結合蟻群搜索與邊緣檢測的紅外輪廓提取算法

王 鳳

(中山大學新華學院,廣東 廣州 510520)

?

·圖像與信號處理·

結合蟻群搜索與邊緣檢測的紅外輪廓提取算法

王 鳳

(中山大學新華學院,廣東 廣州 510520)

現(xiàn)有的邊緣檢測算法對紅外圖像進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；針對這種現(xiàn)象,提出了一種結合蟻群搜索與邊緣檢測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性,引入了圖像的相關性因子來對圖像信號進行分類；并對提取的邊緣信號進行基于蟻群算法的邊緣檢測算法進行邊緣提取,來去除其中的噪聲信號并對弱邊緣信號進行保護。實驗結果表明,其實驗結果與預期效果基本相符,在不同復雜背景的紅外圖像中,都具有較好的邊緣保護效果與抗干擾能力。

邊緣檢測；蟻群算法；小波變換；相關性

1 引 言

紅外圖像的去噪與邊緣信號的強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,如何合理地進行去噪與邊緣強化一直都是研究熱點。迄今為止,人們已經(jīng)提出了許多邊緣檢測方法,如拉普拉斯算子[1-2]、Canny算子[3]、Sobel算子[4]和Prewitt算子[5]等。但在實際的處理過程中,這些邊緣檢測算子在抗噪性和邊緣保護等方面都不盡人意[6]。基于小波變換的邊緣檢測算法具有良好的局域化特性[7-8],能夠根據(jù)能量的大小來對邊緣信號與噪聲信號進行區(qū)分,使其在抗噪聲與邊緣定位方面有著較大的優(yōu)勢。但當含噪聲時,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算法對紅外圖像進行處理,依然無法滿足人們的需求。

為了彌補基于小波變換的邊緣檢測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的相關性[9],對圖像信號進行分類,來提高邊緣算法對邊緣信號搜索效率；與此同時,對于圖像的弱邊緣信號,根據(jù)蟻群算法魯棒性強等特點,并與傳統(tǒng)的邊緣檢測算法相融合,使其在搜索的過程中具有較強的針對性,來提高算法對邊緣的搜索準確性。

2 傳統(tǒng)的邊緣模糊檢測算法

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

在定義尺度2j時,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域中的最大值,α與β根據(jù)圖像的不同而進行改變；并利用模糊子集的交-并運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,并結合λ截矩陣完成邊緣圖像的獲取,設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。

通過采用上述算法,能夠有效地將圖像中的邊緣信號與非邊緣信號提取出來；但通過對紅外圖像進行研究可以發(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、積雪以及識別偽裝的能力,且不受光線的干擾等優(yōu)點；但其圖像信號同時具有對比度低、邊緣模糊和噪聲大等缺點,如果僅僅采用傳統(tǒng)的邊緣檢測算法,是無法很好地對紅外圖像進行描述的。如圖1所示,采用傳統(tǒng)的邊緣檢測算法所獲得的邊緣圖像中邊緣信號過多,同時所得的圖像中含有過多的干擾,不利于人們對有效信息的獲取。

圖1 邊緣檢測算法的實驗圖

3 本文算法

3.1 圖像的相關性因子

小波變換雖然具有去相關性質(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)依然存在著很強的相關性,而噪聲的小波系數(shù)則呈弱相關或不相關關系；根據(jù)這一特性,在本文算法中引入了圖像的相關性因子。其方法如下所示。

通過小波分解后,圖像的相關性：

Corr=Wn×Wn+1

計算可得第n層相關性的總功率和小波系數(shù)的總功率。

相關性的總功率：

PC=∑Corr×Corr

小波系數(shù)的總功率:

PW=∑Wn×Wn

進而得到如下形式的相關值：

(5)

即可用到上面的相關值的最小的絕對值：

Corrnmin=min{|Corrn|}；

相關值的最大絕對值：

Corrnmax=max{|Corrn|}；

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

(6)

但通過研究發(fā)現(xiàn),采用該算法對紅外圖像進行邊緣提取時,依然存在邊緣模糊與干擾等問題,不適應于紅外圖像的邊緣提取,因此,本文結合蟻群算法[12-13],提出了一種基于蟻群算法的邊緣檢測算法來對圖像中的邊緣信號進行提取。將蟻群算法的思想引入了邊緣檢測算法中,進行提高算法對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的隸屬函數(shù)M2jf(x,y)進行結合,從而提高算法的搜索效率與準確度。

3.2.1 初始化螞蟻分布

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

3.2.2 搜索的分工機制

(a)偵察蟻

偵察蟻負責對網(wǎng)絡中局部的偵察,根據(jù)邊緣檢測算法中的隸屬函數(shù)M2jf(x,y)來構成偵察素,并作為信息素標記在該像素點上。定義,ΔmaxM2jf(i,j)為相鄰像素網(wǎng)絡格中模值的最大值,通過對這網(wǎng)絡中模值比較,來避免出現(xiàn)搜索過程中對弱邊緣的遺漏問題。其函數(shù)表達為：

(7)

(b)搜索蟻

(8)

3.2.3 信息素更新

當螞蟻從一個像素點移動到另外一個像素點時,信息素按照以下函數(shù)進行更新:

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一步提高搜索的準確性,而當搜索蟻每次迭代結束后,則對所有像素點的信息素進行全局更新：

τi,j=(1-ξ)·τi,j+ξ·τ0

其中，ξ(0<ξ<1)表示全局信息素揮發(fā)率；τ0是一個常數(shù)。

3.2.4 弱邊緣提取

在完成預先設置的迭代次數(shù)后,選擇一個閾值T,根據(jù)每個像素的信息素強度判斷該點是否為邊緣點。

最終得到邊緣檢測表達函數(shù)為:

(10)

3.3 算法流程

Step 1:初始化處理。

Step 2:對圖像的進行小波分解,將圖像信號分解為高頻信號與低頻信號。

Step 3:根據(jù)公式(5)計算出各高頻子帶間的相關性,并根據(jù)其相關性對圖像信號進行分類,即采用公式(6)提取出圖像的強邊緣信號與模糊邊緣信號；此時,保留圖像的強邊緣信號,而對模糊邊緣信號進行再處理,即轉至Step 4。

Step 4:對提取出來的模糊邊緣信號進行基于蟻群算法的邊緣檢測算法的邊緣提取,通過結合偵察蟻公式(7)與搜索蟻公式(8)來對其邊緣信號進行搜索,并結合公式(9)對蟻群路徑的信息素進行更新。

Step 5:通過結合預先設定的迭代次數(shù),完成對弱邊緣信號提取。

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

4 仿真實驗

為了對算法進行驗證,本文選取了兩組不同類型的紅外圖像進行了實驗,第一組采用簡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算法[14]、文獻算法[15]來與本文算法進行對比,實驗在MATLAT 7.10.0環(huán)境中進行。

實驗一：使用飛機的紅外圖像,該圖為背景簡單的圖像,來檢驗算法的邊緣獲取效果。如圖2所示。

圖2 簡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算法處理后的飛機A與飛機B的邊緣圖像存在較多的噪聲信號,進而影響到圖像的清晰度；而通過采用文獻算法所得的圖像,雖然很大程度的減少了噪聲信號,但其邊緣信號存在不連續(xù)的現(xiàn)象。

實驗二：采用背景比較復雜的紅外圖像,來檢驗算法對抗干擾能力。如圖3所示。

圖3 復雜紅外圖像的仿真圖像

通過觀察圖3可以看到,在圖像較為復雜的情況下,基于小波變換邊緣檢測算法的邊緣檢測效果依然容易受到噪聲信號的影響,而采用文獻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)上述兩個實驗可以看到,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的情況下減少噪聲信號的干擾。傳統(tǒng)的小波變換邊緣檢測算法雖然能夠有效地提取出圖像的邊緣信號,但卻存在著較多的干擾信號,使圖像清晰度無法得到滿足；而文獻算法通過結合邊緣的擇優(yōu),雖然能夠有效地減少圖像的噪聲信號,但卻使圖像信號中的部分細節(jié)信號缺失,從而降低了圖像的可讀性。

各算法的處理速度如表1所示?？梢钥闯?在對簡單類型的紅外進行邊緣檢測時,本文算法的檢測速度與文獻算法的速度相近,平均高出小波變換邊緣檢測算法0.52 s；而對于復雜類型的紅外圖像進行邊緣檢測時,本文算法所需檢測的時間都由于其他算法,平均高出文獻[15]算法0.23 s。由此可以看出,本文算法在復雜類型的紅外圖像邊緣檢測中具有較大的優(yōu)勢,也證明了算法的可行性。

表1 各算法的處理時間比較

對于復雜型的紅外圖像,其中含有較多的細節(jié)信號,為此,本文以第二組為例的邊緣圖像直方圖進行分析,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,這表明了邊緣圖像的細節(jié)較模糊。相較之下,文獻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較寬,有效地證明算法對于細節(jié)的保護能力。

5 結 語

提出了一種結合蟻群搜索與邊緣檢測的紅外輪廓提取算法,通過在傳統(tǒng)的邊緣模糊檢測算法的基礎上,利用高頻子帶邊緣信號的相關性,先對圖像的邊緣信號進行分類處理。同時對圖像的弱邊緣進行深入處理,通過模擬蟻群搜索食物的方式,來對圖像中的弱邊緣信號進行提取。實驗結果表明,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,具有較強的抗干擾能力,通過觀察最后各算法所得的直方圖,與預期的效果基本相符,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算子的改進的圖像邊緣檢測方法[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，主要研究方向為圖像處理，信號處理，嵌入式系統(tǒng)，電子與信息技術。E-mail：78133090@qq.com

2014-10-13;

2014-11-03

TP391

A

10.3969/j.issn.1001-5078.2015.06.025