基于形狀特征的紅外目標檢測方法

高 晶，孫繼銀，吳 昆，李琳琳

(第二炮兵工程大學，陜西西安710025)

1 引言

紅外圖像只相當于單目觀察而無立體感的圖像，其實質只是一幅單色輻射強度分布圖，紅外圖像中目標檢測的效果將直接影響制導系統(tǒng)的有效作用距離及設備的復雜程度。目前固定軍事目標大多數(shù)無自身熱源，根據(jù)材質的不同，其灰度與背景差異大小不一，很難將它們與背景區(qū)分開，不利于目標檢測。

為了提高目標檢測精度，文獻［1］提出了基于Hausdorff距離的檢測方法，但該方法對遠離中心的噪聲點和漏檢點非常敏感。文獻［2］給出了Nprod算法，但計算歸一化相關系數(shù)時，計算量很大。

許多文獻還將圖像分為目標區(qū)域和背景區(qū)域，其中目標區(qū)域檢測是關鍵［3］，文獻［4］～［6］分別采用基于統(tǒng)計的檢測方法、基于灰度直方圖的檢測方法(閾值法)和基于邊緣的檢測方法進行目標區(qū)域檢測。但統(tǒng)計法易受背景噪聲以及背景條件(如圖像的對比度等)的影響;閾值法對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，難以得到準確結果;邊緣檢測方法在圖像灰度層次較豐富、區(qū)域類別較多時，檢測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用于圖像處理領域。因此，針對以上問題，為精確檢測地面固定目標，本文提出了一種新的基于形狀特征的紅外目標檢測方法，即首先依據(jù)圖像的灰度形態(tài)學信息，擴展圖像對比度、增長圖像邊緣特征;其次在圖像局部灰度級發(fā)生變化的基礎上進行多子區(qū)分割;最后在多子區(qū)中，從形狀特征入手，利用像素點的灰度信息以及空間位置，分離目標與背景，在紅外實時圖中檢測目標位置。實驗證明，該方法有效解決了目標邊緣模糊的紅外圖像目標檢測難的問題，提高了目標檢測的概率，對于地面目標紅外圖像的檢測具有一定的應用價值。

2 圖像對比度擴展

由于紅外實時圖中目標邊緣與背景對比度較小，邊緣模糊，很難分離。如果將邊緣與背景的對比度增大擴展，可以更有利地進行形狀特征的提取。數(shù)學形態(tài)學方法［7］是一種非線性濾波方法，它最先被用來處理二值圖像，后來被引用到灰度圖像處理?；舅枷胧?用一定的結構元素去度量和提取圖像中的對應形狀，去除不相干的結構，以達到圖像分析和識別的目的［8］。

一幅圖像通常有多個物體和背景組成，這時其灰度直方圖有可能呈現(xiàn)多個明顯峰值，如圖1所示。因此，本文利用灰度圖像形態(tài)學梯度的方法［9］對圖像的對比度進行擴展，以便于紅外圖像中目標提取。形態(tài)學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的圖像，產生一個“形態(tài)學梯度”，它是檢測圖像中局部灰度級變化的一種度量，具有增長圖像邊緣特征的特點。

(a)紅外實時圖

圖1 紅外實時圖及直方圖

假設結構元素ws對灰度圖像g(x，y)膨脹記為gd(x，y)，腐蝕記為ge(x，y)，計算公式為:

定義ggrad(x，y)為經過形態(tài)學梯度計算后的灰度圖像，則形態(tài)學梯度的計算公式為:

經試驗驗證，當結構元素ws的大小為9×9時效果最好，如圖2所示。

圖2 調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)學梯度度量法明顯增長邊緣特征，增強圖像對比度。

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，容易產生虛警，而漏檢真實目標。多子區(qū)分割的目的是提取出圖像目標至關重要的區(qū)域，這些子區(qū)并不完全等同于目標所在區(qū)域。一般來說，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)檢測的運算比較簡單，同時應該盡可能保持目標不丟失。

實時圖的直方圖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、灰度級頻數(shù)以及灰度分布，直方圖閾值法其閾值主要通過分析圖像的灰度直方圖來進行確定［10］。

一幅圖像只有物體和背景兩部分組成，其灰度級直方圖呈現(xiàn)明顯的雙峰值，但明顯具有雙峰特性的圖像可說是一種比較理想的情況，實際上很難找到這樣的圖像。本文利用紅外實時圖的直方圖特征以及目標特點選取多子區(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)學梯度算法擴展了圖像對比度，增強邊緣特征，因此首先利用擴展后的圖像灰度直方圖信息從全局進行分析，假定實時圖大小為X×Y，目標形狀大小為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;h(l)為直方圖。

4 像素相似性度量

在檢測出的圖像多子區(qū)中，仍會存在一些模棱兩可的邊緣，因而，圖像有不確定性，加上目標分離依據(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之間的鄰接相似性，把目標從復雜背景中分離出來。

像素相似性［11］代表一個像素值與分割的多子區(qū)區(qū)域內的平均像素值之間的相似關系。假設(x，y)和(xs，ys)是參考點和圖像子區(qū)內的對應像素點，p和ps分別對應其像素灰度值，那么點的像素相似性可以用像素點灰度的歸一化值來衡量。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，則說明該像素在多子區(qū)內且屬于目標范圍的可能性越大。但是，紅外圖像中的目標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進行目標的檢測，會產生錯誤的檢測結果。

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

其中，d為常量N為子區(qū)域R內的像素點數(shù)。

因此，對像素點間的鄰接距離進行歸一化處理，將數(shù)值變成對應在［0，1］范圍內，更有利于后續(xù)的處理，定義為:

本文將利用權值結合像素點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為權值，由實驗所得。

S［(x，y)，(xs，ys)］可用下列準則來判定，進一步將目標與背景分離，定義G(x，y)為:

其中，ω 為權值，由于 0≤S［(x，y)，(xs，ys)］≤1，實驗結果如圖4所示。從實驗效果可判斷出本文取ω=0．5為判別權值。

圖4 分離結果

在實際的高速圖像采集過程中，采集目標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分離結果的基礎上再次利用數(shù)學形態(tài)學［4］中的膨脹、腐蝕運算，去除不相干的結構，以達到對圖像分析和目標檢測有利的目的。并且在圖像的邊緣檢測中方法很多，Canny算子具有較好的邊緣檢測性能和抗噪聲性能，能在一定程度上較好地保持圖像的細節(jié)特征、協(xié)調邊緣檢測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特的優(yōu)勢。

對于用Canny算子檢測形狀邊緣得到的圖像，以及用形狀特征像素點之間的鄰接相似性，把目標從復雜背景中分離出來的檢測圖像，都不能完整的體現(xiàn)形狀特征。因此，在本文中，將二者結合起來，由于數(shù)學形態(tài)學中的閉運算可以在找到結構元素的任何部分中所能達到的最低點，所以再次用數(shù)學形態(tài)學去除比結構元素更小的暗色細節(jié)。如圖5所示。

圖5 形狀提取

對于圖5檢測到的候選目標的形狀，利用Nprod算法［13］進行目標檢測，定義如下:

式中，Z表示大小為X×Y的實時圖;Y表示大小為M×N目標大小，其中X＞M，Y＞N;Zij為時實子圖，即在實時圖(i，j)位置截取與目標大小相等的子圖，如圖6所示。

圖6 目標檢測

由以上實驗結果可以看出，本文所提取的目標輪廓與真實輪廓接近，包含了完整的目標結構，有效地抑制背景雜波干擾，對于光照變化魯棒性較強。

5 實驗及分析

為了驗證本文所提算法的有效性，在CPU3．0 G，內存1 G的計算機上用Matlab環(huán)境進行仿真實驗。以目標無直接可用基準圖且邊緣模糊的地面目標為試驗對象，用本文提出的基于形狀特征的方法在紅外實時圖中檢測目標區(qū)域，最終檢測的目標位置將在實時圖中框出。

分別采用本文算法、直方圖檢測方法、基于形狀邊緣的Hausdorff距離算法［14］以及基于灰度Nprod算法進行實驗分析。如果框選目標的面積占實際目標面積的80%，則認為檢測目標正確，否則錯誤。

另外，定義檢測概率:

并分別針對火電廠、水塔、油庫、建筑物四類復雜的紅外實時圖(各50幅大小為256×256的紅外序列圖)進行目標檢測試驗，跟蹤計算檢測概率。三種方法的檢測實驗結果如表1所示。

表1 算法檢測率比較

由表1可看出，在所應用的四種場景下，本文所提算法相對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)本文算法在檢測速度上的優(yōu)勢，定義圖像檢測時間(以實時圖的圖像處理為始，在實時圖中找到最相似位置為止)。四種方法對四類場景進行檢測實驗的平均匹配時間如表1所示，本文所提算法時間較短，因為其他算法需要遍歷整幅圖像，而本文算法在目標檢測后縮小了下一步檢測的搜索范圍，從而提高了檢測精度，平均檢測概率都能達到80%以上。

6 實驗結論

對于紅外圖像中，目標無直接可用基準圖且邊緣模糊不利于目標檢測的問題，本文依據(jù)圖像形狀特征，首先引入圖像的灰度形態(tài)學梯度，擴展對比度、增長圖像邊緣特征、其次進行多子區(qū)域的劃分，并設計像素相似性計算，有效地結合了像素點的灰度信息以及空間位置，考慮實時圖中非真實邊緣的影響，加入了Canny算子檢測邊緣，分離目標與背景，在紅外實時圖中檢測出所需的目標。為檢驗本文算法的有效性，針對四組不同的紅外圖像進行目標檢測試驗、分析。結果表明，相對于直方圖檢測方法、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率高、識別時間短、抗噪聲能力也有較大改善等優(yōu)點，因此該算法對于地面紅外圖像目標的檢測具有一定應用價值。

［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．數(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，薄樹奎，李玲玲．基于背景估計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．基于改進形態(tài)學梯度和Zernike矩的亞像素邊緣檢測方法［J］．儀器儀表學報，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．改進的直方圖均衡化算法［J］．兵工自動化，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展目標跟蹤方法［J］．光學學報，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，國澄明．基于相關系數(shù)的相關匹配算法的研究［J］．信號處理，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．