陳 飛

(商丘職業(yè)技術學院 基礎部，河南 商丘 476000)

0 引言

紅外圖像分割是目標檢測、識別和跟蹤等技術的前提，目的是將圖像中關鍵有用的目標信息從背景中分離出來。由于在成像過程中受溫度、氣流、噪聲和輻射等各種因素的影響，紅外圖像普遍具有低對比度和高噪聲的特點，從而給目標的提取工作帶來了很大的難度，是圖像領域專家學者研究的熱點問題[1-2]。目前雖存在眾多流派的圖像分割算法，但由于圖像的多樣性和分割問題的復雜性，并沒有通用的圖像分割方法。文獻[3]提出的最大類間方差(Otsu)法因其快速性、自適應性和良好的分割性而得到了廣泛的研究和推廣，但經典的Otsu算法只考慮了圖像像素的灰度信息，很容易受到噪聲的影響，效果不是很理想；文獻[4]結合鄰域信息設計了改進的Otsu算法，但是對于噪聲強的圖像分割效果依然很差；文獻[5]引入了類的概念，在充分考慮目標和背景二者之間分離性和各自類中的內聚性后，改進閾值判別函數，使得分割精度得到了一定的提高；文獻[6]在經典Otsu準則的基礎上，結合圖像熵提出了一種改進的局部遞歸的閾值選取分割算法，使得分割后的圖像細節(jié)更加豐富，但該算法對噪聲很強的圖像分割效果依然不理想。為了克服經典Otsu方法受噪聲影響大的缺點，很多學者將經典Otsu法從單閾值推廣到多閾值，從一維Otsu法推廣到多維。但是隨著維數的推廣，雖然算法的性能有了很大的提高，但運算量卻成倍的增加，仍然不適宜處理實時圖像序列[7-9]。為了獲得更高的分割精度，同時最大程度地降低分割算法的運算量。為此，提出了一種交互式的改進的Otsu分割算法，首先采用交互式預處理的方式，大致勾畫出目標區(qū)域，并將區(qū)域外部的圖像全部視為背景，進而對區(qū)域內的圖像采用改進的Otsu算法進行分割，進一步提高了算法的分割精度。通過對大量紅外圖像分割實驗驗證表明，改進算法對紅外圖像的抗噪性能好，分割精度明顯優(yōu)于經典Otsu算法及其它幾種相關的Otsu改進算法。

1 Otsu圖像分割算法

經典Otsu算法核心思想是根據圖像的灰度特征把圖像分為目標和背景兩部分，然后通過類間方差的值來評價兩者的差別程度[10]。因此，只要選擇一個最佳閾值使得類間方差最大即可。具體的數學描述過程如下：假設一幅灰度級為L的圖像，其中灰度為i的像素個數為Ni，總像素個數為N，灰度為i的像素個數所占的比例為Pi，圖像的平均強度為M，那么：

(1)

假設閾值t將圖像分為兩類：S0和S1，那么這兩類出現的概率分別為：

(2)

兩類的均值分別為：

(3)

類間方差定義為：

σ2=W0×(M0-M)2+W1×(M1-M)2=

W0W1(M0-M1)2

(4)

令t從0～L變化，計算不同t值下的類間方差σ2，使σ2最大的t值就是所求的最優(yōu)閾值，對t的描述為：

t=Argmax{σ2(t)}

(5)

由式(5)可知：圖像中兩部分灰度值的方差越大，圖像灰度值分布的均勻性越差，說明構成圖像的兩部分差別越大，分割誤差越小。

2 改進的Otsu圖像分割算法

由于經典Otsu圖像分割算法是用圖像的灰度均值特征來描述目標和背景的差異性，對于目標和背景灰度特性區(qū)分明顯的圖像有較好的分割效果。但由于上述方法僅利用了一維灰度信息，當圖像的信噪比較低時，很容易受噪聲的影響而降低圖像的分割效果。事實上，圖像的特征還可以用信息熵、信噪比和鄰域均值等參數來描述。目前，對經典Otsu算法的改進大多是在改變或增加圖像特征的基礎上通過改進閾值判別函數實現的。在經典Otsu準則下，用信息熵取代灰度均值修改了閾值判別函數，使得改進后的算法不受灰度值的線性變化和平移變化的影響；而本文在經典的Otsu方法的基礎上，針對紅外圖像的特點，結合類間方差和信息熵這兩個圖像特征，改進了Otsu閾值判別函數，提出了新的閾值分割方法。

采用香農公式中熵的定義[11-12]，假設整個圖像、目標和背景的信息熵分別為H0、HA和HB，分割閾值為t，則：

(6)

將Otsu準則推廣，得到了推廣形式的閾值判別函數，如式(7)所示：

(7)

其中:F0，FA與FB分別為整個圖像、背景與目標的某一特征。當利用信息熵代替平均灰度時，式(7)就為基于信息熵的閾值分割準則。由于信息熵可以表征圖像灰度的分布情況，將其替換Otsu準則中的灰度均值能夠避免對比度和亮度等信息對算法的約束，更能突出算法的適應性。

由于紅外圖像是一類特殊的圖像，從紅外圖像的灰度直方圖中可以看出，背景像素總數所占的比例很大，而目標像素總數所占比例很小，使得目標和背景的分布極不平衡。另一方面，受噪聲的影響，紅外圖像的邊緣非常模糊。而經典Otsu法得到的閾值往往偏大，模糊邊緣全部被誤分成背景，就會導致提取出的目標信息缺失；而基于信息熵的閾值分割準則算法得到的閾值偏小，很多背景和噪聲被誤分為目標，同樣使得提取出的目標信息不夠準確，這些情況往往會給目標檢測和識別的準確率帶來極大的影響。針對此類問題，本文將圖像平均灰度和信息熵結合考慮，在式(7)所示的Otsu推廣形式的基礎上，加以改進。引入圖像平均灰度值信息，使得最優(yōu)閾值t能夠通過均衡平均灰度和信息熵來獲得取。改進方法如下：將式(7)中分母中的特征F設定為平均強度，而將分子中的特征設定為信息熵，由此可將式(7)寫成如下形式：

(8)

由式(8)可看出，改進方法獲得的最優(yōu)閾值較好地將目標從背景中分割出來，同時保留了良好的邊緣效果。

3 交互式圖像分割預處理方法

雖然改進之后的算法能夠在紅外圖像的分割中取得了較好的效果，但仍然受紅外圖像中邊緣強噪聲的影響，而紅外圖像的特點是噪聲比較多，因此必須提高算法的抗噪性能[13-14]。由于對于單一目標而言，如果對圖像局部采用Otsu分割方法，即只對包含目標的局部相關區(qū)域進行Otsu分割，從理論上講，會比對整個圖像使用Otsu分割的效果要好。因為在局部區(qū)域對目標分割結果受背景噪聲的影響更小，同時目標分割的復雜性也大大降低。本文提出的對圖像局部區(qū)域使用的改進的Otsu分割算法的實現有賴于交互式圖像分割與處理技術。

在對紅外圖像分割的實驗中發(fā)現，紅外圖像的邊緣噪聲最強，邊緣像素的灰度值與目標模糊邊緣甚至目標內部灰度值的大小幾乎相同，因此，經典Otsu法及其改進算法很容易將這部分邊緣噪聲當作目標分割出來，或者將目標模糊邊緣甚至其內部當作背景處理。為了能夠減少邊緣強噪聲對分割算法的影響，提出了一種交互式的圖像分割預處理方法。即在對圖像分割前先勾畫出包括目標區(qū)域，而不包括強噪聲邊緣的一部分封閉區(qū)域，進而只對含有目標的封閉區(qū)域作下一步處理，就可以消除邊緣強噪聲對后續(xù)智能算法的影響。勾畫封閉域主要是去除大部分背景以及邊緣強噪聲，同時對封閉區(qū)域外一律視作背景處理。本文引入的交互式圖像分割預處理方法屬于一種簡易的粗分割。通過引入這種交互式交互式粗分割，不僅可以很大程度地減少背景和噪聲，提高了Otsu及其改進算法的抗噪性能，而且還有效降低了運算量，增加了處理的時效性。同時，這種粗分割使得分割的目標性極強，當圖像中出現多個類似目標時，一般的智能算法是不可能將所需要的單個目標分割出來的，這時就體現出交互式分割極其重要的作用。這種交互式粗分割對圖像沒有嚴格的要求，可以和分割算法結合，從而彌補了單一智能分割算法的缺陷。

4 實驗結果與分析

為了驗證本文所提出的改進Otsu分割算法對紅外圖像分割性能，選取一幅紅外圖像作為實驗對象，如圖1所示，實驗中采用不同的算法對圖像中的激光光斑目標進行分割。

圖1 原始紅外圖像

4.1 改進的基于全局圖像的Otsu算法

對圖1中的原始紅外圖像直接使用經典Otsu算法、文獻[5]中結合類的內聚性的Otsu法、文獻[6]中基于Otsu準則及圖像熵的閾值分割算法以及本文提出的改進方法進行分割，得到的實驗結果分分別如圖2(a)～(d)所示。

圖2 分割實驗結果

由圖2的分割實驗結果可以看出，經典Otsu算法得到的分割閾值往往偏大，使得分割后的圖像沒有模糊邊緣，因此分割效果并不理想；結合類的內聚性的Otsu法和基于Otsu準則及圖像熵的閾值分割算法得到的閾值往往偏小，從而把部分背景和噪聲當作目標處理了，使得目標的邊緣較模糊，顯然是受到了明顯的噪聲影響，很難將目標準確地分離。而本文提出的改進Otsu算法充分研究了目標與背景平均灰度值及分布的兩種信息差異，因而得到的閾值能夠較好的保持目標模糊邊緣，同時對噪聲也有一定的抑制作用，分割效果優(yōu)于上述集種算法。

4.2 改進的交互式Otsu算法對比實驗

本文改進算法雖然使模糊邊緣保留了，但邊緣強噪聲也被視為目標而分割出來，因而分割結果仍然具有一定的誤差。為了以進一步降低背景噪聲對分割算法的影響，采用本文提出的交互式粗分割方法對圖像進行預處理，并觀察實際的效果，來驗證方法的有效性和優(yōu)越性。

對圖像采用交互式粗分割后，再利用上述4種算法對局部區(qū)域分割。圖3(a)為待分割的原始紅外圖像；圖3(b)為采用本文交互式粗分割預處理后得到的圖像；圖3(c)～(f)分別為在圖3(b)的基礎上，利用4種算法得到的分割結果。

圖3 實驗結果

對比圖2(a)～(d)與圖3(c)～(f)的分割結果可以看出，基于全局圖像的結合類的內聚性的Otsu法和基于Otsu準則及圖像熵的閾值分割算法受噪聲影響非常明顯，而使用本文的粗分割預處理后，分割結果中抗噪性能大幅度提高，對于本文改進算法也是如此。因此，采用交互式預處理能夠很大程度地抑制噪聲，從而使得相應的Otsu算法的性能都有大幅度提升。在交互式預處理后，本文改進的Otsu算法的分割結果對目標模糊邊緣保持效果仍然最好，分割精度最高，優(yōu)于其它幾種分割方法。更為重要的是，對于圖2(b)和圖2(d)中與目標未完全分割開的灰色背景，加入交互式粗分割方法后，采用本文改進算法與結合類的內聚性的Otsu法就可以將目標準確提取出來。另外，由原始紅外圖像可以看出，圖像的背景可分為兩部分：一部分是圖像兩側的黑色部分，另一部分是淹沒目標的中間灰色部分。從像素灰度值來看，目標與中間灰色背景的灰度相差無幾，而與兩側的黑色背景的灰度相差較大。經典Otsu法及其改進算法最終是為了得到兩個差異最大的部分，很明顯，兩側的黑色背景與中間灰色背景的差異性最大，故使用經典Otsu法及其改進算法得到的閾值偏小，實際上只是將兩側黑色背景與中間灰色背景和目標分割開來，而中間灰色背景和目標由于被分割為一個整體，因此目標并沒有被單獨分割出來。通過實驗可以說明，當使用交互式粗分割后，圖像兩側的黑色背景被劃分到區(qū)域外，區(qū)域內由于只包括目標和灰色背景，從而將目標區(qū)域突顯出來，在此基礎上再使用Otsu法及其改進算法就將目標區(qū)域完整地分割出來，明顯優(yōu)于直接使用Otsu及其改進算法的分割結果，從而突出了本文方法的有效性和優(yōu)越性。

5 結束語

針對紅外圖像對比度低和噪聲比較嚴重的特點，在經典Otsu算法的基礎上提出了一種交互式的改進的Otsu分割算法。通過聯(lián)合引入圖像目標與背景的平均灰度值差異與灰度值分布差異兩種信息，改進了推廣的Otsu的閾值判別函數，使得求取的閾值對目標與背景的區(qū)分誤差更小，分割精度更高；同時，通過引入交互式粗分割的預處理方式，提升了Otsu分割算法的精確度和抗噪性能，也大大降低了分割算法的運算量，提高了處理的實時性。將改進的Otsu分割算法用于紅外圖像中激光光斑目標的提取過程中，實驗結果表明：改進算法的分割效果優(yōu)于經典Otsu法以及相關的幾種改進算法，能夠更加準確提取出目標信息，可為紅外圖像中的目標檢測和識別提供了有力的技術保障。