基于能量梯度場(chǎng)映射關(guān)系的紅外圖像分割方法

張寶華，劉　鶴

(內(nèi)蒙古科技大學(xué) 信息學(xué)院， 包頭 014010 )

基于能量梯度場(chǎng)映射關(guān)系的紅外圖像分割方法

張寶華，劉鶴

(內(nèi)蒙古科技大學(xué) 信息學(xué)院， 包頭 014010 )

摘要：為了解決紅外圖像在圖像配準(zhǔn)中對(duì)比度低、背景復(fù)雜、紅外目標(biāo)受噪聲干擾嚴(yán)重、傳統(tǒng)分割方法易產(chǎn)生過分割或欠分割的問題，提出了一種基于改進(jìn)的脈沖耦合神經(jīng)網(wǎng)絡(luò)(PCNN)和形態(tài)學(xué)方法的紅外圖像分割算法。首先根據(jù)圖像能量分布情況提取紋理圖像，將紋理圖像通過PCNN進(jìn)行分割，PCNN的鏈接強(qiáng)度根據(jù)區(qū)域能量在梯度場(chǎng)的變化自適應(yīng)設(shè)定；由于PCNN的點(diǎn)火位置集中于紅外目標(biāo)部分，通過點(diǎn)火映射圖可以得到連貫清晰的紅外目標(biāo)輪廓；再通過形態(tài)學(xué)方法濾除背景干擾。結(jié)果表明，該方法能夠精確分割紅外圖像，分割結(jié)果優(yōu)于傳統(tǒng)方法。

關(guān)鍵詞：圖像處理；圖像分割；脈沖耦合神經(jīng)網(wǎng)絡(luò)；梯度場(chǎng)；形態(tài)學(xué)

E-mail: zbh_wj2004@imust.cn

引言

紅外成像可以捕捉低能見度環(huán)境的熱目標(biāo)信息，但紅外圖像對(duì)比度差、紅外目標(biāo)邊緣模糊、噪聲干擾嚴(yán)重、背景的分辨率低，增加了分割算法的難度。紅外目標(biāo)以移動(dòng)物體為主，包括飛行中的航空器，行進(jìn)中的人、動(dòng)物和機(jī)動(dòng)車等，這些實(shí)體紅外輻射強(qiáng)度高于周圍環(huán)境,且高速運(yùn)動(dòng)時(shí)會(huì)同大氣發(fā)生劇烈摩擦,目標(biāo)表面溫度高于環(huán)境溫度。這也使得在紅外圖像中目標(biāo)區(qū)域具有較高亮度，即從能量角度分析，紅外目標(biāo)的能量總高于周圍背景區(qū)域。傳統(tǒng)紅外圖像分割方法利用紅外圖像像素間具有的相關(guān)性[1]，通過邊緣檢測(cè)和統(tǒng)計(jì)學(xué)分析設(shè)定分割閾值，將圖像劃分成若干個(gè)代表不同類型信息的區(qū)域，以此來分隔目標(biāo)對(duì)象和背景等實(shí)體。各區(qū)域內(nèi)部具有一致屬性，區(qū)域間有明顯差別。

目前利用經(jīng)驗(yàn)閾值法分割圖像應(yīng)用廣泛，為了使閾值的設(shè)定能和被分割圖像相關(guān)，很多研究人員在相關(guān)領(lǐng)域做了有益探索，Pittsburgh大學(xué)的WANG等人[2]提出的基于空間信息理論的模糊聚類自適應(yīng)算法，解決了對(duì)噪聲敏感圖像和缺乏空間信息情況下圖像的分割問題，改善了傳統(tǒng)聚類算法對(duì)圖像進(jìn)行分割的魯棒性；JUNG等人[3]利用約束條件和核傳遞實(shí)現(xiàn)圖像的自適應(yīng)分割，YAN等人[4]通過調(diào)整連接權(quán)重間隔自適應(yīng)地更新參量，兩種方法均實(shí)現(xiàn)了參量的自動(dòng)更新并實(shí)現(xiàn)了高精度的分割；ZHOU等人[5]利用簡(jiǎn)化脈沖耦合神經(jīng)網(wǎng)絡(luò)，根據(jù)不同點(diǎn)火區(qū)域的統(tǒng)計(jì)特性自適應(yīng)設(shè)定分層閾值；以上方法在灰度圖像的分割中均取得了很好的效果，但對(duì)于復(fù)雜背景的紅外圖像卻不盡理想，為了改善紅外圖像分割效果, 通過分析圖像區(qū)域能量分布特點(diǎn), 提出了一種基于圖像能量梯度場(chǎng)的紅外目標(biāo)分割方法。該方法可以精確地對(duì)復(fù)雜環(huán)境中的紅外目標(biāo)進(jìn)行分割。

1脈沖耦合神經(jīng)網(wǎng)絡(luò)模型

脈沖耦合神經(jīng)網(wǎng)絡(luò)(pulse coupled neural network，PCNN)具有旋轉(zhuǎn)不變性、強(qiáng)度不變性和尺度不變性等特性[6-8]。PCNN利用神經(jīng)元網(wǎng)絡(luò)在外界激勵(lì)下動(dòng)態(tài)變化的特點(diǎn),實(shí)現(xiàn)神經(jīng)元間同步發(fā)放脈沖功能, PCNN不需接受訓(xùn)練, 通過同相位的時(shí)序信號(hào)表達(dá)圖像空間分布信息,輸出結(jié)果包含了紋理和背景信息。

當(dāng)利用PCNN進(jìn)行圖像分割時(shí)，圖像的像素點(diǎn)相當(dāng)于網(wǎng)絡(luò)中的神經(jīng)元，像素間通過一系列點(diǎn)火觸發(fā)，產(chǎn)生同步脈沖，通過調(diào)節(jié)神經(jīng)元的鏈接強(qiáng)度，實(shí)現(xiàn)對(duì)點(diǎn)火激發(fā)的控制。由于點(diǎn)火映射圖是對(duì)圖像分割的依據(jù)，鏈接強(qiáng)度決定了圖像被細(xì)分的程度，通過調(diào)節(jié)鏈接強(qiáng)度，可實(shí)現(xiàn)對(duì)圖像由粗到細(xì)不同尺度的分割。紅外圖像輸入PCNN后經(jīng)過若干次迭代，記錄每次迭代過程圖像中點(diǎn)火的神經(jīng)元位置，將與之對(duì)應(yīng)的灰度信息映射到新的圖像中，就得到了反映了待分割圖像特征的映射圖，圖像也被劃分為不同區(qū)域，迭代結(jié)束后，新圖像中即實(shí)現(xiàn)了目標(biāo)分割[9]。

PCNN模型的數(shù)學(xué)描述可以分為以下步驟。

(1)神經(jīng)網(wǎng)中各神經(jīng)元都處于熄火狀態(tài)。

(2)將分解系數(shù)輸入網(wǎng)絡(luò)，通過接收域、調(diào)制域和脈沖產(chǎn)生域，逐點(diǎn)計(jì)算Uxy(n)和Txy(n-1)，并比較兩者大小以決定是否產(chǎn)生點(diǎn)火事件。

PCNN在迭代操作過程中的神經(jīng)元由接收域、調(diào)制域和脈沖產(chǎn)生域組成

式中，x和y表示圖像各像素點(diǎn)橫縱坐標(biāo)值,Sxy代表輸入激勵(lì)，n為迭代次數(shù)，F(xiàn)xy表示反饋通道輸入，Wxy為突觸聯(lián)接權(quán)，Vin和Vth為歸一化常數(shù)，Uxy表示神經(jīng)元的內(nèi)部活動(dòng)項(xiàng),βxy表示鏈接強(qiáng)度，Txy是動(dòng)態(tài)閾值，αin和αth為調(diào)節(jié)對(duì)應(yīng)式子的常量，Yxy表示神經(jīng)元的脈沖輸出，它的值為0或者1。如果Uxy(n)>Txy(n)，則神經(jīng)元激發(fā)產(chǎn)生脈沖,否則神經(jīng)元不激發(fā),不產(chǎn)生脈沖輸出。

2基于能量梯度場(chǎng)的紅外圖像分割方法

2.1　自適應(yīng)設(shè)定鏈接強(qiáng)度

在PCNN模型中,通過給定經(jīng)驗(yàn)βxy值來控制中心神經(jīng)元受周圍神經(jīng)元影響的范圍，影響 PCNN設(shè)定其它通道參量，但是經(jīng)驗(yàn)值不能根據(jù)圖像的具體類型和內(nèi)容自適應(yīng)變化，難以保證得到理想的分割效果[10-12]。針對(duì)以上問題，本文中提出了一種基于能量梯度場(chǎng)的自適應(yīng)確定βxy值方法。

圖像的能量信息可以表征圖像內(nèi)容的豐富程度，但對(duì)圖像信息變化情況不敏感，僅通過能量信息會(huì)將模糊區(qū)域判斷為圖像紋理區(qū)域，紅外圖像中較亮的部分對(duì)應(yīng)于圖像能量較大的區(qū)域，如圖1所示，由圖1可以看到,其能量集中部分既包括了紅外目標(biāo)的坦克部分，也包括周圍的樹木，僅通過能量分布判斷會(huì)將樹木判斷為要獲取的目標(biāo)。

Fig.1　Infrared image

梯度信息可用于描述圖像灰度在空間中的變化情況，梯度值與圖像的邊緣變化情況密切相關(guān)，某一方向的灰度級(jí)變化率大，它的梯度值也就大，平均梯度用來評(píng)價(jià)圖像的模糊程度，可敏感地反映圖像中微小細(xì)節(jié)的反差。本文中引進(jìn)梯度場(chǎng)分析來修正對(duì)圖像特征的判斷，將它與PCNN的鏈接強(qiáng)度βxy相結(jié)合，可以將反映圖像微小細(xì)節(jié)反差的特性植入神經(jīng)網(wǎng)中，影響神經(jīng)網(wǎng)絡(luò)中某一神經(jīng)元的激發(fā)，再通過原始圖像與點(diǎn)火映射圖的映射關(guān)系將圖像中灰度變化不同的區(qū)域分割出來。基于以上分析，以鄰域內(nèi)的梯度值設(shè)定βxy值的計(jì)算方法如下。

2.1.1圖像的能量紋理圖像提取根據(jù)紅外圖像目標(biāo)與背景相比具有較高亮度的特點(diǎn)，為了使目標(biāo)區(qū)域能更加準(zhǔn)確地從背景中分辨出來，改進(jìn)傳統(tǒng)的圖像能量計(jì)算公式，得到能量紋理圖像。具體方法為：設(shè)f(x,y)表示1幅圖像，首先定義數(shù)組

將原圖像數(shù)組AM×N(M為圖像行數(shù)，N為圖像列數(shù))通過邊界進(jìn)行鏡像擴(kuò)展為A(M+2)×(N+2)。計(jì)算A(M,N)局部區(qū)域能量，構(gòu)造3×3新數(shù)組B，B以A(M,N)為起始點(diǎn):

令數(shù)組A(M,N)′=B×Q， 則A(M,N)′為A(M,N)的局部區(qū)域能量矩陣,具有更好的對(duì)比度。通過改進(jìn)得到的能量紋理圖像，從求某一像素點(diǎn)的能量變?yōu)榍笕∵@個(gè)點(diǎn)鄰域的能量，綜合考慮了像素和其鄰域像素的在能量上的聯(lián)系，反映了圖像的區(qū)域能量信息。

2.1.2計(jì)算圖像平均梯度圖像f(x,y)在(x，y)處的梯度定義為：

則梯度場(chǎng)方向：

其平均梯度為：

2.1.3計(jì)算梯度矩陣β(M,N)首先將源圖像鏡像擴(kuò)展，從M×N維擴(kuò)展到(M+2)×(N+2)為：

然后從擴(kuò)展后的第2行第2列開始作為3×3鄰域的中心點(diǎn)，計(jì)算鄰域內(nèi)梯度值，作為新建M×N維矩陣的起始點(diǎn)值，得到原始矩陣的梯度矩陣，即:

2.2　紅外圖像分割方法

對(duì)PCNN進(jìn)行改進(jìn)，設(shè)活動(dòng)項(xiàng)Uxy(n)=1+βxyFxy(n)，則活動(dòng)項(xiàng)Uxy(n)根據(jù)像素的灰度值變化率激發(fā)神經(jīng)元，即根據(jù)灰度變化速率點(diǎn)火，獲得原始圖像的點(diǎn)火映射圖。由于受到目標(biāo)本身灰度差的影響，分割后的圖像往往帶有冗余信息，通過形態(tài)學(xué)操作去除多余的背景信息，填補(bǔ)目標(biāo)圖像出現(xiàn)的孔洞，得到輪廓清晰的分割圖像。

分割算法的步驟如下：(1)計(jì)算圖像的局部能量，得到一副圖像的能量紋理圖像；(2)將能量紋理圖像經(jīng)過改進(jìn)的PCNN進(jìn)行點(diǎn)火，獲得圖像的點(diǎn)火映射圖；(3)把得到的點(diǎn)火映射圖進(jìn)行線性變換；將像素?cái)U(kuò)展到0~255范圍內(nèi)，從而可以對(duì)變換后的點(diǎn)火映射圖進(jìn)行形態(tài)學(xué)操作，改善分割的效果；將點(diǎn)火映射圖中最小灰度值min映射為0，最大灰度值max映射為255,其它像素值為：I(x)=x×(255/max),x∈(min max);(4)將點(diǎn)火映射圖經(jīng)過形態(tài)學(xué)操作,去掉映射圖中的冗余信息。

通過腐蝕和膨脹運(yùn)算可以處理比結(jié)構(gòu)元素小的特定圖像信息，同時(shí)保證不使圖像產(chǎn)生幾何失真。具體做法是：首先通過下式腐蝕操作消除物體邊界點(diǎn)，去掉一些小于結(jié)構(gòu)元素的目標(biāo)，將由PCNN過度分割的背景信息去掉:

式中,A為源圖像，E為結(jié)構(gòu)元素。

通過下式進(jìn)行膨脹操作，把圖像周圍的背景點(diǎn)合并到物體當(dāng)中，填補(bǔ)圖像分割后目標(biāo)存在的孔洞:

最后對(duì)膨脹后的圖像進(jìn)行形態(tài)學(xué)重建，得到分割結(jié)果，上述方法的流程圖如圖2所示。

圖3為利用本文中分割算法進(jìn)行紅外圖像分割的實(shí)例，圖3a、圖3b分別為紅外圖像和與之相對(duì)應(yīng)的可見光圖像，圖3c為經(jīng)過步驟(1)~步驟(3)得到的點(diǎn)火映射圖，可見紅外目標(biāo)已經(jīng)被分割，目標(biāo)輪廓連貫清晰，但由于目標(biāo)與附近背景灰度相近，有部分背景區(qū)域也被誤分割，通過步驟(4)對(duì)這部分干擾進(jìn)行濾除，得到圖3d；將分離出來的紅外目標(biāo)填充到可見光圖像中，即圖3e可以看到，拼接圖中紅外目標(biāo)很好地與背景契合一體。

Fig.2　Algorithm flowchart

Fig.3　Infrared image segmentation

3實(shí)驗(yàn)結(jié)果及分析

為了驗(yàn)證本算法的有效性，本文中對(duì)兩組源圖像分別進(jìn)行實(shí)驗(yàn)，兩組源圖像分別靈如圖1a和圖3a所示，圖像的像素大小分別為720×576,430×430。實(shí)驗(yàn)結(jié)果同最大熵算法、均值平移算法、模糊C均值算法[13]、K均值算法和分水嶺分割算法[14-15]得到的分割結(jié)果進(jìn)行比較。

Fig.4　Segmentation results of the first group

由圖4可以看到,模糊C均值、K均值和分水嶺分割算法對(duì)聚類中心敏感，但當(dāng)目標(biāo)與周圍背景灰度接近時(shí)，不能準(zhǔn)確分割，而最大熵和均值平移算法受周圍亮度波動(dòng)區(qū)域的干擾明顯，分割效果不太理想，本文中提出的算法兼顧了能量和梯度變化兩方面因素，因而能夠準(zhǔn)確分割紅外目標(biāo)。

圖5中，由于最大熵分割算法運(yùn)算過程中的窗口操作，造成分割得到的目標(biāo)輪廓信息有失真現(xiàn)象, 圖5b~圖5e的分割圖像在一定程度上產(chǎn)生了過分割或欠分割現(xiàn)象，不能解決人體目標(biāo)和背景亮度分布接近的問題。綜上，可以看到本方法的實(shí)驗(yàn)效果較好。

Fig.5　Segmentation results of the second group

4結(jié)論

針對(duì)紅外圖像特點(diǎn)和傳統(tǒng)分割方法存在的問題，提出了一種基于能量梯度場(chǎng)的紅外圖像分割算法，通過將圖像紋理區(qū)域映射到PCNN的點(diǎn)火映射圖，實(shí)現(xiàn)紅外目標(biāo)的自動(dòng)準(zhǔn)確分割。PCNN神經(jīng)元同步點(diǎn)火過程中，不需要人為設(shè)置鏈接強(qiáng)度，且具有較好的自適應(yīng)性，實(shí)驗(yàn)結(jié)果證明了該方法的有效性。通過比較，分割結(jié)果優(yōu)于傳統(tǒng)方法。

參考文獻(xiàn)

[1]SEBARII,HEDCh.Approachtononparametriccooperativemultibandsegmentationwithadaptivethreshold[J].AppliedOptics,2009,48(20):3967-3978.

[2]WANGZhM，SONGQ，SOHYCh，et al.Anadaptivespatialinformation-theoreticfuzzyclusteringalgorithmforimagesegmentation[J].ComputerVisionandImageUnderstanding, 2013,117(10):1412-1420.

[3]JUNGChK,LIUJ,SUNT, et al.Automaticimagesegmentationusingconstraintlearningandpropagation[J]，DigitalSignalProcessing, 2014, 24(1)：106-116.

[4]YANChM,GUOBL,MAYD, et al.Newadaptivealgorithmforimagesegmentationusingdual-levelPCNNmodel[J].JournalofOptoelectrnoics·Laser, 2011,22 (7): 1102-1106(inChinese).

[5]ZHOUDG,GAOCh,GUOYC.Simplifiedpulsecoupledneuralnetworkwithadaptivemultilevelthresholdforinfraredhumanimagesegmentation[J].JournalofComputer-AidedDesign&ComputerGraphics, 2013,25(2):208-214(inChinese).

[6]ECKHORNR,REITBOECKHJ,ARNDTM, et al.Featurelinkingviasynchronizationamongdistributedassemblies:simulationofresultsfromcatcortex[J].NeuralComputation, 1990,2(3):293-307.

[7]JOHNSONJL,PADGETTML.PCNNmodelsandapplications[J].IEEETransactionsonNeuralNetworks, 1999, 10(3):480-498.

[8]WANGZB,MAYD,CHENGFY, et al.Reviewofpulsecoupledneuralnetworks[J].ImageandVisionComputing, 2010, 28(1):5-13.

[9]FANGY，QIFH，PEIBZh．PCNNimplementationandapplicationsinimageprocessing[J]．JournalofInfraredandMillimeterWaves,2006,24(4): 291-295(inChinese).

[10]LIUY,TIANXJ,WANGQ, et al.Applicationofefficientimagesegmentationmethodbasedonlocalfractalintheinfraredcloudimageprocessing[J].OpticsandPrecisionEngineering, 2011,19(6):1368-1375(inChinese).

[11]HEL，PENGZhG，EVERDINGB，et al．Acomparativestudyofdeformablecontourmethodsonmedicalimagesegmentation[J]．ImageandVisionComputing，2008，26(2): 141-163.

[12]NIEFY,GAOCh,GUOYC.InfraredhumanimagesegmentationusingfuzzyHavrda-CharvátentropyandchaosPSOalgorithm[J].JournalofComputer-AidedDesign&ComputerGraphics, 2010,22(1):129-135(inChinese).

[13]COMANICIUD,RAMESHV,MEERP.Kernel-basedobjecttracking[J].IEEETransactionsonPatternAnalysisandMachineIntelligence, 2003,25(2) :564-577.

[14]ZHENGX,PENGZhM.Imagesegmentationbasedonactivitydegreewithpulsecoupledneuralnetwork.OpticsandPrecisionEngineering, 2013,21(3):821-827(inChinese).

[15]CHENQ，SUNQS，HENGPA，et al.Adouble-thresholdimagebinarizationmethodbasedonedgedetector[J].PatternRecognition,2008,41(4)：1254-1267.

Infrared image segmentation method based on energy

mapping relationship in gradient field

ZHANGBaohua,LIUHe

(School of Information Engineering, Inner Mongolia University of Science and Technology, Baotou 014010, China)

Abstract：Image registration of infrared images have low contrast, complex background and serious noise interference. Over-segmentation or under-segmentation is prone to occur with traditional segmentation method. In order to solve the problems, an improved infrared image segmentation algorithm was proposed based on pulse coupled neural network (PCNN) and morphological methods. Firstly, texture sub-image was extracted according to energy distribution of the image and the texture sub-image was segmented by PCNN. The adaptive links strength of PCNN was set based on the changes of regional energy in gradient field. Because of the firing position of PCNN focused on infrared target portion, a clear coherent infrared target contour can be obtained from firing maps. Background interference was filtered out by morphological methods and high precision infrared target segmentation was achieved. The experimental results show that infrared image can be segmented accurately based on this method. By comparison, the segmentation result is better than traditional methods.

Key words:image processing; image segmentation; pulse coupled neural network; gradient field; morphology

收稿日期：2014-01-19；收到修改稿日期：2014-02-17

作者簡(jiǎn)介：張寶華(1981-)，男，副教授，碩士生導(dǎo)師，研究方向?yàn)閿?shù)字圖像處理。

基金項(xiàng)目：國家自然科學(xué)基金資助項(xiàng)目(61261028)

中圖分類號(hào)：TP391.41

文獻(xiàn)標(biāo)志碼：A

doi:10.7510/jgjs.issn.1001-3806.2015.01.015