海天背景下艦船可見光圖像目標(biāo)區(qū)域定位方法?

季 超，楊曉東，陳長青

（海軍潛艇學(xué)院，山東 青島 266199）

海天背景下艦船可見光圖像目標(biāo)區(qū)域定位方法?

季 超，楊曉東，陳長青

（海軍潛艇學(xué)院，山東 青島 266199）

針對行均值法用于海天背景下艦船目標(biāo)區(qū)域定位可靠性不高、容易受到艦船目標(biāo)大小和海天背景復(fù)雜程度影響的不足，提出一種基于圖像行灰度熵的艦船目標(biāo)區(qū)域定位方法。該方法在分析海天背景下艦船目標(biāo)可見光圖像成像特點(diǎn)基礎(chǔ)上，結(jié)合信息熵理論給出了圖像灰度熵及行灰度熵的概念，利用圖像行灰度熵描述圖像在行方向上的灰度變化程度，選用滑動區(qū)間方差搜索策略得到圖像行灰度熵曲線的突變區(qū)間，從而實(shí)現(xiàn)艦船目標(biāo)區(qū)域定位，最后通過實(shí)際圖像進(jìn)行了實(shí)驗(yàn)驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，該方法能對艦船目標(biāo)所在區(qū)域有效定位，其準(zhǔn)確性及魯棒性均優(yōu)于行均值法。

艦船定位，行灰度熵，海天背景，可見光圖像

0 引言

海上艦船目標(biāo)識別是通過對獲取的海天背景下艦船目標(biāo)圖像進(jìn)行圖像分割及特征提取進(jìn)而采用某種分類方法完成目標(biāo)類型識別。在遠(yuǎn)距離情況下，艦船目標(biāo)在圖像中所占比例較小，為了抑制艦船目標(biāo)區(qū)域外噪聲及干擾物的影響，同時(shí)為了減小后續(xù)圖像分割的計(jì)算量，識別前首要工作便是對艦船目標(biāo)區(qū)域準(zhǔn)確定位。

針對艦船目標(biāo)大多出現(xiàn)在海天線附近的實(shí)際，當(dāng)前基于海天線檢測的紅外艦船目標(biāo)定位方法被廣泛深入研究，見文獻(xiàn)［1-7］，而可見光圖像研究較少。本文提出一種基于圖像行灰度熵的艦船目標(biāo)區(qū)域定位方法。艦船目標(biāo)的出現(xiàn)使得海天背景下可見光圖像艦船目標(biāo)區(qū)域所在行方向上的灰度發(fā)生劇烈變動，從而改變了圖像在此區(qū)域的行灰度熵，本文便是通過計(jì)算圖像行灰度熵并采取搜索行灰度熵的突變區(qū)間實(shí)現(xiàn)艦船目標(biāo)區(qū)域有效定位。

1 海天背景下艦船目標(biāo)可見光圖像成像特點(diǎn)

海天背景下艦船目標(biāo)可見光圖像從上往下依次是天空、海天線區(qū)域、海面3部分，另有位于海天線區(qū)域附近的艦船目標(biāo)。圖1給出了海天背景下艦船目標(biāo)可見光圖像的灰度圖，圖2為其對應(yīng)的圖像灰度三維曲面。通過分析圖1和圖2可知海天背景下艦船目標(biāo)可見光圖像成像具有如下特點(diǎn)：

圖1 艦船灰度圖像

圖2 圖像灰度三維曲面

（1）圖像背景由天空背景和海面背景組成；

（2）天空背景除少量云層影響，一般情況下起伏較平緩；海面背景由于海浪運(yùn)動、波浪反光等影響而表現(xiàn)出強(qiáng)烈不均勻性，海面雜波的存在使得海面背景起伏較為劇烈；

（3）天空反射較強(qiáng)、亮度較大，故天空背景部分灰度值一般高于海面背景灰度值；

（4）天空和海面間亮度存在明顯跳躍，海天線附近灰度值介于天空背景和海面背景灰度值之間，且存在海天交接過渡帶；

（5）艦船目標(biāo)存在于海天背景中，一般位于海天線附近，且艦船目標(biāo)的存在所使得此區(qū)域圖像灰度發(fā)生劇烈變化。

文獻(xiàn)［4］依據(jù)海天背景下圖像灰度強(qiáng)度在海天線附近存在突變特征，采用搜索背景行均值曲線劇降區(qū)間定位海天線，進(jìn)而確定艦船目標(biāo)潛在區(qū)域。具體實(shí)現(xiàn)過程如下：

首先利用形態(tài)學(xué)開運(yùn)算得到背景圖像fb，其行數(shù)和列數(shù)分別為M，N，則其行均值數(shù)列R的定義為［4］：

其中，fb（i，j）表示背景灰度值，圖3給出了圖1對應(yīng)的行均值灰度曲線。由圖3可以看出：圖像行均值曲線包含以下三部分：ab段處于高灰度級，灰度均勻下降且變化平緩，表示此區(qū)域?yàn)樘炜毡尘安糠郑籦c段灰度呈現(xiàn)急劇下降，灰度存在突變區(qū)間，表示為海天線區(qū)域；cd段處于低灰度級，灰度起伏較大，表示為海面背景。文獻(xiàn)［4］便是通過搜索突變區(qū)間bc段來確定海天線進(jìn)而得到艦船目標(biāo)潛在區(qū)域，但該方法存在以下不足：當(dāng)所獲取的圖像中不含有艦船目標(biāo)時(shí)，也會得到與圖3相似的曲線。圖4給出了不包含艦船目標(biāo)的純海天背景下圖像，圖5為其對應(yīng)的行均值曲線圖。圖5曲線與圖3所示曲線形狀大致一樣，故該方法只能得出海天線大致區(qū)域，并不能判斷是否含有艦船目標(biāo)。為此本文提出基于圖像行灰度熵的艦船目標(biāo)區(qū)域定位方法。

圖3 行均值灰度曲線

圖4 海天背景圖像

圖5 海天背景行均值灰度曲線

2 基于圖像行灰度熵的艦船目標(biāo)區(qū)域定位算法

2.1 熵的基本概念

在熱力學(xué)中，熵表述為熱量與絕對溫度變化的比。Shannon將熵引入信息論，在信息論中，熵是系統(tǒng)狀態(tài)不確定性的度量，表示概率分布的不確定性，熵越大，信息不確定性越大，對應(yīng)信息量越少；反之，則對應(yīng)信息量越多［8］。

信息系統(tǒng)信息通過信道從信源傳遞至信宿。假定信息是信源從一個無窮可數(shù)或有限符號集中產(chǎn)生的一個隨機(jī)序列，此符號集合被稱為信源的符號集A，其中的每一個元素aj稱為信源符號。信源產(chǎn)生符號aj的概率記作P（aj），顯然存在

根據(jù)Shannon對信息熵的定義，單個信源符號的自信息為。若信源產(chǎn)生了由k個符號組成的一條信息，其中符號aj按概率將出現(xiàn)kP（aj）次。若將信源產(chǎn)生的平均信息（亦稱自信息）記為H（u），則有下式成立

H（u）表示信源輸出符號的不確定性，稱為信源的熵。如果信源產(chǎn)生各個符號的概率相等，則信源的熵取最大值。

2.2 圖像灰度熵及行灰度熵

設(shè)f（x，y）為大小M×N的二維數(shù)字圖像，灰度級范圍i∈[0，255]，假設(shè)圖像中灰度值為i的像素個數(shù)為ki，則圖像中灰度值為i的像素出現(xiàn)的概率P（i）為

則該圖像的灰度熵通常定義為［8-9］

式（5）定義的熵表征了圖像一維直方圖的灰度級分布信息，當(dāng)灰度級分布均勻、等可能出現(xiàn)時(shí)熵最大。由于概率P（i）表征的是灰度級的出現(xiàn)概率與圖像中像素點(diǎn)的分布及局部特性無關(guān)，故無法準(zhǔn)確反映圖像的穩(wěn)定或清晰程度。

艦船目標(biāo)出現(xiàn)使得獲取圖像灰度在行方向上發(fā)生變化，為描述這種變化，本文引入圖像行灰度熵概念。對于一幅大小M×N的圖像f（x，y）來說，在第j行上灰度級為灰度級范圍i∈[0，L-1]，則像素大小為i的出現(xiàn)概率仍采用式（4）計(jì)算，對每一行像素均用式（6）計(jì)算其行像素的灰度熵。行灰度熵E（fj（x，y））表征圖像f（x，y）在第j行上灰度等級分布信息，當(dāng)灰度級分布均勻、等可能出現(xiàn)時(shí)熵最大。

2.3 算法流程

將獲取圖像經(jīng)過圖像預(yù)處理，主要包括濾波及圖像增強(qiáng)等算法，濾除圖像包含的噪聲及增強(qiáng)低能見度下的目標(biāo)對比度，依據(jù)式（6）計(jì)算圖像行灰度熵，通過滑動區(qū)間方差搜索策略得到行灰度熵的突變區(qū)間，確定艦船目標(biāo)所在區(qū)域。該算法具體流程：

（1）圖像灰度化及預(yù)處理。將獲取的艦船目標(biāo)圖像灰度化，采用3×3中值濾波濾除噪聲，并選用雙向直方圖均衡法進(jìn)行圖像增強(qiáng)。

（2）計(jì)算圖像每行的各像素值出現(xiàn)概率P（i），依據(jù)圖像行灰度熵式（6）計(jì)算得到圖像行灰度熵。

圖6 基于圖像行灰度熵的艦船目標(biāo)檢測算法流程

（3）通過滑動區(qū)間方差搜索圖像行灰度熵曲線的突變區(qū)間，定位艦船目標(biāo)所在區(qū)域。變量的方差描述了集合內(nèi)點(diǎn)相對其均值的離散程度，為此本文選用圖像灰度熵的滑動區(qū)間方差來尋求突變區(qū)間。具體實(shí)施如下：假設(shè)圖像f（i，j）為大小M×N的二維數(shù)字圖像，則其行灰度熵為點(diǎn)集 E＝（1，M），該集合含有M個點(diǎn)。依次計(jì)算滑動區(qū)間灰度熵方差，通過設(shè)定一定閾值δ得出方差突變區(qū)間（T1，T2），從而確定艦船目標(biāo)區(qū)域。艦船桅桿以上所占像素較少，因而此部分對應(yīng)區(qū)域的圖像行灰度熵變化較小，且艦船桅桿與艦船下半主體高度相當(dāng)，故本文在檢測出突變區(qū)間（T1，T2）后，將突變區(qū)間上界右移突變區(qū)間大小T2-T1，則最終得到艦船目標(biāo)所在區(qū)域?yàn)椋?T1-T2，T2）。

3 實(shí)驗(yàn)過程及結(jié)果分析

本文選取實(shí)際拍攝的5張艦船可見光圖像驗(yàn)證算法的有效性。其中艦船圖像1為高能見度下拍攝圖像；艦船圖像2及圖像3為天空含有較多云層下拍攝圖像；艦船圖像4為低對比度下拍攝圖像；艦船圖像5為霧天所拍攝的超低對比度圖像。各圖像艦船目標(biāo)區(qū)域所處真實(shí)區(qū)間行坐標(biāo)見下頁表1所示。

表1 計(jì)算結(jié)果

首先采用3×3中值濾波濾除噪聲，并選用雙向直方圖均衡法進(jìn)行圖像增強(qiáng)。在圖像經(jīng)過預(yù)處理的基礎(chǔ)上，分別采用文獻(xiàn)［4］中行均值法及本文算法確定艦船目標(biāo)區(qū)域，依據(jù)式（6）計(jì)算得到圖像行灰度熵，并結(jié)合2.3節(jié)中的滑動區(qū)間方差搜索突變區(qū)間最終確定艦船目標(biāo)區(qū)域，其中滑動區(qū)間大小取T=10。圖7～圖11分別給出了各艦船圖像的原圖、灰度圖及其直方圖、雙向均衡化及其直方圖、行均值灰度曲線、行灰度熵曲線及行灰度熵方差曲線。

以艦船圖像1為例說明具體計(jì)算過程，采用行均值法定位艦船目標(biāo)區(qū)域，則由圖7中1d行均值灰度曲線可得出艦船目標(biāo)所在區(qū)域?yàn)椋?18 244］；由圖7中1e行灰度熵曲線可看出，圖像行灰度熵?cái)?shù)值從195行至233行急劇上升，從244行圖像行灰度熵急劇變小，故可得圖像行灰度熵的突變空間為［195 244］行。由圖7中1f滑動區(qū)間方差曲線，經(jīng)閾值δ=0.05搜索后，計(jì)算得出突變區(qū)間為［200 245］行，故最終艦船目標(biāo)所在區(qū)域?yàn)椋?55 245］行，其所在真實(shí)區(qū)間為［160 242］，與行均值法相比，本文計(jì)算結(jié)果對艦船目標(biāo)定位更為準(zhǔn)確。艦船圖像2～艦船圖像5計(jì)算過程相同，這里不再贅述，其計(jì)算結(jié)果見表1。

圖7 艦船圖像1

圖8 艦船圖像2

由表1數(shù)據(jù)可看出：本文計(jì)算結(jié)果能夠包含艦船整體所在行區(qū)間，而行均值法計(jì)算所得艦船目標(biāo)所在行區(qū)間不包含艦船目標(biāo)上層建筑以上部分所在區(qū)間，故本文所提算法準(zhǔn)確性更優(yōu)；同時(shí)，對于天空含有較多云層圖像、低對比度圖像特別是超低對比度圖像，行均值法區(qū)間上限比較難確定，區(qū)間定位誤差變大，而本文所提算法均可有效定位，故本文算法魯棒性優(yōu)于行均值法。

圖9 艦船圖像3

圖10 艦船圖像4

圖11 艦船圖像5

4 結(jié)論

為了確定海天背景下艦船可見光圖像目標(biāo)所在區(qū)域，本文提出了一種基于圖像行灰度熵的艦船目標(biāo)區(qū)域定位方法，該方法利用圖像行灰度熵描述圖像在行方向上的灰度變化程度，通過滑動區(qū)間方差搜索法定位艦船目標(biāo)。算法實(shí)現(xiàn)過程簡單、計(jì)算量小，能夠擺脫海面雜波的影響，且不需要檢測海天線。實(shí)驗(yàn)結(jié)果表明本文所提算法的準(zhǔn)確性及魯棒性均優(yōu)于行均值法。

［1］董星宇，劉偉.基于灰度特性的海天背景小目標(biāo)檢測［J］.中國光學(xué)與應(yīng)用光學(xué)，2010，3（3）：252-256.

［2］黃英東，范寧軍，李杰.一種基于海天線檢測的艦船定位方法［J］.彈箭與制導(dǎo)學(xué)報(bào)，2008，28（5）：286-288.

［3］張永亮，汪洋，盧煥章.基于圖像灰度熵的團(tuán)塊目標(biāo)檢測方法［J］.系統(tǒng)工程與電子技術(shù)，2008，30（2）：201-204.

［4］楊家紅，李翠紅，危德益，等.基于復(fù)雜?？毡尘靶芯登€的海天線定位算法［J］. 激光與紅外，2012，42（12）：1346-1350.

［5］楊明月，楊衛(wèi)平.復(fù)雜海天背景下紅外艦船目標(biāo)的自動檢測方法［J］.紅外與激光工程，2008，37（4）：638-641.

［6］繆德超.復(fù)雜海空背景下紅外艦船小目標(biāo)檢測技術(shù)研究［D］.哈爾濱：哈爾濱工程大學(xué)，2007.

［7］曾文靜，萬磊，張鐵棟，等.復(fù)雜?？毡尘跋氯跣∧繕?biāo)的快速自動檢測［J］.光學(xué)精密工程，2012，20（2）403-412.

［8］吳澤鵬，郭玲玲，朱明超.結(jié)合圖像信息熵和特征點(diǎn)的圖像配準(zhǔn)方法 ［J］. 紅外與激光工程，2013，42（10）：2846-2852.

［9］吳一全，紀(jì)守新，吳詩婳.基于二維直分與斜分灰度熵的圖像閾值選取 ［J］. 天津大學(xué)學(xué)報(bào)，2011，44（12）：1043-1048.

［10］BARDERA A，BOADA I，F(xiàn)EIXAS M，et al.Image segmentation using excess entropy［J］.Journal of Signal Processing Systems，2009，54（1/2/3）：205-214.

［11］GUO S，PRIDMORE T，KONG Y，et al.An improved hough transform voting scheme utilizing surround suppression ［J］.Pattern Recognition Letters，2009，30：1241-1252.

［12］LIBE T，GERSHIKOV E，KOSOLAPOV S.Comparision of methods for horizon line detection in sea images［C］//The Fourth InternationalConference on Creative Content Technologies，2012：79-85.

Target Region Locating Algorithm for Ship Visual Image under Sea-sky Background

JI Chao，YANG Xiao-dong，CHEN Chang-qing
（Navy Submarine Academy，Qingdao 266199，China）

As for the row mean method has the disadvantages of low reliability for ship target location under sea-sky background，and easily influenced by the size of the ship target and complexity of sea-sky background，a new algorithm is proposed based on the line gray entropy for ship target region location.Based on the analysis of ship visual imaging characteristics under sea-sky background，the algorithm gives the concepts of image gray entropy and line gray entropy combined with information entropy theory.Using the line gray entropy to describe the degree of gray level change，variance of sliding interval is selected to search the sudden interval to determine the ship target region.Finally experimental verification is carried out by the actual image.Experimental results show that the algorithm can successfully locate the ship target region with higher accuracy and robustness than row mean method.

ship location，line gray entropy，sea-sky background，visual image

TP391.4

A

10.3969/j.issn.1002-0640.2017.07.015

1002-0640（2017）07-0066-06

2016-05-05

2016-06-28

海軍預(yù)研基金資助項(xiàng)目（435515908）

季 超（1987- ），男，山東濟(jì)寧人，博士研究生。研究方向：視覺導(dǎo)航、計(jì)算機(jī)視覺與圖像目標(biāo)識別。