結(jié)合SVM和分形維數(shù)的多特征紅外人造目標(biāo)提取*

張長江， 陳 源， 趙翠芳， 楊麗麗

(浙江師范大學(xué) 數(shù)理與信息工程學(xué)院,浙江 金華 321004)

結(jié)合SVM和分形維數(shù)的多特征紅外人造目標(biāo)提取*

張長江， 陳 源， 趙翠芳， 楊麗麗

(浙江師范大學(xué) 數(shù)理與信息工程學(xué)院,浙江 金華 321004)

研究了紅外圖像中人造目標(biāo)的提取.首先,通過計(jì)算紅外圖像目標(biāo)的分形維數(shù)確定紅外目標(biāo)和背景的大致區(qū)域;然后,分別提取目標(biāo)圖像和背景圖像的灰度級(jí)特征(鄰域中心像素亮度、鄰域中值亮度和鄰域平均亮度)，再利用支持向量機(jī)(SVM)進(jìn)行訓(xùn)練，并嘗試用不同的核函數(shù)及其參數(shù)建立最適當(dāng)?shù)膮^(qū)分目標(biāo)和背景像素點(diǎn)的模型，進(jìn)而把紅外圖像像素點(diǎn)分成目標(biāo)和背景2類;最后，利用構(gòu)建的模型實(shí)現(xiàn)紅外圖像中人造目標(biāo)的提取.實(shí)驗(yàn)結(jié)果表明，用該方法建立的分類模型可以有效地提取紅外圖像中的人造目標(biāo).

SVM；分形維數(shù)；紅外圖像；人造目標(biāo)

0 引 言

紅外圖像由于其具有隱蔽性強(qiáng)和能夠在惡劣天氣下全天候工作等特點(diǎn)，目前已被廣泛應(yīng)用于軍事和工業(yè)等領(lǐng)域[1].在紅外目標(biāo)檢測和識(shí)別中，我們往往僅對(duì)紅外圖像中某些特定的、具有獨(dú)特性質(zhì)的目標(biāo)感興趣.紅外圖像中的人造目標(biāo)提取屬于圖像分割范疇[2]，將人造目標(biāo)從復(fù)雜的背景中提取出來，能夠?yàn)楹罄m(xù)的紅外目標(biāo)自動(dòng)分類和識(shí)別提供依據(jù)，是自動(dòng)目標(biāo)識(shí)別系統(tǒng)中非常關(guān)鍵的一個(gè)步驟.

圖1 紅外圖像中人造目標(biāo)提取的總體流程圖

目前,紅外人造目標(biāo)提取的方法都是基于特征提取的方法實(shí)現(xiàn)，主要分為5大類：1)基于幾何特征的人造目標(biāo)提?。褐饕谛螤钌系膸缀翁卣鞑町悈^(qū)分人造目標(biāo)和自然背景.該類方法目標(biāo)漏檢率低，但對(duì)圖像質(zhì)量要求較高，算法魯棒性較差.2)基于概率模型的人造目標(biāo)的提?。褐饕↙ogistic模型、馬爾可夫隨機(jī)場模型(Markov Random Fields, MRF)和DRF(Discriminative Random Fields)模型[3-4].其中,MRF應(yīng)用最為廣泛，具有參數(shù)少、分割效果好、方法穩(wěn)定性高等優(yōu)點(diǎn).但是,當(dāng)該方法用于小樣本數(shù)據(jù)建模時(shí)較為困難.3)基于水平集的人造目標(biāo)的提取[5]：該類方法具有較低的檢測誤差和漏測率、算法魯棒性好，但運(yùn)算量比較大.4)基于聚類的人造目標(biāo)的提取：運(yùn)用聚類算法(K-means[6]、期望最大化(Expectation Maximization, EM)[7])將圖像聚成不同的類，將人造目標(biāo)從背景中提取出來.該類方法能提取任意形狀和大小的人造目標(biāo)，但需用戶事先定義類別,從而導(dǎo)致一定的主觀性，聚類效果對(duì)算法的依賴性較大.5)基于分形特征的人造目標(biāo)的提?。豪萌嗽炷繕?biāo)和自然背景具有不同的分形維數(shù)來提取人造目標(biāo)[8].但對(duì)于復(fù)雜的背景，僅用單一的分形維數(shù)誤檢率較高.總之，紅外圖像中人造目標(biāo)提取是一項(xiàng)極具挑戰(zhàn)性的工作，此外，由于紅外圖像中存在目標(biāo)模糊、紋理較少、對(duì)比度差等特點(diǎn)，許多傳統(tǒng)的檢測方法并不適用.縱觀其發(fā)展的歷史，紅外圖像中人造目標(biāo)提取應(yīng)從以下幾個(gè)方面進(jìn)行研究：一是完善現(xiàn)有的算法；二是根據(jù)紅外圖像特點(diǎn)提出新的算法；三是綜合紅外圖像的多特征提取人造目標(biāo)，如基于Bezier直方圖的紅外圖像分割方法[9]可有效用于提取紅外人造目標(biāo).本文通過提取紅外目標(biāo)的紋理特征確定目標(biāo)和背景的大致區(qū)域，然后分別提取目標(biāo)圖像和背景圖像的灰度級(jí)特征(鄰域中心像素亮度、鄰域中值亮度和鄰域平均亮度)，再利用支持向量機(jī)(Support Vector Machine,SVM)進(jìn)行訓(xùn)練，并嘗試用不同的核函數(shù)及其參數(shù)建立適當(dāng)?shù)哪Ｐ蛥^(qū)分目標(biāo)和背景的像素點(diǎn)，進(jìn)而把紅外圖像像素分成目標(biāo)和背景2類，利用構(gòu)建的模型最終實(shí)現(xiàn)紅外圖像中人造目標(biāo)的有效提取.對(duì)紅外圖像中人造目標(biāo)提取的總體流程如圖1所示.

1 紅外圖像中值濾波法去噪

中值濾波是一種非線性濾波，能有效消除紅外圖像中的噪聲.在使用中值濾波時(shí)，可先用小尺寸的窗口，然后逐漸加大窗口的尺寸.或是當(dāng)某個(gè)像素的灰度值超過了窗口中像素灰度值排序中間的那個(gè)值，且達(dá)到一定的水平時(shí)，即判斷該點(diǎn)為噪聲，并用灰度值排序在中間的那個(gè)值來代替，否則保持原來的灰度值.一般紅外圖像在成像和傳輸?shù)倪^程中不可完全避免噪聲信號(hào)的影響，因此，在提取圖像特征前，有必要對(duì)紅外圖像進(jìn)行去噪處理，以使后續(xù)的圖像分析和理解避免噪聲的干擾.本文根據(jù)試樣圖像的實(shí)際情況，選取前述的第1種方法對(duì)紅外圖像進(jìn)行濾波.圖2表示利用3×3大小的窗口對(duì)一幅紅外船只圖像(尺寸為259×257像素)進(jìn)行去噪的結(jié)果.

(a)原始紅外圖像 (b)中值濾波后的圖像圖2 用中值濾波法去噪前后的圖像

2 紅外人造目標(biāo)的特征提取

在對(duì)紅外圖像的研究應(yīng)用中，往往只對(duì)圖像中的某些部分感興趣，這些部分就成為目標(biāo)或者前景，它往往是圖像中某些特定的、具有獨(dú)特性質(zhì)的區(qū)域.獨(dú)特性可以是灰度值、物體的輪廓曲線、紋理特征等等，在圖像中用來表示某一物體的區(qū)域，其特征都是相近或是相同的，但是不同的物體區(qū)域之間的特征會(huì)急劇變化，利用紅外圖像中人造目標(biāo)的灰度級(jí)特征,結(jié)合紋理特征不同于周圍的自然景物，就可以將紅外圖像中的人造目標(biāo)提取出來，有利于后續(xù)的圖像分析和理解.

2.1分形維數(shù)區(qū)分目標(biāo)和背景區(qū)域

依次計(jì)算覆蓋每一個(gè)格子所需要的最少盒子數(shù)，則得到尺度為r的盒子覆蓋圖像所需要最少的盒子數(shù)為

在計(jì)算時(shí),子圖像窗口和分形數(shù)維尺度是2個(gè)關(guān)鍵參數(shù).窗口子圖像尺寸太小會(huì)丟失一些重要的紋理信息；反之，則會(huì)導(dǎo)致邊緣像素和其他像素混合，從而影響紋理特征的選取.因此，為了選取適當(dāng)大小的窗口子圖，本文取3組子圖窗口，即令M=16,32,64，分別研究子圖窗口大小與紋理特征的關(guān)系，最終確定當(dāng)取M=32時(shí)效果最佳.此時(shí)，尺度r從3 取到15(步長為2)，以確保直線擬合的精度.

由于目標(biāo)存在的子圖像的分形維數(shù)相對(duì)于其他背景子圖像的分形維數(shù)存在著較大的差值，利用這個(gè)原理可以大致區(qū)分出圖像中目標(biāo)和背景區(qū)域.將圖2所示的紅外船只圖像分割成8×8大小的子塊并計(jì)算其分形維數(shù)，得具有同一分形特征圖像的不同區(qū)域一般具有相同的維數(shù)，如果某些圖像的分形維數(shù)低于相應(yīng)的拓?fù)渚S數(shù)，說明分形模型在此處并不合適，此處一般為多類物質(zhì)的分界處.因此，根據(jù)圖像的分形維數(shù)特征，可以大致區(qū)分出圖像中目標(biāo)和背景，在8×8的圖像塊中，目標(biāo)大致集中在18,22,24,33,35,43,44,45,52,53,54等小圖塊區(qū)域，對(duì)應(yīng)圖3中的各個(gè)方框所在區(qū)域.

.

圖3 分形維數(shù)確定目標(biāo)大致區(qū)域

2.2像素灰度特征的提取

根據(jù)前面分形維數(shù)大致確定的目標(biāo)和背景分布區(qū)域，分別取背景圖像和目標(biāo)圖像各10幅樣本圖，分別如圖4和圖5所示.

對(duì)上面的20幅樣圖進(jìn)行圖像的灰度特征提取，主要通過5×5的窗口提取出每個(gè)像素點(diǎn)的鄰域像素中心像素亮度、鄰域中值像素亮度和鄰域平均像素亮度，作為該窗口中心圖像的像素灰度特征集.設(shè)圖像f(i,j)表示點(diǎn)(i,j)的實(shí)際像素灰度值，以它為中心取一個(gè)5×5的窗口，窗口內(nèi)的像素組成點(diǎn)集，對(duì)其像素點(diǎn)灰度值排序，構(gòu)建圖像灰度特征子集H=[中心像素亮度(A)，中值像素亮度(B)，平均像素亮度(C)].此外，由于圖像灰度特征集H采集的各個(gè)數(shù)據(jù)單位不一致，因而需要對(duì)數(shù)據(jù)進(jìn)行[0,1]的歸一化處理.

圖4 背景樣圖

圖5 目標(biāo)樣圖

3 基于SVM的紅外人造目標(biāo)提取

SVM是源于統(tǒng)計(jì)學(xué)習(xí)理論的一種先進(jìn)的模式識(shí)別方法.理論上比傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)提供更好的推廣性能.SVM的核心思想是分割超平面使得它們中的空余最大化.圖6是SVM思想的原理圖.L是最佳的分割平面，L1和L2分別是穿過每個(gè)樣本空間最近的和平行的直線.稱L1和L2之間的距離為分類邊緣d.

圖6 SVM思想的圖示

通常，SVM是針對(duì)兩類識(shí)別問題的機(jī)器學(xué)習(xí)方法.在提取紅外圖像人造目標(biāo)時(shí)，實(shí)際上就是分類目標(biāo)和背景這兩類像素點(diǎn).因此，設(shè)訓(xùn)練樣本為

式(4)中:xi為N維實(shí)數(shù)向量;yi∈{-1,1};RN表示N維實(shí)數(shù)集.標(biāo)準(zhǔn)的SVM 形式通常表述為

式(5)中:ξi≥0;i=1,2,…,c,c通常稱為懲罰系數(shù);ω為權(quán)重向量.若φ(xi)=xi，則稱式(5)為線性可分情況下的線性核SVM.對(duì)于非線性可分問題，通常利用φ將xi映射到一個(gè)高維空間，從而變成非線性核SVM.求解約束條件下的目標(biāo)函數(shù)，需要求解下面的對(duì)偶問題：

式(8)和式(9)中:d為多項(xiàng)式系數(shù);γ為該核函數(shù)參數(shù)[12].提取出紅外圖像的灰度特征后，采用SVM進(jìn)行訓(xùn)練，SVM通過對(duì)已知訓(xùn)練樣本進(jìn)行訓(xùn)練，構(gòu)造判別函數(shù)，將各種模式最大限度地正確分類，即尋找最優(yōu)分類平面,使分類間隔最大化,從而實(shí)現(xiàn)紅外圖像中人造目標(biāo)的提取.

4 實(shí)驗(yàn)結(jié)果及分析

使用前面實(shí)驗(yàn)提取的紅外圖像的目標(biāo)和背景的灰度特征值數(shù)據(jù)，建立一個(gè)樣本數(shù)據(jù)庫，作為建立模型的屬性矩陣.測試的標(biāo)簽就是用來區(qū)分目標(biāo)和背景的，在建立模型時(shí)，測試的標(biāo)簽應(yīng)該是已知的，在這里，人為定義目標(biāo)像素的標(biāo)簽為1，背景像素的標(biāo)簽為0.那么,可以先選用少量的樣本數(shù)據(jù)進(jìn)行實(shí)驗(yàn)性測試.理論上，測試樣本數(shù)量的多少對(duì)建立的模型的分類效果具有十分重要的影響.樣本數(shù)量過少，會(huì)缺失一些重要的圖像灰度特征，致使建立的模型不能準(zhǔn)確地分類圖像目標(biāo)和背景；樣本數(shù)量過多，會(huì)增加運(yùn)行時(shí)間.因此，對(duì)于采集來的圖像灰度特征數(shù)據(jù)樣本，選取背景和目標(biāo)信息比較齊全的8組數(shù)據(jù)，作為訓(xùn)練的數(shù)據(jù)樣本，余下2組分別作為測試的目標(biāo)和背景樣本.SVM訓(xùn)練建立的模型往往都需要測試，因?yàn)榻⒛Ｐ偷哪康氖菫榱送ㄟ^屬性矩陣來預(yù)測其標(biāo)簽，這才是預(yù)測分類的真正目的.但在實(shí)驗(yàn)研究測試時(shí)，測試集合的標(biāo)簽一般都要已知的，因?yàn)樾枰澜⒌姆诸惼髂Ｐ偷姆诸愋Ч?效果的評(píng)價(jià)指標(biāo)之一就是分類預(yù)測的準(zhǔn)確率，只有準(zhǔn)確度達(dá)到了一定的程度，建立的分類模型才是有效的，才能有效地分類不同的屬性矩陣.因此，需要用測試集本來的真實(shí)標(biāo)簽進(jìn)行分類預(yù)測準(zhǔn)確率的計(jì)算，即測試的目標(biāo)和背景樣本.為了建立最適當(dāng)?shù)哪Ｐ?，本文按照上面的SVM訓(xùn)練和測試的方法嘗試建立基于不同核函數(shù)的分類模型，并探索相應(yīng)參數(shù)選取的最佳值.通過對(duì)實(shí)驗(yàn)結(jié)果的分析，選取建立分類效果最好的核函數(shù)及其參數(shù)，建立相應(yīng)的分類模型，用以提取紅外圖像中的人造目標(biāo).

試驗(yàn)中選取3種核函數(shù)(線性、多項(xiàng)式和RBF)建立分類模型，試驗(yàn)中懲罰因子均為1.2.運(yùn)行不同的核函數(shù)，測試不同的樣本，其中b9,b10分別是背景圖塊9,10的灰度特征集，m9,m10分別是目標(biāo)圖塊9,10的灰度特征集.輸入已知的標(biāo)簽，得到的實(shí)驗(yàn)結(jié)果如表1所示.通過比對(duì)實(shí)驗(yàn)結(jié)果，選取RBF核函數(shù)建立最適合的分類模型.

表1 不同核函數(shù)模型的訓(xùn)練結(jié)果 %

為了驗(yàn)證本文提出的紅外人造目標(biāo)提取方法的有效性，將本文方法與傳統(tǒng)的全局閾值法[13]進(jìn)行對(duì)比分析.利用圖7第1排所示的3幅紅外船只圖像進(jìn)行實(shí)驗(yàn)，其中第2排表示本文方法提取的效果圖，第3排表示使用傳統(tǒng)的全局閾值法提取的效果圖.由圖7可見，本文提取的方法能較準(zhǔn)確地將紅外人造目標(biāo)從背景中提取出來，而傳統(tǒng)的全局閾值法雖然也能將目標(biāo)從背景中分離出來，但提取后的圖像里包含了較多的背景信息，還需要采用其他方法將目標(biāo)與背景進(jìn)一步分離.當(dāng)然，在目標(biāo)所在區(qū)域的邊界方面，全局閾值法效果比本文方法要好，這主要因?yàn)楸疚牟捎梅謮K的提取策略會(huì)在邊界區(qū)域產(chǎn)生一定的方塊效應(yīng).但是從提取人造目標(biāo)的角度來看，本文提出的方法綜合性能優(yōu)于傳統(tǒng)的全局閾值法.

5 結(jié) 語

本文提出的基于紅外圖像中自然景物與人造目標(biāo)的灰度值特征、訓(xùn)練SVM、建立適當(dāng)模型自動(dòng)提取出紅外圖像中人造目標(biāo)的方法，與傳統(tǒng)的基于閾值分割等提取方法相比，可以很好地避免灰度值接近目標(biāo)灰度值的自然景物被誤當(dāng)作人造目標(biāo)提取出來，從而使得紅外圖像人造目標(biāo)的提取更加準(zhǔn)確.同時(shí)，由于本文方法是根據(jù)圖像鄰域的灰度值特征、自然景物背景與人造目標(biāo)圖像在灰度值上具有不同的連續(xù)性等來區(qū)分人造目標(biāo)和自然背景的，所以對(duì)于提取人造目標(biāo)的形狀細(xì)節(jié)不夠精確.因此，本文方法的后續(xù)研究應(yīng)改進(jìn)對(duì)于人造目標(biāo)形狀邊緣細(xì)節(jié)信息的提取方法.

第1排表示原始測試紅外圖像;第2排表示本文方法提取的效果圖；第3排表示傳統(tǒng)的全局閾值提取的效果圖圖7 本文方法和傳統(tǒng)的全局閾值法的紅外人造目標(biāo)提取效果圖

[1]郭海濤，周軍.艦船紅外圖像處理技術(shù)及應(yīng)用[J].海洋技術(shù)，2009，28(3):91-92.

[2]Hinz S,Baumgartner A.Automatic extraction of urban road networks from multi-view aerial imagery[J].ISPRS Jon of Photogram & Remote Sensing,2003,58(3):83-98.

[3]Cheng Hui,Bouma C A.Multiscale bayesian segmentation using a trainable context model[J].IEEE Trans on Image Processing,2001,10(4):511-525.

[4]Andrey R,Tarox P.Segmentation of mark model texture image in selection relaxation[J].IEEE Trans on Patten Analysis and Machine Intelligence,1998,20(3):252-262.

[5]Cao Guo,Yang Xin,Mao Zhihong.A two-stage level set evolution scheme for man-made objects detection in serial images[C]//IEEE Computer Society Conference on Computer Vision and Pattern Recognition.California:IEEE,2005:474-476.

[6]Kanongo T,Mount D M,Nethan S,et al.A local search approximation algorithm forK-means clustering[J].Computational Geometry,2004,28(2/3):89-112.

[7]Denpster A D,Laird N M,Rsin D B.Maximum likelihood from incomplete data via the EM algorithm[J].Journal of the Royal Statistical Society,1977,39(1):1-38.

[8]Mandelbrot B B.The fractal geometry of nature[M].New York:W H Freeman and Company,1982:102-113.

[9]金梅，張長江.一種有效的紅外圖像中人造目標(biāo)分割方法[J].光電工程，2005，32(4):82-85.

[10]趙健，雷蕾，蒲小勤.分形理論及其在信號(hào)處理中的應(yīng)用[M].北京：清華大學(xué)出版社，2008:169-190.

[11]Chaudhuri B B,Sarkar N.Texture segmentation using fractal dimension[J].IEEE Trans on Pattern Analysis and Machine Intelligence,1995,17(1):72-77.

[12]杜峰，施文康，鄧勇，等.紅外序列圖像的支持向量機(jī)分割方法[J].光電工程，2005,32(3):62-65.

[13]章毓晉.圖像處理和分析教程[M].北京：人民郵電出版社，2009:346-348.

(責(zé)任編輯 陶立方)

Extractionofinfraredman-madetargetbasedonmulti-featuresbycombiningSVMwithfractaldimension

ZHANG Changjiang, CHEN Yuan, ZHAO Cuifang, YANG Lili

(CollegeofMathematics,PhysicsandInformationEngineering,ZhejiangNormalUniversity,JinhuaZhejiang321004,China)

It was studied the extraction of man-made target in infrared image, it was first determined by computing the image fractal dimension of the approximate area of the infrared target, and the background were extracted from the grayscale characteristics of the target image and the background image (the pixel brightness of the center of the neighborhood, neighborhood values brightness and neighborhood average luminance). The support vector machine (SVM) for training, a different kernel functions and function parameters were used to establish the most appropriate model to distinguish between target and background pixels, and then divided into two of the target and background pixelsclass. The built model was the most final extraction of man-made target in infrared image. Experiment results showed that the classification model established by this method could effectively extract the man-made target in infrared image.

SVM; fractal dimension; infrared image; man-made target

TP391

A

1001-5051(2013)02-0133-07

2013-03-12

浙江省科技廳公益性應(yīng)用研究計(jì)劃項(xiàng)目(2012C23027;2012C31005);計(jì)算機(jī)軟件與理論浙江省重中之重學(xué)科開放基金資助項(xiàng)目(ZC323011014)

張長江(1974-)，男，黑龍江齊齊哈爾人，教授.研究方向：圖像處理;模式識(shí)別;機(jī)器學(xué)習(xí);多尺度幾何分析及應(yīng)用.