-
为了检验文中算法的有效性,使用了大量包含小目标的真实和仿真图像数据(包括序列数据和单帧数据)进行实验验证。文中所有实验代码均在一台采用1.80GHz英特尔酷睿i5-8250处理器、内存(RAM)为8GB的个人电脑上运行,所使用的测试软件为MATLAB R2016a。
首先,选取了5组不同背景下的真实红外图像序列进行实验。同时,为了验证文中算法在目标靠近高亮背景时的优势,文中还采用了一组仿真序列进行实验说明,该仿真序列中包含一个位于高亮背景边缘附近的小目标,且高亮背景的灰度值远大于目标的灰度值。 表1给出了6组图像序列的详细信息。
Seq. Frames Resolution Target size Target type 1 200 320×240 7×5 - 4×3 Plane 2 200 320×256 3×3 Plane 3 200 320×256 2×3 - 3×4 Plane 4 300 256×256 3×3 - 3×4 Unmanned aerial vehicle 5 100 256×256 5×5 - 5×7 Ships 6 200 320×256 3×3 Simulated Table 1. Details of the six IR sequences
图4给出了使用文中算法对6组图像序列进行检测的过程示意(除序列5中的 μ取为0.5外,其他序列中的 μ均取为0.9)。在原始图像中,目标通常亮度弱、尺寸小,不易被发现,且视场中往往存在很多复杂背景,很容易淹没目标。匹配滤波结果是对比度计算前对中心层进行高斯滤波后得到的,最接近滤波结果是对比度计算前对最外层进行最接近滤波后得到的背景估计。在匹配滤波结果和背景估计结果之间进行比差联合对比度计算后,可以看到目标变得比较突出,而大多数复杂背景都得到了很好的抑制,仅有少部分背景杂波残留。进一步地,经过中间层信息加权后(图中还给出了对该结果图像的三维显示效果),目标得到了进一步增强,同时上一环节残留的少部分背景杂波也得到了进一步的抑制。最终,经过阈值处理后,可以看到,所有目标都能被成功输出,仅序列1在坏点处出现了一处虚警。特别地,从序列6的原始图像示例中可以看出,此时目标位于背景边缘附近,且背景亮度远大于真实目标,而使用文中算法在这种极端情况下仍能成功检测出目标。
除了上述6组红外序列外,文中还使用了一个包含23帧图像、背景类型和目标类型更加多样化的单帧数据库,对算法性能进行辅助检验,如 图5所示。限于篇幅,此处仅给出了其中6帧图像作为示例( μ均取0.9)。显然,与 图4类似,在不同背景场景、不同目标类型下,文中算法都可以成功输出真实目标,并且未产生任何虚警。
-
为进一步地验证文中算法的优势,文中选择了8种现有对比度型算法作为对比算法,包括DoG、ILCM、NLCM、WLDM、MPCM、RLCM、MDTDLMS以及DLCM等。其中,DoG是差值型对比度算法,ILCM和NLCM是比值型对比度算法,WLDM和MPCM是多尺度型对比度算法,RLCM和MDTDLMS是比差联合型对比度算法,DLCM是最新提出的单尺度型对比度算法。
首先, 表2和 表3给出了各算法在6个序列中的信杂比增益(Signal-Clutter Ratio Gain,SCRG)和背景抑制因子(Background Suppression Factor,BSF),它们的定义为:
Seq. Target DoG ILCM NLCM WLDM MPCM RLCM MDTDLMS DLCM Proposed 1 1 6.2885 7.2875 10.1899 18.5764 7.6446 15.7705 51.2914 129.7833 111.1994 2 1 9.3889 17.0028 30.2405 45.1927 9.5588 17.6701 101.2353 444.8878 209.7027 3 1 13.9985 46.9499 44.1210 96.6349 8.3706 20.1072 134.0081 346.6128 234.0280 4 1 1.1451 4.4645 5.5739 6.6120 1.8120 3.8397 12.7133 49.7060 20.0574 5 1 8.4327 4.4035 0.30477 38.6412 8.3807 8.1419 35.3682 144.0714 42.6344 2 6.0860 14.0724 7.6629 34.1497 6.4653 7.0714 44.1577 115.3426 53.5452 3 5.9508 3.5529 2.8184 19.3874 8.9205 6.5915 46.3951 72.3783 48.1778 4 5.3314 3.4226 0.0654 18.1551 6.9744 6.5919 37.2507 60.5618 36.5833 6 1 1.1238 2.0236 2.6389 0.7468 2.6805 7.1062 0.6750 0.0000 133.8833 Table 2. SCRG of different algorithms in different sequences
Seq. DoG ILCM NLCM WLDM MPCM RLCM MDTDLMS DLCM Proposed 1 2.1241 33.9486 1.4121 681.6723 0.5767 6.1397 3.4236E3 6.8681E3 5.2603E3 2 7.1437 94.5928 0.1103 39.7668 0.0299 15.3719 1.8704E5 8.1327E5 3.8348E5 3 5.7067 46.3694 0.0220 22.8578 0.0192 15.1353 3.8940E5 1.0026E6 6.7702E5 4 0.4502 6.9512 0.0567 37.5616 0.1257 2.2033 1.8657E3 7.2556E3 2.9298E3 5 2.1606 29.8661 0.6584 536.9486 0.7421 5.2646 2.3261E3 6.0830E3 2.8033E3 6 0.6452 16.4929 0.4706 44.9468 0.4048 4.1212 690.4329 6.7822E3 2.6697E3 Table 3. BSF of different algorithms in different sequences
式中: SCR in和 SCR out分别表示原始图像和计算后图像的信杂比; σ in和 σ out分别表示原始图像和计算后图像的标准差。
从 表2和 表3的数据可以看出,DLCM算法中由于采用了最外层的最大值作为对比度计算时的背景参照,因此可以很好地抑制背景杂波,在大多数情况下都可以取得最好的SCRG和BSF结果。但是,对于序列6,当目标靠近高亮背景时,DLCM的检测将失效,目标完全被高亮背景淹没(SCRG为0)。文中算法由于采用了最接近滤波的思想,可以有效检测到高亮背景附近的目标(参见 图4第6行),这是文中算法相比DLCM的一大优势。在SCRG和BSF指标方面,虽然相比最大值思想而言,文中算法的最接近滤波思想对背景杂波的抑制能力稍弱,但也往往可以取得除DLCM算法之外的最好结果。
接着,文中引入了接受机工作性能(Receiver Operating Characteristic,ROC)曲线进一步地展示文中算法的有效性。通过对整个序列图像进行算法处理,计算出相应的检测率(True Positive Rate,TPR)和虚警率(False Positive Rate,FPR),再以虚警率为横轴、检测率为纵轴绘制曲线,即为ROC曲线。其中,TPR和FPR的定义式分别为:
当虚警率一定时,检测率越高,说明算法的检测性能越好;同理,当检测率一定时,虚警率越低,说明算法的检测性能越好。在ROC曲线中则表现为,曲线越靠左上,说明算法的检测性能越好。 图6给出了采用以上8种对比算法与文中算法分别对6组图像序列进行处理得到的ROC曲线,可以看出,在大多数情况下,文中算法的检测性能比现有算法强,尤其是在序列6中,文中算法的优势更加明显。
Figure 6. ROC curves of different sequences. (a) Seq. 1;(b) Seq. 2;(c) Seq. 3;(d) Seq. 4;(e) Seq. 5;(f) Seq. 6
最后,为了检验文中算法的实时性,测试并记录了不同算法在6组序列中平均检测一帧所消耗的时间,如 表4所示。
Seq. DoG ILCM NLCM WLDM MPCM RLCM MDTDLMS DLCM Proposed 1 0.2323 0.0836 0.0761 4.1925 2.2050 1.7396 19.1109 0.7723 0.9346 2 0.2535 0.0766 0.0688 4.6120 2.2460 1.9651 22.4699 0.8569 1.0432 3 0.2620 0.1012 0.0724 4.7081 2.2172 2.0232 20.8269 0.8398 0.9806 4 0.2324 0.0969 0.0893 3.8090 1.9081 1.5979 18.3858 0.6757 0.8096 5 0.2098 0.0733 0.0630 3.9777 1.7802 1.5662 18.3468 0.6748 0.7443 6 0.2531 0.0789 0.0671 4.9707 2.4189 2.0438 21.8442 0.8618 0.9469 Table 4. Average time consumption of different algorithms in different sequences/s·frame −1
结合 表2、 表3、 图6和 表4可知:DoG、ILCM和NLCM的实时性很好,但是他们的检测性能往往较差,尤其是当目标微弱而背景复杂时;WLDM、MPCM和RLCM的检测性能略佳,但由于他们都是多尺度算法,耗时较长;MDTDLMS作为一种比较新颖的对比度算法,检测性能相比RLCM等又有了一定提高,但由于他内部包含大量迭代计算,导致算法的耗时最长,实时性很差;DLCM算法采用了三层窗口,以单尺度计算解决多尺度目标的检测难题,因而实时性有了很大的提高,检测性能也有了不小的提升,但当目标位于高亮背景附近时(序列6),算法性能很差。
文中算法也采用了三层窗口,因此实时性相比一些多尺度算法有了较好的改善,平均耗时仅为RLCM等算法的1/2~1/3左右,并且,由于文中算法采用了最接近滤波思想,对高亮背景的抑制能力更好,在所有六个序列中的检测性能都很好。
Infrared small target detection using tri-layer window local contrast
doi: 10.3788/IRLA20200146
- Received Date: 2020-04-20
- Rev Recd Date: 2020-07-13
- Available Online: 2021-02-07
- Publish Date: 2021-02-07
-
Key words:
- IR small target detection /
- local contrast /
- tri-layer window /
- matched filter /
- closest filter
Abstract: In infrared (IR) guidance, early warning and other fields, it is of great theoretical significance and application value to detect IR small target with high detection rate, low false alarm rate and high speed. An IR small target detection method based on the tri-layer window local contrast was proposed. The tri-layer window could deal with small targets of different scales by single-scale calculation, so that the detection speed could be accelerated. Meanwhile, the enhancement on the true target and the suppression on the complex background were considered before, during and after the local contrast calculation, so that the detection rate could be improved and the false alarm rate could be reduced. Experiments in some IR sequences and images show that, compared with eight existing algorithms, the proposed algorithm can achieve a better performance on detection rate and false alarm rate, and its average time consumption is only about 1/3 to 1/2 of some multiscale algorithms.