史曉剛+白曉東+李麗娟+韓宇萌

摘要：運用各向異性SUSAN濾波進行紅外弱小目標檢測時，考慮到僅依靠4個像素點所確定的邊緣方向往往與實際邊緣方向存在較大誤差，導致濾波后的圖像依然保留著較多的背景雜波而不利于弱小目標的檢測，因此提出一種邊緣方向優(yōu)化方法，結(jié)合坐標變換盡可能多地利用局部圖像的像素點來參與邊緣方向的估值，并運用高斯-拉普拉斯算子自適應地選擇最優(yōu)化的邊緣方向角，使其更貼近于實際邊緣；然后將局部圖像與中心像素的灰度差均值確定為各向異性SUSAN濾波算子的閾值。實驗表明：本文算法具有更好的背景抑制能力，突出目標，較好地提升了紅外目標信噪比增益，并有效避免虛假目標的產(chǎn)生，提高了單幀紅外弱小目標的檢測能力。

關(guān)鍵詞：弱小目標檢測；各向異性SUSAN濾波器；邊緣方向優(yōu)化；閾值；自適應

中圖分類號：TP391文獻標識碼：A文章編號：1673-5048（2014）04-0036-04

0引言

復雜背景下紅外弱小目標的檢測和跟蹤是紅外成像制導的關(guān)鍵技術(shù)，由于紅外傳感器本身噪聲、紅外背景干擾、以及目標具有遠距離、低信噪比等特點給紅外弱小目標檢測帶來很大的困難[1-3]。為提高系統(tǒng)對強雜波背景中紅外弱小目標的檢測能力，在目標檢測之前，必須對圖像進行背景抑制以提高信噪比。常用的背景抑制方法有高通濾波、側(cè)抑制濾波、SUSAN濾波等[4-6]；SUSAN濾波算法是利用SUSAN算子對邊緣和角點敏感，而對噪聲不敏感的優(yōu)勢，對紅外背景進行重新建模，并與原始紅外圖像作差，得到包含有紅外弱小目標的殘差圖像，已取得較好的背景抑制效果[5-7]。本文在各向異性SUSAN濾波算子的基礎(chǔ)上，考慮到僅依靠4個像素點所確定的邊緣方向往往與實際邊緣方向存在較大誤差，導致濾波后的圖像依然保留著較多的背景雜波，因此本文對其進行優(yōu)化，使其更貼近于實際邊緣，將局部圖像與中心像素的灰度差均值確定為SUSAN濾波算子的閾值，以利于紅外背景精確地重建，減少殘差圖像中的背景雜波，較好提升紅外目標的信噪比及其增益。

2邊緣方向的優(yōu)化

前人大多只利用局部圖像的4個像素點，通過梯度估計法得到梯度方向角θ⊥，進而粗略地完成邊緣方向角的估值[4-8]，但這種估值往往存在較大誤差導致殘差圖像中依然保留著很多的紅外背景，本文對其進行優(yōu)化，結(jié)合坐標變換盡可能多地利用局部圖像的像素點來參與估計，并引入高斯-拉普拉斯算子對局部圖像進行濾波，遵循估計的邊緣角度越接近實際邊緣角度，濾波的灰度值就越大的原則[9]，自適應地選擇最優(yōu)的邊緣方向估計值。本文在濾波及最優(yōu)邊緣方向選取時都將采用7×7的模板，并考慮到實時性要求，將在9個可能的邊緣方向角中選取最優(yōu)的。

3目標檢測算法流程

本文算法流程包括：圖像預處理、紅外背景建模、原始圖像與背景圖像作差、對殘差圖像進行分割以提取小目標。通過局部圖像信息確定SUSAN濾波器的長軸、短軸、閾值，并運用高斯-拉普拉斯算子自適應地選擇最優(yōu)的邊緣方向，然后與圖像進行卷積得到背景建模圖像，作差得到含有紅外弱小目標的殘差圖像，并運用對比度分割算法得到目標的大小與位置，如圖2所示。

4實驗結(jié)果及分析

由圖可知，盡管高通濾波在算法實現(xiàn)上最簡單，但經(jīng)過處理后的圖像依然有大量的背景雜波，部分雜波灰度較高；各向異性SUSAN濾波相對于高通濾波有較好的背景抑制能力，但由于梯度估計法所確定的邊緣方向誤差較大，使部分背景、尤其是云層邊緣并未得到較好抑制；本文算法對其進行改進，通過設(shè)置新的閾值以及對邊緣方向進行優(yōu)化，促使紅外背景被更加精確地重建，使殘差圖像中保留著更少的背景雜波，云層邊緣得到很好的抑制，體現(xiàn)出更好的背景抑制能力，同樣本文算法還有效地避免了虛假目標的產(chǎn)生，如圖5（c）所示，紅外圖像經(jīng)過濾波后，在目標左側(cè)竟然同時出現(xiàn)兩個灰度高于目標的噪聲點，圖5（d）卻沒有，因此本文算法更能有效降低虛警率。

圖6給出了紅外圖像3經(jīng)過三種不同的濾波算法后基于對比度的分割圖像，圖6（b）、（c）中目標周圍的高頻噪聲點都可能會被誤認為是目標，本文的算法則能很好地檢測出目標。為了能定量地說明本文算法的有效性，本文將采用圖像信噪比、信噪比增益、背景抑制因子對三種檢測算法進行評價，它們都反映弱小目標在檢測前后的改善情況，

由表1可知：本文算法有效地提高紅外目標信噪比及其增益，具有更好的背景抑制能力，其性能明顯優(yōu)于前兩種算法，具有更好的單幀紅外弱小目標的檢測能力。

5結(jié)論

本文在運用各向異性SUSAN濾波對紅外目標檢測時，紅外建模過程中邊緣方向誤差較大，會導致殘差圖像中仍保留較多背景雜波存在，因此，提出對其改進，盡可能多地利用局部圖像的像素點來參與邊緣估計，運用高斯-拉普拉斯算子自適應地選擇最優(yōu)的邊緣方向估計值，并將局部圖像與中心像素的灰度差均值確定為SUSAN濾波算子的閾值。實驗表明：本文方法有利于紅外背景更加精確地重建，使得濾波后的圖像保留更少的背景雜波，較好提高了紅外目標的信噪比增益，突出目標，并能有效的避免虛假目標產(chǎn)生，為紅外圖像處理的后續(xù)工作打下較好的基礎(chǔ)。endprint

摘要：運用各向異性SUSAN濾波進行紅外弱小目標檢測時，考慮到僅依靠4個像素點所確定的邊緣方向往往與實際邊緣方向存在較大誤差，導致濾波后的圖像依然保留著較多的背景雜波而不利于弱小目標的檢測，因此提出一種邊緣方向優(yōu)化方法，結(jié)合坐標變換盡可能多地利用局部圖像的像素點來參與邊緣方向的估值，并運用高斯-拉普拉斯算子自適應地選擇最優(yōu)化的邊緣方向角，使其更貼近于實際邊緣；然后將局部圖像與中心像素的灰度差均值確定為各向異性SUSAN濾波算子的閾值。實驗表明：本文算法具有更好的背景抑制能力，突出目標，較好地提升了紅外目標信噪比增益，并有效避免虛假目標的產(chǎn)生，提高了單幀紅外弱小目標的檢測能力。

關(guān)鍵詞：弱小目標檢測；各向異性SUSAN濾波器；邊緣方向優(yōu)化；閾值；自適應

中圖分類號：TP391文獻標識碼：A文章編號：1673-5048（2014）04-0036-04

0引言

復雜背景下紅外弱小目標的檢測和跟蹤是紅外成像制導的關(guān)鍵技術(shù)，由于紅外傳感器本身噪聲、紅外背景干擾、以及目標具有遠距離、低信噪比等特點給紅外弱小目標檢測帶來很大的困難[1-3]。為提高系統(tǒng)對強雜波背景中紅外弱小目標的檢測能力，在目標檢測之前，必須對圖像進行背景抑制以提高信噪比。常用的背景抑制方法有高通濾波、側(cè)抑制濾波、SUSAN濾波等[4-6]；SUSAN濾波算法是利用SUSAN算子對邊緣和角點敏感，而對噪聲不敏感的優(yōu)勢，對紅外背景進行重新建模，并與原始紅外圖像作差，得到包含有紅外弱小目標的殘差圖像，已取得較好的背景抑制效果[5-7]。本文在各向異性SUSAN濾波算子的基礎(chǔ)上，考慮到僅依靠4個像素點所確定的邊緣方向往往與實際邊緣方向存在較大誤差，導致濾波后的圖像依然保留著較多的背景雜波，因此本文對其進行優(yōu)化，使其更貼近于實際邊緣，將局部圖像與中心像素的灰度差均值確定為SUSAN濾波算子的閾值，以利于紅外背景精確地重建，減少殘差圖像中的背景雜波，較好提升紅外目標的信噪比及其增益。

2邊緣方向的優(yōu)化

前人大多只利用局部圖像的4個像素點，通過梯度估計法得到梯度方向角θ⊥，進而粗略地完成邊緣方向角的估值[4-8]，但這種估值往往存在較大誤差導致殘差圖像中依然保留著很多的紅外背景，本文對其進行優(yōu)化，結(jié)合坐標變換盡可能多地利用局部圖像的像素點來參與估計，并引入高斯-拉普拉斯算子對局部圖像進行濾波，遵循估計的邊緣角度越接近實際邊緣角度，濾波的灰度值就越大的原則[9]，自適應地選擇最優(yōu)的邊緣方向估計值。本文在濾波及最優(yōu)邊緣方向選取時都將采用7×7的模板，并考慮到實時性要求，將在9個可能的邊緣方向角中選取最優(yōu)的。

3目標檢測算法流程

本文算法流程包括：圖像預處理、紅外背景建模、原始圖像與背景圖像作差、對殘差圖像進行分割以提取小目標。通過局部圖像信息確定SUSAN濾波器的長軸、短軸、閾值，并運用高斯-拉普拉斯算子自適應地選擇最優(yōu)的邊緣方向，然后與圖像進行卷積得到背景建模圖像，作差得到含有紅外弱小目標的殘差圖像，并運用對比度分割算法得到目標的大小與位置，如圖2所示。

4實驗結(jié)果及分析

由圖可知，盡管高通濾波在算法實現(xiàn)上最簡單，但經(jīng)過處理后的圖像依然有大量的背景雜波，部分雜波灰度較高；各向異性SUSAN濾波相對于高通濾波有較好的背景抑制能力，但由于梯度估計法所確定的邊緣方向誤差較大，使部分背景、尤其是云層邊緣并未得到較好抑制；本文算法對其進行改進，通過設(shè)置新的閾值以及對邊緣方向進行優(yōu)化，促使紅外背景被更加精確地重建，使殘差圖像中保留著更少的背景雜波，云層邊緣得到很好的抑制，體現(xiàn)出更好的背景抑制能力，同樣本文算法還有效地避免了虛假目標的產(chǎn)生，如圖5（c）所示，紅外圖像經(jīng)過濾波后，在目標左側(cè)竟然同時出現(xiàn)兩個灰度高于目標的噪聲點，圖5（d）卻沒有，因此本文算法更能有效降低虛警率。

圖6給出了紅外圖像3經(jīng)過三種不同的濾波算法后基于對比度的分割圖像，圖6（b）、（c）中目標周圍的高頻噪聲點都可能會被誤認為是目標，本文的算法則能很好地檢測出目標。為了能定量地說明本文算法的有效性，本文將采用圖像信噪比、信噪比增益、背景抑制因子對三種檢測算法進行評價，它們都反映弱小目標在檢測前后的改善情況，

由表1可知：本文算法有效地提高紅外目標信噪比及其增益，具有更好的背景抑制能力，其性能明顯優(yōu)于前兩種算法，具有更好的單幀紅外弱小目標的檢測能力。

5結(jié)論

本文在運用各向異性SUSAN濾波對紅外目標檢測時，紅外建模過程中邊緣方向誤差較大，會導致殘差圖像中仍保留較多背景雜波存在，因此，提出對其改進，盡可能多地利用局部圖像的像素點來參與邊緣估計，運用高斯-拉普拉斯算子自適應地選擇最優(yōu)的邊緣方向估計值，并將局部圖像與中心像素的灰度差均值確定為SUSAN濾波算子的閾值。實驗表明：本文方法有利于紅外背景更加精確地重建，使得濾波后的圖像保留更少的背景雜波，較好提高了紅外目標的信噪比增益，突出目標，并能有效的避免虛假目標產(chǎn)生，為紅外圖像處理的后續(xù)工作打下較好的基礎(chǔ)。endprint

摘要：運用各向異性SUSAN濾波進行紅外弱小目標檢測時，考慮到僅依靠4個像素點所確定的邊緣方向往往與實際邊緣方向存在較大誤差，導致濾波后的圖像依然保留著較多的背景雜波而不利于弱小目標的檢測，因此提出一種邊緣方向優(yōu)化方法，結(jié)合坐標變換盡可能多地利用局部圖像的像素點來參與邊緣方向的估值，并運用高斯-拉普拉斯算子自適應地選擇最優(yōu)化的邊緣方向角，使其更貼近于實際邊緣；然后將局部圖像與中心像素的灰度差均值確定為各向異性SUSAN濾波算子的閾值。實驗表明：本文算法具有更好的背景抑制能力，突出目標，較好地提升了紅外目標信噪比增益，并有效避免虛假目標的產(chǎn)生，提高了單幀紅外弱小目標的檢測能力。

關(guān)鍵詞：弱小目標檢測；各向異性SUSAN濾波器；邊緣方向優(yōu)化；閾值；自適應

中圖分類號：TP391文獻標識碼：A文章編號：1673-5048（2014）04-0036-04

0引言

復雜背景下紅外弱小目標的檢測和跟蹤是紅外成像制導的關(guān)鍵技術(shù)，由于紅外傳感器本身噪聲、紅外背景干擾、以及目標具有遠距離、低信噪比等特點給紅外弱小目標檢測帶來很大的困難[1-3]。為提高系統(tǒng)對強雜波背景中紅外弱小目標的檢測能力，在目標檢測之前，必須對圖像進行背景抑制以提高信噪比。常用的背景抑制方法有高通濾波、側(cè)抑制濾波、SUSAN濾波等[4-6]；SUSAN濾波算法是利用SUSAN算子對邊緣和角點敏感，而對噪聲不敏感的優(yōu)勢，對紅外背景進行重新建模，并與原始紅外圖像作差，得到包含有紅外弱小目標的殘差圖像，已取得較好的背景抑制效果[5-7]。本文在各向異性SUSAN濾波算子的基礎(chǔ)上，考慮到僅依靠4個像素點所確定的邊緣方向往往與實際邊緣方向存在較大誤差，導致濾波后的圖像依然保留著較多的背景雜波，因此本文對其進行優(yōu)化，使其更貼近于實際邊緣，將局部圖像與中心像素的灰度差均值確定為SUSAN濾波算子的閾值，以利于紅外背景精確地重建，減少殘差圖像中的背景雜波，較好提升紅外目標的信噪比及其增益。

2邊緣方向的優(yōu)化

前人大多只利用局部圖像的4個像素點，通過梯度估計法得到梯度方向角θ⊥，進而粗略地完成邊緣方向角的估值[4-8]，但這種估值往往存在較大誤差導致殘差圖像中依然保留著很多的紅外背景，本文對其進行優(yōu)化，結(jié)合坐標變換盡可能多地利用局部圖像的像素點來參與估計，并引入高斯-拉普拉斯算子對局部圖像進行濾波，遵循估計的邊緣角度越接近實際邊緣角度，濾波的灰度值就越大的原則[9]，自適應地選擇最優(yōu)的邊緣方向估計值。本文在濾波及最優(yōu)邊緣方向選取時都將采用7×7的模板，并考慮到實時性要求，將在9個可能的邊緣方向角中選取最優(yōu)的。

3目標檢測算法流程

本文算法流程包括：圖像預處理、紅外背景建模、原始圖像與背景圖像作差、對殘差圖像進行分割以提取小目標。通過局部圖像信息確定SUSAN濾波器的長軸、短軸、閾值，并運用高斯-拉普拉斯算子自適應地選擇最優(yōu)的邊緣方向，然后與圖像進行卷積得到背景建模圖像，作差得到含有紅外弱小目標的殘差圖像，并運用對比度分割算法得到目標的大小與位置，如圖2所示。

4實驗結(jié)果及分析

由圖可知，盡管高通濾波在算法實現(xiàn)上最簡單，但經(jīng)過處理后的圖像依然有大量的背景雜波，部分雜波灰度較高；各向異性SUSAN濾波相對于高通濾波有較好的背景抑制能力，但由于梯度估計法所確定的邊緣方向誤差較大，使部分背景、尤其是云層邊緣并未得到較好抑制；本文算法對其進行改進，通過設(shè)置新的閾值以及對邊緣方向進行優(yōu)化，促使紅外背景被更加精確地重建，使殘差圖像中保留著更少的背景雜波，云層邊緣得到很好的抑制，體現(xiàn)出更好的背景抑制能力，同樣本文算法還有效地避免了虛假目標的產(chǎn)生，如圖5（c）所示，紅外圖像經(jīng)過濾波后，在目標左側(cè)竟然同時出現(xiàn)兩個灰度高于目標的噪聲點，圖5（d）卻沒有，因此本文算法更能有效降低虛警率。

圖6給出了紅外圖像3經(jīng)過三種不同的濾波算法后基于對比度的分割圖像，圖6（b）、（c）中目標周圍的高頻噪聲點都可能會被誤認為是目標，本文的算法則能很好地檢測出目標。為了能定量地說明本文算法的有效性，本文將采用圖像信噪比、信噪比增益、背景抑制因子對三種檢測算法進行評價，它們都反映弱小目標在檢測前后的改善情況，

由表1可知：本文算法有效地提高紅外目標信噪比及其增益，具有更好的背景抑制能力，其性能明顯優(yōu)于前兩種算法，具有更好的單幀紅外弱小目標的檢測能力。

5結(jié)論

本文在運用各向異性SUSAN濾波對紅外目標檢測時，紅外建模過程中邊緣方向誤差較大，會導致殘差圖像中仍保留較多背景雜波存在，因此，提出對其改進，盡可能多地利用局部圖像的像素點來參與邊緣估計，運用高斯-拉普拉斯算子自適應地選擇最優(yōu)的邊緣方向估計值，并將局部圖像與中心像素的灰度差均值確定為SUSAN濾波算子的閾值。實驗表明：本文方法有利于紅外背景更加精確地重建，使得濾波后的圖像保留更少的背景雜波，較好提高了紅外目標的信噪比增益，突出目標，并能有效的避免虛假目標產(chǎn)生，為紅外圖像處理的后續(xù)工作打下較好的基礎(chǔ)。endprint