地面車輛的紅外線圖像輪廓的數(shù)字化識別方法應(yīng)用研究

王會茹, 呂振華

(清華大學(xué) 汽車工程系，北京 100084)

地面車輛的紅外線圖像輪廓的數(shù)字化識別方法應(yīng)用研究

王會茹, 呂振華

(清華大學(xué) 汽車工程系，北京 100084)

面向車輛裝備的紅外線隱身特性評價問題，進(jìn)行了紅外線圖像中地面車輛目標(biāo)輪廓的數(shù)字化識別方法應(yīng)用研究.首先，在對紅外線圖像的人工觀察基礎(chǔ)上，輔以圖像放大處理，對地面車輛裝備幾何輪廓在紅外線圖像中的清晰程度進(jìn)行判定；然后，綜合運(yùn)用、比較邊緣檢測算子、圖像增強(qiáng)和圖像分割等數(shù)字圖像處理技術(shù)，研究確定了針對不同清晰程度的紅外線圖像處理、車輛輪廓提取的有效方法集，形成了一種進(jìn)行紅外線圖像中地面車輛輪廓的數(shù)字化識別分析流程.

地面車輛；紅外線圖像；輪廓識別；數(shù)字化圖像處理流程

在對戰(zhàn)場裝備的紅外線偵察和裝備的紅外線特征及隱身效果評價等方面，對紅外線圖像中目標(biāo)裝備的輪廓幾何特征的識別是基本的技術(shù)方法之一.該類方法以人工判讀為主，借助于數(shù)字圖像處理技術(shù)，實(shí)現(xiàn)對目標(biāo)裝備的輪廓識別和量化分析.

現(xiàn)代紅外線偵察技術(shù)獲得的目標(biāo)裝備的紅外線圖像有灰度圖和偽彩色圖兩種，現(xiàn)主要討論基于灰度圖提取車輛目標(biāo)輪廓特征的問題；對于偽彩色圖，則可將其轉(zhuǎn)換為灰度圖像進(jìn)行處理.

本文的目的在于研究形成一種提取地面車輛紅外線圖像輪廓特征的數(shù)字化處理流程.針對不同清晰程度的圖像，將采用不同類型的、亦即圖像處理深度和復(fù)雜程度不同的數(shù)字圖像處理方法，以設(shè)法獲得目標(biāo)裝備的特征輪廓信息.

1 圖像放大、邊緣檢測方法與車輛輪廓較清晰的紅外線圖像處理分析

目標(biāo)圖像的邊緣是最基本的圖形特征，包含圖像視覺的重要信息，是決定人眼識別目標(biāo)的可能性及所用時間的主要影響因素[1].紅外線圖像中車輛裝備輪廓的特點(diǎn)主要有：長-寬-高比值有一定的規(guī)律；車輛前、后方向上常具有傾斜面；大多數(shù)地面車輛頂部附加有形狀復(fù)雜的裝備等；地面車輛的發(fā)動機(jī)等動力裝置熱源的位置具有一定的規(guī)律性，例如輪式車輛的動力傳動裝置多是前置的，坦克車輛的動力傳動裝置多是后置的；對于動態(tài)地面車輛的紅外線圖像，車輛排氣管及尾氣、車輪或履帶也是地面車輛的主要熱特征源.在實(shí)際應(yīng)用中，可依據(jù)地面車輛的以上熱特征，通過數(shù)字化處理分析方法，識別紅外線圖像中地面車輛的輪廓特征.

1.1 圖像放大與圖像清晰度判定

圖像放大是指通過增加圖像的像素點(diǎn)數(shù)量，通過對原圖像像素點(diǎn)的灰度值的插值運(yùn)算，賦予新圖像像素點(diǎn)灰度值，從而使圖像尺寸變大，同時盡量保持圖像的清晰程度，以便于對目標(biāo)局部細(xì)節(jié)信息的觀察，輔助判定目標(biāo)在紅外線圖像中的清晰程度.

經(jīng)典的圖像放大算法有最近鄰插值算法、雙線性插值算法和雙三次插值算法[2].最近鄰插值算法是一種相近像素映射法，處理后的圖像能較好地保留原圖像的信息，但易出現(xiàn)馬賽克圖像及邊緣鋸齒現(xiàn)象.雙線性插值算法輸出的圖像像素點(diǎn)的灰度值為其周圍2×2鄰域像素點(diǎn)灰度值的加權(quán)平均值，雙三次插值算法輸出的圖像像素點(diǎn)的灰度值為其周圍4×4鄰域像素點(diǎn)灰度值的加權(quán)平均值，這兩種方法能夠較好地解決圖像放大的鋸齒現(xiàn)象，但使得邊緣輪廓附近突變的灰度趨于連續(xù)，有利有弊.以Abrams主戰(zhàn)坦克M1A2隱身前的紅外線圖像[3]為例，采用上述3種方法將其局部圖像放大4×4倍，如圖1所示.

圖1 M1A2主戰(zhàn)坦克紅外線圖像及其放大4×4倍的局部

在實(shí)際應(yīng)用中，希望通過圖像放大操作，觀察到更多目標(biāo)裝備的邊緣細(xì)節(jié)信息，因此，當(dāng)放大倍數(shù)較小、放大后圖像的鋸齒現(xiàn)象較弱時，可直接選用最近鄰插值法放大圖像；當(dāng)放大倍數(shù)較大、鋸齒現(xiàn)象較為明顯時，需要選用雙線性插值法或雙三次插值法進(jìn)行圖像放大處理.

根據(jù)圖像放大處理后車輛目標(biāo)輪廓特征在紅外線圖像中的清晰程度，可對圖像進(jìn)行清晰度判別，并針對紅外線圖像中的車輛目標(biāo)較清晰、較不清晰和很不清晰3種情形，分別探討車輛目標(biāo)輪廓提取的不同技術(shù)路線.

1.2 車輛輪廓較清晰的紅外線圖像處理分析

對于目標(biāo)裝備在環(huán)境背景中的紅外線圖像進(jìn)行放大處理后，若目標(biāo)裝備邊緣輪廓附近的灰度值有較明顯突變，亦即其輪廓特征較清晰，對其直接應(yīng)用邊緣檢測算子處理，往往即可得到較好的邊緣輪廓識別結(jié)果.

邊緣檢測算子是一類基于圖像局部灰度值不連續(xù)性的數(shù)字圖像處理方法，主要依據(jù)函數(shù)一階導(dǎo)數(shù)極值點(diǎn)及二階導(dǎo)數(shù)零點(diǎn)指示圖像灰度值突變信息的特征，確定目標(biāo)裝備與背景的邊界.對于背景灰度值較為均勻、目標(biāo)裝備輪廓較清晰的紅外線圖像，利用一階微分算子，如Roberts算子、Sobel算子或Prewitt算子[2]，即可得到較為滿意的邊緣檢測結(jié)果.以隱身前的M1A2主戰(zhàn)坦克的紅外線圖像為例，Sobel邊緣檢測算子的處理結(jié)果較好，如圖2所示.Sobel邊緣檢測方法首先計(jì)算圖像灰度值在X、Y方向的梯度矩陣Gx=H?Ax、Gy=H?Ay，其中，H為紅外線圖像的灰度矩陣，Ax、Ay分別為X、Y方向的Sobel核函數(shù)系數(shù)矩陣，然后計(jì)算紅外線圖像灰度矩陣H的梯度矩陣G

(1)

再對處理后的梯度圖選定顯示閾值，給出目標(biāo)邊緣輪廓較清晰的二值化圖像(即黑白圖).

圖2 M1A2主戰(zhàn)坦克隱身前紅外線圖像的邊緣輪廓提取

對于目標(biāo)裝備輪廓圖像較清晰但背景中有樹木、巖石等干擾的紅外線灰度圖像，需要采用LoG算子[2]、Canny算子[4]等進(jìn)行處理.以CV90戰(zhàn)車的紅外線圖像[5]為例，LoG邊緣檢測算子的處理結(jié)果較好，如圖3所示.LoG算子先對圖像進(jìn)行Gauss低通濾波，然后利用基于Laplacian核函數(shù)系數(shù)矩陣的二階微分算子對數(shù)字圖像進(jìn)行平面卷積運(yùn)算，選定處理后二階梯度圖的顯示閾值，給出目標(biāo)邊緣輪廓較清晰的二值化圖像.

圖3 戰(zhàn)車CV90紅外線圖像的邊緣輪廓提取

2 圖像增強(qiáng)、分割方法與車輛輪廓較不清晰的紅外線圖像處理分析

對于目標(biāo)裝備處于環(huán)境背景中的紅外線圖像進(jìn)

行放大處理后，若目標(biāo)裝備邊緣輪廓附近的灰度值突變較不明顯，亦即其輪廓特征較不清晰，對其直接應(yīng)用邊緣檢測算子處理得到的目標(biāo)邊緣輪廓識別結(jié)果往往不夠好.這時可從形狀特征入手，利用灰度形態(tài)學(xué)和圖像分割等方法，對目標(biāo)邊緣模糊的紅外線圖像進(jìn)行了目標(biāo)檢測[6].現(xiàn)以隱身的M113A1 裝甲運(yùn)兵車紅外線圖像[3](如圖4)為例，從圖像增強(qiáng)和圖像分割等方面探討較不清晰的地面車輛紅外線圖像的處理分析.

圖4 隱身的M113A1裝甲運(yùn)兵車的紅外線圖像

2.1 圖像增強(qiáng)處理分析

然后采用偽彩色云圖來表達(dá)梯度圖像，并將梯度計(jì)算結(jié)果小于規(guī)定閾值gL的像素點(diǎn)設(shè)置為白色.圖4中圖像的偽彩色梯度示意圖如圖5所示.

圖5 隱身的M113A1裝甲運(yùn)兵車的紅外線圖像的梯度圖

2.2 圖像分割處理分析

采用數(shù)字化圖像分割處理方法，可把圖像分成各具特性的不同區(qū)域，并提取出感興趣的局部區(qū)域圖像.基于圖像特征相似性的數(shù)字化圖像分割算法，將圖像分為若干不重疊的區(qū)域，每個區(qū)域內(nèi)部的相似性大于區(qū)域間的相似性.具體方法有基于圖像灰度閾值的閾值分割法、基于區(qū)域特征的區(qū)域生長方法等[2].

將圖5(b)梯度圖像和圖4進(jìn)行圖像加運(yùn)算，得到梯度算子銳化處理后的結(jié)果，如圖6(a)所示.然后基于圖像中灰度值相近性特征，對圖6(a)進(jìn)行基于全局閾值的分割處理，最后通過區(qū)域生長的方法獲得目標(biāo)邊緣輪廓.

(1)基于灰度閾值的圖像分割算法

閾值分割法是一種聚類分離法，是通過設(shè)定不同的特征閾值，把圖像像素點(diǎn)劃分為若干類別.具體方法有人工選擇法和優(yōu)選閾值分割法.Otsu優(yōu)選閾值分割法[7]是一種有效的方法，它基于類間方差最大的原則優(yōu)選閾值.設(shè)紅外線圖像的像素?cái)?shù)為N，灰度范圍為[0, L-1]，L為原圖像的灰度級數(shù)(通常為256)，對應(yīng)灰度值hi的像素?cái)?shù)為Ni，其相對頻次為

(2)

對于給定的灰度閾值gL，將圖像中灰度值在[0, gL]之間的像素點(diǎn)歸為C1類，灰度值在[gL+1,L-1] 之間的像素點(diǎn)歸為C2類，于是有紅外線圖像的灰度均值為

C1和C2類的灰度均值分別為

定義灰度值的類間方差為

(3)

運(yùn)用Otsu法對圖6(a)進(jìn)行閾值分割運(yùn)算，得到的結(jié)果如圖6(b)所示.

圖6 采用Otsu法進(jìn)行閾值分割前、后的圖像對比

(2)基于區(qū)域特征的圖像分割算法

對于經(jīng)上述灰度閾值分割處理后得到的邊緣輪廓信息較為突出的二值圖像，進(jìn)一步采用基于區(qū)域特征的圖像分割算法中的區(qū)域生長法即可較好地提取出目標(biāo)的邊緣輪廓.此處區(qū)域生長法的實(shí)現(xiàn)過程是，首先結(jié)合紅外線圖像中地面車輛的外形特征確定初始種子像素的位置，然后將種子像素周圍具有相同灰度值的像素歸入初始種子像素所在的集合，用此原理向四周搜索，直到找不到滿足條件的像素為止.對圖6(b)采用區(qū)域生長的方法進(jìn)行區(qū)域生長分割，得到較好的目標(biāo)邊緣輪廓，如圖7所示.

圖7 裝甲車M113A1區(qū)域生長后的結(jié)果圖

3 灰度均衡化方法與車輛輪廓很不清晰的紅外線圖像處理分析

對于目標(biāo)裝備很不清晰的紅外線圖像，通過人眼觀察通常無法獲得較可靠的裝備目標(biāo)信息，現(xiàn)以一種深度隱身的車輛裝備的紅外線熱圖(如圖7)為例進(jìn)行探討分析.

該紅外線圖像中目標(biāo)與背景的對比度較小，目

標(biāo)邊緣輪廓附近灰度的突變很不明顯，故首先采用灰度均衡化法處理圖像，增大其灰度對比度.灰度均衡化是通過一種變換，把已知圖像演變成灰度分布頻次較均勻的新圖像，可通過MATLAB工具包中的histeq函數(shù)實(shí)現(xiàn).首先根據(jù)原圖像的灰度直方圖，如圖8(a)，得到其灰度累計(jì)直方圖，然后計(jì)算均衡化的圖像灰度值，其與原圖像灰度值之間的對應(yīng)關(guān)系為[2]

(4)

對原圖像的每一個具有不同灰度值的像素集，應(yīng)用式(4)逐一計(jì)算，結(jié)果如圖8(b)所示.

圖8 直方圖均衡化計(jì)算示意圖

根據(jù)以上運(yùn)算步驟，得到均衡化的灰度直方圖及相應(yīng)的新圖像，如圖9所示.可見，灰度均衡化法處理確實(shí)顯著提高了圖像的灰度對比度，使目標(biāo)裝備的邊緣信息清晰了.但是，若要提取目標(biāo)邊緣輪廓，還需要采用邊緣檢測算子以及梯度銳化算子進(jìn)一步處理圖像.分別選用LoG邊緣檢測算子和梯度閾值銳化方法對其進(jìn)行處理，結(jié)果如圖10所示.可見，梯度閾值處理方法較好，這與前面的分析也是相符的.同時因?yàn)槟繕?biāo)區(qū)域內(nèi)的灰度梯度較小，所以結(jié)合梯度閾值gL=0和gL=3時的結(jié)果，基本可以識別出目標(biāo)的邊緣輪廓，但背景的干擾卻無法消除，需要再次人工干預(yù)確定目標(biāo)邊緣輪廓.

圖9 深度隱身的車輛裝備的紅外線圖的灰度均衡化結(jié)果

圖10 灰度均衡化圖像的邊緣輪廓提取結(jié)果及梯度銳化圖像

在處理分析目標(biāo)裝備輪廓很不清晰的紅外線圖像時所應(yīng)用的數(shù)字圖像處理技術(shù)，同樣適用于前述較清晰和較不清晰的紅外線圖像的處理，只是對于目標(biāo)裝備輪廓特征清晰度較好的圖像，可省略部分處理步驟.同理，若在分析清晰度較差的紅外線圖像時，僅采用邊緣檢測算法、梯度銳化法、優(yōu)選閾值分割法等處理，往往得到的處理結(jié)果較差.

以上探索了不同清晰程度的紅外線圖像中地面車輛輪廓的數(shù)字化識別流程，如圖11所示.

圖11 紅外線圖像中目標(biāo)裝備輪廓識別方法流程

4 總 結(jié)

通過對邊緣檢測算子、梯度銳化算子、優(yōu)選閾值分割法、區(qū)域生長法和灰度均衡化等多種經(jīng)典數(shù)字圖像處理方法在不同清晰程度的紅外線圖像中的應(yīng)用探討，選擇確定了適用于多種清晰程度的地面車輛紅外線圖像的有效方法集，形成了一種地面車輛紅外線圖像幾何輪廓數(shù)字化識別的流程，可用于進(jìn)一步量化分析輪廓的幾何特征，是進(jìn)行地面車輛的紅外線偵察和防紅外線偵察的隱身性能評價的有效輔助技術(shù).另外，在地面車輛紅外線圖像數(shù)字化處理技術(shù)研究領(lǐng)域，近年仍有較多關(guān)于各類算法的改進(jìn)研究[8-13]，具體如文獻(xiàn)[9]和[10]對邊緣檢測算子的改進(jìn)、文獻(xiàn)[11]～[13]對灰度均衡化法和優(yōu)選閾值分割法的改進(jìn)等.在上述流程的實(shí)際應(yīng)用中，可吸取這些改進(jìn)算法，提高紅外線圖像的最終處理效果.

[1] Toet A. Structural similarity determines search time and detection probability [J]. Infrared Physics & Technology, 2010, 53(6): 464-468.

[2] 岡薩雷斯R C,伍茲 R E.數(shù)字圖像處理[M].阮秋琦,阮宇智,譯.2版.北京:電子工業(yè)出版社,2003.

[3] Crane D. Intermat stealth anti-thermal/IR camouflage tech for infantry and special operations forces [EB/OL]. (2005-04-22).http://www.defensereview.com/intermat-anti-thermalir-camo-tech-for-infantry-and-special-operations-forces/.

[4] Canny J. A Computational Approach to Edge Detection [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,1986,8(6): 679-698.

[5] BAE System. ADAPTIV-A unique camouflage system[EB/OL].http://www.baesystems.com/en/feature/adativ-cloak-of-invisibility.

[6] 高 晶,孫繼銀,吳 昆,等.基于形狀特征的紅外目標(biāo)檢測方法[J].激光與紅外,2013,43(1): 49-53.

[7] Nobuyuki Otsu. A Threshold Selection Method from Gray-Level Histograms[J]. IEEE Transactions on Systems, Man, and Cybernetics, 1979, 9(1):62-66.

[8] 李開明,張 群,羅 迎,等.地面車輛目標(biāo)識別研究綜述[J].電子學(xué)報(bào),2014,42(3):538-546.

[9] 夏 清,張振鑫,王婷婷,等.基于改進(jìn)Sobel算子的紅外圖像邊緣提取算法[J].激光與紅外,2013,43(10):1158-1161.

[10]賀 強(qiáng),晏 立.基于LOG和Canny算子的邊緣檢測算法[J].計(jì)算機(jī)工程,2011,37(3): 210-212.

[11]李 旭,趙文杰,楊凱達(dá).基于小目標(biāo)預(yù)提取的OTSU分割方法 [J]. 紅外技術(shù), 2013, 35(8): 492-496.

[12]陳 崢,吉書鵬.一種基于Otsu法和平臺直方圖均衡的紅外線圖像增強(qiáng)算法[J].激光與紅外,2010,40(4):438-441.

[13]龔昌來,羅 聰,楊東濤,等.基于加權(quán)直方圖均衡的紅外圖像增強(qiáng)方法[J].激光與紅外,2013,43(8):956-959.

Applied Research on Digitalized Identification Procedure ofGround Vehicle Profile in Infrared Image

WANG Hui-ru, Lü Zhen-hua

(Department of Automobile Engineering, Tsinghua University, Beijing, 100084, China)

An applied research on the digitalized identification procedure of a ground vehicle profile in infrared image is carried out in order to evaluate its infrared stealth characteristics for the vehicle equipment. Through enlarging and observing the infrared image of the equipment, a clearity classification of its profile is defined in the infrared image. A series of digital image processing methods, such as the edge detection algorithm, the image enhancement and the image segmentation, are used comprehensively for several existing infrared photos. A set of effective methods for extracting the vehicle profile image is suggested on the different definition levels. A procedure of the digital identification and analysis is presented for the ground vehicle profile in infrared image.

ground vehicle; infrared image; profile identification; digitalized image processin-g procedure

1009-4687(2016)04-0007-06

2016-5-9

王會茹(1992-)，女，碩士，研究方向?yàn)榈孛孳囕v紅外線隱身技術(shù)的研究.

TP751.1

A