一種檢測(cè)紅外小目標(biāo)的圖像閾值分割算法

張書(shū)真

(吉首大學(xué)信息科學(xué)與工程學(xué)院，湖南吉首416000)

1 引言

在紅外圖像處理系統(tǒng)中，紅外目標(biāo)的分割是系統(tǒng)進(jìn)行視覺(jué)分析和模式識(shí)別的基礎(chǔ)。由于紅外圖像存在對(duì)比度低、噪聲大、目標(biāo)邊緣模糊等特點(diǎn)，使得紅外目標(biāo)的分割具有較大困難。閾值法因其實(shí)現(xiàn)簡(jiǎn)單、性能穩(wěn)定而成為圖像分割中最基本的分割技術(shù)［1－3］，其中基于熵的閾值方法［4－7］頗受關(guān)注。然而在基于熵的分割方法中，普遍存在兩個(gè)問(wèn)題:一是計(jì)算熵時(shí)存在無(wú)定義的情況;二是閾值的選取僅依賴于圖像灰度直方圖的概率信息，而沒(méi)有直接考慮圖像中目標(biāo)和背景類(lèi)內(nèi)的灰度均勻性。文獻(xiàn)［8］提出一種指數(shù)灰度熵的概念，能有效解決上述問(wèn)題，但是整個(gè)算法由于涉及指數(shù)運(yùn)算，計(jì)算較為復(fù)雜。另外，在紅外目標(biāo)檢測(cè)中，紅外圖像的目標(biāo)和背景之比通常比較小，要實(shí)現(xiàn)小目標(biāo)的分割，直接使用閾值法很多情況下會(huì)出現(xiàn)目標(biāo)分割的失敗。為此，本文考慮結(jié)合目標(biāo)區(qū)域和背景區(qū)域面積差值較大特點(diǎn)，構(gòu)建閾值選取公式，并利用修正的灰度熵定義，得到一種新的閾值分割算法。實(shí)驗(yàn)證明該算法計(jì)算簡(jiǎn)單、能有效實(shí)現(xiàn)紅外圖像小目標(biāo)的分割。

2 圖像預(yù)處理

紅外圖像在生成、傳輸和編解碼過(guò)程中通常會(huì)產(chǎn)生高斯噪聲和脈沖噪聲這類(lèi)混合噪聲，對(duì)紅外圖像進(jìn)行目標(biāo)分割前，首先通過(guò)預(yù)處理來(lái)去除這些混合噪聲。為盡量消除去噪時(shí)帶來(lái)的細(xì)節(jié)模糊問(wèn)題，本文引入自適應(yīng)中值濾波方法［9］，并且為了減少參與中值濾波的像素?cái)?shù)目，采用菱形鄰域窗口進(jìn)行濾波，濾波器窗口如圖1(c)所示。

圖1 常用濾波器窗口示意圖

設(shè)像素點(diǎn)(x，y)的灰度值為 fxy，其鄰域?yàn)?Sxy，鄰域內(nèi)灰度最大值為fmax、灰度中值為fmed、灰度最小值為fmin，鄰域大小是自適應(yīng)可變的，最大允許尺寸為Smax。自適應(yīng)中值濾波分兩個(gè)階段進(jìn)行，其偽代碼如下:

step1:若 fmin＜fmed＜fmax，則轉(zhuǎn)入 step2

否則增加Sxy的尺寸

若鄰域尺寸Sxy≤Smax，則重復(fù)step1

否則輸出fmed

step2:若 fmin＜fxy＜fmax，則輸出 fxy

否則輸出fmed

該自適應(yīng)中值濾波的原理在于，當(dāng)鄰域內(nèi)脈沖噪聲密度很大時(shí)，將自動(dòng)增加鄰域窗口的尺寸，反之則不需要增加鄰域窗口尺寸，而對(duì)于未被噪聲污染的像素點(diǎn)則能保留其灰度值。因此通過(guò)濾波達(dá)到了去除脈沖噪聲，平滑其他非脈沖噪聲，減少圖像細(xì)節(jié)失真的目的。

通過(guò)自適應(yīng)中值濾波可以有效去除脈沖噪聲，但是對(duì)于背景中的高斯噪聲，去除效果并不理想，因此接下來(lái)再采用3×3十字型模板進(jìn)行均值濾波，即模板為，采用該模板計(jì)算速度快，且可以盡量減少均值濾波帶來(lái)的模糊問(wèn)題。

為了驗(yàn)證上述預(yù)處理方法的去噪效果，以飛機(jī)紅外圖像為例進(jìn)行了仿真實(shí)驗(yàn)。實(shí)驗(yàn)中分別采用傳統(tǒng)3×3均值模板、傳統(tǒng)3×3中值模板以及本文方法(其中自適應(yīng)濾波器采用7×7菱形模板)進(jìn)行濾波。實(shí)驗(yàn)結(jié)果如圖2所示，從圖中可以看出，經(jīng)過(guò)本文方法預(yù)處理后的圖像，在去噪效果上感覺(jué)更好些，且細(xì)節(jié)保護(hù)良好。從三種去噪方法輸出的峰值信噪比PSNR來(lái)看，本文預(yù)處理方法的濾波去噪效果也是最好的。

圖2 對(duì)含噪圖像濾波的結(jié)果比較圖

3 閾值分割算法

3.1 基于灰度熵的閾值分割

現(xiàn)有常用的閾值分割方法，僅用到直方圖的概率分布信息，而沒(méi)有直接反映圖像中目標(biāo)和背景內(nèi)類(lèi)灰度值的差異，為此本文考慮采用灰度熵進(jìn)行分割。設(shè)一幅圖像總的灰度級(jí)數(shù)目為L(zhǎng)，圖像中灰度為 k的像素?cái)?shù)目為 g(k)，k=0，1，…，L －1，用閾值 t將圖像劃分為目標(biāo)類(lèi)Co和背景類(lèi)Cb，為討論方便，設(shè)低灰度區(qū)為目標(biāo)類(lèi)，高灰度區(qū)為背景類(lèi)，則可令:

圖像灰度熵

其中，Ho(t)為目標(biāo)類(lèi)灰度熵;Hb(t)為背景類(lèi)灰度熵。圖像灰度熵表征了圖像能量分布的宏觀統(tǒng)計(jì)特征，反映了區(qū)域內(nèi)像素灰度的差異程度。圖像灰度熵越大，類(lèi)內(nèi)的像素灰度差異越小，當(dāng)灰度熵達(dá)到最大時(shí)，目標(biāo)類(lèi)和背景類(lèi)的灰度趨于均勻，此時(shí)對(duì)應(yīng)的t就是最佳閾值。

3.2 修正閾值選取公式

由公式(1)和公式(2)可知，當(dāng)Pk→0時(shí)，H(t)→∞，當(dāng)Pk=0時(shí)，圖像灰度熵將出現(xiàn)無(wú)定義的情況。文獻(xiàn)［10］采用取倒數(shù)代替求對(duì)數(shù)的方法克服了Shannon熵出現(xiàn)的上述問(wèn)題，且提高了計(jì)算熵的速度，為此本文采用類(lèi)似的方法對(duì)灰度熵公式進(jìn)行修正，令修正后的目標(biāo)類(lèi)灰度熵為:

則有:

同理可令背景類(lèi)灰度熵為:

修正后圖像總的灰度熵為:

另外，考慮到紅外目標(biāo)區(qū)域通常比背景區(qū)域要小很多，直接采用閾值分割很容易造成目標(biāo)分割的失敗，本文還將利用目標(biāo)區(qū)域與背景區(qū)域面積相差很大的特點(diǎn)，來(lái)構(gòu)建閾值選取公式。設(shè)目標(biāo)區(qū)域面積為So(t)，背景區(qū)域面積為Sb(t)，則有:

最終的閾值選取函數(shù)為:

當(dāng)η(t)取最大值時(shí)即為最佳閾值

3.3 優(yōu)化搜索策略

在修正圖像灰度熵公式中，用倒數(shù)代替對(duì)數(shù)運(yùn)算可減少灰度熵的計(jì)算時(shí)間，在此基礎(chǔ)上，考慮到探測(cè)紅外小目標(biāo)的圖像大多灰度動(dòng)態(tài)范圍較小，為此提出一種閾值搜索的優(yōu)化策略，使算法的計(jì)算復(fù)雜度進(jìn)一步降低，搜索具體步驟如下:

第一步，將原直方圖的坐標(biāo)取值范圍等分為n個(gè)區(qū)間，每個(gè)區(qū)間包含的灰度級(jí)數(shù)目為m個(gè)，即m=L/n，每個(gè)小區(qū)間記為 Φa，0≤a≤n －1。

第二步，將每個(gè)小區(qū)間由一個(gè)坐標(biāo)點(diǎn)來(lái)代替，則原直方圖取值范圍縮小為n，而該直方圖每一點(diǎn)的值表示對(duì)應(yīng)小區(qū)間的頻數(shù)，即有

第三步，在縮小的直方圖上尋找到初始閾值t1，并由該點(diǎn)求得對(duì)應(yīng)的原直方圖小區(qū)間為Φt1，其坐標(biāo)軸取值范圍為t1m≤i≤(t1+1)m－1。

第四步，在Φt1區(qū)間上搜索，得到最終閾值t*。

利用上述優(yōu)化搜索策略，可知搜索復(fù)雜度滿足

當(dāng)n=L1/2時(shí)，搜索復(fù)雜度最小，為 O(L1/2)，可見(jiàn)采用優(yōu)化搜索策略可進(jìn)一步減少運(yùn)算時(shí)間。

4 實(shí)驗(yàn)結(jié)果及分析

仿真實(shí)驗(yàn)是在AMD AthlonⅡX4 640、3.01GHz CPU和內(nèi)存為3.25GB的微處理器上進(jìn)行的，編程環(huán)境為Matlab7.9。實(shí)驗(yàn)對(duì)自行采集的紅外圖像數(shù)據(jù)集進(jìn)行測(cè)試，為驗(yàn)證算法有效性，實(shí)驗(yàn)中分別采用Otsu法、最大熵法和本文算法對(duì)經(jīng)過(guò)預(yù)處理后的紅外圖像進(jìn)行分割?，F(xiàn)取其中三幅圖像加以說(shuō)明，如圖3(a)所示，原始紅外圖像中的目標(biāo)分別為飛機(jī)、焰火和行人，圖像中目標(biāo)區(qū)域比背景區(qū)域小很多。從分割結(jié)果來(lái)看，Otsu法完全不能有效分割目標(biāo)區(qū)域，最大熵法在目標(biāo)和背景灰度差異較小時(shí)，分割不理想，如焰火的分割就出現(xiàn)了失敗?？傮w看來(lái)，由于本文算法中灰度熵不僅考慮了直方圖概率信息，還直接考慮到目標(biāo)和背景內(nèi)灰度分布的均勻性，且利用到目標(biāo)和背景面積差值較大的特征，相對(duì)于最大熵法，本文算法在分割出目標(biāo)的同時(shí)，能更好地抑制噪聲。

圖3 紅外目標(biāo)分割結(jié)果比較圖

表1給出了幾種算法得到的閾值和運(yùn)行時(shí)間的比較，從表中可以看出，與Otsu法和最大熵法相比，本文算法的運(yùn)算速度提升明顯，由于修正灰度熵中采用倒數(shù)代替對(duì)數(shù)運(yùn)算的方法，且閾值搜索上采用優(yōu)化策略，極大提高了閾值選取的計(jì)算速度，相對(duì)于Otsu法和最大熵法，本文算法所需時(shí)間至少減少了80%左右。

表1 不同算法獲得的閾值以及運(yùn)行時(shí)間比較

5 結(jié)論

本文提出一種基于目標(biāo)與背景面積差值和修正灰度熵的圖像閾值分割算法。由于考慮到目標(biāo)與背景面積差較大的特征，所建立的閾值分割方法有利于圖像中較小目標(biāo)的檢測(cè)，而修正灰度熵公式有效克服了熵計(jì)算中出現(xiàn)的無(wú)定義問(wèn)題，能直接反映目標(biāo)和背景類(lèi)內(nèi)像素分布的均勻性，且計(jì)算速度快。在閾值的搜索過(guò)程中，算法結(jié)合了優(yōu)化搜索策略，使搜索復(fù)雜度由原來(lái)的O(L)降至O(L1/2)。大量實(shí)驗(yàn)結(jié)果表明，本文的算法抗噪性能良好，能快速有效地實(shí)現(xiàn)紅外小目標(biāo)的分割。

［1］Long Jianwu，Shen Xuanjing，Chen Haipeng．Interactive documentimagesthresholdingsegmentation algorithm based on image regions［J］．Journal of Computer Research and Development．2012，49(7):1420 － 1431．(in Chinese)龍建武，申鉉京，陳海鵬．基于圖像區(qū)域的交互式文本圖像閾值分割算法［J］．計(jì)算機(jī)研究與發(fā)展，2012，49(7):1420－1431．

［2］Li Zuoyong，Liu Chuancai，Cheng Yong，et al．Statistical thresholding method for infrared images［J］．Computer Science，2010，37(1):282 －286，298．(in Chinese)李佐勇，劉傳才，程勇，等．紅外圖像統(tǒng)計(jì)閾值分割方法［J］．計(jì)算機(jī)科學(xué)，2010，37(1):282 －286，298．

［3］Chen Zheng，Shi Yongpeng，Ji Shupeng．Improved image threshold segmentation algorithm based on Otsu method［J］．Laser＆ Infrared，2012，42(5):584 －588．(in Chinese)陳崢，石勇鵬，吉書(shū)鵬．一種改進(jìn)的Otsu圖像閾值分割算法［J］．激光與紅外，2012，42(5):584 －588．

［4］Chang C I，Du Y，Wang J，et al．Survey and comparative analysis of entropy and relative entropy thresholding technique［J］．IEEE Proceedings-Vision，Image，and Signal Processing，2006，153(6):837 －850．

［5］Ling Liuyi，Huang Yourui．Fast infrared image segmentation based on chaos ant colony algorithm［J］．Laser＆ Infrared，2010，40(6):679 －682．(in Chinese)凌六一，黃友銳．基于混沌蟻群算法的快速紅外圖像分割［J］．激光與紅外，2010，40(6):679 －682．

［6］Fan Jiulun，Le Bo．Two-dimensional Cross-entropy lineartype threshold segmentation method for gray-level images［J］．Chinese Journal of Electronics，2009，37(3):476 －480．(in Chinese)范九倫，雷博．灰度圖像的二維交叉熵直線型閾值分割法［J］．電子學(xué)報(bào)，2009，37(3):476 －480．

［7］Zhang Xinming，Xue Zhanao，Zhen Yanbin．Fast and precise two-dimensional Renyi entropy image thresholding［J］．Pattern Recognition and Artificial Intelligence，2012，25(3):411 －418．(in Chinese)張新明，薛占熬，鄭延斌．二維直方圖準(zhǔn)分的Renyi熵快速圖像閾值分割［J］．模式識(shí)別與人工智能，2012，25(3):411－418．

［8］Wu Shihua，Zhang Xiaojie，Wu Yiquan．Two-dimensional exponential gray entropy image thresholding based on decomposition ［J］．Chinese Journal of Stereology and Image Analysis，2010，15(4):351 －357．(in Chinese)吳詩(shī)婳，張曉杰，吳一全．基于分解的二維指數(shù)灰度熵圖像閾值分割［J］．中國(guó)體視學(xué)與圖像分析，2010，15(4):351－357．

［9］Rafael C Gonzalez，Richard E Woods．Digital image processing［M］．2nded．Beijing:Publishing House of Electronics Industry，2008．

［10］ Wu Yiquan，Zhan Bichao．Thresholding based on reciprocal entropy and chaotic particle swarm optimization ［J］．Signal Processing，2010，26(7):1044 － 1049．(in Chinese)吳一全，占必超．基于混沌粒子群優(yōu)化的倒數(shù)熵閾值選取方法［J］．信號(hào)處理，2010，26(7):1044 －1049．