一种改进的各向异性SUSAN红外弱小目标检测方法
史晓刚+白晓东+李丽娟+韩宇萌
摘要：运用各向异性SUSAN滤波进行红外弱小目标检测时，考虑到仅依靠4个像素点所确定的边缘方向往往与实际边缘方向存在较大误差，导致滤波后的图像依然保留着较多的背景杂波而不利于弱小目标的检测，因此提出一种边缘方向优化方法，结合坐标变换尽可能多地利用局部图像的像素点来参与边缘方向的估值，并运用高斯-拉普拉斯算子自适应地选择最优化的边缘方向角，使其更贴近于实际边缘；然后将局部图像与中心像素的灰度差均值确定为各向异性SUSAN滤波算子的阈值。实验表明：本文算法具有更好的背景抑制能力，突出目标，较好地提升了红外目标信噪比增益，并有效避免虚假目标的产生，提高了单帧红外弱小目标的检测能力。
关键词：弱小目标检测；各向异性SUSAN滤波器；边缘方向优化；阈值；自适应
中图分类号：TP391文献标识码：A文章编号：1673-5048（2014）04-0036-04
0引言
复杂背景下红外弱小目标的检测和跟踪是红外成像制导的关键技术，由于红外传感器本身噪声、红外背景干扰、以及目标具有远距离、低信噪比等特点给红外弱小目标检测带来很大的困难[1-3]。为提高系统对强杂波背景中红外弱小目标的检测能力，在目标检测之前，必须对图像进行背景抑制以提高信噪比。常用的背景抑制方法有高通滤波、侧抑制滤波、SUSAN滤波等[4-6]；SUSAN滤波算法是利用SUSAN算子对边缘和角点敏感，而对噪声不敏感的优势，对红外背景进行重新建模，并与原始红外图像作差，得到包含有红外弱小目标的残差图像，已取得较好的背景抑制效果[5-7]。本文在各向异性SUSAN滤波算子的基础上，考虑到仅依靠4个像素点所确定的边缘方向往往与实际边缘方向存在较大误差，导致滤波后的图像依然保留着较多的背景杂波，因此本文对其进行优化，使其更贴近于实际边缘，将局部图像与中心像素的灰度差均值确定为SUSAN滤波算子的阈值，以利于红外背景精确地重建，减少残差图像中的背景杂波，较好提升红外目标的信噪比及其增益。
2边缘方向的优化
前人大多只利用局部图像的4个像素点，通过梯度估计法得到梯度方向角θ⊥，进而粗略地完成边缘方向角的估值[4-8]，但这种估值往往存在较大误差导致残差图像中依然保留着很多的红外背景，本文对其进行优化，结合坐标变换尽可能多地利用局部图像的像素点来参与估计，并引入高斯-拉普拉斯算子对局部图像进行滤波，遵循估计的边缘角度越接近实际边缘角度，滤波的灰度值就越大的原则[9]，自适应地选择最优的边缘方向估计值。本文在滤波及最优边缘方向选取时都将采用7×7的模板，并考虑到实时性要求，将在9个可能的边缘方向角中选取最优的。
3目标检测算法流程
本文算法流程包括：图像预处理、红外背景建模、原始图像与背景图像作差、对残差图像进行分割以提取小目标。通过局部图像信息确定SUSAN滤波器的长轴、短轴、阈值，并运用高斯-拉普拉斯算子自适应地选择最优的边缘方向，然后与图像进行卷积得到背景建模图像，作差得到含有红外弱小目标的残差图像，并运用对比度分割算法得到目标的大小与位置，如图2所示。
4实验结果及分析
由图可知，尽管高通滤波在算法实现上最简单，但经过处理后的图像依然有大量的背景杂波，部分杂波灰度较高；各向异性SUSAN滤波相对于高通滤波有较好的背景抑制能力，但由于梯度估计法所确定的边缘方向误差较大，使部分背景、尤其是云层边缘并未得到较好抑制；本文算法对其进行改进，通过设置新的阈值以及对边缘方向进行优化，促使红外背景被更加精确地重建，使残差图像中保留着更少的背景杂波，云层边缘得到很好的抑制，体现出更好的背景抑制能力，同样本文算法还有效地避免了虚假目标的产生，如图5（c）所示，红外图像经过滤波后，在目标左侧竟然同时出现两个灰度高于目标的噪声点，图5（d）却没有，因此本文算法更能有效降低虚警率。
图6给出了红外图像3经过三种不同的滤波算法后基于对比度的分割图像，图6（b）、（c）中目标周围的高频噪声点都可能会被误认为是目标，本文的算法则能很好地检测出目标。为了能定量地说明本文算法的有效性，本文将采用图像信噪比、信噪比增益、背景抑制因子对三种检测算法进行评价，它们都反映弱小目标在检测前后的改善情况，
由表1可知：本文算法有效地提高红外目标信噪比及其增益，具有更好的背景抑制能力，其性能明显优于前两种算法，具有更好的单帧红外弱小目标的检测能力。
5结论
本文在运用各向异性SUSAN滤波对红外目标检测时，红外建模过程中边缘方向误差较大，会导致残差图像中仍保留较多背景杂波存在，因此，提出对其改进，尽可能多地利用局部图像的像素点来参与边缘估计，运用高斯-拉普拉斯算子自适应地选择最优的边缘方向估计值，并将局部图像与中心像素的灰度差均值确定为SUSAN滤波算子的阈值。实验表明：本文方法有利于红外背景更加精确地重建，使得滤波后的图像保留更少的背景杂波，较好提高了红外目标的信噪比增益，突出目标，并能有效的避免虚假目标产生，为红外图像处理的后续工作打下较好的基础。
摘要：运用各向异性SUSAN滤波进行红外弱小目标检测时，考虑到仅依靠4个像素点所确定的边缘方向往往与实际边缘方向存在较大误差，导致滤波后的图像依然保留着较多的背景杂波而不利于弱小目标的检测，因此提出一种边缘方向优化方法，结合坐标变换尽可能多地利用局部图像的像素点来参与边缘方向的估值，并运用高斯-拉普拉斯算子自适应地选择最优化的边缘方向角，使其更贴近于实际边缘；然后将局部图像与中心像素的灰度差均值确定为各向异性SUSAN滤波算子的阈值。实验表明：本文算法具有更好的背景抑制能力，突出目标，较好地提升了红外目标信噪比增益，并有效避免虚假目标的产生，提高了单帧红外弱小目标的检测能力。
关键词：弱小目标检测；各向异性SUSAN滤波器；边缘方向优化；阈值；自适应
中图分类号：TP391文献标识码：A文章编号：1673-5048（2014）04-0036-04
0引言
复杂背景下红外弱小目标的检测和跟踪是红外成像制导的关键技术，由于红外传感器本身噪声、红外背景干扰、以及目标具有远距离、低信噪比等特点给红外弱小目标检测带来很大的困难[1-3]。为提高系统对强杂波背景中红外弱小目标的检测能力，在目标检测之前，必须对图像进行背景抑制以提高信噪比。常用的背景抑制方法有高通滤波、侧抑制滤波、SUSAN滤波等[4-6]；SUSAN滤波算法是利用SUSAN算子对边缘和角点敏感，而对噪声不敏感的优势，对红外背景进行重新建模，并与原始红外图像作差，得到包含有红外弱小目标的残差图像，已取得较好的背景抑制效果[5-7]。本文在各向异性SUSAN滤波算子的基础上，考虑到仅依靠4个像素点所确定的边缘方向往往与实际边缘方向存在较大误差，导致滤波后的图像依然保留着较多的背景杂波，因此本文对其进行优化，使其更贴近于实际边缘，将局部图像与中心像素的灰度差均值确定为SUSAN滤波算子的阈值，以利于红外背景精确地重建，减少残差图像中的背景杂波，较好提升红外目标的信噪比及其增益。
2边缘方向的优化
前人大多只利用局部图像的4个像素点，通过梯度估计法得到梯度方向角θ⊥，进而粗略地完成边缘方向角的估值[4-8]，但这种估值往往存在较大误差导致残差图像中依然保留着很多的红外背景，本文对其进行优化，结合坐标变换尽可能多地利用局部图像的像素点来参与估计，并引入高斯-拉普拉斯算子对局部图像进行滤波，遵循估计的边缘角度越接近实际边缘角度，滤波的灰度值就越大的原则[9]，自适应地选择最优的边缘方向估计值。本文在滤波及最优边缘方向选取时都将采用7×7的模板，并考虑到实时性要求，将在9个可能的边缘方向角中选取最优的。
3目标检测算法流程
本文算法流程包括：图像预处理、红外背景建模、原始图像与背景图像作差、对残差图像进行分割以提取小目标。通过局部图像信息确定SUSAN滤波器的长轴、短轴、阈值，并运用高斯-拉普拉斯算子自适应地选择最优的边缘方向，然后与图像进行卷积得到背景建模图像，作差得到含有红外弱小目标的残差图像，并运用对比度分割算法得到目标的大小与位置，如图2所示。
4实验结果及分析
由图可知，尽管高通滤波在算法实现上最简单，但经过处理后的图像依然有大量的背景杂波，部分杂波灰度较高；各向异性SUSAN滤波相对于高通滤波有较好的背景抑制能力，但由于梯度估计法所确定的边缘方向误差较大，使部分背景、尤其是云层边缘并未得到较好抑制；本文算法对其进行改进，通过设置新的阈值以及对边缘方向进行优化，促使红外背景被更加精确地重建，使残差图像中保留着更少的背景杂波，云层边缘得到很好的抑制，体现出更好的背景抑制能力，同样本文算法还有效地避免了虚假目标的产生，如图5（c）所示，红外图像经过滤波后，在目标左侧竟然同时出现两个灰度高于目标的噪声点，图5（d）却没有，因此本文算法更能有效降低虚警率。
图6给出了红外图像3经过三种不同的滤波算法后基于对比度的分割图像，图6（b）、（c）中目标周围的高频噪声点都可能会被误认为是目标，本文的算法则能很好地检测出目标。为了能定量地说明本文算法的有效性，本文将采用图像信噪比、信噪比增益、背景抑制因子对三种检测算法进行评价，它们都反映弱小目标在检测前后的改善情况，
由表1可知：本文算法有效地提高红外目标信噪比及其增益，具有更好的背景抑制能力，其性能明显优于前两种算法，具有更好的单帧红外弱小目标的检测能力。
5结论
本文在运用各向异性SUSAN滤波对红外目标检测时，红外建模过程中边缘方向误差较大，会导致残差图像中仍保留较多背景杂波存在，因此，提出对其改进，尽可能多地利用局部图像的像素点来参与边缘估计，运用高斯-拉普拉斯算子自适应地选择最优的边缘方向估计值，并将局部图像与中心像素的灰度差均值确定为SUSAN滤波算子的阈值。实验表明：本文方法有利于红外背景更加精确地重建，使得滤波后的图像保留更少的背景杂波，较好提高了红外目标的信噪比增益，突出目标，并能有效的避免虚假目标产生，为红外图像处理的后续工作打下较好的基础。
摘要：运用各向异性SUSAN滤波进行红外弱小目标检测时，考虑到仅依靠4个像素点所确定的边缘方向往往与实际边缘方向存在较大误差，导致滤波后的图像依然保留着较多的背景杂波而不利于弱小目标的检测，因此提出一种边缘方向优化方法，结合坐标变换尽可能多地利用局部图像的像素点来参与边缘方向的估值，并运用高斯-拉普拉斯算子自适应地选择最优化的边缘方向角，使其更贴近于实际边缘；然后将局部图像与中心像素的灰度差均值确定为各向异性SUSAN滤波算子的阈值。实验表明：本文算法具有更好的背景抑制能力，突出目标，较好地提升了红外目标信噪比增益，并有效避免虚假目标的产生，提高了单帧红外弱小目标的检测能力。
关键词：弱小目标检测；各向异性SUSAN滤波器；边缘方向优化；阈值；自适应
中图分类号：TP391文献标识码：A文章编号：1673-5048（2014）04-0036-04
0引言
复杂背景下红外弱小目标的检测和跟踪是红外成像制导的关键技术，由于红外传感器本身噪声、红外背景干扰、以及目标具有远距离、低信噪比等特点给红外弱小目标检测带来很大的困难[1-3]。为提高系统对强杂波背景中红外弱小目标的检测能力，在目标检测之前，必须对图像进行背景抑制以提高信噪比。常用的背景抑制方法有高通滤波、侧抑制滤波、SUSAN滤波等[4-6]；SUSAN滤波算法是利用SUSAN算子对边缘和角点敏感，而对噪声不敏感的优势，对红外背景进行重新建模，并与原始红外图像作差，得到包含有红外弱小目标的残差图像，已取得较好的背景抑制效果[5-7]。本文在各向异性SUSAN滤波算子的基础上，考虑到仅依靠4个像素点所确定的边缘方向往往与实际边缘方向存在较大误差，导致滤波后的图像依然保留着较多的背景杂波，因此本文对其进行优化，使其更贴近于实际边缘，将局部图像与中心像素的灰度差均值确定为SUSAN滤波算子的阈值，以利于红外背景精确地重建，减少残差图像中的背景杂波，较好提升红外目标的信噪比及其增益。
2边缘方向的优化
前人大多只利用局部图像的4个像素点，通过梯度估计法得到梯度方向角θ⊥，进而粗略地完成边缘方向角的估值[4-8]，但这种估值往往存在较大误差导致残差图像中依然保留着很多的红外背景，本文对其进行优化，结合坐标变换尽可能多地利用局部图像的像素点来参与估计，并引入高斯-拉普拉斯算子对局部图像进行滤波，遵循估计的边缘角度越接近实际边缘角度，滤波的灰度值就越大的原则[9]，自适应地选择最优的边缘方向估计值。本文在滤波及最优边缘方向选取时都将采用7×7的模板，并考虑到实时性要求，将在9个可能的边缘方向角中选取最优的。
3目标检测算法流程
本文算法流程包括：图像预处理、红外背景建模、原始图像与背景图像作差、对残差图像进行分割以提取小目标。通过局部图像信息确定SUSAN滤波器的长轴、短轴、阈值，并运用高斯-拉普拉斯算子自适应地选择最优的边缘方向，然后与图像进行卷积得到背景建模图像，作差得到含有红外弱小目标的残差图像，并运用对比度分割算法得到目标的大小与位置，如图2所示。
4实验结果及分析
由图可知，尽管高通滤波在算法实现上最简单，但经过处理后的图像依然有大量的背景杂波，部分杂波灰度较高；各向异性SUSAN滤波相对于高通滤波有较好的背景抑制能力，但由于梯度估计法所确定的边缘方向误差较大，使部分背景、尤其是云层边缘并未得到较好抑制；本文算法对其进行改进，通过设置新的阈值以及对边缘方向进行优化，促使红外背景被更加精确地重建，使残差图像中保留着更少的背景杂波，云层边缘得到很好的抑制，体现出更好的背景抑制能力，同样本文算法还有效地避免了虚假目标的产生，如图5（c）所示，红外图像经过滤波后，在目标左侧竟然同时出现两个灰度高于目标的噪声点，图5（d）却没有，因此本文算法更能有效降低虚警率。
图6给出了红外图像3经过三种不同的滤波算法后基于对比度的分割图像，图6（b）、（c）中目标周围的高频噪声点都可能会被误认为是目标，本文的算法则能很好地检测出目标。为了能定量地说明本文算法的有效性，本文将采用图像信噪比、信噪比增益、背景抑制因子对三种检测算法进行评价，它们都反映弱小目标在检测前后的改善情况，
由表1可知：本文算法有效地提高红外目标信噪比及其增益，具有更好的背景抑制能力，其性能明显优于前两种算法，具有更好的单帧红外弱小目标的检测能力。
5结论
本文在运用各向异性SUSAN滤波对红外目标检测时，红外建模过程中边缘方向误差较大，会导致残差图像中仍保留较多背景杂波存在，因此，提出对其改进，尽可能多地利用局部图像的像素点来参与边缘估计，运用高斯-拉普拉斯算子自适应地选择最优的边缘方向估计值，并将局部图像与中心像素的灰度差均值确定为SUSAN滤波算子的阈值。实验表明：本文方法有利于红外背景更加精确地重建，使得滤波后的图像保留更少的背景杂波，较好提高了红外目标的信噪比增益，突出目标，并能有效的避免虚假目标产生，为红外图像处理的后续工作打下较好的基础。
