红外目标提取（精选7篇）
红外目标提取 篇1
在远程红外预警、红外搜索系统中, 需要在较远的距离下检测和跟踪目标, 以确保有充裕的反应时间实现对目标的准确栏截。但当红外成像系统与目标的相对距离较远时, 目标的红外成像面积非常小, 通常只有几个像素, 而且能量很弱, 同时红外图像中存在大面积的背景和较强的噪声干扰, 使得目标常淹没于背景和噪声之中, 这使得红外弱小目标的检测非常困难。
本文采取背景抑制方法, 通过将原始图像进行高通滤波、改进中值滤波等处理, 有效地抑制背景杂波, 提高图像的信杂比, 并在此基础上利用八向梯度法对滤波后图像进行阈值检测找出目标点, 以实现对弱小目标的检测。
1 弱小目标检测原理
弱小目标检测的实质就是将图像中的小目标从背景图像中分割出来。由于红外成像除了目标往往存在各种背景物, 如大气云层背景中, 除了有云层外, 还有空间上不相关的噪声;并且小目标成像面积小, 缺乏几何形状、纹理结构等特征, 可供检测识别的信息很少, 这些特征严重影响了对红外弱小目标的检测, 因此, 为了提高信噪比, 突出小目标, 需对图像进行检测前的图像预处理, 包括背景抑制和噪声削减等方法, 以提高对目标的检测概率;经过预处理后的图像再采用目标梯度阈值分割、多特征提取等算法即可实现对弱小目标的检测。弱小目标检测原理框图如图1所示。
2 弱小目标检测过程
2.1 图像背景抑制
利用红外传感器采集的小目标图像, 背景区域比较平坦, 是灰度变化缓慢的低频部分, 具有一定的相关性。而小目标的亮度较背景高, 其灰度处于突变区域, 且与背景不相关, 是图像中的高频部分。由于高通滤波器能有效抑制低频分量, 让高频分量通过, 为此采用高通滤波器来进行全视场的背景抑制, 背景抑制的结果增强了局部弱小目标同时也保留了部分高频噪声。
对于数字图像, 滤波器的脉冲响应函数一般选用卷积模板来表示, 记为矩阵H。在模板系数选择上, 如果矩阵中间权值之和与旁边权值之和相互抵消, 就能有效地去除低频分量, 由于小目标一般都是包含几个像素, 因而取如下模板H:
2.2 改进的中值滤波
中值滤波法是一种非线性变换, 它不仅能保持轮廓边缘的清晰度, 对多种噪声有良好的去噪功能, 而且算法简单, 便于实现。其实现过程如下:
(1) 选择一个有奇数点的滑动窗。如一维处理可选长度为3, 5等的滑动窗, 二维处理可以选择3×3, 5×5等的滑动窗。
(2) 将滑动窗内的点按数值大小顺序排列成序列X。
(3) 将滑动窗中心的点用序列X的中值代替。如长度为5的滑动窗的中心用序列X的第3个值替换, 滑动窗为3×3的中心用序列X的第5个值替换。
由于高通滤波后的图像在保留弱小目标的同时也保留了高频噪声, 为了进一步抑制噪声, 需要对图像再次滤波。由于红外成像系统中热扩散的原因, 目标的成像面积一般大于一个像素。本文选用的改进中值滤波, 以尽可能去除非目标象素点, 满足弱小目标单帧检测概率要求。其实现过程如下:
(1) 弱小目标在红外成通常像上仅形成一个不大于3×3像素的非均匀区域, 因此选择一个3×3的滑动窗。
(2) 将3×3滑动窗内的点按灰度从大到小排列成序列X。
(3) 将滑动窗中心的灰度用序列X的第三个值代替, 即选取灰度第三大的点的灰度作为该点的灰度。
通过改进的中值滤波, 可以去掉孤立的噪声点, 同时又确保保留像素点不小于3的小目标, 避免造成漏警。
2.3 八向梯度法决策
经过对大量复杂云层图像的观察和分析, 发现红外图像中的弱小目标即使在整个图像中强度不是最强的, 但在它所处的小区域中与局域背景的差别较明显, 弱点目标沿各个方向上的梯度均较高, 而背景部分的梯度由于其相关性不具有这一特性, 且边缘仅在某些连续的方向上具有高梯度。
基于以上观点, 这里提出用多向梯度来检测弱小目标的原理。梯度可以定量反应待检测像素点在某一方向上高于其周围像素点数值大小的量, 当多个方向的差异度都大于一定阈值时, 则该像素点为弱小目标;反之, 则为背景。
图像任意一点的梯度为一矢量, 其数学定义如下:
该梯度向量的模为:
式中, m, n为水平和垂直方向的梯度步长, 它的选取与目标大小、系统要求的检测概率和计算时间相关。一般情况下, 对图像中每点梯度的计算方向越多对检测弱小目标越有利, 但计算量会急剧增加, 导致实时性差。综合考虑检测效果和实时性, 本文采用八向梯度来计算, 则定义图像中任意一点f (x, y) 的八向梯度为:
根据阈值判决的方法, 利用式 (5) 将梯度图像G[f (x, y) ]进行二值化处理, 则加阈值的梯度图像g (x, y) 的表达式为:
式中TH为阈值门限, 且TTHH由梯度图像G[f (x, y) ]的均值μ和标准差σ来构造, 如公式 (6) 所示:
式中λ为梯度阈值系数, 一般选取2.0~2.4时, 该阈值分割算法能实现较高的检测概率 (>95%) , 同时又将虚警个数降得较低 (每帧虚警个数可小于5) , 从而达到了检测目的。
3 实验结果及结论
采用原始红外图像, 经高通滤波后、改进中值滤波、八向梯度均值分割后的图像如图2~5所示。
从图2可以看出原始图像经过高通滤波后, 大面积的背景被抑制掉, 但还是保留了大量的高频噪声;经过改进的中值滤波后, 可以看到噪声被进一步抑制, 但降低了图像的信噪比, 不便于目标辨认;再经过八向梯度判决滤除了背景干扰, 获取了正确目标。经过实验及结果分析验证了本文算法是切实有效的。
参考文献
[1]王江安, 肖伟岸.基于双波段的目标红外特征分析[J].激光与红外, 2001, 31 (6) :351~353.
[2]章毓晋.图像工程[M].北京:清华大学出版社, 2007.
[3]宗思光, 王江安.多量级多向梯度海空复杂背景红外弱点目标检测[J].应用光学, 2005, 26 (5) .
红外目标提取 篇2
边缘是图像的最基本的特征,边缘检测在计算机视觉、图像分析等应用中起着重要作用,是图像分析与识别的重要环节。常用的边缘检测算子有Robert算子、Prewitt算子、Sobel算子、Laplace算子和LoG算子[1]等。这些算子比较简单,易于实现,并且能实时进行边缘检测。但是由于它们大多是基于局部窗口的微分梯度算子,对噪声很敏感,因此不适合于处理受到噪声干扰的图像。Canny于1986年提出的基于最优化算法的边缘检测算子具有很好的信噪比和检测精度,它在图像处理领域已被广泛采用。然而在视频图像实时处理应用中由于提取的细节过多,导致计算量太大,实时性很差。本文从人眼视觉仿生的角度,运用一种基于人眼微动机制的边缘提取算法,有效解决了视频红外图像边缘提取的可靠性和实时性问题。
2 算法原理
1952年Ditchburn和Ginsborg[2]首先观察到人眼在停止眼球的所有运动时,静止的图像将突然变模糊并消失。因此提出眼动与视觉的产生存在直接的关系。后续研究证明人眼主要依靠微动机制来分辩物体的边缘,基于眼球微动的方法具有很强的边缘提取能力。结合视网膜的节细胞对方向的敏感性,基于人眼微动的边缘提取方法[3]如图1所示,首先选择人眼微动的方向,然后在场景图的进行此方向的边缘选择,之后各个方向边缘通道图进入竞争环节,竞争的结果则是各个方向最优的整体边缘图。
以f(x,y)代表输入图像,为简化处理,∆t内的响应用差分公式表达:
式中:∆x,∆y分别为x,y方向的移动距离单元;k1,k2为移动的大小;θ为微动的运动方向:
以r(x,y)代表网络的输出,那么竞争网络的实现模型为
对输出取阈值Threshold,那么得到二值边缘图:
其中,各方向的边缘获取是依据前一节的时空模板,后面的竞争代表了方向判断,等价于一个WTA(Win Take All)环节。
2.1 计算步骤
模拟眼睛对视频场景图像的边缘特征提取算法步骤为:
步骤1:首先输入数字视频流,提取其中的一帧图像场景矩阵A;
步骤2:通过对A矩阵在微动方向的移位,生成综合移动阵序列B=[Bk Bv Bd],h、v、d分别代表水平、垂直和斜向;
步骤3:计算B矩阵与A矩阵的亮度变化矩阵序列Ai=[Ck Cv Cd];
步骤4:引入竞争机制,由C矩阵获取边缘图矩阵D;
步骤5:把D矩阵量化到[0,256]级灰度,或者直接取阈值进行二值边缘图的获取。
2.2 B矩阵的生成
在生成移动阵B的处理中,引入移动参数d代表眼球空间位移的幅值,以水平移动为例见图2,C矩阵的获取可以通过简单的B矩阵与输入A矩阵的差获得:
D矩阵通过各矩阵比较来获得。其中,灰度值取矩阵中同一位置中灰度最大的一个:
对D阵可以重新量化到[0,256],或者取阈值来获得二值化边缘图。
2.3 算法特点分析
1)眼球微动的幅度与人眼的视锐度有直接的关系,微动的幅度越小得到的边缘愈细致,微动幅度的增大对应的边缘线条变粗,但是对大尺度边缘的突出能力强于小幅度的情形。
2)以上模拟眼球微动下边缘特征通道的信息处理是通过矩阵形式实现对视频流中一帧图像做整体处理,算法具有可扩展性的特点。可以对图像进行分块处理,典型的做法是在微动幅度等于一个像素时,把图像分成3×3小块分别处理。适合硬件实现。
3)与传统边缘提取算法相比,基于人眼微动的边缘提取算法具有很好的信噪比和提取精度,并且算法运算具有规则性,通过对算法的扩展和优化很适合FPGA并行实时实现。
3 算法的FPGA实现
FPGA(Field Programmable Gate Array)是一种大规模的可编程逻辑器件,可以用于各种数字逻辑系统,特别是实时处理方面,具有独特的优势。在本算法的实时实现过程中,采用Altera公司的性价比高的Cyclone II EP2C8 FPGA[4],该器件内部有8256个LE,18个DSP模块,165 888 bits存储单元。这些存储单元可以配置为大小、位数不同的存储器,它可以减少外部存储器的使用,缩小硬件的体积,便于电路的小型化。
3.1 基于人眼微动边缘提取算法的并行处理结构
由于图像并行处理技术可大幅度提高处理速度,因而获得了广泛的运用。常用的并行处理[5]有两种最基本的连接模式,如图3所示:(a)流水线连接和(b)并行阵列连接。
在流水线结构中,一个大任务被分解成复杂性大致相同的小任务,各小任务在流水线上同时执行,整个任务的速度取决于执行时间最长的子任务的执行时间。因而,具有处理速度高的特点。
流水线结构是以不同事务的并行处理为特征,而并行阵列结构是以相同事务的并行处理为特征,实际运用中常采用他们的组合形式。
在进行基于人眼微动边缘提取算法过程中,对各微动方向的边缘提取,采用并行阵列结构,对每一单个方向边缘提取,采用流水线结构。这样,可保证在一个时钟周期内完成一个点的梯度计算。以微动幅度为一个像素为例,采集的数字视频为PAL制式。为了形成计算所需的三个方向的微动像素阵列,在视频传输过程中,采用了四路延迟FIFO串联,得到四路并行数据流,通过后续移位寄存器阵列得到4×4的像素矩阵。后续的各方向微动处理根据需要在矩阵中取3×3像素矩阵。设计的处理结构如图4所示。
(a)流水线连接;(b)并行阵列处理连接
(a)Sequential connecting;(b)Parallel array processing connecting
3.2 算法在FPGA中实现的结构原理
图5所示算法FPGA实现的硬件结构,主要由视频数据流接口、基于三个不同方向微动的边缘提取模块、竞争决策模块、视频数据传输接口组成。
FPGA内部视频流采集单元在视频采集的同时,通过数据延迟移位,分别形成水平、垂直、斜向和原始图像的3×3模板,各方向微动处理模块对各模板进行微动序列阵变换,得到的各方向梯度值经过比较取最值作为模板中心点的梯度,送入视频数据流传输接口输出。各微动方向处理过程在一个像素时钟周期内并行完成。整个算法处理在采集视频流一帧图像结束后四个像素行时间内完成,具有很强的实时性。
4 实验结果与分析
采用Cyclone II EP2C8 FPGA对该算法进行实现验证,只消耗了1 000个LE,23 040 bit的RAM。仅占FPGA总资源数的20%,内存资源的13%。通过并行和流水线处理结构,算法的最大处理时钟可以达到100 MHz,每秒处理400帧图像。适合高速视频流处理应用。与其他几种传统的边缘提取算法在Cyclone II EP2C8 FPGA中实现消耗资源相比如表1,具有较强的优势。
为了验证人眼微动边缘提取算法在FPGA中实现的效果,本文作了大量的实验,限于篇幅,这里仅仅给出4幅实验效果图。我们将基于人眼微动边缘提取算法与经典的Sobel算法、Lo G算法在FPGA中实时实现并进行比较。
图6(a)所示为一幅384×288飞机红外图像,图6(b)、(c)、(d)分别给出几种传统的边缘提取算法和本文算法经过FPGA实现的效果图比较,可以看出,基于人眼微动边缘提取算法能够将红外图像中飞机目标的外围轮廓完整清晰地提取出来,而经典的LoG算法虽然细节提取得较好,但是图像中的目标却被淹没在过多的细节中,这不利于自动目标识别的后续处理工作。Sobel算法所提取的目标边缘不十分完整,而且目标的周围有较多的细节干扰。综合算法在FPAG中消耗的资源考虑,与传统的边缘提取方法在FPGA中实现相比,基于人眼微动边缘提取算法以较低的资源利用率实现了很好的边缘提取效果。为后续视频图像识别和跟踪处理奠定了基础。
参考文献
[1]高文,陈熙霖.计算机视觉-算法与系统原理[M].北京:清华大学出版社,2000.GAO Wen,CHEN Xi-lin.Computer Vision-Algorithm And System of Principle[M].Beijing:Tsinghua University Press,2002.
[2]Ditchbum R W,Ginsborg B L.Vision with a stabilized retinal image[J].Nature,1952,170(4314):36-37.
[3]王立.视觉机制研究及其在红外成像制导中的应用[D].西安:西北工业大学,2003.WANG Li.Research On Vision System And Application For Infrared Image Guidance[D].Xi’an:West Industry University,2003.
[4]Altera.cycloneII-handbook[K].[S.l.]:Altera,2005.
[5]DOWNTON A,CROOKES D.Parallel architectures for image processing[J].Electronics&Communication Engineering Journal,1998,10(3):25-26.
[6]朱红,赵亦工.基于背景自适应预测的红外弱小运动目标检测[J].红外与毫米波学报,1999,18(4):305-310.ZHU Hong,ZHAO Yi-gong.Infrared Small Targets Testing Based On Background Self-adjust[J].Journal of Infrared and Millimeter Wave,1999,18(4):305-310.
[7]元兰秋,阮文.基于小波变换方法的红外动目标检测[J].激光与红外,1997,27(4):209-211.YUAN Lan-qiu,RUAN Wen.Infrared Moving Targets Testing Based On Small Wave Change Way[J].Laser&Infrared,1997,27(4):209-211.
红外目标提取 篇3
复杂海天背景红外图像中，远距离条件下的海面舰船目标成像面积小、信噪比低、并且缺乏明显的结构信息，处理过程中容易受到海面背景杂波的干扰，严重影响目标识别效果。有鉴于此，针对远距离舰船小目标总是出现在海天线附近的特点，通过检测海天线位置来确定目标的潜在区域，可以极大地缩小目标搜索范围，排除海浪和云团的干扰，提高目标检测率，因此海天线在海面小目标检测中有很重要的意义。
对海天线检测，近年来有不少学者做过积极的工作，形成了以下几类方法。第一类是直线拟合法[1]，将图像沿行方向平均分成N个区，在每个区域内，通过求梯度的最大值，得到区域内的海天线坐标，然后根据LMS方法对N个区的海天线坐标拟合得到海天线。这种方法用于简单背景可以取得良好的性能，但在某些复杂背景条件下，图像受到海杂波、太阳光、云层等自然背景的干扰，难以得到满意的提取效果。第二类是行扫描方法[2]。这种方法未考虑到海天线是倾斜的情况。同时忽略了海杂波的干扰。第三类是Hough变换方法[3]。这种方法仅考虑了图像的边缘信息，在背景复杂的情况下，很难鲁棒地检测出正确的海天线。第四类是OTSU方法[4]，通过确定阈值分割海面与天空区域，提取海天线。然而在复杂海天背景下，区域分割的最佳阈值很难计算，影响了算法的处理效果。第五类是基于多尺度小波变换的方法[5]。由于需要在多个尺度上分析图像，计算复杂，小波变换的引入使算法的工程性降低。
上述几类方法利用特定的图像特征进行海天线识别，仅对少数几种背景条件下的海天线识别具有较高的正确率，适用性不广，由于图像中有可能存在大量海杂波，云团和噪声等干扰，得到的海天线未加验证，正确性难以保证。文献[6]虽利用了灰度和长度等信息对候选海天线进行了验证，但验证仍是不充分的，无法适应复杂多变的海天环境。
由于运用模糊数学方法解决实际问题具有相当大的灵活性[7]，针对上述几类算法适用性不广，抗干扰能力不强的问题，本文将模糊模式识别方法应用到红外图像海天线的提取算法中，提出了一种基于模糊综合评判技术的海天线识别算法，通过大量数据测试表明，该算法能够鲁棒地、正确地检测出多种海天背景中的海天线，具有较强的适应性。
1 海天线特点分析
算法的有效性依赖于算法适用的条件和环境，而新算法的提出也源于对适用环境的分析，通过对实际拍摄的不同条件下的大量红外图像数据进行分析，得到以下结论：
1)海天线一般可近似看作一条直线。这是红外图像中海天线最重要也是最显著的特征。
2)海天线上每一点的梯度的方向具有一致性，并且梯度的模值相近。
3)在某些情况下，海天背景红外图像中有云团和海杂波干扰，有时云团的边缘和海杂波也表现出明显的直线特征，极易对海天线的识别产生干扰。但是云团边缘和海杂波与海天线也有本质的区别。
4)海天背景主要由海面区域和天空区域组成。通常情况下，天空由于太阳光辐射和大气辐射，温度较高，表现为高亮度。海洋的辐射由海洋本身的热辐射和它对环境辐射(太阳和大气)的反射组成，海水温度较低，海面总体表现为低亮度。体现在红外图像中海面、天空两部分灰度存在较大差别。
5)在红外图像中，海天线位于所有云层边缘干扰的下方，位于所有海杂波干扰的上方。
充分利用上述海空背景特征和海天线特征，提出了下面的海天线模糊综合评判识别算法。
2 海天线识别算法
本文算法的思想是首先对海天背景图像进行预处理，去除高斯噪声和图像坏点噪声以及云层、海浪等峰值噪声;然后对预处理的图像求梯度，包括各点水平方向梯度、垂直方向梯度和梯度的相位，再对垂直方向梯度图进行Radon变换;之后取Radon变换的前若干个峰值，这些峰值代表的直线作为候选海天线;对所有的候选海天线的四项特征因子进行评分，按照一定的权值进行模糊综合评判得到总分;根据综合评分输出海天线识别结果。算法流程如图1所示。
2.1 中值滤波
海天背景红外图像通常含有大量的云层、海浪等峰值噪声以及高斯噪声和图像坏点噪声，如果不处理会导致海天线的偏离以致找不到海天线准确的位置，而中值滤波是基于排序统计理论的非线性信号处理技术，在有效滤除噪声(尤其是脉冲噪声)的同时很好的保留信号细节信息，且运算简单，速度快。因而本文选用中值滤波进行预滤波，去除坏点噪声的同时较好地保留了目标的边缘信息。这里采用33的中值滤波。
2.2 梯度计算
对中值滤波后的图像I(M行N列)的每个像素分别求取x方向和y方向的梯度值gx、gy:
根据式(1)和式(2)求取各点的梯度相位，如式(3)所示：
2.3 Radon变换
采用Hough变换的方法，需要先对梯度图进行阈值化得到边缘二值图像，然后进行变换。在阈值化的过程中，梯度值大于阈值的点统一用“1”表示，梯度值小于阈值的点统一用“0”表示，这样就丢失了大部分的梯度值的大小信息，而且阈值的选取是否得当会对后续算法产生影响。Radon变换类似于Hough变换，可以检测图像中任意角度的直线。根据文献[8,9]可知，图像投影就是图像在某一方向上的线积分，对于数字图像来说，就是在某一方向的累加和。Radon变换即是将原来的图像变换为它在各个方向角度的投影表示。设图像f(x,y)在任意角度θ上的线投影定义为
其中
于是，R值的大小就反映了原图像中某一条直线上所经过的点的像素值之和。可以直接对梯度图进行Radon变换，充分利用梯度大小信息，并且省略了阈值化的过程。在海天线上梯度相近，海天线方向的线积分使得海天线的梯度数值叠加效果明显，响应加大，而非海天线方向，梯度值不相近，甚至有正有负，Radon变换值的抵消效果明显，响应较小，从而突出海天线的响应，更有利于海天线的提取。
基于海天背景红外图像中海天线基本保持水平的特点，Radon变换的对象可以仅仅使用垂直方向的梯度图gy(i,j)，为了突出高梯度值，抑制低梯度值，可以采用立方函数对归一化梯度图进行非线性拉伸处理(图2)，进一步加强海天线响应。
2.4 模糊综合评判
仅仅使用单一特征进行海天线提取，其识别正确率难以保证，因为很难找到某一特征在所有情况下都具有良好的区分性。比如仅仅根据Hough变换的响应大小进行判定，由于海杂波等干扰，难以保证海天线的Hough变换响应就是全局最大的。即使有人提出许多基于Hough变换的改进算法[8,9,10]，但是也忽略了海天线的许多其他特征，而如果联合使用这些特征可以帮助对海天线的确认。因此，通过对实际录取的大量海天背景红外图像进行分析，本文提出以下几个区分性较好的特征量，通过这些特征的联合确认，最终给出海天线识别结果。
1)Radon变换响应
Radon变换响应值的大小反映了图像中存在直线的可能，某点响应值大，说明这点对应的原图中存在更加明显的直线特征。由于海天线是一条贯穿整个图像的直线，而海杂波干扰和云层边缘干扰等相对于海天线来说，直线特征没有那么明显，或者不能够贯穿整个图像，所以Radon变换响应值RadonRes是一个主要的识别海天线的特征。
可选取Radon变换响应的前N个极大值点代表的直线作为候选海天线(如N=20)。
2)海天线上所有点的梯度值Y之和
由于海天线实际上是一条近似水平的带状区域，Radon变换代表的直线不一定非常精确地定位在海天交界。因此对1)中提取到的每条候选海天线，分别求以海天线上每点k为中心的临域内所有点的梯度Y，进行加权求和得到YGrad(k)。然后对每点对应的YGrad(k)值累加得到YSumGrad(图3所示)，作为候选海天线的第二个特征。
3)海天线上梯度相位的方差
根据第1节中海天线特征的分析，海天线上的梯度相位具有一致性，方差应较小，而在非海天线的干扰处，一般来说相位一致性较差，方差比较大。因此采用海天线上梯度相位的方差作为另一个特征，将方差值经过一定变换得到得分VarScore，使得方差值越小，该得分越大。
4)海天线的位置和对比度信息
根据第1节中海天线特征的分析可知，海天背景红外图像中海面、天空两部分灰度存在较大差别，天空表现为高亮度，海面表现为低亮度。在海天线上下取两个条带，每个条带取灰度均值msky和msea，对于真正的海天线msky/msea值比较大(>>1)，对于云层边缘或者海杂波，msky/msea值比较小(接近1)。
另一方面，海天线一定位于所有海杂波的上方，且必位于所有云层边缘的下方，利用此位置信息，与上述对比度信息进行融合，得到另一个特征DistCtr。
综上，得到了四个主要特征：1)直线响应因子RadonRes;2)梯度总强度因子YSumGrad;3)相位一致性因子VarScore;4)位置和对比度因子DistCtr。将上述四项因子进行加权累加得到综合评判总分Score，选取得分最大的一条海天线作为结果输出。
3 实验结果
在实地录取的大量海天背景红外图像中选取四幅有代表性的红外图像来测试提出的算法。图4(a)为较清晰图像，图4(b)为噪声严重的红外图像，图4(c)为低信噪比且海杂波丰富的红外图像，图4(d)为云层边缘丰富的红外图像。和本文算法比较的方法包括：1)改进的直线拟合法[1]。2)基于相位编组的Hough变换法[6]。详细结果分析如下：
改进的直线拟合法，对于海天对比度明显的简单背景的图像图5(a)可以取得较好的效果，对于噪声严重的图像图5(b)，由于每个分区检测到的点的位置偏差较大，经过拟合后偏差很大。对于对比度很低的图像图5(c)，由于每个子区的梯度变化不明显，所以海天线定位不精确，拟合后海天线检测失败。对于图5(d)，由于采用制冷型红外相机拍摄，海天分界处梯度最大，直线拟合法能够较好的确定海天线，但是由于舰船目标吃水线的影响，位置不是十分精确。
基于相位编组的Hough变换法，对于没有海杂波和云层边缘等线特征干扰的图像图6(a)(b)，能够取得较好的效果，且具有较好的抗噪声能力，但是对于图6(c)的海杂波干扰，和图6(d)的云层干扰，Hough变换法检测失败。
下面是采用本文算法的实验结果。
对于图4(a)，虽然DistCtr(位置和对比度信息)这一项因子区分度较弱，但Radon响应，梯度Y和，相位一致性这三项因子得分远远大于其他候选海天线。四项因子得分均排名第一，总分最大值为4，次大值为1.39，分值比为2.88，区分显著，如图7所示。
对于图4(b)，虽然Radon响应区分度较弱，但其它三项因子得分区分度较好，抑制了大部分虚警。四项因子得分均排名第一，总分最大值为4，次大值为1.59，分值比2.52，区分度较好，可信度高，如图8。
对于图4(c)，由于对比度低，且存在大量杂波干扰，真实海天线的Radon响应并不是最大的，但其它三项因子得分均为分项最大值。因此综合评分3.719为最大，且与次大值2.242之比为1.66，区分度较好，如图9所示。
对于图4(d)，由于对比度较高，真实的海天线四项因子得分都是最高的，并且每一项都远远大于其他虚警，因此综合评分最大，值为4，与次大值0.85之比为4.7，区分显著，可信度高，如图10所示。
上述实验结果表明，梯度图可以更明显地突出海天线，抑制背景干扰。通过对梯度图进行非线性拉伸变换，增强效果明显，可适应低对比度图像，并有利于进一步降低噪声干扰。本文算法利用的信息有：1)对拉伸后的梯度图做Radon变换得到的RadonRes可以较好地筛选出候选海天线，再联合YSumGrad特征评分充分利用了图像中的梯度模值信息;2)由于海天线是一条连贯的直线，而云层边缘和海杂波干扰往往具有不连续的特点，因此，就梯度相位的一致性而言，海天线上每点的梯度相位是一致的，即使受到噪声和干扰的影响，其方差值也不会太大，但是沿云层边缘和海杂波方向的梯度相位由于不连贯性，会产生剧烈变化，方差很大。因此VarScore充分利用了梯度相位信息，是一个有效的特征评分因子。3)海天背景红外图像主要由海面区域和天空区域组成。通常天空温度较高，表现为高亮度。海水温度较低，海面总体表现为低亮度。体现在红外图像中海面、天空两部分灰度存在较大差别。这是区别于可见光图像的重要特征。利用这一灰度差异，综合海天线和云层、海杂波的位置特点，得到DistCtr可以进一步增加海天线识别的置信度。
本文算法联合四项评分因子进行模糊综合评判，具有抗噪声和云层边缘及海杂波干扰能力强的优点，可适应不同条件下的海天背景红外图像。
结束语
海天线检测是研究红外图像舰船自动目标识别的一项重要内容。通过海天线检测，可以确定缩小目标区域，抑制区域外复杂环境的干扰，提高识别率，减少计算时间。本文深入探讨了海天环境下红外图像的特点，充分分析了海天线和其他线特征如海杂波和云层边缘的区别，提出了一种基于四项因子模糊综合评判的海天线检测识别方法，算法对比和实测数据结果验证了该算法具有定位精度高，识别效果好，抗干扰能力强，适用范围广等优点。
参考文献
[1]刘松涛,周晓东,张晓敏.舰船目标海天线提取方法研究[J].海军航空工程学院学报,2002,17(6):642-644.LIU Song-tao,ZHOU Xiao-dong,ZHANG Xiao-min.Research on Locating the Sea-sky Boundary of Ship Target[J].Journal of Naval Aeronautical Engineering Institute,2002,17(6):642-644.
[2]刘士建,蒋敏,庄良.一种快速有效的红外图像中海天线提取算法[J].红外技术,2011,33(4):230-232,240.LIU Shi-jian,JIANG Min,ZHUANG Liang.A Fast and Effective Algorithm for Sea-sky-line Extraction in Infrared Images[J].Infrared Technology,2011,33(4):230-232,240.
[3]董宇星,刘伟宁,王爽.基于Canny原理海天线检测算法研究[J].计算机测量与控制,2010,18(3):697-698,702.DONG Yu-xing,LIU Wei-ning,WANG Shuang.Study of Sea-sky-line Detection Algorithm Based on Canny Theory[J].Computer Measurement&Control,2010,18(3):697-698,702.
[4]温佩芝,史泽林,于海斌.复杂海面背景红外小目标自动检测方法[J].红外与激光工程,2003,32(6):590-593,604.WEN Pei-zhi,SHI Ze-lin,YU Hai-bin.Automatic detection method of IR small target in complex sea background[J].Infrared and Laser Engineering,2003,32(6):590-593,604.
[5]韩艳丽,任建存,卢刚.一种基于小波变换的天水线提取算法[J].海军航空工程学院学报,2005,20(3):338-340.HAN Yan-lin,REN Jian-cun,LU Gang.The Border between Sky and Sea Extracting Based on Wavelet Transform[J].Journal of Naval Aeronautical Engineering Institute,2005,20(3):338-340.
[6]桂阳,杨夏,朱宪伟,等.基于相位编组和灰度统计的海天线检测[J].国防科技大学学报,2011,33(6):111-115.GUI Yang,YANG Xia,ZHU Xian-wei,et al.Sea-sky-line Detection Based on Phase Grouping and Gray Statistics[J].Journal of National University of Defense Technology,2011,33(6):111-115.
[7]孙即祥.现代模式识别:二版[M].北京:高等教育出版社,2008:338.SUN Ji-xiang.Modern Pattern Recognition:Second Edition[M].Beijing:Higher Education Press,2008:338.
[8]Bracewell,Ronald N.Two-Dimensional Imaging[M].Englewood Cliffs,NJ:Prentice Hall,1995:505-537.
[9]Lim,Jae S.Two-Dimensional Signal and Image Processing[M].Englewood Cliffs,NJ,1990:42-45.
[10]吕俊伟,王成刚,周晓东,等.基于分形特征和Hough变换的海天线检测算法[J].海军航空工程学院学报,2006,21(5):545-548.LüJun-wei,WANG Cheng-gang,ZHOU Xiao-dong,et al.A Sea-sky-line Detection Algorithm Based on Fractal Feature and Hough Transform[J].Journal of Naval Aeronautical Engineering Institute,2006,21(5):545-548.
[11]董月芳,张云峰,刘扬,等.基于相位编组的Hough变换提取海天线算法[J].液晶与显示,2010,25(6):901-908.DONG Yue-fang,ZHANG Yun-feng,LIU Yang,et al.Hough Transform Based on Phase Grouping Algorithm for Extracting Sea-sky-line[J].Chinese Journal of Liquid Crystals and Displays,2010,25(6):901-908.
红外目标提取 篇4
我国《现代中药学大辞典》、《中药大辞典》等药典中把牛蒡的药理作用概括为:有促进生长作用;有抑制肿瘤生长作用;有抗菌和抗真菌作用。
本研究拟通过对临洮产牛蒡的根、茎、叶、子的不同溶剂提取物红外图谱的初步研究, 寻找其共有特征和差异性, 比较其不同部位所含化学成分的异同, 为以后进一步研究提供一定的参考依据。
1仪器与试药
仪器:FTS-3000傅立叶变换红外光谱仪;KQ-250 TDB型超声清洗器。
试剂:纯净水, 乙醚、无水乙醇均为分析纯, 甲醇 (色谱纯) 。
试药:牛蒡全植物采自临洮县洮阳镇刘家湾村, 经鉴定为菊科牛蒡属植物牛蒡 (Arctiumlappa L) .。
2方法与结果
牛蒡不同部位红外光谱测定。样品试液的制备。称取临洮产牛蒡的根、茎、叶、子粉末 (过60目筛) 约各0.5g于25ml容量瓶, 分别加入相应溶剂 (乙醚、无水乙醇、水) 20ml浸泡30min, 25℃下超声处理30min, 定容至刻度, 滤过, 残渣弃去, 将滤液挥干, 残留物为所得样品, 置干燥器中放置48h以上, 备用。
红外图谱测定。样品残留物分别滴加少量乙醚, 溶解后, 将乙醚溶液均匀涂抹于溴化钾上, 分别扫描牛蒡不同部位乙醚提取物的红外光谱。 (见图1、2、3、4)
乙醇提取物红外光谱测定。分别取样品残留物少量, 与溴化钾以1:100的比例于玛瑙研钵中研磨均匀后, 在压力约为1×105牛顿下压片, 分别扫描牛蒡不同部位乙醇提取物的红外光谱。 (见图5、6、7、8)
水提取物红外光谱测定。分别取样品残留物少量, 与溴化钾以1:100的比例于玛瑙研钵中研磨均匀后, 在压力约为1×105牛顿下压片, 分别扫描牛蒡不同部位水提取物的红外光谱。 (见图9、10、11、12)
3结果
3.1图1、图2、图3、图4分别为牛蒡根、茎、叶、子乙醚提取物的红外光谱图。直观比较分析发现整体峰形在特征区很相似, 在3400cm-1、2920cm-1、2850cm-1、1730cm-1、1460cm-1、1370cm-1左右处都有相似的吸收峰, 其峰形大致相同, 但在指纹区有差异。
3.2图5、图6、图7、图8分别为牛蒡根、茎、叶、子无水乙醇提取物的红外光谱图, 对其光谱图进行直观比较分析, 结果显示四组图谱中, 在特征区的3400cm-1、2900cm-1、2800cm-1等处有多个相似的吸收峰, 但峰的强弱不同。在以指纹区为主的1250~400cm-1之间的峰形差别较大。
3.3图9、图10、图11、图12分别为牛蒡根、茎、叶、子水提取物的红外光谱图。其光谱图在3435cm-1、2925cm-1、1622cm-1处有相似吸收峰。图11和图12在2856cm-1左右处有相似吸收峰, 但在2700~1650cm-1之间, 图12比图11多两个吸收峰, 分别为2118cm-1、2064cm-1。四组图谱中, 在1600~400cm-1之间峰形差别很大, 而且峰形的强弱不同。
3.4从整体分析来看, 乙醚为亲脂性有机溶剂, 提取物应主要是脂溶性成分;乙醇为亲水性有机溶剂, 提取物主要应为极性较大的成分;水是强极性有机溶剂, 提取物应主要是强极性物质。牛蒡根、茎、叶、子的乙醚提取物红外光谱图形较为相似, 表明其不同部位的脂溶性化学成分有一定相似性;而其无水乙醇提取物和水提取物图谱差别较明显, 表明其不同部位所含极性物质有较大差别, 这为牛蒡不同部位化学成分的进一步研究提供了一定的参考依据。
摘要：目的:对牛蒡的根、茎、叶、子的不同溶剂提取物红外图谱和HPLC图谱进行初步研究, 为研究其不同部位所含化学成分特征提供参考依据。方法:采用溴化钾压片法和涂抹法分别测定临洮产牛蒡的根、茎、叶、子不同溶剂 (乙醚、无水乙醇、水) 提取物的红外光谱。结果:牛蒡根、茎、叶、子的乙醚提取物红外光谱图形较为相似, 而其无水乙醇提取物和水提取物图谱差别较明显。结论:红外光谱图分析表明牛蒡不同部位所含脂溶性化学成分有一定相似性, 而所含极性物质有较大差别。这为牛蒡不同部位化学成分的进一步研究提供了一定的参考依据。
关键词：牛蒡,红外光谱,HPLC
参考文献
[1]程肖蕊, 李彦航.食药俱佳植物——牛蒡[J].中草药, 1993 (3) :10.
[2]蒋淑敏.牛蒡化学成分和药理作用的研究现状[J].时珍国医国药, 2001, 12 (10) :941-942.
[3]国家药典委员会.中国药典 (2005年版一部) [S].北京:化学工业出版社, 2005:48-49.
[4]邱泽雨, 郭允珍.中药红外光谱鉴别方法的研究[J].1989, 11 (48) :16.
[5]华文俊, 周洪雷, 孙勇.石斛、天竺黄、牛蒡子与伪品的红外光谱研究[J].中医药研究, 2000, 16 (2) :53-54.
[6]田进国, 任健, 娄红祥, 高彦慧.功劳木及同属6种药用植物的红外光谱研究[J].1998, 23 (25) :263-264.
红外目标提取 篇5
关键词：小波变换,红外图像,方差,过渡区
0 引言
过渡区是介于目标和背景之间的区域,它是一个特殊的区域,本身像素的灰度值也介于目标灰度均值和背景灰度均值之间,对于非过过渡区域而言,过渡区内灰度变化通常是剧烈的,且本身又具有宽度且面积不为零的这样区域特点。提取过渡区对图像目标的形状和尺寸没有任何条件,是一种典型的通用算法。
基于过渡区提取的分割算法在图像分割研究中成为热点[1,2,3,4,5],其中小波分析在时域和频域都具有良好的局部特性和多分辨分析特点,已经成功地应用在图像边缘检测、过渡区提取领域[6,7,8]。
文献[8]提出基于小波能量比的过渡区提取与分割算法,对于图像背景为纹理细节时,该方法可以很好把目标分割出来。但对红外图像背景呈大面积的连续分布状态,背景灰度值相差较大时,就会有把背景误判成过渡区提取问题,降低图像识别的准确率。针对文献[8]中小波能量比算法的不足,提出用小波方差来描述过渡区,不仅消除了误判现象,而且提取的过渡区能很好的位于目标与背景之间。实验结果证明,本文算法提取的过渡区有很好的准确性和连贯性。
1 小波能量比参数[7]
图像经过离散小波后,可将原始图像分离成4个部分,分别对应着图像低频部分以及图像3个方向(水平、垂直、对角)的高频部分,用fLL,fLH,fHL,fHH,表示。为了计算每一部分分量所包含的能量,定义如下能量函数
E=f(x,y)m×n (1)
式中:f(x,y)为小波变换后中对应图像(x,y)处的像素值,m×n为像素个数。
定义如下的小波能量比参数
undefined
根据文献[7]中定义特定大小尺寸的窗口,将窗口在图像中由左到右、由上到下移动,每移动一个像素,可计算出一个局部小波能量比,由此可得到图像变换后的小波能量比特征表,通过设定阈值,可将图像过渡区提取出来,具体算法步骤如下:
1)设定邻域窗尺寸及小波能量比门限值(即阈值);
2)由式(2)计算小波能量比参数值;
3)根据阈值提取过渡区;
4)根据过渡区灰度直方图得到分割阈值;
5)根据阈值分割图像。
小波能量比参数的阈值可由式(3)确定
Rr=αrmax (3)
式中:rmax为小波能量比特征值的最大值;α为0～1之间的系数,它决定了提取过渡区的阈值。
由式(1)、式(2)可见,小波能量比参数反映的图像灰度变换频率和灰度幅值变换比。当图像内像素变化频繁,但幅度变化不大时,高频成分能量较小,对小波能量比参数值也较小,可当成纹理细节来处理,如图1a中的红外图像-手,手内部灰度值变化频繁但幅度不大,在红外成图像中可当作纹理处理,用小波能量比能很好的提取出过渡区,如图2a所示。但对像素变化频繁,幅度变化相对较大,如图1b所示,由于受高压电线的影响,高压电线附近的环境温度要比其他地方的环境温度要高,在图像中表现为灰度值连续变化较大,但从肉眼观看基本无法识别,同样采用小波能量比参数来提取过渡区,就会把背景误判为过渡区提取出来,如图2b所示。由此可见,用小波能量比参数在红外图像中提取过渡区有一定的局限性。
2 小波方差比参数
过渡区内像素灰度变化频繁且剧烈,小波能量比在像素灰度变化频繁但幅值较小的情况下可以很好地提取过渡区,而对像素灰度变化频繁但幅值较大就有可能把背景提取到过渡区来。为了更好的描述灰度变化的剧烈程序,本文用方差比替代能量比,根据公式(1),以变换后图像的像素(x,y)为中心,窗口大小为m×n的领域∏,记方差为
d(∏)undefined
定义小波方差比参数
D(∏)undefined
由式(4),(5)可以看出,在窗口∏领域内小波方差比参数具有如下特点:1) 若窗口∏内图像像素不变或变化幅度不大时,对应着小波高频分量较小,小波方差比参数值也较小,可认是为图像同质性比较好,灰度较均匀。2) 若窗口∏内图像像素变化剧烈且频繁,包含大量的小波高频分量,小波方差参数值自然也较大,可认为图像同质性较差,属于过渡区。可以看出,小波方差比反映的是灰度变换的剧烈程度,通过设定阈值,可将目标过渡区提取出来,设定阈值为
Df(∏)=αDmax(∏) (6)
式中:Dmax(∏)为变换后的图像的小波方差参数最大值;α为0～1之间的系数,可根据实际图像调节α的值,为了保证过渡区有一定的连贯性,而又不把背景误判成过渡区,一般取α值为0.7～0.9。
与文献[8]的方法类似,仍定义特定大小窗口领域∏,∏的大小一般为5×5或7×7,(x,y)为窗口领域∏的中心点,当移动(x,y)时,可以计算出每个像素点对应的小波方差比参数,具体算法步骤如下:
1)设定窗口邻域窗∏的大小及系数α的值;
2)根据公式(1)计算出小波能量;
3)根据公式(4),通过移动以(x,y)为中心点的窗口领域∏,从左到右、从上到下计算出每个像素点对应该的小波方差比参数;
4)计算小波方差比参数最大值Dmax(∏);
5)设置小波方差比参数阈值Df(∏);
6)根据阈值Df(∏)提取过渡区。
3 实验分析
为了验证本文算法的有效性,所有程序在Matlab 7.9上编写。通过对实际红外图像进行过渡区的提取,与小波能量比进行对比实验。
图3a为使用本文中小波方差比参数来提取图1a的过渡区。可以看出,手内部的灰度值变化频繁,但幅值变化不大,小波高频分量较低,可认为图像同质性比较好,而在手的边缘,灰度变化频繁且幅值变化大,包含大量小波高频分量,因此通过小波方差比参数可以很好地提取过渡区。 图1b环境温度尽管受到高压电线的影响,在灰度幅度上出现较大的连续变化,但相对过渡区而言,灰度变化幅度相对还是较小的,经小波方差比参数量化后,过渡区的灰度差异被量化到更高的数量级别上,经过阈值后,可以准确地提取出过渡区,如图3b所示,能准确提取出过渡区,避免了将受到高压电线影响的背景错误的当成过渡区,具有很好的连贯性。
4 结论
针对小波能量比在平滑的红外图像中提取过渡区存在误判的问题,提出用基于小波变换的方法来描述过渡区的算法。通过小波方差比,将像素灰度值变化程度量化到更高的数量级别上,可以很好地区别出像素变化剧烈和平缓变化。通过实验验证,本文算法能很好地克服小波能量比参数将背景误判为过渡区的问题,提取出来的过渡区有很好的准确性,具有很好的连贯性。
参考文献
[1]梁学军,乐宁.基于光强加权梯度算子的图像过渡区算法[J].图像识别与自动化,2001(1):4-7.
[2]乐宁,梁学军,翁世修.图像过渡区算法及其改进[J].红外与毫米波学报,2001,20(3):211-214.
[3]闫成新,桑农,张天序,等.基于局部复杂度的图像过渡区提取与分割[J].红外与毫米波学报,2005,24(4):312-316.
[4]曹占辉,张科,李言俊.局部模糊复杂度的图像过渡区提取算法[J].火力与指挥控制,20083,3(1):25-27.
[5]甘斌,张雄伟,甘仲民.基于小波变换的多尺度图像边缘处理[J].电视技术,2001,25(8):20-22.
[6]MALLAT S,ZHANG S.Characterization of signals from multiscale edges[J].IEEE Trans.PAMI1,9921,4(7):710-73。
[7]赵茂程,郑加强,凌小静.一种基于小波变换的图像过渡区提取及分割方法[J].农业工程学报,2005,21(11):103-107.
红外目标提取 篇6
1 材料与方法
1. 1 材料本次研究所用当归均经北京中药研究所鉴定科专家鉴定为正品, 实验所用试剂均为纯剂。
1. 1. 1 粉碎当归饮片, 过20 目筛, 称取50 g, 用10 倍量水煎煮3 次, 20 min/ 次, 过滤后将滤液合并, 浓缩干燥, 获得样品甲水提物。
1. 1. 2 粉碎当归饮片, 过20 目筛, 称取50 g, 用10 倍量水蒸气蒸馏8 h, 获得蒸馏液, 保留药渣。药渣进行2 次水提[3], 200 ml/ 次水提取20 min, 过滤, 合并滤液, 获得样品乙药渣提取物。
1. 1. 3 使用乙醚对上步所得蒸馏液进行萃取, 保留乙醚层, 置于通风橱, 常温下挥发乙醚, 获得样品丙乙醚提取物。
1. 2 实验仪器及设备本次实验所用仪器为Pekin Elmer公司生产的Spectrum GX型傅里叶变换宫外光谱仪, 测定范围为400~4000 cm-1, DTGS检测器, 分辨率4 cm-1, 扫描16 次, OPD速度为0.2 cm/s, 在扫描过程中可实时扣除水和二氧化碳的干扰。
1. 3 样品测定采用溴化钾压片法进行测定。分别取适量上述制备的样品干燥粉碎, 过200 目筛。取1 mg样品粉末放于玛瑙研钵中, 并与约100 mg溴化钾粉末混合, 均匀研磨后压制成片, 制作成厚度约1 mm的透明晶片, 作为供试品。将其放入ALPHA-T型傅里叶变外光谱仪中, 用DTGS检测器扫描测定, 将获得红外光谱, 光谱范围4000~400 cm-1, 分辨率为4 cm-1, 将扫面信号累加次数16 次, 在扫描时将扣除水和二氧化碳的干扰。
2 结果
2. 1 当归粉末的红外光谱图特征观察当归粉末的红外光谱图, 可知3562、3389、3341 cm-1 为羟基O-H伸缩振动吸收峰, 2932 cm-1 为亚甲基C-H反对成伸缩振动吸收峰, 1735 cm-1 为酯羰基C=O伸缩振动吸收峰, 1673 cm-1 主要为O-H弯曲振动吸收峰, 1459、1430 cm-1 为C-H弯曲振动吸收峰。1300 cm-1 以下, 1239、1116、1068、1053、990cm-1 等均为C-O伸缩振动吸收峰, 这些均为当归中糖类物质的特征峰。与蔗糖的红外光谱比较, 二者十分相似, 由此可知当归为高蔗糖类药材。
2. 2 当归不同提取物比较当归药材中1300 cm-1 以下, 1239、1116、1068、1053、990 cm-1 等均为C-O伸缩振动吸收峰, 这些均为当归中糖类物质的特征峰。在水提取物和药渣提取物中, 仅看到一个宽大的峰, 可能为多个吸收峰相互叠加导致。比较其他位置吸收峰, 当归水提取物和药渣提取物中主要含有当归多糖等物质, 较少的含有挥发油等内酯类物质。并且乙醚提取物中含有较多的酯类成分。
2. 3 分析提取方法的优劣通过比较各个样品的红外光谱图可知, 药渣提取物比水提物含有更多的脂溶性成分, 糖类成分的含量低于水提取物, 水蒸气蒸馏法仅能蒸馏出少量沸点低易挥发的挥发油类成分, 药渣中残留了较多的脂溶性及糖类成分。
3 小结
研究表明, 当归中的主要化合物包括挥发油、有机酸、多糖及黄酮等, 其质量控制指标为阿魏酸和藁本内酯。在中药发挥作用的过程中并非单一的化学成分起作用, 而是整体的化学成分相互作用共同发挥作用, 而单个的化学成分则是药理作用的物质基础, 因此仅检测某几个化学成分并不能有效的反映药材的治疗效果, 需要一种效率高、可行的分析方法。我国具有丰富的药材资源, 加强中药质量管理是实现中药现代化的关键环节。传统的中药鉴别方法受到主观和客观多种因素的影响, 过程繁琐复杂。红外光谱技术的出现则为中药材的鉴定和分析提供了新的手段和技术。
参考文献
[1]娄雅静, 蔡皓, 刘晓, 等.傅里叶变换红外光谱快速鉴别当归与硫磺熏蒸当归的研究.中国中药杂志, 2012 (8) :1127-1132.
[2]陈娟, 陈文豪, 王瑞, 等.中药复方愈溃胶囊中挥发油的β-环糊精包合工艺.中国实验方剂学杂志, 2011, 17 (14) :19-22.
红外车辆目标的自动模糊分割 篇7
图像分割是一种将图像分割成为若干个有意义区域的图像处理技术。它是图像处理和分析的关键技术, 也是一个经典难题, 因为只有在分割完成后, 才能对分割出来的目标进行识别、分类定位。红外车辆目标图像固有的特殊性使其分割更加困难, 主要体现在:1) 红外成像为热源成像, 图像中目标和边界均模糊不清;2) 目标自身并无明显形状、尺寸、纹理等信息可以利用;3) 目标的成像面积小, 往往伴随着信号强度弱, 目标分割要在低信噪比条件下进行;4) 车辆战场背景条件复杂, 致使获得的红外车辆目标图像的对比度低, 分割困难。
针对红外图像的特点, 目前已经有很多学者提出了各种有效的方法, 免疫遗传算法的图像分割[1];基于二维OTSU的红外图像分割[2];蚁群算法和模糊熵理论相结合法[3]和多尺度形态滤波与连接相对熵准则法[4]等。本文提出了一种基于遗传算法的红外车辆目标图像的自动模糊分割方法, 总体框架如图1所示。
2 感兴趣区域的选择
所谓的感兴趣区域 (ROI) , 就是包含目标的区域;毫无疑问, 该区域越小, 之后步骤的运算量就越小。本文参考文献[5]给出的简单且有效的ROI获取方法。本算法中假设根据先验知识已知目标的最小和最大高和宽。因目标和观测者的距离可利用安装在车辆上的激光测距机来测量, 又根据这个距离能够大概估计目标的大小, 与先验知识进行比较首先排除对奇异形状假目标, 例如对高度很大或宽度很宽的窄长形状的目标进行排除。
3 基于遗传算法的二维OTSU图像分割
令二维矢量 (S, T) 为阈值, 可将图像的二维直方图分成四个区域, 如图2所示。根据同态性, 在目标和背景处, 像素的灰度值和领域的平均灰度值接近, 在目标和背景的分界领域, 像素的灰度值和邻域的平均灰度值之差较大。因此目标和背景中的像素会出现在对角线周围。区域A代表背景, 区域B代表目标;远离对角线的C和D代表可能的边缘和噪声[2]。
用两类C0和C1来代表背景和目标, 则它们出现的概率分布分别是:
其中:W0表示背景发生的概率, W1表示目标发生的概率。背景和目标对应的均值矢量为
由于远离直方图的对角线的概率可忽略不计, 则W0+W1≈1, 总体均值Uz表示为
定义一个目标和背景类间的离散测度矩阵:
则采用矩阵σB的迹trσB作为目标和背景的距离测度函数
对二维OTSU法求解阈值的过程其实就是寻找使式 (5) 取最大值时的分割阈值 (S0, T0) , 因此这一搜索最优解的过程完全可以使用把式 (5) 作为适应度函数的遗传算法来完成。
4 ROI分割的最佳阈值范围的确定
如果能够确定ROI的最佳阈值范围, 在此范围内用遗传算法寻找最佳的分割阈值 (S0, T0) 将大大加快遗传算法的速度。假设一幅图像大小为M×N, 灰度值为0, 1, ……L-1级, 则初始阈值为
式中:f (x, y) 为点 (x, y) 的灰度值, K=M×N为总像素数。初始阈值TA将图像分割成两部分, 基于红外图像的特点, 目标的亮度一般高于背景, 设大于TA的部分为目标区域B, 计算B的灰度均值, 即:
式中:fB (x, y) 为经初始阈值TA分割后区域B的各点灰度值, NB为区域B的总像素数。对于红外图像的实际复杂场景中, 背景的灰度还可能高于某些目标灰度, 利用初始阈值分割图像, 可能将部分亮背景错判为目标, 即目标的灰度值必高于初始阈值TA, 所以可将TA设定为阈值的下限, 这样可以保证目标分割的完整性。阈值上限的确定, 我们希望可以利用初始阈值TA分割后的图像, 使得目标所占比例增大, 分割区域灰度均值TB增高。通过实际实验情况, 可以看到, 图像灰度高于TB值的点必为目标点。因此, 可以将阈值的上限确定为TB, 至此确定了最佳的阈值范围为[TA, TB]。
求出图像最佳的阈值范围, 不仅能减少运算量, 而且由于下限除去了大量暗背景, 上限除去了部分亮目标, 在所剩下的目标或背景的像素中, 目标和背景所占比例相差不大, 可以结合二维OTSU原理并利用遗传算法在此阈值范围内自动搜索最佳分割阈值以进行红外车辆目标图像的自动分割[6]。
5 实验结果
综上所述, 本文先提取红外车辆目标图像的ROI区域, 然后采用文献[7]提出的自适应模糊增强技术对感兴趣区域的红外车辆目标图像进行预处理增强, 借助于二维OTSU原理和遗传算法在选定阈值范围内自动搜索最佳分割阈值以对感兴趣区域进行自动分割;为了弥补单独利用二维OTSU方法分割的不足, 采用缩短模糊边缘宽度的方法来提取感兴趣区域红外车辆目标图像的边缘[8];最后把二维OTSU方法分割的图像与模糊边缘提取得到的边缘图像进行或运算后进行填充以得到最终的车辆目标分割图像[9,10]。为了证明新算法的分割效果, 把它与一维OTSU分割方法和文献[2]提出的分割方法进行实验对比分析。
在图3中, 图3 (a) 为对输入的红外车辆目标图像tank1提取出的ROI的区域, 其大小为87×142, 数据量仅有原输入图像的1/4;图3 (b) 为进行一维OTSU分割后的图像;图3 (c) 为文献[2]的方法得到的分割图像;图3 (d) 为本文新方法得到的红外目标车辆分割图像。
从实验结果可以看出一维OTSU算法得到的分割图像效果最差, 虽然它对普通图像甚至对直方图没有明显双蜂的图像一般都能取得较好的分割结果, 但在此处分割效果较差, 未能分割出目标的主体;图3 (c) 是参考文献[2]进行二维OTSU算法的分割结果, 分割效果较好, 基本分割出了红外车辆目标图像的主体, 但它却没有分割出坦克的炮塔。图3 (d) 本文的新方法得到的分割效果明显是最好的, 坦克主体得到了最完整的分割。
为了进一步说明本文方法对红外车辆目标图像的分割效果, 再选取一幅图像进行实验, 如图4所示。其输入的红外车辆目标图像质量更差, 如图4 (a) 所示。新方法依然对其主体进行了较完整的分割, 分割效果很好, 如图4 (d) 所示。
限于篇幅, 只列举这两幅红外车辆目标图像的分割效果图, 实际上对大量的红外车辆目标图像进行实验都证明这是一个很好的红外车辆目标图像分割方法。
为了定量地衡量分割效果, 下面首先分析一下本文分割方法每一步计算的复杂度。设实验图像的大小为M×N, 感兴趣区域图像的大小为m×n, 第一步ROI选择的计算复杂度为O (MN) ;第二步对感兴趣区域图像进行模糊增强的计算复杂度为O (mn) ;第三步借助于二维OTSU原理和遗传算法在选定阈值范围内自动搜索最佳分割阈值以对感兴趣区域进行自动分割的计算复杂度为O (m2n2) ;第四步提取车辆目标模糊边缘的的计算复杂度为O (mn) 。因此本文总的计算复杂度大约为O (m2n2) 。文献[2]基于二维OTSU和遗传算法的红外图像分割方法的计算复杂度大约为O (M2N2) 。因为M>m, N>n, , 所以本文算法虽然看似复杂, 步骤较多, 但此算法设计降低了每一步的难度, 使其总的计算复杂度小于文献[2]的计算复杂度。因此相对文献[2]来说, 本文具有更高的分割效率。一维OTSU分割方法的算法复杂度为O (MN) , 其相对文献[2]和本文方法来说, 算法复杂度最低, 但比较所有方法的分割效果, 一维OTSU的分割效果是最差的。
为了更直观地对比分析一维OTSU、文献[2]和本文算法的性能, 表1给出了三种分割方法的算法计算复杂度和运行时间。
6 结论
本文选取了感兴趣区域大大提高运算速度;通过将二维OTSU算法与遗传算法相结合应用于红外车辆目标图像分割, 利用二维OTSU算法不仅考虑图像的灰度信息, 还考虑邻域空间的相关信息的特点来保证图像分割精度, 利用遗传算法大大提高运算速度。提取了车辆目标的模糊边缘来弥补二维OSTU的图像分割的不足, 最后把二维OTSU方法分割的图像与模糊边缘提取得到的边缘图像进行或运算后进行填充以得到完整的车辆目标分割图像。实验表明它具有较高的适应性和自动性, 是一种较好的红外车辆目标分割方法, 具有一定的应用价值。目前本文的工作只适用于单目标的红外车辆目标分割, 进一步的工作是在本文的基础上进行拓展并适当结合其他技术, 将其应用于多目标红外图像分割。
参考文献
[1]工春柏, 赵保军, 何佩琨.基于免疫遗传算法的自适应图像分割方法[J].红外与激光工程, 2004, 33 (2) :178-193.WANG Chun-bai, ZHAO Bao-jun, HE Pei-kun.Adaptive segmentation method based on immune genetic algorithm[J].Infrared and Laser Engineering, 2004, 33 (2) :178-193.
[2]杜晓晨, 刘建平.基于二维OTSU和遗传算法的红外图像分割方法[J].红外技术, 2005, 27 (1) :66-69.DU Xiao-chen, LIU Jian-ping.Infrared Image Segmentation Method Based on2D Maximum Between-cluster Variance and Genetic Algorithm[J].Infrared Technology, 2005, 27 (1) :66-69.
[3]TAO Wen-bing, JIN Hai, LIU Li-man.Object segmentation using ant colony optimization algorithm and fuzzy entropy[J].Pattern Recognition Letters, 2007, 28 (7) :788-796.
[4]吴盘龙, 李言俊, 张科.一种红外目标图像的自动分割方法[J].计算机工程, 2006, 32 (11) :32-34.WU Pan-long, LI Yan-jun, ZHANG Ke.An Automatic Segmentation Method for IR Target Image[J].Computer Engineering.2006, 32 (11) :32-34.
[5]金梅, 张长江.一种有效的红外图像中人造目标分割方法[J].光电工程, 2005, 32 (4) :82-85.JIN Mei, ZHANG Chang-jiang.Effective segmentation of man-made target from IR image[J].Opto-Electronic Engineering.2005, 32 (4) :82-85.
[6]ZHANG Wei, FANG Xiang-zhong, YANG Xiao-kang.Moving vehicles segmentation based on Bayesian framework for Gaussian motion model[J].Pattern Recognition Letters, 2006, 27 (9) :956-967.
[7]魏晗, 张长江, 胡敏, 等.基于遗传算法的图像自适应模糊增强[J].光电子?激光, 2007, 18 (12) :1482-1485WEI Han, ZHANG Chang-jiang, HU Min, et al.A Kind of Adaptive Fuzzy Enhancement for Gray and Color Images by Genetic Algorithm[J].Journal of Optoelectronics?Laser, 2007, 18 (12) :1482-1485.
[8]李红松, 候朝桢.一种新的模糊边缘检测算法[J].计算机工程, 2003, 29 (9) :1-2.LI Hong-song, HOU Chao-zhen.A New Fuzzy Edge Detection Algorithm[J].Computer Engineering, 2003, 29 (9) :1-2.
[9]张爱华, 余胜生, 周敬利.一种二维直方图阈值化图像分割的后处理方法[J].华中技大学学报:自然科学版, 2002, 30 (10) :59-61.ZHANG Ai-hua YU Sheng-sheng, ZHou Jing-li.A post-processing method of two-dimensional thresholding image segmentation[J].Huazhong Univ.of Sci.&Tech:Nature Science Edition, 2002, 30 (10) :59-61.