趙曉楓，魏銀鵬，侯 飛，楊佳星，蔡 偉

(1.火箭軍工程大學(xué)兵器發(fā)射理論與技術(shù)國家重點(diǎn)學(xué)科實(shí)驗(yàn)室，西安 710025;2.中國航空工業(yè)集團(tuán)公司洛陽電光設(shè)備研究所，河南 洛陽 471000)

0 引言

現(xiàn)代戰(zhàn)爭中，紅外偵測打擊系統(tǒng)能夠全天時(shí)、全天候?qū)?zhàn)場進(jìn)行探測，近年來，隨著無人機(jī)技術(shù)的快速發(fā)展，搭載紅外偵察設(shè)備的無人機(jī)近地低空偵察越來越普遍，無人機(jī)的使用方便了對軍用和民用目標(biāo)紅外圖像的探測，有效處理采集的紅外圖像對于目標(biāo)信息獲取非常重要。

紅外圖像本質(zhì)上是實(shí)際景物的溫度分布圖像，所以，溫度是紅外圖像最重要的特征。由斯蒂芬—玻爾茲曼定律可知，溫度的變化能夠反映輻射量的變化，因此可以將溫差作為一項(xiàng)指標(biāo)進(jìn)行分析。目前，基于溫差特性的方法廣泛應(yīng)用于基于圖像處理的紅外目標(biāo)探測，該方法通過對紅外圖像的目標(biāo)和背景提取灰度，計(jì)算紅外圖像的目標(biāo)和背景溫度差，結(jié)合約翰遜準(zhǔn)則以及系統(tǒng)的最小可分辨溫差(MRTD)，可得到一定探測距離處目標(biāo)的發(fā)現(xiàn)、識別、認(rèn)清概率，實(shí)現(xiàn)目標(biāo)探測[1-6]。

在基于溫差特征的目標(biāo)探測中，目標(biāo)分割是目標(biāo)探測的關(guān)鍵環(huán)節(jié)，分割準(zhǔn)確性的好壞直接影響到后續(xù)目標(biāo)探測精度。傳統(tǒng)的閾值分割法[7-9]能夠較好地完成目標(biāo)紅外圖像提取，但對紅外圖像邊緣信息分割不理想?；谙∈杈仃嚨淖V聚類[10]圖像分割方法(SCSSM)能夠改善圖像邊緣信息提取，但聚類耗時(shí)較長。

針對上述問題，本文通過引入卷積神經(jīng)網(wǎng)絡(luò)[11-14]縮小聚類樣本空間，提出一種新的譜聚類紅外圖像分割方法，來改進(jìn)傳統(tǒng)閾值分割法中存在的邊緣信息提取問題及SCSSM方法中存在的耗時(shí)長問題，提高目標(biāo)分割效果，提升紅外目標(biāo)探測的準(zhǔn)確性。

1 基于溫差特性的紅外目標(biāo)探測原理

溫度的改變也可以反映紅外輻射的差異，溫差特征反映到灰度圖像上就是目標(biāo)與背景亮度對比度的改變。因此，溫差特征不僅可以表示紅外圖像在區(qū)域形狀上的特征，也可以反映目標(biāo)和背景在輻射度上的特征。而用像素所代表的溫度之和代替等效面積溫度可以讓數(shù)字圖像的計(jì)算變得簡單，這種方法可以更加細(xì)致地體現(xiàn)溫度的改變。等效的溫差模型表示為

(1)

ΔT=Tt-Tb=A·ΔG+B

(2)

T=AG+B

(3)

式中：G表示灰度；Nt為目標(biāo)像素?cái)?shù)；Pt,i為第i個(gè)目標(biāo)像素點(diǎn)的溫度；Nb為背景像素?cái)?shù)；Pb,j為第j個(gè)背景像素點(diǎn)的溫度；T為溫度(單位，℉)；A為增益因子；B為偏移因子?？梢酝ㄟ^實(shí)驗(yàn)測得紅外成像系統(tǒng)的參數(shù)A，B。

經(jīng)大氣衰減到達(dá)探測器的等效溫差與物體本身和背景的溫差存在差異，實(shí)驗(yàn)研究表明，視在信噪比與人眼通過熱像儀觀察目標(biāo)時(shí)的識別概率有密切關(guān)系，識別概率越大，所需要的視在信噪比就越大。若想以信噪比(Vs/Vn)探測到目標(biāo)，須使等效溫差滿足

ΔT′=(Vs/Vn)·ΔT。

(4)

統(tǒng)計(jì)表明，識別概率為50%時(shí)，所需視在信噪比為2.8；當(dāng)識別概率為90%時(shí)，所需視在信噪比為4.5。在紅外目標(biāo)探測模型中，通常利用圖像的目標(biāo)和背景溫差特性，結(jié)合系統(tǒng)的最小可分辨溫差(MRTD)和約翰遜準(zhǔn)則，計(jì)算紅外目標(biāo)的發(fā)現(xiàn)、識別、認(rèn)清概率。

根據(jù)約翰遜準(zhǔn)則可知，等效條帶的參量為等效條帶的空間頻率和目標(biāo)與背景的平均溫差。目標(biāo)的等效條帶數(shù)n可由下式計(jì)算得出

ΔT=Dh(fh)

(5)

ΔT=Dv(fv)

(6)

(7)

(8)

為了通過目標(biāo)等效條帶數(shù)準(zhǔn)確計(jì)算探測概率，美國熱成像系統(tǒng)靜態(tài)性能模型FLIR92采用簡化公式

(9)

式中，

E=2.7+0.7N/N50。

(10)

結(jié)合式(9)、式(10)可以得到不同探測級別的目標(biāo)傳遞概率函數(shù)曲線(如圖1所示)，根據(jù)等效條帶數(shù)n可計(jì)算出目標(biāo)的發(fā)現(xiàn)、識別、認(rèn)清概率。

圖1 不同探測級別的目標(biāo)傳遞概率函數(shù)曲線Fig.1 The target transfer probability function of different detection levels

2 改進(jìn)的譜聚類分割算法

對紅外圖像溫差特征的提取，最重要的步驟是對圖像目標(biāo)和背景的分割。為解決閾值分割效果不佳的問題，通常采用基于稀疏矩陣的譜聚類圖像分割方法，但該算法在進(jìn)行聚類時(shí)耗費(fèi)時(shí)間過長，因此，本文提出了基于卷積神經(jīng)網(wǎng)絡(luò)的譜聚類分割算法(CIS-CNN)以提高譜聚類分割算法的聚類速度。

2.1 基于卷積神經(jīng)網(wǎng)絡(luò)的紅外圖像特征提取

卷積神經(jīng)網(wǎng)絡(luò)可以完成紅外圖像的特征提取。卷積的過程是對輸入特征提取的過程，不同于多層神經(jīng)網(wǎng)絡(luò)的全連接計(jì)算，卷積計(jì)算可以極大縮小計(jì)算空間。在一個(gè)卷積神經(jīng)網(wǎng)絡(luò)模型中，神經(jīng)元可分為兩類：一類是抗形變的C元，對應(yīng)卷積神經(jīng)網(wǎng)絡(luò)的卷積層，另一類是用于特征提取的S元，對應(yīng)卷積神經(jīng)網(wǎng)絡(luò)的池化層。圖2為卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖。

圖中，卷積層的輸出是通過卷積核來卷積上一層的輸入得到的，卷積的算式為

(11)

式中：Mij為二維輸入向量；Cij為卷積核；b1為訓(xùn)練偏置；f為激活函數(shù)；得到的卷積特征圖為矩陣F。

本文設(shè)計(jì)的網(wǎng)絡(luò)共采用5個(gè)卷積層，卷積采用步長為1、大小為3×3的卷積核；每個(gè)卷積層后都使用步長和大小均為2的最大值池化層。

池化是對卷積得到的每一個(gè)特征圖進(jìn)行采樣操作，這樣極大地縮小了樣本空間，降低了特征維數(shù)，同時(shí)能保持特征的局部不變性，池化得到的特征圖有效降低了圖像的分辨率和維度。

圖2 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.2 Diagram of CNN structure

2.2 基于卷積神經(jīng)網(wǎng)絡(luò)的譜聚類圖像分割算法流程

基于卷積神經(jīng)網(wǎng)絡(luò)的譜聚類圖像分割算法流程如下所述。

1) 將原始紅外圖像的像素壓縮為224×224，輸入壓縮后的圖像。

2) 將輸入圖像與卷積核進(jìn)行卷積，通過ReLU激活函數(shù)映射得到卷積層C1的特征集X1。

3) 對卷積得到的特征集X1進(jìn)行池化，得到子采樣層S1的特征集X2。

4) 重復(fù)2)，3)得到子采樣層S5，可視化得到子采樣后的特征集X10；可視化后的部分圖像如圖3所示，提取最終特征映射對應(yīng)的一個(gè)特征矩陣作為特征信息矩陣V。

5) 利用K-means對特征矩陣V進(jìn)行聚類，確定特征圖中像素點(diǎn)的類別數(shù)K。

6) 完成圖像分割。

圖3 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程Fig.3 CNN training process

3 實(shí)驗(yàn)分析

為驗(yàn)證基于卷積神經(jīng)網(wǎng)絡(luò)的譜聚類分割算法的效率和準(zhǔn)確性，分別進(jìn)行了圖像分割實(shí)驗(yàn)和目標(biāo)與背景溫差計(jì)算實(shí)驗(yàn)。

3.1 圖像分割實(shí)驗(yàn)

3.1.1 CIS-CNN分割效率實(shí)驗(yàn)

在SCSSM方法中，由于對小轎車原始紅外圖像進(jìn)行操作，其特征矩陣維度高導(dǎo)致聚類過程耗時(shí)長，因此，引入卷積神經(jīng)網(wǎng)絡(luò)，在進(jìn)行聚類過程中，改進(jìn)的CIS-CNN方法極大縮小了樣本的空間維度，減少了聚類過程耗時(shí)。圖4是兩種分割方法在聚類過程中的價(jià)值函數(shù)值(CFV)隨K值變化的曲線。

圖4 價(jià)值函數(shù)隨K值的變化曲線Fig.4 The change of CFV with the K value

由圖可知，當(dāng)K=7時(shí)，圖4a價(jià)值函數(shù)值近似收斂，圖4b價(jià)值函數(shù)值下降為0，因此，兩種方法得到的聚類中心數(shù)是相同的，在聚類數(shù)相同(K=7)的情況下，基于卷積神經(jīng)網(wǎng)絡(luò)的聚類圖像分割算法運(yùn)行時(shí)間為1 442.81 s，基于稀疏矩陣的譜聚類圖像分割算法的運(yùn)行時(shí)間為23 218.124 s，分割算法的聚類速度提高約16倍。

3.1.2 CIS-CNN分割效果分析

實(shí)驗(yàn)以灰度圖中小轎車為研究目標(biāo)展開分割效果的研究，利用FLUKE TiX640/660熱像儀在冬天采集了室外探測距離R分別為13.53 m，28.27 m，37.93 m，53.36 m和300 m的紅外圖像。

傳統(tǒng)的閾值分割常采用最大類間方差(OTSU)法，分別用CIS-CNN法與OTSU法完成紅外圖像中小轎車的分割，兩種分割法對采集的紅外圖像分割結(jié)果如圖5所示。

圖5 圖像分割結(jié)果Fig.5 Image segmentation results

從人眼視覺角度分析， CIS-CNN法的分割結(jié)果能夠保證目標(biāo)輪廓的完整性，當(dāng)R=13.53 m時(shí)，CIS-CNN法較OTSU法能夠更好地反映目標(biāo)不同區(qū)域的邊緣特征。隨著探測距離增加，當(dāng)R=37.93 m時(shí)，能夠較清楚地判斷出目標(biāo)小車的外形輪廓；當(dāng)R=53.36 m和R=300 m時(shí)，CIS- CNN法較OTSU法目標(biāo)區(qū)域圖像分割更準(zhǔn)確，但此時(shí)目標(biāo)的輪廓信息均已不能辨識。

3.2 目標(biāo)與背景溫差計(jì)算實(shí)驗(yàn)

根據(jù)式(1)～式(4)計(jì)算5種探測距離下目標(biāo)與背景的溫差，結(jié)果統(tǒng)計(jì)如表1所示，將溫差數(shù)據(jù)用折線圖表示，如圖6。

表1 不同分割方法不同距離情況下溫差計(jì)算統(tǒng)計(jì)表

圖6 不同分割方法實(shí)現(xiàn)溫差計(jì)算數(shù)據(jù)統(tǒng)計(jì)Fig.6 Data statistics of temperature difference calculation by different segmentation methods

已知圖像中目標(biāo)與背景的溫差值是固定不變的，但隨著探測距離增加，大氣衰減使到達(dá)探測器的等效溫差與物體本身與背景的溫差存在差異，從圖6可以看出，當(dāng)探測距離增加時(shí)，成像目標(biāo)變小，圖像中目標(biāo)和背景的溫差隨之減小，CIS-CNN與OTSU兩種方法得出的溫差計(jì)算結(jié)果也越來越接近，當(dāng)R=300m時(shí)，CIS-CNN法計(jì)算的溫差為46.08 ℉，OTSU法計(jì)算的溫差為47.46 ℉，兩種方法溫差計(jì)算結(jié)果近似相等，此時(shí)僅根據(jù)溫差已經(jīng)不能從背景中辨認(rèn)出小轎車。

實(shí)驗(yàn)照片由冬季室外紅外成像儀拍攝，室外低溫能為汽車表面提供較好的“降溫罩”，這將極大地縮小汽車表面同環(huán)境之間的溫差，提升探測難度。溫差計(jì)算結(jié)果同時(shí)可以作為評價(jià)兩種分割效果的評判依據(jù)，由圖6可以得出OTSU法的溫差值大于CIS-CNN法的溫差值，根據(jù)溫差計(jì)算原理可知，OTSU法分割出的目標(biāo)區(qū)域面積大于CIS-CNN法分割出的目標(biāo)區(qū)域面積，再結(jié)合人眼視覺角度分析可知，CIS-CNN法分割效果優(yōu)于OTSU法。

4 結(jié)論

本文針對紅外圖像分割不準(zhǔn)確而引起的探測效果不佳這個(gè)問題，提出了基于卷積神經(jīng)網(wǎng)絡(luò)的譜聚類紅外圖像分割方法；實(shí)驗(yàn)結(jié)果表明該方法能夠很好地提取目標(biāo)的特征信息，提高紅外圖像分割的準(zhǔn)確性；與傳統(tǒng)基于稀疏矩陣的譜聚類圖像分割方法相比，該方法的聚類速度提高了約16倍，在一定探測距離下，本文方法能更好地實(shí)現(xiàn)目標(biāo)與背景的溫差計(jì)算，為完成目標(biāo)探測打下基礎(chǔ)。