基于视觉显著性和区域生长的红外目标提取方法

2018-09-19徐宏宇唐泽坤

沈阳航空航天大学学报 2018年4期

杨爽,徐宏宇,唐泽坤

(沈阳航空航天大学电子信息工程学院,沈阳 110136)

随着现代计算机处理能力的不断增强,红外成像技术无论在军事范畴还是民用范畴都越来越受到人们的重视与应用。由于红外图像低信噪比低分辨率等特点,并且目标提取是目标识别的前提,红外目标提取具有很大的研究价值。由于图像目标提取应用广泛,获得大量学者的重视并对此进行了研究,至今提出的方法已多达上千种[1-2]。由于不同类型图像成像原理以及拍摄环境不同,没有对于目标提取的通用框架,所以图像目标提取仍是图像处理领域中的难点。

区域生长算法是由Zucker在1976年提出的[3]。区域生长就是对一像素或一小区域不断以一定的准则扩充其边界的过程,选择合适的生长点、规定相似性准则即生长准则及确定生长停止条件是它主要的内容[4]。它具有算法简单和计算快速的特点,是一种被广泛使用的分割方法,大量学者对此进行了研究和改进。吴海滨等[5]研究提出了将二维OTSU作为初始处理以此选择区域生长的种子点的方法。李修霞等[6]提出了以1维方向上的光谱差异为依据作为确定初始种子点的方法。刘付芬[7]提出了将置信连接与区域竞争相结合的方法作为区域生长准则。目前对于它的探讨改进一般集中在初始生长种子点的选取与区域生长准则的确定。本文针对种子点的自动选取进行研究,利用红外图像目标的显著性,提出了将视觉显著性模型与区域生长法相结合的方法。

1 视觉显著性模型原理及其改进

1.1 基于频谱残差的视觉显著性模型原理

无论计算机视觉在近几年的发展多么迅速,它都不能与人眼的视觉系统对真实复杂场景的信息分析与处理能力相比。因此很多学者及研究人员都开始不断探索提出基于人眼的视觉显著性的数学计算模型,目前常用的视觉显著性模型包括:ITTI显著性模型、频谱残差显著性模型以及AIM 视觉注意计算模型[8]。

由于红外成像利用的是目标的辐射能量,使得目标区域相对于背景来说是显著的,所以可以采用显著性模型来提取目标所在的区域范围。由于显著模型的建立只为了实现自动选取区域生长的种子点,所以选择了计算简单快速、准确率较高的基于频谱残差的视觉显著性模型,即频谱残差法(Spectral Residual,SR)。SR方法的基本思想为:每个图像的对数谱具有类似的走向趋势,而图像的变化部分即显著区域是由频谱残差导致的。通过使用傅里叶逆变换,就可以在空间域中构造称为显著图的输出图像[9]。

给定一幅图像I(x),图像经过傅里叶变换后所得的频谱F(x)能够分解成为两部分,即幅度谱A(f)和相位谱P(f),如式(1)和式(2)所示。

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

(1)

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

(2)

然后对幅度谱做对数变换如式(3)所示,将对数幅度谱与通过一个低通滤波器与其进行卷积而平滑后的对数幅度谱相减,即得到频谱残差,如式(4)所示。

L(f)=logA(f)

(3)

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

(4)

最后对频谱残差与初始的相位谱做傅立叶反变换从而获得原始图像的显著图,并通过高斯滤波器对其进行平滑处理以得到更好的视觉效果,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)分别为原始图像的幅度谱、相位谱、对数相位谱、频谱残差及显著图;FFT、FFT-1表示傅里叶变换及其反变换;hn(f)表示的是频域的低通滤波器(这里选用均值滤波器);g(x)为空域的低通滤波器,可采用一个高斯平滑滤波器。

1.2 基于频谱残差的视觉显著性模型的改进

受ITTI模型的启发,将SR模型引入方向的特征[10]。Prewitt边缘算子通过计算各个像素点的四邻域内的灰度差值来找到图像的边缘即差值极值处,它能够平滑噪声。它通过两个方向来进行检测,即水平方向和垂直方向,具体实现是分别利用各自的方向模板与原始图像进行卷积计算[11],分别如式(6)和式(7)所示。

Ix(x)=I(x)⊗Gx

(6)

Iy(x)=I(x)⊗Gy

(7)

其中Prewitt的垂直和水平卷积核如图1所示。

图1 Prewitt梯度算子

通过Prewitt一阶梯度算子得到原始图像的水平及垂直方向梯度特征,再利用SR模型分别提取水平及垂直方向的显著图。将公式(6)、(7)得到的Ix(x)、Ix(x)分别代入公式(1)～(5)的I(x),得到水平和垂直方向的显著图saliencyMap1、saliencyMap2。最后将两个方向的显著图进行加权融合以得到最终的显著图。

saliencyMap=c1*saliencyMap1+c2*saliencyMap2

(8)

其中c1、c2为常数,且c1+c2=1。

改进的SR模型具体流程如图2所示。

图2 改进的SR模型流程图

1.3 实验结果与分析

选取一张单目标红外图像和一张多目标红外图像作为测试数据,分别使用原始SR模型和改进的SR模型对数据组图像进行测试得到显著图,如图3所示,其中每排图像分别对应于原图、原SR模型所得结果以及改进的SR模型所得结果。

图3 改进的SR模型实验

由图3可以看出,改进后的SR模型对于噪声有一定的抑制作用,除此之外两者的效果几乎没什么差别,这是因为算法的原理是基本一致的。

2 区域生长法原理

区域生长是对一个像素点或者子区域按照预先设定的生长准则寻找其边界相似像素点并不断聚集到一起的过程。它的基本思想是首先选取一个或一组比较具备代表性的种子点作为生长的起始点,要确保图像中的每个目标即分割区域都有自己的种子点,接着采用之前设定好的生长准则,把所有种子点邻域内符合生长准则的像素点与种子点进行合并从而不断扩大生长区域,然后将以上符合要求的像素点都作为新的种子点并开始不断重复执行以上的过程,直到种子点与其邻域像素点之间不满足生长的条件,这样就完成了区域生长分割[12]。

传统区域生长算法实现的步骤如下:

step1人工选取分割目标内的一个像素点,设该像素点为(x0,y0);

step2找到(x0,y0)的4邻域像素,如果4邻域像素内有符合生长准则的像素,将该像素点与(x0,y0)合并;

step3将步骤2中满足生长准则的像素点,分别作为新的(x0,y0)代入步骤2;

step4 如果没有找到满足生长准则的像素点,则生长结束。

区域生长算法应用广泛是由于它计算量小并且对相对均匀的连通区域来说分割准确性较高,初始生长种子点的确定以及区域生长相似性准则是决定区域生长分割效果的关键因素,而种子点具备代表待分割的目标区域内的绝大多数像素的性质,所以初始生长种子点的确定对于区域生长算法的分割效果具有很大的影响[13]。