樊宇亮，王 钢，张佳岩

(哈尔滨工业大学 通信技术研究所，黑龙江 哈尔滨 150001)

0 引言

20世纪80年代以来，红外热成像技术快速发展，红外目标探测技术也随之得到了快速发展，得益于红外图像可以接收物体的红外辐射进而被动成像，能够在一定条件下无视天气及烟雾等恶劣天气的影响，具有巨大的优势，由于其被动成像的隐身效果和较强的抗环境影响等因素，使得红外图像在各个领域被广泛使用，并使红外图像的处理分析成为新兴的研究热点。

因为红外成像技术具有隐蔽性好、分辨率较高和灵敏度较高的优点，现已是无人机侦察和精确制导领域的核心技术。海上红外图像舰船目标识别技术首先对海上舰船进行红外探测并成像，利用数字图像处理技术对图像进行处理，从复杂的外界背景中对可能为舰船目标的区域完成检测，并识别出是否为真实舰船目标。但是由于红外探测器本身存在性能限制和内部噪声影响，再加上处于海上恶劣环境中，生成的图像存在信噪比低、对比度低的现象。同时红外成像设备多处于运动状态，而舰船目标也多处于非静止状态，所以红外舰船图像又具有边缘模糊、细节信息不清晰的问题。在实际场景中，探测器设备距离舰船目标较远，造成目标成像面积比较小的局面，此时进行弱小目标和背景分离难度较大，难以实现实时有效的目标检测[1]。

目标检测作为目标识别研究中的先前内容，具有关键的作用。该技术的主要思想是通过对像素处理或像素域变换处理来提取出可能为目标的区域，即感兴趣的区域，并完成目标分割。完善的目标检测可以提取出较好的候选目标区域，直接为目标特征提取降低了工作量，所以目标检测一直以来是研究工作者的重点研究内容。

近年来，对红外舰船目标传统识别方法也不断改进。文献[2]提出一种基于显著性检测和Hu不变矩特征的红外舰船目标检测方法，但是采用Hu特征的7个维度，提高了算法计算量；Zhang等人[3]为了解决传统直方图出现局部过度增强、噪声放大问题，提出了一种利用利用局部熵映射直方图自适应分割的红外图像增强方法，利用LOESS算法和局部最小值检验将局部熵映射直方图自适应地分割成多个子直方图；文献[4]将图像转换到频域，利用背景高频分量和目标低频分量分割图像可抑制弱小目标的复杂背景区域，但是采用滤波器组太多，算法比较复杂。文献[5]采用HOG特征提取加Adaboost分类算法，提高了识别率，但是用了部分学习网络。文献[1]基于离散余弦(DCT)背景建模实现海水背景抑制，提高了识别率，但是对复杂背景还存在局限性。文献[6]提出了一种有效红外舰船目标分割方法，主要分为迭代图像分割和舰船目标选择，主要是针对图像像素值的分布，设计了一种全局背景减除滤波器，可以在一定程度上滤除背景，但由于迭代次数多算法耗时长。

显著性检测一直以来是也是研究热门。文献[7]针对低精度检测问题，提出了一种视觉显著性遥感船只检测方法，先采用Scharr边缘检测算子提取轮廓，后用FT显著性模型得到最终结果，在复杂背景图像中精确度上有了提升。文献[8]提出提取显著性区域和精确分割目标结合的方法，先利用图论的视觉显著性(Graph Based Visual Saliency,GBVS)模型计算显著图，再结合舰船先验信息，利用多级阈值分割提取显著区域，最后用模糊C均值进行分割，算法准确率高，位置更精确。文献[9]提出的改进ITTI视觉显著性算法，特征图集新增了全局对比度和局部方差，算法在准确率上提升，复杂度上也提升了。文献[10]提出一种能快速集中注意力检测感兴趣区域的算法，针对运动目标，在ITTI模型中加入了运动特征，取得较好效果。文献[11]采用基于小波多尺度变换方法生成小波金字塔，而且将颜色空间变换，每个通道的特征图合成时采用不同权值。总的来说，针对红外舰船目标识别方法非常之多，但是由于红外图像本身只有灰度信息、图像信噪比较低、受温度影响大和图像模糊，所以研究出复杂背景、抑制噪声能力强、识别率高和识别速度快的红外目标识别算法仍然是任重道远。

还有一些其他的红外舰船检测算法，文献[12]提出一种基于贝叶斯理论和SVM相结合的红外舰船目标检测算法。贝叶斯理论估计信息不完全的部分未知的概率并进行修正，最终优化决策采用期望值和修正的概率。文献[13]提出一种改进的基于Haar小波的弱小红外舰船检测网络，基于Haar小波分解加强对小目标特征的提取能力，利用Haar正逆变换设计模块代替金字塔网络的上采样层和骨干网下采样层，算法性能提高，但复杂度很大。文献[14]针对最大模糊相关分割计算量大的特点，在分割前采用基于模糊熵的图像增强技术提高对比度，为降低计算量，提出一种迭代策略，但不适用于硬件实现。综上所述，红外目标检测方法众多，但适用于红外舰船目标的检测算法有限，并存在诸多问题。

1 视觉显著性检测算法

图像显著性区域检测一直是图像处理和计算机视觉领域的热门研究重点之一，其主要工作是引导计算机像人眼一样可以快速定位图像中的显著性区域。视觉注意力模型表明人眼可以灵敏快速地对复杂场景做出反应，场景信息在进入视觉系统，进行深入处理之前，会对场景中的信息进行选择性输入大脑深入处理，选择性过程会降低对场景信息处理的复杂性，人眼会迅速聚焦在场景的一个局部显著区域或者某个感兴趣的区域，即注意焦点(Focus of Attention,FOA)，最终生成显著图。

1.1 基于ITTI模型检测算法

基于ITTI模型的算法是一种基于视觉注意力机制的自底向上的显著性目标检测算法，能够快速高效地提取场景中较为显著的区域。该模型通过建立图像高斯金字塔来生成不同尺度的图像层，通过较为宏观的角度来寻找显著区域的所在，而不是通过对图像中像素的特征来寻找显著目标，所以这非常适用于在红外舰船图像这样图像整体较为模糊，缺少边缘和纹理等细节信息的图像场景。ITTI模型关注的是目标主体，通过特征图来不断地突显出显著目标区域，使得图像中的目标和背景进行分离，进而得到舰船目标。模型算法整体较为简单，主要分为构建多尺度高斯金字塔、中央周边差分操作和生成显著图三部分[15]，其基本流程如图1所示。

图1 ITTI模型流程Fig.1 ITTI model flowchart

(1) 构建多尺度金字塔

首先通过对原始红外舰船图像做下采样来构建灰度高斯金字塔，金字塔从底部到顶部，图层的分辨率越来越低，尺寸也越来越小。在对图像进行下采样操作之前首先对图像进行高斯滤波，然后将卷积结果图像的奇数行和列数据保留，偶数行和列像素均去掉，完成图像下采样，生成下一层的金字塔图层。

(2) 中央周边差操作

金字塔不同的图层分辨率不同，最底层是原图，有最高的分辨率，高分辨率可以反映出更多细节信息，越向上分辨率越低，低分辨率更能反映的是图像的背景信息。上层的图层可以看作是对应原图中一块区域的代表，所以某个点和局部区域背景做差分，即金字塔中大尺度和小尺度图像进行差分即可反映出局部区域的反差。对于灰度图像采用亮度和方向两个特征通道，公式如下：

I(c,s)=|I(c)-I(s)|,

c∈(2,3,4),s=s+σ,σ∈(3,4),

(1)

(2)

式中，“-”表示将两图像的尺寸调节到一致后做减法操作，I表示灰度信息特征图集，O表示方向信息特征图集，c、s分别代表中央大尺度和周边小尺度，θ表示方向角度。

(3) 生成显著图

显著性图像通过图像空间内分布的显著性区域来表示目标的显著度。传统方法会直接加权平均特征图集生成显著图，人的注意力会受太多反差较强的区域，进而不集中，检测效果影响较大，所以可采用归一化方法。根据生物的侧抑制机制，靳薇等人[16]提出新的归一化算子N(·)，这样做是为了削弱那些具有强反差区域较多的特征图，突出那些强反差区域较少的特征差异图。

1.2 基于HOU模型检测算法

Barlow等人[17]在有效编码假说中提出：感知系统的信号处理流程和外部信号的统计特性有非常紧密的相关性。感知系统的初级阶段是去掉信号中的冗余信息，人脑可以从容地接收外界环境并适应，主要是神经元可以高效地忽略冗余信息，利用较低的资源使用量来表达更多的有效信息。

在一个图像识别系统模型中，通过计算输入图像的统计相似性可以在很大程度上减少多余的非主要信息，因为信号之间的相似性表示着信息冗余。在红外图像中，图像的log频谱具有非常相似的分布趋势，同时又较好的局部线性特性，所以在不同的log谱中不谈相似部分，只分析有差异的部分。对于log频谱和log频率成图是几乎是一条直线，这样红外图片的log振幅谱和平均log振幅谱做相减就能得到图像的显著性部分，即图像显著图[18]，这个过程基于谱残差，算法流程如图2所示。

图2 HOU模型流程Fig.2 HOU model flowchart

算法整体流程具体计算公式表达如下：

A(f)=|I[L(x)]|，

(3)

P(f)=arg(I[L(x)])，

(4)

(f)=lg(A(f))，

(5)

R(f)=(f)-hn(f)*(f)，

(6)

S(x)=g(x)*I-1[exp(R(f)+P(f))]2，

(7)

式中，A(f)为幅度谱，L(x)为图像像素值，I为二维离散傅里叶变换，P(f)为相位谱，(f)为log幅度谱，R(f)为残余幅度谱，hn(f)为一个n×n的均值滤波的卷积核，*为图像卷积运算。

2 自适应尺度融合算法

2.1 显著图融合

视觉显著度代表了图像特征的显著程度。针对ITTI模型的显著图研究，可以发现在尺寸太小的目标场景中，过度下采样会使得弱小目标随着图像金字塔的下采样而逐渐丢失目标信息。与此同时，如果两个目标离的很近，中央周边差运算中使用的临近插值会弥补目标间的缝隙，降低相邻目标的区分度，所以对于弱小目标ITTI模型效果并不好，但是此模型可显示出目标的主体亮度区域，对于目标的主体定位有显著效果。ITTI模型原来采集亮度、方向和颜色三个特征通道的信息来得到显著图。现在对于红外舰船图像多数是灰度图像的情况，而且经过仿真，方向特征图在实验中影响极小，所以改进算法采用亮度特征来生成显著图，在处理时间和内存占用将降低为原来约1/3的工作量。

同时，HOU模型在速度上占明显优势，但是显著图主要在目标的边缘部分显著，目标主体部分缺失较为严重，主要原因是HOU模型适用于目标很小而且边缘较为明显的场景，在红外图像进行图像预处理，采用形态学滤波后可以在一定程度上增强边缘细节，所以在显著图的生成方面，在基于HOU模型的基础上，融合了亮度特征图来补全HOU模型显著图主体缺失的不足，融合方式如下：

(8)

式中，S(x)是融合后显著图，L(x)是亮度特征显著图，H(x)是HOU模型显著图。

具体实现流程如下，流程图如图3所示。

(1) 计算亮度特征图

将图像的亮度信息作为输入源，对原红外舰船图像做下采样来构建灰度高斯金字塔，然后进行中央周边差操作，对小尺度图像进行线性插值，然后不同图层之间进行对点差分计算得到一组亮度特征图集。然后根据归一化理论进行归一化并将特征图集融合成一张特征图。

(2) 计算HOU显著图

将灰度图像变换到频域，计算log振幅谱并对其进行均值滤波，然后计算得到log残差谱，通过进一步傅里叶逆变换将图像从频率域变换回空间域得到相应的显著图。

(3) 加权融合

根据上文分析，将亮度特征图和HOU显著图进行加权融合，这里权值可以根据倾向进行分配，对二者进行同等对待，取相同的权值，即各取一半进行加权融合，得到改进的显著图。

图3 融合显著图实现流程Fig.3 Fusion saliency map implementation flowchart

2.2 自适应尺度算法

在对单目标检测时，采用ITTI算法生成高斯金字塔时，通过不断对低层图层进行下采样得到，然后去除上一图层的偶数行和列的像素点来实现。小尺度图层的信息来源于大尺度图层，并且随着尺度的变小，图层的细节、目标信息越来越少，反映的背景信息越来越多，因此过度的下采样会导致高图层的目标消失，造成部分的差分操作变得冗余，所以选取合适的金字塔图层可以更好地适应目标检测。对于小目标来说，降低金字塔图层不仅可以提高显著图的质量，还能降低处理时延，所以提出了一种自适应不同大小目标的检测算法。

首先，为了对目标的大小进行定位，先计算了红外舰船图像的灰度直方图。通过直方图统计发现，目标和背景的像素都比较集中，呈现出两个极大值波峰、目标亮度大而像素点较少、背景亮度小而像素点非常多的特点。目标各灰度值像素点数和背景各灰度值像素点数存在较大的差距，通过统计一定数量范围内不同灰度像素点的总数可以估计目标所占图像的比例，从而在一定程度上可以判定目标的大小，进而作为选择高斯金字塔尺度数量的依据。图4为一幅红外舰船图像及其灰度直方图，原图为了视觉清晰，已进行反色，后续图像均进行反色。

(a) 原图

目标大小衡量指标采用SI表示，像素点数量临界设为M，取M=10 000，定义为：

(9)

如果目标数量占到图像总面积的1/4及以上，即可认为该目标为很大的目标，对于占比1/4的目标，采用9尺度金字塔，由于统计中背景灰度值过渡区域会有一部分背景像素计算入SI，所以将SI=0.3的图像对应9尺度金字塔，那么自适应尺度可以表述为：

N=[30×SI],(N≥4),

(10)

式中，N为所求尺度，[ ]表示向上取整，N最低为4，低于4的都将按4进行计算。

根据中央周边差操作，即式(1)中c∈(2,3,4)，σ∈(3,4)，两个参数分别从2，3开始取，改进自适应尺度算法的参数分别从1，3开始取，并且满足s≤N，这也决定了N≥4，具体亮度差分公式如式(11)，通过中央周边差分操作来求取亮度特征值。求取亮度特征图实现流程如图5所示。

(11)

图5 自适应尺度求亮度特征流程图Fig.5 Flowchart of brightness characteristics obtained by adaptive scaling algorithm

3 仿真结果与分析

识别图像采用公开的数据集IRShips，它是一个合成的红外图像数据集，旨在开发训练基于深度学习的算法，图像由CounterSim使用虚拟摄像机在8～14 μm的波段生成，其中背景主要为海杂波、天空和背景其他杂波。该数据集的船上摄像机距离为1 000 m、1 111 m、1 250～10 000 m不等，方位角为0°～359°，摄像机俯仰角在0°、5°、10°。该数据集包含972 000张合成图像，根据需要选取50张图像作为样本集，该样本集参数如表1所示。

表1 图像数据参数Tab.1 Image data parameter

通过对图6的分析发现，对比图6(a)、(c)可以发现，在采用自适应尺度算法后，亮度特征图对目标船体的检测更加精确，图6(a)中存在较大的边缘模糊问题，而在图6(c)中符合目标实际边缘，在改进前后的显著图中也可以看出，改进自适应尺度后，显著图中船体的边缘轮廓更加精确，和实际更加吻合。其主要原因是算法改进之前采用统一的9尺度金字塔，在下采样过程中，随着采样图层尺寸的减小，后续的小尺度图层相似度极高，只能反映出图像低频部分，即背景部分，而背景在小尺度图像中反映出的信息相差很小，造成金字塔采样出现冗余，中央周边差操作重复，而且可能因为其中一个和周围像素点灰度值变化大的像素点而使得特征图变得模糊或目标丢失，这也是改进前图像模糊的原因，可以看出改进后特征图质量明显提高，因为金字塔图层数量合理下降，自适应尺度算法有更好的性能。

(a) 原亮度特征图

从图7(f)、(g)中可以验证改进自适应尺度算法有非常明显的优势，而且面对有高复杂度背景干扰的红外舰船图像。从7图(b)、(c)中看出ITTI模型算法识别区域偏大，是因为ITTI模型中是考虑了方向特征通道，而海面舰船图像中，海浪波纹的方向性很强，会降低显著图的中目标的显著度。从图7(d)、(e)中看出HOU模型识别区域偏小，而且在复杂环境背景下，HOU模型的识别效果有限，并不能突显出目标的显著度。改进算法最符合目标所在定位，而且能比较精确地定位舰船目标的轮廓。

(a) 原图

表2是图7中原图对应不同算法的耗时长，所用平台处理器为Intel(R) Core(TM) i5-6300HQ CPU @ 2.30 GHz，耗时长受处理器影响。

从表2可以看出，ITTI算法耗时非常长，难以在实际应用中达到高速实时识别的目的。HOU模型算法保持了非常好的高速识别效果和低耗时性能。改进算法在性能提升的同时，虽然耗时比HOU模型增加了不到一倍，但也比较低，主要原因是提取了ITTI模型的亮度特征，并通过自适应尺度改进，可以在一定程度上减少金字塔图层数量和下采样次数，减少了算法运算量，最终耗时长在可接受范围内。

表2 图7中原图不同算法耗时长Tab.2 Delay of different algorithms in the original image in fig.7

对公开红外舰船数据集IRShips中所选的50幅图像作为目标检测的样本集进行了测试，样本中都加入了不同程度的背景干扰，有海杂波、海浪、天空、云层等干扰，以海面干扰为主。测试结果如表3所示。

表3中识别率计算来源于识别结果中包含目标中心区域的结果作为正确识别结果，这也验证了视觉显著性模型适用于目标较大的目标检测。实际上，在复杂环境中，ITTI模型识别结果略微偏离目标区域，一般偏大，而HOU模型由于轮廓不连续导致识别率很低，有一部分原因是分割算法还不够好。而改进算法完美克服了上述算法的不足，大大提高了识别率，可以达到94.0%，降低了漏检率。

表3 不同算法检测结果Tab.3 Detection results of different algorithms

4 结束语

根据红外图像灰度不均匀且模糊的情况，重点研究了基于视觉显著性检测的红外图像舰船目标检测算法，详细研究了ITTI模型和HOU模型识别算法对红外目标检测的适用性和其各自的特点。提出了一种融合显著图生成的算法，在HOU模型识别轮廓清晰和识别速度快的基础上加入了ITTI模型的亮度特征，弥补了HOU模型识别出现目标主体部分缺失的问题，提高了识别率，并在一定程度上体现了高速识别的特性。针对亮度特征图生成过程中出现尺度过采样的情况，提出了一种基于直方图的自适应尺度算法，算法通过自适应降低图像金字塔采样尺度的数量来减少小尺度图层的冗余，可以有效地适用于不同大小目标的识别，提高了识别率和精确率。