王 鳳

(中山大學(xué)新華學(xué)院,廣東 廣州 510520)

?

·圖像與信號(hào)處理·

結(jié)合蟻群搜索與邊緣檢測(cè)的紅外輪廓提取算法

王 鳳

(中山大學(xué)新華學(xué)院,廣東 廣州 510520)

現(xiàn)有的邊緣檢測(cè)算法對(duì)紅外圖像進(jìn)行邊緣提取的過程中,容易出現(xiàn)邊緣模糊和噪聲殘留等現(xiàn)象；針對(duì)這種現(xiàn)象,提出了一種結(jié)合蟻群搜索與邊緣檢測(cè)的紅外輪廓提取算法。根據(jù)小波變換后各高頻子帶間的相關(guān)性,引入了圖像的相關(guān)性因子來對(duì)圖像信號(hào)進(jìn)行分類；并對(duì)提取的邊緣信號(hào)進(jìn)行基于蟻群算法的邊緣檢測(cè)算法進(jìn)行邊緣提取,來去除其中的噪聲信號(hào)并對(duì)弱邊緣信號(hào)進(jìn)行保護(hù)。實(shí)驗(yàn)結(jié)果表明,其實(shí)驗(yàn)結(jié)果與預(yù)期效果基本相符,在不同復(fù)雜背景的紅外圖像中,都具有較好的邊緣保護(hù)效果與抗干擾能力。

邊緣檢測(cè)；蟻群算法；小波變換；相關(guān)性

1 引 言

紅外圖像的去噪與邊緣信號(hào)的強(qiáng)化是紅外圖像處理的重要研究內(nèi)容,但兩者存在著很難協(xié)調(diào)的矛盾,在處理過程中,如何合理地進(jìn)行去噪與邊緣強(qiáng)化一直都是研究熱點(diǎn)。迄今為止,人們已經(jīng)提出了許多邊緣檢測(cè)方法,如拉普拉斯算子[1-2]、Canny算子[3]、Sobel算子[4]和Prewitt算子[5]等。但在實(shí)際的處理過程中,這些邊緣檢測(cè)算子在抗噪性和邊緣保護(hù)等方面都不盡人意[6]。基于小波變換的邊緣檢測(cè)算法具有良好的局域化特性[7-8],能夠根據(jù)能量的大小來對(duì)邊緣信號(hào)與噪聲信號(hào)進(jìn)行區(qū)分,使其在抗噪聲與邊緣定位方面有著較大的優(yōu)勢(shì)。但當(dāng)含噪聲時(shí),該算法依然存在著邊緣清晰度與抗干擾能力的不足問題。而紅外圖像在獲取的過程中,一般都存在著一些干擾與邊緣模糊等現(xiàn)象；因此,若采用基于小波變換的邊緣檢測(cè)算法對(duì)紅外圖像進(jìn)行處理,依然無法滿足人們的需求。

為了彌補(bǔ)基于小波變換的邊緣檢測(cè)算法清晰度不高與抗干擾能力低的不足,本文根據(jù)小波變換后各高頻子帶間邊緣信號(hào)的相關(guān)性[9],對(duì)圖像信號(hào)進(jìn)行分類,來提高邊緣算法對(duì)邊緣信號(hào)搜索效率；與此同時(shí),對(duì)于圖像的弱邊緣信號(hào),根據(jù)蟻群算法魯棒性強(qiáng)等特點(diǎn),并與傳統(tǒng)的邊緣檢測(cè)算法相融合,使其在搜索的過程中具有較強(qiáng)的針對(duì)性,來提高算法對(duì)邊緣的搜索準(zhǔn)確性。

2 傳統(tǒng)的邊緣模糊檢測(cè)算法

傳統(tǒng)的邊緣模糊檢測(cè)算法是在小波變換的基礎(chǔ)上,將圖像的多尺度信號(hào)用模糊矩陣的形式進(jìn)行表示,通過利用模糊集的并交運(yùn)算與λ截矩陣來對(duì)圖像的邊緣信號(hào)進(jìn)行求取的[10-11]。

在定義尺度2j時(shí),函數(shù)f(x,y)小波變換小波系數(shù)模與幅角表示函數(shù)如下所示：

模：

(1)

幅角：

(2)

建立M2jf(x,y)隸屬函數(shù)：

U[M2jf(x,y)]=

(3)

其中,Max為梯度方向上的小領(lǐng)域中的最大值,α與β根據(jù)圖像的不同而進(jìn)行改變；并利用模糊子集的交-并運(yùn)算合成各尺度模糊矩陣U2jf(x,y),最終得到Uf(x,y)為合成后的模糊矩陣,并結(jié)合λ截矩陣完成邊緣圖像的獲取,設(shè)Uf(x,y)=(Ui,j)m×n,?λ∈[0,1],可以記Uλf(x,y)=(Uij(λ))m×n,其中:

(4)

則Uλf(x,y)為Uf(x,y)的λ截矩陣。最后得到圖像最終的邊緣信號(hào)。

通過采用上述算法,能夠有效地將圖像中的邊緣信號(hào)與非邊緣信號(hào)提取出來；但通過對(duì)紅外圖像進(jìn)行研究可以發(fā)現(xiàn),紅外圖像是利用景物的輻射差來生成的,雖然具有穿透煙霧、積雪以及識(shí)別偽裝的能力,且不受光線的干擾等優(yōu)點(diǎn)；但其圖像信號(hào)同時(shí)具有對(duì)比度低、邊緣模糊和噪聲大等缺點(diǎn),如果僅僅采用傳統(tǒng)的邊緣檢測(cè)算法,是無法很好地對(duì)紅外圖像進(jìn)行描述的。如圖1所示,采用傳統(tǒng)的邊緣檢測(cè)算法所獲得的邊緣圖像中邊緣信號(hào)過多,同時(shí)所得的圖像中含有過多的干擾,不利于人們對(duì)有效信息的獲取。

圖1 邊緣檢測(cè)算法的實(shí)驗(yàn)圖

3 本文算法

3.1 圖像的相關(guān)性因子

小波變換雖然具有去相關(guān)性質(zhì),但紅外圖像經(jīng)過小波分解后,其高頻子帶中相鄰尺度間的小波系數(shù)依然存在著很強(qiáng)的相關(guān)性,而噪聲的小波系數(shù)則呈弱相關(guān)或不相關(guān)關(guān)系；根據(jù)這一特性,在本文算法中引入了圖像的相關(guān)性因子。其方法如下所示。

通過小波分解后,圖像的相關(guān)性：

Corr=Wn×Wn+1

計(jì)算可得第n層相關(guān)性的總功率和小波系數(shù)的總功率。

相關(guān)性的總功率：

PC=∑Corr×Corr

小波系數(shù)的總功率:

PW=∑Wn×Wn

進(jìn)而得到如下形式的相關(guān)值：

(5)

即可用到上面的相關(guān)值的最小的絕對(duì)值：

Corrnmin=min{|Corrn|}；

相關(guān)值的最大絕對(duì)值：

Corrnmax=max{|Corrn|}；

由于圖像的噪聲信號(hào)是隨機(jī)分散的,并不具備圖像的相關(guān)性,所以本文通過判斷其相關(guān)性的大小來對(duì)圖像進(jìn)行圖像降噪,并且將介于最大相關(guān)值與最小相關(guān)值之間信號(hào)定為模糊邊緣信號(hào),得到如下公式：

(6)

但通過研究發(fā)現(xiàn),采用該算法對(duì)紅外圖像進(jìn)行邊緣提取時(shí),依然存在邊緣模糊與干擾等問題,不適應(yīng)于紅外圖像的邊緣提取,因此,本文結(jié)合蟻群算法[12-13],提出了一種基于蟻群算法的邊緣檢測(cè)算法來對(duì)圖像中的邊緣信號(hào)進(jìn)行提取。將蟻群算法的思想引入了邊緣檢測(cè)算法中,進(jìn)行提高算法對(duì)弱邊緣信息的提取效果。

3.2 弱邊緣的提取

改造蟻群算法,通過將其蟻群的搜索概率與邊緣檢測(cè)的隸屬函數(shù)M2jf(x,y)進(jìn)行結(jié)合,從而提高算法的搜索效率與準(zhǔn)確度。

3.2.1 初始化螞蟻分布

一般來說,螞蟻的數(shù)量設(shè)置為K=M×N(M、N分別表示圖像的長度和寬度),K只螞蟻隨機(jī)分布在像素點(diǎn)上。

3.2.2 搜索的分工機(jī)制

(a)偵察蟻

偵察蟻負(fù)責(zé)對(duì)網(wǎng)絡(luò)中局部的偵察,根據(jù)邊緣檢測(cè)算法中的隸屬函數(shù)M2jf(x,y)來構(gòu)成偵察素,并作為信息素標(biāo)記在該像素點(diǎn)上。定義,ΔmaxM2jf(i,j)為相鄰像素網(wǎng)絡(luò)格中模值的最大值,通過對(duì)這網(wǎng)絡(luò)中模值比較,來避免出現(xiàn)搜索過程中對(duì)弱邊緣的遺漏問題。其函數(shù)表達(dá)為：

(7)

(b)搜索蟻

(8)

3.2.3 信息素更新

當(dāng)螞蟻從一個(gè)像素點(diǎn)移動(dòng)到另外一個(gè)像素點(diǎn)時(shí),信息素按照以下函數(shù)進(jìn)行更新:

τi,j=(1-ρ)·τi,j+ρ·Δτi,j+c·τi,j(0),Δτi,j=ηi,j

(9)

通過引入偵察蟻來進(jìn)一步提高搜索的準(zhǔn)確性,而當(dāng)搜索蟻每次迭代結(jié)束后,則對(duì)所有像素點(diǎn)的信息素進(jìn)行全局更新：

τi,j=(1-ξ)·τi,j+ξ·τ0

其中，ξ(0<ξ<1)表示全局信息素?fù)]發(fā)率；τ0是一個(gè)常數(shù)。

3.2.4 弱邊緣提取

在完成預(yù)先設(shè)置的迭代次數(shù)后,選擇一個(gè)閾值T,根據(jù)每個(gè)像素的信息素強(qiáng)度判斷該點(diǎn)是否為邊緣點(diǎn)。

最終得到邊緣檢測(cè)表達(dá)函數(shù)為:

(10)

3.3 算法流程

Step 1:初始化處理。

Step 2:對(duì)圖像的進(jìn)行小波分解,將圖像信號(hào)分解為高頻信號(hào)與低頻信號(hào)。

Step 3:根據(jù)公式(5)計(jì)算出各高頻子帶間的相關(guān)性,并根據(jù)其相關(guān)性對(duì)圖像信號(hào)進(jìn)行分類,即采用公式(6)提取出圖像的強(qiáng)邊緣信號(hào)與模糊邊緣信號(hào)；此時(shí),保留圖像的強(qiáng)邊緣信號(hào),而對(duì)模糊邊緣信號(hào)進(jìn)行再處理,即轉(zhuǎn)至Step 4。

Step 4:對(duì)提取出來的模糊邊緣信號(hào)進(jìn)行基于蟻群算法的邊緣檢測(cè)算法的邊緣提取,通過結(jié)合偵察蟻公式(7)與搜索蟻公式(8)來對(duì)其邊緣信號(hào)進(jìn)行搜索,并結(jié)合公式(9)對(duì)蟻群路徑的信息素進(jìn)行更新。

Step 5:通過結(jié)合預(yù)先設(shè)定的迭代次數(shù),完成對(duì)弱邊緣信號(hào)提取。

Step 6:將提取出來的邊緣信號(hào)進(jìn)行整合,最終得到去噪效果好且細(xì)節(jié)度較高的邊緣圖像。

4 仿真實(shí)驗(yàn)

為了對(duì)算法進(jìn)行驗(yàn)證,本文選取了兩組不同類型的紅外圖像進(jìn)行了實(shí)驗(yàn),第一組采用簡(jiǎn)單且紋理比較少的紅外圖像,而第二組則采用紋理較多的紅外圖像,并選取基于小波變換的邊緣檢測(cè)算法[14]、文獻(xiàn)算法[15]來與本文算法進(jìn)行對(duì)比,實(shí)驗(yàn)在MATLAT 7.10.0環(huán)境中進(jìn)行。

實(shí)驗(yàn)一：使用飛機(jī)的紅外圖像,該圖為背景簡(jiǎn)單的圖像,來檢驗(yàn)算法的邊緣獲取效果。如圖2所示。

圖2 簡(jiǎn)單紅外圖像的仿真圖像

通過觀察圖2可以看到,基本小波變換邊緣檢測(cè)算法處理后的飛機(jī)A與飛機(jī)B的邊緣圖像存在較多的噪聲信號(hào),進(jìn)而影響到圖像的清晰度；而通過采用文獻(xiàn)算法所得的圖像,雖然很大程度的減少了噪聲信號(hào),但其邊緣信號(hào)存在不連續(xù)的現(xiàn)象。

實(shí)驗(yàn)二：采用背景比較復(fù)雜的紅外圖像,來檢驗(yàn)算法對(duì)抗干擾能力。如圖3所示。

圖3 復(fù)雜紅外圖像的仿真圖像

通過觀察圖3可以看到,在圖像較為復(fù)雜的情況下,基于小波變換邊緣檢測(cè)算法的邊緣檢測(cè)效果依然容易受到噪聲信號(hào)的影響,而采用文獻(xiàn)算法所獲得的邊緣圖像其邊緣出現(xiàn)了大規(guī)模的缺失,如樹林在的樹木框架基本已無法成型。

根據(jù)上述兩個(gè)實(shí)驗(yàn)可以看到,本文算法的在邊緣提取與去噪效果上優(yōu)于其他算法,能夠在保留其紅外圖像的邊緣信號(hào)的情況下減少噪聲信號(hào)的干擾。傳統(tǒng)的小波變換邊緣檢測(cè)算法雖然能夠有效地提取出圖像的邊緣信號(hào),但卻存在著較多的干擾信號(hào),使圖像清晰度無法得到滿足；而文獻(xiàn)算法通過結(jié)合邊緣的擇優(yōu),雖然能夠有效地減少圖像的噪聲信號(hào),但卻使圖像信號(hào)中的部分細(xì)節(jié)信號(hào)缺失,從而降低了圖像的可讀性。

各算法的處理速度如表1所示。可以看出,在對(duì)簡(jiǎn)單類型的紅外進(jìn)行邊緣檢測(cè)時(shí),本文算法的檢測(cè)速度與文獻(xiàn)算法的速度相近,平均高出小波變換邊緣檢測(cè)算法0.52 s；而對(duì)于復(fù)雜類型的紅外圖像進(jìn)行邊緣檢測(cè)時(shí),本文算法所需檢測(cè)的時(shí)間都由于其他算法,平均高出文獻(xiàn)[15]算法0.23 s。由此可以看出,本文算法在復(fù)雜類型的紅外圖像邊緣檢測(cè)中具有較大的優(yōu)勢(shì),也證明了算法的可行性。

表1 各算法的處理時(shí)間比較

對(duì)于復(fù)雜型的紅外圖像,其中含有較多的細(xì)節(jié)信號(hào),為此,本文以第二組為例的邊緣圖像直方圖進(jìn)行分析,其各圖像的處理效果直方圖如圖4和圖5所示。

圖4 樹林紅外圖像各算法的直方圖

圖5 道路紅外圖像各算法的直方圖

通過觀察各算法的直方圖可以看到,采用基于小波邊緣的邊緣檢測(cè)算法法處理后,圖像的灰度值都集中在前面,且呈指數(shù)衰減的趨勢(shì),這表明了邊緣圖像的細(xì)節(jié)較模糊。相較之下,文獻(xiàn)算法與本文算法的直方圖分布有效地減緩了灰度值的衰減速度,其中,本文算法的直方圖灰度值的分布相對(duì)較寬,有效地證明算法對(duì)于細(xì)節(jié)的保護(hù)能力。

5 結(jié) 語

提出了一種結(jié)合蟻群搜索與邊緣檢測(cè)的紅外輪廓提取算法,通過在傳統(tǒng)的邊緣模糊檢測(cè)算法的基礎(chǔ)上,利用高頻子帶邊緣信號(hào)的相關(guān)性,先對(duì)圖像的邊緣信號(hào)進(jìn)行分類處理。同時(shí)對(duì)圖像的弱邊緣進(jìn)行深入處理,通過模擬蟻群搜索食物的方式,來對(duì)圖像中的弱邊緣信號(hào)進(jìn)行提取。實(shí)驗(yàn)結(jié)果表明,在不同類型背景的紅外圖像中,該算法能夠在保持良好的邊緣提取效果的同時(shí),具有較強(qiáng)的抗干擾能力,通過觀察最后各算法所得的直方圖,與預(yù)期的效果基本相符,有效證明了算法的可行性。

[1] Nashat S,Abdullah A,Abdullah MZ.Unimodal thresholding for laplacian-based canny-deriche filter[J].Pattern Recognition Letters,2012,33(11):1269-1286.

[2] Ilk HG,Jane O,Ilk O.The effect of Laplacian filter in adaptive unsharp masking for infrared image enhancement[J].Infrared Physics & Technology,2011,54(5):427-438.

[3] MEI Yaosong,YANG Shuxing,MO Bo.Improved edge detection algorithm based on canny operator[J].Laser & Infrared,2006,36(6):501-503.(in Chinese)

梅躍松,楊樹興,莫波.基于Canny算子的改進(jìn)的圖像邊緣檢測(cè)方法[J].激光與紅外,2006,36(6):501-503.

[4] Lopez-Molina C,De Baets B,Bustince H,et al.Multiscale edge detection based on gaussian smoothing and edge tracking[J].Knowledge-Based Systems,2013,44:101-111.

[5] Zhang H,Zhu Q P,Fan C E,et al.Image quality assessment based on prewitt magnitude[J].Aeu-International Journal of Electronics and Communications,2013,67(9):799-803.

[6] WAN Z P.Efficient image denoising method based on wavelet-contourlet transform and threshold p[J].Laser & Infrared,2013,43(7):831-836.(in Chinese)

萬智萍.一種高效的小波Contourlet變換閥值去噪算法[J].激光與紅外，2013,43(7):831-836.

[7] Nes P G.Fast multi-scale edge-detection in medical ultrasound signals[J].Signal Processing,2012,92(10):2394-2408.

[8] Xu P F,Miao Q Q,Shi C,et al.An edge detection algorithm based on the multi-direction shear transform[J].Journal of Visual Communication and Image Representation,2012,23(5):827-833.

[9] Yang C H,Olson B,Si J N.A multiscale correlation of wavelet coefficients approach to spike detection[J].Neural Computation,2011,23(1):215-250.

[10]Mahani MAN,Moghadam M K,Nezamabadi-Pour H.A fuzzy difference based edge detector[J].Iranian Journal of Fuzzy Systems,2012,9(6):69-85.

[11]Wanpeng P,Che R S,Ye D.An illumination-independent edge detection and fuzzy enhancement algorithm based on wavelet transform for non-uniform weak illumination images[J].Pattern Recognition Letters,2008,29(3):192-199.

[12]Mullen R J,Monekosso D N,Remagnino P.Ant algorithms for image feature extraction[J].Expert Systems With Applications,2013,40(11):4315-4332.

[13]Mullen R J,Monekosso D N,Remagnino P.Ant algorithms for image feature extraction[J].Expert Systems With Applications,2013,40(11):4315-4332.

[14]Wu Y,He Y J,Cai H M.Optimal threshold selection algorithm in edge detection based on wavelet transform[J].Image and Vision Computing,2005,23(13):1159-1169.

[15]Wang W,Yang L J,Xie Y T,et al.Edge detection of infrared image with CNN_DGA algorithm[J].Optik,2014,125(1):464-467.

Infrared contour extraction algorithm based on ants search and edge detection

WANG Feng

(Xinhua College of Sun Yat-sen University,Guangzhou 510520,China)

There are edge blur and noise residues in the course of edge extraction for infrared image by existing edge detection algorithm.In response to this phenomenon,an infrared contour extraction algorithm based on ants search and edge detection is put forward.The correlation factor of the image is introduced to classify image signals based on the wavelet transform correlation between each high frequency sub-band.The edge detection algorithm based on ant colony algorithm is used to extract the weak edge signal,then small noise signals are removed and the weak edge signals are protected.Experimental results show that the results are basically consistent with the expected results.It has a good anti-interference ability and edge protective effect in different complex background infrared images.

edge detection;ant colony algorithm;wavelet transform;correlation

1001-5078(2015)06-0722-06

王 鳳(1984-)，女，講師，碩士，主要研究方向?yàn)閳D像處理，信號(hào)處理，嵌入式系統(tǒng)，電子與信息技術(shù)。E-mail：78133090@qq.com

2014-10-13;

2014-11-03

TP391

A

10.3969/j.issn.1001-5078.2015.06.025