一種新的紅外艦船圖像分割方法

焦方浩,王中訓(xùn),董云龍

(1.煙臺大學(xué)物理與電子信息學(xué)院,山東 煙臺 264005;2.海軍航空大學(xué)信息融合研究所,山東 煙臺 264001)

目前,紅外成像制導(dǎo)技術(shù)已經(jīng)得到非常廣泛的應(yīng)用,在對海上目標(biāo)的精確打擊方面有著非常重要的地位。與其他制導(dǎo)技術(shù)相比,它有著抗干擾能力強、識別準(zhǔn)確度高、識別距離較遠(yuǎn)的特點,而紅外艦船目標(biāo)分割作為其中一項關(guān)鍵技術(shù),其結(jié)果決定著紅外制導(dǎo)導(dǎo)彈的作戰(zhàn)能力。

傳統(tǒng)的艦船圖像分割方法分為:基于閾值、區(qū)域、邊緣的三種分割方法?；陂撝档姆指罘椒ㄓ嬎愫唵?、運算效率高,能夠快速地實現(xiàn)分割,對于艦船目標(biāo)背景差別較大的圖像效果較好,但是對于背景較復(fù)雜的艦船圖像,分割難度較大。劉小霞等[1]提出在最大類間方差(OTSU)算法的基礎(chǔ)上,對預(yù)處理后的圖像進行歸一化,再對處理后的結(jié)果按照特定的閾值進行裁剪,最后用OTSU算法進行分割。基于區(qū)域的分割方法,相較于傳統(tǒng)閾值的分割方法而言,在像素的相似性與空間的鄰接性上更好,可以大大減少圖像噪聲,抗干擾性更好,但是基于區(qū)域的分割方法對噪聲較敏感,可能形成不連續(xù)的區(qū)域,選擇一個合適的一致性準(zhǔn)則比較困難,分割面積較大的區(qū)域時,運算速度會減慢。帥高山[2]提出首先采用均值移動算法進行預(yù)處理去噪,然后采用梯度增強、拉氏變換、直方圖迭代、形態(tài)學(xué)算法得到二值化圖像,最后用投影技術(shù)和Hough變換得到艦船所在區(qū)域,分割艦船所在區(qū)域得到較準(zhǔn)確的艦船圖像;孫希婕等[3]提出一種基于均值漂移的紅外艦船圖像分割算法,利用均值漂移算法的二維灰度和灰度鄰域信息,去除海面雜波干擾,并且保留艦船目標(biāo)信息,按照不同權(quán)重的灰度信息,將圖像分為天空、海面、目標(biāo);趙莉蘋[4]提出極端天氣下的艦船分割算法,采用高斯濾波器提高信噪比,利用滑動窗口計算局部標(biāo)準(zhǔn)差,通過形態(tài)學(xué)操作對二值化圖像進行處理得到最終分割圖?；谶吘壍姆指罘椒ㄌ幚硭俣容^快,但是可能會對艦船邊緣產(chǎn)生錯誤跟蹤,導(dǎo)致最后產(chǎn)生的目標(biāo)邊緣不連續(xù),因而存在一定的準(zhǔn)確性不足的問題。本文提出的基于顯著性檢測的紅外艦船圖像分割方法,在經(jīng)過顯著性檢測突出目標(biāo)之后,用選大恒虛警檢測(GO-CFAR)原理進行圖像分割,提取目標(biāo)區(qū)域。

1 顯著性檢測原理

1.1 顯著性檢測理論

1.1.1 顯著性 圖形的顯著性區(qū)域一般定義為一幅圖像當(dāng)中特點最突出的部分,或者說最能引起觀察者興趣的部分。顯著性[5-6]這一術(shù)語早就應(yīng)用到人類視覺的研究工作當(dāng)中,人類的視覺注意,就是由圖像的顯著性來導(dǎo)向。顯著性也可以看成是圖像中的對比度或者特殊程度等的表現(xiàn)形式。

1.1.2 視覺注意機制 人類的視覺接收到的信息占所有感官的80%左右,當(dāng)人眼接收到這些信息的刺激之后,會優(yōu)先處理這些感興趣的信息,這種信息處理機制就被稱為視覺注意機制。顯著性區(qū)域檢測本就是一種視覺注意模型,顯著性檢測模型通過視覺注意機制挖掘得到一幅圖像中最顯著的部分,并且將圖像的亮度、顏色等特征作為顯著度的度量。

1.2 顯著性檢測算法

1.2.1 AC算法 AC算法是由ACHANTA等[7]提出的,它是用純數(shù)學(xué)計算來生成顯著圖。該算法不需要對特征圖的尺寸進行更改,直接求一幅圖像的感知單元在幾個不同鄰域上的局部對比度來實現(xiàn)不同尺度下的顯著性計算。

感知單元是指一個像素或者以該像素為中心的一個鄰域內(nèi)的像素集,這里的感知單元用R1表示,它的鄰域用R2表示,R2分別取M/2、M/4、M/8,M指的是圖像長寬中的最小值,將這三個尺度下的特征顯著圖相加得到最終的顯著圖,特征顯著圖由下面的公式計算得出:

其中,p為像素點,vk為相應(yīng)像素的特征向量,這里計算的特征顯著圖其實是計算R1和R2兩個鄰域在LAB空間上的歐氏距離。

整體流程如下:

(1)獲取圖像后,進行高斯濾波,將其轉(zhuǎn)換到LAB空間。

(2)分別計算像素點在鄰域M/2上的均值Lm1、Am1、Bm1,M/4上的均值Lm2、Am2、Bm2,M/8上的均值Lm3、Am3、Bm3。

(3)將數(shù)據(jù)融合,獲得歐氏距離,公式如下:

S1=(l-Lm1)2+(a-Am1)2+(b-Bm1)2,

S2=(l-Lm2)2+(a-Am2)2+(b-Bm2)2,

S3=(l-Lm3)2+(a-Am3)2+(b-Bm3)2。

其中,l、a、b分別為圖像在L、A、B三個通道上的分量。

(4)將三個數(shù)據(jù)由S=S1+S2+S3相加得到最終的顯著圖。

AC算法由于不需要對輸入圖像進行比例縮放,所以最終得到的顯著圖與原圖像的顯著圖的分辨率相同,算法上較為簡單,不過相比于其他幾種顯著性算法,計算時間較長。

1.2.2 FT算法 一幅圖像在頻域上主要由高頻分量和低頻分量組成,高頻分量主要反映圖像的細(xì)節(jié)信息,如物體的紋理等,低頻分量主要反映圖像的整體信息,如物體的輪廓等。圖像的顯著性檢測主要利用圖像的低頻分量。

ACHANTA等[8]提出的FT算法,也是在頻域上處理圖像,該算法思路概括來說就是計算輸入圖像在LAB顏色空間的像素向量與平均像素向量的歐氏距離,該算法其實是利用圖像的顏色特征與亮度特征來為圖像各像素賦予顯著值。

具體流程如下:

(1)將圖像通過高斯濾波器,濾除圖像的高頻分量,得到濾波后像素點的值Iwhc。

(2)將圖像轉(zhuǎn)換到LAB空間,并求得圖像在L、A、B三個通道上的均值Im1、Im2、Im3。

(3)將均值與濾波后的像素值做差求取歐式距離,得到最終顯著圖,公式如下:

S(x,y)=‖Imi-Iwhc‖,i=1,2,3。

FT算法是一種純計算的顯著性檢測方法,能更好地突出最大顯著性區(qū)域,具有計算簡單、運算速度快等特點,缺點是顯著性區(qū)域與非顯著性區(qū)域的亮度差不夠明顯。

由于本文處理的是紅外圖像,在LAB空間上只用到了圖像L通道分量。在對數(shù)據(jù)集圖片進行顯著性檢測時,將處理結(jié)果與原圖相比,發(fā)現(xiàn)AC算法對圖像的顯著性檢測結(jié)果與原圖中的目標(biāo)基本吻合,而少數(shù)FT算法的顯著性檢測結(jié)果會存在邊界附近檢測結(jié)果不明顯的問題,基于上述結(jié)果,考慮將兩種顯著性檢測的結(jié)果直接疊加起來得到最終待處理的顯著圖S,使得顯著區(qū)域的目標(biāo)與非顯著性區(qū)域?qū)Ρ雀用黠@,且不會擴大顯著性檢測后的艦船目標(biāo),有利于后續(xù)的分割。

2 基于GO-CFAR原理的圖像分割

2.1 CFAR原理

恒虛警檢測[9-10](CFAR)是雷達系統(tǒng)中常用的技術(shù),由于雷達接收機輸入端接收到的信號一般有噪聲干擾,所以需要用一定的判別技術(shù)來判定是否有目標(biāo)。CFAR大致原理為:首先對輸入的信號進行處理,確定一個門限值,將輸入的信號與該門限值相比較,如果大于該門限值,則判定為有目標(biāo),否則,判定為無目標(biāo)。

本文用到的GO-CFAR[11-13],在一維上分別求取待檢測單元兩邊的均值,選取其中最大的均值作為門限值。

2.2 算法具體步驟

將GO-CFAR用于二維圖像,首先確定一個滑動窗口,通過滑窗遍歷圖像中的每一個像素?；瑒哟翱谟扇糠纸M成:待檢測像素點(位于中心)、保護區(qū)、參考區(qū)。保護區(qū)為待檢測像素與參考區(qū)之間的部分,參考區(qū)為保護區(qū)之外的部分,參考區(qū)域的高度至少為目標(biāo)的高度,保證分割結(jié)果的準(zhǔn)確性。將滑窗內(nèi)的參考區(qū)均分為上下兩部分,分別求取其均值,取較大的均值為門限值后,進行分割。

具體流程如下:

(1)確定滑窗的參考區(qū)高度Nr和保護區(qū)高度Ng,設(shè)定門限因子T(T取大于1的數(shù))。

(2)將設(shè)定的滑窗分為上下兩部分,遍歷整幅圖像,分別計算兩部分參考區(qū)域像素的均值I1、I2,由公式(1)計算:

(1)

其中:xi為參考區(qū)像素點的值。用公式(1)分別求取上下兩部分像素的均值,并選取較大者Imax,最終的門限由公式(2)確定:

U=T×Imax。

(2)

(3)將待檢測點的像素值X與門限值U作比較,滿足條件的檢測點置1,不滿足的置0,判別式如下:

這里m、n是圖像的寬和高,通過上述判別式完成圖像的二值化分割。

全文算法流程如圖1。

圖1 總體算法流程

3 實驗結(jié)果與分析

在Matlab 2018b構(gòu)建的仿真環(huán)境中測試,數(shù)據(jù)集由三類視角、視距以及目標(biāo)與海天線位置均不同的20幅圖像組成,選取其中三幅尺寸分別為256×256、320×240、320×240像素的紅外圖像進行仿真測試并展示結(jié)果(圖2),參考區(qū)域高度取61,保護區(qū)高度取4,門限因子取2.7。首先用AC算法和FT算法對原始圖像進行顯著性檢測,后將兩者疊加得到最終顯著圖,結(jié)果表明,兩種算法疊加后的顯著圖,目標(biāo)輪廓更加明顯。

圖2 三幅原始圖像

從圖3—圖5可以看出,疊加后的顯著性圖中目標(biāo)更亮更明顯,證明顯著圖的疊加是有效果的。

為了驗證本文分割算法的有效性,將本文算法的分割結(jié)果與三種傳統(tǒng)的基于閾值的分割方法:二維OTSU算法、最大熵分割算法[14-15]、最小誤差分割算法[16]做對比,效果如圖6—圖9。

圖3 AC算法檢測結(jié)果

圖4 FT算法檢測結(jié)果

圖5 兩種算法疊加后的效果

圖6 二維OTSU算法分割效果

圖7 最大熵算法分割效果

圖8 最小誤差算法分割效果

圖9 新算法分割效果

通過以上算法的仿真結(jié)果對比可以看出:二維OTSU算法只對第二幅圖像有較好的分割結(jié)果,對于干擾較大或者背景與目標(biāo)亮度相差不大的圖像,分割結(jié)果較差;最大熵算法對三幅圖像的處理結(jié)果較好,但對某些邊緣不突出的目標(biāo)分割效果偏差;最小誤差法對第三幅圖像的分割效果較差;新的分割算法對三類圖像都有著相對更好的分割結(jié)果,艦船目標(biāo)也較為完整。

數(shù)據(jù)集中的圖片分割正確率統(tǒng)計方法:在二值圖像中,目標(biāo)艦船能夠較完整地分割出來,艦船周圍存在的干擾不大且在后續(xù)進行目標(biāo)檢測時能正確地檢測到目標(biāo),認(rèn)為分割成功;計算分割成功圖片數(shù)量在全部圖片中的占比,即為分割正確率。最終通過對整個數(shù)據(jù)集的處理得出,二維OTSU算法、最大熵算法、最小誤差算法和新的分割算法的分割正確率分別為40%、80%、65%和85%,新的分割算法分割結(jié)果更準(zhǔn)確。

4 結(jié)束語

紅外艦船目標(biāo)的分割是紅外成像制導(dǎo)導(dǎo)彈跟蹤的關(guān)鍵技術(shù)。當(dāng)紅外艦船圖像中噪聲較多或者目標(biāo)與背景邊界不明顯時,傳統(tǒng)分割方法分割結(jié)果較差,針對該問題,本文算法首先對圖像進行顯著性檢測,然后利用GO-CFAR原理求出分割閾值對圖像進行分割,通過與三種傳統(tǒng)分割方法對比可知,該算法抗干擾能力更強,分割結(jié)果更準(zhǔn)確,更有利于后續(xù)的檢測和識別。