基于漸進(jìn)閾值分割的多云背景目標(biāo)檢測

武林偉 閆婧 郭博雷

（中國電子科技集團(tuán)公司第二十七研究所 河南省鄭州市 450047）

1 引言

目前，光電成像系統(tǒng)由于可全天候工作，抗干擾能力強(qiáng)、被動(dòng)接收、隱蔽性好等特點(diǎn)，已被廣泛應(yīng)用于偵查、監(jiān)視、探測等多種系統(tǒng)。艦載光電系統(tǒng)是用于對(duì)目標(biāo)進(jìn)行捕獲、跟蹤和瞄準(zhǔn)的艦載綜合光電系統(tǒng)，艦載光電系統(tǒng)在艦載光電對(duì)抗、海上精確測量、艦載機(jī)起降引導(dǎo)等方面具有舉足輕重的作用。在艦載光電系統(tǒng)中，對(duì)空中飛機(jī)目標(biāo)的高效檢測是重要問題。然而在遠(yuǎn)距離情況特別是多云背景條件下，由于探測器接收到的目標(biāo)信號(hào)較弱，目標(biāo)所占的像素通常不大，導(dǎo)致圖像信噪比低，對(duì)比度差，如何更好地提高光電圖像目標(biāo)檢測技術(shù)，及時(shí)準(zhǔn)確地發(fā)現(xiàn)目標(biāo)，進(jìn)而提高武器系統(tǒng)的目標(biāo)檢測和跟蹤能力一直是光電探測領(lǐng)域的熱點(diǎn)。

近些年來相對(duì)成熟的目標(biāo)檢測算法包括光流法、模板匹配、基于特征識(shí)別、基于運(yùn)動(dòng)的方法等，這些算法各有優(yōu)缺點(diǎn)。但在多云背景條件下，現(xiàn)有檢測算法沒有考慮到多云背景對(duì)目標(biāo)的影響，由于背景較復(fù)雜，目標(biāo)分割閾值計(jì)算不準(zhǔn)確，且飛機(jī)目標(biāo)具有運(yùn)動(dòng)速度快，外形劇烈變化的特點(diǎn)，現(xiàn)有算法計(jì)算流程相對(duì)復(fù)雜，處理時(shí)間較長，因此檢測效果并不理想。本文提出一種基于漸進(jìn)閾值分割的多云背景目標(biāo)檢測算法，利用高分辨率的圖像信息，針對(duì)多云背景件下的飛機(jī)目標(biāo)，通過執(zhí)行相應(yīng)的圖像預(yù)處理、圖像分割、目標(biāo)特征計(jì)算、目標(biāo)確認(rèn)、目標(biāo)判別等處理，實(shí)現(xiàn)在多云背景下飛機(jī)目標(biāo)的自動(dòng)穩(wěn)定檢測。

2 多云背景目標(biāo)特性分析

目標(biāo)圖像通常認(rèn)為是由背景、噪聲和目標(biāo)三部分組成，其數(shù)學(xué)模型可以用公式表達(dá)如下：

f(x,y)=B(x,y)+N(x,y)+T(x,y)

式中：(x,y)為圖像像素點(diǎn)的坐標(biāo)，f(x,y)為圖像的灰度值，B(x,y)為背景的灰度值，N(x,y)為噪聲的灰度值，T(x,y)為目標(biāo)的灰度值。

圖1 給出了一幅多云背景目標(biāo)的原始圖像。從圖1 可以看出，目標(biāo)圖像中的背景主要是天空，地面，海面等自然場景背景，通常情況下圖像中云層背景B(x,y)區(qū)域變化比較平緩，像素相互之間具有較強(qiáng)的相關(guān)性，背景區(qū)域在整個(gè)圖像中屬于低頻成分，但是也會(huì)出現(xiàn)絮狀云、云層邊緣等高頻信號(hào)。而目標(biāo)T(x,y)與背景不相關(guān)，在其局部區(qū)域表現(xiàn)為灰度值（能量值）較高的孤立點(diǎn)。

圖1： 多云背景目標(biāo)原始圖像

將多云背景目標(biāo)圖像中的物體分為四類：凈空區(qū)域A、云層內(nèi)部區(qū)域B、云層邊緣區(qū)域C、目標(biāo)區(qū)域D。通過分析，這四類圖像區(qū)域成像有以下特點(diǎn)；

2.1 凈空區(qū)域和云層內(nèi)部的成像特點(diǎn)基本接近

（1）圖像圖像的灰度分布集中，其灰度分布受成像噪聲影響較大；

（2）圖像區(qū)域X 方向和Y 方向灰度分布起伏不明顯，沒有顯著的灰度變化趨勢；

（3）圖像區(qū)域整體灰度分布均勻，沒有明顯的變化規(guī)律。

2.2 云層邊緣成像特點(diǎn)

（1）云層邊緣區(qū)域灰度分布寬泛，具有多峰的特點(diǎn)，與內(nèi)部區(qū)域相比，云層邊緣區(qū)域的灰度級(jí)要偏低；

（2）云層邊緣區(qū)域X 方向和Y 方向灰度分布起伏明顯，由外向內(nèi)灰度分布具有逐漸遞增的趨勢；

（3）云層邊緣灰度分布過渡明顯，由云層內(nèi)側(cè)向其外側(cè)逐漸遞減，具有明顯的階梯狀過渡。

2.3 目標(biāo)區(qū)域成像特點(diǎn)

（1）目標(biāo)區(qū)域像素灰度較高或較低，但所占的比例較低，整個(gè)直方圖灰度分布非常寬；

（2）目標(biāo)區(qū)域X 方向和Y 方向灰度分布起伏明顯，從區(qū)域中心的目標(biāo)部分開始向兩側(cè)逐漸遞減；

（3）當(dāng)目標(biāo)處于云層邊緣區(qū)域時(shí)，目標(biāo)部分向其四周具有階梯狀的遞減過渡，而四周的云層邊緣區(qū)呈現(xiàn)由云層內(nèi)側(cè)向外側(cè)的灰度遞減的階梯狀分布。

3 基于漸進(jìn)閾值分割的多云背景目標(biāo)檢測

基于漸進(jìn)閾值分割的多云背景目標(biāo)檢測算法首先對(duì)輸入的視頻信號(hào)進(jìn)行圖像預(yù)處理，使用高通濾波和背景預(yù)測方法實(shí)現(xiàn)云層背景抑制，利用漸進(jìn)迭代方法進(jìn)行多閾值圖像二值化初分割，建立初分割圖像集；對(duì)初分割的二值化圖像集合，采用鏈碼描述算法進(jìn)行目標(biāo)描述和區(qū)域填充，完成目標(biāo)特征提取和計(jì)算；基于目標(biāo)先驗(yàn)信息，采用信息逐層篩選策略進(jìn)行目標(biāo)確認(rèn)，選擇符合目標(biāo)特性要求的潛在感興趣區(qū)域并保留有效信息；對(duì)感興趣目標(biāo)區(qū)域圖像進(jìn)行累加，基于累積二值化圖像，依據(jù)設(shè)定的概率閾值，判別出真實(shí)可靠目標(biāo)，實(shí)現(xiàn)多云背景條件下目標(biāo)的自動(dòng)穩(wěn)定檢測?；跐u進(jìn)閾值分割的多云背景目標(biāo)檢測算法的原理框圖組成如圖2 所示。

圖2： 基于漸進(jìn)閾值分割的多云背景目標(biāo)檢測算法原理圖

3.1 基于云層背景抑制的圖像預(yù)處理

云層在不同的天氣和氣候條件下，其表現(xiàn)形式是很不一樣的，而且云層的分布是隨機(jī)的，不同的云層背景表現(xiàn)出來的圖像特性也是不一樣。背景抑制就是為了抑制圖像中的起伏云層背景，提高圖像的信噪比，其效果的優(yōu)劣將影響到后面的目標(biāo)檢測算法的性能、速度和整個(gè)系統(tǒng)的可靠性，對(duì)于圖像中目標(biāo)檢測，背景抑制是非常必要的一步工作。因此，在圖像預(yù)處理器中，根據(jù)目標(biāo)所在云層背景，采取背景抑制算法去除或減少圖像中的噪聲和背景雜波，采取圖像增強(qiáng)算法和圖像濾波算法，提高圖像的信噪比，以利于后面的圖像分割和目標(biāo)特征提取。

3.1.1 高通濾波方法

針對(duì)傳感器獲取的多云目標(biāo)圖像，背景除了有在空間不相關(guān)的噪聲外，在大部分情況下，多云背景區(qū)域過渡比較平緩，像素之間的相關(guān)性較強(qiáng)。而目標(biāo)成像區(qū)域灰度過渡較快，與周圍多云背景灰度的相關(guān)性較小?？梢岳枚嘣票尘跋袼刂g灰度的相關(guān)性實(shí)現(xiàn)背景抑制。由于高通濾波器能抑制低頻分量，讓高頻分量通過，因此，本文采用高通濾波器來進(jìn)行大面積的多云背景抑制，實(shí)現(xiàn)目標(biāo)增強(qiáng)。高通濾波是一種目標(biāo)圖像的背景抑制和目標(biāo)增強(qiáng)的空域算法，其表達(dá)式如下所示：

其中，f(x,y)為原始圖像，s(x,y)為經(jīng)過高通濾波背景抑制后的圖像，m(i,j)為高通濾波模板，模板尺寸為(2a+1)×(2b+1)。用于背景抑制的常用高通濾波模板如圖3 所示。

圖3： 常用高通濾波模板

3.1.2 背景預(yù)測方法

為了增強(qiáng)信號(hào)和進(jìn)一步抑制噪聲，需要對(duì)經(jīng)過背景抑制后的目標(biāo)圖像進(jìn)行圖像濾波。本文使用的濾波算法為背景預(yù)測方法。背景預(yù)測算法的基本思想或基本假設(shè)是：如果圖像中的一個(gè)像素點(diǎn)屬于背景部分，那么，它一定可以用周圍區(qū)域的背景點(diǎn)來進(jìn)行預(yù)測或估計(jì)，也就是說它與周圍的背景點(diǎn)具有緊密的相關(guān)性，可以用周圍區(qū)域的點(diǎn)的灰度值經(jīng)過線性或非線性組合產(chǎn)生，將中心位置像素的灰度值與預(yù)測值進(jìn)行相減，得到的預(yù)測殘差圖像便是背景抑制后的結(jié)果。

設(shè)f(x,y)為紅目標(biāo)原始圖像，那么根據(jù)(m,n)點(diǎn)附近區(qū)域內(nèi)的像素灰度值對(duì)(m,n)點(diǎn)的像素灰度值f(m,n)進(jìn)行線性預(yù)測估計(jì)，得到估計(jì)值f(m,n)：

背景預(yù)測方法在預(yù)測域的選取和權(quán)值模板的調(diào)整策略上分別有不同的變化，預(yù)測權(quán)值矩陣在進(jìn)行調(diào)整之前一般先被初始化為不同權(quán)值形式的模板，如圖4 所示。背景預(yù)測時(shí)首先要選取預(yù)測域，從預(yù)測域中獲取分析樣本，將處理模板劃分為四個(gè)子區(qū)域分別進(jìn)行預(yù)測處理，最后對(duì)四個(gè)預(yù)測結(jié)果進(jìn)行加權(quán)得到最終的預(yù)測值。

圖4： 不同形式模板初始化

3.2 基于漸進(jìn)閾值的圖像分割

在圖像分割過程中，通過對(duì)分割閾值進(jìn)行準(zhǔn)確計(jì)算，可以實(shí)現(xiàn)目標(biāo)有效分割。但在多云復(fù)雜背景條件下，由于背景較復(fù)雜，目標(biāo)分割閾值計(jì)算不準(zhǔn)確，很難通過單一閾值實(shí)現(xiàn)圖像目標(biāo)有效分割。如果采取閾值從0 到255 逐一進(jìn)行圖像分割，計(jì)算量太大，無法滿足實(shí)時(shí)性要求。

因此，本文采取漸進(jìn)迭代的方法，根據(jù)圖像多云背景的復(fù)雜程度，基于圖像均值和方差自適應(yīng)確定分割閾值。在閾值迭代漸進(jìn)計(jì)算過程中，需要在有限次的范圍內(nèi)實(shí)現(xiàn)目標(biāo)分割，采取以下策略：

（1）確定分割閾值的范圍，閾值范圍越小越好；（2）確定該范圍中分割的次數(shù)，次數(shù)越少越好。

在本算法中，當(dāng)天空多云、復(fù)雜背景時(shí)，圖像方差較大，圖像閾值分割范圍是[μ-σ μ+σ]（其中μ 為均值，σ 為方差）；當(dāng)天空無云時(shí)，方差較小，圖像閾值分割范圍可以擴(kuò)展到[μ-3σ μ+3σ]。根據(jù)圖像的灰度分布，選擇閾值范圍的n 個(gè)漸進(jìn)灰度閾值進(jìn)行圖像二值化，n 可取10 ～20 之間。通過漸進(jìn)閾值迭代分割處理，完成目標(biāo)的初分割，并保存多幅分割后的二值化圖像。

3.3 基于鏈碼描述的特征計(jì)算

在本算法中，主要使用鏈碼來描述目標(biāo)特征，并進(jìn)行目標(biāo)區(qū)域填充。鏈碼也稱方向碼，如圖5 所示。其原理從當(dāng)前像素出發(fā)，對(duì)周圍8 個(gè)鄰居像素的方向編碼，按逆時(shí)針方向依次從0 到7。

圖5： 圖像坐標(biāo)系與鏈碼方向示意圖

圖像完成初分割以后，采用基于鏈碼描述算法對(duì)單幅圖像中的目標(biāo)進(jìn)行特征計(jì)算。首先，對(duì)初分割二值化圖像目標(biāo)邊界，使用鏈碼跟蹤方法來進(jìn)行記錄，并使用鏈碼填充方法進(jìn)行目標(biāo)區(qū)域的填充；然后，采用基于鏈碼描述算法，進(jìn)行目標(biāo)特征計(jì)算。基于鏈碼描述的目標(biāo)特征計(jì)算，僅需記錄起始點(diǎn)坐標(biāo)，然后從起始點(diǎn)開始，按照上述定義的鏈碼，沿著目標(biāo)邊界走，后續(xù)點(diǎn)僅記錄相對(duì)于前一像素點(diǎn)的方向碼即可，走到起始點(diǎn)表示結(jié)束。

本文選擇的目標(biāo)特征屬性參數(shù)主要如下：

（1）運(yùn)動(dòng)特征：潛在目標(biāo)在圖像平面中的位置、速度等，這些特征可采用質(zhì)心跟蹤方法提取出來；

（2）目標(biāo)強(qiáng)度：潛在目標(biāo)的灰度均值、灰度最大值等；

（3）潛在目標(biāo)的大?。ɑ蛎娣e）；

（4）目標(biāo)與背景之間的對(duì)比度：目標(biāo)區(qū)域?qū)Ρ榷菴1 和目標(biāo)邊界對(duì)比度C2；

（5）目標(biāo)區(qū)域相關(guān)性：目標(biāo)區(qū)域梯度差 及目標(biāo)區(qū)域方差偏移 ；

（6）潛在目標(biāo)之間的相關(guān)性：該特征是區(qū)分真目標(biāo)和干擾的重要特征之一。

基于鏈碼描述的目標(biāo)特征，可以非常方便地計(jì)算出目標(biāo)周長、目標(biāo)面積、外接矩形、目標(biāo)形心、邊界梯度強(qiáng)度、邊界平滑度、目標(biāo)與外接矩形的占空比等多種特征描述。

3.4 基于信息篩選的目標(biāo)確認(rèn)

在每一次的漸進(jìn)閾值分割過程中，選擇符合目標(biāo)特性要求的感興趣區(qū)域并保留。目標(biāo)確認(rèn)的過程，就是不斷地篩選無效信息，保留有效信息的過程，最終確認(rèn)得到真實(shí)目標(biāo)信息。

在多幅圖像的分割過程中，采取目標(biāo)信息逐層篩選的方法，剔除無效目標(biāo)，選擇符合目標(biāo)特性要求的目標(biāo)區(qū)域并保留，完成潛在目標(biāo)提取。在本算法中，使用以下篩選策略進(jìn)行目標(biāo)確認(rèn)：

（1）根據(jù)飛機(jī)目標(biāo)先驗(yàn)知識(shí)，利用目標(biāo)的周長與面積、目標(biāo)與外接矩形比例（占空比）等目標(biāo)信息對(duì)目標(biāo)進(jìn)行篩選。根據(jù)先驗(yàn)知識(shí)，設(shè)定感興趣目標(biāo)周長、面積等參數(shù)。根據(jù)這一原則，可以濾除噪聲引起的過小目標(biāo)干擾，也能濾除云層等引起的過大目標(biāo)干擾。

（2）根據(jù)成像約束，利用目標(biāo)的寬度和高度比例約束、目標(biāo)凸形約束等目標(biāo)信息再對(duì)目標(biāo)進(jìn)行篩選。由于目標(biāo)是人造剛性目標(biāo)，具有固定的占空比、寬高比。云層或者其他偽目標(biāo)在多種姿態(tài)下的占空比過小、寬高比過小或者過大，因此可以通過這一規(guī)則濾除。

（3）根據(jù)飛機(jī)為人造目標(biāo)和云彩有顯著邊界的特點(diǎn)，通過目標(biāo)邊界像素的梯度強(qiáng)度來完成飛機(jī)類目標(biāo)的提取。由于目標(biāo)為人造目標(biāo)，跟云彩相比有顯著的邊界?？梢愿鶕?jù)目標(biāo)邊界像素的梯度強(qiáng)度來區(qū)分人造目標(biāo)和自然目標(biāo)。

3.5 基于閾值概率的目標(biāo)判別

目標(biāo)檢測是一個(gè)基于圖像序列的決策過程，本質(zhì)上是圖像序列在時(shí)間上的濾波處理。而單幀檢測是空間上的濾波，兩者結(jié)合起來就相當(dāng)于一個(gè)三維濾波檢測過程。

在多次閾值分割后，經(jīng)過逐層篩選后的多幅圖像中，真實(shí)目標(biāo)會(huì)在多個(gè)閾值下反復(fù)出現(xiàn)。在最終累加圖像中，每個(gè)像素值即代表在分割過程中該點(diǎn)出現(xiàn)的概率。由于真實(shí)目標(biāo)出現(xiàn)頻次要大于偽目標(biāo)，根據(jù)這一特性，通過閾值概率可以有效剔除偽目標(biāo)，判別出真實(shí)目標(biāo)。通過漸進(jìn)式閾值分割后，對(duì)經(jīng)過篩選的多幅二值化圖像進(jìn)行累加。在最終累積圖像中，依據(jù)關(guān)系穩(wěn)定性約束，根據(jù)設(shè)定的概率閾值，對(duì)概率圖像再次進(jìn)行分割，并對(duì)累積圖像再進(jìn)行一次目標(biāo)特征篩選后，即可確定真實(shí)可靠的目標(biāo)。

目標(biāo)判別根據(jù)上述所提供的能夠準(zhǔn)確反映目標(biāo)特性的各種參數(shù)，與前一幀圖像中各潛在目標(biāo)特征參數(shù)進(jìn)行相關(guān)匹配，并且根據(jù)目標(biāo)運(yùn)動(dòng)的連續(xù)性和規(guī)則性，建立所謂的“目標(biāo)鏈”，即如果在M 次檢測過程中，至少獲得N 次成功，則判決目標(biāo)存在，第N 個(gè)目標(biāo)塊所屬的目標(biāo)就可以確定下來，該方法不僅可以提高總的檢測概率，而且可以大大減小虛警概率。

4 實(shí)驗(yàn)結(jié)果及分析

本文中采用的圖像為某艦載光電系統(tǒng)采集的可見光圖像，其中圖像分辨率1920×1080，圖像幀頻50Hz。硬件平臺(tái)采用的是基于TMS320C6678 的圖像處理板。在此平臺(tái)上進(jìn)行了基于漸進(jìn)閾值分割的多云背景目標(biāo)檢測算法的仿真試驗(yàn)，處理過程的效果和實(shí)際結(jié)果如圖6 ～圖9 所示。

圖6： 原始圖像和閾值

其中圖6(a)表示多云背景下飛機(jī)目標(biāo)原始圖像，圖像的灰度均值為160，方差為61，閾值選擇的范圍設(shè)定在灰度值99 至221，每隔20 個(gè)灰度級(jí)進(jìn)行一次圖像閾值分割，完成圖像二值化。從下圖中可以看到，在多次閾值分割中，飛機(jī)目標(biāo)在閾值159、179 下均出現(xiàn)，證明漸進(jìn)閾值分割的合理性。

每個(gè)閾值下篩選得到的目標(biāo)如圖7 所示，從圖7 可以看出，在閾值159，179 下飛機(jī)目標(biāo)完全保留，而其他偽目標(biāo)不具備關(guān)系穩(wěn)定性約束。

圖7： 目標(biāo)篩選

根據(jù)上述各閾值下的分割結(jié)果，可以得到分割結(jié)果的累積圖像，如圖8 所示。從圖8 可以看出，按照設(shè)定規(guī)則保留下的感興趣目標(biāo)區(qū)域中包含感興趣的目標(biāo)，云彩等偽目標(biāo)基本被濾除。

圖8： 累積次數(shù)

圖9： 結(jié)果

在上述累積效果基礎(chǔ)上，再結(jié)合邊界梯度強(qiáng)度進(jìn)一步篩選。由于云層沒有人造目標(biāo)形成的顯著邊界梯度強(qiáng)度，故在這一步中，云彩偽目標(biāo)多被濾除。最終目標(biāo)檢測結(jié)果如圖9顯示。

在基于TMS320C6678 的圖像處理板，使用本文的基于漸進(jìn)閾值分割的多云目標(biāo)檢測算法，針對(duì)艦載可見光圖像分辨率1920×1080，圖像幀頻100Hz，單幀圖像處理時(shí)間最大8.1ms，滿足單幀圖像處理時(shí)間10ms 的實(shí)時(shí)處理要求。同時(shí)，在目標(biāo)檢測能力上，在多云背景條件下，當(dāng)飛機(jī)目標(biāo)面積3×3 以上時(shí)，均可穩(wěn)定正確檢測出來，目標(biāo)對(duì)比度約等于3.9%，超過傳統(tǒng)目標(biāo)檢測目標(biāo)5%的要求。

5 結(jié)束語

針對(duì)多云背景條件下目標(biāo)檢測中的實(shí)際問題，本文在分析多云背景目標(biāo)圖像特性的基礎(chǔ)上，提出了一種基于漸進(jìn)閾值分割的目標(biāo)檢測算法，在目標(biāo)分割、目標(biāo)篩選、目標(biāo)確認(rèn)方面進(jìn)行了適應(yīng)性算法設(shè)計(jì)，通過仿真實(shí)驗(yàn)，驗(yàn)證了新算法的可行性和有效性，并在某艦載光電系統(tǒng)進(jìn)行工程應(yīng)用，驗(yàn)證了該算法具有良好的目標(biāo)檢測效果，有效提高艦載光電系統(tǒng)的目標(biāo)檢測跟蹤性能。