红外图像目标分割方法研究

Abstract : With the view of segmenting a target accurately , this paper describes a target segmentation algoritห้องสมุดไป่ตู้m. It is based
on the following criterion , i. e. , the features or property are the same or similar within the regions , while different in different re2 gions. According to this criterion ,we used the maximum distance and automatic enhanced image segmentation threshold methods to realize an accurate infrared image target segmentation . The experimental result shows that the method is practical.
第 24 卷 第 1 期
文章编号 :10012506X(2002) 0120074202
系统工程与电子技术
Systems Engineering and Electronics
Vol124 ,No11 2002
红外图像目标分割方法研究
陈 东1 , 黄勇杰1 , 沈振康2
( 11 空军图像处理实验室 ,北京 100085 ; 21 国防科技大学 ATR 国家重点实验室 ,湖南 长沙 410073)
据的 ,本文将采用最大距离法进行分割。该方法的主要思想是 : 在直方图取值范围内 ,任意灰度级可将直方图分为左右两部分 , 如果这两部分的灰度均值与总体的灰度均值相差最大 ,则该灰 度级就被认为是最佳分割门限 ,描述如下。 假设红外图像的灰度范围是 { Gmin , Gmin +1 , …, Gmax} , 其 最大灰度值为 Gmax , 最小灰度值为 Gmin , 在 g 灰度值处于 ng
摘 要 : 针对红外图像目标准确分割的难题 ,提出了一种有效的目标分割方法 。该方法所遵循的基本准则是 , 使区域内部所考虑的特征或属性相同或相似 ,而这些特征或属性在不同区域中则是不同的或存在差异的 。依据这 个准则运用最大距离法和自动增强图像分割门限的方法实现了红外图像中目标的准确分割 ,并且通过实验验证了 本方法的有效性 。 关键词 : 红外图像 ; 目标分割 ; 图像处理 中图分类号 : TN957 文献标识码 :A
图2 Barb 重建图像比较
4 总 结
以 LBG 算法为代表的传统的码书训练算法基本都用量 化失真序列收敛作算法停止条件 。由于量化失真计算是一 种耗时的运算并且在每步迭代中都必须计算 ,因此若能去掉 量化失真计算 ,则 LBG 算法的运行速度可明显提高 。另外 ,
LBG 算法是以失真序列收敛作算法停止条件 ,因此 LBG 算法
( 5)
g=G
∑ gP
min
max
g
) = P0 ( g′
g = G
∑
min
∑
max
( 3)
g′
令
μ ) = ∑ g 0 ( g′
g=G G
min
Pg ) P0 ( g′ Pg
( 4)
μ ) = 1 ( g′
g = g′ +1
∑ g P1 ( g′ )
max
设对红外图像使用本文的图像分割方法得到的阈值为
它们发生的概率 P0 和 P1 分别为
) = P0 ( g′
g=G G
∑P
min max
g′
g
( 1)
) = P1 ( g′
g = g′ +1
∑P
g
( 2)
作者简介 : 陈东(1965 - ) ,高级工程师 ,博士后 ,主要研究方向为图像处理 ,自动目标识别 ,地理信息系统 ,多传感器信息融合 ,神经网络。
步数和运行时间增加 ,造成多余的计算 。本文提出了一种简 单、 快速的新算法 。该算法可不必计算量化失真 , 直接用区 域序列对应的熵序列收敛作算法停止条件 。该算法与经典 的 LBG 算法相比 ,结构更简单 、 速度更快 。新算法的熵门限 物理意义明显 , 容易估计 、 理解 。新算法的熵门限的物理意 义是 ,不能明确归类的区域的边界点集合的熵与训练集合的 熵的比值 。熵门限可以通过直观的区域的边界点多少近似 估计 ,从而保证算法迭代步数更合理 , 避免多余的计算 。我 们用典型的测试图像 Lena 、 Barb 作实验 。实验结果表明 , 该 算法与著名的 LBG 算法的 PSNR 相差小于 011dB , 但它的运 行速度比 LBG 快两倍以上 。
由于总体灰度均值 μ 为 μ=
图像分割的门限值 。 也就是使 C0 和 C′ 0 这两部分的灰度均值
Pg Pg ) g + P1 ( g′ g ) ( g′ ) P0 ( g′ P 1 g = g′ +1
G
与这两部分的总体灰度均值相距最大的灰度作为图像分割 的最佳门限 。 图像中凡是灰度值大于分割门限的像素点 ,本文将认为是 潜在的目标区域中的点 ,否则将被认为是背景中的点被滤除。 但是当背景红外辐射较强时 ,使用上述的分割方法往往不 能将背景去除干净。为此 ,本文提出了一种自动增强图像分割 门限的方法 ,进一步将红外图像中的目标与背景区分开来。
T0 , 此时 T0 将图像直方图 h 分为两个部分 , 将其分别记为 h0
则它们分别是集合和集合的灰度均值 ,因此有 μ = P0 ( g′ )μ ) + P1 ( g′ )μ ) 0 ( g′ 1 ( g′
g′
( 6) ( 7)
和 h′ 0 , 则它们的灰度范围分别为
h0 : C0 = { Gmin , Gmin +1 ,Λ , T0 } h0′ : C0′= { T0 , T0 + 1 ,Λ , Gmax} ( 13) ( 14)
© 1994-2009 China Academic Journal Electronic Publishing House. All rights reserved.

第1期
收熵序列收敛作算法停止判据的码书训练算法
・8 5 ・
(a) Barb 原图 (b) LBG 算法 (c) 新算法
2 算法的主要思想
图像分割是一种将图像分割成为若干个有意义区域的图像 处理技术 ,其中在分割出的各个彼此独立的区域中可能包含潜 在目标。传统的自动阈值选择方法是以图像的灰度直方图为依
收稿日期 :2000 - 12 - 11 修订日期 :2001 - 04 - 27 基金项目 : 国防科技重点实验室基金资助课题 (347A1)
) 为μ 离测度 D ( g′ 0 至 μ 和μ 1 至 μ 距离的加权之和 ,即 ) = P0 ( g′ ) [μ ) - μ]2 + P1 ( g′ ) [μ ) - μ]2 ( 10) D ( g′ 0 ( g′ 1 ( g′
3 实验结果及分析
我们在 Pentium Ⅲ 600 的微机上用 Visual C ++ 6. 0 实现 了本文的算法 。图 1 是原始红外图像 ; 图 2 是依据经典的
式 (10) 可简化为
) - μP0 ( g′ ) ]2 [λ( g′ ) = D ( g′ ) ( 1 - P0 ( g′ )) P0 ( g′ ( 12)
图1 原始红外图像 图2 Otsu 分割结果图像 图3 本文方法分割结果图像
( 下转第 85 页)
) = 令 λ( g′
g=G
∑ gP
min
g
则式 (4) 可写为 μ ) = 0 ( g′ 由于
G
对 C0 集合内的灰度值按同样的方法获取分割阈值 T0′ ,
1
) P0 ( g′
λ( g′ )
( 8)
此时直方图灰度最小值为 Gmin , 最大值为 T0 , 显然 T0′< T0 。 阈值 T0′ 又将直方图 h 分为两部分 h1 和 h1′ , 其灰度范围为
( 9)
所以 ,式 (5) 可表示为 μ ) = 1 ( g′
)] [μ - λ( g′ ) P0 ( g′
1
则有 T1 > T0 。 如果将 T1 作为图像的分割阈值 , 则可以去除 图像中红外辐射较强的背景 , 获取较好的图像分割效果 。
由式 (6) ～式 (9) 可以看到 ,对于灰度值 Gmin - Gmax 之间的任 μ 意灰度级 g′ , 可以计算出 μ 我们定义一个均值距 0、 1 和 μ。
G
个像素点 , 则总的像素点为 N = 率为 Pg , 则 Pg = 两个部分 ,即
G
∑n
min
max
g
, 令 g 灰度值处的概
ng 。 N 在任意灰度值 g′ 处可将红外图像中的灰度值分为 A 、 B
A 部分为 C0 = { Gmin , Gmin +1 , …, g′ } B 部分为 C0′= { g′ , g′ + 1 , …, Gmax}
' 1994-2009 China Academic Journal Electronic Publishing House. All rights reserved.

第1期
ng 。 N
g′
红外图像目标分割方法研究
・7 5 ・
其中 Pg =
G
) 为最大值的灰度值 g′ 本文分割的准则是使 D ( g′ 作为
K eywords : Infrared image ; Target segmentation ; Image processing
1 引 言
红外图像反映了目标及其周围背景的温度分布情况。通 常情况下 ,目标的红外辐射强度总是高于背景的 ,尤其是对于开 动着的飞机、 车辆和舰船等目标更是如此。同时 ,由于目标高速 运动时与空气发生摩擦 ,目标的温度将高于环境温度。反映在 红外图像中 ,就是目标区域的灰度总是高于背景的灰度。针对 红外图像目标准确分割这一难题 ,国内外许多学者都进行了研 究 ,如 Doyle 提出的 “P - tile” 分割方法等 ,该方法要求已知目标 在整幅图像中所占的比例为 P ,并且 P 是保持不变的。但对于 实际的红外图像中的运动目标 ,其大小会随着目标与红外探测 器的距离及目标所处的环境改变而有所变化 ,一般很难保持相 对稳定的大小。因此 ,必须探索适用于各类场景的实际红外运 动目标的有效的目标分割方法。
Otsu 准则进行分割的结果图像 ,可见图像中目标与背景没有
将式 (8) 和式 (9) 代入式 (10) 中 ,并考虑
) + P1 ( g′ ) = 1 P0 ( g′ ( 11)
完全分开 ; 图 3 是用本文提出的方法进行分割的结果图像 , 可见目标与背景已完全分开 ,可以很容易地通过先验知识将 目标从图像中提取出来 。我们用 25 幅实际的红外图像对本 方法进行了验证 ,分割的成功率为 100 % ,实验证明了本算法 的有效性 。
h1 : C1 = { Gmin , Gmin +1 ,Λ , T0′ } ( 15) ( 16) h1′ : C1′= { T0′ , T0′ + 1 ,Λ , Gmax}
μ - λ( g′ ) =
g=G
∑ gP
min
max
g
-
g= G
∑ gP
min
g′
G
g
=
g = g′ +1
∑ gP
max
g
同样 ,对集合 C1′ 内的灰度值进行划分 , 此时直方图灰 度最小值为 T0′ , 最大值为 Gmax 。 假设获得的分割阈值为 T1 ,
Research on the Target Segmention Method of Infrared Image
CHEN Dong1 , HUANG Y ong2jie1 , SHEN Zhen2kang2
( 1. The Air Force Lab. of Image Processing , Beijing100085 , China ; 2. The Key Lab. of ATR , UNDT , Changsha 410073 , China)