基于顯著性檢測的紅外艦船目標檢測識別技術

苗傳開,婁樹理

(煙臺大學物理與電子信息學院,山東 煙臺 264005)

紅外艦船目標檢測與識別是紅外成像反艦導彈的一項關鍵技術,決定著反艦導彈跟蹤制導性能,一直是國內(nèi)外研究的熱點問題。從國內(nèi)外紅外成像反艦導彈使用和試驗結(jié)果來看,目前仍存在島岸背景下目標自動識別難度大、抗云霧雨雪等干擾能力不足等問題,嚴重制約著紅外成像反艦導彈武器裝備性能,如何在復雜環(huán)境背景下有效對艦船目標自動檢測識別已成為急需解決的難題。

目前,國內(nèi)外研究者在紅外成像艦船目標檢測與識別方面做了大量的工作,也取得了一系列進展。黃英東等[1]研究了利用海天線位置定位目標艦船的方法,該方法能夠有效提取海天線以及艦船目標在海天線區(qū)域中的位置;李翠紅[2]提出了一種利用海天線定位以及自適應閾值法的自動檢測算法,可有效增強紅外圖像的對比度、抑制背景,運算速度也較快;郭小威等[3]利用海天線位置信息提取了目標區(qū)域的多個特征,運用加權(quán)平均法進行紅外艦船目標的特征融合,能夠有效提高紅外艦船的識別準確率。這些方法是在提取海天線的基礎上進行檢測識別,然而對于一些復雜環(huán)境背景下海天線提取極為困難,一旦無法提取或者發(fā)生誤檢則導致整個檢測識別算法無效。本文針對復雜環(huán)境背景下的紅外艦船目標圖像,提出一種基于顯著性檢測和不變矩的艦船目標檢測識別方法,在圖像預處理的基礎上利用顯著性檢測算法進行艦船目標的檢測,并提取目標特征,利用不變矩、長寬比、占空比等多種特征對艦船進行識別。

1 紅外圖像預處理

根據(jù)紅外成像的機理分析,艦船目標的紅外圖像通常是灰度圖像,直接反映的是目標與背景的輻射能量強度信息。艦船目標紅外圖像噪聲較大,受海面遠距離大氣傳輸衰減的影響,形狀和紋理信息不足,對比度較低,目標直接提取困難;艦船目標紅外成像受季節(jié)、天氣以及光照等因素影響較大,特別是惡劣氣象環(huán)境下的煙、云、霧、雨和雪等會嚴重影響成像效果,使艦船目標圖像模糊不清。因此,為有效實現(xiàn)艦船目標的檢測與識別,有必要對艦船目標紅外圖像進行預處理,有針對性去除噪聲,增強圖像對比度。

通過對艦船目標紅外圖像分析發(fā)現(xiàn),圖像主要有2類噪聲:(1)脈沖噪聲,由于紅外焦平面陣列器件盲元的影響,成像時敏感元飽和或不響應導致圖像出現(xiàn)脈沖噪聲點;(2)由于紅外光學系統(tǒng)的衍射像差、紅外探測器的積分效應、非均勻性以及電子線路的作用,圖像存在大量的噪聲,從噪聲整體統(tǒng)計特性來看,可以認為噪聲服從高斯分布[4]。本文采用中值濾波和維納濾波的濾波組合、灰度伽馬變換增強的預處理方案,中值濾波器可以有效濾除脈沖噪聲,維納濾波可以有效濾除高斯噪聲;針對艦船目標紅外圖像對比度不夠、信噪比低的問題,濾除噪聲后采用伽馬非線性變換實現(xiàn)對比度增強,增強艦船目標,以利于后續(xù)目標檢測。

2 圖像顯著性檢測

圖像顯著性區(qū)域檢測是近年來計算機視覺和圖像處理領域的研究熱點之一,其目的在于讓計算機學習人眼快速識別定位圖像的顯著性區(qū)域的能力。Itti模型是一種經(jīng)典自下向上的顯著性算法,能快速提取視場中最為顯著有用的目標信息,檢測效果好且提取的區(qū)域分辨率較高,算法具有一定的計算效率,其算法大致可分為構(gòu)建多尺度圖像金字塔、提取底層空間特征以及計算顯著性區(qū)域3個環(huán)節(jié)[5]。

2.1 構(gòu)建多尺度圖像金字塔

其中:x′為核函數(shù)中心,σ為函數(shù)的寬度參數(shù),控制了函數(shù)的徑向作用范圍。

2.2 中央周邊差操作

所構(gòu)建的圖像金字塔中,尺度越大的圖像,其高頻細節(jié)越多,反之,尺度較小的圖像,由于平滑和抽樣等操作,從而更能反映背景信息,將圖像金字塔中的大尺度圖像與小尺度圖像進行跨尺度的減操作,得到局部中心和周邊背景信息的反差信息。具體算法[7]如下:

(1)小尺度的圖像進行線性插值,目的是讓小尺度圖像與大尺度圖像有相同大小,方便接下來進行點對點的減操作,即中央周邊差操作:

I(c,s)=|I(c)?I(s)|,

O(c,s,θ)=|O(c,θ)?O(s,θ)|,

其中:?表示將兩圖像的尺寸調(diào)節(jié)到一致后做矩陣減法操作,I表示灰度信息特征圖,O表示方向特征圖。

(2)對每個特征通道的高斯金字塔進行中央周邊差操作,依次檢測圖像中的特征不聯(lián)系性,即中心和周邊背景信息反差對比強烈的區(qū)域。

(3)將產(chǎn)生的中央周邊差結(jié)果圖進行總結(jié),得到特征圖。

2.3 顯著性圖

在得到初步的特征圖像后,進行紅外艦船圖像的底層的特征提取,提取多尺度紅外艦船圖像的灰度信息,輸出顯著性圖像。顯著性圖通過顯著性的空間分布來表示醒目度或顯著度,在視野中每個位置用一個定量向量表示,引導注意位置的選擇。

在顯著性圖構(gòu)建過程中,由于該模型缺少自頂向下的監(jiān)督機制,使用特征歸一化操作運算符N(·)對特征圖進行優(yōu)化,具體操作如下[7]:

(1)首先對輸入的特征圖歸一化到統(tǒng)一范圍[0,…,M];

(3)結(jié)合處理好的特征圖,計算最終的顯著性圖像:

其中:⊕是指多個圖像調(diào)整至統(tǒng)一尺寸后相加的操作。

最后得到顯著性圖像后,利用ESS[8-9]有效子窗口搜索工具算法進行顯著性檢測檢索與標記,可有效檢測出艦船目標區(qū)域,并對檢測到的矩形窗口進行一定比例擴展,得到最終的顯著性目標區(qū)域。算法結(jié)構(gòu)流程見圖1。

3 特征提取及目標識別

3.1 形狀特征及灰度特征提取

通過對艦船目標紅外圖像的特點分析,本文選擇如下特征:目標的占空比;目標的長寬比;目標所在顯著性區(qū)域灰度均值。

3.1.1 占空比特征函數(shù) 分割后艦船連通區(qū)域面積與緊套分割區(qū)最小矩形的面積比為[10]R1=Ar/Aw,

其中:Ar為分割艦船面積,Aw分割區(qū)矩形面積。

若T2≤R1

其他μR1=0。其中:0

圖1 顯著性檢測流程

3.1.2 長寬比特征函數(shù) 緊套分割區(qū)矩形的長寬比為[10]R2=Lh/Lw,其中Lh為分割區(qū)矩形長,Lw分割區(qū)矩形寬。

若T2≤R1

其他μR2=0,其中:0

其他μR3=0。

3.2 Hu不變矩特征提取

由于圖像幾何不變矩特征具有旋轉(zhuǎn)、平移、尺度等特性的不變性,在紅外艦船目標識別領域,不變矩可以作為一個重要的特征,本文選取Hu不變矩作為紅外艦船目標的重要特征。

利用二階和三階歸一化中心距計算的7個Hu不變矩,其數(shù)學表述如下[12]:

上述7個不變矩可構(gòu)成一組特征向量,其具有旋轉(zhuǎn),縮放和平移不變性,設Hu不變矩的特征函數(shù)為μR4。

其他μR4=0。

3.3 目標識別

目標識別算法是對待測目標與標準樣本之間的相似程度,根據(jù)提取的目標特征值,本文采用模糊綜合評判方法[13],利用特征函數(shù)的隸屬度構(gòu)造目標置信函數(shù)P,進行綜合目標判斷,

P=ω1μR1+ω2μR2+ω3μR3+ω4μR4,

式中:ωi為權(quán)重系數(shù),對大量紅外艦船樣本圖像分析后，根據(jù)各特征穩(wěn)定度和識別相關度確定權(quán)重系數(shù)值,并確定綜合置信區(qū)間,設立綜合判據(jù)可實現(xiàn)對艦船準確識別。

4 算法仿真分析

本文算法采用顯著性檢測算法對大量艦船目標紅外圖像進行仿真實驗,圖像波段分別為3～5 μm和8～12 μm,圖像大小分別為621×471、241×171,通過實驗可以發(fā)現(xiàn),直接對原始紅外圖像進行顯著性檢測時,由于海面雜波過于嚴重，從而導致檢測算法失敗,以至于后續(xù)分割提取目標分析出現(xiàn)嚴重偏差;經(jīng)過預處理后,檢測算法可以成功檢測到艦船目標,得到艦船目標的顯著性區(qū)域,效果對比見圖2。

為了驗證算法的有效性,本文對不同系列的紅外艦船圖像進行效果檢測,實驗結(jié)果表明本文檢測算法可以完整檢測到目標艦船的顯著性區(qū)域;針對通常算法難以檢測目標的島嶼背景,本文顯著性檢測算法也可以成功準確檢測出目標艦船區(qū)域;有些紅外艦船系列圖像受島嶼背景的影響，海天線特征不明顯,提取困難,因此基于定位海天線的檢測算法無法對該系列圖像進行有效的檢測處理,而本文算法可以成功檢測出艦船目標區(qū)域,算法仿真效果對比見圖3、圖4。

圖2 系統(tǒng)仿真結(jié)果對比

圖3 8～12 μm系列圖像效果

采用顯著性檢測算法獲得顯著性區(qū)域后,針對顯著性區(qū)域進行分割與提取目標特征,圖2、圖3中3組序列圖像的艦船特征數(shù)據(jù)見表1。

從特征數(shù)據(jù)來看,同一序列圖像的艦船長寬比、占空比數(shù)據(jù)基本不變,不同序列圖像的艦船長寬比、占空比數(shù)據(jù)差異較大,也說明長寬比、占空比受艦船姿態(tài)影響大,隸屬度函數(shù)中權(quán)重相對要小;同一波段圖像的檢測區(qū)域灰度均值基本不變,不同波段圖像的灰度均值差異較大,也說明不同波段下艦船紅外灰度特征不同,符合理論分析結(jié)果;3組序列圖像中Hu不變矩特征數(shù)據(jù)基本不變,說明特征不受艦船姿態(tài)影響,具有旋轉(zhuǎn)、平移和尺度不變性,艦船目標識別具有相對穩(wěn)定的識別效率。

大量仿真實驗可知,本文檢測和識別算法可以對多種不同場景的紅外艦船目標進行有效檢測識別,適應性較強,檢測識別率可達90%以上。

圖4 含島嶼背景干擾的紅外艦船目標效果

表1 不同系列艦船的各項特征

5 結(jié)束語

針對海天背景艦船目標紅外圖像的噪聲問題，首先采用預處理濾除噪聲，增強對比度，隨后使用顯著性檢測方法對艦船目標區(qū)域進行檢測分割，最后提取艦船多種特征并建立置信空間,實現(xiàn)對艦船目標識別。本文算法能夠快速檢測出不同系列的紅外艦船目標，采用多特征相結(jié)合的綜合評判識別方法，具有較高的檢測識別準確率，可有效解決紅外艦船目標的檢測識別問題。