牛海鵬， 顏昌翔， 王一霖， 管海軍，3， 王超，3， 邵建兵*

（1.中國科學(xué)院 長春光學(xué)精密機(jī)械與物理研究所， 吉林 長春 130033；2.中國科學(xué)院大學(xué)， 北京 100049；3.長春長光智歐科技有限公司， 吉林 長春 130033）

1 引言

隨著航天技術(shù)的發(fā)展，空間中出現(xiàn)越來越多的在軌航天器及空間碎片，對空間環(huán)境造成嚴(yán)重威脅?？臻g監(jiān)視可探測到對航天系統(tǒng)構(gòu)成威脅的目標(biāo)，確定目標(biāo)尺寸、形狀、軌道參數(shù)等重要目標(biāo)特性，從而指導(dǎo)航天系統(tǒng)進(jìn)行規(guī)避［1］。天基探測具有在軌運(yùn)行不受氣象影響、機(jī)動(dòng)靈活、全天候工作等優(yōu)點(diǎn)，逐漸成為當(dāng)今研究熱點(diǎn)［2］。天基相機(jī)視場大、觀測距離遠(yuǎn)，獲取的圖像目標(biāo)數(shù)量眾多。弱小目標(biāo)與恒星相比，呈現(xiàn)出低信噪比、低亮度和小尺寸的特點(diǎn)，在成像系統(tǒng)上所占像素點(diǎn)較少。一方面，受空間雜散光和空間輻射影響，星圖背景復(fù)雜，弱小目標(biāo)極容易淹沒在復(fù)雜背景中；另一方面，由于大量成像系統(tǒng)噪聲和背景噪聲的存在，在檢測過程中會(huì)造成虛警現(xiàn)象。

為了解決這些問題，研究人員提出了許多方法。通常利用局部信息進(jìn)行小目標(biāo)檢測，常用的局部信息目標(biāo)檢測方法有背景估計(jì)法、形態(tài)學(xué)方法和局部對比度法等［3］。背景估計(jì)法通過計(jì)算圖像的背景信息，將得到的背景信息從圖像中分離后獲取目標(biāo)。楊衛(wèi)平等提出的中值濾波差分法［4］通過設(shè)計(jì)濾波窗口，窗口遍歷圖像時(shí)將中心點(diǎn)像素灰度值用窗口內(nèi)像素灰度均值代替獲得背景圖，將原始圖像與背景圖差分后獲得目標(biāo)。Deshpande［5］等人提出的最大中值法（Max-median）在濾波窗口內(nèi)劃分了多個(gè)方向，使算法更好地適應(yīng)背景邊緣的變化。楊杰［6］等人提出的二維最小均方差（Two Dimensional Least Mean Square，TDLMS）法可實(shí)現(xiàn)自適應(yīng)背景估計(jì)，使算法在檢測精度上有了進(jìn)一步的提升。形態(tài)學(xué)方法是一種非線性濾波方法，通過設(shè)計(jì)與目標(biāo)相適應(yīng)的結(jié)構(gòu)窗口，利用窗口遍歷圖像，對窗口內(nèi)采取腐蝕和膨脹等操作達(dá)到抑制背景識別目標(biāo)的效果。白相志［7］等人改進(jìn)了傳統(tǒng)形態(tài)學(xué)Top-hat的結(jié)構(gòu)窗口，將結(jié)構(gòu)窗口設(shè)計(jì)為中心和周圍區(qū)域，使算法能夠更好地捕捉目標(biāo)和背景，更適用于小目標(biāo)的檢測。丁鵬［8］等人提出了一種結(jié)合形態(tài)學(xué)和Canny算法的紅外弱小目標(biāo)檢測算法，將Top-hat法去除背景干擾能力和Canny法檢測邊緣能力進(jìn)行結(jié)合，取得了良好的目標(biāo)檢測效果。徐澤明［9］采用兩個(gè)大小不同的結(jié)構(gòu)窗口，使算法在去除星圖背景時(shí)避免了目標(biāo)丟失。近年來，基于人類視覺系統(tǒng)（Human Visual System， HVS）［10］的目標(biāo)檢測算法被許多相關(guān)學(xué)者提出。局部對比度方法通過設(shè)計(jì)對比度計(jì)算窗口，計(jì)算窗口內(nèi)中心區(qū)域與周圍區(qū)域的對比度，利用目標(biāo)與背景區(qū)域的對比度差異實(shí)現(xiàn)目標(biāo)的檢測。Chen［10］等提出的局部對比度方法LCM（Local Contrast Measure）通過設(shè)計(jì)兩層對比度窗口對低對比度的背景區(qū)域進(jìn)行抑制，完成對目標(biāo)的檢測。此后，許多學(xué)者分別在LCM方法的基礎(chǔ)上進(jìn)行了改進(jìn)。在對比度的計(jì)算上，韓金輝等提出的ILCM （Improved LCM）算法［11］以及相對局部對比度（Relative LCM，RLCM）算法［12］都結(jié)合了對比度差值計(jì)算的思想，使算法達(dá)到了同時(shí)增強(qiáng)目標(biāo)和抑制背景的效果。段思韋等提出的SWLCM（Spatial Weight Local Contrast Measure）算法［13］和韓金輝等提出的WSLCM（Weighted Strengthened Local Contrast Measure）算法［14］都在對比度計(jì)算時(shí)對窗口內(nèi)不同位置的子窗口進(jìn)行加權(quán)，使算法可以更好地適應(yīng)圖像背景邊緣的變化。在對比度窗口的設(shè)計(jì)上，潘勝達(dá)等提出的DLCM（Double-layer Local Contrast Measure）算法［15］和韓金輝等提出的3層窗口的比差聯(lián)合對比度算法［16］都使用單尺度對比度計(jì)算窗口，解決了不同尺度小目標(biāo)的檢測問題，使算法在檢測目標(biāo)尺寸未知時(shí)魯棒性更強(qiáng)。

然而，在以上目標(biāo)檢測方法中，背景估計(jì)法和形態(tài)學(xué)方法的檢測效果非常依賴算法窗口設(shè)計(jì)，星圖中目標(biāo)尺寸變化范圍較大，采用單尺度窗口無法適應(yīng)目標(biāo)，采用多尺度窗口又會(huì)導(dǎo)致算法耗時(shí)大幅增加。同時(shí)，背景估計(jì)法和形態(tài)學(xué)方法在目標(biāo)分割時(shí)均采用灰度閾值分割，受高亮度背景和恒星的影響，閾值設(shè)定得過高或過低會(huì)出現(xiàn)弱小目標(biāo)漏檢或噪聲殘留問題。局部對比度方法可通過設(shè)計(jì)單尺度窗口解決多尺度目標(biāo)的檢測問題，具有一定的優(yōu)越性。但是，目前的局部對比度方法大多將研究重點(diǎn)放在對比度窗口的設(shè)計(jì)和對比度的構(gòu)造上，對對比度計(jì)算前和對比度計(jì)算后的重視不足，導(dǎo)致算法耗時(shí)長或噪聲去除效果不佳。

本文根據(jù)以上研究方法的不足，提出了一種基于快速局部對比度和目標(biāo)特征的目標(biāo)檢測方法，通過在傳統(tǒng)對比度方法的對比度計(jì)算前和對比度計(jì)算后的改進(jìn)，提高了算法實(shí)時(shí)性、解決了噪聲去除難題。在對比度計(jì)算前，使用中值濾波去除部分高頻噪聲，使用快速局部極大值濾波確定目標(biāo)候選區(qū)域，使后續(xù)的對比度計(jì)算只在目標(biāo)候選區(qū)域進(jìn)行，節(jié)省計(jì)算時(shí)間；在對比度計(jì)算中，采用3層對比度計(jì)算窗口進(jìn)行背景抑制，突出目標(biāo)成像特征；在對比度計(jì)算后，根據(jù)目標(biāo)成像特征，建立目標(biāo)能量分布特征、目標(biāo)能量集中特征和目標(biāo)能量傳遞特征函數(shù)，設(shè)定特征閾值，進(jìn)一步去除噪聲，提取真實(shí)目標(biāo)。

2 局部對比度算法

文獻(xiàn)［16］算法是近年來提出的目標(biāo)檢測算法，由于算法中采用3層結(jié)構(gòu)窗口，可以通過單尺度窗口解決多尺度目標(biāo)檢測問題，并且算法中構(gòu)造的比差聯(lián)合對比度可以很好地適應(yīng)邊緣背景變化，是本文算法的基礎(chǔ)之一。

該算法設(shè)計(jì)的窗口如圖1所示，共包含5×5個(gè)子窗口，每個(gè)子窗口大小為3×3，中心層窗口T用于計(jì)算目標(biāo)信息，中心層T周圍的8個(gè)子窗口IB1～I(xiàn)B8為中間層，用于隔離目標(biāo)與背景，最外層16個(gè)子窗口OB1～OB16用于計(jì)算背景信息。

圖1 3層對比度計(jì)算窗口Fig.1 Three-layer contrast calculation window

為了避免當(dāng)目標(biāo)靠近背景邊緣時(shí)，高亮度背景對目標(biāo)對比度計(jì)算結(jié)果的影響，在最外層子窗口中選擇與中心層灰度最接近的窗口作為背景值，背景的計(jì)算過程如式（1）所示：

其中：(i，j)表示當(dāng)前像素點(diǎn)的坐標(biāo)，Imf表示中心層的灰度均值，mOBn表示第n個(gè)（共16個(gè)）最外層窗口的均值，B表示最終得到的背景值。

接著，構(gòu)造了比差聯(lián)合對比度，如式（2）所示，通過計(jì)算中心層與背景層的對比度差異，實(shí)現(xiàn)對背景的抑制和目標(biāo)的增強(qiáng)，式中ξ是為了避免分母為0的情況出現(xiàn)，取值為10。

考慮到目標(biāo)一般比周圍鄰域背景亮，本文引入了非負(fù)約束，最終對比度計(jì)算公式為：

使用該窗口遍歷圖像所有像素點(diǎn)，計(jì)算對比度結(jié)果，認(rèn)為真實(shí)目標(biāo)最為突出，通過設(shè)置自適應(yīng)對比度閾值提取真實(shí)目標(biāo)。

3 本文算法

從文獻(xiàn)［16］所提算法的計(jì)算過程可以看出，該算法在用于星圖空間目標(biāo)檢測中存在以下問題：

（1）該算法構(gòu)造的多層比差聯(lián)合對比度窗口計(jì)算復(fù)雜，由于星圖尺寸較大，若整幅圖像遍歷計(jì)算，很難滿足算法的實(shí)時(shí)性要求。

（2）該算法在目標(biāo)分割時(shí)采用自適應(yīng)對比度閾值，星圖中復(fù)雜背景噪聲與弱小目標(biāo)具有相似性，對比度閾值無法有效區(qū)分目標(biāo)和噪聲，會(huì)使圖像中出現(xiàn)大量虛警。并且星圖中存在大量恒星和多個(gè)空間目標(biāo)，采用自適應(yīng)閾值時(shí)，高對比度響應(yīng)的恒星和空間目標(biāo)會(huì)使閾值偏高，造成低對比度響應(yīng)目標(biāo)漏檢的情況。

針對上述問題，本文提出了一種基于快速局部對比度和目標(biāo)特征的目標(biāo)檢測算法，該算法利用目標(biāo)的顯著性和成像特征實(shí)現(xiàn)背景抑制和噪聲去除，具有較高的檢測率和較低的時(shí)間消耗，算法流程圖如圖2所示。首先，在對比度計(jì)算前，采用中值濾波去除部分噪聲，采用快速極大值濾波篩選目標(biāo)候選區(qū)域，確保后續(xù)對比度計(jì)算只在目標(biāo)候選區(qū)域進(jìn)行，提升算法計(jì)算速度；接著，在對比度計(jì)算中，設(shè)計(jì)了3層對比度窗口，對復(fù)雜背景進(jìn)行抑制，突出目標(biāo)的成像特征；最后，建立歸一化目標(biāo)成像特征函數(shù)，通過目標(biāo)能量分布、目標(biāo)能量集中和目標(biāo)能量傳遞3個(gè)特征閾值去除噪聲，提取真實(shí)目標(biāo)。

圖2 本文算法流程圖Fig.2 Algorithm flow chart of this paper

3.1 對比度計(jì)算前

本文采用了文獻(xiàn)［16］所提算法中構(gòu)造的比差聯(lián)合對比度。由于星圖尺寸較大，且大部分為灰度變化緩慢的背景區(qū)域，采用對比度遍歷計(jì)算嚴(yán)重浪費(fèi)時(shí)間。人類視覺系統(tǒng)在處理較大范圍信息時(shí)具有快速分析能力，可快速提取部分有用信息以避免對信息的全局處理［17］。因此，本文通過在對比度計(jì)算前對圖像使用中值濾波和快速局部極大值濾波，去除部分噪聲和平滑背景區(qū)域，完成對有用信息的提取即獲得目標(biāo)候選區(qū)域，使得后續(xù)的對比度計(jì)算可以只在目標(biāo)候選區(qū)域進(jìn)行，減少算法的存儲量和運(yùn)算量，節(jié)省時(shí)間。

3.1.1 中值濾波

為了減少噪聲對目標(biāo)檢測產(chǎn)生的干擾，本文采用中值濾波的方法對圖像進(jìn)行平滑處理，中值濾波公式如式（4）所示：

其中：src(x，y)為原始圖像，fm(x，y)為濾波后的圖像，Dmed為中值濾波區(qū)域，本文設(shè)置的濾波窗口大小為3×3。

3.1.2 快速局部最大值濾波

通常目標(biāo)中心能量為局部最大值，因此，使用滑動(dòng)窗口遍歷圖像，當(dāng)窗口中心像素點(diǎn)的灰度值為窗口內(nèi)灰度最大值時(shí)，則可認(rèn)為該區(qū)域?yàn)槟繕?biāo)候選區(qū)域。局部最大值濾波確定目標(biāo)候選區(qū)域fp(x，y)的計(jì)算公式如式（5）、式（6）所示：

其中：fp(x，y)表示以像素點(diǎn)(x，y)為中心的窗口區(qū)域；Dm表示窗口大小，Dm的大小取決于兩個(gè)目標(biāo)間的最小距離，為了避免過多的虛警，同時(shí)保持較高的靈敏度，Dm設(shè)置為5×5；Fmax(x，y)表示目標(biāo)區(qū)域內(nèi)灰度最大值；Fmin(x，y)表示目標(biāo)區(qū)域內(nèi)灰度最小值；閾值th的值取0，目的是排除灰度變化為0的區(qū)域。

3.2 對比度計(jì)算中

由于已經(jīng)確定了目標(biāo)候選區(qū)域，無需對圖像使用遍歷對比度計(jì)算，另外為了適應(yīng)星圖中更多尺寸的目標(biāo)，對文獻(xiàn)［16］的對比度計(jì)算窗口進(jìn)行了改進(jìn)，設(shè)計(jì)了可定位目標(biāo)候選區(qū)域中心的3層對比度計(jì)算窗口。

本文的對比度計(jì)算窗口如圖3所示。該窗口共包含7×7個(gè)子窗口，每個(gè)子窗口大小為3×3，紅色中心層窗口中的小窗口T用于定位目標(biāo)區(qū)域中心即灰度最大值處，中心層周圍的24個(gè)黃色子窗口IB1～I(xiàn)B24表示內(nèi)層區(qū)域，用于計(jì)算目標(biāo)信息，最外層24個(gè)藍(lán)色子窗口OB1～OB24用于計(jì)算背景信息。

圖3 本文對比度計(jì)算窗口Fig.3 Contrast calculation window in this paper

對比度計(jì)算過程同章節(jié)2，最終目標(biāo)候選區(qū)域F(x，y)的計(jì)算公式如式（7）所示：

3.3 對比度計(jì)算后

空間相機(jī)探測范圍廣，獲取的星圖尺寸較大，星圖中的大量恒星、目標(biāo)和噪聲灰度差異較大，若在對比度計(jì)算后直接采用自適應(yīng)對比度閾值分割的方法，高響應(yīng)的恒星、目標(biāo)和噪聲區(qū)域會(huì)導(dǎo)致分割閾值偏高，造成低響應(yīng)的弱小目標(biāo)丟失或大量噪聲殘留。因此，本文在對比度計(jì)算后，針對不同目標(biāo)對比度響應(yīng)不同的問題進(jìn)行了歸一化處理，并提出了目標(biāo)特征閾值分割的方法，根據(jù)目標(biāo)成像特征差異去除噪聲。

3.3.1 歸一化

為了解決不同灰度、不同信噪比的目標(biāo)對比度計(jì)算結(jié)果響應(yīng)不同的問題，本文引入了歸一化思想，對目標(biāo)區(qū)域F(x，y)進(jìn)行歸一化得到Fnorm(x，y)，并設(shè)置歸一化高斯核作為目標(biāo)特征計(jì)算的比較標(biāo)準(zhǔn)。目標(biāo)區(qū)域歸一化計(jì)算公式如式（8）、式（9）所示：

其中：Fsub(x，y)為原始圖像區(qū)域，(xi，yi)為圖像第i個(gè)候選目標(biāo)區(qū)域中心坐標(biāo)，k為目標(biāo)候選區(qū)域大小，F(xiàn)norm(x，y)為歸一化后的候選目標(biāo)區(qū)域。

高斯核歸一化計(jì)算公式如式（10）～（12）所示：

其中，x0、y0、δk決定了高斯核的大小。

3.3.2 目標(biāo)成像特征閾值分割

由于星圖中噪聲隨機(jī)分布，而目標(biāo)具有如下成像特征：

（1） 目標(biāo)能量分布近似符合二維高斯分布；

（2） 目標(biāo)能量大部分集中在目標(biāo)中心及其周圍少部分的像素范圍內(nèi)；

（3） 目標(biāo)能量從中心向四周擴(kuò)散，逐漸減小。

本文根據(jù)這3條特征分別建立目標(biāo)能量分布特征函數(shù)、目標(biāo)能量集中特征函數(shù)和目標(biāo)能量傳遞特征函數(shù)，計(jì)算目標(biāo)候選區(qū)域的特征符合程度，通過閾值將不滿足條件的噪聲區(qū)域進(jìn)行去除，提取真實(shí)目標(biāo)。

(1) 目標(biāo)能量分布特征函數(shù)

目標(biāo)能量分布近似符合二維高斯分布，該特征表示了目標(biāo)的能量分布。本文采用模板匹配的思想，將高斯核作為匹配模板，將目標(biāo)區(qū)域進(jìn)行模板匹配，計(jì)算目標(biāo)區(qū)域和模板的相似度ER，并用其表示目標(biāo)的能量分布特征，其中相似度ER的計(jì)算公式如式（13）～（15）所示：

其中：ER(x，y)表示像素點(diǎn)(x，y)處的相似度，T'(x，y)和I'(x，y)表示目標(biāo)信息和模板信息。

(2) 目標(biāo)能量集中特征函數(shù)

目標(biāo)能量大部分集中在目標(biāo)中心及其周圍少部分的像素范圍內(nèi)，該特征表示了目標(biāo)的能量集中度，因此可以通過計(jì)算目標(biāo)能量集中度描述這一特征。定義EC為目標(biāo)能量集中度函數(shù)，EC的計(jì)算公式如式（16）、式（17）所示：

其中，S表示靠近目標(biāo)中心的范圍。

(3) 目標(biāo)能量傳遞特征函數(shù)

目標(biāo)能量從中心向四周擴(kuò)散且逐漸減小，該特征表示了目標(biāo)的能量傳遞，而圖像梯度可以表示圖像的灰度變化，所以引入梯度表示目標(biāo)的能量傳遞，一個(gè)點(diǎn)的梯度計(jì)算公式如式（18）～（21）所示：

其中：Gx為水平方向梯度，Gy為豎直方向的梯度，?(x，y)為梯度方向。定義ET為目標(biāo)的能量傳遞特征函數(shù)，其公式如式（22）～（24）所示：

其中：?k(x，y)表示歸一化高斯核的梯度方向，?diff(x，y)表示目標(biāo)區(qū)域與高斯核的梯度差異，N代表目標(biāo)區(qū)域像素個(gè)數(shù)。

(4) 閾值設(shè)定

閾值的設(shè)定依據(jù)為目標(biāo)的成像特征?？紤]到實(shí)際星圖中目標(biāo)很難達(dá)到理想成像的情況，所以設(shè)定了寬松的閾值范圍：TER=0.5～0.7，TEC=0.70～0.9，TET=0.4～0.6，即目標(biāo)區(qū)域應(yīng)滿足：（1） 50%～70%以上的像素點(diǎn)符合二維高斯分布；（2） 70%～90%的能量集中在中心區(qū)域；（3） 40%～60%以上的像素點(diǎn)具有正確的能量傳遞。

對于不同的星圖，可在星圖中加入特定信噪比的仿真目標(biāo)，利用特征函數(shù)自動(dòng)計(jì)算得出閾值區(qū)間，對本文給出的寬松閾值區(qū)間進(jìn)行調(diào)整。

當(dāng)目標(biāo)候選區(qū)域同時(shí)滿足3個(gè)閾值條件時(shí)，即ER＞TER、EC＞TEC、ET＞TET時(shí)，F(xiàn)(x，y)被判斷為真實(shí)目標(biāo)。

4 實(shí)驗(yàn)結(jié)果和分析

4.1 實(shí)驗(yàn)數(shù)據(jù)

為了驗(yàn)證本文算法的有效性，進(jìn)行了真實(shí)星圖實(shí)驗(yàn)驗(yàn)證，所使用的數(shù)據(jù)為中國科學(xué)院大視場4.8°光學(xué)望遠(yuǎn)鏡所拍攝的圖像數(shù)據(jù)，實(shí)驗(yàn)平臺和星圖如圖4所示。

圖4 實(shí)驗(yàn)平臺（a）和星圖（b）Fig.4 Experimental platform （a） and star map （b）

實(shí)驗(yàn)中所用到圖像序列為不同天空區(qū)域拍攝的序列，包含210、70和20張圖像，從其中選取7個(gè)不同信噪比的典型目標(biāo)，并取目標(biāo)80×80像素區(qū)域組成新的圖像序列。所有實(shí)驗(yàn)均在一臺2.70 GHz英特爾酷睿i7-12700H處理器、內(nèi)存（RAM）為16 GB的個(gè)人電腦上運(yùn)行，所使用的測試軟件為PyCharm Community Edition 2022.1.2。

4.2 評價(jià)指標(biāo)

通?？捎媚繕?biāo)的信噪比SNR描述目標(biāo)的顯著性，其計(jì)算公式為：

引入接受者操作性能（Receiver Operating Characteristic，ROC）曲線進(jìn)一步展示算法的有效性。通過計(jì)算算法的檢測率（True Positive Rate，TPR）和虛警率（False Positive Rate，F(xiàn)PR），以虛警率為橫軸，檢測率為縱軸繪制ROC曲線。其中檢測率TPR和虛警率FPR的定義分別為：

當(dāng)虛警率一定時(shí)，檢測率越高，說明算法的檢測效果越好；同理，當(dāng)檢測率一定時(shí)，虛警率越低，說明算法的檢測效果越好。在ROC曲線中則表現(xiàn)為，曲線越靠左上，算法的性能越好。

4.3 算法效果驗(yàn)證

將本文所提方法用于星圖實(shí)驗(yàn)驗(yàn)證，各閾值設(shè)定為：TER=0.55，TEC=0.8，TET=0.5。算法檢測結(jié)果如圖5所示，圖中空間目標(biāo)由紅色矩形框標(biāo)記，恒星由藍(lán)色圓形標(biāo)記。

圖5 算法處理效果圖。（a） 原始圖像； （b） 目標(biāo)區(qū)域灰度三維圖；（c） 原始目標(biāo)灰度圖； （d） 中值濾波后；（e） 本文算法處理后。Fig.5 Effect of algorithm processing. （a） Original image； （b） Grayscale 3D image of the target area ；（c） Original target grayscale image； （d） Median filtered； （e） Processed by the proposed algorithm.

為了進(jìn)一步驗(yàn)證所提算法的有效性，將其與DLCM［15］、ILCM［11］、SWLCM［12］、RLCM［13］和文獻(xiàn)［16］方法共5種經(jīng)典人類視覺系統(tǒng)目標(biāo)檢測算法進(jìn)行了對比。實(shí)驗(yàn)使用圖5（a）中相同的3幅圖像，各算法的檢測結(jié)果如圖6所示，其中，空間目標(biāo)由紅色矩形框標(biāo)記，恒星由藍(lán)色圓形標(biāo)記，其余未標(biāo)記的白色部分為虛警。從檢測結(jié)果可以看出，本文所提方法能成功檢測所有目標(biāo)，無虛警現(xiàn)象。其他對比方法可以檢測到處于一定信噪比的目標(biāo)，受圖像中高亮度恒星和噪聲干擾，由于都采用自適應(yīng)對比度閾值分割，出現(xiàn)了目標(biāo)漏檢的情況，并且還將某些對比度計(jì)算結(jié)果較高噪聲區(qū)域識別為目標(biāo)。

圖6 不同方法檢測結(jié)果。（a） Dlcm；（b） Ilcm；（c） Swlcm；（d） Rlcm；（e） 文獻(xiàn)［16］方法；（f） 本文算法。Fig.6 Detection results of different methods. （a） Dlcm；（b） Ilcm；（c） Swlcm；（d） Rlcm； （e） Method of literature［16］；（f） Proposed.

圖7 不同算法的平均ROC曲線比較Fig.7 Comparison of average ROC curves of different algorithms

各算法對不同圖像序列的檢測結(jié)果如表1所示?？梢钥闯?，在不同情況下，隨著目標(biāo)信噪比的降低和目標(biāo)周圍環(huán)境的變化，其他5種算法的檢測能力大幅下降。特別是當(dāng)圖像中包含大量高亮度恒星和非均勻的雜散光時(shí)，其他5種算法都采用自適應(yīng)全局閾值分割，閾值受高響應(yīng)目標(biāo)影響較大，導(dǎo)致目標(biāo)檢測率下降較多。而本文算法采用了目標(biāo)區(qū)域歸一化和目標(biāo)特征閾值分割方式，對復(fù)雜背景和高亮度恒星具有魯棒性，所以具有較高的檢測率。

表1 不同算法的檢測結(jié)果比較Tab.1 Comparison of detection results of different algorithms

在算法時(shí)間消耗方面，局部對比度方法（DLCM［15］、ILCM［11］、SWLCM［12］、RLCM［13］和文獻(xiàn)［16］方法）通過設(shè)計(jì)復(fù)雜的對比度計(jì)算窗口提升了算法的性能，但復(fù)雜的對比度遍歷計(jì)算也大幅增加了算法運(yùn)行時(shí)間。而本文方法在對比度計(jì)算前進(jìn)行了目標(biāo)候選區(qū)域的篩選，避免了后續(xù)對比度的遍歷計(jì)算，極大地節(jié)省了算法時(shí)間消耗，與其他幾種方法相比，具有明顯的優(yōu)勢。

5 結(jié)論

本文提出了一種基于快速局部對比度和目標(biāo)特征的目標(biāo)檢測方法，算法分為對比度計(jì)算前、對比度計(jì)算中和對比度計(jì)算后3部分。在對比度計(jì)算前，采用中值濾波去除部分噪聲，采用快速極大值濾波篩選目標(biāo)候選區(qū)域，提高算法實(shí)時(shí)性；在對比度計(jì)算中，采用3層對比度窗口，抑制復(fù)雜背景并突出目標(biāo)成像特征；在對比度計(jì)算后，設(shè)置目標(biāo)成像特征函數(shù)，通過特征閾值去除噪聲，提取真實(shí)目標(biāo)。實(shí)驗(yàn)結(jié)果表明，本文算法對于信噪比為1.5的目標(biāo)有95%的檢測率，平均耗時(shí)僅為某些對比方法的1/30～1/6，相比于對比方法，在檢測率和時(shí)間消耗上具有一定的優(yōu)越性。算法滿足星圖空間目標(biāo)檢測算法魯棒性強(qiáng)、實(shí)時(shí)性高的要求，適用于星圖復(fù)雜背景下的快速目標(biāo)檢測，具有一定的工程指導(dǎo)價(jià)值。