海天背景下紅外目標的檢測與識別研究?

林豐輝

（海軍工程大學電子工程學院 武漢 430033）

1 引言

在海天背景下的紅外目標的檢測與識別中，圖像里面包含了背景信息、目標信息以及噪聲等信息［2］，還有紅外探測系統探測元對相同紅外輻射的檢測能力差異導致圖像識別的難度大。因為紅外圖像中可能存在我們感興趣的紅外目標，比如從海天線附近出現的飛行器，一旦在圖像上出現了目標，則能判斷為剛出現的艦船或者是飛行器［3］。對于這種情況，本文選取的處理方法是：先對圖像進行預處理，然后提取出海天線，預測目標可能出現的區域，最后是提取目標。

根據物理學知識可知：所有的物體，其溫度超過熱力學溫度的絕對零度時，都會產生紅外輻射，輻射量受到溫度、物體性質等的影響。從遠處傳遞來的紅外輻射往往是非常弱的，在此前提下，紅外探測系統獲取的信號一般都包含著各種干擾，如環境噪聲、輻射特性、大氣傳輸特性［4］、機器內部噪聲、機器內部元器件對紅外輻射的檢測值與目標實際的輻射值存在差異等等情況，導致了獲取的紅外圖像可能發生變形甚至導致消失了部分原本存在的目標信息，而該信息可能是決定某一戰術、戰法的決定因素。因此，合適的圖像處理方法對圖像的處理、目標的還原起著關鍵的作用。

2 均值濾波

均值濾波處理是一種線性濾波的方法，它將每一個像素點的灰度值設置為該點某一個鄰域窗口內的所有像素點灰度值的平均值。均值濾波是一種能有效抑制噪聲的線性信號處理技術，但是容易引起邊緣的模糊［5］。均值濾波的基本原理是把圖像中一點的值用該點的一個鄰域中各個點值的均值代替，讓周圍的像素值接近真實值，從而消除孤立的噪聲點［6］。方法是用某種結構的二維滑動模板W，將板內像素取平均值并保存為一個新的圖像，用該圖像替代原來的圖像。二維均值濾波輸出為

其中，f(x ，y )，g(x ，y)分別為圖1和處理后的圖2。W為二維模板，n*n為模板大小，模板大小通常為3*3、5*5的區域。

圖1 原圖

圖2 均值濾波

圖為海天線附近艦船的紅外圖像，雖然圖1中目標可識別度較高，但是存在大量的噪點，對圖像的后期處理會產生大量的干擾。因此對該圖像進行均值濾波處理，處理后從圖2可以看出，背景的噪點被明顯抑制，使得目標的可辨識度沒有下降，反而有所提高，而且圖2方便了后期的目標檢測與識別。

3 閾值分割

閾值分割是一種基于區域的圖像分割技術，原理是把圖像像素點分為若干類，圖像閾值化分割是一種傳統的而且是最常用的圖像分割方法，因為實現起來簡單、計算量小、性能比較穩定而成為圖像分割中最基本和應用最廣泛的分割技術［7］。特別適用于目標和背景占據不同灰度級范圍的圖像。它不僅可以極大地壓縮數據量，而且也大大簡化了分析和處理步驟，因此在很多情況下，是進行圖像分析、特征提取和目標識別之前的必要的圖像預處理過程。圖像閾值化的目的是要按照灰度級，對圖像集合進行劃分，得到的每個子集形成一個與現實景物相對應的區域，各個區域內部具有一致屬性，而相鄰區域不具有這種一致的屬性這樣的劃分可以通過從灰度級出發選一個或多個閾值來實現［8］。

本文的圖像像素點為三類，天空背景一個灰度值、海面背景一個灰度值以及其他部分自身的灰度值（包含了目標），并將判定的天空部分的灰度值設置為127，判定為海面部分的灰度值設置為1，其他部分的灰度值保持不變。將圖片的天空（圖片上部）一部分的像素點的均值設置為天空的閾值，將海面（圖片下部）一部分的像素點的均值設置為海面的閾值，給兩個閾值設置一定的灰度值波動范圍，將判定為天空的區域的灰度值設置為127，將判定為海面的區域的灰度值設置為1。如圖3～圖6所示，設置不同的閾值灰度值波動范圍可以不同程度地增強紅外目標的可檢測性。

圖3 閾值判別灰度值范圍為30

圖4 閾值判別灰度值范圍為40

圖5 閾值判別灰度值范圍為50

1）對于檢測來說，圖3是最合適的，因為圖4、圖6第四個目標（最右側一個）產生了部分的丟失，這是在圖像處理上不允許出現的情況。

圖6 閾值判別灰度值范圍為60

2）對于圖像的后續處理來說，圖6是最合適的，從圖上就可以看出，海天線恰好有一個清晰的分界線，天空背景就是天空的部分，海面背景就是海面的部分，通過對同一列的相鄰元素差值進行判斷可以很簡單地獲取海天線。

4 海天線檢測

海天線檢測是海面的船只以及海天線附近出現的飛行器目標檢測非常關鍵的一部分，尤其是紅外偵察設備對遠距離目標進行紅外成像時，由于海面大氣的光學效應，在獲取的紅外圖像中會呈現出微弱的紅外目標甚至紅外目標消失。紅外目標熱輻射在遠距離傳輸后的嚴重衰減會加大紅外系統對紅外弱目標、小目標檢測的難度。如果遠距離紅外探測器中出現了目標，則能證明目標出現的位置在海天線附近［9］，基于這個先驗知識，海天線的檢測成為了提高目標檢測概率和檢測效率的一種非常有用的手段。如果能夠精確地檢測出海天線，那么目標就可以著重地從海天線附近進行提取。

參考本文第二大點：閾值分割，經過合適的閾值分割之后，海天線在處理后的圖像中會非常明顯地如圖7顯示出來，在圖7中間有著明顯的一條直線，但是海天線右側部分因為閾值設置不合理出現抖動，調整閾值判定范圍可得圖8，圖8相比較圖7，右側的抖動消失了，這方便了后續的海天線提?。▓D9）。雖然圖像經過了多種噪聲的影響以及海面的大氣光學效應的影響，但是在圖10上還是可以清晰地判斷出海天線的位置。

圖7 閾值選擇分離出海天線

圖8 調整閾值范圍，使圖像更加方便處理

圖9 提取海天線

圖10 海天線在圖上的位置

在經過合適的閾值分割之后，從第一列開始找海天分界點，通過判別海面與天空灰度值的差值可得知該點為海天線分界點，找到第一個海天分界點后，向右側相鄰像素點推進，以第一個海天分界點右側相鄰像素點為中心，在其上下方10個元素范圍內尋找第二個海天分界點，如若找到下一個海天分界點，則以相同方法繼續處理。一般情況下，當有超過一半的列數是連續的，并且滿足其微小的波動范圍，則可確認以所有的海天分界點的連線就是海天線，最后將海天線提取在圖10中。

5 邊緣檢測

邊緣是圖像處理中最基本的處理特征，邊緣檢測是計算機視覺處理、圖像綜合分析等圖像處理應用中的非常重要的組成部分，是圖像分析、目標識別與圖像融合的重要環節。邊緣檢測常見的方法有微分算子法、樣板匹配法、邊界及曲線增強技術、小波邊緣檢測等方法［10］。紅外圖像的目標檢測與識別一直是很多學者多年來研究的熱點問題，提出過許多方法，但是，到今天也沒能很好地解決這個問題，不同的算法都有各自的局限性，無法滿足在紅外目標識別與融合上的實際需要，多數算法沒有考慮到對目標可能出現的感興趣的區域進行優先或者主要處理，而是對整幅圖像進行處理，這樣反而降低了時效性，不能快速地將目標從一幅紅外圖像中提取出來；而有些算法雖然考慮了利用紅外圖像的先驗知識，但是算法過于復雜，也不能夠滿足紅外偵察的時效性要求。

本文采用Sobel邊緣算子［11］進行邊緣處理，該算子是用濾波算子的形式來獲取圖像的邊緣，圖像中的每個像素點都用兩個算子的模板進行卷積，一個模板對水平方向上邊緣的影響最大，另一個模板對垂直方向上邊緣的影響最大，兩個算子卷積結果的最大值當做該像素點的輸出，運算結果是一幅邊緣的圖像，Sobel梯度算子先進行加權計算、平均化計算，然后進行微分，最后求梯度［12］，即

圖11 Sobel梯度算子模板

圖12 邊緣檢測前的海天線狀態

圖13 邊緣檢測程序的圖像

圖14 邊緣檢測后邊緣增強后的狀態

在完成邊緣檢測并且通過用檢測圖像圖13與圖12進行比對判定，若圖13中與圖12像素點灰度值相近，則該像素點可判定為邊緣，并且對該像素點進行亮度提升（灰度值數值的增加），可以使目標輪廓的邊緣亮度提高，得到更為清晰完整的目標圖像。

6 結語

針對海天背景的復雜性，本文主要是使用均值濾波的方法對背景圖像的噪聲進行抑制，降低后續邊緣檢測的錯誤率；通過閾值分割獲取方便觀察和方便后續海天線提取處理的圖像；基于閾值分割的方法可以輕易地將海天線提取出來，方便邊緣檢測后在人機交互界面對目標識別；基于Sobel邊緣檢測算子對紅外圖像進行邊緣的檢測并將檢測的圖像按照一定比例增強到原圖像上。通過這些處理之后，我們達到了背景噪點的抑制、海天背景的分割、邊緣的檢測增強的目的。同時，本文存在一些不足之處，如本文的圖像處理算法比較適用于海天背景清晰的圖像對較為復雜的海天紅外圖像處理會出現如海天線提取位置出錯的情況。但是通過以上提及的算法達到了紅外圖像檢測的理論意義，并實現了對紅外圖像處理的實驗價值。