基于IHBF的增強局部對比度紅外小目標檢測方法

賀 順，謝永妮，楊志偉，賀小艷，劉祥熹

基于IHBF的增強局部對比度紅外小目標檢測方法

賀 順1，謝永妮1，楊志偉2，賀小艷1，劉祥熹1

（1. 西安科技大學 通信與信息工程學院，陜西 西安 710600；2. 西安電子科技大學 雷達信號處理國家重點實驗室，陜西 西安 710071）

針對非均勻背景下紅外小目標檢測率低的問題，本文引入人眼視覺系統對比度機制，提出一種基于改進高提升濾波（improved high boost filter，IHBF）的增強局部對比度紅外小目標檢測方法。首先，根據小目標的頻域特性，通過IHBF運算提升高頻信號同時，剔除含有背景的低頻信號；然后，提出增強局部對比度方法構建比差聯合形式的算子，進一步增強目標與背景間的對比度，獲得最優顯著圖；最后，采用自適應閾值分割技術獲取真實目標。仿真結果表明：相對于現有的局部對比度算法，所提方法在檢測率、虛警率等方面更具優勢，是非均勻背景下檢測紅外小目標的一種有效方法。

人眼視覺系統；紅外小目標；改進高提升濾波；增強局部對比度；目標檢測

0 引言

紅外小目標檢測是紅外搜索與跟蹤（Infrared Search and Track, IRST）系統的關鍵技術之一，如何提高紅外圖像中小目標的檢測精度對IRST系統具有十分重要的作用[1-3]。在原始圖像序列中，紅外小目標的亮度通常比背景強。然而，在多云、山地、海面等非均勻背景下，目標常被淹沒在強噪聲與背景雜波中，導致目標精確檢測十分困難[4]。

近年來，許多研究學者主要利用人眼視覺特性提高紅外小目標的檢測性能[5-6]，包括尺度自適應[7]、對比度[8]、注意力轉移[9]等。研究結果表明：人眼在辨識物體時，更多是依賴對比度，而非強度?；诖?，Kim[10]等人對原始紅外圖像進行高斯-拉普拉斯（Laplacian of Gaussian，LoG）濾波來提高對比度，但難以檢測背景邊緣處的目標，產生較高的虛警率。在此基礎上，Shao[11]等人將LoG濾波器與形態學處理相結合，在復雜雜波下能有效辨別目標和噪聲。Chen[12]等人提出局部對比度（Local Contrast Measure，LCM）方法，改善了對小目標的檢測性能，但無法有效抑制高亮背景，存在嚴重的“塊效應”。

隨著研究的深入，基于局部對比度的紅外小目標檢測方法陸續提出。Han[13]等人提出一種改進的局部對比度（Improved LCM，ILCM）算法，對高斯差分（Difference of Gaussian，DoG）濾波后的紅外圖像進行分塊處理，提高了檢測速度，但該算法利用子塊的平均值計算對比度，使得尺寸小的目標被削弱。Qin[14]等人根據人類視覺系統（Human Visual System，HVS）特性，在滑動窗口中僅計算若干個最大像素的均值，解決了ILCM中目標容易被淹沒的問題，取得較好的檢測效果。此外，Wei[15]等人考慮目標與背景塊的差異信息計算不同尺度下的局部對比度，能夠有效增強紅外圖像中的亮、暗目標。隨后，Shi[16]等人提出了高提升的多尺度局部對比度（High-boost-based Multiscale Local Contrast Measure，HB-MLCM）算法，利用多尺度局部對比度的差值作為增強系數來適應不同尺寸的目標，但易受高亮度邊緣的影響，對小而暗的目標檢測性能較差。在此基礎上，Wang[17]等人提出了新的基于高提升濾波的改進局部對比度（Novel High-Boost Filter Improved LCM，NHBF-ILCM）算法，可以有效增強非均勻背景下的目標，然而該算法在計算目標與背景間的局部差異時，引入了平方運算，造成檢測性能急劇下降。

為解決現有局部對比度方法在含有碎積云層、重雜波、高亮度邊緣等非均勻背景影響下小目標檢測率不高的問題，本文提出了一種基于改進高提升濾波（Improved High Boost Filter，IHBF）的增強局部對比度小目標檢測方法。首先，利用IHBF運算去除大面積背景雜波對目標檢測的影響。然后，提出增強局部對比度（Enhanced Local Contrast Measure，ELCM）方法避免了現有對比度方法在圖像邊緣處的顯著值干擾。最后，通過自適應閾值分割技術獲得小目標的位置。實驗結果表明IHBF-ELCM方法可以有效消除復雜邊緣導致的虛假檢測，擴大目標對比度。即使圖像存在大量疑似目標的區域，也具有穩定的檢測性能。

1 本文提出的檢測算法

圖1給出了文中所提方法的處理流程圖。首先，為了濾除含有背景的高頻信號，采用IHBF運算對圖像進行預處理。然后，基于小目標的出現會對鄰域圖像的紋理信息帶來顯著性的變化，提出ELCM方法得到最優檢測圖。最后，在顯著性檢測圖上設置合適的閾值，準確提取目標。

圖1 檢測方法的流程

1.1 IHBF運算

在紅外小目標圖像中，背景主要是大面積緩慢變化的低頻部分，如天空背景中的云層，其在空間上往往呈連續分布狀態，而目標總是表現為一個個孤立的亮斑，占據圖像的高頻頻段[18]。因此如何利用頻域信息突出目標、抑制背景雜波顯得尤為重要。如文獻[15-16]所示，HBF通常用來增強傳統圖像中的高頻分量，并保留低頻分量。HBF的定義如下：

HBF＝(1＋)0－×m(1)

式中：0和m分別表示原始圖像和平滑圖像。當＞1時，HBF為高提升濾波后的結果。

由式(1)的計算過程可以看出，該方法對銳化紅外圖像邊緣是有效的。然而，在原始紅外圖像中，小目標周圍往往存在背景雜波和噪聲，若直接利用HBF對圖像進行預處理，會產生大量的雜波邊緣，影響后續目標的檢測精度。為了有效增強紅外圖像中的小目標，IHBF方法可以定義為如下的形式：

h＝max{0－m, 0} (2)

IHBF＝0(,)×h(,) (3)

式中：(,)表示當前像素點的坐標；為IHBF的權重系數。通常，系數＞1時，有利于提升高頻成分，但取值越大，則很容易引入過多像素級的高亮噪聲（Pixel-Sized Noises with High Brightness，PNHB），因此，本文將設置為1.2。

顯然，對于大面積分布連續的純背景，其平滑背景的像素輸出值h為零，也就是說，簡單背景的像素強度會表現出很高的一致性，差異較小。因而經過公式(3)的處理，紅外圖像中大面積的低頻背景信號將被顯著抑制，同時得到凸顯目標區域。此外，IHBF計算簡單、速度快，易于擴展到實際應用中。

1.2 增強局部對比度測量計算

人眼視覺系統（HVS）在復雜環境下能穩健提取出目標區域，主要得益于尺度自適應機制與對比度機制。尺度自適應機制指自動調整分辨率，使之與目標尺寸匹配；對比度機制是指根據對比度從背景中分割出目標區域，而不是依賴目標信號強度[19]。換言之，人眼利用目標區域與鄰近背景的強度差異（也稱為局部對比度）信息來檢測目標，對信號強度具有穩健性。本文利用目標與周圍背景間存在對比度差異的特征，設計了一個新的增強局部對比度測量方法，以單尺度對比計算獲得最優顯著檢測圖，大大減少了實際運算量。

按照圖2(b)所示的窗口從上至下、從左至右的順序遍歷紅外圖像，為避免小目標被分離，窗口以逐個像素點步長移動。經過處理圖像可得到一系列子塊（包括目標區域、高亮度背景、復雜背景邊緣和PNHB），并且這些塊有所重合。圖2(a)為圖像塊分為9個單元的示意圖，中央單元標號為“0”，其他8個單元依次標號為1，2，3，…，7，8。

圖2 滑動窗口的嵌套模型

PNHB通常僅以單像素形式出現，在紅外圖像中所占像素較少，而真實紅外小目標通常面積很?。ǜ鶕PIE定義[20]，小于9×9像素）。為了減少PNHB對小目標區域的影響，有效提高圖像的信雜比，將每個子塊的值定義為所有像素的灰度平均值，如下式所示：

式中：0是中央單元“0”所包含的像素個數；I0是單元格中第個像素的灰度值；類似地，b代表周圍背景區域中的像素數；I表示相應背景單元(＝1,2,…, 8)的灰度值。

小目標區域內部通常是相對平滑的，但與其周圍的背景雜波之間存在較大差異。也就是說，目標的強度高于或小于背景塊的強度。因此，為了最大化目標與其對應的周圍背景單元之間的對比度，提出增強局部對比度C，具體計算式為：

式中：為滑動窗口遍歷整幅圖像時得到的第個圖像塊；L表示中心“0”號單元的最大像素灰度值。通過計算增強局部對比度，可對圖像中每一個像素點用C替換得到顯著性檢測圖，其中C值越大，表示此處越有可能出現小目標。

1.3 自適應閾值分割

在獲取的顯著性檢測圖中，真正的目標通常是局部顯著的，而其它雜波干擾可以得到有效的抑制。因此，采用簡單的自適應閾值分割操作即可完成小目標的提取。借鑒統計學中的3準則[21]，本文將閾值定義為：

r＝＋(6)

式中：是參數；和是的均值和標準差，即：

1.4 檢測能力分析

如圖2所示，紅外圖像中通常存在不同類型的干擾，如高亮度背景、復雜的背景邊緣和PNHB。通過計算每個像素的IHBF-ELCM值，可以在增強紅外小目標的同時顯著抑制以上不同分量的干擾，進一步提高圖像的信雜比。

2）當中心單元包含真正目標時，由于在局部區域內目標與其對應的周圍背景之間存在顯著的對比度，很容易得到0＞b，則有T＞L成立，即在顯著性圖像中目標幅度被增大。因此，在最終顯著圖中具有最大值的區域最有可能成為目標。

4）當中心單元包含PNHB時，由于其灰度值接近或略大于真實目標，很難決定它是被增強還是抑制。然而，PNHB通常是像素級別的噪聲，對中心子塊的平均值影響很小，于是有T＞PNHB成立，從而在檢測時與目標做區分，降低了PNHB噪聲對檢測的影響。

2 實驗結果與分析

為了驗證本文所提方法對非均勻場景具有穩健性，對6個不同背景類型的紅外圖像進行仿真實驗，其中序列1表示碎積云天空背景；序列2表示高亮天空背景；序列3表示樹木背景，序列4表示?？针s波背景；序列5表示建筑背景；序列6表示多云層結構干擾的天空背景。

表1中給出不同圖像的分辨率、目標大小、背景類型等詳細信息。實驗數據處理均在內存16G、主頻3.4GHz的Intel i7雙核通用計算機上完成，所使用的測試軟件為MATLAB R2016a。

表1 六組紅外序列的詳細信息

2.1 使用本文算法的檢測效果

圖3是采用所提IHBF-ELCM算法逐步得到的檢測結果，可以看到，第一列為原始紅外圖像，用紅色方框標記的區域為目標，在非均勻背景下目標小而暗淡，易受高亮度邊緣、PNHB和雜波的影響。第二列是使用IHBF方法處理后的圖像，目標變得比較突出，減少了大多數非均勻背景的干擾。接下來，經過ELCM計算后，目標區域的像素值得到了有效地提升，同時殘留的高亮背景邊緣對比度值基本靠近0附近，可以很好地去除背景邊緣。另外，當目標位于包含PNHB噪聲的建筑背景時，在三維顯示圖中可以清楚地看到目標成為了最顯著的區域，而層層相似的房屋邊緣灰度值抑制為0，且圖像的信雜比得到了進一步的提高。最終，經過閾值分割成功檢測到了所有小目標，無虛警發生。特別地，若小目標靠近高亮噪聲、尖銳邊緣時，結合圖3中第1、2、5行可見，本文算法在這種極端情況下仍具有較好的檢測效果，證明該算法能夠有效處理非均勻背景下不同類型的目標。

圖3 本文算法各階段處理結果

2.2 與現有算法的性能對比

本文選擇了一些現有的局部對比度算法進行對比，包括LCM[12]，MPCM[14]，LIG[8]，HB-MLCM[16]和NHBF-ILCM[17]算法。其中，LCM和MPCM是基于HVS的經典算法，LIG是利用強度和梯度特性檢測目標的算法，HB-MLCM和NHBF-ILCM是基于高提升濾波的HVS算法。以上算法的對比結果如圖4所示，紅色方框標出了真實目標位置，LCM算法由于利用中央子窗口像素灰度的最大值來增強目標，導致受到高亮度背景影響時，檢測結果中會出現大量虛警點。與LCM相比，MPCM、LIG算法具有更好的抑制性能，但對于高亮邊緣處的目標容易出現虛檢。HB-MLCM、NHBF-ILCM算法通?？梢詫崿F更好的檢測性能，然而當目標淹沒在建筑背景（Seq.5）時，不能成功檢測到目標。這是因為算法利用均值濾波抑制背景時，過度削弱了目標的亮度，導致目標亮度低于背景，從而無法準確提取目標。另外，HB-MLCM算法采用多個尺度進行對比度計算，算法運算量較大。由圖4中所提方法的結果可以看出，本文方法可以有效增強真實目標，抑制其它雜波干擾，即使在復雜的高亮背景下仍具有優良的檢測性能。這是由于該方法利用IHBF對圖像進行了預處理，避免了大部分背景對后續局部對比度計算的影響，可以更準確地提取目標。

圖4 不同算法對比檢測結果

為了定量比較算法性能，本文分別采用信雜比增益（signal clutter ratio gain，SCRG）和背景抑制因子（background suppression factor，BSF）兩項指標評估各個算法，SCRG和BSF的定義如下：

式中：SCR表示圖像的信雜比；表示背景的灰度標準差。表2為不同圖像下各個方法的的SCRG和BSF值，其粗體表示最優值，下劃線的表示次優值。SCRG反映了處理前后目標信號相對于背景的增強程度，而BSF表示背景的抑制水平，二者的值越高，說明所對應算法增強目標、去除背景的能力越強。定量分析發現，在所有的測試樣本中，相對于其他算法，本文方法均可以取得最大的SCRG和BSF值，表明本文方法不僅能夠抑制背景干擾，還能有效突出目標的顯著性特征。

表2 各圖像下不同算法的SCRG值和BSF值

Note: “-” indicates that the algorithm did not detect the target

與此同時，為了更直觀地比較算法的檢測性能，分別計算各個方法的檢測率d和虛警率a[23]，即：

當檢測結果與真實目標之間的位置不超過4個像素時，則認為檢測成功。此外，受試者工作特征（Receiver Operating Characteristic，ROC）曲線[24]也是表征d和a相對變化的綜合評價指標。曲線越接近左上方位置，d值越大，a值越小，表明該方法的實際檢測性能越好。圖5顯示了6個序列上各個方法獲得的ROC曲線，其中LCM方法的性能最差，這是因為它未對圖像進行預處理，只采用了比值局部對比度來增強小目標。MPCM和LIG方法的檢測性能優于LCM，然而當場景中有嚴重的雜波噪聲時，虛警率隨之升高。HB-MLCM和NHBF-ILCM方法在大多數情況下檢測率高于其余算法，但無法檢測到建筑場景中暗而小的目標。相比于5種局部對比度方法，本文所提方法的ROC曲線均可以較快地靠近左上方位置，即在相同虛警率下，目標檢測準確率最高，表明所提IHBF-ELCM方法在多種非均勻背景下均能達到最優性能。

圖5 不同序列下的各算法ROC曲線

3 結論

本文結合人眼對目標的對比度敏感機制，提出了一種基于IHBF的增強局部對比度紅外小目標檢測方法，充分利用目標與周圍背景的局部差異信息，增強真實目標，抑制非均勻背景。為了驗證所提方法的有效性，在6個不同場景下，與LCM、MPCM、LIG、HB-MLCM、NHBF-ILCM方法進行了比較，所提方法不但能夠提高小目標在高亮背景下的可見度，而且能夠減小復雜高亮區域及邊緣突變區域所引入的虛假檢測。此外，本文所提方法主要通過局部對比特性檢測目標，未來可以考慮結合紅外小目標的局部梯度特性，進一步優化方法性能。

[1] CHEN Zhengguo, CHEN Shuizhong, ZHAI Zhengjun, et al. Infrared small-target detection via tensorconstruction and decomposition[J]., 2021, 12(9): 900-909.

[2] HAN Jinhui, MORADI Saed, FARAMARZI Iman, et al. A local contrast method for infrared small-target detection utilizing a tri-Layer window[J]., 2020, 17(10): 1822-1826.

[3] CHEN Yuwen, SONG Bing, WANG Dianjun, et al. An effective infrared small target detection method based on the human visual attention[J]., 2018, 95: 128-135.

[4] DAI Yimian, WU Yiquan, SONG Yu. Infrared small target and background separation via column-wise weighted robust principal component analysis[J]., 2016, 77: 421-430.

[5] 劉旭, 崔文楠. 采用人類視覺對比機制的紅外弱小目標檢測[J].紅外技術, 2020, 42(6): 559-565.

LIU Xu, CUI Wennan. Infrared-image-based detection of dim and small targets using human visual contrast mechanism [J]., 2020, 42(6): 559-565.

[6] 徐小東, 朱慧, 郝忻, 等. 基于視覺對比度機制的紅外雙極性小目標檢測方法[J]. 傳感技術學報, 2021, 34(5): 597-603.

XU Xiaodong, ZHU Hui, HAO Xin, et al. Detection method of infrared bi-polar small targets based on visual contrast mechanism[J]., 2021, 34(5): 597-603.

[7] ZHANG Hong, ZHANG Lei, DING Yuan, et al. Infrared small target detection based on local intensity and gradient[J]., 2017, 89(12): 88-96.

[8] QIN Zhaobing, MA Yong, HUANG Jun, et al. Adaptive scale patch-based contrast measure for dim and small infrared target detection[J]., 2020, 19(12): 1-5.

[9] KIM Sungho, YANG Yukyung, LEE Joohyoung, et al. Small target detection utilizing robust methods[J]., 2009, 30(9): 994-1011.

[10] SHAO Xiaopeng, FAN Hua, LU Guangxu, et al. An improved infrared dim and small target detection algorithm based on the contrast mechanism of human visual system[J]., 2012, 55(5): 403-408.

[11] CHEN C L P, LI Hong, WEI Yantao, et al. A local contrast method for small infrared target detection[J]., 2014, 52(1): 574-581.

[12] HAN Jinhui, MA Yong, ZHOU Bo, et al. A robust infrared small target detection algorithm based on human visual system[J]., 2014, 11(12): 2168–2172.

[13] QIN Yao, LI Biao. Effective infrared small target detection utilizing a novel local contrast method[J]., 2016,13: 1890-1894.

[14] WEI Yantao, YOU Xinge, LI Hong. Multiscale patch-based contrast measure for small infrared target detection[J]., 2016, 58: 216-226.

[15] SHI Yafei, WEI Yantao, PAN Donghui, et al. High-boost-based multiscale local contrast measure for infrared small target detection[[J]., 2018, 15(1): 33-37.

[16] WANG Hao, LIU Cuntong, MA Chenning, et al. A novel and high-speed local contrast method for infrared small-target detection[J]., 2020, 17(10): 1812-1816.

[17] HAN Jinhui, LIU Sibang, QIN Gang, et al. A local contrast method combined with adaptive background estimation for infrared small target detection[J]., 2019, 16(9): 1442-1446.

[18] DENG He, SUN Xianping, LIU Maili, et al. Entropy-based window selection for detecting dim and small infrared targets[J]., 2017, 61: 66-77.

[19] 楊威, 付耀文, 潘曉剛, 等. 弱目標檢測前跟蹤技術研究綜述[J]. 電子學報, 2014, 42(9): 1786-1793.

YANG Wei, FU Yaowen, PAN Xiaogang, et al. Track-before-detect technique for dim targets: an overview [J]., 2014, 42(9): 1786-1793.

[20] HAN Jinghui, LIU Chengyin, LUO Zhen, et al. Infrared small target detection utilizing the enhanced closest-mean background estimation[J]., 2021, 14: 645-662.

[21] 韓金輝, 董興浩, 蔣亞偉, 等. 基于局部對比度機制的紅外弱小目標檢測算法[J].紅外技術, 2021, 43(4): 357-366.

HAN Jinghui, DONG Xinghao, JIANG Yawei. Infrared small dim target detection based on local contrast mechanism[J]., 2021, 43(4): 357-366.

[22] ZHAO Mingjing, LI Lu, LI Wei, et al. Infrared small-target detection based on multiple morphological profiles[J]., 2021, 59(7): 6077-6091.

[23] DU Peng, HAMDULLA Askar. Infrared small target detection using homogeneity-weighted local contrast measure[J]., 2019, 17(3): 514-518.

IHBF-Based Enhanced Local Contrast Measure Method for Infrared Small Target Detection

HE Shun1，XIE Yongni1，YANG Zhiwei2，HE Xiaoyan1，LIU Xiangxi1

(1. Communication and Information Engineering College, Xi’an University of Science and Technology, Xi’an 710600, China;2. National Laboratory of Radar Signal Processing, Xidian University, Xi’an 710071, China)

Inspired by the contrast mechanism of the human visual system (HVS), this study proposed an improved high boost filter (IHBF)-based enhanced local contrast measurement method for solving the low detection rate of infrared (IR) small targets with a non-homogeneous background. First, based on the frequency characteristics of the small target, the IHBF operation was used to discard the low-frequency signal containing the background. An enhanced local contrast measure method was proposed to construct the contrast operator of the ratio-difference joint form. Thus, the target contrast can be enhanced further to obtain an optimal saliency map. Finally, the adaptive threshold technology was used to extract small targets. The simulation results demonstrate that compared with existing local contrast algorithms, the proposed method is better in terms of detection rate and false alarm rate and is an effective method for detecting IR small targets in non-homogeneous backgrounds.

HVS, IR small target, improved high boost filter, enhanced local contrast, target detection

TP751.1

A

1001-8891(2022)11-1132-07

2022-08-04；

2022-09-13.

賀順（1980-），女，湖南常德人，博士，副教授，主要從事紅外圖像處理、陣列信號處理等方面的研究工作。E-mail: heshun1212@163.com。

謝永妮（1998-），女，陜西寶雞人，碩士，主要從事紅外小目標檢測、紅外圖像處理等研究。E-mail：x1522997@163.com。

國家自然科學基金（62071481）。