苗傳開(kāi),婁樹(shù)理

(煙臺(tái)大學(xué)物理與電子信息學(xué)院,山東 煙臺(tái) 264005)

紅外艦船目標(biāo)檢測(cè)與識(shí)別是紅外成像反艦導(dǎo)彈的一項(xiàng)關(guān)鍵技術(shù),決定著反艦導(dǎo)彈跟蹤制導(dǎo)性能,一直是國(guó)內(nèi)外研究的熱點(diǎn)問(wèn)題。從國(guó)內(nèi)外紅外成像反艦導(dǎo)彈使用和試驗(yàn)結(jié)果來(lái)看,目前仍存在島岸背景下目標(biāo)自動(dòng)識(shí)別難度大、抗云霧雨雪等干擾能力不足等問(wèn)題,嚴(yán)重制約著紅外成像反艦導(dǎo)彈武器裝備性能,如何在復(fù)雜環(huán)境背景下有效對(duì)艦船目標(biāo)自動(dòng)檢測(cè)識(shí)別已成為急需解決的難題。

目前,國(guó)內(nèi)外研究者在紅外成像艦船目標(biāo)檢測(cè)與識(shí)別方面做了大量的工作,也取得了一系列進(jìn)展。黃英東等[1]研究了利用海天線位置定位目標(biāo)艦船的方法,該方法能夠有效提取海天線以及艦船目標(biāo)在海天線區(qū)域中的位置;李翠紅[2]提出了一種利用海天線定位以及自適應(yīng)閾值法的自動(dòng)檢測(cè)算法,可有效增強(qiáng)紅外圖像的對(duì)比度、抑制背景,運(yùn)算速度也較快;郭小威等[3]利用海天線位置信息提取了目標(biāo)區(qū)域的多個(gè)特征,運(yùn)用加權(quán)平均法進(jìn)行紅外艦船目標(biāo)的特征融合,能夠有效提高紅外艦船的識(shí)別準(zhǔn)確率。這些方法是在提取海天線的基礎(chǔ)上進(jìn)行檢測(cè)識(shí)別,然而對(duì)于一些復(fù)雜環(huán)境背景下海天線提取極為困難,一旦無(wú)法提取或者發(fā)生誤檢則導(dǎo)致整個(gè)檢測(cè)識(shí)別算法無(wú)效。本文針對(duì)復(fù)雜環(huán)境背景下的紅外艦船目標(biāo)圖像,提出一種基于顯著性檢測(cè)和不變矩的艦船目標(biāo)檢測(cè)識(shí)別方法,在圖像預(yù)處理的基礎(chǔ)上利用顯著性檢測(cè)算法進(jìn)行艦船目標(biāo)的檢測(cè),并提取目標(biāo)特征,利用不變矩、長(zhǎng)寬比、占空比等多種特征對(duì)艦船進(jìn)行識(shí)別。

1 紅外圖像預(yù)處理

根據(jù)紅外成像的機(jī)理分析,艦船目標(biāo)的紅外圖像通常是灰度圖像,直接反映的是目標(biāo)與背景的輻射能量強(qiáng)度信息。艦船目標(biāo)紅外圖像噪聲較大,受海面遠(yuǎn)距離大氣傳輸衰減的影響,形狀和紋理信息不足,對(duì)比度較低,目標(biāo)直接提取困難;艦船目標(biāo)紅外成像受季節(jié)、天氣以及光照等因素影響較大,特別是惡劣氣象環(huán)境下的煙、云、霧、雨和雪等會(huì)嚴(yán)重影響成像效果,使艦船目標(biāo)圖像模糊不清。因此,為有效實(shí)現(xiàn)艦船目標(biāo)的檢測(cè)與識(shí)別,有必要對(duì)艦船目標(biāo)紅外圖像進(jìn)行預(yù)處理,有針對(duì)性去除噪聲,增強(qiáng)圖像對(duì)比度。

通過(guò)對(duì)艦船目標(biāo)紅外圖像分析發(fā)現(xiàn),圖像主要有2類(lèi)噪聲:(1)脈沖噪聲,由于紅外焦平面陣列器件盲元的影響,成像時(shí)敏感元飽和或不響應(yīng)導(dǎo)致圖像出現(xiàn)脈沖噪聲點(diǎn);(2)由于紅外光學(xué)系統(tǒng)的衍射像差、紅外探測(cè)器的積分效應(yīng)、非均勻性以及電子線路的作用,圖像存在大量的噪聲,從噪聲整體統(tǒng)計(jì)特性來(lái)看,可以認(rèn)為噪聲服從高斯分布[4]。本文采用中值濾波和維納濾波的濾波組合、灰度伽馬變換增強(qiáng)的預(yù)處理方案,中值濾波器可以有效濾除脈沖噪聲,維納濾波可以有效濾除高斯噪聲;針對(duì)艦船目標(biāo)紅外圖像對(duì)比度不夠、信噪比低的問(wèn)題,濾除噪聲后采用伽馬非線性變換實(shí)現(xiàn)對(duì)比度增強(qiáng),增強(qiáng)艦船目標(biāo),以利于后續(xù)目標(biāo)檢測(cè)。

2 圖像顯著性檢測(cè)

圖像顯著性區(qū)域檢測(cè)是近年來(lái)計(jì)算機(jī)視覺(jué)和圖像處理領(lǐng)域的研究熱點(diǎn)之一,其目的在于讓計(jì)算機(jī)學(xué)習(xí)人眼快速識(shí)別定位圖像的顯著性區(qū)域的能力。Itti模型是一種經(jīng)典自下向上的顯著性算法,能快速提取視場(chǎng)中最為顯著有用的目標(biāo)信息,檢測(cè)效果好且提取的區(qū)域分辨率較高,算法具有一定的計(jì)算效率,其算法大致可分為構(gòu)建多尺度圖像金字塔、提取底層空間特征以及計(jì)算顯著性區(qū)域3個(gè)環(huán)節(jié)[5]。

2.1 構(gòu)建多尺度圖像金字塔

其中:x′為核函數(shù)中心,σ為函數(shù)的寬度參數(shù),控制了函數(shù)的徑向作用范圍。

2.2 中央周邊差操作

所構(gòu)建的圖像金字塔中,尺度越大的圖像,其高頻細(xì)節(jié)越多,反之,尺度較小的圖像,由于平滑和抽樣等操作,從而更能反映背景信息,將圖像金字塔中的大尺度圖像與小尺度圖像進(jìn)行跨尺度的減操作,得到局部中心和周邊背景信息的反差信息。具體算法[7]如下:

(1)小尺度的圖像進(jìn)行線性插值,目的是讓小尺度圖像與大尺度圖像有相同大小,方便接下來(lái)進(jìn)行點(diǎn)對(duì)點(diǎn)的減操作,即中央周邊差操作:

I(c,s)=|I(c)?I(s)|,

O(c,s,θ)=|O(c,θ)?O(s,θ)|,

其中:?表示將兩圖像的尺寸調(diào)節(jié)到一致后做矩陣減法操作,I表示灰度信息特征圖,O表示方向特征圖。

(2)對(duì)每個(gè)特征通道的高斯金字塔進(jìn)行中央周邊差操作,依次檢測(cè)圖像中的特征不聯(lián)系性,即中心和周邊背景信息反差對(duì)比強(qiáng)烈的區(qū)域。

(3)將產(chǎn)生的中央周邊差結(jié)果圖進(jìn)行總結(jié),得到特征圖。

2.3 顯著性圖

在得到初步的特征圖像后,進(jìn)行紅外艦船圖像的底層的特征提取,提取多尺度紅外艦船圖像的灰度信息,輸出顯著性圖像。顯著性圖通過(guò)顯著性的空間分布來(lái)表示醒目度或顯著度,在視野中每個(gè)位置用一個(gè)定量向量表示,引導(dǎo)注意位置的選擇。

在顯著性圖構(gòu)建過(guò)程中,由于該模型缺少自頂向下的監(jiān)督機(jī)制,使用特征歸一化操作運(yùn)算符N(·)對(duì)特征圖進(jìn)行優(yōu)化,具體操作如下[7]:

(1)首先對(duì)輸入的特征圖歸一化到統(tǒng)一范圍[0,…,M];

(3)結(jié)合處理好的特征圖,計(jì)算最終的顯著性圖像:

其中:⊕是指多個(gè)圖像調(diào)整至統(tǒng)一尺寸后相加的操作。

最后得到顯著性圖像后,利用ESS[8-9]有效子窗口搜索工具算法進(jìn)行顯著性檢測(cè)檢索與標(biāo)記,可有效檢測(cè)出艦船目標(biāo)區(qū)域,并對(duì)檢測(cè)到的矩形窗口進(jìn)行一定比例擴(kuò)展,得到最終的顯著性目標(biāo)區(qū)域。算法結(jié)構(gòu)流程見(jiàn)圖1。

3 特征提取及目標(biāo)識(shí)別

3.1 形狀特征及灰度特征提取

通過(guò)對(duì)艦船目標(biāo)紅外圖像的特點(diǎn)分析,本文選擇如下特征:目標(biāo)的占空比;目標(biāo)的長(zhǎng)寬比;目標(biāo)所在顯著性區(qū)域灰度均值。

3.1.1 占空比特征函數(shù) 分割后艦船連通區(qū)域面積與緊套分割區(qū)最小矩形的面積比為[10]R1=Ar/Aw,

其中:Ar為分割艦船面積,Aw分割區(qū)矩形面積。

若T2≤R1

其他μR1=0。其中:0

圖1 顯著性檢測(cè)流程

3.1.2 長(zhǎng)寬比特征函數(shù) 緊套分割區(qū)矩形的長(zhǎng)寬比為[10]R2=Lh/Lw,其中Lh為分割區(qū)矩形長(zhǎng),Lw分割區(qū)矩形寬。

若T2≤R1

其他μR2=0,其中:0

其他μR3=0。

3.2 Hu不變矩特征提取

由于圖像幾何不變矩特征具有旋轉(zhuǎn)、平移、尺度等特性的不變性,在紅外艦船目標(biāo)識(shí)別領(lǐng)域,不變矩可以作為一個(gè)重要的特征,本文選取Hu不變矩作為紅外艦船目標(biāo)的重要特征。

利用二階和三階歸一化中心距計(jì)算的7個(gè)Hu不變矩,其數(shù)學(xué)表述如下[12]:

上述7個(gè)不變矩可構(gòu)成一組特征向量,其具有旋轉(zhuǎn),縮放和平移不變性,設(shè)Hu不變矩的特征函數(shù)為μR4。

其他μR4=0。

3.3 目標(biāo)識(shí)別

目標(biāo)識(shí)別算法是對(duì)待測(cè)目標(biāo)與標(biāo)準(zhǔn)樣本之間的相似程度,根據(jù)提取的目標(biāo)特征值,本文采用模糊綜合評(píng)判方法[13],利用特征函數(shù)的隸屬度構(gòu)造目標(biāo)置信函數(shù)P,進(jìn)行綜合目標(biāo)判斷,

P=ω1μR1+ω2μR2+ω3μR3+ω4μR4,

式中:ωi為權(quán)重系數(shù),對(duì)大量紅外艦船樣本圖像分析后，根據(jù)各特征穩(wěn)定度和識(shí)別相關(guān)度確定權(quán)重系數(shù)值,并確定綜合置信區(qū)間,設(shè)立綜合判據(jù)可實(shí)現(xiàn)對(duì)艦船準(zhǔn)確識(shí)別。

4 算法仿真分析

本文算法采用顯著性檢測(cè)算法對(duì)大量艦船目標(biāo)紅外圖像進(jìn)行仿真實(shí)驗(yàn),圖像波段分別為3～5 μm和8～12 μm,圖像大小分別為621×471、241×171,通過(guò)實(shí)驗(yàn)可以發(fā)現(xiàn),直接對(duì)原始紅外圖像進(jìn)行顯著性檢測(cè)時(shí),由于海面雜波過(guò)于嚴(yán)重，從而導(dǎo)致檢測(cè)算法失敗,以至于后續(xù)分割提取目標(biāo)分析出現(xiàn)嚴(yán)重偏差;經(jīng)過(guò)預(yù)處理后,檢測(cè)算法可以成功檢測(cè)到艦船目標(biāo),得到艦船目標(biāo)的顯著性區(qū)域,效果對(duì)比見(jiàn)圖2。

為了驗(yàn)證算法的有效性,本文對(duì)不同系列的紅外艦船圖像進(jìn)行效果檢測(cè),實(shí)驗(yàn)結(jié)果表明本文檢測(cè)算法可以完整檢測(cè)到目標(biāo)艦船的顯著性區(qū)域;針對(duì)通常算法難以檢測(cè)目標(biāo)的島嶼背景,本文顯著性檢測(cè)算法也可以成功準(zhǔn)確檢測(cè)出目標(biāo)艦船區(qū)域;有些紅外艦船系列圖像受島嶼背景的影響，海天線特征不明顯,提取困難,因此基于定位海天線的檢測(cè)算法無(wú)法對(duì)該系列圖像進(jìn)行有效的檢測(cè)處理,而本文算法可以成功檢測(cè)出艦船目標(biāo)區(qū)域,算法仿真效果對(duì)比見(jiàn)圖3、圖4。

圖2 系統(tǒng)仿真結(jié)果對(duì)比

圖3 8～12 μm系列圖像效果

采用顯著性檢測(cè)算法獲得顯著性區(qū)域后,針對(duì)顯著性區(qū)域進(jìn)行分割與提取目標(biāo)特征,圖2、圖3中3組序列圖像的艦船特征數(shù)據(jù)見(jiàn)表1。

從特征數(shù)據(jù)來(lái)看,同一序列圖像的艦船長(zhǎng)寬比、占空比數(shù)據(jù)基本不變,不同序列圖像的艦船長(zhǎng)寬比、占空比數(shù)據(jù)差異較大,也說(shuō)明長(zhǎng)寬比、占空比受艦船姿態(tài)影響大,隸屬度函數(shù)中權(quán)重相對(duì)要小;同一波段圖像的檢測(cè)區(qū)域灰度均值基本不變,不同波段圖像的灰度均值差異較大,也說(shuō)明不同波段下艦船紅外灰度特征不同,符合理論分析結(jié)果;3組序列圖像中Hu不變矩特征數(shù)據(jù)基本不變,說(shuō)明特征不受艦船姿態(tài)影響,具有旋轉(zhuǎn)、平移和尺度不變性,艦船目標(biāo)識(shí)別具有相對(duì)穩(wěn)定的識(shí)別效率。

大量仿真實(shí)驗(yàn)可知,本文檢測(cè)和識(shí)別算法可以對(duì)多種不同場(chǎng)景的紅外艦船目標(biāo)進(jìn)行有效檢測(cè)識(shí)別,適應(yīng)性較強(qiáng),檢測(cè)識(shí)別率可達(dá)90%以上。

圖4 含島嶼背景干擾的紅外艦船目標(biāo)效果

表1 不同系列艦船的各項(xiàng)特征

5 結(jié)束語(yǔ)

針對(duì)海天背景艦船目標(biāo)紅外圖像的噪聲問(wèn)題，首先采用預(yù)處理濾除噪聲，增強(qiáng)對(duì)比度，隨后使用顯著性檢測(cè)方法對(duì)艦船目標(biāo)區(qū)域進(jìn)行檢測(cè)分割，最后提取艦船多種特征并建立置信空間,實(shí)現(xiàn)對(duì)艦船目標(biāo)識(shí)別。本文算法能夠快速檢測(cè)出不同系列的紅外艦船目標(biāo)，采用多特征相結(jié)合的綜合評(píng)判識(shí)別方法，具有較高的檢測(cè)識(shí)別準(zhǔn)確率，可有效解決紅外艦船目標(biāo)的檢測(cè)識(shí)別問(wèn)題。