徐 倩，陳咸志，白志剛，曹曉荷，羅鎮(zhèn)寶，金代中

?

強陽光反射背景下紅外艦船目標自適應(yīng)分割

徐 倩1，陳咸志1，白志剛2，曹曉荷1，羅鎮(zhèn)寶1，金代中1

（1. 西南技術(shù)物理研究所，四川 成都 610041；2. 空軍駐川西軍代室，四川 成都 610041）

針對海面有強陽光反射背景下現(xiàn)有紅外艦船目標分割算法效果較差，提出了一種有效的紅外艦船目標分割方法。利用均值漂移方法的不連續(xù)保持性濾波特性，抑制海面小面積強雜波干擾，同時又不損失艦船目標信息。對濾波后圖像做行垂直方向梯度均值投影，獲取艦船目標感興趣區(qū)域。最后運用改進的行列均值自適應(yīng)閾值分割算法，結(jié)合使用紅外艦船目標的幾何特征量達到自動分割的目的。

紅外圖像；艦船目標分割；均值漂移濾波；梯度特征計算；行列均值分割

0 引言

?？毡尘跋录t外艦船目標檢測技術(shù)是對海偵查、監(jiān)測等應(yīng)用領(lǐng)域研究的重點。紅外場景中的艦船目標分割一直是國內(nèi)外極為關(guān)注的熱點問題[1]，因為它是紅外制導武器在海面背景下可靠捕獲、識別艦船目標的重要基礎(chǔ)和前提。

艦船紅外成像主要是基于目標的紅外輻射特性，其紅外輻射源包括太陽、天空、海洋及艦船等。天空的輻射主要是自身輻射和散射太陽光，除了細小的云層干擾以外，天空背景的灰度分布基本比較均勻。從整體來看，海面背景由于海浪的起伏，使得所成的紅外圖像灰度起伏較大，因而存在較大的雜波，對艦船目標的分割和提取存在嚴重的干擾。根據(jù)海面陽光反射的大小可將海面的干擾程度分為3個等級：弱陽光反射、密陽光反射和強陽光反射[2]，在強陽光反射環(huán)境中，由于天氣狀況較好，紅外鏡頭處于逆光拍攝，海面存在大面積的強陽光反射干擾，這給傳統(tǒng)的閾值分割帶來了困難，分割結(jié)果除艦船目標外仍包含部分天空及大面積海面干擾[3-6]。

一維最大類間方差法（也稱Otsu法）因其未考慮目標局部的灰度分布情況，因而在復(fù)雜場景中無法得到滿意的結(jié)果[3]。文獻[4]采用2維直方圖并以最大2維熵為準則進行紅外艦船分割，但由于強魚鱗光雜波邊緣與艦船目標邊緣響應(yīng)值相當，分割后除目標外仍包含大面積海面雜波干擾。文獻[5]對圖像建立區(qū)域連接圖，采用最小生成樹方法得到分類結(jié)果，由于海面雜波灰度均勻且分布面積廣，目標面積相對更小，因此在有大面積魚鱗光反射的背景下無法分割出目標，得到的結(jié)果反而是魚鱗光分布區(qū)域。文獻[6]對小波去噪后圖像采用梯度強度均值分割的算法檢測出海天線，運用基于行列均值的自適應(yīng)閾值分割算法檢測出紅外艦船目標，此方法雖能檢測出目標，但在分割后仍包含部分海面魚鱗光區(qū)域。本文對文獻[6]分割方法的閾值選取和條件判斷做了改進，在強陽光反射背景下可以得到較好的分割結(jié)果。

為減少海面、天空干擾和不影響后續(xù)的圖像分割質(zhì)量，本文先利用均值漂移算法對紅外圖像進行預(yù)處理；然后利用圖像行垂直方向梯度均值投影并尋優(yōu)得到感興趣區(qū)域，進一步縮小目標分割面積；最后通過改進的行列均值分割實現(xiàn)紅外艦船目標分割任務(wù)。實驗表明：該方法能在強陽光反射背景下有效地抑制天空云層和海面大面積雜波的影響，獲得較好的分割結(jié)果。

1 圖像預(yù)處理

均值漂移算法（Mean Shift）可以實現(xiàn)圖像的不連續(xù)保持性濾波[7]，不僅可以濾除圖像中的點噪聲，而且能夠進行區(qū)域灰度聚類。將其用于強陽光反射背景下不僅可以降低海面魚鱗光分散性而且能自適應(yīng)地減小艦船目標顯著邊緣平滑，有利于后續(xù)目標分割。

均值漂移算法是采用迭代計算的方式，即先算出當前點的偏移均值，移動該點到其偏移均值，然后以此為新的起始點，繼續(xù)移動，直到滿足一定條件結(jié)束迭代計算。該算法自應(yīng)用到圖像處理中以來，針對不同應(yīng)用，出現(xiàn)了多種偏移均值的表達形式，文中采用YiZong Chen[8]的定義形式，偏移均值表示為：

式中：()是一核函數(shù)；(x)≥0是一個賦給采樣點x的權(quán)重；為一常數(shù)。

給定初始點、核函數(shù)和容許誤差均值漂移算法循環(huán)的執(zhí)行下面兩步，直至結(jié)束條件滿足：

1）計算m()；

文中將紅外艦船目標的空間信息和灰度信息統(tǒng)一考慮，組成特征向量＝(s,r)，s表示坐標，r表示該坐標上對應(yīng)的灰度特征；表示顏色通道數(shù)，在紅外灰度圖像中＝1；采用高斯核函數(shù)估計的分布，其表達形式如下：

由均值漂移算法原理，用均值漂移算法對每一個象素點x＝(x, x)進行如下步驟：

1）初始化＝1，并且使y,1＝x；

2）運用均值漂移算法計算y,j＋1，直到收斂，記收斂后的值為y,c；

3）賦值z＝(x, y,c)。

考慮到處理時間和處理效果，通過大量試驗得到經(jīng)驗值s＝8，r＝16，＝5，可以獲得比較好的濾波效果。圖1(b)為運用均值濾波算法對典型海天場景圖1(a)濾波結(jié)果，可以看出在艦船目標附近消除了大量海面魚鱗反射波及天空云層干擾，同時對海面魚鱗波和艦船有聚類的效果，使得魚鱗波分布更集中，有利于將艦船從魚鱗波中分割出來。

2 ROI獲取

提取艦船目標感興趣區(qū)域的傳統(tǒng)做法是提取海天線，這在海天線模糊或不存在海天線情況下容易發(fā)生誤檢。當存在海天線時，艦船一般出現(xiàn)在海天線附近（如圖2(a)所示），由于天空和海面存在熱輻射差，在海天線過渡區(qū)域圖像垂直方向梯度變化大；當不存在海天線時，海面干擾較小，由于艦船大多呈扁平狀、存在吃水線以及艦船附近水紋多出現(xiàn)水平分布，在艦船附近垂直方向梯度變化也較明顯。因此無論是否存在海天線，艦船附近區(qū)域垂直方向梯度都會有較大變化。

由于強陽光反射背景下一般存在海天線，天空灰度分布比較均勻而海面雜波干擾較強，可以通過檢測第一個垂直方向梯度變化較大的行，再上下進行擴展來初步定位艦船區(qū)域。圖2是圖1(b)行垂直方向梯度均值投影圖，可以看出在第105行附近垂直方向梯度開始有較大變化，此區(qū)域為海天過渡區(qū)域；而在105行之后垂直方向梯度變化則更為劇烈，這是由于強陽光反射背景下存在大量魚鱗光反射的結(jié)果。

(a) 原始圖像

(a) the original image

(b) 圖1(a)均值漂移濾波結(jié)果

圖2 圖1(b)行垂直方向梯度均值投影

設(shè)圖像尺寸為×，(,)是二維數(shù)字圖像平面上的點，(,)是經(jīng)均值濾波后圖像各點的灰度值。本文針對成像面積具有一定大小（大于5×5像素），且艦船成像高度不超過圖像高度1/4的艦船目標進行分割，綜合以上分析，可以得出感興趣區(qū)域（ROI）提取方法，步驟如下：

1）將圖像與垂直向梯度算子[－1；0；0；0；1]相卷，得到垂直向梯度I(,)，并記錄于長度為×的數(shù)組中；

2）垂直向梯度取絕對值，計算各行行梯度均值，為進一步消除雜波干擾，取相鄰3行平均值作為各行行均值，得到行垂直方向梯度均值投影Avg_I()，＝0,1,…,－1，并記錄于長度為的數(shù)組中；

5）提取以下區(qū)域為ROI區(qū)域：(,),＝(－/8),…, (＋/8)；＝0,1,…,。

ROI獲取流程圖如圖3所示，圖4為圖1(b)提取的艦船ROI。

圖3 ROI獲取流程圖

圖4 圖1(b)提取的艦船ROI（黑色直線為定位行）

3 艦船目標分割

圖像分割是一種將圖像分割成若干個有意義區(qū)域的圖像處理技術(shù)，其中在分割出的各彼此獨立的區(qū)域中可能包含潛在目標。圖像分割的關(guān)鍵和難點是分割閾值的選取。

傳統(tǒng)分割算法（如Otsu閾值分割算法）大多適用于海面背景較簡單的場景，對于海面存在大面積強魚鱗光反射的場景，由于魚鱗波成像具有一定面積且具有高灰度值，很容易發(fā)生誤檢。分析發(fā)現(xiàn)，當天氣狀況很好且攝像頭呈逆光拍攝時，海面會存在大量大面積魚鱗光反射，此時艦船紅外輻射能量通常比海面背景的能量還低，艦船目標成像為暗目標。

楊明月等人針對紅外艦船亮目標提出一種基于行列均值的自適應(yīng)閾值分割算法[6]，計算圖像各行列的灰度均值。對圖像中任意一點，如果其灰度值減去所在行列均值均大于某閾值，則認為該點是潛在的目標區(qū)域中的點，并且置為白；否則認為是背景中的點被濾除，置為黑。另外，通過判斷分割后面積最大的聯(lián)通域的面積占圖像的百分比，自適應(yīng)獲得最佳分割閾值。但文獻[6]的算法存在以下幾個不足之處：

1）由于艦船目標面積大小不一，且海面存在大面積強魚鱗光反射，因此通過判斷分割后面積最大的聯(lián)通域的面積占圖像的百分比來確定閾值會存在大面積干擾；

2）閾值用像素來衡量，對于具有不同對比度且海面雜波干擾較強的場景，得到的分割結(jié)果將包含大面積的魚鱗波塊；

3）閾值不應(yīng)設(shè)置為全局閾值，圖像不同位置處因噪聲大小不同應(yīng)有不同的閾值；

4）由于是海天場景，對于ROI中任意一點，行方向為單一場景（天空背景或海面背景），列方向為復(fù)合場景（天空背景和海面背景），因此列方向應(yīng)比行方向約束更嚴格，閾值略大。

基于上述不足之處，本文改進了閾值的選取及分割結(jié)束條件，提出一種新的基于行列均值分割方法。行列閾值共有5種選擇，依次為ROI中各點所在行均值和列均值的1/2、1/2；1/3、1/2；1/4、1/3；1/5、1/4；1/6、1/5，初始行列閾值賦為行均值的1/2和列均值的1/2。由于閾值的合理選取，已消除大量雜波干擾，可通過判斷所得分割區(qū)域面積大小來最終確定閾值結(jié)束分割。

綜合以上分析，可以得出求取ROI目標圖像分割的方法，步驟如下：

1）計算圖像各行灰度均值X；

2）計算圖像各列灰度均值Y；

3）給行列分割閾值賦初值：th_r＝X/2，th_c＝Y/2；

4）對圖像中任意一點(,)，若X－(,)＞th_r且Y－(,)＞th_c，則置為白，否則置為黑；

5）判斷分割后面積大小，若＜50，則相應(yīng)減小行列分割閾值；

6）重復(fù)步驟4）、5），以求得最佳閾值，得到ROI分割結(jié)果。

去掉分割圖像中面積小于一定值和長寬比超過一定值的連通區(qū)域，得到最終ROI分割結(jié)果。圖5為ROI分割流程圖，圖6給出了圖4分割結(jié)果。將ROI分割結(jié)果向上下擴展一定零行可得到原始紅外圖像的目標分割結(jié)果。

圖5 分割流程圖

圖6 圖4分割結(jié)果

4 實驗結(jié)果與分析

采用文中提出的艦船目標分割方法，對實際拍攝的強陽光反射背景下紅外艦船圖像進行了實驗，圖像大小為320×254，如圖7所示，圖7(a)、(b)為強魚鱗光反射背景，圖7(c)為稠密魚鱗光反射和黑帶干擾的場景。本文算法對這3種不同場景分割結(jié)果如圖8所示。實驗中本文選取了Otsu[3]和文獻[6]算法進行了結(jié)果對比，由于Otsu和文獻[6]算法必須在已知目標和背景能量強度關(guān)系的前提下進行分割，因此在對圖7進行分割時假設(shè)已知圖像中目標灰度低于背景，設(shè)定閾值分割小于背景灰度的像素；圖9是Otsu分割結(jié)果，圖10是文獻[6]算法分割結(jié)果。

從實驗結(jié)果中可以看出，本文算法在場景中存在強魚鱗光反射、稠密魚鱗光反射和帶狀干擾時，均能準確分割出艦船區(qū)域；而Otsu方法對3種場景均無法分割出目標，目標完全淹沒在海面和天空噪聲中；文獻[6]算法雖然能分割出目標，但由于海面存在較強干擾，分割結(jié)果仍包含大量海面噪聲，無法獲得較好的分割結(jié)果。這是由于這兩種方法閾值均為全局閾值，在海面存在大面積魚鱗波干擾時，由于海面雜波灰度特性與艦船目標相近，分割結(jié)果包含大面積海面雜波。本文算法通過自適應(yīng)設(shè)定局部閾值，保留目標的同時抑制海面雜波，可以在不同的實驗圖像中獲得相對較好的結(jié)果。

5 結(jié)論

海面艦船目標分割對于艦船目標自動檢測和識別以及跟蹤有重要意義。本文從工程應(yīng)用中針對海面有強陽光反射時現(xiàn)有算法分割效果較差出發(fā)，通過均值漂移方法抑制海面部分強雜波干擾，再對圖像做行垂直方向梯度均值投影，獲取艦船目標感興趣區(qū)域，運用改進的行列均值自適應(yīng)閾值分割算法，結(jié)合使用紅外艦船目標的幾何特征量達到自動分割的目的。該方法物理意義明確，對不同場景有很好的適應(yīng)力，并能較好地抵抗大面積魚鱗光干擾、水面帶狀干擾、強雜波等干擾，具有一定的工程應(yīng)用價值。然而需要指出的是，當艦船目標為亮目標時，算法須作相應(yīng)改進，如何讓算法自適應(yīng)地分割出雙極性目標，這是今后需要進一步完善和提高的地方。

圖7 強陽光反射背景實驗圖像

圖8 本文算法分割結(jié)果

圖9 Otsu分割結(jié)果

圖10 文獻[6]算法分割結(jié)果

[1] 陳錢. 紅外圖像處理技術(shù)現(xiàn)狀及發(fā)展趨勢[J]. 紅外技術(shù), 2013, 35(6): 311-318.

Chen Qian. The status and development trend of infrared image processing technology[J]., 2013, 35(6): 311-318.

[2] Kim Sungho, Choi Byungin, Kim Jieun, et al. Three plot correlation- based small infrared target detection in dense sun-glint environment for infrared search and track[C]//, 2013, 8393: 83930T1-7.

[3] 邢莎, 吉林, 雍楊, 等. 復(fù)雜場景下的自動紅外艦船目標檢測[J]. 紅外技術(shù), 2014, 36(4): 320-325.

Xing Sha, Ji Lin, Yong Yang, et al. Automatic infrared warship target detection under complicated background[J]., 2014, 36(4): 320-325.

[4] 趙菲, 盧煥章, 張志勇. 自適應(yīng)雙極性紅外艦船目標分割算法[J]. 電子與信息學報, 2012, 34(10): 2432-2438.

Zhao Fei, Lu Huan-zhang, Zhang Zhi-yong. Adaptive bilateral polarity ship segmentation in infrared images[J]., 2012, 34(10): 2432-2438.

[5] 陶文兵, 金海. 基于均值漂移濾波及譜分類的海面艦船紅外目標分割[J]. 紅外與毫米波學報, 2007, 26(1): 61-64.

TAO Wen-Bing, JIN Hai. Ship infrared object segmentation based on mean shift filtering and graph spectral clustering[J]., 2007, 26(1): 61-64.

[6] 楊明月, 楊衛(wèi)平. 復(fù)雜海天背景下紅外艦船目標的自動檢測方法[J]. 紅外與激光工程, 2008, 37(4): 638-640.

Yang Ming-yue, Yang Wei-ping. Automatic detection method of IR warship target in the complex sea-sky background[J]., 2008, 37(4): 638-640.

[7] Comaniciu D, Meer P. Mean shift: A robust approach toward feature space analysis[J].. 2002, 24(5): 603-619.

[8] Cheng Yizong. Mean shift, mode seeking, and clustering[J].. 1995, 17(8): 790-799.

Adaptive Infrared Warship Target Segmentation in Strong Sun-glint Environment

XU Qian1，CHEN Xian-zhi1，BAI Zhi-gang2，CAO Xiao-he1，LUO Zhen-bao1，JIN Dai-zhong1

(1.,610041,; 2.,610041,)

The traditional segmentation algorithm for infrared warship target effects poorly in dense or strong sun-glint sea-based environment. This paper presents a novel adaptive threshold segmentation algorithm to solve the problem. At first we filter an original image using mean shift technique and considering it’s discontinuity-preserving smoothing property so that we can cluster the small-sized strong sun-glint away from the warship target. Then we get the ROI by projecting the average vertical gradient of each row. Finally, we achieve the goal of automatic ship segmentation by the modified adaptive threshold segmentation algorithm based on the mean of each row and column. Furthermore, we extract several regional geometry characteristics to further suppress sun-glint interference.

infrared image，warship target segmentation，mean shift filter，gradient computation，mean of image rows and columns

TP391.4

A

1001-8891(2015)09-0728-05

2014-11-13；

2015-02-13.

徐倩（1988-），女，漢族，四川省廣安市人，碩士，主要研究方向：目標檢測與識別。E-mail：13981715993@163.com。

陳咸志（1974-），男，重慶市人，研究員，主要研究方向：光電圖像制導。

國家“863”計劃重大項目，項目編號：2012AAXXX2012X。