-
为了验证所提出算法的有效性,在四个真实的图像数据集进行了对比实验。通过Group A~Group D对数据集进行表示,表1列出了关于数据集的详细信息。
Frame Image resolution Target type Background description Group A 70 $ 256\times 200 $ Plane target Complex sky background Group B 152 640$ \times 512 $ Plane target A comparatively smooth sky background Group C 289 $ 127\times 127 $, 300$\times \mathrm{200,320}\times 240,\mathrm{e}\mathrm{t}\mathrm{c}.$ Plane target, truck target, ship target Complex background interference Group D 460 $ 256\times 256 $ Plane target Complex land background Table 1. Details of the dataset
仿真和实验在一台具有8 GB内存和3.0 GHz Intel i7-9700处理器的计算机上进行,代码在MATLAB R2018a中实现。
首先,在对所提算法的性能评价时,使用了四个尺度(
$ 3\times 3,5\times 5,7\times 7,9\times 9 $ ),并通过大量实验选择了K1在每个尺度下的最优值(5,9,13,13)。算法各阶段处理结果如图4所示。图4(a)为从数据集中选取的具有代表性的原始图像,所有的目标都被标记为圆形。可以看出,目标通常非常暗和小,背景通常非常复杂,边缘明显,噪声大。图4(b)为ELCM的显著性映射,图4(c)为IW的显著性映射,图4(d)为最终的多尺度IWELCM显著性映射,图4(e)为阈值分割后的结果。图4的第一行是提出方法在复杂云层干扰场景下的实验结果,从图中可以看出,红外弱小目标淹没在明亮云层背景中,不易被发现。然而图像经过IWELCM算法后,可以从ELCM、IW、IWELCM的显著性映射中清楚地看到,明亮的云层背景基本都被抑制,并且目标被显著增强,最后通过阈值分割实现对红外弱小目标的提取。
图4的第二行是提出方法针对灰暗天空背景的实验结果,从图中可以看出,目标非常小,只占几个像素点,但其背景分布比较均匀且比较暗。因此,目标在局部区域内是极其显著的。然后,通过IWELCM算法后,图中的灰暗天空背景很容易被抑制,同时目标得以增强,这些都可以清楚地在ELCM、IW、IWELCM的显著性映射中看到,最后通过简单的阈值分割检测到目标。
图4的第三行是提出方法针对背景存在强干扰的实验结果,从图中可以看出,这些强干扰的背景亮度值甚至比目标的亮度值还要高,并且一部分背景与目标极其相似,很容易出现误检,给检测带来了很大的困难。从实验可以看出,通过IWELCM算法,大多数强干扰背景得到抑制,虽然还有少量的背景未被很好地的抑制,但目标的显著性与其有明显的区别,最后可以精确检测到目标。
图4的第四行是提出方法在背景存在明亮云层边缘的实验结果,从图中可以看出,目标与明亮的云层边缘相比并不突出,并且其余部分的背景都相当暗,因此极易发生误检,产生虚警。然而通过IWELCM算法,明亮云层边缘背景得到抑制,从而目标在显著性映射中相当突出,可以通过阈值分割检测到目标。
图4的第五行是提出方法针对灰暗弱小目标的实验结果,从图中可以看出,不仅目标灰暗,而且背景和目标极其相似,也比较灰暗,这给检测增加了难度。从实验可以看出,通过IWELCM算法,目标在显著性映射中比较突出,因此可以通过阈值分割实现目标检测。
图4的最后一行是提出方法针对低空陆地复杂背景的实验结果,从图中可以看出,目标在其局部区域内比较突出,但因为陆地环境比较复杂,会有较多的背景也相当突出,如道路、滑坡、墙体等,增加了检测的难度。从实验可以看出,经过IWELCM算法,虽然ELCM和IW的显著性映射中存在一些背景,不能被很好地抑制,但目标在显著性映射中也是比较突出的。并且,在ELCM和IW结合得到最终IWELCM显著性映射中,进一步的对背景进行抑制,以便更好地检测出目标,有利于实现对目标的提取。
图4的实验结果表明,提出方法在背景高亮、复杂云层干扰以及目标灰暗的场景下,可以实现对红外弱小目标的鲁棒性检测。
选择了七个利用局部对比度测量的红外小目标检测算法进行比较,包括Wei的MPCM算法[8]、Shi的HBMLCM算法[17],Han的RLCM算法[9]、Liu的WLCM[14]算法、Zhang的LIG算法[18]、Nasiri的 VARD算法[19]和Han的WSLCM算法[16]。图4使用的原始红外图像继续使用,每个算法的处理结果如图5所示。可以看出,提出算法可以有效消除更多的杂波和噪声。
为了进一步验证提出算法的有效性,首先对四个图像数据集使用信杂比增益(SCRG)和背景抑制(BSF)[15],如表2所示。可以看出,在大多数情况下,提出的算法可以达到较高的SCRG和BSF,其计算公式如下:
Group MPCM HBMLCM RLCM WLCM LIG VARD WSLCM Proposed
SCRGA 13.7740 38.4515 35.6964 14.1418 40.8663 52.0710 64.5946 81.5212 B 0.2279 41.2985 46.3187 16.4898 41.5748 53.1416 59.3697 78.1993 C 18.1137 42.0716 42.5617 16.0556 51.9249 96.1241 96.7909 113.1314 D 14.7579 29.6982 38.5927 6.4603 25.0772 46.7294 55.7274 67.7811
BSFA 3.8536 96.8987 14.3195 3.9775 142.7530 506.5147 1.7110E4 1.5063E5 B 9.3584 135.5051 27.9701 15.8239 1.5340 E3 1.5539E3 1.0310E4 8.4945E5 C 10.8951 239.3650 35.3325 4.4159 914.2129 6.7779E6 1.0037E7 4.6611E9 D 6.8822 36.0568 7.0603 2.4828 15.1681 131.0641 748.6377 7.5116E3 Table 2. Different algorithms for SCRG and BSF
式中:
$ {S CRG}_{in} $ 和$ {S CRG}_{out} $ 分别为原始图像和$ {I}_{IWELCM} $ 的SCRG;$ {\sigma }_{in} $ 和$ {\sigma }_{out} $ 分别为原始图像和$ {I}_{IWELCM} $ 的标准差。其次,采用ROC曲线,即每个算法设置一百个阈值,绘制虚警率(Fa)和准确率(Pd)之间的关系,如图6所示。可以看出,在大多数情况下,提出的算法可以达到高检测率和低虚警率。Fa和Pd的计算公式如下:
除了良好的检测能力外,算法的运行时间也是需要考虑的重要因素。比较了不同算法的平均运行时间,如表3所示。可以看出,不同算法的平均运行时间与图像分辨率有关,尺寸越小的图像所消耗的时间越少。在所有算法中,MPCM、HBMLCM、VARD的平均运行时间较快,WSLCM的平均运行时间最慢。相比之下,所提算法的平均运行时间仅优于WSLCM。但是,通过对所提算法分析发现其非常适合并行处理。因此,所提算法可以通过应用并行计算提高其检测速度。
Group MPCM HBMLCM RLCM WLCM LIG VARD WSLCM Proposed A 0.0406 0.0153 1.0903 1.2553 0.5486 0.0107 1.5200 1.4018 B 0.1301 0.0582 6.4974 7.9061 3.7195 0.0378 8.7144 8.3904 C 0.0472 0.0146 1.0737 1.5380 0.8690 0.0113 1.5394 1.3968 D 0.0502 0.0163 1.4727 1.5801 0.7134 0.0126 2.0676 1.9152 Table 3. Average running time of different algorithms (Unit: s)
所有的实验结果表明,所提算法在四个图像数据集均能取得较好的检测结果,在所有对比算法中的检测性能位居前列。
Infrared small target detection method based on the improved weighted enhanced local contrast measurement
doi: 10.3788/IRLA20210914
- Received Date: 2021-11-29
- Rev Recd Date: 2022-01-01
- Available Online: 2022-08-31
- Publish Date: 2022-08-31
-
Key words:
- infrared search and tracking system /
- infrared small target /
- enhanced local contrast measurement /
- improved weighting function
Abstract: Infrared dim and small target detection is an important part of the infrared search and tracking system (IRST). Generally, in a complex background environment, infrared dim and small target detection often has the problem of a high false alarm rate and low detection rate. To solve this problem, an improved weighted enhanced local contrast measurement (IWELCM) detection framework is proposed. First, by combining the local contrast mechanism with the signal-to-clutter ratio (SCR) calculation, an enhanced local contrast measurement is proposed to enhance the SCR of the infrared image while enhancing the suspected small target region. Second, an improved weighting function is proposed to enhance the target and suppress the background by taking advantage of the characteristics of the target in infrared images and the significant difference between the target and the surrounding background. Finally, an adaptive threshold segmentation method is used to extract real targets. Experimental results on different scene datasets show that compared with the seven existing methods, the proposed method can effectively extract real dim targets from interference objects under complex backgrounds and has better detection performance.