一种红外图像快速目标检测方法

王宁; 周铭; 杜庆磊; 王冰

doi:10.15892/j.cnki.djzdxb.2020.04.006

弹箭与制导学报 >

2020 , Vol. 40 >Issue 4: 24 - 28

DOI: https://doi.org/10.15892/j.cnki.djzdxb.2020.04.006

一种红外图像快速目标检测方法

王宁 ,
周铭 ,
杜庆磊 ,
王冰

展开

空军预警学院, 武汉 430019

王宁(1995-),男,山东临沂人,硕士研究生,研究方向:电子对抗装备与技术。

收稿日期: 2019-07-09

网络出版日期: 2025-05-30

收起

A Fast Target Detection Method for Infrared Images

WANG Ning ,
ZHOU Ming ,
DU Qinglei ,
WANG Bing

Expand

Air Force Early Warning Academy, Wuhan 430019, China

Received date: 2019-07-09

Online published: 2025-05-30

Fold

摘要

为解决红外图像目标检测问题,着重从红外图像预处理、背景抑制和图像分割展开工作。预处理中采用灰度分级调整灰度变换权值的方法;背景抑制采用根据成像距离调整Top-hat变换滤波算子的尺寸;图像分割借鉴二维灰度直方图中阈值划分的相关思路,构建截距直方图,根据最大类间方差准则计算出最优门限分割红外图像;最终实现红外图像快速目标检测。该方法有噪声抑制能力,对单目标、多目标都实现了较好的红外目标检测效果,且精度好,有一定的应用前景。

关键词： 红外图像; Top-hat; 阈值选取; 最大类间方差法

本文引用格式

王宁 , 周铭 , 杜庆磊 , 王冰 . 一种红外图像快速目标检测方法[J]. 弹箭与制导学报, 2020 , 40(4) : 24 -28 . DOI: 10.15892/j.cnki.djzdxb.2020.04.006

Abstract

In order to realize infrared image target detection, this paper focuses on infrared image preprocessing, background suppression and image segmentation. In preprocessing, gray scale grading is used to adjust the weights of gray scale transformation; in the background suppression, the size of Top-hat transforms filter operator is adjusted according to the imaging distance; in image segmentation, the intercept histogram is constructed by referring to the relevant idea of threshold division in two-dimensional gray scale histogram, and the optimal threshold segmentation is calculated according to the criterion of maximum inter-class variance. Ultimately infrared image fast target detection is achieved. This method has the ability of noise suppression, and achieves a good infrared target detection effect on single target and multi-target, and has a certain application prospect of good accuracy.

Key words： infrared image; Top-hat; threshold selection; Otsu criterion

0 引言

采用光电技术实现对目标的检测识别是现代武器系统研究的重要方向之一,红外成像因其根据热量成像而优点较为突出,针对红外图像的目标检测与识别前景广阔^[1-3]。目标检测的基础主要有图像预处理、背景目标分割算法等^[4]。图像灰度增强的预处理方法主要有灰度变换(gray level transformation,GT)、直方图均衡化(histogram equalization,HE)、结合小波变换(wavelet transform,WT)的多尺度分析方法以及偏微分方程(partial differential equation,PDE)图像增强等^[1,5-6]。灰度变换、直方图均衡类算法原理相对简单,实现容易,运算速度快。多尺度分析算法的基础是对图像做小波变换,具有时-频局部化特点和多尺度特点;偏微分方程法在图像降噪、放大和分割方面效果较好,其过程是构建图像的二维偏微分方程组并获得方程解;Retinex类算法借助Gauss滤波进行运算,因此这三类灰度增强计算复杂度较高,算法效率较低^[5-6]。图像分割的实现算法有边缘检测法、阈值分割法、聚类分析法、马尔科夫随机场(Markov random field)、数学形态学等^[2,7-9]。阈值分割算法结构相对容易实现,计算速度快,性能较好,得到普遍认可。其中,类间方差法(Otsu)作为一种经典算法,效果稳定、具有自适应性^[8]。文献[10 -12]针对传统一维灰度直方图最大类间方差测度计算缺乏消除抑制噪声能力,将原有算法拓展到二维,效果较好,但其搜索空间巨大,计算冗杂,实时性较差。文献[13 -15]对经典Otsu算法计算过程进行了一定优化改进。文献[10,13,15]以类间离差矩阵的迹作为测度,并都通过递推的手段改进门限最优解的运算效率。文献[10,15]在直方图中反映出的效果一致,其不同点是最佳门限确定准则中的类间离散度测度公式不同;但二者在运算获得每条分割线上的概率、零阶矩以及类间离散度测度矩阵公式的迹时均采取循环搜索筛选二维直方图的方法,导致运算较为复杂,速度变慢。针对类间离散度测度矩阵计算的研究表明:二维直方图Otsu算法中计算得到目标和背景的二维均值点,会存在被噪声干扰而和主对角线发生偏移的情况,导致分割效果较差。

为实现红外目标快速检测,文中先根据灰度直方图分级统计确定变换参数,采取灰度变换来实现对比增强;然后采取变结构元素的Top-hat变换做背景抑制,借鉴基于二维直方图中直线阈值分割的思想建立截距直方图;之后根据类间离散度测度求解符合最大类间方差的最佳截距解,实现图像分割;最后提升图像质量,完成红外图像快速目标检测。通过实验,文中算法具有一定的噪声抑制能力,红外目标检测速度较快,多目标检测效果较好。

1 灰度变换

红外成像对周围环境的温度、辐射和细小颗粒较为敏感,易受干扰,导致红外图像质量不高,容易产生对比度、分辨率不足及边界不清晰等,因此预处理工作十分重要^[3,5-6,16]。在此,采取灰度直方图参数映射的灰度变换来改善图片质量,实现预处理。灰度变换指根据灰度变换函数运算将图像中每个像素的灰度值进行调整^[3,9]。在变换函数中,变换参数γ值用来确定输入值和输出值关系的曲线形状,并根据γ值对图像映射调整进行加权。如果γ小于1,低灰度等级的像素提升就越强,使其朝向更高的输出值;如果γ大于1,高灰度等级的像素提升就越强,则使其朝向较低的输出值;γ为1时是线性映射。根据红外成像特点,按照下面公式将图像特点映射到变换参数γ,实现灰度变换的自适应调整,变换参数γ选取公式为:

(1)

γ=exp(avg(x,y)_v*avg(x,y)_p)+0.5

式中:avg(x,y)_v、avg(x,y)_p为灰度统计直方图像素点数量最多的前十个灰度等级的像素数量和灰度值求取的平均值。其意义为将灰度值大小和像素统计数量同时纳入变换影响因子。灰度变换计算公式如下:

(2)f_adjust(x,y)=

(f (x, y) - I m i n I m a x - I m i n) γ

×(O_max-O_min)+O_min

其中,f(x,y)是红外图像每一点的灰度值;f_adjust(x,y)为像素点灰度变换后的灰度值;I_min和I_max为输入图像灰度值的最小值和最大值;O_min和O_max为灰度变换输出灰度值的最小值和最大值;γ为灰度变换调整参数。

2 改进的变结构元素Top-hat变换

数学形态学是图像处理的基本理论之一,其基础是格论和拓扑学图像分析学科^[4,11]。其基本的运算包括:腐蚀和膨胀、开运算和闭运算。下面简要说明几个基本操作:

设f(x,y)为灰度图像,b(s,t)为形态学运算算子,即结构元素,D_f为定义域。则用b(s,t)对f(x,y)进行腐蚀操作的运算fΘb为:

(3)fΘb=

m i n s, t

(f(x+s,y+t)-b(s,t))

用b(s,t)对f(x,y)进行膨胀操作的运算f⊕b为:

(4)f⊕b=

m a x s, t

(f(x-s,y-t)+b(s,t))

开、闭操作的运算f∘b、f·b分别为:

(5)

f∘b=(fΘb)⊕b

(6)

f·b=(f⊕b)Θb

经典白Top-hat(Wth)和黑Top-hat(Bth)运算为:

(7)

Wth(x,y)=f(x,y)-f∘b(x,y)

(8)

Bth(x,y)=f·b(x,y)-f(x,y)

在上述形态学操作中,结构元素的选择是处理效果的主要影响因子。文中采取不同尺寸平面圆盘形变换算子结构元素的Top-hat运算来改善效果,增强鲁棒性。定义不同半径的圆b_i(s,t)、b_o(s,t),半径根据红外图像的成像距离确定。其中,b_i是与感兴趣目标范围(region of interest,ROI)尺寸相近的内结构元素,b_o是大于感兴趣目标范围尺寸的外结构元素,Δb=b_o-b_i为空心环形结构。利用目标与背景的差异性,将目标周围区域引入计算,同时调换腐蚀、膨胀操作的顺序,定义新的Top-hat算子:

(9)

Wth'(x,y)=f(x,y)-(f⊕b_i)ΘΔb

(10)

Bth'(x,y)=(fΘb_i)⊕Δb-f(x,y)

3 快速截距直方图计算方法

3.1 建立截距直方图

灰度值分级为L的红外图像,即各个像素点的邻域平均灰度值分级为L。用二元组(i,j)表示像素点的灰度值和邻域平均灰度值,二元组(i,j)在图像中的概率密度用p_ij(i,j=0,1,…,L-1)表示。则i+j=k构成截距为k的直线,且与直方图的主对角线垂直,在一个直方图中直线共有2L条。

设f_k是二元组符合i+j=k的频数,其概率密度为:

(11)p_k=

∑ i + j = k

p_ij=f_k/(MN),k=0,1,…,2L-1

式中

∑ k = 0 2 L - 1

p_k=1,以k和f_k构成的图就是直线截距的一维直方图。

3.2 改进的快速分割算法

获得邻域均值j时,运算权值q根据距离确定以符合近大远小的原则。(i,j) 附近 5×5的像素点(x,y)的权值q根据与像素(i,j) 的距离做不同调整,以(i,j)权值q作为1为准,随着距离加大,q变小,且距离大于5的邻域像素点权值为零。其邻域像素点运算权值可表示为:

(12)q=exp[-

(x - i) 2 + (y - j) 2 2 σ 2

]

二维Otsu法通过计算得到(s,t)的最佳门限,进而划分出4个区域。其中,i≤s且j≤t的区域为目标范围C₀;i≥s且j≥t的区域为背景范围C₁。同时,远离直方图对角线的p_ij为零,其对应的均值为:

(13)

μ 0 = (μ 0 i, μ 0 j) T = (∑ (i, j) ∈ C 0 i p i j / ω 0, ∑ (i, j) ∈ C 0 j p i j / ω 0) T μ 1 = (μ 1 i, μ 1 j) T = (∑ (i, j) ∈ C 1 i p i j / ω 1, ∑ (i, j) ∈ C 1 j p i j / ω 1) T

式中C₀和C₁的概率分别为ω₀和ω₁。

类间离散测度为:

(14)trS_B=ω₁ω₀[

(μ 0 i - μ 1 i) 2

(μ 0 j - μ 1 j) 2

]

最佳门限(s^*, t^*)的计算准则,即最大类间方差(Otsu)准则为:

(15)

trS_B(s^*, t^*)=max{trS_B(s, t)}

根据式(14) 最大类间方差准则,建立直线截距直方图,求解最佳直线阈值T^*。分割算法是截距T把截距直方图划分为目标范围C₀和背景范围C₁。设μ_T=

∑ k = 0 2 L - 1

kp_k,C₀和C₁的概率计算公式为:

(16)

ω 0 (T) = ∑ k = 0 T p k ω 1 (T) = 1 - ω 0 T

设μ(T)=

∑ k = 0 T

kp_k,C₀和C₁两个区域对应均值μ₀(T)和μ₁(T)可表示为:

(17)

μ 0 (T) = ∑ k = 0 T k p k / ω 0 (T) = μ (T) / ω 0 (T) μ 1 (T) = ∑ k = T + 1 2 L - 1 k p k / ω 1 (T) = μ T - μ (T) 1 - ω 0 (T)

根据式(13),类间方差

σ 2 B

计算公式为:

(18) $\begin{array}{c} \sigma_{\mathrm{B}}^{2}=\omega_{0}(T)\left[\left(\mu_{0}(T)-\mu_{T}\right)\right]^{2}+\omega_{1}(T)\left[\left(\mu_{1}(T)-\right.\right. \\ \left.\left.\mu_{T}\right)\right]^{2}=\omega_{0}(T) \omega_{1}(T)\left[\left(\mu_{0}(T)-\mu_{1}(T)\right]^{2}\right. \end{array}$

决定最佳阈值直线i+j=T^*的准则为:

(19)

σ 2 B

(T^*)=

m a x 0 ≤ T 2 L - 1

σ 2 B

(T)

最后根据T^*划分出目标区域和背景区域,完成分割。

综上所述,红外图像快速检测方法实现过程的主要步骤如下:

Step1 载入原始红外数据,获得红外图像及灰度直方图,并进行直方图统计;

Step2 用灰度直方图分级变γ值的灰度变换进行增强对比;

Step3 设置变结构元素的Top-hat算子尺寸比例,实现背景抑制;

Step4 根据快速截距直方图计算方法,求解Otsu准则下的最优解,实现图像分割;

Step5 采用形态学开闭操作平滑边界消除毛糙噪点;

Step6 得到红外图像目标范围(ROI)的检测结果,并输出。

4 实验结果及分析

实验采用高德红外C系列非制冷型红外成像仪器采集的红外图像作为原始数据,实验环境为Intel Core i7-8700k CPU 3.7 GHz,8 GB内存,采用Matlab 2016b软件实现。通过100次仿真实验数据计算平均值记录数据,且采用Matlab软件第2次以后的计时值,避免解析加载程序对记录数据产生影响。

1)实验1

两幅原始图像数据如图1所示。首先用二维Otsu直分法、经典Top-hat加二维Otsu直线阈值法(结构元素面积为图像面积的2.7%)、背景抑制加图像分割算法进行处理(红外成像距离为100 m时,内结构元素尺寸为成像面积的1%,外结构元素尺寸为成像面积的5.4%),其算法效果如图2所示,算法所得ROI标记图如图3所示,表1为3种算法在未添加高斯噪声时图像处理过程中部分参数的记录。然后分别给图1(a)加μ=0、σ=10和图1(b)加μ=0,σ=50的高斯噪声,经过处理得到的效果如图4和图5所示。

显示原图|下载原图ZIP|生成PPT

图1 红外成像数据

显示原图|下载原图ZIP|生成PPT

图2 3种算法的红外分割结果

显示原图|下载原图ZIP|生成PPT

图3 文中算法所得ROI标记图

表1 3种算法图像处理的部分参数记录

算法	算法运行时间/ms		阈值		错分率/%
算法	坦克	卡车	坦克	卡车	坦克	卡车
Otsu直分法(点对)	13.98	15.20	134,137	68,72	20.70	21.1
Top-hat加直线阈值法(截距)	10.85	11.14	239	152	17.06	35.23
文中算法(截距)	10.61	10.98	224	146	16.47	20.93

显示原图|下载原图ZIP|生成PPT

图4 给图1(a)加 μ=0 、σ=10高斯噪声后图像分割结果

显示原图|下载原图ZIP|生成PPT

图5 给图1(b)加μ=0、σ=50高斯噪声后图像分割结果

由图2可以看出,受周边温度、热辐射以及成像器件本身的影响,原始红外成像目标边缘不清晰。通过与二维Otsu直分法和Top-hat加直线阈值法对比;文中算法保留目标信息较好,细节方面效果清晰,获得了较好的效果。由表1看出,文中算法在时间和错分率上有一定提高,相对经典Top-hat加直线阈值法具有更强的鲁棒性。图3中红色框可以正确标记出目标,蓝色标记为目标图像重心,这为下一步的目标识别打下良好基础。

从图4和图5可以看出,文中算法相对其他算法具有一定的噪声抑制能力,鲁棒性较好,抗噪性较好。直分法和Top-hat加直线阈值法处理结果被严重污染,图像分割效果差,边缘信息丢失。

2)实验2

图6是多目标的红外图像。分别用二维Otsu直分法、经典Top-hat加二维Otsu直线阈值法、背景抑制加图像分割算法对该多目标的红外图像进行处理,结果如图7所示,文中算法所得ROI标记图如图8所示。

显示原图|下载原图ZIP|生成PPT

图6 多目标的红外图像

显示原图|下载原图ZIP|生成PPT

图7 3种算法的多目标红外分割结果

显示原图|下载原图ZIP|生成PPT

图8 文中算法所得ROI标记图

由图7可知,对多目标情况,二维Otsu直分法阈值计算所得结果不正确,无法进一步寻找目标实现检测;经典Top-hat加直线分割效果很差,阈值法阈值寻找不合理,丢失大量信息,效果较差;文中算法多目标分割效果较好,可以将高亮目标与背景区域区别开来,且从图8中可以看出实现了较好的目标检测效果。

5 结论

1)为实现红外图像快速目标检测,采取灰度直方图参数映射的灰度变换实现预处理,然后采取改进Top-hat算法实现背景抑制,结合Otsu准则截距直方图求解最佳截距阈值来完成红外图像分割。

2)实验结果表明,该方法可以抑制高斯噪声,有一定抗噪能力,流程合理,可以达到较好的单目标、多目标红外图像检测效果,具有一定的实际意义。

3)算法区域范围选择以及针对Top-hat算子结构元素的尺寸可进一步开展分析改进,算法针对其他多种噪声的抑制能力有待加强,算法背景抑制效果可以进一步提高,这为进一步研究、改进目标检测算法提供了思路。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序

[1]	刘靳. 红外成像目标检测与识别方法研究[D]. 西安: 西安电子科技大学, 2010.

[2]	张恒源, 邵向鑫. 电气设备红外图像处理方法研究[J]. 科学技术创新, 2019(2):52-53.

[3]	简耀波. 红外图像处理中的关键算法研究[D]. 武汉: 华中科技大学, 2009.

[4]	杨丹. 红外弱小运动目标的检测算法研究[D]. 西安: 西安理工大学, 2018.

[5]	王浩, 张叶, 沈宏海, 等. 图像增强算法综述[J]. 中国光学, 2017, 10(4):438-448.

[6]	周永康, 朱尤攀, 曾邦泽, 等. 宽动态红外图像增强算法综述[J]. 激光技术, 2018, 42(5):718-726.

[7]	郭佩瑜, 张宝华. 基于引导滤波和模糊算法的红外背景抑制算法[J]. 激光技术, 2018, 42(6):854-858.

[8]	MOGHADDAM R F, CHERIET M. AdOtsu:an adaptive and parameterless generalization of Otsu's method for document image binarization[J]. Pattern Recognition, 2012, 45(6):2419-2431.

[9]	LI P, YAN B, YE R, et al. An infrared dim and small target detection method based on fractional differential[C]// 中国自动化学会.第30届中国控制与决策会议集. [S.l. :s.n.], 2018:984-989.

[10]	范九伦, 赵凤. 灰度图像的二维Otsu曲线阈值分割法[J]. 电子学报, 2007, 35(4):751-755.

[11]	李强, 谢春思, 盖强, 等. 基于Top-hat变换与OTSU的近岸舰船目标检测[J]. 红外, 2018, 39(10):44-48.

[12]	刘健庄, 栗文青. 灰度图象的二维Otsu自动阈值分割法[J]. 自动化学报, 1993, 19(1):101-105.

[13]	汪海洋, 潘德炉, 夏德深. 二维Otsu自适应阈值选取算法的快速实现[J]. 自动化学报, 2007, 33(9):968-971.

[14]	王坤, 张杨, 宋胜博, 等. 改进二维OTSU和自适应遗传算法的红外图像分割[J]. 系统仿真学报, 2017, 29(6):1229-1236. DOI

[15]	吴一全, 潘喆, 吴文怡. 二维直方图区域斜分阈值分割及快速递推算法[J]. 通信学报, 2008, 29(4): 77-83. DOI

[16]	高赟. 图像灰度增强算法的研究[D]. 西安: 西安电子科技大学, 2007.

Options

文章导航

模态框（Modal）标题

摘要

本文引用格式

Abstract

0 引言

1 灰度变换

2 改进的变结构元素Top-hat变换

3 快速截距直方图计算方法

3.1 建立截距直方图

3.2 改进的快速分割算法

4 实验结果及分析

图1 红外成像数据

图2 3种算法的红外分割结果

图3 文中算法所得ROI标记图

表1 3种算法图像处理的部分参数记录

图4 给图1(a)加 μ=0 、σ=10高斯噪声后图像分割结果

图5 给图1(b)加μ=0、σ=50高斯噪声后图像分割结果

图6 多目标的红外图像

图7 3种算法的多目标红外分割结果

图8 文中算法所得ROI标记图

5 结论

参考文献