一種紅外圖像快速目標檢測方法*

王 寧，周 銘，杜慶磊，王 冰

(空軍預警學院， 武漢 430019)

0 引言

采用光電技術實現(xiàn)對目標的檢測識別是現(xiàn)代武器系統(tǒng)研究的重要方向之一，紅外成像因其根據(jù)熱量成像而優(yōu)點較為突出，針對紅外圖像的目標檢測與識別前景廣闊[1-3]。目標檢測的基礎主要有圖像預處理、背景目標分割算法等[4]。圖像灰度增強的預處理方法主要有灰度變換(gray level transformation,GT)、直方圖均衡化(histogram equalization,HE)、結合小波變換(wavelet transform,WT)的多尺度分析方法以及偏微分方程(partial differential equation,PDE)圖像增強等[1,5-6]。灰度變換、直方圖均衡類算法原理相對簡單，實現(xiàn)容易，運算速度快。多尺度分析算法的基礎是對圖像做小波變換，具有時-頻局部化特點和多尺度特點；偏微分方程法在圖像降噪、放大和分割方面效果較好，其過程是構建圖像的二維偏微分方程組并獲得方程解；Retinex類算法借助Gauss濾波進行運算，因此這三類灰度增強計算復雜度較高，算法效率較低[5-6]。圖像分割的實現(xiàn)算法有邊緣檢測法、閾值分割法、聚類分析法、馬爾科夫隨機場(Markov random field)、數(shù)學形態(tài)學等[2,7-9]。閾值分割算法結構相對容易實現(xiàn)，計算速度快，性能較好，得到普遍認可。其中，類間方差法(Otsu)作為一種經(jīng)典算法，效果穩(wěn)定、具有自適應性[8]。文獻[10-12]針對傳統(tǒng)一維灰度直方圖最大類間方差測度計算缺乏消除抑制噪聲能力，將原有算法拓展到二維，效果較好，但其搜索空間巨大，計算冗雜，實時性較差。文獻[13-15]對經(jīng)典Otsu算法計算過程進行了一定優(yōu)化改進。文獻[10,13,15]以類間離差矩陣的跡作為測度，并都通過遞推的手段改進門限最優(yōu)解的運算效率。文獻[10,15]在直方圖中反映出的效果一致，其不同點是最佳門限確定準則中的類間離散度測度公式不同；但二者在運算獲得每條分割線上的概率、零階矩以及類間離散度測度矩陣公式的跡時均采取循環(huán)搜索篩選二維直方圖的方法，導致運算較為復雜，速度變慢。針對類間離散度測度矩陣計算的研究表明：二維直方圖Otsu算法中計算得到目標和背景的二維均值點，會存在被噪聲干擾而和主對角線發(fā)生偏移的情況，導致分割效果較差。

為實現(xiàn)紅外目標快速檢測，文中先根據(jù)灰度直方圖分級統(tǒng)計確定變換參數(shù)，采取灰度變換來實現(xiàn)對比增強；然后采取變結構元素的Top-hat變換做背景抑制，借鑒基于二維直方圖中直線閾值分割的思想建立截距直方圖；之后根據(jù)類間離散度測度求解符合最大類間方差的最佳截距解，實現(xiàn)圖像分割；最后提升圖像質(zhì)量，完成紅外圖像快速目標檢測。通過實驗，文中算法具有一定的噪聲抑制能力，紅外目標檢測速度較快，多目標檢測效果較好。

1 灰度變換

紅外成像對周圍環(huán)境的溫度、輻射和細小顆粒較為敏感，易受干擾，導致紅外圖像質(zhì)量不高，容易產(chǎn)生對比度、分辨率不足及邊界不清晰等，因此預處理工作十分重要[3,5-6,16]。在此，采取灰度直方圖參數(shù)映射的灰度變換來改善圖片質(zhì)量，實現(xiàn)預處理。灰度變換指根據(jù)灰度變換函數(shù)運算將圖像中每個像素的灰度值進行調(diào)整[3,9]。在變換函數(shù)中，變換參數(shù)γ值用來確定輸入值和輸出值關系的曲線形狀，并根據(jù)γ值對圖像映射調(diào)整進行加權。如果γ小于1，低灰度等級的像素提升就越強，使其朝向更高的輸出值；如果γ大于1，高灰度等級的像素提升就越強，則使其朝向較低的輸出值；γ為1時是線性映射。根據(jù)紅外成像特點，按照下面公式將圖像特點映射到變換參數(shù)γ，實現(xiàn)灰度變換的自適應調(diào)整，變換參數(shù)γ選取公式為：

γ=exp(avg(x,y)v*avg(x,y)p)+0.5

(1)

式中：avg(x,y)v、avg(x,y)p為灰度統(tǒng)計直方圖像素點數(shù)量最多的前十個灰度等級的像素數(shù)量和灰度值求取的平均值。其意義為將灰度值大小和像素統(tǒng)計數(shù)量同時納入變換影響因子。灰度變換計算公式如下：

(2)

其中，f(x,y)是紅外圖像每一點的灰度值；fadjust(x,y)為像素點灰度變換后的灰度值；Imin和Imax為輸入圖像灰度值的最小值和最大值；Omin和Omax為灰度變換輸出灰度值的最小值和最大值；γ為灰度變換調(diào)整參數(shù)。

2 改進的變結構元素Top-hat變換

數(shù)學形態(tài)學是圖像處理的基本理論之一，其基礎是格論和拓撲學圖像分析學科[4,11]。其基本的運算包括：腐蝕和膨脹、開運算和閉運算。下面簡要說明幾個基本操作：

設f(x,y)為灰度圖像，b(s,t)為形態(tài)學運算算子，即結構元素，Df為定義域。則用b(s,t)對f(x,y)進行腐蝕操作的運算fΘb為：

(3)

用b(s,t)對f(x,y)進行膨脹操作的運算f⊕b為：

(4)

開、閉操作的運算f°b、f·b分別為：

f°b=(fΘb)⊕b

(5)

f·b=(f⊕b)Θb

(6)

經(jīng)典白Top-hat(Wth)和黑Top-hat(Bth)運算為：

Wth(x,y)=f(x,y)-f°b(x,y)

(7)

Bth(x,y)=f·b(x,y)-f(x,y)

(8)

在上述形態(tài)學操作中，結構元素的選擇是處理效果的主要影響因子。文中采取不同尺寸平面圓盤形變換算子結構元素的Top-hat運算來改善效果，增強魯棒性。定義不同半徑的圓bi(s,t)、bo(s,t)，半徑根據(jù)紅外圖像的成像距離確定。其中，bi是與感興趣目標范圍(region of interest，ROI)尺寸相近的內(nèi)結構元素，bo是大于感興趣目標范圍尺寸的外結構元素，Δb=bo-bi為空心環(huán)形結構。利用目標與背景的差異性，將目標周圍區(qū)域引入計算，同時調(diào)換腐蝕、膨脹操作的順序，定義新的Top-hat算子：

Wth′(x,y)=f(x,y)-(f⊕bi)ΘΔb

(9)

Bth′(x,y)=(fΘbi)⊕Δb-f(x,y)

(10)

3 快速截距直方圖計算方法

3.1 建立截距直方圖

灰度值分級為L的紅外圖像，即各個像素點的鄰域平均灰度值分級為L。用二元組(i,j)表示像素點的灰度值和鄰域平均灰度值，二元組(i,j)在圖像中的概率密度用pij(i,j=0,1,…,L-1)表示。則i+j=k構成截距為k的直線，且與直方圖的主對角線垂直，在一個直方圖中直線共有2L條。

設fk是二元組符合i+j=k的頻數(shù)，其概率密度為：

(11)

3.2 改進的快速分割算法

獲得鄰域均值j時，運算權值q根據(jù)距離確定以符合近大遠小的原則。(i,j) 附近 5×5的像素點(x,y)的權值q根據(jù)與像素(i,j) 的距離做不同調(diào)整，以(i,j)權值q作為1為準，隨著距離加大，q變小，且距離大于5的鄰域像素點權值為零。其鄰域像素點運算權值可表示為：

(12)

二維Otsu法通過計算得到(s,t)的最佳門限，進而劃分出4個區(qū)域。其中，i≤s且j≤t的區(qū)域為目標范圍C0；i≥s且j≥t的區(qū)域為背景范圍C1。同時，遠離直方圖對角線的pij為零，其對應的均值為：

(13)

式中C0和C1的概率分別為ω0和ω1。

類間離散測度為：

trSB=ω1ω0[(μ0i-μ1i)2+(μ0j-μ1j)2]

(14)

最佳門限(s*,t*)的計算準則，即最大類間方差(Otsu)準則為：

trSB(s*,t*)=max{trSB(s,t)}

(15)

(16)

(17)

(18)

決定最佳閾值直線i+j=T*的準則為：

(19)

最后根據(jù)T*劃分出目標區(qū)域和背景區(qū)域，完成分割。

綜上所述，紅外圖像快速檢測方法實現(xiàn)過程的主要步驟如下：

Step1 載入原始紅外數(shù)據(jù)，獲得紅外圖像及灰度直方圖，并進行直方圖統(tǒng)計；

Step2 用灰度直方圖分級變γ值的灰度變換進行增強對比；

Step3 設置變結構元素的Top-hat算子尺寸比例，實現(xiàn)背景抑制；

Step4 根據(jù)快速截距直方圖計算方法，求解Otsu準則下的最優(yōu)解，實現(xiàn)圖像分割；

Step5 采用形態(tài)學開閉操作平滑邊界消除毛糙噪點；

Step6 得到紅外圖像目標范圍(ROI)的檢測結果，并輸出。

4 實驗結果及分析

實驗采用高德紅外C系列非制冷型紅外成像儀器采集的紅外圖像作為原始數(shù)據(jù)，實驗環(huán)境為Intel Core i7-8700k CPU 3.7 GHz，8 GB內(nèi)存，采用Matlab 2016b軟件實現(xiàn)。通過100次仿真實驗數(shù)據(jù)計算平均值記錄數(shù)據(jù)，且采用Matlab軟件第2次以后的計時值，避免解析加載程序?qū)τ涗洈?shù)據(jù)產(chǎn)生影響。

1)實驗1

兩幅原始圖像數(shù)據(jù)如圖1所示。首先用二維Otsu直分法、經(jīng)典Top-hat加二維Otsu直線閾值法(結構元素面積為圖像面積的2.7%)、背景抑制加圖像分割算法進行處理(紅外成像距離為100 m時，內(nèi)結構元素尺寸為成像面積的1%，外結構元素尺寸為成像面積的5.4%)，其算法效果如圖2所示，算法所得ROI標記圖如圖3所示，表1為3種算法在未添加高斯噪聲時圖像處理過程中部分參數(shù)的記錄。然后分別給圖1(a)加μ=0、σ=10和圖1(b)加μ=0，σ=50的高斯噪聲，經(jīng)過處理得到的效果如圖4和圖5所示。

圖1 紅外成像數(shù)據(jù)

由圖2可以看出，受周邊溫度、熱輻射以及成像器件本身的影響，原始紅外成像目標邊緣不清晰。通過與二維Otsu直分法和Top-hat加直線閾值法對比；文中算法保留目標信息較好，細節(jié)方面效果清晰，獲得了較好的效果。由表1看出，文中算法在時間和錯分率上有一定提高，相對經(jīng)典Top-hat加直線閾值法具有更強的魯棒性。圖3中紅色框可以正確標記出目標，藍色標記為目標圖像重心，這為下一步的目標識別打下良好基礎。

從圖4和圖5可以看出，文中算法相對其他算法具有一定的噪聲抑制能力，魯棒性較好，抗噪性較好。直分法和Top-hat加直線閾值法處理結果被嚴重污染，圖像分割效果差，邊緣信息丟失。

圖5 給圖1(b)加μ=0、σ=50高斯噪聲后圖像分割結果

2)實驗2

圖6是多目標的紅外圖像。分別用二維Otsu直分法、經(jīng)典Top-hat加二維Otsu直線閾值法、背景抑制加圖像分割算法對該多目標的紅外圖像進行處理，結果如圖7所示，文中算法所得ROI標記圖如圖8所示。

圖6 多目標的紅外圖像

圖7 3種算法的多目標紅外分割結果

由圖7可知，對多目標情況，二維Otsu直分法閾值計算所得結果不正確，無法進一步尋找目標實現(xiàn)檢測；經(jīng)典Top-hat加直線分割效果很差，閾值法閾值尋找不合理，丟失大量信息，效果較差；文中算法多目標分割效果較好，可以將高亮目標與背景區(qū)域區(qū)別開來，且從圖8中可以看出實現(xiàn)了較好的目標檢測效果。

圖8 文中算法所得ROI標記圖

5 結論

1)為實現(xiàn)紅外圖像快速目標檢測，采取灰度直方圖參數(shù)映射的灰度變換實現(xiàn)預處理，然后采取改進Top-hat算法實現(xiàn)背景抑制，結合Otsu準則截距直方圖求解最佳截距閾值來完成紅外圖像分割。

2)實驗結果表明，該方法可以抑制高斯噪聲，有一定抗噪能力，流程合理，可以達到較好的單目標、多目標紅外圖像檢測效果，具有一定的實際意義。

3)算法區(qū)域范圍選擇以及針對Top-hat算子結構元素的尺寸可進一步開展分析改進，算法針對其他多種噪聲的抑制能力有待加強，算法背景抑制效果可以進一步提高，這為進一步研究、改進目標檢測算法提供了思路。