以上统计排序算法在 FPGA 内部实现，利用 FPGA 速度快、并行处理能力强的特点，由内部流水线实现 并行快速排序算法，结合当前窗口背景的标准方差 自适应获得 m 值。 2.2 Robinson Guard 滤波器
传统预处理算法都是采用单一的策略算法进行 背景抑制，在硬件资源充足的情况下，采用两种方法 并行背景抑制无疑将较大程度提高检测概率。由于 弱小目标在空域内变为点目标源，此处采用具有保护 带的 Robinson 滤波器增强目标点。Robinson 滤波器 通过对比中心像素与其邻域像素极值间的差异来抑 制背景，对缓变的平坦背景以及空间相关性强的边缘 背景都有很好的抑制作用。
红外图像中由于噪声 N（x，y，k）的存在，会降低 空域滤波算法的性能，图像处理前需要进行降噪处 理，通常采用低通滤波法。 1.2 小目标特征分析
通过观察大量红外小目标图像，发现图像序列中 的小目标具有形状、灰度、航迹等特征，但是图像中 的飞鸟、噪声、碎云、云边缘亮点等复杂背景与小目 标的特征具有一定的差异。 1.2.1 形状特征
116
中国测试
2016 年 4 月
1 复杂背景下小目标图像特征分析
1.1 小目标图像时域模型分析 包含小目标的红外图像序列 （f x，y，k）[9-11]可以
描述为 （f x，y，k）=f（T x，y，k）+f（B x，y，k）+N（x，y，k） （1）
式中：f（x ，y ，k）— — —图像上点（x，y）在第 k 帧的灰 度值； fT（x ，y ，k）— ——点目标像素值； fB（x ，y ，k）—— —背景图像； N（x ，y ，k）— ——噪声图像； k — ——序列图像中的帧数。 目标点灰度 f（T x，y，k）与周围背景相比具有不
{ X1 忆（k），X2 忆（k），… ，XN- 1忆（k），XN忆（k）}
（1臆m臆N）
（10）
对 W N（k）进行排序变换 Sort 得到序列 Qm（k）， 其中 X1（忆 k）臆X2忆（k）臆…臆XN（忆 k），用序列 Qm（k）值
中的像素值或者几个像素值的加权组合代替当前 位置像素值。传统预处理算法多采用中值滤波法， 虽然对图像中的椒盐噪声有较好的滤波效果，但对 复杂背景的边缘处理效果不佳，根据背景差分处理 算法的要求，原始图像与高通滤波之后图像比对得 到图像中的高频分量。系统中用 Qm（k）（其中取 m约 （N+1）/2）代替当前像素点的灰度值。此算法的关键 是 m 取值，设计中根据当前窗口像素值标准方差自 适应得到。
像素相减的绝对值之和。对于 3伊3 的邻域，0毅、45毅、
90毅、135毅方向上的梯度按照下面的公式计算：
g（1 x，y）= （f i，j）-（f i-1，j） + （f i，j）-（f i+1，j） （5）
g（2 x，y）= （f i，j）-（f i-1，j-1） + （f i，j）-（f i+1，j+1） （6）
0引言
目前，在导弹制导、远程探测以及地面跟踪等领 域，对于点目标的检测已经成为核心技术之一[1-2]。由 于点目标具有尺寸小、无形状和纹理特征等特点，加 上远距离传输所造成的能量衰减、云雾等障碍物及 探测器噪声的影响，致使点目标信号在红外图像平 面上，极易淹没在强噪声背景中，表现为弱点状或者 不稳定斑点状，其检测任务变得非常困难[3]。
2.1 基于统计排序的高通滤波算法
传统的背景抑制算法多采用中值滤波器，由于其
对边缘处理的不确定性，差分之后的图像中能够较
为清晰地看到起伏较大的背景的边缘，不利于目标检
测，提出基于统计排序的高通滤波器，既保证了图像
中小目标，又有效地进行边缘处理。统计排序滤波属
于非线性滤波，设滤波窗口 W 内所有像素的个数为
fB（x ，y） （2）
式中：nT — — —小目标的像素数；
nB — — —窗口内除了小目标以外的背景像素数，
即 nB =Nw -nT；
驻f — ——均值灰度差。
2）局部平均梯度
通常人造的红外目标相对于背景来说，其内部
细节比自然场景更加丰富，目标梯度和背景梯度会有
很大差异，对于二位数字图像 （f x，y），在点（x，y）处
第 42 卷第 4 期 2016 年 4 月
中国测试 CHINA MEASUREMENT & TEST
Vol.42 No.4 April，2016
doi院10.11857/j.issn.1674-5124.2016.04.025
红外弱小目标检测背景抑制算法研究
金长江袁 师廷伟
（中国电子科技集团公司第二十七研究所，河南 郑州 450047）
连续性，通常比背景亮。而背景图像 f（B x，y，k）具有 空间相关性，通常处于红外图像 （f x，y，k）的中、低频 部分。当然，由于视场与探测器热噪声分布的不均匀 性，局部图像的灰度值可能有较大的变化，f（B x，y，k） 中包含部分高频分量，主要分布在背景图像各个同 质区的边缘处。随机噪声 N（x，y，k）主要是探测器的 内部噪声和外部随机噪声，与背景像素不相关，在空 间随机分布，其统计特性通常可被描述为零均值的 高斯白噪声。噪声图像和红外图像中具备一定信噪 比的小目标点灰度图像 f（T x，y，k）一样，主要分布在 红外图像 （f x，y，k）的高频段。
小目标的检测概率。
关键词院小目标检测；红外图像；背景抑制；Robinson Guard 滤波器
文献标志码院A
文章编号院1674-5124渊2016冤04-0115-05
Study on the algorithms for infrared small object image background suppression
为了提高目标检测概率，对红外小目标图像进
收稿日期院2015-12-15曰收到修改稿日期院2016-01-20 作者简介：金长江渊1983-冤袁男袁河南郑州市人袁工程师袁硕士袁 主要从事光电信息处理研究遥
行检测前预处理十分必要。国内外学者已经提出了 很多抑制背景滤波器，如自适应背景预测检测[4]、形 态学方法[5]、小波变换[6]等，这些滤波器在背景缓变时 处理效果较好，但背景起伏较大时，弱小目标的探测 概率不能达到令人满意的效果。本文在复杂背景下 分析红外小目标图像特征，提出基于统计排序的空域 滤波器和 Robinson Guard 滤波器[7-8]的预处理算法 对图像序列进行杂波抑制，该方法在降低运算量的 基础上，克服了高通滤波器无法滤除高频噪声的缺点， 减少了复杂背景抑制不干净而产生的噪声，不失真地 保留小目标特征信息，便于后续进行红外小目标的 识别和检测。
影响复杂天空背景下小目标检测概率的主要因素
是背景中的云边缘，以及形状和灰度与小目标类似的
碎云目标。预处理主要实现红外图像背景杂波抑制，
构造背景图像的水平决定了后续检测概率。构造的
背景图像一方面要滤除红外小目标等点高频分量，
另一方面尽量保持原始图像中的云层边缘等线高频
分量，随后差分运算后能较好地保持小目标信息。
弱小目标在红外图像中表现为点目标，一般仅 几个像素，最大不超过 5伊5 个像素。虽然图像中目标 呈现弱小性，但是与飞鸟、噪点等相比具有一定的特 征，其中包括：
1）小目标尺寸一般小于 3伊3 个像素。 2）目标的长宽比表示为：Nt /K =max（驻x，驻y）/ min（驻x，驻y）沂[1，3]，其中 max（驻x，驻y）为点目标 x、y 轴方向大者，min（驻x，驻y）为点目标 x、y 轴方向小者。 3）小目标的占比 R=Nt/Nw沂[0.4，1]，其中 Nt 为小 目标 的像 素 数 ，Nw 为 模 板 窗 口 像 素 数 ，一 般 选 择 3伊3 模板。 1.2.2 灰度模型分析 红外图像中灰度特征反应了场景中物体的辐射
g（3 x，y）= （f i，j）-（f i，j-1） + （f i，j）-（f i，j+1） （7）
g（4 x，y）= （f i，j）-（f i-1，j-1） + （f i，j）-（f i+1，j-1） （8）
红外小目标的灰度梯度均值反映目标相对于背
景的灰度变化剧烈程度，目标点 8 个方向的梯度均值
JIN Changjiang，SHI Tingwei （The 27th Research Institute of China Electronics Technology Group Corporation，Zhengzhou 450047，China）
Abstract: The recognition of infrared small targets in complex backgrounds is one of the key technologies for infrared image processing. In this paper， a rapid order -statistics filters and Robinson Guard filters based parallel and rapid processing algorithm is proposed according to the temporal and spatial fields of infrared small and weak targets under complicated cloud backgrounds and the requirements of hardware realization and real-time performance. It is a high SNR background suppression method. The experiment reveals that the algorithm can improve the SNR of infrared small and weak targets and enhance the probability in small target detection under complicated backgrounds. Keywords: small object detection；infrared image；background suppression；Robinson Guard filter