摘 要： 针对空中红外弱小目标" title="红外弱小目标">红外弱小目标的检测，提出了一种新的背景预测" title="背景预测">背景预测方法。该方法对云层边缘区域的点采用亮暗点分类，寻求最相似点的方法进行预测；对非边缘区域的点采用基本背景预测法进行预测；最后经过背景对消和阈值分割，将弱小目标检测" title="目标检测">目标检测出来。实验结果表明，该方法能够提高对起伏背景预测的准确性，减小由于云层边缘预测不准确而引起的虚警，从而能够更加有效地检测到弱小目标。
    关键词： 背景预测  红外弱小目标  目标检测

    红外弱小目标检测技术作为红外成像制导中的关键技术之一，越来越受到人们的重视。但由于红外弱小目标具有距离远、面积小、形状特征弱、细节特征部分丧失、信噪比" title="信噪比">信噪比低等特点，对红外弱小目标的检测依然具有极大的挑战性。
    目前，基于背景预测的红外弱小目标检测技术得到了很大的发展。主要包括基本背景预测法^[1]、自适应背景预测法^[2]、分块背景预测法(包括区域最大化背景预测法^[1]、区域最小化背景预测法^[3]、区域均值背景预测法^[4]、区域最相似背景预测法^[1])、基于神经网络的背景预测方法^[5]等。在图像信噪比较高、背景较均匀的情况下，这些方法检测效果良好；但当背景起伏较大，图像信噪比较低时，在背景的起伏边缘就会出现较多的虚警。以含有起伏云层的天空背景为例,当图像信噪比较低时，云层边缘预测值与真实灰度值之间就会产生较大差异，检测结果会出现以云层亮边缘为主的虚警点。因此，应尽可能地对边缘进行准确预测，使残差图中边缘被极大抵消，达到抑制背景、突出目标的目的。鉴于此，本文提出一种新的基于边缘区域亮暗点分类的背景预测方法，以减小起伏背景对检测结果的影响。
1 红外弱小目标图像特性分析
    红外图像是利用红外探测器扫视被摄景物空间而获得的红外热辐射图像。红外弱小目标图像可描述为：
    f(x，y)=s(x，y)+b(x，y)+n(x，y)                    (1)
式中，(x，y)为像素点的坐标，f(x，y)为在红外焦平面传感器获取的场景图像，s(x，y)、b(x，y)和n(x，y)分别为红外目标、红外背景和噪声的图像。
    红外图像中的弱小目标尺寸很小,一般为几个或十几个像素，没有形状、大小和纹理等特征，缺乏结构信息，图像中惟一可供利用的是弱小目标的灰度信息。红外背景是指图像中的非目标区域，在图像中主要是大面积缓慢变化的低频成分，在灰度空间分布上具有较大的相关性。图像中噪声主要来源于探测器电路噪声，属于图像中的高频成分，可近似认为服从高斯分布，在灰度空间上的分布是随机的，与背景图像没有相关性。图像的信噪比较低，目标点极易被噪声和背景淹没，所以从背景出发进行弱小目标的检测更为合理。
2 背景预测方法的基本思想
    背景预测方法的基本思想是：背景中点的灰度值与周围像素点的灰度值相关性较强，而弱小目标点上的灰度值与周围背景像素点的灰度值相关性较差。因此，将图像中各点的灰度值用它周围区域点的灰度值进行预测，则背景中点的实际灰度值与预测值近似，两者相减得到的预测残差很小，而目标点的实际灰度值与预测值相差较大，预测残差较大。此时在残差图上进行门限检测即可得到目标。背景预测的目标是：使背景灰度的预测值尽可能接近真实值，而目标灰度的预测值尽可能远小于真实值，以使残差图中背景尽可能被消掉，目标尽可能被突出。
    基本的背景预测模型可表示为：

式中，X是尺寸为M×N的输入图像，Y是预测图像，W_j是第j级的权重矩阵，j=m×M+n对应着当前位置，S_j对应着局域背景选取点的范围集合，属于S_j的像素点个数是有限的，设为L。
    预测图像与输入图像之间的残差图像为：

式中，X是原始输入图像，Y(m，n)是预测图像。这样，目标检测问题就转化为在残差图像上进行阈值检测。
3 背景预测方法介绍
    根据权值的不同取法，现有背景预测方法可分为以下几类：基本背景预测方法、分块背景预测方法、基于边缘区域亮暗点分类的背景预测方法等。
3.1 基本背景预测方法
    基本背景预测的权重为固定权值。按权值的取法可对应成如下的滤波器模板：

    h1、h2、h3模板均适用于点目标和弱小目标，h2、h3模板的兼容性更好一些。
3.2 分块背景预测方法
    分块背景预测法是将像素点周围背景以该像素点为中心划分为四个区域，分别以这四个区域中的最大值、最小值、均值、最相似值作为预测点的预测值，获得预测图，依次称为区域最大化背景预测法、区域最小化背景预测法、区域均值背景预测法、区域最相似背景预测法。
    分块背景预测法在某些情况下可对背景实现有效预测，但其存在如下问题：当弱小目标灰度值较低且位于亮云层边缘时，采用区域最大化背景预测法，目标的灰度预测值就会接近周围的亮背景，预测值会比较大，则残差后目标点处的残差值会比较小，使得与背景的对比度较低，无法正确检测到目标；采用区域最小化背景预测法时，背景亮边缘区域点的灰度预测值会变小，这样虽然目标点残差值较大，但云层边缘处的背景点残差值也较大，容易出现以云层边缘为主的虚警点；采用区域最相似背景预测法，目标的预测值比较接近真实值，目标点的残差值较小，有可能检测不到目标。
3.3 基于边缘区域亮暗点分类的背景预测法
    参考文献[6]提出的基于边缘区域亮暗点分类的背景预测法是在自适应线性背景预测算法的基础上提出的改进算法。该算法利用自适应均值预测器对原始图像进行背景估计：当被预测点不是边缘点时，直接进行滤波；当被预测点是边缘点时，首先以预测窗口灰度均值为阈值将预测窗口内的像素点分为亮点和暗点两类，若亮像素点为多数，则根据亮像素点计算预测值，反之则根据暗像素点计算预测值。
    上述方法有如下缺点：若预测窗中暗像素点为多数，则高亮云层边缘就会用暗点来预测，其预测值可能会大大减小，使亮边缘点的残差值较大，容易形成虚警。

4 新的基于边缘区域亮暗点分类的背景预测法
    为了减少起伏边缘造成的影响，使背景灰度预测值尽可能接近真实值，而目标灰度预测值尽可能远小于真实值，本文提出一种新的基于边缘区域亮暗点分类的背景预测法。其主要思想是：对云层边缘区域的点采用亮暗点分类，寻求最相似点进行预测；对非边缘区域的点采用基本背景预测法进行预测，从而得到原图的背景预测图。本方法预测窗是以预测点p为中心的9×9区域，如图1所示。预测步骤如下：
    (1)对图像进行预滤波处理，去除点源噪声。
    (2)利用边缘检测方法" title="检测方法">检测方法提取背景云层边缘。
    (3)如果预测点在边缘区域，则以预测窗的均值为门限，将预测窗内的点分为亮点和暗点两类。如果被预测点属于亮点，则在预测区（预测窗内除去以预测点P为中心的5×5区域的灰色区域，共56个点）的亮点中搜索与被预测点灰度最接近的点作为预测值；如果被预测点属于暗点，则在预测区的暗点中搜索与被预测点最接近的点作为预测值。其中，预测区的选择要考虑到算法的兼容性。预测区域图如图1所示。

    (4)如果预测点不属于边缘，则用h1模板进行基本背景预测。
    本方法有两大优点：(1)对于边缘区域的点，充分考虑了被预测点本身的性质。以被预测点为参照进行预测，预测值要求与被预测点最接近；(2)充分考虑了边缘点的特性。边缘点处于两种灰度区域的交界处。若用预测窗内的所有点进行预测或不考虑被预测点的特性而以某一特性的部分点进行预测必然会产生较大的误差。应用本方法预测，可使得云层边缘点的预测值与真实值更接近，同时目标点处的预测值远小于真实值。
    为了清楚说明问题，列出几种背景预测方法的预测图，如图2所示。

    可以看出，与图2(b)相比较，图2(c)中云层发生膨胀，目标处灰度值非常低；图2(d)中云层发生收缩，边缘变暗，目标所在区域灰度值非常低，预测图中已看不到目标；图2(e)边缘有明显的腐蚀痕迹，云层边缘的亮点在预测图中变成了暗点，目标点中心位置灰度值较强；图2(f)中云层的边缘做到了较为准确的预测，目标位置处灰度变暗，几乎与背景相同，远小于目标真实值。
    图2(c)中目标在云层外时，残差后目标增强，背景减弱，能很好的检测到目标，但当目标在云层边缘时，目标的预测值会变大，残差值会减小，可能会检测不到目标；图2(d)中云层边缘会有残留，若残留的云层边缘灰度值小于目标点灰度值，则可检测到目标，反之，则不能检测到目标；图2(e)中云层强边缘会出现在残差图中，容易形成虚警点；图2(f)的残差图中，云层边缘得到了很好的抑制，而目标区域的灰度残差值较大。
5 背景对消和阈值分割
    采用新的基于边缘区域亮暗点分类的背景预测算法得到预测图，按照(3)式与预滤波处理后的原图作差，得到残差图。残差图整体灰度值较低，目标点与周围灰度值相近。为了方便后续的阈值分割，可采用合适的方法对残差图进行图像增强。
    残差图中已去掉了大部分低频信息，但仍存在部分低频残留和干扰点。所以需对图像进行分割，去掉干扰，只保留可能目标点。阈值选择对后续处理有重要影响：阈值过高,则可能丢失真正的目标信息，阈值过低，将造成较高的虚警率。本文采取自适应阈值分割图像，取门限为：
    T=m+kσ                                      (7)
式中，m为图像的均值，σ为图像的均方差；k为常值，根据经验获得，一般取5～15。每幅图像中，大于或等于门限的灰度值赋1，小于门限的灰度值赋0。

6 实验结果
    本文采用的红外弱小目标图像是在红外背景图像上嵌入弱小目标得到的合成图像，图像大小为244×320像素。其中，背景为空中云层，弱小目标为3×3像素，图像信噪比约为２。下面分别采用区域最大化背景预测法、区域最小化背景预测法、区域亮暗点分类背景预测法和本文提出的新的基于边缘区域亮暗点分类的背景预测法在PIII600A上进行仿真，给出最终检测结果并进行分析。第一种情况是目标在云层外，目标周围背景相对均匀，检测结果如图3所示；第二种情况是目标在云层边缘，目标周围背景起伏较大，检测结果如图4所示。

    在图3中，(a)图中白色方框内为小目标，(b)、(c)、(d)、(e)图中白色方框表示检测到的目标。可以看出，当目标在云层外，周围背景比较均匀时，(b)、(e)两种方法的检测效果较好，而(c)、(d)出现了以云层边缘为主的多个虚警，(c)的检测效果最差；当目标在云层边缘，周围背景起伏较大时，区域最大化背景预测法、区域最小化背景预测法、区域亮暗点分类背景预测法均出现了较多的虚警点，采用本文提出的新的基于边缘区域亮暗点分类的背景预测法的检测效果良好。综合考虑，可以看出，无论目标周围背景均匀或者起伏，采用本文提出的新的基于边缘区域亮暗点分类的背景预测法进行弱小目标检测均可以很好地抑制背景，有效地检测到目标。
    基于背景预测的红外弱小目标检测方法的关键是对图像背景准确预测时，对目标的影响最小。本文针对起伏边缘易产生虚警点，提出了一种新的基于边缘区域亮暗点分类的背景预测方法。实验结果表明：在图像背景起伏较大、信噪比低的情况下，该方法对起伏背景的预测更为准确，从而能够大大减小起伏边缘引起的虚警，更加有效的检测到弱小目标。
参考文献
[1] 徐军.红外图像中弱小目标检测技术研究.博士论文，西安电子科技大学，2003：11-19.
[2] DENNEY B S，FIGUEIREDO R J P.Optimal point target detection using adaptive auto regressive background prediction[C].Proc.SPIE，2000，4048：46-57.
[3] 向健勇，尹超，韩建栋.一种红外弱小目标检测方法.电子科技，2005，(1)：6-9.
[4] 尹超，向健勇，韩建栋.一种基于区域背景预测的红外弱小目标检测方法.红外技术，2004，26（6）：62-65.
[5] 张焱，沈振康，王平.基于RBF神经网络的背景估计及红外小目标检测.国防科技大学学报，2004，26（5）：39-45.
[6] 蔡智富.基于自适应背景估计的复杂红外背景抑制技术.硕士论文，哈尔滨工程大学，2005：29-31.