牛天利, 于丽霞，刘 吉,，武锦辉，牛雅昕

(1.中北大学 信息与通信工程学院，山西 太原 030051；2.中北大学 电子测试技术重点实验室，山西 太原 030051)

破片图像处理是静爆场破片参数测量的重要步骤之一，静爆之后的破片在运动过程中具有目标小、数量多和尺寸不一等特点，且在图像中还存在复杂的强火光背景和炸药未燃烧殆尽导致的运动破片灰度值相差较大等问题[1]。因此，在图像处理的过程中，将有效破片的运动区域和复杂的背景区域进行较高精度的划分有着重要的意义，图像分割是将其进行分离的重要步骤之一，分割的精度将直接影响到后期破片的检测和识别准确度。常用于图像分割破片目标的方法主要是基于一维灰度直方图的阈值门限法和改进的最大类间方差的方法等，但是这些方法更适用于具有单一目标、前景和背景灰度分布差别较大的破片图像中，而其余传统的图像分割方法，包括基于区域、图论、超像素和活动轮廓模型的方法，在实现过程中都存在时间复杂度较高的问题，实时性较差[2-4]。自卷积神经网络发展以来，基于深度学习的小目标分割也应运而生，但是基于深度学习的方法需要大量的数据集，并且在复杂的背景下算法的鲁棒性较差[5-7]。考虑到破片图像成像环境的复杂性和图像分割结果的特定应用场合，目前还没有普适的分割技术能够应用在处理这类图像中[8-9]。本文利用破片序列图像之间的相关……