基于鄰域?qū)Ρ鹊募t外林火小目標(biāo)檢測(cè)

張紅民，談世磊

(重慶理工大學(xué)電子信息與自動(dòng)化學(xué)院，重慶 400054)

近年來，基于紅外圖像的目標(biāo)檢測(cè)技術(shù)在森林防火領(lǐng)域得到了廣泛應(yīng)用［1］。由于森林火災(zāi)具有時(shí)空突發(fā)性的短時(shí)間內(nèi)能造成巨大損失的特點(diǎn)［2］，因此如何實(shí)現(xiàn)紅外林火小目標(biāo)的早期檢測(cè)和準(zhǔn)確定位、及時(shí)預(yù)警一直是森林防火研究的熱點(diǎn)和難點(diǎn)之一［3］。

現(xiàn)階段，紅外林火小目標(biāo)檢測(cè)算法主要包括數(shù)學(xué)形態(tài)學(xué)方法和數(shù)學(xué)變換方法兩類［4－7］。數(shù)學(xué)形態(tài)學(xué)方法中主要有Top-Hat變換［8］、形態(tài)濾波等。Top-Hat［9－10］在抑制背景的同時(shí)可更好地保留目標(biāo)，使其大小更接近結(jié)構(gòu)元素;形態(tài)濾波［11］則是將小于結(jié)構(gòu)元素的噪聲進(jìn)行濾除，其檢測(cè)結(jié)果的準(zhǔn)確性主要依賴于結(jié)構(gòu)元素尺度。數(shù)學(xué)變換方法［12］主要是將一幅圖像從圖像空間轉(zhuǎn)換到其他空間，再利用空間特性達(dá)到對(duì)目標(biāo)的檢測(cè)目的。這類算法對(duì)已知條件要求較多且計(jì)算量非常大。胡暾等［13］提出一種基于顯著性及主成分分析的紅外小目標(biāo)檢測(cè)方法。該方法雖然檢測(cè)效果較好，但算法實(shí)現(xiàn)較為復(fù)雜，且有時(shí)易出現(xiàn)漏檢的情況。周越等［14］提出一種基于粒子群優(yōu)化的紅外目標(biāo)提取算法。該方法雖然易于實(shí)現(xiàn)，但經(jīng)常出現(xiàn)將背景誤當(dāng)作目標(biāo)而產(chǎn)生錯(cuò)檢的情況。

本文在研究紅外林火小目標(biāo)圖像性質(zhì)的基礎(chǔ)上，提出了一種鄰域?qū)Ρ饶繕?biāo)提取算法，有效地解決了小目標(biāo)檢測(cè)過程中容易出現(xiàn)的錯(cuò)檢和漏檢問題，并較好地提高了圖像的信噪比。

1 鄰域?qū)Ρ人惴?/h2>

算法首先利用小目標(biāo)與背景之間的差異，通過鄰域?qū)Ρ葘?duì)小目標(biāo)進(jìn)行增強(qiáng)，再通過多尺度鄰域模板匹配確定小目標(biāo)的大小，得到對(duì)比圖，最后自適應(yīng)確定對(duì)比圖閾值，實(shí)現(xiàn)對(duì)小目標(biāo)圖像的分割。算法流程如圖1所示。

圖1 算法流程

首先，將一小塊林火圖像簡(jiǎn)單地分為目標(biāo)和局部背景兩種區(qū)域，采用圖2所示的8－鄰域模板在林火全局圖像中遍歷性地滑動(dòng)，實(shí)現(xiàn)對(duì)小目標(biāo)的檢測(cè)(當(dāng)鄰域超出圖像范圍時(shí)，將超出部分像素的灰度值置為0)。

圖2 窗口模板

將圖2模板運(yùn)用到實(shí)際林火小目標(biāo)圖像中，采用最大尺度，將目標(biāo)和局部背景劃分為9個(gè)區(qū)域，“0”標(biāo)記為目標(biāo)塊，“1～8”表示鄰域塊，其劃分結(jié)果見圖3。

圖3 模板區(qū)域劃分

圖3中的第i號(hào)(i=1，2，…，8)鄰域的灰度均值用mi表示，計(jì)算方法為

其次，利用目標(biāo)與局部背景之間的差異，確定中心像素與鄰域塊之間的比值，如式(2)所示。

這里kn表示區(qū)域“0”中灰度的最大值。

由于在林火探測(cè)過程中圖像背景十分復(fù)雜，紅外小目標(biāo)信號(hào)所含信息量較少，信噪比較低，一般缺乏形狀和結(jié)構(gòu)內(nèi)容，且其在圖像中位于高頻部分，具有呈亮斑狀等特點(diǎn)［15］，所以應(yīng)先增強(qiáng)小目標(biāo)和抑制背景。算法見式(3)。

實(shí)際上，在火災(zāi)發(fā)生時(shí)，紅外林火小目標(biāo)的圖像是時(shí)刻變化的。理想情況下，所選目標(biāo)窗口的大小應(yīng)和實(shí)際目標(biāo)相同。為解決鄰域窗口尺度的選擇問題，本文采用多尺度鄰域?qū)Ρ人惴?，定義如下:

dmax被定義為最大的尺度;M和N為對(duì)比圖的行數(shù)和列數(shù)，其中 m=1∶M，n=1∶N，

用Sm，n替換圖像中的相應(yīng)位置，得到最終對(duì)比圖。

此外，需要考慮模板大小的取值，如果模板取值過小，則小目標(biāo)有可能被背景淹沒;若取值過大，則算法的計(jì)算量大，用時(shí)較長(zhǎng)。根據(jù)國(guó)際光學(xué)工程學(xué)會(huì)的規(guī)定，小目標(biāo)圖像的最大尺寸不超過80 個(gè)像素［16］，此處 dmax最大尺寸取9 ×9。

根據(jù)式(4)所得的對(duì)比圖，運(yùn)用Niblack算法確定閾值:

式(5)中:α，β分別代表最終對(duì)比圖的均值和標(biāo)準(zhǔn)差;λ是一個(gè)取值為3～5的常數(shù)(經(jīng)驗(yàn)值)。利用閾值T來實(shí)現(xiàn)對(duì)小目標(biāo)的圖像分割。對(duì)比圖中，灰度值大于等于T的定義為目標(biāo)，小于T則為背景［17］。

2 實(shí)驗(yàn)結(jié)果及分析

為了驗(yàn)證本文算法的實(shí)際應(yīng)用效果，對(duì)西南林區(qū)紅外熱像儀現(xiàn)場(chǎng)采集的林火小目標(biāo)圖像進(jìn)行實(shí)驗(yàn)和算法分析。實(shí)驗(yàn)硬件平臺(tái)是基于 Inter core2的PC機(jī)，軟件平臺(tái)是Matlab 7.0。

實(shí)際的原始紅外林火圖像及其三維灰度圖如圖4所示。

采用本文算法得到的目標(biāo)增強(qiáng)后圖像及其三維灰度圖見圖5。

圖4 實(shí)際紅外林火圖像及其三維灰度圖

圖5 處理后的林火圖像及其三維灰度示意圖

從圖5箭頭/方框標(biāo)識(shí)處可以看出，本文算法達(dá)到了對(duì)小目標(biāo)圖像增強(qiáng)的效果，同時(shí)背景得到了抑制。

為了從客觀數(shù)據(jù)指標(biāo)方面說明本文算法的效果，從采集到的圖像數(shù)據(jù)庫(kù)中隨機(jī)抽取12幅紅外小目標(biāo)圖像進(jìn)行實(shí)驗(yàn)，采用本文提出的鄰域?qū)Ρ人惴?，結(jié)果見式(6)。圖像信噪比增益值如表1所示。

表1 12幅實(shí)驗(yàn)圖像的信噪比增益對(duì)比數(shù)值

其中:SNRP和SNRS分別為原始圖像和處理后圖像的信噪比。

由表1的最后一行數(shù)據(jù)GSNR可以看出:測(cè)試的12幅圖的紅外小目標(biāo)圖像的信噪比均得到了較大的提高。

為更進(jìn)一步測(cè)試本文算法對(duì)紅外林火小目標(biāo)檢測(cè)的正確率和錯(cuò)警率指標(biāo)(正確率即所有目標(biāo)像素中能正確檢測(cè)出目標(biāo)的概率;錯(cuò)警率即將背景錯(cuò)定為目標(biāo)的概率)，從采集到的林火圖像中隨機(jī)選取50幅紅外小目標(biāo)圖像進(jìn)行實(shí)驗(yàn)。將本文算法與Top-Hat、文獻(xiàn)［13－14］的算法進(jìn)行比較，得到的正確率和錯(cuò)警率的平均值如表2所示。

表2 算法正確率和錯(cuò)警率比較

由表2可知:本文算法將檢測(cè)正確率由原來的65%左右提升到了88%，錯(cuò)警率從原來的30%左右降到了15%。

3 結(jié)束語

本文提出了一種有效檢測(cè)紅外林火的算法，其主要思想是通過鄰域?qū)Ρ葘?duì)小目標(biāo)進(jìn)行增強(qiáng)，再利用多尺度鄰域?qū)Ρ鹊玫綄?duì)比圖，最后運(yùn)用自適應(yīng)閾值法得到小目標(biāo)圖像。仿真結(jié)果表明:本文算法較大地提高了圖像的信噪比，優(yōu)于Top-hat、文獻(xiàn)［13－14］中的算法。另外，本文算法不僅實(shí)現(xiàn)簡(jiǎn)單，而且效果較好。

值得說明的一點(diǎn)是，針對(duì)小目標(biāo)大小，目前多是根據(jù)目測(cè)或手動(dòng)對(duì)小目標(biāo)圖像進(jìn)行估計(jì)，具有很大的主觀誤差。本文算法能自動(dòng)準(zhǔn)確地確定小目標(biāo)的尺寸，魯棒性較強(qiáng)。但是，本文算法仍存在時(shí)間復(fù)雜度較大的不足，下一步工作中將使用不同的鄰域?qū)Ρ确椒ê统叨饶０迤ヅ浞绞降葘?duì)算法進(jìn)行改進(jìn)。

［1］劉洋.復(fù)雜背景條件下紅外圖像中弱小目標(biāo)的檢測(cè)［D］.吉林:吉林大學(xué)，2007.

［2］蘇建民，王婷婷.紅外林火圖像采集系統(tǒng)設(shè)計(jì)［J］.科學(xué)技術(shù)與工程，2010，10(7):1648－1650.

［3］趙亞鳳，凌濱，劉立臣.基于紅外探測(cè)的地面林火目標(biāo)自動(dòng)檢測(cè)與追蹤系統(tǒng)設(shè)計(jì)［J］.東北林業(yè)大學(xué)學(xué)報(bào)，2011，39(4):130－132.

［4］余莉.基于數(shù)學(xué)形態(tài)學(xué)的目標(biāo)檢測(cè)［D］.湖南:國(guó)防科技大學(xué)，2005.

［5］羅振山，沈持正，尹延國(guó)，等.基于數(shù)學(xué)形態(tài)學(xué)和小波閾值的紅外溫度圖像去噪方法［J］.潤(rùn)滑與密封，2012，37(6):20－23.

［6］朱瑞奇，齊乃新，張勝修，等.一種基于粒子濾波的改進(jìn)紅外目標(biāo)跟蹤算法［J］.四川兵工學(xué)報(bào)，2014(3):133－136.

［7］李佳來.紅外弱小目標(biāo)TSA檢測(cè)技術(shù)［J］.四川兵工學(xué)報(bào)，2014(5):89－92.

［8］Xiangzhi Bai，F(xiàn)ugen Zhou.A unified form of multi-scale top-hat transform based algorithms for image processing［J］.Opt Eng，2013，24(13):1614－1619.

［9］Bai Xiangzhi，Zhou Fugen，Xie Yongchun，et al.Modified top-hat transformation based on contour structuring element to detect infrared small target［C］//IEEE Conference on Industrial Electronics and Applications.Singapore:［s.n.］，2008:575－579.

［10］金秋春，鄭小東，童小利.多方向Top-Hat變換在葉脈特征提取中的應(yīng)用研究［J］.計(jì)算機(jī)工程與應(yīng)用，2011，47(4):195－197.

［11］Rong Dang，Jingzhou Zhang.Infrared Target Detection Based on Image Entropy［C］//AIMSEC 2011 Proceedings.2011:1196－1199.

［12］Mahmoud S A.Motion analysis of multiple moving object using hartley transform［J］.IEEE Trans on Systems，Man and Cybernetics，1991，21:280－287.

［13］胡暾，趙佳佳.基于顯著性及主成分分析的紅外小目標(biāo)檢測(cè)［J］.紅外與毫米波學(xué)報(bào)，2010，29(4):303－306.

［14］周越，毛曉楠.采用粒子群優(yōu)化粒子的紅外目標(biāo)提取算法［J］.紅外與毫米波學(xué)報(bào)，2010，29(1):63－68.

［15］李俊山，楊威，張雄美.紅外圖像處理、分析與融合［M］.北京:科學(xué)出版社，2009.

［16］Zhang W，Cong M Y，Wang L P.Algorithm for optical weak small targets detection and tracking:Review［C］//IEEE International Conference on Neural Networks＆Signal Processing.USA:［s.n.］，2003:643－647.

［17］胡德超，朱尤攀，羅琳，等.基于紅外目標(biāo)提取的夜視圖像融合實(shí)時(shí)系統(tǒng)研究［J］.紅外技術(shù)，2014，36(2):125－130..

［18］羅振山，沈持正，尹延國(guó)，等.基于數(shù)學(xué)形態(tài)學(xué)和小波閾值的紅外溫度圖像去噪方法［J］.潤(rùn)滑與密封，2012，37(6):20－23..

［19］朱瑞奇，齊乃新，張勝修，等.一種基于粒子濾波的改進(jìn)紅外目標(biāo)跟蹤算法［J］.四川兵工學(xué)報(bào)，2014(3):133－136..

［20］李佳來.紅外弱小目標(biāo)TSA檢測(cè)技術(shù)［J］.四川兵工學(xué)報(bào)，2014(5):89－92.