基于先驗(yàn)信息的地雷目標(biāo)紅外圖像增強(qiáng)算法

程 曦，楊 力，季茂榮，王宏偉

(陸軍工程大學(xué)野戰(zhàn)工程學(xué)院，江蘇 南京 210007)

0 引言

地雷是一種爆炸性武器，由于傳統(tǒng)地雷的長效性，在戰(zhàn)爭結(jié)束后仍然長期存在，會(huì)對平民造成傷亡，嚴(yán)重阻礙當(dāng)?shù)刂亟ê桶l(fā)展。因此，地雷探測技術(shù)和裝備器材的發(fā)展和應(yīng)用，在戰(zhàn)后掃雷中發(fā)揮著不可替代的重要作用，對于掃清戰(zhàn)后遺留地雷、有效解決雷患問題也具有非常重要的意義[1]。

近年來，隨著紅外探測技術(shù)的快速發(fā)展，紅外傳感器及其圖像融合技術(shù)，在軍事和安全領(lǐng)域的應(yīng)用不斷推廣。在戰(zhàn)后掃雷中，首先要進(jìn)行雷場勘察，以確定雷場環(huán)境和地雷分布情況。戰(zhàn)后遺留的雷場中，由于布設(shè)方式或地表長期變化，既有埋設(shè)的地雷，也可能有撒布在地表或者由于地表變化而裸露的各種地雷，而這些情況下地雷目標(biāo)均存在紅外輻射特征，故紅外技術(shù)對雷場探測問題的應(yīng)用十分有價(jià)值[2]。

在紅外探測時(shí)，由于受分辨率、背景干擾、成像距離等因素的影響，地雷的紅外圖像背景復(fù)雜，輪廓不規(guī)則，對比度較差，從紅外圖像中提取目標(biāo)較困難。目前針對地雷紅外圖像增強(qiáng)研究尚少，文獻(xiàn)[1—4]使用簡單的直方圖均衡對圖像進(jìn)行增強(qiáng)，對圖像具有一定提升效果，但當(dāng)背景復(fù)雜，目標(biāo)較小時(shí)，無法實(shí)現(xiàn)較好的增強(qiáng)效果。本文針對特定的地雷目標(biāo)提出基于先驗(yàn)信息的圖像增強(qiáng)算法。

1 常用圖像增強(qiáng)算法

圖像增強(qiáng)技術(shù)是經(jīng)過特定變換來突出圖像中的有用信息，抑制無用冗余信息，常用的圖像增強(qiáng)算法有直方圖均衡、小波變換、Retinex算法和伽馬變換[5-9]等。直方圖均衡算法基于灰度的均勻分布[10-11]，對地雷紅外圖像而言，由于探測距離的影響，目標(biāo)矩陣較小，對整幅圖像的灰度值貢獻(xiàn)不高，直方圖均衡算法并不適用；小波變換基于圖像高頻分量和低頻分量的分解[12]，而目標(biāo)矩陣的大小也影響目標(biāo)的輪廓質(zhì)量，目標(biāo)邊緣模糊，導(dǎo)致高頻信息中不一定包含目標(biāo)的邊緣信息；Retinex算法則是基于色彩恒常性理論來增強(qiáng)圖像[6]，對紅外探測采集基于熱輻射量的灰度圖像不適用；伽馬變換(見圖1)是通過非線性函數(shù)映射增強(qiáng)圖像，常用來克服光照不均勻的問題，將一幅圖像進(jìn)行非線性變換成g(x)，如式(1)[13-15]：

圖1 伽馬變換Fig.1 Gamma transformation

g(x)=xγ

(1)

式(1)中，x為圖像中某點(diǎn)的像素值，γ為系數(shù)。

對灰度圖像而言，還可以通過偽彩色編碼達(dá)到圖像增強(qiáng)的效果。偽彩色編碼是指將灰度圖像通過相關(guān)技術(shù)轉(zhuǎn)化成彩色圖像，提升圖像細(xì)節(jié)和對比度，使目標(biāo)的辨識度增強(qiáng)。常用的偽彩色增強(qiáng)方法有密度分割法、頻域變換法和灰度彩色變換法等[12，16]。

傳統(tǒng)增強(qiáng)算法運(yùn)用到地雷紅外圖像時(shí)，無法很好地針對目標(biāo)進(jìn)行增強(qiáng)，而實(shí)際進(jìn)行地雷探測時(shí)，地雷目標(biāo)的型號和尺寸一般公開，可利用這些信息協(xié)助區(qū)分圖像中的目標(biāo)和背景。

2 基于先驗(yàn)信息的地雷目標(biāo)紅外圖像增強(qiáng)算法

2.1 算法流程

在探測距離和目標(biāo)尺寸已知時(shí)，根據(jù)成像原理可計(jì)算出目標(biāo)在圖像中像素大??；同時(shí)若搭載無人機(jī)進(jìn)行勘探任務(wù)，目標(biāo)在圖像中的形狀為圓形或橢圓形。利用目標(biāo)的尺寸和形狀兩種先驗(yàn)信息，先對圖像進(jìn)行預(yù)篩選，搜尋目標(biāo)所在區(qū)域，然后針對特定區(qū)域進(jìn)行增強(qiáng)，提升目標(biāo)的辨識度[17]。

如圖2所示，首先依據(jù)先驗(yàn)信息將圖像轉(zhuǎn)換成特定矩陣，然后通過特定矩陣尋找圖像ROI縮小目標(biāo)所在范圍，再進(jìn)行伽馬增強(qiáng)，最后計(jì)算相關(guān)閾值把灰度圖像轉(zhuǎn)換成彩色圖像，達(dá)到圖像增強(qiáng)的目的。

圖2 流程圖Fig.2 Flow chart

2.2 圖像轉(zhuǎn)換

首先使用m×n的均值濾波器W1對圖像濾波得到均值矩陣W1(其中m，n是圖像中目標(biāo)的像素尺寸)，再使用1.5(m×n)的均值濾波器W2得到均值矩陣W20，運(yùn)算后得到W2中不包含W1的圓環(huán)區(qū)域均值為：

(2)

式(2)中，S1、S2分別為W1、W2的面積，將兩圖相減獲得基于先驗(yàn)信息的目標(biāo)轉(zhuǎn)換矩陣W=W1-W2[9]。

如圖3所示，以原始圖像中任一像素點(diǎn)為中心，建立與濾波器W1、W2尺寸相同的窗口，虛線代表窗口W1，實(shí)線代表窗口W2，圓形部分代表目標(biāo)。假設(shè)窗口和目標(biāo)的中心在同一點(diǎn)時(shí)，依據(jù)目標(biāo)的大小分類成三種情況，圖3(a)代表目標(biāo)大于W1，圖3(b)代表目標(biāo)小于W1，圖3(c)代表目標(biāo)大小等于W1，在這三種目標(biāo)、背景平均灰度值相等的情況下，W2(a)>W2(c)=W2(b)，W1(b)W1(d)，W2(c)r,代表目標(biāo)和窗口的中心偏移量較大，此時(shí)W2(f)>W2(e)>W2(c)，W1(f)

圖3 窗口示意圖Fig.3 Window diagram

綜合上述6種情況，當(dāng)假想目標(biāo)的尺寸、形狀、位置和窗口W1一致時(shí)，轉(zhuǎn)換矩陣W在該處的數(shù)值最大即圖3(c)所示情況。故通過這種預(yù)處理手段，將基于熱輻射量的灰度矩陣轉(zhuǎn)換成差分均值下的對比度值矩陣，既可抑制尺寸與實(shí)際目標(biāo)不符合的“假目標(biāo)”，也可以抑制與目標(biāo)的形狀差異較大的“假目標(biāo)”，還能尋找到目標(biāo)的中心位置。

2.3 設(shè)立ROI

將轉(zhuǎn)換矩陣W由雙精度浮點(diǎn)型轉(zhuǎn)化為8位整型矩陣，統(tǒng)計(jì)灰度直方圖，如圖4所示，設(shè)立參數(shù)kn，此時(shí)目標(biāo)應(yīng)處在高灰度值范圍內(nèi)即橫軸虛線右側(cè)，取轉(zhuǎn)換矩陣中灰度累積概率分布kn(本文取kn=0.99)以上的像素點(diǎn)作為目標(biāo)可疑點(diǎn)(當(dāng)像素點(diǎn)在同一連通區(qū)域內(nèi)時(shí)取其區(qū)域中心點(diǎn))，記錄所有可疑點(diǎn)的位置，在原始圖像上的對應(yīng)位置以可疑點(diǎn)為中心，建立與W1大小相同的窗口作為圖像的ROI[17]，每個(gè)窗口內(nèi)包含的即為可疑目標(biāo)。

圖4 灰度累積概率直方圖Fig.4 Gray cumulative probability histogram

2.4 伽馬變換

對于地雷的紅外圖像而言，目標(biāo)常處于高灰度值區(qū)域，但是若存在干擾源的溫度高于目標(biāo)，則伽馬變換的增強(qiáng)效果就會(huì)減弱很多。由上述步驟轉(zhuǎn)換后，單一窗口內(nèi)目標(biāo)為高灰度值，背景為低灰度值，設(shè)定γ大于1，以此來擴(kuò)大目標(biāo)和背景的差異，達(dá)到增強(qiáng)對比度的效果。

為保留圖像其他區(qū)域的信息，進(jìn)行如下變換，轉(zhuǎn)化成圖像f:

(3)

式(3)中，R為圖像ROI，(x，y)為圖像中的像素點(diǎn)，I為原始圖像，k為抑制系數(shù)，范圍為0～1。根據(jù)多次實(shí)驗(yàn)，針對本文使用的地雷紅外圖像，選取γ=2，k=0.8。在非ROI區(qū)域，乘以系數(shù)k來抑制背景和噪聲區(qū)域的灰度值。使圖像f既增強(qiáng)了感興趣區(qū)域的圖像質(zhì)量，又對原始圖像其他信息進(jìn)行保留。

2.5 自適應(yīng)閾值偽彩色增強(qiáng)

由于傳統(tǒng)方法所選擇的閾值相對固定，通常將灰度區(qū)間四等分然后進(jìn)行轉(zhuǎn)化，無法很好滿足所有類型的圖像。本文基于文獻(xiàn)[18]的思路，根據(jù)圖像目標(biāo)區(qū)域灰度值設(shè)立自適應(yīng)的閾值，來進(jìn)行偽彩色編碼。計(jì)算f(x,y)每個(gè)感興趣區(qū)域的灰度均值ti和總均值T1，并將ti依據(jù)大小平均分成兩組，分別計(jì)算兩組的平均值T2、T3。

如圖5所示，依據(jù)人眼的視覺特點(diǎn)，對冷暖色的變化感知能力較強(qiáng)，選擇紅色(圖左)作為高溫，藍(lán)色(圖右)作為低溫，黃色作為過渡段，形成冷暖色的變化，增強(qiáng)偽彩色中顏色的辨別力。RGB三個(gè)通道的計(jì)算公式如下所示，根據(jù)自定義的三個(gè)閾值T1、T2、T3來進(jìn)行偽彩色變換：

圖5 色溫表Fig.5 Color temperature table

(4)

(5)

(6)

3 實(shí)驗(yàn)測試及驗(yàn)證

為驗(yàn)證算法的增強(qiáng)效果，依托無人機(jī)平臺，對設(shè)置的地雷模型進(jìn)行探測，獲取探測圖像并進(jìn)行分析。模擬戰(zhàn)后掃雷中的地雷目標(biāo)特征，設(shè)置撒布、半埋設(shè)和埋設(shè)式三種類型的地雷目標(biāo)模型，其中半埋設(shè)式是由于土壤運(yùn)動(dòng)、風(fēng)力影響等條件而呈現(xiàn)的表面裸露狀態(tài)。

實(shí)驗(yàn)測試選用大疆M300型無人機(jī)，搭載光學(xué)與紅外雙鏡頭禪思 Zenmuse H20T，紅外圖像分辨率為640×512，拍攝高度為10 m，選取美軍蓋托(GATOR)布雷系統(tǒng)布設(shè)的BLU-91/B型反車輛地雷和BLU-92/B型殺傷人員地雷制作地雷模型用于探測，兩種模型直徑均為10 cm，其紅外特征和地雷相似，實(shí)驗(yàn)平臺為python3.7。

如圖6所示，選擇正午時(shí)段兩幅場景下的地雷目標(biāo)紅外圖像為例，圖6(a)為草地撒布式和半埋設(shè)式混合場景圖中的目標(biāo)用紅色圓圈標(biāo)記，平行四邊形框內(nèi)為4顆撒布式反車輛地雷，矩形框內(nèi)為2顆半埋設(shè)式殺傷人員地雷；圖6(b)為沙土埋設(shè)式場景，圖中3顆殺傷人員地雷埋深1 cm，虛線框內(nèi)為沙土背景，框外為草地(后續(xù)為只考慮沙土背景情況，將圖像此沿虛線區(qū)域裁剪)。

圖6 實(shí)驗(yàn)紅外圖像Fig.6 Infrared image of the experiment

在考慮探測效率的情況下，探測距離較大往往影響目標(biāo)在圖像中的大小，此時(shí)會(huì)出現(xiàn)背景信息過多，導(dǎo)致目標(biāo)和背景之間的對比度差異不夠明顯，難以識別。

圖7所示為圖6(a)的算法實(shí)現(xiàn)效果。圖7(a)為原始圖像；圖7(b)為直方圖均衡，由于背景和噪聲占圖像的面積很大，算法處理效果不好；圖7(c)中僅使用伽馬增強(qiáng)，圖像中除了目標(biāo)的高灰度區(qū)域也被增強(qiáng)，影響了目標(biāo)的視覺效果；圖7(d)為使用先驗(yàn)信息篩選出目標(biāo)區(qū)域后的增強(qiáng)效果，克服了圖7(c)中大面積的背景和噪聲信息干擾，目標(biāo)和背景之間的對比度得到提升；圖7(e)為截取目標(biāo)區(qū)域的放大圖像，第一行為原始圖像，第二行為增強(qiáng)后的圖像，可明顯觀察出在算法增強(qiáng)后目標(biāo)區(qū)域的高灰度被保留，背景區(qū)域則被抑制為低灰度值，大大提升了兩者的對比度；圖7(f)是傳統(tǒng)的彩色灰度變換法的偽彩色效果；圖7(g)為本文的改進(jìn)效果，目標(biāo)的辨識度更高，顏色更加鮮明，同時(shí)設(shè)立了自適應(yīng)閾值，使圖像的細(xì)節(jié)保留更好。

圖7 表面裸露式算法處理效果Fig.7 Algorithm processing effect of exposed surface targets

圖8(a)為圖6(b)中虛線部分截取的原始圖像，由于目標(biāo)在圖像中的面積占比較小，背景環(huán)境干擾大，地雷目標(biāo)的紅外特征都極易受到背景影響，表現(xiàn)不明顯；圖8(b)為本文增強(qiáng)后的效果，通過尋找ROI后背景被抑制，目標(biāo)和部分干擾被增強(qiáng)，對比度具有明顯提升；圖8(c)和圖8(d)為偽彩色增強(qiáng)效果對比，和圖8(c)相比，圖8(d)目標(biāo)的顏色辨識度更高，而自適應(yīng)閾值也使圖像更多紋理細(xì)節(jié)得到保留。

圖8 埋設(shè)式算法處理效果Fig.8 Algorithm processing effect of buried targets

表1所示為目標(biāo)均值減去背景區(qū)域均值的結(jié)果，代表局部目標(biāo)區(qū)域的對比度。目標(biāo)1、2為圖6(a)中隨機(jī)選取的2顆地雷，目標(biāo)3、4為圖6(b)中的2顆地雷。通過4種算法進(jìn)行對比，由于伽馬增強(qiáng)能擴(kuò)大高灰度區(qū)域和其他區(qū)域的差異，應(yīng)用于地雷目標(biāo)紅外圖像時(shí)效果要優(yōu)于直方圖均衡算法，但高溫的非目標(biāo)區(qū)域會(huì)直接影響算法的增強(qiáng)效果；本文算法中引入先驗(yàn)信息將圖像處理的范圍縮小至可疑的目標(biāo)區(qū)域，抑制背景后，對比度得到進(jìn)一步提升，對目標(biāo)識別具有促進(jìn)作用。

表1 目標(biāo)區(qū)域?qū)Ρ榷萒ab.1 Contrast of the Target Areas

4 結(jié)論

本文提出基于先驗(yàn)信息的地雷目標(biāo)紅外圖像增強(qiáng)算法。該算法利用目標(biāo)尺寸和形狀的先驗(yàn)信息，克服了目標(biāo)小、干擾多、背景復(fù)雜等實(shí)際問題，把圖像中的目標(biāo)分離出來，針對目標(biāo)區(qū)域進(jìn)行有效增強(qiáng)，提升了目標(biāo)和背景的對比度，對地雷的紅外圖像具有良好的適用性。實(shí)驗(yàn)驗(yàn)證結(jié)果表明，與傳統(tǒng)圖像增強(qiáng)算法相比，本文算法對地雷目標(biāo)的紅外圖像增強(qiáng)取得了較好效果，但圖像中仍存在部分“假目標(biāo)”，后續(xù)仍需要通過圖像分割等方法進(jìn)一步識別。