高 晶，孫繼銀，吳 昆，李琳琳

(第二炮兵工程大學(xué)，陜西西安710025)

1 引言

紅外圖像只相當(dāng)于單目觀察而無(wú)立體感的圖像，其實(shí)質(zhì)只是一幅單色輻射強(qiáng)度分布圖，紅外圖像中目標(biāo)檢測(cè)的效果將直接影響制導(dǎo)系統(tǒng)的有效作用距離及設(shè)備的復(fù)雜程度。目前固定軍事目標(biāo)大多數(shù)無(wú)自身熱源，根據(jù)材質(zhì)的不同，其灰度與背景差異大小不一，很難將它們與背景區(qū)分開(kāi)，不利于目標(biāo)檢測(cè)。

為了提高目標(biāo)檢測(cè)精度，文獻(xiàn)［1］提出了基于Hausdorff距離的檢測(cè)方法，但該方法對(duì)遠(yuǎn)離中心的噪聲點(diǎn)和漏檢點(diǎn)非常敏感。文獻(xiàn)［2］給出了Nprod算法，但計(jì)算歸一化相關(guān)系數(shù)時(shí)，計(jì)算量很大。

許多文獻(xiàn)還將圖像分為目標(biāo)區(qū)域和背景區(qū)域，其中目標(biāo)區(qū)域檢測(cè)是關(guān)鍵［3］，文獻(xiàn)［4］～［6］分別采用基于統(tǒng)計(jì)的檢測(cè)方法、基于灰度直方圖的檢測(cè)方法(閾值法)和基于邊緣的檢測(cè)方法進(jìn)行目標(biāo)區(qū)域檢測(cè)。但統(tǒng)計(jì)法易受背景噪聲以及背景條件(如圖像的對(duì)比度等)的影響;閾值法對(duì)于圖像中不存在明顯灰度差異或各物體灰度值范圍有較大重疊時(shí)，難以得到準(zhǔn)確結(jié)果;邊緣檢測(cè)方法在圖像灰度層次較豐富、區(qū)域類別較多時(shí)，檢測(cè)效果將受到極大影響。

圖像特征作為圖像的表征之一被廣泛應(yīng)用于圖像處理領(lǐng)域。因此，針對(duì)以上問(wèn)題，為精確檢測(cè)地面固定目標(biāo)，本文提出了一種新的基于形狀特征的紅外目標(biāo)檢測(cè)方法，即首先依據(jù)圖像的灰度形態(tài)學(xué)信息，擴(kuò)展圖像對(duì)比度、增長(zhǎng)圖像邊緣特征;其次在圖像局部灰度級(jí)發(fā)生變化的基礎(chǔ)上進(jìn)行多子區(qū)分割;最后在多子區(qū)中，從形狀特征入手，利用像素點(diǎn)的灰度信息以及空間位置，分離目標(biāo)與背景，在紅外實(shí)時(shí)圖中檢測(cè)目標(biāo)位置。實(shí)驗(yàn)證明，該方法有效解決了目標(biāo)邊緣模糊的紅外圖像目標(biāo)檢測(cè)難的問(wèn)題，提高了目標(biāo)檢測(cè)的概率，對(duì)于地面目標(biāo)紅外圖像的檢測(cè)具有一定的應(yīng)用價(jià)值。

2 圖像對(duì)比度擴(kuò)展

由于紅外實(shí)時(shí)圖中目標(biāo)邊緣與背景對(duì)比度較小，邊緣模糊，很難分離。如果將邊緣與背景的對(duì)比度增大擴(kuò)展，可以更有利地進(jìn)行形狀特征的提取。數(shù)學(xué)形態(tài)學(xué)方法［7］是一種非線性濾波方法，它最先被用來(lái)處理二值圖像，后來(lái)被引用到灰度圖像處理?；舅枷胧?用一定的結(jié)構(gòu)元素去度量和提取圖像中的對(duì)應(yīng)形狀，去除不相干的結(jié)構(gòu)，以達(dá)到圖像分析和識(shí)別的目的［8］。

一幅圖像通常有多個(gè)物體和背景組成，這時(shí)其灰度直方圖有可能呈現(xiàn)多個(gè)明顯峰值，如圖1所示。因此，本文利用灰度圖像形態(tài)學(xué)梯度的方法［9］對(duì)圖像的對(duì)比度進(jìn)行擴(kuò)展，以便于紅外圖像中目標(biāo)提取。形態(tài)學(xué)梯度為膨脹和腐蝕的的組合使用，從膨脹圖像中減去腐蝕過(guò)的圖像，產(chǎn)生一個(gè)“形態(tài)學(xué)梯度”，它是檢測(cè)圖像中局部灰度級(jí)變化的一種度量，具有增長(zhǎng)圖像邊緣特征的特點(diǎn)。

(a)紅外實(shí)時(shí)圖

圖1 紅外實(shí)時(shí)圖及直方圖

假設(shè)結(jié)構(gòu)元素ws對(duì)灰度圖像g(x，y)膨脹記為gd(x，y)，腐蝕記為ge(x，y)，計(jì)算公式為:

定義ggrad(x，y)為經(jīng)過(guò)形態(tài)學(xué)梯度計(jì)算后的灰度圖像，則形態(tài)學(xué)梯度的計(jì)算公式為:

經(jīng)試驗(yàn)驗(yàn)證，當(dāng)結(jié)構(gòu)元素ws的大小為9×9時(shí)效果最好，如圖2所示。

圖2 調(diào)整后的紅外圖及其直方圖

從圖2可以看出，與圖1相比，形態(tài)學(xué)梯度度量法明顯增長(zhǎng)邊緣特征，增強(qiáng)圖像對(duì)比度。

3 多子區(qū)分割

在紅外圖像中與所需匹配區(qū)域相似的很多，容易產(chǎn)生虛警，而漏檢真實(shí)目標(biāo)。多子區(qū)分割的目的是提取出圖像目標(biāo)至關(guān)重要的區(qū)域，這些子區(qū)并不完全等同于目標(biāo)所在區(qū)域。一般來(lái)說(shuō)，高速采集系統(tǒng)采集圖像的數(shù)據(jù)量比較龐大，要求多子區(qū)檢測(cè)的運(yùn)算比較簡(jiǎn)單，同時(shí)應(yīng)該盡可能保持目標(biāo)不丟失。

實(shí)時(shí)圖的直方圖h(l)由掃描整幅圖像得出，直觀反映出一幅圖像的灰度范圍、灰度級(jí)頻數(shù)以及灰度分布，直方圖閾值法其閾值主要通過(guò)分析圖像的灰度直方圖來(lái)進(jìn)行確定［10］。

一幅圖像只有物體和背景兩部分組成，其灰度級(jí)直方圖呈現(xiàn)明顯的雙峰值，但明顯具有雙峰特性的圖像可說(shuō)是一種比較理想的情況，實(shí)際上很難找到這樣的圖像。本文利用紅外實(shí)時(shí)圖的直方圖特征以及目標(biāo)特點(diǎn)選取多子區(qū)的分割閾值，然后根據(jù)分割閾值從背景中劃分區(qū)域，選定紅外圖像多子區(qū)域，如圖3所示。

圖3 多子區(qū)劃分

由于形態(tài)學(xué)梯度算法擴(kuò)展了圖像對(duì)比度，增強(qiáng)邊緣特征，因此首先利用擴(kuò)展后的圖像灰度直方圖信息從全局進(jìn)行分析，假定實(shí)時(shí)圖大小為X×Y，目標(biāo)形狀大小為M×N，T為全局閾值，定義如公式(4)所示:

其中，L為圖像灰度級(jí);h(l)為直方圖。

4 像素相似性度量

在檢測(cè)出的圖像多子區(qū)中，仍會(huì)存在一些模棱兩可的邊緣，因而，圖像有不確定性，加上目標(biāo)分離依據(jù)的各種特征，最基本的特征就是形狀特征，形狀邊緣表示了信號(hào)的突變，包含了圖像中大量的信息。因此，本文從形狀特征的灰度信息以及空間信息入手，研究形狀特征像素點(diǎn)之間的鄰接相似性，把目標(biāo)從復(fù)雜背景中分離出來(lái)。

像素相似性［11］代表一個(gè)像素值與分割的多子區(qū)區(qū)域內(nèi)的平均像素值之間的相似關(guān)系。假設(shè)(x，y)和(xs，ys)是參考點(diǎn)和圖像子區(qū)內(nèi)的對(duì)應(yīng)像素點(diǎn)，p和ps分別對(duì)應(yīng)其像素灰度值，那么點(diǎn)的像素相似性可以用像素點(diǎn)灰度的歸一化值來(lái)衡量。定義為:

其中，0≤Q［(x，y)，(xs，ys)］≤1為圖像感興趣區(qū)域的平均灰度;c為常量，表示灰度的動(dòng)態(tài)量程，定義為，其中pmin為灰度圖像中的最小像素值。

如果像素相似性的取值越大，則說(shuō)明該像素在多子區(qū)內(nèi)且屬于目標(biāo)范圍的可能性越大。但是，紅外圖像中的目標(biāo)自身就包括很多像素值，有可能不是十分相似，因此僅以像素的相似性度量來(lái)進(jìn)行目標(biāo)的檢測(cè)，會(huì)產(chǎn)生錯(cuò)誤的檢測(cè)結(jié)果。

為克服這一點(diǎn)不足，有效解決相似性的局限性，本文將在度量每一個(gè)像素相似性的同時(shí)，也考慮像素點(diǎn)的空間信息，即考慮參考點(diǎn)xi與子區(qū)域R內(nèi)中心像素點(diǎn)y'的空間距離，定義空間距離為兩點(diǎn)的歐式距離［12］，函數(shù)為:

其中，d為常量N為子區(qū)域R內(nèi)的像素點(diǎn)數(shù)。

因此，對(duì)像素點(diǎn)間的鄰接距離進(jìn)行歸一化處理，將數(shù)值變成對(duì)應(yīng)在［0，1］范圍內(nèi)，更有利于后續(xù)的處理，定義為:

本文將利用權(quán)值結(jié)合像素點(diǎn)的相似性度量和空間距離，綜合利用這二者的信息，以排除一些模棱兩可的邊緣或邊界，定義鄰接相似性度量函數(shù)為:

其中，S［(x，y)，(xs，ys)］的取值范圍為［0，1］，a為權(quán)值，由實(shí)驗(yàn)所得。

S［(x，y)，(xs，ys)］可用下列準(zhǔn)則來(lái)判定，進(jìn)一步將目標(biāo)與背景分離，定義G(x，y)為:

其中，ω 為權(quán)值，由于 0≤S［(x，y)，(xs，ys)］≤1，實(shí)驗(yàn)結(jié)果如圖4所示。從實(shí)驗(yàn)效果可判斷出本文取ω=0．5為判別權(quán)值。

圖4 分離結(jié)果

在實(shí)際的高速圖像采集過(guò)程中，采集目標(biāo)較背景的亮度信息在很多情況下是未知的。因此本文為提取圖像特征保留更多的信息，在圖4分離結(jié)果的基礎(chǔ)上再次利用數(shù)學(xué)形態(tài)學(xué)［4］中的膨脹、腐蝕運(yùn)算，去除不相干的結(jié)構(gòu)，以達(dá)到對(duì)圖像分析和目標(biāo)檢測(cè)有利的目的。并且在圖像的邊緣檢測(cè)中方法很多，Canny算子具有較好的邊緣檢測(cè)性能和抗噪聲性能，能在一定程度上較好地保持圖像的細(xì)節(jié)特征、協(xié)調(diào)邊緣檢測(cè)精度與抗噪聲性能的矛盾，它能夠得到單像素寬的邊緣，且得到的圖像邊緣較完整，與其他方法相比有其獨(dú)特的優(yōu)勢(shì)。

對(duì)于用Canny算子檢測(cè)形狀邊緣得到的圖像，以及用形狀特征像素點(diǎn)之間的鄰接相似性，把目標(biāo)從復(fù)雜背景中分離出來(lái)的檢測(cè)圖像，都不能完整的體現(xiàn)形狀特征。因此，在本文中，將二者結(jié)合起來(lái)，由于數(shù)學(xué)形態(tài)學(xué)中的閉運(yùn)算可以在找到結(jié)構(gòu)元素的任何部分中所能達(dá)到的最低點(diǎn)，所以再次用數(shù)學(xué)形態(tài)學(xué)去除比結(jié)構(gòu)元素更小的暗色細(xì)節(jié)。如圖5所示。

圖5 形狀提取

對(duì)于圖5檢測(cè)到的候選目標(biāo)的形狀，利用Nprod算法［13］進(jìn)行目標(biāo)檢測(cè)，定義如下:

式中，Z表示大小為X×Y的實(shí)時(shí)圖;Y表示大小為M×N目標(biāo)大小，其中X＞M，Y＞N;Zij為時(shí)實(shí)子圖，即在實(shí)時(shí)圖(i，j)位置截取與目標(biāo)大小相等的子圖，如圖6所示。

圖6 目標(biāo)檢測(cè)

由以上實(shí)驗(yàn)結(jié)果可以看出，本文所提取的目標(biāo)輪廓與真實(shí)輪廓接近，包含了完整的目標(biāo)結(jié)構(gòu)，有效地抑制背景雜波干擾，對(duì)于光照變化魯棒性較強(qiáng)。

5 實(shí)驗(yàn)及分析

為了驗(yàn)證本文所提算法的有效性，在CPU3．0 G，內(nèi)存1 G的計(jì)算機(jī)上用Matlab環(huán)境進(jìn)行仿真實(shí)驗(yàn)。以目標(biāo)無(wú)直接可用基準(zhǔn)圖且邊緣模糊的地面目標(biāo)為試驗(yàn)對(duì)象，用本文提出的基于形狀特征的方法在紅外實(shí)時(shí)圖中檢測(cè)目標(biāo)區(qū)域，最終檢測(cè)的目標(biāo)位置將在實(shí)時(shí)圖中框出。

分別采用本文算法、直方圖檢測(cè)方法、基于形狀邊緣的Hausdorff距離算法［14］以及基于灰度Nprod算法進(jìn)行實(shí)驗(yàn)分析。如果框選目標(biāo)的面積占實(shí)際目標(biāo)面積的80%，則認(rèn)為檢測(cè)目標(biāo)正確，否則錯(cuò)誤。

另外，定義檢測(cè)概率:

并分別針對(duì)火電廠、水塔、油庫(kù)、建筑物四類復(fù)雜的紅外實(shí)時(shí)圖(各50幅大小為256×256的紅外序列圖)進(jìn)行目標(biāo)檢測(cè)試驗(yàn)，跟蹤計(jì)算檢測(cè)概率。三種方法的檢測(cè)實(shí)驗(yàn)結(jié)果如表1所示。

表1 算法檢測(cè)率比較

由表1可看出，在所應(yīng)用的四種場(chǎng)景下，本文所提算法相對(duì)于基于灰度直方圖算法、基于形狀邊緣的Hausdorff距離法和基于灰度特征的Nprod算法得到了極大提高，與直方圖檢測(cè)方法相比，平均提高了近10%;與 Hausdorff算法相比，平均提高了近11%;與Nprod算法相比，平均提高了近20%。為體現(xiàn)本文算法在檢測(cè)速度上的優(yōu)勢(shì)，定義圖像檢測(cè)時(shí)間(以實(shí)時(shí)圖的圖像處理為始，在實(shí)時(shí)圖中找到最相似位置為止)。四種方法對(duì)四類場(chǎng)景進(jìn)行檢測(cè)實(shí)驗(yàn)的平均匹配時(shí)間如表1所示，本文所提算法時(shí)間較短，因?yàn)槠渌惴ㄐ枰闅v整幅圖像，而本文算法在目標(biāo)檢測(cè)后縮小了下一步檢測(cè)的搜索范圍，從而提高了檢測(cè)精度，平均檢測(cè)概率都能達(dá)到80%以上。

6 實(shí)驗(yàn)結(jié)論

對(duì)于紅外圖像中，目標(biāo)無(wú)直接可用基準(zhǔn)圖且邊緣模糊不利于目標(biāo)檢測(cè)的問(wèn)題，本文依據(jù)圖像形狀特征，首先引入圖像的灰度形態(tài)學(xué)梯度，擴(kuò)展對(duì)比度、增長(zhǎng)圖像邊緣特征、其次進(jìn)行多子區(qū)域的劃分，并設(shè)計(jì)像素相似性計(jì)算，有效地結(jié)合了像素點(diǎn)的灰度信息以及空間位置，考慮實(shí)時(shí)圖中非真實(shí)邊緣的影響，加入了Canny算子檢測(cè)邊緣，分離目標(biāo)與背景，在紅外實(shí)時(shí)圖中檢測(cè)出所需的目標(biāo)。為檢驗(yàn)本文算法的有效性，針對(duì)四組不同的紅外圖像進(jìn)行目標(biāo)檢測(cè)試驗(yàn)、分析。結(jié)果表明，相對(duì)于直方圖檢測(cè)方法、基于形狀邊緣的Hausdorff距離算法以及基于灰度Nprod算法，本文提出的算法具有檢測(cè)率高、識(shí)別時(shí)間短、抗噪聲能力也有較大改善等優(yōu)點(diǎn)，因此該算法對(duì)于地面紅外圖像目標(biāo)的檢測(cè)具有一定應(yīng)用價(jià)值。

［1］ Huttenlocher Daniel P，Klanderman Gregory A，Ruck lidge William J．Comparing images using the hausdorff distance［J］．IEEE Trans．Pattern Analysis and Machine Intelligence，1993，15(9):850 －863．

［2］ Ling H．Techniques in image retrieval:deformation insensitivity and automatic thumbnail cropping［D］．United States Maryland:University of Maryland，College Park，2006．

［3］ Zhang SC，Lu T Y．Research on IR targets extraction and tracking under low altitude background［J］．Laser＆ Infrared，2010，40(5):546 －548．(in Chinese)

張晟翀，劉彤宇．低空背景下紅外目標(biāo)提取跟蹤算法研究［J］．激光與紅外，2010，40(5):546 －548．

［4］ Sirmacek B，Unsalan C．Urban-area and building detection using SIFT keypoints and graph theory［J］．IEEE Transactions on Geoscience and Remote Sensing，2009，47(4):1156－1167．

［5］ Laptev I．Improving object detection with boosted histograms［J］．Image and Vision Computing，2009，27(5):535－544．

［6］ Ananthakrishnan K，Kodikara N D．Road sign detection and recognition using scale invariant feature transform［J］．PSLIIT，2008，2．

［7］ Gonzalez．Digital image processiong［M］．2nd ed．Beijing:Publishing House of Electronics Industry，2003:445 －453．(in Chinese)

岡薩雷斯．?dāng)?shù)字圖像處理［M］．2版．北京:電子工業(yè)出版社，2003:445 －453．

［8］ Sun X D，Bo SK，Li L L．Study of infrared image clutter suppression based on background estimation［J］．Laser ＆Infrared，2011，41(5):586 －590．(in Chinese)

孫新德，薄樹(shù)奎，李玲玲．基于背景估計(jì)的紅外圖像雜波抑制方法研究［J］．激光與紅外，2011，41(5):586－590．

［9］ Wei B Z，Zhao Z M，Hua J．Sub-pixel edge detection based on improved morphological gradient and Zernike moment［J］．Chinese Journal of Scientific Instrument，2010，31(4):838 －844．(in Chinese)

魏本征，趙志敏，華晉．基于改進(jìn)形態(tài)學(xué)梯度和Zernike矩的亞像素邊緣檢測(cè)方法［J］．儀器儀表學(xué)報(bào)，2010，31(4):838－844．

［10］ Xu T Y，Peng D M，Wang W X．Improved histogram equalization algorithm［J］．Ordnance Industry Automation，2006，25(7):58 －59．(in Chinese)

徐同瑩，彭定明，王衛(wèi)星．改進(jìn)的直方圖均衡化算法［J］．兵工自動(dòng)化，2006，25(7):58 －59．

［11］ Yang X G，Miao D，Cao F．Study on thematching similarity measuremethod for image targetrecognition［C］．The 2nd International Conference on Fuzzy Systems and Knowledge Discovery．Berlin:Springer，2005:289 －292．

［12］ Zhang Jianwei，Zhang Qiheng．Extented object tracking method based on straight-line edge featurematching［J］．Acta Optica Sinica，2009，29(10):2826 － 2831．(in Chinese)

張建偉，張啟衡．基于直線邊緣特征匹配的擴(kuò)展目標(biāo)跟蹤方法［J］．光學(xué)學(xué)報(bào)，2009，29(10):2826 －2831．

［13］ Zhu Yongsong，Guo Chengming．Research of correlation matching algorithm based on correlation coefficient［J］．Signal Process，2003，19(6):531 －534．(in Chinese)

朱永松，國(guó)澄明．基于相關(guān)系數(shù)的相關(guān)匹配算法的研究［J］．信號(hào)處理，2003，19(6):531 －534．

［14］ Huttenlocher Daniel P，Klanderman Gregory A，Rucklidge William J．Comparing images using the hausdorff distance［J］．IEEE Trans．Pattern Analysis and Machine Intelligence，1993，15(9):850 －863．