窗口中选取出的最终特征值rd
out
也会接近0。
[0144]
对于加权函数，由于内层窗口中有一些中间子块与中心子块的灰度相同，此时的加权值将为0。
[0145]
最后，在内、外层窗口之间计算特征对比度并进行加权后，得到的sm(i,j) 将会接近0。
[0146]
在边缘暗侧(图中未显示)，经简单分析后，可以得到类似的结论，sm(i, j)将仍然接近0。
[0147]
除了上面几种情形外，一种比较特殊的情形是当目标靠近高亮背景(远大于真实目标的亮度)边缘的时候，见图5(e)。假设目标的最大灰度为p，其周围背景区域的灰度为q，边缘另一侧的背景灰度为r，且r>>p>q。此时有：
[0148]
对于内层窗口，其中心子块t的高斯滤波值ig
in
会接近p，一些周围子块的平均值会接近q，另一些周围子块的平均值会接近r，按照最接近原则在16 个周围子块中选取出的背景值b
in
将会接近q，于是内层窗口的特征值rd
in
会比较大，且一般大于0。
[0149]
对于外层窗口，一些外层窗口位于纯背景区域，另一些外层窗口位于边缘附近，根据前面的分析，它们的特征都会接近0，最后的rd
out
也会接近0。
[0150]
对于加权函数，由于目标比周围邻域背景稍亮，此时的加权值将为1。
[0151]
综上，与真实目标位于普通背景区域时类似，此时得到的sm(i,j)将会比较大，且一般大于0。
[0152]
由上述分析可以看出，经由本发明算法处理之后，在sm中，真实目标将会变得比较突出，而复杂背景则能够得到很好的抑制。此时使用一个简单的阈值操作即可提取出目标。在本发明中，首先将sm归一化到0～1范围，然后定义阈值为：
[0153]
th＝μ k
·
std
ꢀꢀꢀꢀꢀꢀ
(15)
[0154]
式中μ为sm的均值；std为sm的标准差；k为一个给定的系数，本发明的实验显示对于单目标检测来说，30～100是一个比较合适的取值范围。
[0155]
使用th对sm做二值化操作，将大于th的像素点标记为1，小于th的像素点标记为0，最终每个值为1的连通区域被当作一个检测到的目标区域进行输出(为了减少杂波的干扰，在输出目标前建议先对标记结果进行一次膨胀操作)。
[0156]
下面通过实验对本实施例公开的算法的检测结果进行说明和验证
[0157]
第一、本实施例的算法在真实序列和单帧图像库里的实际检测效果
[0158]
为了验证本发明算法的有效性，将本发明算法应用于七组不同背景下的红外图像序列和一组仿真序列进行测试(该仿真序列包含一个位于高亮背景附近的小目标，专门用于验证目标在高亮背景附近时的算法检测性能)。此外，为了检验本发明算法在更多实际场景下的性能，本发明还使用了一组单帧图像库进行算法性能测试，该图像库共包含有23幅不同背景下的图像，因篇幅有限，仅以其中六幅图像作为示例。表1和表2分别给出了八组图像序列和六帧单帧图像的详细信息。
[0159]
表1八组红外序列的详细信息
[0160]
[0161]
表2六幅单帧图像的详细信息
[0162][0163]
图6给出了使用本发明算法对各序列进行检测的过程，每个序列给出一帧作为示意。图7给出了使用本发明算法对单帧数据库进行检测的过程，此处给出了六帧图像作为示意。从图6和图7中可以看到：
[0164]
在原始图像中，目标通常亮度弱、尺寸小，不易被发现，且现场中往往存在很多复杂背景，很容易淹没目标；在求取得到的内层窗口特征中，目标变得比较突出，复杂背景得到了一定抑制，但仍有少量残留；在求得的外层窗口特征中，均匀背景处的结果比较平缓，而复杂背景所在的位置有较大起伏；在内层、外层窗口之间计算特征对比度后，目标变得比较突出，而复杂背景得到了较好的抑制；经过加权操作后，复杂背景得到了进一步的抑制，而目标变得非常突出；最后，经过阈值操作后，所有示例中的目标均被成功提取，只有序列 2中在坏点处出现了一处虚警。本发明算法的有效性得到了证明。尤其值得注意的是，对于序列8，当目标位于高亮背景附近时，使用本发明算法仍能有效检测出弱小目标。
[0165]
第二、本实施例的算法与现有算法的检测性能对比
[0166]
为进一步地验证本发明算法的优势，本发明选择了9种现有对比度型算法作为对比算法，包括dog、mpcm、ilcm、nlcm、rlcm、mdtdlms、 wldm、var
‑
diff和dlcm算法。其中，dog和mpcm是灰度差值型对比度算法，ilcm和nlcm是灰度比值型对比度算法，rlcm和mdtdlms是灰度比差联合型对比度算法，wldm是带加权的局部对比度算法，var
‑
diff 是特征对比度算法，dlcm是单尺度对比度算法。
[0167]
表3各对比算法使用的参数值
[0168][0169]
表3给出了各对比算法所使用的参数值，大部分都是原始文献中的推荐值。
[0170]
(1)首先进行scrg与bsf指数对比
[0171]
在本发明中，首先选取了信杂比增益(signal
‑
clutter ratio gain，scrg) 和背景抑制因子(background suppression factor，bsf)作为算法性能的评价标准，它们的定义为：
[0172][0173][0174]
式中，scr
in
和scr
out
分别表示原始图像和计算后图像的信杂比；σ
in
和σ
out
分别表示原始图像和计算后图像的标准差。
[0175]
通过比较各算法间的scrg值和bsf值，可以有效判断算法对真实目标的增强能力和对复杂背景的抑制能力。显然，二者的值越大，说明对应的算法性能越好。
[0176]
表4各图像序列下不同算法的scrg值
[0177][0178]
表5各图像序列下不同算法的bsf值
[0179]
[0180][0181]
表6各幅单帧图像下不同算法的scrg值
[0182][0183]
表7各幅单帧图像下不同算法的bsf值
[0184][0185]
表4和表5给出了各算法在8个序列代表帧中的scrg和bsf，表6和表 7给出了各算法在单帧数据库6个代表帧中的scrg和bsf。从这些表中可以得到：
[0186]
dog是一种差值型算法，对目标的增强能力不强，其scrg普遍比较低，并且bsf值也不高；mpcm与dog情况类似，其bsf甚至还要更差一些；ilcm 是比值型算法，其scrg在多数情况下相比dog和mpcm有一定改善，并且由于ilcm中使用了dog作为预处理算法来事先消除部分背景，其bsf相对较好；nlcm的scrg与ilcm相近，但是bsf值很低；rlcm是比差联合型算法，在理论上应该比ilcm和nlcm的性能要好，但是由于在具体实现过程中没有进行非负约束操作，计算结果中存在较多杂波残留，导致其在scrg 和bsf数值上并没有显著优势；mdtdlms
在设计时考虑更加周全，使用了非负约束操作抑制杂波残留，可以看到它的scrg和bsf相比前面几种算法有了显著提高；wldm使用熵作为对比度的加权，其性能通常比dog、mpcm、ilcm、nlcm等单纯的对比度算法要好，但是由于wldm的对比度仅采用了差值型计算方法，其scrg和bsf有时甚至还比不过不带加权的mdtdlms；var
‑
diff使用中心区域和周围区域的方差作为特征，再对特征求取对比度，其scrg有了显著提升，但是，其bsf值比较差；dlcm作为近年刚提出的一种新算法，在性能方面比现有很多算法都要好，包括scrg和bsf，但是，对于序列8，当目标位于高亮背景附近时，dlcm的scrg为0，表示目标被淹没了；本发明所提算法在多数情况下都可以取得很好的scrg和bsf，表明本发明算法在目标增强和背景抑制方面的能力要优于现有算法。
[0187]
(2)进行roc曲线对比
[0188]
接下来，对于8个红外序列，本发明引入接受机工作性能(receiveroperatingcharacteristic，roc)曲线，进一步地展示了本发明算法的有效性，见图8所示。此外的检测率(truepositiverate，tpr)和虚警率(falsepositiverate，fpr)定义式分别为：
[0189][0190][0191]
当虚警率一定时，检测率越高，说明算法的检测性能越好；同理，当检测率一定时，虚警率越低，说明算法的检测性能越好。在roc曲线中则表现为，曲线越靠左上，说明算法的检测性能越好。从图8中可以看到：
[0192]
dog和mpcm同属灰度差值型算法，其性能在一些序列中并不是很好，例如dog在几乎所有序列中的性能都不佳，mpcm在序列3、4、5、6、7、8中的性能也比较差；ilcm与nlcm同属灰度比值型算法，二者的检测性能在很多序列中也比较接近，但是对于序列1、2、4、8等，二者的性能也并不能令人满意；rlcm、mdtdlms都是比差联合型算法，二者的性能相比前面几种算法通常有不小的提升，但是它们在序列4中的性能比较差；wldm属于加权型对比度算法，但是由于它所采用的对比度定义比较原始，所以其性能在有些序列中并不是很好，例如序列1、2、4、5、6、8等；var
‑
diff属于特征对比度算法，其性能在一些序列中比较好，但是由于它所使用的特征比较简单，当背景比较复杂时，检测性能也不是很好，例如序列2、4、8等；dlcm作为一种最新提出的算法，在多数序列中都能取得良好的检测性能，但是对于序列8，当目标靠近高亮背景时，其性能很差；本发明所提算法在8个序列中的性能比较稳定，都能取得较好的性能，从整体上看，是所有对比算法中性能最佳的。
[0193]
第三、本实施例的算法计算复杂度的分析及与现有算法的对比
[0194]
为简便起见，假设原始红外图像的分辨率是x
×
y，各算法滤波窗口或图像子块的尺度是(2l 1)2。对于多尺度算法，例如mpcm，rlcm，wldm等，s代表它们所使用的尺度数量，l
i
表示第i个尺度的l值，l
s
表示最大的尺度的l值。
[0195]
对于dog，每个像素将消耗(2l 1)2次乘法和(2l 1)2次加法，于是其计算复杂度将是o(l2xy)。
[0196]
对于mpcm，在每个像素位置处，在每个尺度下，求平均值的操作将消耗(2l
i
1)2次加法和一次除法，求8方向差值对比度将消耗8次减法，于是，s个尺度下其总的计算复杂度
将是o(sl
s2
xy)。
[0197]
ilcm和nlcm都是子块级算法，它们首先引入了dog作为预处理，而后续的子块级操作消耗的计算量远小于dog，于是它们的计算复杂度与dog相同，也是o(l2xy)。
[0198]
rlcm需要首先对每个子块中的像素进行排序操作，在每个尺度下，排序将消耗(2l
i
1)2log(2l
i
1)2次计算。后续每个方向的比差联合对比度将消耗1次除法、1次乘法和1次减法，8个方向共需要消耗24次计算。于是，s个尺度下其最终计算复杂度将是o[sl
s2
log(l
s2
)xy]，mdtdlms的算法复杂度为 o(l2xy)。
[0199]
在wldm中，在每个尺度下，每个像素点的平均操作将消耗(2l
i
1)2次加法。另外，熵的求取需要对一个子块进行排序，在每个尺度下将消耗 (2l
i
1)2log(2l
i
1)2次计算。因此，s个尺度下其最终计算复杂度将是 o[sl
s2
log(l
s2
)xy]。
[0200]
在var
‑
diff中，对内层子块来说，计算其均值需要(2l 1)2次加法，计算其方差需要(2l 1)2次减法、(2l 1)2次乘法和(2l 1)2次加法。外层窗口类似，于是其计算复杂度将是o(l2xy)。
[0201]
在dlcm中，计算中心子块的均值将消耗(2l 1)2次加法，计算16个周围子块的均值将消耗16(2l 1)2次加法，中心子块与周围子块的对比度将消耗16 次减法和16次比较。加权函数的计算需要用到8个中间子块的均值及两两差值的乘积，分别需要消耗8(2l 1)2次加法和8次减法、4次乘法。于是其计算复杂度将是o(l2xy)。
[0202]
本发明算法的计算可以被划分为四个模块：内层窗口的特征计算，外层窗口的特征计算，内、外层窗口之间特征对比度的计算，以及加权函数的应用。
[0203]
首先，在内层窗口特征计算中，中心子块的高斯滤波将消耗(2l 1)2次加法， 16个周围子块的均值将消耗16(2l 1)2次加法，最佳参照的选取将消耗16次比较，二者之间比差联合对比度消耗1次除法、1次乘法和1次减法，共17(2l 1)
2 19次计算。
[0204]
然后，在一个外层窗口的特征计算中，中心子块的高斯滤波将消耗(2l 1)2次加法，8个周围子块的均值将消耗8(2l 1)2次加法，最佳参照的选取将消耗8 次比较，二者之间比差联合对比度消耗1次除法、1次乘法和1次减法，9(2l 1)
2 11次计算。于是8个外层窗口共需要72(2l 1)2 88次计算。
[0205]
接下来，在内外层窗口之间的比差联合对比度计算中，先要在8个外层窗口之中选出最佳结果，需要做8次比较，然后再通过1次除法、1次乘法和1 次减法计算比差联合对比度。以上共11次计算。
[0206]
最后，在加权函数的应用上，首先需要计算内层窗口8个中间子块各自的均值，共需要8(2l 1)2次加法，然后再将中心子块与8个中间子块进行比较，共需要8次比较。以上共需要8(2l 1)2 1次计算。
[0207]
综上，针对一个像素点，使用本发明算法共需要17(2l 1)2 19 72(2l 1)
2 88 11 8(2l 1)2 1＝97(2l 1)2 119次计算。于是本发明算法的计算复杂度将是o(l2xy)。
[0208]
表8不同算法的计算复杂度对比
[0209][0210]
表9不同算法在各序列中的平均耗时对比
[0211][0212]
表8给出了各算法的计算复杂度对比。需要说明的是，本发明算法与dlcm 类似，采用的是单尺度计算窗口，从这个角度上来看，本发明算法的实际计算量一般应小于mpcm，rlcm等多尺度算法。
[0213]
表9给出了对于8个序列，使用不同算法处理一帧图像所需要的平均消耗时间。从表中可以看出，dog，ilcm，nlcm等是平均耗时较少的几个算法，但结合5.2.1和5.2.2中的内容，可以得知它们的性能并不是很好。本发明算法在有效提高检测性能的同时，其耗时也是可以接受的。
[0214]
需要说明的是，此处使用的是pc平台、串行处理架构。实际上，本发明算法具有较好的并行处理潜力，在实际工程应用中，可以使用一些并行处理平台对算法进行实现，以进一步提升算法实时性。例如，在本发明算法中，内层窗口与外层窗口是可以并行处理的，中心子块与周围子块也是可以并行处理的，等等。
[0215]
第四、本实施例的算法的抗噪性能分析
[0216]
噪声是干扰图像质量、降低目标检测率的一个重要因素。为了测试本发明算法对噪声的抵抗能力，使用8个序列，分别对它们添加不同方差的0均值高斯白噪声，然后再测试在加噪条件下的算法性能，以roc显示，见图9。从图中可以看到，当序列中添加噪声以后，算法的检测性能基本稳定，或仅略有下降，这证明本发明算法具有较好的抗噪能力。
[0217]
本发明针对红外弱小目标检测难题，首先提出了一种新型嵌套窗口，一方面保留了可以通过单尺度计算检测不同尺度小目标的优势，另一方面也可以充分考察邻域背景自身的特征。
[0218]
其次，为了准确描述图像的局部信息，先选取局部对比度作为内层、外层窗口的特征，再在二者之间计算特征对比度，并且采用了最接近原则来选取对比度计算时的参照，以避免目标靠近高亮背景时被淹没。
[0219]
最后，根据真实目标的数据特点，利用嵌套窗口的隔离层，提出一种计算简单且十分有效的加权函数，以提高检测效率。
[0220]
通过在若干真实和仿真序列与图像中进行实验表明，相比现有算法，本发明提供的算法能够取得更好的目标增强和背景抑制效果，在检测率和虚警率方面具有较明显的优势，且平均处理一帧图像仅需要亚秒量级的时间。
[0221]
以上所述实施例仅为本发明较佳的具体实施方式，本发明的保护范围不限于此，任何熟悉本领域的技术人员在本发明披露的技术范围内，可显而易见地得到的技术方案的简单变化或等效替换，均属于本发明的保护范围。