施元斌，张晓杰，王 兴

（1.中国航天科技集团有限公司红外探测技术研发中心，上海 201109；2.上海航天控制技术研究所，上海 201109）

0 引 言

红外目标检测一直是红外图像处理的一个重要领域，目标检测的核心问题是从图像中找到感兴趣的区域［1-2］。由于多种因素的影响，红外目标一般具有对比度低、信噪比低和缺少形状轮廓等问题，给检测带来了困难。

红外小目标检测算法［3-5］可以分为先检测后跟踪（detect before track，DBT）算法和先跟踪后检测（track before detect，TBD）算法。DBT 算法包括数学形态学方法［6］、统计特征方法［7］和遗传算法［8］等，实时性较好，具有较大的工程应用价值。TBD算法包括管道滤波［9］和高阶相关方法［10］等，能够较好地抑制背景和分离目标，但计算量较大，不利于工程实现。

在一般情况下，红外目标呈现出亮目标（即目标灰度大于目标附近背景灰度）的特点，现有算法也主要针对这一点进行设计。而在某些情况下（如高温背景等），目标的亮度可能低于背景的亮度，呈现出“暗目标”的特点。典型海面杂波背景下，因“暗目标”的辐射强度弱于背景，传统中波红外目标检测算法易将其判定为背景，且高亮的海面杂波背景易带来较大的虚警。为了在更加复杂的战场环境中实现对目标的可靠识别，需要获取更加精细、多样化、丰富的目标信息，这就促使红外成像系统向着多体制成像方向发展。以中波长复合探测为代表的双波段成像探测已成为红外制导领域的重要发展方向［11-12］：美国海基拦截导弹“标准-3”（BLOCK-II）采用长波双波段红外复合导引头；以色列的拉斐尔公司在“怪蛇5”空空导弹上采用了双波段红外成像制导技术，典型海面、云层背景下的目标中波与长波光谱辐射特性差异明显，利用目标、背景、干扰的双波段成像特性差异可有效区分各成像要素，进一步结合不同波段的图像融合算法，可在下视、复杂云层背景及海面杂波背景下提升目标的探测识别能力。

本文针对海面背景下中、长波双波段目标图像，利用长波成像对目标反射不敏感的特点，有效降低海面杂波影响，提高目标图像信噪比，进而增强对暗目标的检测能力。目前，由于暗目标情况较为少见，对于暗目标的检测方法研究较少，本文对此进行研究，提出一种有效的中长波复合红外暗目标检测方法。

1 红外暗目标特性分析

红外目标的梯度具有一定的方向特性，且大多数情况下其梯度是各向同性的，即在各个方向上梯度分布均匀。梯度方向F的定义为

式中：arctan（·）为反正切函数；Gy（k，l）和Gx（k，l）分别表示像素点（k，l）在x和y方向的梯度值，计算方法为

式中：f（k，l）表示图像中像素点（k，l）处的灰度值。

图像中对目标检测干扰最大的两种因素是图像噪声和背景的边缘部分。图1是一幅包含目标的中波天空云图，分别取目标所在位置和背景边缘所在位置，绘制图像灰度值的三维图像，如图2所示。可以看到，目标与背景边缘的明显区别在于目标周围各个方向的梯度分布基本相同，而背景边缘的梯度分布存在明显的方向性。

图1 中波目标图像Fig.1 Images of medium-wave infrared target

图2 目标与背景边缘三维曲线图Fig.2 Three-dimensional graphs of target and background edge

此外，根据红外物理的理论，大部分背景的自发辐射峰值波长更靠近长波红外波段，所以长波红外受到的反射影响应当小于中波红外。如图3 所示，当中波图像中舰船呈现为暗目标时，长波图像中舰船仍旧呈现为亮目标，且基本不存在海杂波的干扰。由此可见，长波图像的检测结果更为重要。

图3 中波与长波暗目标图像Fig.3 Images of medium-wave and long-wave infrared dark target

2 环形梯度检测算法

2.1 多方向梯度算法

红外暗目标的灰度要低于邻域背景的灰度，属于平缓背景中产生的灰度突变，即在目标周围一个合适大小的邻域内，灰度呈现360°梯度快速上升的特性，也就是前文所述的红外目标梯度特性。根据此特性，多方向梯度算法在目标邻域内进行分块梯度统计，如图4所示。

将目标邻域9×9大小的窗口划分为10个区域，如图4所示，其中灰色区域不参与计算。取每个区域的平均灰度作为该区域的灰度值，分别计算中心块和周围8个方向上的8个灰度块的梯度值T。计算方式如下

图4 滑动窗口示意图Fig.4 Schematic diagram of slide window

式中：Gi是第i个区域的平均灰度。

梯度计算完成后，设定阈值R，统计8 个方向中满足阈值条件的方向个数并记为N，通过滑动窗口遍历整张图像，查看每次遍历中N的大小，进而判定窗口中是否有目标。该方法由于对每块区域的6～9 个像素求平均，可以防止噪点像素对计算结果产生较大的影响。

2.2 高斯金字塔分解

前文所述的多方向梯度算法使用了固定大小的滑动窗口对目标进行检测，所以不具有对不同尺寸目标的自适应检测能力。当目标大于5×5大小时，算法对目标就不具有检测能力。为了使多方向梯度算法具有适应不同大小目标的能力，需要构建图像金字塔进行多尺度检测。

图像金字塔是一种分辨率渐变的图像结构。通过对原始图像不断降采样得到一系列不同分辨率的图像，以金字塔的的形式进行排列，最底层是最高分辨率的图像，层级越高，分辨率越低。

图像金字塔的获取一般需要两个步骤：第一步对原始图像进行低通滤波；第二步对平滑之后的图像进行降采样处理。金字塔的第j＋1 层图像Ij＋1由第i层图像Ij生成，通常是对Ij使用高斯核进行卷积，卷积完成后对图像进行隔行隔列采样，生成新的图像Ij＋1，图像Ij＋1的分辨率为Ij的1/4。使用上述方法对输入的原始图像I0进行处理生成I1，之后重复此过程，便构成了图像金字塔。本文对原始图像进行两次处理，最终得到包含3幅图像的图像金字塔，如图5所示。

图5 图像金字塔分解图Fig.5 Image pyramid decomposition view

得到图像金字塔之后，对得到的不同分辨率的图像进行处理，初步提取目标位置。首先使用滑动窗口对原始图像进行遍历，此时能提取到的感兴趣目标最大为5×5。然后对图像I1进行遍历，此时由于图像经过降采样，每1 个像素对应原图像4 个像素，所以等效于将窗口扩大4 倍，能够提取最大10×10 的目标。同样对图像I2，能够提取到的目标最大为20×20。此时，已能满足绝大多数情况的需求，因此，不进一步对图像进行降采样。

当对原始图像建立高斯金字塔尺度空间之后，进行逐层模板遍历，将提取到的目标点坐标按照降采样时的尺度关系，映射到原图，完成目标区域的初步提取。

2.3 各向异性扩散

各向异性扩散滤波算法是由Perona 和Malik 提出的一种基于偏微分方程的图像处理方法［13］。其基本原理是根据图像像素与周围像素之间的梯度值，控制该像素点向周围像素扩散的程度。在梯度较小的位置，扩散增强，对噪声点予以滤除；在梯度较大的位置，扩散减弱或者停止，对图像的边缘或者细节进行保留。各向异性扩散滤波的公式为

式中：div 表示散度算子；∇表示梯度算子，c（||∇I||）为扩散方程；t为引入的时间算子；u（·）表示待处理的图像。扩散方程c（||∇I||）为||∇||的非负递减函数。Perona 和Malik 提出了两种形式的函数c（||∇I||）表达式，分别为

式中：k表示扩散常数。

2.4 双波段检测结果融合算法

在双波段红外目标检测中，对于任意1 个潜在的目标T，都应该在1个中波探测器和1个长波探测器中成像，这里记为Ts（s＝1，2）。对于每个波段的图像，算法都会给出一个检测判决结果，即

式中：e（Ts）＝j表示在第s个传感器中将目标T判为目标或者背景。

在多波段检测结果融合中，投票准则是一种较为实用的方法，就是要利用多个探测器的判决结果给出最终的判决。由于同一目标在不同波段探测器中的表现是不同的，不同传感器对同一目标会做出完全不同的判决，此时，会出现漏判或者拒判的问题。因此，将某一波段的判决结果定义为

式中：w表示不同探测器对目标判决的贡献或者表示其对目标判决的影响。那么，相应的投票准则为

式中：α为设定阈值。当最后各波段的加权求和结果大于阈值时，认为该位置存在目标。

将这种融合方法应用于多波段暗目标检测时，最重要的是如何调整w的值。在目标成像结果为亮目标时，中波的成像结果具有清晰度的优势，因此中波的权值应当更大。而当目标转变为暗目标时，根据前文的分析结果，长波的检测结果更为可靠。因此，本报告设计了一种权值转换方法如下：

1）首先对于长波图像的检测结果，获取目标的面积（成像像素数量）m；

3）计算所取区域中灰度值高于中心像素灰度值的像素数量p，如果，则认为目标转变为暗目标，调整权值w。

算法整体流程如图6所示。

图6 算法整体流程Fig.6 Overall flowchart of algorithm

3 算法仿真实验结果

首先对多方向梯度算法进行仿真，仿真结果如图7所示。

图7 多方向梯度算法仿真结果Fig.7 Simulation results of multidirectional gradient algorithm

从仿真结果中可以看出，直接使用多方向梯度算法的效果并不理想，主要原因是背景过于复杂，海面起伏不平，导致海面对阳光的反射形成了许多与目标相似的区域。因此，需要使用各向异性扩散进行进一步处理，图8 所示为各向异性扩散进一步处理的结果。

由图8可见，经过各向异性扩散算法处理后，背景边缘产生的虚警进一步下降。

图8 各向异性扩散处理结果Fig.8 Processing results of anisotropic diffusion

为对比各种算法的检测效果，同样使用中值滤波算法和顶帽变换算法进行处理，图9 和图10 分别是中值滤波算法和顶帽变换算法的检测结果。

图9 中值滤波算法仿真结果Fig.9 Simulation results of median filtering algorithm

图10 顶帽变换算法仿真结果Fig.10 Simulation results of top cap transformation algorithm

从检测结果可以看出，顶帽变换算法和中值滤波算法对暗目标都没有检测能力。

而对于长波图像，同样使用本文所提出的算法进行检测，最终双波段检测结果如图11所示。

图11 双波段最终检测结果Fig.11 Final detection results of dual band image

4 结束语

本文通过对红外暗目标的特性分析，提出了一种基于多方向梯度和各向异性扩散的暗目标检测算法，并使用此算法和另外两种算法进行对比仿真实验。结果显示，本文所提算法明显优于对比算法。然后依据长波图像受到背景反射影响较少的特点，提出了双波段检测结果融合的方法，实现了对中波红外暗目标的有效检测。