起伏背景的紅外圖像過渡區提取

摘要:將基于過渡區提取的圖像分割技術應用于起伏背景的紅外圖像的分割。為了實現復雜背景下過渡區的準確提取，首先采用基于直方圖的非均衡拉伸算法對原始圖像進行處理，以提高整體對比度;然后采用基于小波分析的能量特征圖像法區分目標區域和背景區域，這是因為能量特征的選取與背景紋理的方向無關，對目標的變化具有旋轉#65380;平移不變性，當目標區域越平滑，檢測的精度就越高。對比實驗驗證了該方法對起伏背景下人造目標具有較強的自適應性和良好的分割效果。

關鍵詞:紅外圖像; 過渡區; 能量特征; 分割

中圖分類號:TP391文獻標志碼:A

文章編號:1001－3695(2008)02－0501－03

過渡區是指環繞在目標的周圍#65380;有一定的寬度#65380;區域內的灰度級變化劇烈的區域。基于過渡區提取的圖像分割算法其思路是通過某種方法提取過渡區(目標與背景之間的部分像素)，使用過渡區像素的灰度直方圖峰值作為圖像分割的門限。它是一種閾值化圖像分割方法。過渡區提取的好壞將直接影響到門限的準確性以及最終分割結果的優劣，因而過渡區的提取成為重要環節[1，7]。

常用的過渡區提取算法有效平均梯度法(EAG)#65380;加權的有效平均梯度法(W－EAG)和回歸分析法等，其本質都是基于梯度的運算。梯度運算的最大缺點就是對噪聲敏感，提取時容易使過渡區發生偏移。尤其在具有起伏背景的紅外圖像中，目標灰度與背景灰度大量交錯且對比度低，進一步增加了過渡區提取時的難度。眾多研究者都在尋求解決方案，但主要集中在對這些算法本身的改進上，在處理效果和計算復雜度上總無法達到最佳狀態。基于此，本文著重從過渡區提取的前期工作中尋找解決途徑。

1過渡區理論

過渡區概念的提出最早是在20世紀30年代，隨后的應用主要集中于天體物理以及材料學等領域。直至1979年，由J.S.Weszka#65380;A.Resenfeld等人首次將過渡區理論引入圖像分割中。1990年后，清華大學Zhang等人對該理論作了較為全面的敘述。文獻[1]中指出過渡區是指圖像中介于背景和目標之間的區域，它是一個特殊的區域，既有邊界的特點，將不同的區域(前景和背景)分開;又有區域的特點，其自身有寬度，并且面積不為零。通過提取出的過渡區可以得到圖像的分割閾值，因而過渡區提取的好壞將直接影響圖像分割的質量。過渡區示意圖如圖1所示。其中:Llow和Lhigh分別為有效平均梯度曲線對應的最低和最高極值點的灰度值;T為分割閾值。文獻[2]指出在過渡區確定過程中無須預先設定任何參數，完全是自適應搜索過程。此外，過渡區的確定方法對于目標的形狀和尺寸也沒有任何要求，是一個典型的通用算法[1]。過渡區理論的這些優點使其在圖像分割過程中獲得了廣泛應用，并且在工業自動化#65380;產品檢驗#65380;文件圖像處理#65380;遙感和生物醫學圖像#65380;農業工程等方面表現出良好的應用前景[2，3]。

2傳統方法過渡區提取及存在的問題

2.1傳統方法

文獻[7]中提出過渡區可借助于對圖像有效平均梯度的計算和對圖像灰度的剪切操作來確定。在圖像I中，用g(i， j)表示像素(i， j)的灰度。其中:i#65380; j屬于表示像素空間坐標的整數集合S。令g(i， j)為圖像的梯度，則有效平均梯度EAG的定義如下:

2.2問題及解決方案

從圖3可以看出，對原圖直接采用傳統方法提取出的過渡區效果極差，包含了大量的背景區域。這主要是因為具有起伏背景的紅外圖像背景灰度與目標灰度大面積相近，給提取造成干擾。另外受紅外成像器件的靈敏度#65380;分辨率和噪聲等限制以及目標與周圍環境存在著輻射作用，紅外成像系統所成的圖像不像可見光圖像那樣具有分明的層次;而更多地表現為圖像噪聲較大#65380;邊緣模糊#65380;對比度較低。這些都給目標的識別和提取帶來一定難度[3~5]。而且在已有的過渡區確定方法中有一個默認的前提，即過渡區所在的圖像區域是整幅圖像中灰度變化最為劇烈的區域。圖像中的其他區域即使有一定的灰度變化，但與過渡區相比，對有效平均梯度的影響可以忽略不計。這在某種程度上默認為前景區域和背景區域的灰度值分層清晰。顯然，起伏背景的紅外圖像不具備該條件。然而，在實際處理過程中通過對紅外圖像的研究發現，人造目標在整幅圖像中大多表現為平滑的目標區。由于背景灰度起伏較大，使得其部分灰度與目標灰度交錯。要將它們都識別出來， 就必須選用合適的特征進行描述。這首先要求將背景區和目標區分割開， 以便自適應地選取局部最優特征作進一步地識別。從空間域看， 自然背景的形狀具有隨意性;而人造目標邊界具有較清晰的方向性。從背景特征上看， 一般背景地物粗糙度高， 而人造目標區域則相對平滑。為了能夠在此情況下實現過渡區的可靠判定，必須采取有效的措施消除干擾因素對過渡區判定過程的影響。因此，本文在深入分析了過渡區內像素灰度和梯度特性的基礎上提出在提取過渡區時分兩步實現:首先采用基于灰度直方圖的非均勻拉伸算法增強目標;然后采用基于小波分析的能量特征比值圖進行過渡區提取與分割。

3直方圖非均衡拉伸

有文獻指出目標像面的對比度計算公式為C=(Eobject-Ebackground)/Ebackground。當對比度C≥0.083(調制對比度C≥0.04)時，可以探測出目標，也就是說可以將目標識別和提取出來。而具有起伏背景的紅外圖像一般對比度偏低，難以區分目標和背景，尤其是目標細節。因而在提取前需作背景抑制處理，提高對比度。對比度調節常用的方法是直方圖均衡法。該算法的優點是能夠自動地增強整個圖像的對比度。但是其主要提升的是背景和噪聲，而非目標細節。另外，目標與背景的灰度值存在交錯，這使得傳統的直方圖均衡效果極不理想。

基于此，本文采用基于灰度直方圖的非均衡拉伸算法。設直方圖的灰度軸均勻劃分為m等份，則圖像的灰度范圍為s0~sm;相應的灰度分布值為P(s0)~P(sm)。推導出直方圖曲線包絡下的總面積近似計算公式為

若要將直方圖拉伸為n(n>m)分層，即拉伸后的灰度范圍為s0~sn，則需要向每單位軸中插值，即將單位區間重新分段。插值的原則是每單位區間經插值后所得各新小區間面積要求相等。因此，每單位區間分段數各不相同，設為li。

新小區間的面積近似為S′i={[P(si)+P(si+1)]/2}/li。由此可知，每單位區間分段數li與該區間的灰度分布值成正比，從而實現灰度值非均勻插值。

然后將直方圖非均勻插值后的灰度軸按點在區間s0~sn內均勻化，即可實現直方圖非均衡拉伸的效果。顯然，灰度分布高的區間比分布低的區間拉伸的幅度要大。則灰度值si經拉伸后變為

s′i=si+∑i-1j=0lj。

圖4為直方圖非均衡拉伸算法示意圖。

可見經非均衡拉伸后，目標與背景的灰度改善較為顯著。該方法也可消除不同光照強度對目標物檢測的影響，因此可推斷此算法對在不同光照下所采集的紅外圖像具有良好的增強效果[3]。但是實驗證明，具有強起伏背景的紅外圖像僅僅作此處理還不足以有效地提取過渡區。

4基于能量特征比的過渡區提取與分割

4.1能量特征理論

起伏背景下的過渡區提取。由于目標場景中地物特征的復雜多樣性，如何有效地提取出過渡區是進一步分割目標的關鍵。本文嘗試在對圖像經非均衡拉伸基礎上采用小波理論來解決此問題。正交小波分解滿足能量保持等式。圖像中的信息被分散到各個小波子空間上，能量在各個小波空間上的分布就可以作為對圖像特征的一種很好的描述。將圖像作二級小波分解，設通道1 為低頻分量，通道2~4為中頻分量，通道5~7為高頻分量。各通道的能量可用式(7)計算:

通常背景圖像含較豐富的高頻成分，其能量在高頻帶和低頻帶相差不大。而目標圖像的能量更集中于低頻部分，在高頻帶的能量則相對較小。即目標圖像的EL遠遠大于EM與EH之和;而背景圖像的EL稍大于EM與EH之和。因此可考慮用比值作為特征值，定義如下:

其中:k是一個大于1的常數。為了使r值不致太小，在實際處理過程中考慮到通算量的問題，只對圖像作一級小波分解，得到四個通道;r取為低頻帶EL與高頻帶EH的能量值之比。

r=k×EL/EH=k×[E1/(E5+E6+E7)](10)

4.2能量特征圖

設有大小為(2ω+1)×(2ω+1)的窗口沿圖像從左到右#65380;從上到下連續移動，將圖像分解為完全相互覆蓋的窗口的集合，這相對于原始圖像中的每一個像素，均有一個以這個像素為中心的窗口與之對應。

在每一個窗口上計算出其特征r值，將r值賦予窗口所對應的像素作為其新的灰度值，則新產生的圖像是由原始圖像的r 值特征構成的，故稱為r值特征圖像[8]。

由前述分析可知，圖像的背景含豐富的高頻成分，r值小，在特征圖像上表現為暗區目標的低成分多;r值大，所以在特征圖像上表現為亮區。由于這種暗#65380;亮的顯著差異，采用上述方法便可有效地提取出過渡區，可用形態學方法去除孤立噪聲點。一旦過渡區被提取出來了，進一步對圖像分割就比較容易。因為真正的邊界在過渡區之中，所以可借用過渡區里像素的信息來幫助分割。一種簡單的方法是用這些像素確定一個閾值來分割。閾值可根據過渡區內像素的灰度均值或過渡區內像素的直方圖的極值來確定。由于Llow和Lhigh限定了邊界線灰度值的上下界，閾值也可直接借助它們來計算。另一方面過渡區是一個環繞目標邊界的帶狀區，所以也可把這個區加以細化來得到邊界線。無論是從灰度還是從區域著手，過渡區的確定都保證了它們的范圍，所以分割偏差太大的可能性極小[1，6]。

5結束語

為了驗證所提算法的有效性，仍以上述紅外圖像為例進行過渡區提取與分割實驗。過渡區中出現的噪聲點采用形態學方法去除。同時為了說明本文方法在過渡區提取與分割中的效果，與直接閾值分割結果進行對比。如圖5所示，本文方法可以將目標主體完全分割出來且目標形狀保持良好。

具有起伏背景的紅外圖像由于背景灰度與目標灰度交錯以及對比度低等特點，使得分割時引起誤分割。本文將基于過渡區提取的圖像分割技術應用于此，主要是考慮到過渡區是一個特殊的區域，它既有邊界的特點，將不同的區域分開;又有區域的特點，其自身有寬度。通過提取出的過渡區可以得到圖像的分割閾值或目標的邊界。為了實現復雜背景下過渡區的準確提取，首先采用基于直方圖的非均衡拉伸算法對原始圖像進行處理，提高整體對比度;然后采用基于小波分析的能量特征圖像法區分目標區域和背景區域。這是因為能量特征的選取與背景紋理的方向無關。當目標區域越平滑，檢測的精度就越高;最后在此基礎上進行過渡區提取與分割。這種處理過程不但可以有效消除背景及噪聲的影響，還能減少圖像中的冗余信息量，保存過渡區中的有效信息[3，8]。實驗表明，本文方法對起伏背景下人造目標具有較強的自適應性和良好的分割效果。準確性高，適用范圍也更廣。

參考文獻:

[1]章毓晉.過渡區和分割[J]. 電子學報，1996，24(1): 12－17.

[2]謝美華，王正明.基于圖像梯度信息的插值方法[J].中國圖象圖形學報，2005，10(7):856－861.

[3]SHI J， MALIK J. Normalized cuts and image segmentation[J]. IEEE Trans on PAMI， 2000，22(8):888－905.

[4]樂寧，梁學軍，翁世修.圖像過渡區算法及其改進[J]. 紅外與毫米波學報， 2001，20(3):211－214.

[5]ZHAO Mao－cheng， ZHENG Jia－qiang. Image transition region extraction and segmentation method based on wavelet transform[J]. Trans of the Chinese Society of Agricultural Engineering， 2005，21(11):103－107.

[6]章毓晉.圖像分割[M].北京:科學技術出版社，2001.

[7]YAN C X， SANG N， ZHANG T X. Local entropy－based transition region extraction and thresholding[J]. Pattern Recognition Letters， 2003，24(16):2935－2941.

[8]胡小鋒，趙輝.Visual C++/MATLAB圖像處理與識別實用案例精選[M].北京:人民郵電出版社，2004.

“本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文”