改进Sobel算子的单帧红外弱小目标检测

苗晓孔，王春平



改进Sobel算子的单帧红外弱小目标检测

苗晓孔，王春平

( 军械工程学院电子与光学工程系，石家庄 050003 )

针对目前单帧红外弱小目标的检测算法存在检测精度不高，检测效果差等问题，本文提出一种改进Sobel算子的单帧红外弱小目标检测算法。该方法根据Sobel算子的边缘检测特性，先对图像进行中值滤波，提高弱小目标的信噪比，然后利用Sobel算子和本文提出的检测模板，对图像进行卷积处理，最后经中值滤波后检测出红外弱小目标。文中从理论上分析了改进算法的有效性，并与质心检测算法和基于局部均值以及基于Top-Hat等检测算法进行了对比实验。结果表明，该算法比实验中其他检测算法检测精度更高，检测效果更加明显。

Sobel算子；红外图像；弱小目标；单帧检测

0 引 言

红外弱小目标检测是光电检测与跟踪系统中重要组成部分之一，也是当前国防和军事上的重要研究课题[1]。因为其除了具有光学检测、跟踪的优点(被动检测，隐蔽性好，抗电磁干扰能力强等)外，还具有可在夜间和低可见度条件下工作[2-3]，探测距离远，受天气影响小等优点。如何更好地提高红外图像弱小目标检测技术，及时准确地发现目标，进而提高武器系统的目标检测和跟踪能力一直是红外探测领域的热点，同时研究红外弱小目标检测对于精确制导武器的发展与反导体系作战具有重要意义[4]。

近些年相对成熟的红外弱小目标检测算法有：空域滤波、小波变换、Top-Hat变换、质心检测法等，同时在这些算法的基础上，不断完善和发展的目标检测算法有：KIM S等[5]提出的基于拉普拉斯-高斯尺度空间的红外小目标检测方法；薛永宏等[6]提出的马尔科夫随机场(Markov Random Field，MRF)法；还有随着计算机视觉等技术发展起来的基于视觉显著特性和尺度空间等算法。但这些算法的计算流程相对复杂，计算时间较长，对处理器的要求较高，在实际装备应用上实时性较差。而在红外弱小目标检测方法中，单帧目标检测理论因为易行、效率高速度快，方便硬件实现所以一直受到人们关注，目前对单帧红外图像目标提取的方法主要还是通过背景抑制技术来抑制复杂背景、杂波干扰和噪声。

在此基础上，本文提出了一种基于Sobel算子的改进算法对红外弱小目标进行单帧检测，主要是针对目标在图像上只占几个或者十几个像素的情况做了改进。在一定程度上减少了算法的处理时间和检测流程，具有较强的实际操作性。同时为了验证算法的可行性和有效性，本文在Win7系统下Matlab软件中进行了仿真实验，结果表明本文提出的算法能够很好地检测出弱小目标，检测精度更高，检测效果更加明显。

1 红外弱小目标特点

空中目标检测系统中，红外目标通常是指空中飞行的飞机、导弹等运动物体。由于目标距离越远，探测器上所观察到的目标图像越小，有时只占一个或几个像素。加上红外成像热源本身目标和边界均模糊不清的特点，目标的形状，大小，纹理等信息难以被检测。信号弱的红外目标就是通常所说的“红外弱小目标”。很多学者也将红外弱小目标定义为红外图像所占像素不超过图像总像素0.15%的目标[7-9]。例如对于尺寸为128 pixel256 pixel的红外图像，小目标的尺寸一般不超过7 pixel7 pixel。

在红外图像中弱小目标集中在一个相对显著的区域，该区域和周围邻域在灰度值上具有不相关的特点。因此可以认为小目标是红外图像中相对显著区域，同时在图像中背景变化较快的地方和随机噪声也具有与周围背景不相关的特点，所以背景中的噪声和突变的地方也是图像中的显著性区域[10]。背景中平缓区域的灰度起伏变化小，没有极大值，显著度较小；云层、天际线作为背景时灰度起伏较大，显著度较高，可能出现灰度极大值，但与周边邻域在灰度值上有一定的相关性或者说没有孤立的特性[11]。基于红外弱小目标的这些特点可以实现对其检测。

2 Sobel算子检测算法

Sobel算子是一阶导数算子，该检测方法是边缘检测的一种。在算法实现过程中，以33模板为核与红外图像中的每个像素点做“卷积和”运算，然后选取合适的阈值提取边缘。Sobel算子是对四邻域采用带权方法计算差分，可以抑止噪声，但检测的边缘较宽，利用该算法可以很好地检测出图像中的奇异点。这也为下一步目标提取奠定了基础。其检测算子模板分别如图1和图2所示。

图1 垂直边缘模板

图2 水平边缘模板

图1为Sobel算子的垂直边缘模板。图2为Sobel算子的水平边缘模板。这两个模板分别代表两个不同方向的边缘检测，通过不同的模板与图像卷积就可得到不同方向上的图像灰度值，然后对两个方向上的卷积灰度值求平方和再开根号最终求得经过Sobel算子运算之后的像素灰度值大小[12]。

由于Sobel算子边缘检测是利用像素点与周围相邻点的灰度进行加权所得，其值在边缘处达到最大[13]，所以对噪声具有一定的平滑作用。这种算子也对图像起到了很好的过滤作用。但是，Sobel算子边缘检测同样存在一些问题，由于其只具备检测边缘的能力，对于云层边缘和目标边缘不能很好的区分，李欣等[14]提出的双复杂度模板的背景抑制思想，构造了一种圆形复杂度模板，对云边缘区域的复杂度进行抑制，这种方法又相当复杂。

3 基于改进Sobel算子的检测算法

由于基于Sobel算子的检测算法具有计算简单，速度快等优点，所以在实际检测中仍具备一定的应用价值。基于此优点本文提出了相应的改进算法。其流程如图3所示。

图3 改进后的检测流程

本文主要是针对红外图像弱小目标所占像素少，缺少纹理信息等特点进行改进。在图像预处理阶段流程保持不变，在进行模板卷积运算时，主要改进三个方面：1) 提出了适于弱小目标背景提取的检测模板；2) 将Sobel边缘检测的分割阈值进行了范围设定，不再是采用单一阈值进行限制(阈值的选取主要是通过仿真实验测量得出，针对红外弱小目标的特点，阈值主要在1.1~2.9之间自适应变化)；3) 再次进行3´3的中值滤波，消除图像作差产生的噪声点。

改进后的整体检测算法步骤如下：

Step 1：将读入的红外图像转化为灰度图像并进行初次中值滤波；

因为中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，对于图像中每个像素点都被噪声干扰的情况，使用中值滤波的效果要远好于均值或其他形式的滤波。

Step 2：对图像同时进行改进Sobel边缘检测和新模板检测；

改进Sobel边缘检测主要是将其检测的分割阈值进行了范围设定，其优点是：将边缘信息有效的进行筛选和提取，避免了单一阈值带来的信息冗余。同时采用图4中的新模板对二值化之后的图像进行检测。

图4 新检测模板

新检测模板内部分割为9个单元，首先判断“0”号单元像素值(即图像每个像素灰度值)是否为目标像素值，如果是则记为，然后计算其周围“1~8”号单元的像素的和，如果，则将和像素设置为1，否则设置为0。如果“0”号单元像素值为背景像素值，则像素设置为0。这样处理图像之后，图像保留了因噪声或光照等原因所造成干扰的背景信息。

Step 3：将经过不同模板处理的图像进行作差去除含噪背景信息；

经过改进Sobel边缘检测所提取的包含背景和目标边缘的信息，与新模板检测的背景信息进行图像作差，可以很好的提取单纯的目标信息。

Step 4：再次进行中值滤波，消除作差产生噪声点，提取目标点；

由于图像作差，产生的新图像中每个像素点受到不同程度的干扰，所以再次进行中值滤波，对检测结果进行优化，可以得到比较纯净的目标点。

4 实验结果及分析

本文的仿真实验是基于硬件平台32位操作系统的 Intel Core i5 CPU，8 GHz RAM计算机；软件平台是基于Windows 7操作系统和MATLAB R2011b，所处理的图像是靶场实验下红外系统观测到飞机模型图像。其大小为720´576。

4.1 本文算法检测效果

经过在Matlab环境下对改进算法进行仿真实验，得到了图5的单帧红外弱小目标的检测效果图。其中图5(a)表示原始红外图像，图5(b)表示为单一分割阈值较小时经Sobel算子处理图像，图5(c)表示为单一分割阈值较大时经Sobel算子处理图像，图5(d)表示设定合理区间阈值时经Sobel算子处理图像，图5(e)表示经过新模板处理提取含有大量噪声的背景信息，图5(f)表示经过改进算法处理最终得到的目标图像，图5(g)表示检测到的目标位置。

图5 改进算法的红外图像弱小目标检测

对比图像可以发现，在图5(a)未处理的原始图像中很难发现目标，只有当序列图像连续播放时才能观测到目标的具体位置，图5(b)和图5(c)是Sobel算子设定两个大小不同阈值时的检测图像，通过对比可以发现阈值过大或过小检测效果都不理想。图5(d)是将阈值设定在一个区间范围内，这样经过处理之后的图像在一定程度上避免了单一阈值引入过多噪声或去除目标信息等情况。经过与改进模板处理后的背景图5(e)作差，最终可检测到弱小目标。图5(f)表示经过改进算法处理后的二值化图像中目标位置，图5(g)表示原始红外图像中目标的最终检测位置，由清晰的检测效果验证了改进算法的有效性。

图6为本文改进算法对三幅不同红外弱小目标图像的检测实验效果，其中6(a1)、6(a2)、6(a3)分别为三幅不同的原始红外图像，6(b1)、6(b2)、6(b3)为经改进算法处理后的对应二值化图像，6(c1)、6(c2)、6(c3)分别为改进算法最终检测出的目标图像。表1列出了图6中三幅图像的目标位置坐标和检测耗时，其中检测耗时为15次检测耗时的平均值。同时针对本实验中红外图像弱小目标预处理分割阈值也得到了一个比较合理的选取范围。Sobel检测中，分割下限的合理阈值区间是1~1.5，上限合理阈值区间是2~10。

表1 图6中目标的相关信息

图6 改进算法检测实验效果

4.2 与其他方法的比较

为了进一步衡量算法的检测性能，将本文改进的算法与基于中值滤波的检测方法和基于Top-Hat变换的检测方法以及基于局部均值等单帧检测算法进行了比较。检测效果如图7所示，实验中仍旧采用图6中三幅原始红外图像。表2是对四种检测算法相关检测参数的统计，其中检测耗时为10次测试的平均值。

表2 图7中目标的相关信息

图7(a)为Top-Hat检测算法对三幅对应目标的检测效果，图7(b)为质心检测对三幅对应目标的检测效果，图7(c)为基于局部均值法对三幅对应目标的检测效果。结合表格对比观察可以发现，Top-Hat算法检测耗时相对较长且精度很低，基本无法检测出目标准确位置，并且很容易发生虚警情况，且在这种弱小目标检测条件下，无法通过阈值设定避免该类虚警；质心检测耗时最少，但是检测精度较低，目标位置也不够精确；局部均值检测算法，检测位置相对精确，但是前提是不断调整检测算法的参数，寻找出最佳参数本次实验中的参数设定为=0.14，=0.034，检测耗时也最长，而本文的改进算法可以很好的检测出目标的准确位置且耗时相对适中。实验结果表明，本文的改进算法在检测性能上优于质心检测算法和基于局部均值，基于Top-Hat等检测算法。

图7 目标检测性能对比实验效果

5 总 结

本文通过对基于Sobel算子算法的改进，实现了红外图像弱小目标检测的问题。并通过模拟仿真实验验证了改进算法的可行性和有效性，一定程度上解决了简单背景条件下，目标弱小到只呈现几个或十几个像素的特殊情况。能够帮助更早地发现目标，为接下来的跟踪和空中防御提供更多的反应时间。由于检测过程中使用的模板较多并进行了图像作差等多种处理，所以在检测实时性方面本文算法还可以进一步提高。对于阈值的选取，本文也是基于大量的仿真实验测量得出，针对类似情况下的红外弱小目标检测具有一定的参考性和实用性。当然，在众多的目标检测算法中，没有一种算法是万能的，只有找到适合条件的检测算法，才能够得到更理想的效果。

[1] 王军敏，卞和营. 基于直方图调整和击中击不中变换的弱小目标检测 [J]. 光电工程，2013，40(6)：26-30.

WANG Junmin，BIAN Heying. Dim small target detection based on histogram adjustment and hit-miss transform [J]. Opto-Electronic Engineering，2013，40(6)：26-30.

[2] Jean-Michel Missirian，Laurent Dueruet. IRST：a key system in modem warfare [J]. Proceedings of SPIE(S0277-786X)，1997，3061：554-565.

[3] 秦翰林，周慧鑫，刘群昌，等. 采用多尺度隐式马尔可夫模型的红外图像背景抑制[J]. 光学精密工程，2011，19(8)：1950-1956.

QIN Hanlin，ZHOU Huixin，LIU Qunchang，Suppression of infrared image background by multiscale hidden Markov model [J]. Optics and Precision Engineering，2011，19(8)：1950-1956.

[4] 于强，黄树彩，赵炜，等. 红外弱小目标检测方法综述[J]. 飞航导弹，2014(4)：77-80.

YU Qiang，HUANG Shucai，ZHAO Wei，Summmary of infrared dim small target detection methods [J]. Aerodynamic Missile，2014(4)：77-80.

[5] KIM Sungho，LEE Johyoung. Scale invariant small target detection by optimizing signal-to-clatter ratio in heterogeneous background for infrared search and track [J]. Pattern Recognition(S2005-4254)，2012，45(1)：393-406.

[6] 薛永宏，饶鹏，樊士伟，等. 基于生成 MRF 和局部统计特性的红外弱小目标检测算法[J]．红外与毫米波学报，2013，32(5)：431-436．

XUE Yonghong，RAO Peng，FAN Shiwei，Infrared dim small target detection algorithm based on generative Markov random field and local statistic characteristic [J]. Journal of Infrared and Millimeter Waves，2013，32(5)：431-436．

[7] 刘运龙，薛雨丽，袁素真，等. 基于局部均值的红外小目标检测算法[J]. 红外与激光工程，2013，42(3)：814-822.

LIU Yunlong，XUE Yuli，YUAN Suzhen，Infrared small targets detection using local mean [J]. Infrared and Laser Engineering，2013，42(3)：814-822.

[8] CHEN C L P，LI Hong，WEI Yantao，. A local contrast method for small infrared target detection [J]. IEEE Transation on Geoscience and Remote Sensing(S0196-2892)，2014，52(1)：574-581．

[9] BAE T W，KIM B，ZHANG Fei，. Recursive multi-SEs NWTH method for small target detection in infrared images [J]. IEICE Electronics Express(S1349-2543)，2011，19(8)：1576-1582．

[10] 司马端，龙云利，安玮，等. 基于显著性与帧间差分的红外弱小目标检测[J]. 航天电子对抗，2015，31(4)：32-35.

SI Maduan，LONG Yunli，AN Wei，Infrared small target detection based on saliency and frame-to –frame difference [J]. Aerospace Electronic Warfare，2015，31(4)：32-35.

[11] 王刚，陈永光，杨锁昌，等. 采用图像块对比特性的红外弱小目标检测[J]. 光学精密工程，2015，23(5)：1424-1433.

WANG Gang，CHEN Yongguang，YANG Suochang，. Detection of infrared dim small target based on image patch contrast [J]. Optics and Precision Engineering，2015，23(5)：1424-1433.

[12] 何春华，张雪飞，胡迎春. 基于改进Sobel算子的边缘检测算法的研究[J]. 光学技术，2012，38(4)：323-326.

HE Chunhua，ZHANG Xuefei，HU Yingchun. A study on the improved algorithm for Sobel on image edge detection [J]. Optical Thchnique，2012，38(4)：323-326.

[13] 马晖. 基于DS证据推理方法的图像目标识别[J]. 无线电通信技术，2013，39(1)：70-72.

MA Hui. Image target recognition based on DS evidential reasoning [J]. Radio Communications Technology，2013，39(1)：70-72.

[14] 李欣，赵亦工，郭伟. 基于复杂度的自适应门限弱小目标检测方法[J]. 光子学报，2009，38(8)：2144-2149.

LI Xin，ZHAO Yigong，GUO Wei. Adaptive target detection method based on complexity threshold [J]. Acta Photonica Sinica，2009，38(8)：2144-2149.

[15] 沈玉，兰瑞田. 噪声图像边缘检测中改进Sobel算法的仿真实现[J]. 信息与信息处理，2014，44(8)：27-30.

SHEN Yu，LAN Ruitian. Simulation and implementation of an improved sobel algorithm of edge detection for noisy image [J]. Information and Information Processing，2014，44(8)：27-30.

Single Frame Infra-red (IR) Dim Small Target Detection Based on Improved Sobel Operator

MIAO Xiaokong，WANG Chunping

( Department of Electronic and Optic Engineering, Ordnance Engineering College, Shijiazhuang 050003, China )

Aiming at the problem of low detection precision and poor effect of single frame infrared dim target detection algorithm, a novel algorithm of single frame infrared small target detection based on improved Sobel is proposed. According to the characteristic of Sobel operator edge detection, firstly, the image median filtering can improve the dim small target signal-noise ratio, and then use the Sobel operator and the proposed detection template to deal with the image convolution, finally detect the infrared dim small target after median filtering. The effectiveness of the improved algorithm is analyzed theoretically and compared with the centroid detection algorithm and the detection algorithm based on local mean and Top-Hat. Experimental results show that the proposed algorithm is more accurate than other detection algorithms in the experiment, and the detection effect is more obvious.

Sobel operator; infra-red image; dim target; single frame detection

1003-501X(2016)12-0119-07

TP391.9

A

10.3969/j.issn.1003-501X.2016.12.019

2016-01-09；

2016-05-16

武器装备军内科研项目(装司[2014]551号)

苗晓孔(1991-)，男(汉族)，河北石家庄人。硕士研究生，主要研究工作是信息处理理论与方法。E-mail:miao_xk@163.com。