白 楊，崔 明，賈宏光

（中國科學(xué)院長春光學(xué)精密機(jī)械與物理研究所，吉林 長春 130033）

0 引言

隨著成像傳感器件的發(fā)展，CCD及紅外探測器都擁有越來越高的分辨率，它在目標(biāo)跟蹤識(shí)別、高清成像等領(lǐng)域得到廣泛的應(yīng)用.為了降低成本，同時(shí)提高系統(tǒng)的可靠性，采用成像傳感器件與彈體固連的形式，即捷聯(lián)式導(dǎo)引頭成為了研究熱點(diǎn)［1－3］.捷聯(lián)式導(dǎo)引頭通過大的視場來克服沒有穩(wěn)定平臺(tái)帶來的由彈體姿態(tài)改變及與目標(biāo)相對運(yùn)動(dòng)引起的大相對位移的問題.通過大視場保證對目標(biāo)的有效探測，就會(huì)帶來成像場景復(fù)雜、處理數(shù)據(jù)量大及干擾多等問題，并且目標(biāo)在識(shí)別階段往往只有十幾個(gè)甚至幾個(gè)像素.需要一些有效的圖像分割方法將感興趣的區(qū)域正確地分割出來，達(dá)到降低處理難度、減少干擾和運(yùn)算的目的.圖像分割的關(guān)鍵是如何選取閾值來達(dá)到最優(yōu)的分割結(jié)果.所謂最優(yōu)的分割結(jié)果，就是將感興趣的目標(biāo)作為一個(gè)或幾個(gè)連通區(qū)域與背景區(qū)分出來，擁有連續(xù)的輪廓［4］.

常規(guī)圖像分割方法都很難適合多變的場景，其中一個(gè)重要的原因是受到全局景象的干擾，目標(biāo)容易淹沒在背景中，尤其在目標(biāo)尺寸相對較小時(shí)往往得不到正確的目標(biāo)區(qū)域.隨著面向圖像對象分析方法的發(fā)展，將圖像對象作為分析處理單元而不是圖像像素，更適合對現(xiàn)實(shí)世界的知識(shí)認(rèn)知［5－6］.本文提出了一種基于知識(shí)的目標(biāo)分割算法，將圖像區(qū)域作為研究對象，提取疑似目標(biāo)區(qū)域，加入特征提取環(huán)節(jié)，最后依據(jù)目標(biāo)的先驗(yàn)知識(shí)對分割結(jié)果進(jìn)行特征判定，同時(shí)對閾值進(jìn)行修正，得到最終的閾值進(jìn)而正確分割出目標(biāo)區(qū)域.

1 問題分析

根據(jù)目標(biāo)成像原理，各個(gè)目標(biāo)與背景的對比度差異是目標(biāo)可分割的依據(jù).同時(shí)目標(biāo)本身的成像特征也可以作為先驗(yàn)知識(shí)輔助完成對目標(biāo)的分割，提高復(fù)雜場景對較小目標(biāo)分割的正確率.分析了自適應(yīng)閾值分割和基于邊緣的分割方法的自身弱點(diǎn)，說明本文提出的分割方法的必要性.

1.1 目標(biāo)成像

對于地面場景，假設(shè)場景中的景物均為漫反射體，則物體的光亮度為

式中：Et為目標(biāo)的照度；ρ為目標(biāo)的漫反射系數(shù).

經(jīng)過光學(xué)成像系統(tǒng)成像在CCD像面上的光照度為

則場景中各個(gè)目標(biāo)的靜態(tài)對比度為

1.2 自適應(yīng)閾值分割

快速迭代是自適應(yīng)閾值分割中常用的方法，假設(shè)圖像中出現(xiàn)了2個(gè)主要灰度區(qū)域，以最大灰度和最小灰度的均值作為第一步近似.

快速迭代可以快速地對圖像灰度進(jìn)行分類，易受區(qū)域中兩級(jí)灰度的影響，很難對全局復(fù)雜的場景做出正確閾值分割.但其在小區(qū)域灰度接近時(shí)，卻有很好的分割效果.圖1（a）為2個(gè)較理想情況下不同距離和場景時(shí)對遠(yuǎn)處2.3m×2.3m坦克的探測成像，圖像分辨率為1024像素×768像素.圖1（b）為自適應(yīng)閾值分割結(jié)果，由圖1可見，受全局景象的影響，無法得到正確的分割結(jié)果.

1.3 基于邊緣的分割

在無法找到合適的閾值時(shí)，基于邊緣檢測的圖像分割是常常采用的方法.基于邊緣的分割標(biāo)記出圖像在灰度上不連續(xù)的位置.這樣的不連續(xù)可以通過一階導(dǎo)數(shù)和二階導(dǎo)數(shù)檢測到.一階導(dǎo)數(shù)和二階導(dǎo)數(shù)通過下面的公式得到：

基于邊緣的分割最常見的問題是在沒有邊界的地方出現(xiàn)了邊界、在實(shí)際存在邊界的地方?jīng)]有出現(xiàn)邊界以及出現(xiàn)很多干擾邊緣.復(fù)雜的場景中很難通過查找邊界來確定目標(biāo)位置.要找到正確的邊緣，需要進(jìn)行邊緣合并而得到邊緣輪廓.如果邊緣檢測結(jié)果和區(qū)域閾值分割結(jié)合起來，可以提供相對可靠的目標(biāo)特征.圖2給出了2個(gè)場景的邊緣檢測結(jié)果，邊緣檢測的結(jié)果可能會(huì)過于復(fù)雜或者被其他邊緣干擾，很難正確區(qū)分出目標(biāo).

圖1 自適應(yīng)分割結(jié)果

圖2 邊緣檢測結(jié)果

2 基于知識(shí)的目標(biāo)分割

為了得到理想的分割結(jié)果，將一些先驗(yàn)的知識(shí)融合到處理中，而這些知識(shí)往往是簡單而且也不難得到的.將相應(yīng)的知識(shí)應(yīng)用于基于知識(shí)的圖像分割方法的3個(gè)部分，包括場景劃分、特征提取和特征判定，目標(biāo)知識(shí)應(yīng)用在整個(gè)過程，隸屬于數(shù)據(jù)驅(qū)動(dòng)知識(shí)的控制方式［7］，如圖3所示.

基于知識(shí)的目標(biāo)分割算法流程如圖4所示.首先采用粗選閾值對圖像進(jìn)行場景劃分，對劃分后的場景進(jìn)行特征提取，通過先驗(yàn)知識(shí)對區(qū)域特征進(jìn)行判定，判斷對應(yīng)的分割結(jié)果是否含有正確的目標(biāo)區(qū)域，如果含有目標(biāo)區(qū)域且目標(biāo)特征滿足分割要求則目標(biāo)分割結(jié)束，否則對閾值進(jìn)行修正，重新進(jìn)行場景劃分及特征判定直到正確地分割出目標(biāo)區(qū)域.特征判定采用級(jí)聯(lián)式判定結(jié)構(gòu)［8－9］，前面一個(gè)判定為正的場景區(qū)域才會(huì)被送入后面的判定，反之則認(rèn)為該場景區(qū)域不是要找的目標(biāo)，全部判定為正的場景區(qū)域才被判定為目標(biāo).

圖3 模型驅(qū)動(dòng)知識(shí)控制示意圖

圖4 基于知識(shí)的目標(biāo)分割算法流程

2.1 閾值粗選及修正

設(shè)最佳閾值為tf，粗選閾值為t0，閾值修正是從t0到得到tf的過程，即對δt的求取.

最佳閾值并不是唯一的值，可以是一個(gè)區(qū)間內(nèi)多個(gè)值，因?yàn)閷⒛繕?biāo)與背景有效區(qū)分的值本身并不唯一.分割出的目標(biāo)特征能夠滿足要求就認(rèn)為找到了最佳閾值，停止算法.

δt可由調(diào)整速度和調(diào)整大小表示，有

2.2 場景劃分及特征提取

分割后的圖像R由m個(gè)不相交的區(qū)域Ri和一個(gè)背景組成.

其中：RB為背景為背景的補(bǔ)集，即為物體的集合.通過已知的一些信息可以對圖像進(jìn)行初步的閾值分割，信息可以是目標(biāo)的亮度區(qū)間、灰度分布等.分割后的圖像就可以進(jìn)行初步的劃分，對一幅圖像的區(qū)域劃分后的結(jié)果是與原圖像對應(yīng)的大小相等的矩陣，其中對應(yīng)的每個(gè)像素為一個(gè)標(biāo)號(hào)值，屬于同一個(gè)連通區(qū)域的像素具有相同的標(biāo)號(hào)值.這個(gè)標(biāo)號(hào)值矩陣用L（x，y）表示，其中每個(gè)元素代表對像素點(diǎn)f（x，y）所賦予的標(biāo)號(hào).

L（x，y）要滿足：

如果p（x，y）∈RB，L（x，y）＝0；如果p（x，y）∈，L（x，y）＝∞；

標(biāo)記的過程如下，一開始，初始化矩陣為：

然后，在迭代時(shí)刻t＞0，矩陣［L（p）］t的迭代表達(dá)式為

其中

參數(shù)λ＞0是連通區(qū)域計(jì)數(shù)器，每次將L（p）t的值設(shè)為λ時(shí)就加1，整數(shù)m和n定義在連通性的領(lǐng)域中.當(dāng)?shù)磉_(dá)式無法進(jìn)行更新且L（p）不為有限值時(shí)，認(rèn)為像素點(diǎn)p屬于一個(gè)新的連通區(qū)域并將其標(biāo)為λ.這樣λ的值總比當(dāng)前檢測到的連通區(qū)域數(shù)大.上述迭代過程一直進(jìn)行到矩陣不再發(fā)生變化.在連通區(qū)域的標(biāo)記過程結(jié)束時(shí)，具有標(biāo)號(hào)L（x，y）＝0的像素屬于RB，而屬于RcB中的同一連通區(qū)域的像素具有相同的標(biāo)號(hào)，即區(qū)域Ri的標(biāo)號(hào)為i.

得到各個(gè)區(qū)域Ri后，可以得到對應(yīng)的幾何描述，這些特征描述豐富了區(qū)域的特征屬性，刻畫了圖像中目標(biāo)的形狀等特征.組合成一個(gè)6維目標(biāo)特征向量St（a，l，r，f，c，s），用于本文目標(biāo)的特征描述及判定：區(qū)域面積a為目標(biāo)區(qū)域的像素面積，描述目標(biāo)區(qū)域的大小；區(qū)域長度l為最小外接矩形長軸；外觀比例r為最小外接矩形的長寬比，描述目標(biāo)區(qū)域的矩形；形狀因子f為面積a與區(qū)域邊界像素?cái)?shù)目的平方的比值，描述目標(biāo)區(qū)域的邊界復(fù)雜性；圓形性c為區(qū)域半徑的平方與面積的比值，描述區(qū)域的緊致程度；對稱性s為目標(biāo)區(qū)域關(guān)于最小外接矩形中心線兩邊的像素?cái)?shù)的差異與面積的比值，描述目標(biāo)區(qū)域的對稱性.對于不同類型的目標(biāo)特征量會(huì)有所不同，各個(gè)量所處級(jí)聯(lián)位置也會(huì)有變化.區(qū)域質(zhì)心即一階矩，描述區(qū)域的位置，提供定位信息：

3 實(shí)驗(yàn)及分析

搭建視景仿真平臺(tái)，給定探測距離、姿態(tài)仿真參數(shù)，得到不同探測距離下的目標(biāo)場景的成像，并通過本文方法對成像場景進(jìn)行目標(biāo)分割.首先建立目標(biāo)場景的相關(guān)知識(shí)：確定待分割目標(biāo)的對比度特性即目標(biāo)的亮度值與背景亮度值的關(guān)系；給定待分割目標(biāo)的基準(zhǔn)特征向量及每個(gè)特征量的權(quán)重及級(jí)聯(lián)關(guān)系.對前面提到的距離300和1000m時(shí)對2.3m×2.3m的坦克成像的2個(gè)場景進(jìn)行處理.給定場景后可以知道目標(biāo)亮度值低于或高于背景亮度值，2個(gè)場景中目標(biāo)亮度值均低于背景.給定目標(biāo)類型后可以設(shè)定其外觀比例、對稱性、矩形度及圓形度的判定閾值，已知導(dǎo)引頭光學(xué)系統(tǒng)的焦距及探測器像元尺寸，可以得到相應(yīng)距離下目標(biāo)的理想成像大小，初始粗閾值為全局的灰度均值，分別為181和187.距離300m時(shí)的目標(biāo)場景經(jīng)過一次調(diào)整，正確分割出了目標(biāo)區(qū)域，具體參數(shù)如表1所示.距離1000m時(shí)的目標(biāo)場景經(jīng)過2次調(diào)整，正確地分割出了目標(biāo)區(qū)域，具體參數(shù)如表2所示.圖5給出了2個(gè)場景的分割結(jié)果.

表1 距離300m時(shí)目標(biāo)分割結(jié)果參數(shù)

表2 距離1000m時(shí)目標(biāo)分割結(jié)果參數(shù)

圖5 300m及1000m場景目標(biāo)分割結(jié)果

4 結(jié)論

實(shí)驗(yàn)結(jié)果表明，采用基于知識(shí)的目標(biāo)分割方法對已知類型目標(biāo)進(jìn)行分割，結(jié)合先驗(yàn)知識(shí)提高了分割處理的自動(dòng)化程度，能夠快速得到正確的目標(biāo)區(qū)域，有效地降低全局信息對目標(biāo)的干擾，同時(shí)減少運(yùn)算量，將全局處理變成局部處理，并為后面的目標(biāo)識(shí)別和跟蹤提供依據(jù)，提高了系統(tǒng)整體的實(shí)時(shí)性.目標(biāo)的分割是捷聯(lián)導(dǎo)引頭上目標(biāo)識(shí)別技術(shù)的一個(gè)重要環(huán)節(jié)，對全局景象進(jìn)行有效地劃分處理，保證目標(biāo)定位跟蹤的實(shí)時(shí)完成.當(dāng)然本文方法對給定類型目標(biāo)的有效分割有一個(gè)重要的前提，即目標(biāo)本身的可分割性.目標(biāo)無法分割的主要原因是目標(biāo)紋理與背景紋理交叉，導(dǎo)致得不到一個(gè)目標(biāo)完整的連通區(qū)域，因此對于紋理目標(biāo)還需進(jìn)一步研究基于紋理特征知識(shí)的紋理區(qū)域分割方法.

［1］林喆，姚郁，遆曉光，等.捷聯(lián)成像導(dǎo)引頭相關(guān)跟蹤算法研究［J］.兵工學(xué)報(bào)，2009，30（5）：572－579.

［2］訚勝利，張躍，張鑫，等.相位匹配法用于提高非制冷全捷聯(lián)導(dǎo)引頭制導(dǎo)信息精度［J］.光學(xué)與光電技術(shù)，2013，11（1）：76－80.

［3］張躍，劉波，訚勝利.捷聯(lián)式光學(xué)導(dǎo)引頭的穩(wěn)定、跟蹤原理與系統(tǒng)仿真［J］.光學(xué)精密工程，2008，7（1）：89－92.

［4］王保云，張榮，袁圓，等.可見光遙感圖像中艦船目標(biāo)檢測的多階閾值分割方法［J］.中國科學(xué)技術(shù)大學(xué)學(xué)報(bào)，2011，41（4）：293－298.

［5］譚衢霖，奧爾德雷德，胡吉平.基于知識(shí)規(guī)則的數(shù)字掃描圖像目標(biāo)邊界提?。跩］.應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報(bào)，2013，21（3）：553－561.

［6］王奎，張榮，尹東，等.基于邊緣特征和 AdaBoost分類的遙感圖像云檢測［J］.遙感技術(shù)與應(yīng)用，2013，28（2）：263－268.

［7］白楊.成像導(dǎo)引頭中自動(dòng)目標(biāo)識(shí)別關(guān)鍵技術(shù)研究［D］.長春：中國科學(xué)院長春光學(xué)精密機(jī)械與物理研究所，2011.

［8］李闖，丁曉青，吳佑壽.一種改進(jìn)的 AdaBoost算法——AD AdaBoost［J］.計(jì)算機(jī)學(xué)報(bào)，2007，30（1）：103－109.

［9］VIOLA P，JONES M.Advances in Neural Information Processing System［M］.Cambridge：MIT Press，2002：1311－1318.