基于先驗信息的地雷目標紅外圖像增強算法

程 曦，楊 力，季茂榮，王宏偉

(陸軍工程大學野戰工程學院，江蘇 南京 210007)

0 引言

地雷是一種爆炸性武器，由于傳統地雷的長效性，在戰爭結束后仍然長期存在，會對平民造成傷亡，嚴重阻礙當地重建和發展。因此，地雷探測技術和裝備器材的發展和應用，在戰后掃雷中發揮著不可替代的重要作用，對于掃清戰后遺留地雷、有效解決雷患問題也具有非常重要的意義[1]。

近年來，隨著紅外探測技術的快速發展，紅外傳感器及其圖像融合技術，在軍事和安全領域的應用不斷推廣。在戰后掃雷中，首先要進行雷場勘察，以確定雷場環境和地雷分布情況。戰后遺留的雷場中，由于布設方式或地表長期變化，既有埋設的地雷，也可能有撒布在地表或者由于地表變化而裸露的各種地雷，而這些情況下地雷目標均存在紅外輻射特征，故紅外技術對雷場探測問題的應用十分有價值[2]。

在紅外探測時，由于受分辨率、背景干擾、成像距離等因素的影響，地雷的紅外圖像背景復雜，輪廓不規則，對比度較差，從紅外圖像中提取目標較困難。目前針對地雷紅外圖像增強研究尚少，文獻[1—4]使用簡單的直方圖均衡對圖像進行增強，對圖像具有一定提升效果，但當背景復雜，目標較小時，無法實現較好的增強效果。本文針對特定的地雷目標提出基于先驗信息的圖像增強算法。

1 常用圖像增強算法

圖像增強技術是經過特定變換來突出圖像中的有用信息，抑制無用冗余信息，常用的圖像增強算法有直方圖均衡、小波變換、Retinex算法和伽馬變換[5-9]等。直方圖均衡算法基于灰度的均勻分布[10-11]，對地雷紅外圖像而言，由于探測距離的影響，目標矩陣較小，對整幅圖像的灰度值貢獻不高，直方圖均衡算法并不適用；小波變換基于圖像高頻分量和低頻分量的分解[12]，而目標矩陣的大小也影響目標的輪廓質量，目標邊緣模糊，導致高頻信息中不一定包含目標的邊緣信息；Retinex算法則是基于色彩恒常性理論來增強圖像[6]，對紅外探測采集基于熱輻射量的灰度圖像不適用；伽馬變換(見圖1)是通過非線性函數映射增強圖像，常用來克服光照不均勻的問題，將一幅圖像進行非線性變換成g(x)，如式(1)[13-15]：

圖1 伽馬變換Fig.1 Gamma transformation

g(x)=xγ

(1)

式(1)中，x為圖像中某點的像素值，γ為系數。

對灰度圖像而言，還可以通過偽彩色編碼達到圖像增強的效果。偽彩色編碼是指將灰度圖像通過相關技術轉化成彩色圖像，提升圖像細節和對比度，使目標的辨識度增強。常用的偽彩色增強方法有密度分割法、頻域變換法和灰度彩色變換法等[12，16]。

傳統增強算法運用到地雷紅外圖像時，無法很好地針對目標進行增強，而實際進行地雷探測時，地雷目標的型號和尺寸一般公開，可利用這些信息協助區分圖像中的目標和背景。

2 基于先驗信息的地雷目標紅外圖像增強算法

2.1 算法流程

在探測距離和目標尺寸已知時，根據成像原理可計算出目標在圖像中像素大小；同時若搭載無人機進行勘探任務，目標在圖像中的形狀為圓形或橢圓形。利用目標的尺寸和形狀兩種先驗信息，先對圖像進行預篩選，搜尋目標所在區域，然后針對特定區域進行增強，提升目標的辨識度[17]。

如圖2所示，首先依據先驗信息將圖像轉換成特定矩陣，然后通過特定矩陣尋找圖像ROI縮小目標所在范圍，再進行伽馬增強，最后計算相關閾值把灰度圖像轉換成彩色圖像，達到圖像增強的目的。

圖2 流程圖Fig.2 Flow chart

2.2 圖像轉換

首先使用m×n的均值濾波器W1對圖像濾波得到均值矩陣W1(其中m，n是圖像中目標的像素尺寸)，再使用1.5(m×n)的均值濾波器W2得到均值矩陣W20，運算后得到W2中不包含W1的圓環區域均值為：

(2)

式(2)中，S1、S2分別為W1、W2的面積，將兩圖相減獲得基于先驗信息的目標轉換矩陣W=W1-W2[9]。

如圖3所示，以原始圖像中任一像素點為中心，建立與濾波器W1、W2尺寸相同的窗口，虛線代表窗口W1，實線代表窗口W2，圓形部分代表目標。假設窗口和目標的中心在同一點時，依據目標的大小分類成三種情況，圖3(a)代表目標大于W1，圖3(b)代表目標小于W1，圖3(c)代表目標大小等于W1，在這三種目標、背景平均灰度值相等的情況下，W2(a)>W2(c)=W2(b)，W1(b)W1(d)，W2(c)r,代表目標和窗口的中心偏移量較大，此時W2(f)>W2(e)>W2(c)，W1(f)

圖3 窗口示意圖Fig.3 Window diagram

綜合上述6種情況，當假想目標的尺寸、形狀、位置和窗口W1一致時，轉換矩陣W在該處的數值最大即圖3(c)所示情況。故通過這種預處理手段，將基于熱輻射量的灰度矩陣轉換成差分均值下的對比度值矩陣，既可抑制尺寸與實際目標不符合的“假目標”，也可以抑制與目標的形狀差異較大的“假目標”，還能尋找到目標的中心位置。

2.3 設立ROI

將轉換矩陣W由雙精度浮點型轉化為8位整型矩陣，統計灰度直方圖，如圖4所示，設立參數kn，此時目標應處在高灰度值范圍內即橫軸虛線右側，取轉換矩陣中灰度累積概率分布kn(本文取kn=0.99)以上的像素點作為目標可疑點(當像素點在同一連通區域內時取其區域中心點)，記錄所有可疑點的位置，在原始圖像上的對應位置以可疑點為中心，建立與W1大小相同的窗口作為圖像的ROI[17]，每個窗口內包含的即為可疑目標。

圖4 灰度累積概率直方圖Fig.4 Gray cumulative probability histogram

2.4 伽馬變換

對于地雷的紅外圖像而言，目標常處于高灰度值區域，但是若存在干擾源的溫度高于目標，則伽馬變換的增強效果就會減弱很多。由上述步驟轉換后，單一窗口內目標為高灰度值，背景為低灰度值，設定γ大于1，以此來擴大目標和背景的差異，達到增強對比度的效果。

為保留圖像其他區域的信息，進行如下變換，轉化成圖像f:

(3)

式(3)中，R為圖像ROI，(x，y)為圖像中的像素點，I為原始圖像，k為抑制系數，范圍為0～1。根據多次實驗，針對本文使用的地雷紅外圖像，選取γ=2，k=0.8。在非ROI區域，乘以系數k來抑制背景和噪聲區域的灰度值。使圖像f既增強了感興趣區域的圖像質量，又對原始圖像其他信息進行保留。

2.5 自適應閾值偽彩色增強

由于傳統方法所選擇的閾值相對固定，通常將灰度區間四等分然后進行轉化，無法很好滿足所有類型的圖像。本文基于文獻[18]的思路，根據圖像目標區域灰度值設立自適應的閾值，來進行偽彩色編碼。計算f(x,y)每個感興趣區域的灰度均值ti和總均值T1，并將ti依據大小平均分成兩組，分別計算兩組的平均值T2、T3。

如圖5所示，依據人眼的視覺特點，對冷暖色的變化感知能力較強，選擇紅色(圖左)作為高溫，藍色(圖右)作為低溫，黃色作為過渡段，形成冷暖色的變化，增強偽彩色中顏色的辨別力。RGB三個通道的計算公式如下所示，根據自定義的三個閾值T1、T2、T3來進行偽彩色變換：

圖5 色溫表Fig.5 Color temperature table

(4)

(5)

(6)

3 實驗測試及驗證

為驗證算法的增強效果，依托無人機平臺，對設置的地雷模型進行探測，獲取探測圖像并進行分析。模擬戰后掃雷中的地雷目標特征，設置撒布、半埋設和埋設式三種類型的地雷目標模型，其中半埋設式是由于土壤運動、風力影響等條件而呈現的表面裸露狀態。

實驗測試選用大疆M300型無人機，搭載光學與紅外雙鏡頭禪思 Zenmuse H20T，紅外圖像分辨率為640×512，拍攝高度為10 m，選取美軍蓋托(GATOR)布雷系統布設的BLU-91/B型反車輛地雷和BLU-92/B型殺傷人員地雷制作地雷模型用于探測，兩種模型直徑均為10 cm，其紅外特征和地雷相似，實驗平臺為python3.7。

如圖6所示，選擇正午時段兩幅場景下的地雷目標紅外圖像為例，圖6(a)為草地撒布式和半埋設式混合場景圖中的目標用紅色圓圈標記，平行四邊形框內為4顆撒布式反車輛地雷，矩形框內為2顆半埋設式殺傷人員地雷；圖6(b)為沙土埋設式場景，圖中3顆殺傷人員地雷埋深1 cm，虛線框內為沙土背景，框外為草地(后續為只考慮沙土背景情況，將圖像此沿虛線區域裁剪)。

圖6 實驗紅外圖像Fig.6 Infrared image of the experiment

在考慮探測效率的情況下，探測距離較大往往影響目標在圖像中的大小，此時會出現背景信息過多，導致目標和背景之間的對比度差異不夠明顯，難以識別。

圖7所示為圖6(a)的算法實現效果。圖7(a)為原始圖像；圖7(b)為直方圖均衡，由于背景和噪聲占圖像的面積很大，算法處理效果不好；圖7(c)中僅使用伽馬增強，圖像中除了目標的高灰度區域也被增強，影響了目標的視覺效果；圖7(d)為使用先驗信息篩選出目標區域后的增強效果，克服了圖7(c)中大面積的背景和噪聲信息干擾，目標和背景之間的對比度得到提升；圖7(e)為截取目標區域的放大圖像，第一行為原始圖像，第二行為增強后的圖像，可明顯觀察出在算法增強后目標區域的高灰度被保留，背景區域則被抑制為低灰度值，大大提升了兩者的對比度；圖7(f)是傳統的彩色灰度變換法的偽彩色效果；圖7(g)為本文的改進效果，目標的辨識度更高，顏色更加鮮明，同時設立了自適應閾值，使圖像的細節保留更好。

圖7 表面裸露式算法處理效果Fig.7 Algorithm processing effect of exposed surface targets

圖8(a)為圖6(b)中虛線部分截取的原始圖像，由于目標在圖像中的面積占比較小，背景環境干擾大，地雷目標的紅外特征都極易受到背景影響，表現不明顯；圖8(b)為本文增強后的效果，通過尋找ROI后背景被抑制，目標和部分干擾被增強，對比度具有明顯提升；圖8(c)和圖8(d)為偽彩色增強效果對比，和圖8(c)相比，圖8(d)目標的顏色辨識度更高，而自適應閾值也使圖像更多紋理細節得到保留。

圖8 埋設式算法處理效果Fig.8 Algorithm processing effect of buried targets

表1所示為目標均值減去背景區域均值的結果，代表局部目標區域的對比度。目標1、2為圖6(a)中隨機選取的2顆地雷，目標3、4為圖6(b)中的2顆地雷。通過4種算法進行對比，由于伽馬增強能擴大高灰度區域和其他區域的差異，應用于地雷目標紅外圖像時效果要優于直方圖均衡算法，但高溫的非目標區域會直接影響算法的增強效果；本文算法中引入先驗信息將圖像處理的范圍縮小至可疑的目標區域，抑制背景后，對比度得到進一步提升，對目標識別具有促進作用。

表1 目標區域對比度Tab.1 Contrast of the Target Areas

4 結論

本文提出基于先驗信息的地雷目標紅外圖像增強算法。該算法利用目標尺寸和形狀的先驗信息，克服了目標小、干擾多、背景復雜等實際問題，把圖像中的目標分離出來，針對目標區域進行有效增強，提升了目標和背景的對比度，對地雷的紅外圖像具有良好的適用性。實驗驗證結果表明，與傳統圖像增強算法相比，本文算法對地雷目標的紅外圖像增強取得了較好效果，但圖像中仍存在部分“假目標”，后續仍需要通過圖像分割等方法進一步識別。