弱光濃霧背景行人探測方法研究

李 靜,韓 笑

(西安工業(yè)大學,陜西 西安 710021)

1 引言

圖像是信息的重要載體,弱光濃霧背景以及戰(zhàn)場環(huán)境主被動干擾會造成行人信息丟失,成像模糊等問題。紅外圖像具有全天候全時段工作能力,適用于溫差明顯的目標和背景區(qū)域?？梢姽鈭D像在色彩信息、成像景深、圖像質(zhì)量上有著極其優(yōu)秀的表現(xiàn),但是易受亮度影響,難以在惡劣環(huán)境中提前發(fā)現(xiàn)行人[1]。

近年來,國內(nèi)外針對弱光濃霧環(huán)境下的目標識別進行過許多研究。Sun等人提出改進多尺度Retinex低照度去霧算法[2],該算法運算速度快,但可移植性差,且易造成顏色失真。韓志亮提出改進暗通道先驗算法[3],去霧效果優(yōu)秀,但是對于白色區(qū)域較多的弱光霧天圖像,該算法易出現(xiàn)局部失真。

針對上述問題和弱光濃霧背景探測行人的必要性和迫切性,本文采用Cobra寬光譜紅外面陣相機獲取弱光濃霧背景下行人的同光軸紅外與可見光圖像,提出了優(yōu)爆炸理論,引入了三個初始閾值和爆炸停止半徑加快了蟻群算法的迭代,改進了信息素濃度增加方式便于尋找最優(yōu)閾值,通過改進蟻群算法對紅外圖像進行閾值尋優(yōu),完成自適應閾值分割,標定目標位置。為了解決處理后圖像顏色失真問題,將尺寸不一的多個伽馬濾波器引入Retinex模型,在YUV色彩空間下Y通道對可見光圖像采用改進算法進行圖像去霧增強操作,將得到的圖像在U和V顏色通道進行RGB逆變換,通過對應紅外圖像目標位置完成對此時可見光增強圖像目標的探測。

2 紅外圖像目標分割

2.1 自適應閾值分割

局部閾值不再對整個矩陣有一個閾值,針對矩陣的每個位置都有相應的閾值,這些閾值構(gòu)成了和輸入矩陣同等尺寸的矩陣。局部閾值分割的核心是計算閾值矩陣[4]。對低頻分量進行自適應閾值分割,將信息熵作為自適應度,尋找最優(yōu)分割閾值。信息熵定義為

(1)

以閾值x將圖像分為目標和背景區(qū)域。p(x)是此時灰度值出現(xiàn)概率。自適應閾值分割法不僅能夠進行單個目標和背景的分割,也能進行多個目標和背景的分割,通過找到最合適的熵將目標與背景差異放大達到識別目標的目的。尋找最優(yōu)閾值x由改進的蟻群算法完成。

2.2 蟻群算法

當一只螞蟻在尋找覓食的路上,它會不停地釋放一些信息素,隨著時間的延長,該信息素不斷地被揮發(fā)。信息素的濃度越高,對后面螞蟻的影響就越多,隨著數(shù)量增加,這條道路中的信息素濃度增加,使得信息素的濃度與數(shù)量之間產(chǎn)生了正反饋關(guān)系。最終,通過螞蟻數(shù)量最多且其中信息素含量濃度最高的一個路徑便是最短的路徑[5]。

圖像包含了目標、背景、邊界和噪聲。通過尋找目標特征量來完成對圖像的分割,因為灰度易在邊界點和噪音點發(fā)生突變,這種突變是圖像分割的重要依據(jù)。通過尋找像素點比灰度差閾值小的點完成提取背景像素特征。圖像每個像素都被視為灰度、梯度和鄰域為特征的三維向量的螞蟻,將閾值分割轉(zhuǎn)換為不同特征的螞蟻搜尋實物源的過程,若任何兩個像素gi到g的距離為dij,則像素間的距離計算如下式(2),當像素灰度值聚類半徑r大于dij時,螞蟻選擇路徑的引導因子α取1,如下式(3)

(2)

(3)

gi到gj路徑的概率pij,β(t)是啟發(fā)式引導函數(shù),α和β為螞蟻選擇路徑的引導因子。S={gs|dsj≤r,s=1,2,…,n}表示可行路徑,隨著尋優(yōu)過程中路徑信息素濃度會變化,如下

(4)

2.3 改進算法

螞蟻算法求解易陷入局部最優(yōu)解且搜索時間長,難以對圖像進行實時處理。針對局部最優(yōu)問題,對螞蟻到食物源之間的距離進行更新,提出優(yōu)爆炸理論,當搜索到優(yōu)閾值時,檢測到此時信息素濃度增加,即刻標記此時優(yōu)螞蟻的位置同時向周圍半徑r的區(qū)域投放一枚炸彈,殺死所有不優(yōu)螞蟻(閾值小于優(yōu)螞蟻),此時半徑r內(nèi)的信息素清零,繼續(xù)進行尋優(yōu)操作。為了避免爆炸半徑過大造成同一個區(qū)域出現(xiàn)多個優(yōu)值,同時為了避免爆炸半徑過小造成一副圖像出現(xiàn)多個不相交的爆炸圓,對爆炸半徑r的范圍采用先小后大的非線性變化,同時要求p次爆炸殺死不優(yōu)螞蟻后,其余螞蟻p+1次向此聚集,判斷此時得到全局優(yōu)解,停止迭代,故設(shè)立一個變量ω(隨著p的增加而線性增大,m=kω),當爆炸半徑與最大半徑的商小于變量ω,停止迭代

(5)

蟻群算法是尋優(yōu)慢速算法,為了能夠加快運行速度,在輸入待分割圖像之后,將閾值初始化設(shè)為256灰度級圖像中的64、128、192,初始化的三個閾值就是此時的食物源中心,以此展開小規(guī)模半徑為rstart的爆炸,經(jīng)歐式距離公式計算螞蟻i到食物源中心c距離d,計算與初始三食物中心c的相似度η=r/d

(6)

更新與食物源的距離,放置信息素濃度τi,若螞蟻i到初始閾值的距離不大于螞蟻的聚焦半徑r聚焦,信息素濃度τi為1,反之為0。信息素的濃度越大,影響越大,故對更多螞蟻經(jīng)過的路段進行加成,提出式(7)

(7)

式中:Lj表示此條路所有螞蟻的總路程;Lij表示所有螞蟻的總路程。將待分割的圖像輸入,確定初始三閾值64、128、192,計算每只灰度值螞蟻到三食物源中心的歐式距離,運用遇優(yōu)標記爆炸理論更新類集合中螞蟻與食物源之間的距離,依次計算t時刻螞蟻路徑上的信息濃度、與初始食物源中心的相似度、到閾值集合的概率、類間所有像素的灰度值平均值,檢測是否滿足停止條件,不滿足則持續(xù)更新信息濃度和與初始食物源中心的相似度,進行循環(huán),滿足停止條件,輸出此時的閾值即所求的最佳閾值。對弱光濃霧下的多位行人進行閾值分割,結(jié)果如下圖1和2所示,能夠較好的將多位行人定位在拍攝的圖像中。

圖1 紅外圖像

圖2 閾值分割圖

3 可見光圖像增強算法

3.1 Retinex算法

Retinex算法能夠?qū)D像進行去霧增強處理,感知到的顏色是光和物質(zhì)相互作用的產(chǎn)物,像素點的色彩由RGB三原色決定。物體的顏色由光波所具有的性質(zhì)決定,不受光強影響,具有一致性[6]。算法原理如下

S(x,y)=R(x,y)·L(x,y)

(8)

式中:S(x,y)為雙目最終成像,L函數(shù)為輸入波,R函數(shù)為反射波。Retinex算法原理核心是將光照強度對最終成像質(zhì)量的影響降低或徹底消除,以此增加圖像質(zhì)量。多尺度Retinex(MSR)ri(x,y)即對N個通道的單尺度Retinex的輸出結(jié)果Wk進行線性加權(quán)所得[7,8],如下式(9)

(9)

3.2 YUV色彩空間

Cobra寬光譜紅外面陣相機采集的是RGB可見光圖像,MSR算法對RGB三通道處理時會造成顏色失真。YUV色彩空間將亮通道Y和色度U和濃度V通道分離[9],其中YUV與RGB轉(zhuǎn)換如式如下

(10)

人眼對圖像亮度的敏感超過色度和濃度,Retinex算法旨在將光強對成像質(zhì)量的影響降低或消除,故將可見光圖像亮度空間單獨拿出來,對其進行MSR圖像增強去霧處理,再將處理后的圖像同原圖像U和V通道進行RGB逆變換,得到保留完整色彩信息的去霧增強圖像。弱光濃霧圖像如下圖3所示,其YUV變換圖像如下圖4,亮度通道Y內(nèi)的圖像如下圖5,經(jīng)過改進MSR圖像去霧增強處理的圖像如下圖6,將圖像同原圖像U和V通道進行RGB逆變換,得到圖像如圖7,可見圖像質(zhì)量和清晰度得到了明顯的提升,且凸顯了未在可見光成像中清晰顯示的目標和背景信息,但處理后的圖像卻出現(xiàn)了明顯光暈現(xiàn)象。

圖3 清晨弱光濃霧圖像

圖4 YUV圖像

圖5 弱光濃霧圖像Y通道圖像

圖7 RGB逆變換圖像

3.3 改進算法

改進多尺度Retinex算法的環(huán)繞函數(shù)是高斯函數(shù),不適用于所有霧景條件,處理弱光濃霧圖像后易出現(xiàn)光暈現(xiàn)象,如上圖7。對于Retinex算法能否較好的提取圖像細節(jié),關(guān)鍵是找到一個合適的低通濾波器。對低照度下的霧景圖像(圖8)噪聲分布曲線進行擬合,其(圖9)服從伽馬曲線分布,是由多個服從指數(shù)分布的噪聲(圖10)疊加而來[10],如下

圖8 弱光濃霧圖像

圖9 圖像噪聲分布圖 圖10 伽馬曲線分布

E=-ln[1-U(0,1)]/a

(11)

在橫向自適應濾波器中,用Gamma算子G(z-1)=(1-m)z-1/1-mz-1代替純延遲算子z-1得到Gamma濾波器。將待處理的像素同中心像素相距固定伽馬參數(shù)值的像素的平均值來代替,用選中區(qū)域像素的均值來代替待處理像素。伽馬濾波的包括處理噪聲優(yōu)秀、大量像素細節(jié)和特征將會保留、不會對圖像進行改動和計算效率的特點。伽馬函數(shù)具有濾波特性,在弱光濃霧背景下具有更好的去霧能力,本文將多個伽馬濾波函數(shù)引入到改進Retinex算法中,增強圖像的細節(jié)顯示,更好的處理弱光濃霧圖像。

對于改進Retinex算法存在問題,本文采用重排圖像灰度級,引入符合人眼感知能力的YUV空間,將RGB圖像轉(zhuǎn)換到Y(jié)UV空間并對色度和亮度進行結(jié)合,優(yōu)化灰度級算法表達式如下

lgI=λh·IB(x,y)+β·ID(x,y)

(12)

式中:I為處理后的圖像;λh為細節(jié)層常數(shù)系數(shù);β為基本層圖像增益系數(shù),控制圖像細節(jié);IB為細節(jié)層函數(shù);ID為基本層函數(shù);

本文算法只需對Y分量進行最小加權(quán)二乘法計算得到增強圖像,降低算法難度[11]。將待處理的圖像由RGB空間轉(zhuǎn)換到Y(jié)UV空間,對空間內(nèi)的U和V分量進行空域濾波處理,過濾后的信號就是細節(jié)層。對Y通道的亮度層進行引導濾波,并求均值使圖像分層,對分層后的圖像分別構(gòu)造對應系數(shù)進行增強。將細節(jié)層和基本層進行重構(gòu),進行顏色恢復,得到最后的圖像。

4 實驗與分析

實驗條件設(shè)置為:Matlab2019a。從相機廠家提供的圖像數(shù)據(jù)庫中獲取弱光濃霧背景下行人的同光軸紅外與可見光圖像(圖11和圖14),對紅外圖像進行改進蟻群算法的自適應閾值分割,將紅外圖像分為目標(行人)和背景兩部分(圖13),標定目標位置,對可見光圖像采用YUV色彩空間下改進的Retinex算法進行除霧,按照同光軸紅外圖像標定目標位置對可見光相同位置進行標定。將本文的紅外圖像閾值分割法同改進局部OTUS算法得到圖像(圖12)進行比較,將本文的YUV空間下改進的Retinex算法對可見光弱光濃霧圖像進行增強除霧的圖像(圖17)同改進多尺度Retinex算法得到的圖像(圖15)和改進暗通道先驗去霧算法得到圖像(圖16)進行比較。引入熵、均值、平均梯度和標準差作為客觀指標對圖像進行定量分析,對弱光濃霧圖像分別進行十次不同算法的處理并利用Matlab2019a對處理后的圖像進行客觀評價分析,對客觀指標取平均值,如表1所示。

表1 客觀評價指標比較

圖11 弱光濃霧紅外圖像

圖12 改進局部OTUS算法閾值分割圖像

圖13 改進蟻群算法的自適應閾值分割圖像

圖14 弱光濃霧可見光圖像

圖15 改進MSR算法

圖16 改進暗通道先驗去霧算法

圖17 本文改進算法

圖像熵越大,圖像信息越多。均值越高,圖像越亮。平均梯度越高,圖像越清晰。標準差越大,圖像灰度級分別越分散,圖像質(zhì)量也就越好。本文改進算法在熵、平均梯度、標準差三項指標上都是優(yōu)于改進MSR算法和改進暗通道去霧算法,在均值這項指標上略低于改進暗通道去霧算法。據(jù)表1中客觀評價指標所示,本文提出的改進算法比改進MSR算法清晰度提升了322.1%,質(zhì)量提高了90.9%,比改進暗通道去霧算法清晰度提升了71.95%,質(zhì)量提高了53.7%,且主觀視覺上具有更好的色彩信息,較好的解決了經(jīng)MSR算法處理弱光濃霧圖像帶來的彩色光暈問題,較好的完成了弱光濃霧背景下的行人探測工作。

5 結(jié)束語

本文提出了一種弱光濃霧背景行人探測方法,首先通過改進蟻群算法的自適應閾值分割法對紅外圖像進行閾值分割,標定目標位置,然后通過YUV色彩空間下改進的伽馬濾波多尺度Retinex算法對可見光圖像完成圖像增強和去霧操作,將可見光圖像中的目標(行人)按照紅外圖像已標定位置進行探測,通過實驗驗證,本算法能夠較好的完成弱光濃霧圖像行人探測工作,處理后的圖像質(zhì)量優(yōu)于本文列出的具有代表性的兩種算法,為霧天行車安全提供了保障。