楊 爽,徐宏宇,唐澤坤

(沈陽(yáng)航空航天大學(xué) 電子信息工程學(xué)院,沈陽(yáng) 110136)

隨著現(xiàn)代計(jì)算機(jī)處理能力的不斷增強(qiáng),紅外成像技術(shù)無(wú)論在軍事范疇還是民用范疇都越來(lái)越受到人們的重視與應(yīng)用。由于紅外圖像低信噪比低分辨率等特點(diǎn),并且目標(biāo)提取是目標(biāo)識(shí)別的前提,紅外目標(biāo)提取具有很大的研究?jī)r(jià)值。由于圖像目標(biāo)提取應(yīng)用廣泛,獲得大量學(xué)者的重視并對(duì)此進(jìn)行了研究,至今提出的方法已多達(dá)上千種[1-2]。由于不同類(lèi)型圖像成像原理以及拍攝環(huán)境不同,沒(méi)有對(duì)于目標(biāo)提取的通用框架,所以圖像目標(biāo)提取仍是圖像處理領(lǐng)域中的難點(diǎn)。

區(qū)域生長(zhǎng)算法是由Zucker在1976年提出的[3]。區(qū)域生長(zhǎng)就是對(duì)一像素或一小區(qū)域不斷以一定的準(zhǔn)則擴(kuò)充其邊界的過(guò)程,選擇合適的生長(zhǎng)點(diǎn)、規(guī)定相似性準(zhǔn)則即生長(zhǎng)準(zhǔn)則及確定生長(zhǎng)停止條件是它主要的內(nèi)容[4]。它具有算法簡(jiǎn)單和計(jì)算快速的特點(diǎn),是一種被廣泛使用的分割方法,大量學(xué)者對(duì)此進(jìn)行了研究和改進(jìn)。吳海濱等[5]研究提出了將二維OTSU作為初始處理以此選擇區(qū)域生長(zhǎng)的種子點(diǎn)的方法。李修霞等[6]提出了以1維方向上的光譜差異為依據(jù)作為確定初始種子點(diǎn)的方法。劉付芬[7]提出了將置信連接與區(qū)域競(jìng)爭(zhēng)相結(jié)合的方法作為區(qū)域生長(zhǎng)準(zhǔn)則。目前對(duì)于它的探討改進(jìn)一般集中在初始生長(zhǎng)種子點(diǎn)的選取與區(qū)域生長(zhǎng)準(zhǔn)則的確定。本文針對(duì)種子點(diǎn)的自動(dòng)選取進(jìn)行研究,利用紅外圖像目標(biāo)的顯著性,提出了將視覺(jué)顯著性模型與區(qū)域生長(zhǎng)法相結(jié)合的方法。

1 視覺(jué)顯著性模型原理及其改進(jìn)

1.1 基于頻譜殘差的視覺(jué)顯著性模型原理

無(wú)論計(jì)算機(jī)視覺(jué)在近幾年的發(fā)展多么迅速,它都不能與人眼的視覺(jué)系統(tǒng)對(duì)真實(shí)復(fù)雜場(chǎng)景的信息分析與處理能力相比。因此很多學(xué)者及研究人員都開(kāi)始不斷探索提出基于人眼的視覺(jué)顯著性的數(shù)學(xué)計(jì)算模型,目前常用的視覺(jué)顯著性模型包括:ITTI顯著性模型、頻譜殘差顯著性模型以及AIM 視覺(jué)注意計(jì)算模型[8]。

由于紅外成像利用的是目標(biāo)的輻射能量,使得目標(biāo)區(qū)域相對(duì)于背景來(lái)說(shuō)是顯著的,所以可以采用顯著性模型來(lái)提取目標(biāo)所在的區(qū)域范圍。由于顯著模型的建立只為了實(shí)現(xiàn)自動(dòng)選取區(qū)域生長(zhǎng)的種子點(diǎn),所以選擇了計(jì)算簡(jiǎn)單快速、準(zhǔn)確率較高的基于頻譜殘差的視覺(jué)顯著性模型,即頻譜殘差法(Spectral Residual,SR)。SR方法的基本思想為:每個(gè)圖像的對(duì)數(shù)譜具有類(lèi)似的走向趨勢(shì),而圖像的變化部分即顯著區(qū)域是由頻譜殘差導(dǎo)致的。通過(guò)使用傅里葉逆變換,就可以在空間域中構(gòu)造稱(chēng)為顯著圖的輸出圖像[9]。

給定一幅圖像I(x),圖像經(jīng)過(guò)傅里葉變換后所得的頻譜F(x)能夠分解成為兩部分,即幅度譜A(f)和相位譜P(f),如式(1)和式(2)所示。

A(f)=Amp{FFT[I(x)]}

(1)

P(f)=Pha{FFT[I(x)]}

(2)

然后對(duì)幅度譜做對(duì)數(shù)變換如式(3)所示,將對(duì)數(shù)幅度譜與通過(guò)一個(gè)低通濾波器與其進(jìn)行卷積而平滑后的對(duì)數(shù)幅度譜相減,即得到頻譜殘差,如式(4)所示。

L(f)=logA(f)

(3)

R(f)=L(f)-hn(f)*L(f)

(4)

最后對(duì)頻譜殘差與初始的相位譜做傅立葉反變換從而獲得原始圖像的顯著圖,并通過(guò)高斯濾波器對(duì)其進(jìn)行平滑處理以得到更好的視覺(jué)效果,如式(5)所示。

S(x)=g(x)*|FFT-1[exp(R(f))+i×P(f)]|2

(5)

其中,A(f)、P(f)、L(f)、R(f)、S(x)分別為原始圖像的幅度譜、相位譜、對(duì)數(shù)相位譜、頻譜殘差及顯著圖;FFT、FFT-1表示傅里葉變換及其反變換;hn(f)表示的是頻域的低通濾波器(這里選用均值濾波器);g(x)為空域的低通濾波器,可采用一個(gè)高斯平滑濾波器。

1.2 基于頻譜殘差的視覺(jué)顯著性模型的改進(jìn)

受ITTI模型的啟發(fā),將SR模型引入方向的特征[10]。Prewitt邊緣算子通過(guò)計(jì)算各個(gè)像素點(diǎn)的四鄰域內(nèi)的灰度差值來(lái)找到圖像的邊緣即差值極值處,它能夠平滑噪聲。它通過(guò)兩個(gè)方向來(lái)進(jìn)行檢測(cè),即水平方向和垂直方向,具體實(shí)現(xiàn)是分別利用各自的方向模板與原始圖像進(jìn)行卷積計(jì)算[11],分別如式(6)和式(7)所示。

Ix(x)=I(x)?Gx

(6)

Iy(x)=I(x)?Gy

(7)

其中Prewitt的垂直和水平卷積核如圖1所示。

圖1 Prewitt梯度算子

通過(guò)Prewitt一階梯度算子得到原始圖像的水平及垂直方向梯度特征,再利用SR模型分別提取水平及垂直方向的顯著圖。將公式(6)、(7)得到的Ix(x)、Ix(x)分別代入公式(1)～(5)的I(x),得到水平和垂直方向的顯著圖saliencyMap1、saliencyMap2。最后將兩個(gè)方向的顯著圖進(jìn)行加權(quán)融合以得到最終的顯著圖。

saliencyMap=c1*saliencyMap1+c2*saliencyMap2

(8)

其中c1、c2為常數(shù),且c1+c2=1。

改進(jìn)的SR模型具體流程如圖2所示。

圖2 改進(jìn)的SR模型流程圖

1.3 實(shí)驗(yàn)結(jié)果與分析

選取一張單目標(biāo)紅外圖像和一張多目標(biāo)紅外圖像作為測(cè)試數(shù)據(jù),分別使用原始SR模型和改進(jìn)的SR模型對(duì)數(shù)據(jù)組圖像進(jìn)行測(cè)試得到顯著圖,如圖3所示,其中每排圖像分別對(duì)應(yīng)于原圖、原SR模型所得結(jié)果以及改進(jìn)的SR模型所得結(jié)果。

圖3 改進(jìn)的SR模型實(shí)驗(yàn)

由圖3可以看出,改進(jìn)后的SR模型對(duì)于噪聲有一定的抑制作用,除此之外兩者的效果幾乎沒(méi)什么差別,這是因?yàn)樗惴ǖ脑硎腔疽恢碌摹?/p>

2 區(qū)域生長(zhǎng)法原理

區(qū)域生長(zhǎng)是對(duì)一個(gè)像素點(diǎn)或者子區(qū)域按照預(yù)先設(shè)定的生長(zhǎng)準(zhǔn)則尋找其邊界相似像素點(diǎn)并不斷聚集到一起的過(guò)程。它的基本思想是首先選取一個(gè)或一組比較具備代表性的種子點(diǎn)作為生長(zhǎng)的起始點(diǎn),要確保圖像中的每個(gè)目標(biāo)即分割區(qū)域都有自己的種子點(diǎn),接著采用之前設(shè)定好的生長(zhǎng)準(zhǔn)則,把所有種子點(diǎn)鄰域內(nèi)符合生長(zhǎng)準(zhǔn)則的像素點(diǎn)與種子點(diǎn)進(jìn)行合并從而不斷擴(kuò)大生長(zhǎng)區(qū)域,然后將以上符合要求的像素點(diǎn)都作為新的種子點(diǎn)并開(kāi)始不斷重復(fù)執(zhí)行以上的過(guò)程,直到種子點(diǎn)與其鄰域像素點(diǎn)之間不滿(mǎn)足生長(zhǎng)的條件,這樣就完成了區(qū)域生長(zhǎng)分割[12]。

傳統(tǒng)區(qū)域生長(zhǎng)算法實(shí)現(xiàn)的步驟如下:

step1人工選取分割目標(biāo)內(nèi)的一個(gè)像素點(diǎn),設(shè)該像素點(diǎn)為(x0,y0);

step2找到(x0,y0)的4鄰域像素,如果4鄰域像素內(nèi)有符合生長(zhǎng)準(zhǔn)則的像素,將該像素點(diǎn)與(x0,y0)合并;

step3將步驟2中滿(mǎn)足生長(zhǎng)準(zhǔn)則的像素點(diǎn),分別作為新的(x0,y0)代入步驟2;

step4 如果沒(méi)有找到滿(mǎn)足生長(zhǎng)準(zhǔn)則的像素點(diǎn),則生長(zhǎng)結(jié)束。

區(qū)域生長(zhǎng)算法應(yīng)用廣泛是由于它計(jì)算量小并且對(duì)相對(duì)均勻的連通區(qū)域來(lái)說(shuō)分割準(zhǔn)確性較高,初始生長(zhǎng)種子點(diǎn)的確定以及區(qū)域生長(zhǎng)相似性準(zhǔn)則是決定區(qū)域生長(zhǎng)分割效果的關(guān)鍵因素,而種子點(diǎn)具備代表待分割的目標(biāo)區(qū)域內(nèi)的絕大多數(shù)像素的性質(zhì),所以初始生長(zhǎng)種子點(diǎn)的確定對(duì)于區(qū)域生長(zhǎng)算法的分割效果具有很大的影響[13]。

3 基于視覺(jué)顯著性和區(qū)域生長(zhǎng)的改進(jìn)算法

由于傳統(tǒng)區(qū)域生長(zhǎng)法需要人工選用種子點(diǎn),本文提出了結(jié)合視覺(jué)顯著性和區(qū)域生長(zhǎng)的改進(jìn)算法,實(shí)現(xiàn)了種子點(diǎn)的自動(dòng)選取。算法的具體步驟如下:

(1)根據(jù)改進(jìn)的基于頻譜殘差的顯著性模型求取原始圖像的顯著圖S(x);

(2)對(duì)顯著圖S(x)采用簡(jiǎn)單的閾值分割算法,獲得二值圖像bw,如式(9)所示。

(9)

threshold=3×E(S(x))

(10)

(3)對(duì)二值圖像bw先后采用不同結(jié)構(gòu)元素的腐蝕運(yùn)算以及膨脹運(yùn)算形態(tài)學(xué)處理,得到處理后的圖像bw1;

腐蝕運(yùn)算能夠消除邊界點(diǎn),若物體小于結(jié)構(gòu)元素物體將消失,此步驟是為了消除圖像中的弱小顆粒像素,集合A被結(jié)構(gòu)元素B腐蝕,定義如式(11)所示。

AΘB={x:Bx?A}

(11)

膨脹運(yùn)算能夠擴(kuò)充邊界點(diǎn),此步驟是為了在得到的二值圖像的邊界不連續(xù)時(shí),通過(guò)選擇大一些的結(jié)構(gòu)元素可將輪廓連接起來(lái)并將圖像中的小孔進(jìn)行填充,集合A被結(jié)構(gòu)元素B膨脹,定義如式(12)所示。

(12)

(4)對(duì)二值圖像bw1進(jìn)行連通區(qū)域的標(biāo)記,并將所有連通區(qū)域的大小進(jìn)行排序,只保留前n(目標(biāo)數(shù)量)個(gè)連通區(qū)域并保存其重心點(diǎn)(xi,yi);

在對(duì)經(jīng)過(guò)形態(tài)學(xué)處理后而得到的二值圖像bw1進(jìn)行連通區(qū)域的標(biāo)記,在這里選用的是按8連通尋找連通區(qū)域。其中8連通是指,如果對(duì)于某一像素點(diǎn)而言,另一像素點(diǎn)與其8鄰接,即在其周?chē)?個(gè)點(diǎn)即它的上下左右位置以及左上角、右上角或者左下角、右下角之中,那么這兩個(gè)像素點(diǎn)就是屬于8連通[14],如圖4所示。

圖4 4鄰接與8鄰接

本文使用的連通區(qū)域標(biāo)記的算法,它先對(duì)圖像進(jìn)行完整的遍歷,找到每一行中聚集在一起的非零像素即為團(tuán),并記下其所在的位置和等價(jià)對(duì),最后利用等價(jià)對(duì)對(duì)原本的圖像進(jìn)行重新的標(biāo)記[15]。

(5)以各連通區(qū)域的重心為初始種子點(diǎn),分別開(kāi)始區(qū)域生長(zhǎng),將取得的各個(gè)目標(biāo)點(diǎn)區(qū)域生長(zhǎng)結(jié)果進(jìn)行融合,得到最終的提取結(jié)果。

以步驟(4)得到的連通區(qū)域的重心(xi,yi)為種子點(diǎn),對(duì)每個(gè)種子點(diǎn)分別進(jìn)行區(qū)域生長(zhǎng)得到outi,最終結(jié)果如式(13)所示。

(13)

4 結(jié)果與分析

同樣選取一張單目標(biāo)紅外圖像和一張多目標(biāo)紅外圖像作為測(cè)試數(shù)據(jù),分別使用OTSU算法、FCM聚類(lèi)算法以及本文算法對(duì)原始圖像進(jìn)行目標(biāo)提取,圖中每組從左到右依次為原圖、OTSU算法的處理結(jié)果、FCM聚類(lèi)算法處理的結(jié)果以及本文算法所處理的結(jié)果，如圖5所示。

通過(guò)以上對(duì)比實(shí)驗(yàn)表明,本文改進(jìn)后的算法對(duì)于紅外目標(biāo)的提取具有較好的效果。由于視覺(jué)顯著性模型能直接獲取原圖中的顯著圖即紅外目標(biāo)區(qū)域,再通過(guò)閾值處理、形態(tài)學(xué)運(yùn)算、連通區(qū)域標(biāo)記,能準(zhǔn)確找到目標(biāo)所在區(qū)域的重心,代替了傳統(tǒng)區(qū)域生長(zhǎng)算法的人工選取種子點(diǎn),具有較好的準(zhǔn)確性與良好的視覺(jué)效果。

圖5 本文提取算法與經(jīng)典算法對(duì)比

5 結(jié)論

本文針對(duì)傳統(tǒng)區(qū)域生長(zhǎng)法的種子點(diǎn)需要人工交互的方式選取的不方便性,以及利用紅外圖像的目標(biāo)灰度比背景灰度大的特點(diǎn),提出將顯著模型與區(qū)域生長(zhǎng)相結(jié)合,以完成實(shí)現(xiàn)種子點(diǎn)的自動(dòng)選取的目的。通過(guò)matlab仿真實(shí)驗(yàn)對(duì)比證明,改進(jìn)后的算法相比OTSU、FCM等一些傳統(tǒng)算法對(duì)目標(biāo)的提取有更好的效果。