宮 劍，呂俊偉，劉 亮，仇榮超，孫 超

(1.海軍航空大學，山東 煙臺 264000；2.中國人民解放軍92337部隊，遼寧 大連 116023；3.中國人民解放軍91104部隊，江蘇 南京 210000)

1 引 言

基于前視紅外檢測艦船目標現(xiàn)已廣泛應用于偵查預警及探測制導等軍事領域[1]。紅外偏振信息是一種獨立于強度信息的另一維度信息，其作為一種新的探測手段有著較大的應用前景[2]。紅外成像依據目標背景間溫度差異成像，突出表現(xiàn)目標輪廓等低頻信息；紅外偏振成像依據目標與背景的紅外偏振特征差異成像，突出表現(xiàn)目標邊緣和細節(jié)等高頻信息，融合強度信息和偏振信息有效利用各自信道有利信息進行互補。圖像頻域分解，再通過一定規(guī)則融合是紅外偏振圖像融合的常見方法，Zhang等[3-4]根據對強度圖像和偏振圖像的頻率域分析，提出一種非下采樣剪切波變換(Non-Subsampled Shearlet Transform, NSST)方法，通過構建頻域映射函數融合圖像。陳偉力等[5]提出一種基于小波包(Wavelet Packet, WP)的紅外偏振圖像與強度圖像融合方法。由于非弱小目標有著豐富的輪廓和細節(jié)信息，檢測相對容易，目前研究主要集中在弱小目標檢測方面。根據結構張量(Structure Tensor, ST)對不同局部結構的表示特性，趙高鵬等[6]提出應用結構張量特征值矩陣得到響應圖，通過高斯差分帶通濾波器和自適應閾值分割得到目標位置。受到人視覺系統(tǒng)對比度機制啟發(fā)，Chen等[7]提出一種基于局部對比度的紅外小目標檢測方法，在小目標尺度變化及雜波背景條件下，該方法魯棒性較強。針對復雜背景下實時檢測紅外艦船目標需求，漆昇翔等[8-9]設計了一種小面卷積核(Facet Kernel, FK)確定目標區(qū)域，通過L0梯度最小化濾波分割目標。

在紅外偏振圖像中，高頻信息中的邊緣與海雜波、噪聲等干擾混疊，頻域分解難度較大，且如何準確檢測圖像尺寸差異較大艦船目標也是亟待解決的問題。為此，本文提出一種基于引導濾波的方法通過融合強度信息抑制海雜波和噪聲影響，根據目標與海天線的幾何關系，應用海天線加權方法抑制較強海雜波干擾，最后提出一種自適應尺度局部對比度方法檢測艦船目標。

2 紅外偏振圖像及紅外強度圖像分析

2.1 偏振態(tài)數學表示

任意偏振態(tài)可以用斯托克斯(Stokes)矢量進行表達[10]，Stokes矢量是一個4×1的矩陣定義為:

S=[IQUV]T,

(1)

其中：I表示輻射強度，Q表示水平和垂直線性偏振成分，U表示+45°和-45°偏振成分，V表示右旋或左旋偏振成分，在自然場景下，通常忽略該分量。任意偏振態(tài)可以用4個斯托克斯參量進行描述。

So=M·Si，

(2)

其中：M表示偏振片的Muller矩陣。因此，成像傳感器接收到的輻射強度為：

I=M11Ii+M12Qi+M13Ui+M14Vi.

(3)

線柵偏振片的Muller矩陣可以定義為:

(4)

其中，θ表示偏振光方向與偏振片透光軸的夾角，則可以得到光強I與Stokes參量關系表達式[11]，見式(5):

(5)

由此可以得到偏振光Stokes參量可以通過4個偏振角度強度圖像表示，如式(6)所示:

(6)

最終，根據式(6)得到偏振度圖像計算方法，見式(7):

(7)

2.2 紅外偏振及強度圖像特性分析

物體反射輻射偏振態(tài)與物體材料，粗糙程度，入射角及出射角等因素密切相關[1]，在海浪較小情況下，海面較光滑屬于高偏振特征物體，實際采集的偏振度圖像海面灰度較高，而艦船目標灰度較低，這與紅外強度圖像中的灰度特征相反，為了統(tǒng)一目標與背景灰度特征，根據式(8)將偏振度圖像灰度進行反轉。圖2分別為4個場景下的紅外圖像和紅外偏振圖像。根據圖2可以得到，與紅外圖像相比，偏振圖像目標與海天線邊緣更清晰，但與此同時偏振圖像中海浪紋理較為復雜，偏振圖像受海雜波影響較為嚴重且易受到噪聲影響。根據式(9)和式(10)計算得到不同場景下紅外強度圖像和紅外偏振圖像的目標背景局部對比度(Local Contrast, LC)及局部信雜比 (Local Signal-to-Clutter Ratio, LSCR)，見式(9),式(10)。

圖2 不同場景下的紅外圖像和紅外偏振圖像

(8)

(9)

(10)

式中：μT為目標區(qū)域灰度均值，μB為背景區(qū)域灰度均值，σB為背景區(qū)域灰度標準差，紅外圖像與偏振圖像客觀評價見表1。根據表1，紅外強度圖像的目標背景對比度低于紅外偏振圖像，但由于海雜波及噪聲等影響，紅外偏振圖像局部信雜比低于強度圖像。

表1 不同場景下紅外圖像與紅外偏振圖像客觀評價

Tab.1 Objective evaluation index of infrared images and infrared polarization images in different scenes

Evaluation IndexImage typeScene 1Scene 2Scene 3Scene 4LCIR0.339 00.267 30.263 30.143 0DOP0.529 00.332 00.307 50.401 3LSCRIR17.377 423.539 332.196 611.198 4DOP12.486 620.964 610.562 810.477 7

3 艦船目標檢測流程

3.1 引導濾波

根據對圖2與表1可以得到，紅外強度圖像信噪比較高而目標背景對比度較低，紅外偏振圖像雖然目標背景對比度較高，但是由于海雜波及噪聲等影響導致信噪比較低，傳統(tǒng)的均值濾波，中值濾波，高斯濾波器等是各向同性濾波器，在消除噪聲的同時丟失了部分目標邊緣和紋理信息。引導濾波是由He提出的一種簡單可靠的邊緣保持濾波器[12]，引導濾波假定引導圖像和待濾波圖像在二維濾波窗口中滿足線性關系，當引導圖像出現(xiàn)邊緣，輸出結果就會出現(xiàn)邊緣。根據式(6)和式(7)可知，在采集紅外偏振圖像的同時也得到了紅外圖像，與紅外偏振圖像相比，紅外圖像有著較高的信噪比，受噪聲和海雜波影響較小，利用紅外圖像中目標背景的梯度信息作為引導圖像對偏振圖像濾波，濾除海雜波和噪聲影響，得到的濾波圖像也就是紅外強度信息和偏振信息的融合圖像，在保留紅外強度圖像高信噪比的同時融合了紅外偏振圖像高目標背景對比度的特征。

引導濾波器包括輸入圖像DOP，引導圖像IR，輸出圖像RH，其表達式為:

RH=ak·IR+bk，?i∈ωk,

(11)

式中：ωk為一個半徑為r的正方形窗口，系數ak與bk為常數，可用過線性回歸求出，即:

(12)

由于像點i包含在若干不同的窗口ωk中，故式(11)中濾波輸出RHi會隨著窗口ωk的變化而改變，通過取均值解決該問題，因此改寫式(11)為:

(13)

3.2 海天線距離加權

海天線檢測是前視圖像研究熱點之一，海天線檢測不僅有利于海天場景分割，也對抑制海面雜波干擾有較大意義。根據圖2場景一、二中紅外偏振圖像，海雜波在距離海天線較遠時影響較大，在靠近海天線附近海雜波不明顯，由此設計一種海天線距離加權算法抑制海雜波對目標檢測帶來的影響。文獻[13]基于梯度顯著性方法增強海天線直線特征同時抑制干擾，采取區(qū)域生長算法檢測海天線。文獻[14]提出一種結合鏈碼跟蹤與相位驗證的直線檢測方法，有效克服由于噪聲和相位編組導致的直線斷裂問題。引導濾波圖像融合了海天背景的紅外強度特征和紅外偏振特征，海天線垂直梯度顯著，根據這一特點提出一種簡單高效的海天線檢測算法。

對于前視圖像而言，理想狀態(tài)下海天線應為水平線，而在實際過程中，可以根據采集系統(tǒng)姿態(tài)數據將傾斜海天線圖像校正至水平。海面和天空有著較大溫度差異和偏振特征差異，因此海天線有著顯著的垂直梯度特征。首先，應用梯度顯著性增強模板G對圖像進行卷積處理，增強垂直方向上邊緣區(qū)域，即海天線邊緣。假設校正后海天線傾角θ，若圖像尺寸為M×N，海天線窗口尺寸為(Ntanθ)×N。自上而下滑動窗口，計算每個窗口梯度顯著性圖像灰度值，灰度值最大窗口即視為海天線窗口，對窗口中的直線進行擬合得到海天線結果。最后，根據圖像每個像素與海天線的行向量距離進行加權。

對于前視圖像而言，理想狀態(tài)下海天線應為水平線，而在實際過程中，可以根據采集系統(tǒng)姿態(tài)數據將傾斜海天線圖像校正至水平。海面和天空有著較大溫度差異和偏振特征差異，因此海天線有著顯著的垂直梯度特征。

Step 1 應用梯度顯著性增強模板G對圖像進行卷積處理，增強垂直方向上邊緣區(qū)域，即海天線邊緣。

G=

(14)

Step 2 假設采集系統(tǒng)姿態(tài)校正后海天線傾角θ，圖像尺寸為M×N，海天線窗口尺寸為(Ntanθ)×N。自上而下滑動窗口，計算每個窗口梯度顯著性圖像灰度值，灰度值最大窗口則為海天線窗口，對窗口中的直線進行擬合得到海天線結果，如式(15)所示。

L=aLx+bL.

(15)

Step 3 根據圖像每個像素與海天線的行向量距離進行加權，見式(16):

(16)

其中：T(i,j)=|j-L(i)|i∈N,j∈M，i，j分別為圖像的行和列，T(i,j)為加權模板，RH′表示加權后融合圖像。

3.3 自適應尺度局部對比度

3.3.1 單一尺度局部對比度

紅外圖像和紅外偏振圖像目標細節(jié)較少，無法像可見光圖像一樣通過細節(jié)特征檢測目標，特別是弱小目標。紅外圖像和紅外偏振圖像表現(xiàn)目標背景的輻射和偏振特性差異，目標與背景對比度差異較大而細節(jié)特征較少，應用局部對比度是檢測紅外目標的有效方法之一[7]，Chen 提出一種基于人類視覺感知局部對比度檢測的弱小目標方法。

圖3為局部對比度檢測算法圖，u表示目標區(qū)域，v表示局部背景區(qū)域，w表示整幅圖像。將u，v組成的滑動窗口分為9個單元，中心單元“0”表示目標可能出現(xiàn)區(qū)域。首先，計算區(qū)域中心“0”單元的最大像素值:

(17)

(18)

圖3 局部對比度檢測算法

(19)

用Cn表示滑動窗口中心單元“0” 像素灰度值。在整幅圖像w滑動窗口重復上述過程，最終得到原圖像的局部對比圖C。

3.3.2 自適應尺度局部對比度

對于目標而言，其尺度不是固定不變的，文獻[7]在算法基礎上提出多尺度局部對比度方法，計算不同尺度下的局部對比圖，取局部對比度最大值作為目標檢測區(qū)域。該方法具有尺度不變性，適用于尺度不同的小目標檢測，但隨著尺度增大，計算量隨之變大，而且當圖像中同時存在尺度大小差異較大的目標時尺度選擇困難，本文提出一種自適應尺度局部對比度方法。

對于前視紅外圖像中的艦船目標，遠距離弱小目標一般為點狀，無清晰輪廓，而近距離艦船目標通常具備一定輪廓特征。如圖4，通過對前視圖像艦船目標進行分析，其長寬比約在1∶4(側視圖)至1∶1(正視圖)范圍變化，由此設計自適應尺度局部對比度方法。

圖4 艦船目標側視圖與正視圖

Step 1 假設圖像中艦船目標尺寸大于3×3，則局部對比度模板尺寸為9×9。對圖像按尺度rn進行變換，rn如式(20)所示，其中n表示尺度數:

(20)

Step 2 根據單一尺度局部對比度算法計算尺度rn下局部對比度圖，根據式(21)對尺度rn下局部對比度圖進行分割，得到分割圖像Trn，統(tǒng)計分割圖像Trn中目標區(qū)域數量tn。

Trn=Irn+k×σIrn,

(21)

其中：Irn,σIrn分別表示尺度rn下局部對比度圖的均值和標準差，k為分割系數。

Step 3 當局部對比度處理區(qū)域小于尺度n中的目標時，部分目標像素被當做背景參與背景平均強度brn(i,j) 計算，在進行閾值分割后目標整體的局部對比度圖被分割為多個部分，造成該尺度局部對比度的誤差；當局部對比度處理區(qū)域與尺度n中的目標相同時，局部對比度能夠準確地量化該尺度下紅外目標，此時局部對比度響應最大。計算尺度rn+1局部對比度圖重復Step 2，統(tǒng)計分割圖像Trn+1中目標區(qū)域數量tn+1，若tn+1≠tn則重復Step 3，若tn+1=tn，則尺度rn為最大尺度，進行下一步。

Step 4 根據式(22)計算每個尺度下局部對比度圖的各行各列的最大值作為最終局部對比度圖，根據式(21)分割得到艦船目標。

(22)

4 實驗結果與分析

本文實驗仿真平臺采用CORE i5-6200U 主頻2.3 GHz，內存16 G的筆記本電腦。實驗參數設置如下：引導濾波的濾波半徑r為9，權重因子ε為0.01；海天線傾角θ=5°；分割系數k為7，圖像大小為512 pixel×640 pixel。

為驗證本文所提方法能否抑制紅外偏振度圖像中的噪聲及海雜波干擾，最大限度利用偏振信息和強度信息，本文對采集的圖像中選擇4組進行對比實驗。不同角度偏振圖像經過嚴格配準，將本文所提融合方法與文獻[3]和文獻[5]提出的方法進行對比，圖5為文獻[3]和文獻[5]方法，圖6為本文引導濾波融合結果。選擇LC，LSCR作為客觀評價指標評價融合圖像，表2為不同融合算法評價結果。通過對比表1,2中評價指標，WP算法和NSST算法局部對比度較強度圖像和偏振圖像提升有限，而局部信雜比下降明顯，本文方法在提高圖像目標背景對比度的同時提高了圖像局部信雜比，有效抑制海雜波和噪聲等干擾，增大目標背景差異，與WP算法、NSST算法相比，目標背景對比度分別提高77.21%，55.35%局部信雜比分別提高94.63%，83.16%。可以看出，由于頻域分解融合方法中的高頻分解無法區(qū)分紅外偏振圖像中的高頻噪聲和海雜波干擾和高頻輪廓細節(jié)，導致NSST方法和WP方法融合偏振信息和強度信息的同時將噪聲和海雜波等干擾也融合到圖像之中，造成圖像質量較差。引導濾波方法充分利用了目標與背景的強度信息和偏振信息，使得融合圖像有效抑制了海雜波和噪聲干擾同時保持高對比度特征。

圖5 文獻融合方法與本文方法對比

表2 融合圖像客觀評價指標

圖6為海天線加權對自適應尺度局部對比度檢測效果影響實驗圖(彩圖見期刊電子版)，其中圖6(a)～圖6(d)與圖6(e)～圖6(h)分別為未經海天線加權處理和經過海天線加權后的自適應尺度局部對比度檢測結果。根據對圖6對比分析，以紅外圖像作為引導圖像對紅外偏振圖像濾波抑制了大部分海雜波及噪聲干擾，但由于紅外圖像下方，即距離圖像采集較近區(qū)域海雜波較為顯著，海天線加權方法可以抑制海雜波，如圖6(d)中黃色圈所示。海天線加權在抑制海雜波的同時增加海天線附近對比度，增加算法檢測精度，避免如圖6(b)和圖6(c)中的目標漏檢情況。

圖6 海天線加權方法對自適應尺度局部對比度算法檢測結果影響

為進一步驗證本文所提出的海天線加權及自適應尺度局部對比度方法在檢測不同尺度艦船目標的有效性，將本文算法與LCM，ST，F(xiàn)K算法進行比較，實驗結果如圖7所示。如圖7可以看出：LCM算法(如圖7(a)～圖7(d))適合在海雜波及噪聲干擾較小情況下檢測小目標，如圖7(a)中的浮標(即圖5(a)中的Target1)，圖(d)中遠處的小船(即圖5(d)中的Target5，Target6)較為顯著，而作為較大尺寸的艦船目標(即圖6(a)中的Target 2)并不明顯，在如圖7(b)、圖7(c) 海雜波和噪聲干擾較大情況下，虛警率較高，檢測效果差；ST算法(如圖8(e)～圖8(h))對噪聲及海雜波有一定的魯棒性，但在目標尺度差距較大情況下，ST算法檢測小尺度目標較為困難,如圖8(e)，且易受到海天線干擾，影響檢測結果，如圖8(g)；FK算法(如圖8(i)～圖8(l))對尺寸差異較大目標有較好的響應效果，但由于易受到海雜波和噪聲干擾導致檢測效果不理想；本文算法(如圖8(m)～圖8(p))有效地抑制海雜波和噪聲等干擾，對于目標尺度差異較大(例如圖6(a)中Target1,Target2)，弱小目標(如圖6(c)中的Target3,Target4,Target5)等情況都有較好的效果。

SPIE將小于圖像總面積0.12%定義為小目標[16]，本文將紅外偏振系統(tǒng)采集的180組海天場景圖像中共計397個艦船目標分為小目標(像素小于18×18，共計273個)和非小目標(像素大于等于18×18，共計124個)。分別應用局部對比度算法，結構張量算法，小面核算法與本文算法檢測艦船目標，實驗結果見表3。根據實驗結果可以得到，由于艦船目標大小由2×2到大于18×18，尺度變化范圍較大，LCM算法在受到較強海雜波干擾及檢測大尺度目標時虛警概率較高，ST算法在目標尺度變化范圍較大情況下對小目標檢測效果較差，F(xiàn)K算法由于受到海天線影響在檢測海天線附近小目標時檢測準確率較低，虛警率較高。本文方法目標檢測準確率、虛警率分別為95.0%，3.5%，與文獻[6-8]方法相比檢測準確率率分別提高了15.7%，17.2%，12.1%，虛警率降低了30.8%，7.5%，25.0%，與其他方法相比本文對噪聲及海雜波干擾魯棒性較強，能夠準確檢測尺度差異較大的艦船目標。

圖8 4個場景下的不同算法響應圖

表3 不同算法的檢測率和虛警率

以上實驗針對海天場景為驗證本文所提算法對不同場景的艦船目標檢測能力，應用紅外偏振成像系統(tǒng)采集50組岸島場景紅外偏振圖像中的132個艦船目標進行檢測，檢測結果如表4所示。將表3中的海天場景中的實驗結果與岸島場景實驗結果相對比，可以看出在復雜岸島背景下，文獻算法探測準確率下降且虛警率大幅提升，本文算法優(yōu)于文獻算法，但與海天場景相比，岸島場景下降7.1%，虛警率提高17.6%。由此看出，本文算法更適用于海天場景紅外偏振圖像艦船目標檢測。

表4 岸島場景檢測性能對比

5 結 論

本文針對前視紅外偏振圖像檢測不同尺度艦船目標問題，提出一種基于引導濾波和自適應尺度局部對比度的艦船目標檢測方法。首先采用引導濾波方法融合紅外強度和偏振信息得到高對比度高信雜比的融合圖像，抑制噪聲和海雜波干擾；然后利用融合圖像的顯著海天線梯度特征檢測海天線并對圖像進行海天線加權，進一步抑制較強海雜波干擾，增強圖像；最后根據局部對比度算法和艦船目標比例特征，提出一種自適應尺度局部對比度方法，根據不同尺度局部對比度對目標響應確定最終尺度，并根據各尺度最大響應檢測艦船目標。通過實驗驗證和分析，本文算法與其他經典算法相比，有效解決了檢測海天場景艦船目標尺度差異較大，前視紅外偏振圖像受海雜波和噪聲干擾情況下虛警率較高的問題，并提高了檢測精度，為紅外偏振圖像目標識別打下堅實基礎。