一種基于“熵圖”的紅外海天目標潛在區域選取方法研究

朱婧文,劉文好,張 馳,劉禮城,楊 波,吳鵬飛

(上海航天控制技術研究所,上海 201109)

?

一種基于“熵圖”的紅外海天目標潛在區域選取方法研究

朱婧文,劉文好,張 馳,劉禮城,楊 波,吳鵬飛

(上海航天控制技術研究所,上海 201109)

為后續能更快地識別目標，對一種基于“熵圖”的紅外海天目標潛在區域選取方法進行了研究。分析了紅外海天背景圖像灰度值分布特點，引入熵圖概念。進一步分析了紅外海天背景圖像的熵圖特點，提出了一種能適當選取海天背景中目標潛在區域的方法。先用半徑為R像素的圓形窗口在原始圖像上滑動，將窗口中心點的灰度值用該窗口的局部方差加權信息熵替代求取熵圖，初步確定海天線區域；對所得熵圖再求取一次熵圖，以消除天空云層邊緣、海平面波浪、海天線部分的干擾；將兩次求得的熵圖的對應元素相乘得到新熵圖，增大目標潛在區域的灰度值，減小其他干擾部分的灰度；尋找亮度最大點為中心的圓形區域就是目標潛在區域。實驗表明：用該方法選取目標潛在區域有較強的適應性，選取的目標區域范圍較小，可顯著減小后續目標識別中的計算量。

紅外海天背景； 弱小目標； 目標潛在區域； 方差加權信息熵； 熵圖； 灰度； 亮度最大點

0 引言

現代高度信息化戰爭中需要提高導彈武器的防御能力。為使成像導彈盡早地發現目標，留有足夠的反應時間進行攻擊，需在盡可能遠的距離定位目標區域。由于作用距離遠，目標在視場中僅占1個或數個像素，呈現出低信噪比的特點，易淹沒于噪聲中，為定位目標帶來了難度。目標潛在區域的恰當選取對目標檢測、識別具有重要意義。

遠距離平視狀態下觀察到的海天背景主要是由海平面、海天線和天空三部分組成。該距離下出現的目標必在海天線附近[1]。針對上述海天背景中紅外目標的特點，目前廣泛用于定位目標的一種方法是先定位到海天線，將海天線附近的區域認為是目標的潛在區域，通過只搜索目標潛在區域定位到目標[2-4]。但目標潛在區域選取過大，不利于降低后續定位目標的計算量，對海平面波浪干擾抑制作用也不明顯；目標潛在區域選取過小，很可能直接錯過目標，造成漏檢。因此，目標潛在區域的選取有其重要意義。近年來，大量文獻側重于精確定位到海天線的研究，對目標潛在區域的選取鮮有提及。文獻[5]將海天線為中心的上下σ區域劃分為目標潛在區域，但未詳細說明σ值的選取。文獻[6]根據經驗選定海天線上下58像素作為目標的潛在區域，但該方法偏重于經驗，不具一般性。文獻[7]用梯度算子得到差分圖像，基于邊緣閾值策略二值化圖像，由二值化圖像在垂直方向上的投影確定目標潛在區域，方法有一定的適應性，但在海平面波浪較多的情況下，選取的目標潛在區域仍過大，無法體現該方法的優勢。實際上，目標只出現在海天線某一小段的上下區域內，將海天線作為中心的整個上下區域都取為目標潛在區域并無必要，研究一種以目標為中心的目標潛在區域有非常重要的實際意義。

為進一步縮小目標潛在區域的范圍，需考慮目標潛在區域的特點。在遠距離平視狀態下獲得的紅外海天圖像中，目標潛在區域包含了目標、海平面、天空三部分的特點，但也存在云層邊緣、海平面波浪、海天線部分的干擾，目標可能是亮目標也可能是暗目標。考慮上述因素，用傳統方法檢測圖像中灰度的局部極值或對圖像進行邊緣檢測等縮小目標潛在區域的范圍都會檢測出大量潛在目標區域，效果不佳。因目標潛在區域包含的目標、海平面、天空三部分的灰度分布各不相關，但又在各自內部相關，故簡單的灰度值信息、梯度信息均不能很好地表達這種關系。從另一角度分析，該區域是目標、海平面、天空三部分相交的區域，一定是包含灰度信息最豐富的區域。灰度信息可用信息熵進行定量描述，采用信息熵，使尋找目標潛在區域轉換為尋找信息熵最大值對應的位置，并對亮目標或暗目標、有無云層邊緣、海平面波浪、海天線部分的干擾等都有良好的適應性，將灰度信息的豐富程度與該區域在圖像中的位置一一對應，通過找到信息熵最大的點就能確定目標潛在區域。本文將圖像局部的方差加權息熵與其位置信息結合，引入了“熵圖”概念，提出一種選取弱小目標潛在區域的方法，其核心是得到一張云層邊緣、海平面波浪、海天線部分干擾較少的熵圖，在熵圖中找到熵值最大的點，將該點對應到原圖區域中即可獲得所要選取的目標潛在區域。用該方法提取目標潛在區域有較強的適應性，區域的范圍也較小，可減少后續目標檢測算法的計算量。

1 紅外圖像的復雜度與熵圖

文獻[8]定義了紅外背景復雜度的概念，用信息熵對其進行定量描述，并在此基礎上引入紅外圖像的方差信息，進而提出了方差加權信息熵以定量描述紅外圖像復雜程度。

對一幅灰度級M個的紅外圖像，設Ps為灰度值s在整個圖像中出現的概率，S為由此紅外圖像中含像素值組成的集合，則S的概率空間可表示為

(1)

定義圖像的方差加權信息熵

(2)

對僅含r(1≤r≤M)種像素s1，s，…，sr的紅外灰度圖像，設每種像素值出現的概率相同，即為1/r，則此圖像的方差加權信息熵

(3)

方差加權信息熵描述雖可定量描述紅外圖像的復雜程度，但該復雜程度是對整個圖像而言，無法體現圖像中各像素點灰度值分布的位置信息。為體現圖像中各像素點灰度值分布的位置信息與圖像復雜程度的關系，本文引入“熵圖”概念，將半徑為R像素的圓形窗口在原始圖像上按從左到右、從上到下的順序滑動(如圖1所示)，每次滑動窗口所在中心像素點的值用該窗口的局部方差加權信息熵替代而得到新的包含各圓形窗口內圖像復雜程度的圖像。熵圖中某個值產生的過程如圖2所示。值得注意的是：本文采用的窗口形狀為圓形，這是因為在圓形區域內每個方向的像素值對該區域內熵值的貢獻相同，求得的熵圖結果更合理。若設R=2，則模板如圖2所示。

圖1 圓形窗口在圖像上滑動過程Fig.1 Process of circle window sliding on image

圖2 熵圖上某個值產生過程Fig.2 Process of calculating a certain value on entropy picture

因每個局部方差加權信息熵值均按原順序排列，故當它們組成一幅圖像時，圖像中每個點的亮度就不再表示灰度值的大小，而是表示在原圖中以該點為中心、半徑為R像素的區域的灰度信息豐富程度，這為之后可選取到以目標為中心的目標潛在區域提供了新的思路。

2 海天紅外圖像的熵圖特點

一般情況下，在遠距離平視狀態下觀察得到的海天背景中，海平面背景的輻射溫度低于天空背景，其灰度值整體低于天空背景的灰度值。但由于海浪的運動、海浪對太陽光線反射等原因，海平面背景表現出強烈的不均勻性，有許多浪峰的灰度強度接近甚至等于或大于天空背景與目標灰度[9]。與之相比，天空背景變化較緩慢，即使在有云層時，云層內部灰度值變化也較平緩，僅在云層與天空背景交界處灰度值出現突變。海天線雖然被稱作“線”，但一般它不是一條直線，而是從天空到海平面的漸變帶。目標的位置處在海天線區域內，這是由遠距離海平面成像決定的，目標不可能完全脫離海天線而處在天空區域，或完全脫離海天線處在海背景區域。當距離較遠、信噪較低時，船體絕大部分幾乎被“淹沒”于海天線區域內，但煙囪依然較明顯，灰度值較大[10]。海天紅外圖像的灰度分布特點如圖3(a)所示。

圖3 灰度分布圖Fig.3 Gray-level distribution

在上述分析中引入圖像的局部方差加權信息熵，形成的海天紅外圖像熵圖的特點為：當窗口大小選取合適時，熵圖中天空背景區域因灰度值分布較均勻、變化緩慢導致該區域的局部方差加權信息熵值均較低，呈現出均勻且灰度值較低的特點；在無波浪時，熵圖中海平面背景與天空背景同樣表現出均勻且灰度值較低的特點，但在有波浪時，海平面灰度值分布不均勻導致了在波浪區域局部的方差加權信息熵值較大，在熵圖中呈現出塊狀的不連續亮度帶。因海天線這一漸變帶的灰度值變化大，并包含目標，而目標的灰度值分布不同于海天線漸變帶，故海天線區域包含的信息最多，灰度信息最豐富，其局部方差加權信息熵值很大，可初步選取海天線區域為目標潛在區域。在熵圖中，該區域呈現為一片較亮、較寬、較長的帶狀區域。海天紅外圖像的熵圖灰度分布特點如圖3(b)所示。比較可發現熵圖的優點如下：首先，熵圖保留了圖像的位置信息，便于后續尋找目標潛在區域；其次，對圖像求熵圖，定量計算出圖像各區域包含灰度信息的豐富程度，從結果上看相當于一個濾波過程，較好地剔除了云層邊緣、海平面波浪等各自內部相互關聯的干擾，縮小了目標潛在區域的范圍。

3 目標潛在區域選取

為進一步縮小目標潛在區域的范圍，需更好地消除天空云層邊緣、海平面波浪邊緣、海天線部分對目標潛在區域選取的影響(本文以消除海天線部分的干擾為主)，分析熵圖的特點非常必要。

研究發現，天空云層邊緣、海平面波浪、海天線部分雖然包含的灰度信息很豐富，其局部方差加權信息熵值很大，但在熵圖中，目標潛在區域的灰度值與其周圍區域的灰度值的差異遠大于周圍區域相互間的灰度值的差異。即相對目標潛在區域，天空云層邊緣、海平面波浪、海天線各部分熵圖的復雜程度較小。因此，對熵圖再求一次熵圖，天空云層邊緣、海平面波浪、海天線部分的熵值會變小，在二次熵圖中會變得較暗。對熵圖再求一次熵圖的過程如圖4所示。其原理與第一次求原圖的熵圖相似，不同的只是第二次求熵圖的對象是第一次求得的熵圖，該過程的物理意義是將一次熵圖對應點所在半徑為R像素區域的灰度信息的豐富程度表現在新的熵圖上，二次求熵圖可將海天線區域以外的小雜波全部濾除，可更好地消除天空云層邊緣、海平面波浪邊緣的影響。此外，與二次熵圖的最高波峰相比，新熵圖的波峰會出現明顯下凹，其物理意義是下凹代表了海天線部分相互關聯、連續均勻的變化導致的灰度信息不再豐富，利用這點可消除海天線部分的影響。由此可發現：在一次熵圖或二次熵圖中，目標潛在區域總是灰度值增強部分，而天空云層邊緣、海平面波浪、海天線部分分別在第一次求熵圖和第二次求熵圖的過程中得到了不同程度的削弱。在此基礎上，為更好地突出目標潛在區域，將兩次得到的熵圖對應像素點相乘，會使目標潛在區域的灰度值變大，而其他的干擾部分灰度變小。此時產生的新熵圖的灰度值大小只代表圖像各區域所含灰度信息的豐富程度，與像素點的能量大小無關。

圖4 熵圖的熵圖上某個值產生過程Fig.4 Process of calculating a certain value on entropy picture of entropy picture

在新熵圖中尋找以亮度最大點(即方差加權信息熵值最大點)為中心、半徑為2R像素的原型區域即為目標潛在區域。值得注意的是，此處獲得到的最亮點可能就是目標，但也可能不是，因為在熵圖中，該點最亮的含義是以該點為中心、R像素為半徑的區域的復雜程度最高，包含的灰度信息最多，但對應到原圖中并不能明確指出是該區域中具體的某點。考慮弱小目標的尺寸為數個像素甚至十多個像素，根據經驗將該范圍適當放寬至半徑2R像素的區域，可適應當目標尺寸較大時檢測到的最亮點對應到原圖中恰好是小目標邊緣點造成的目標不完全在選出的目標潛在區域中的情況，具有一定實際意義。

綜上所述，可得本文選取目標區域的一般方法，步驟如下。

a)固定模板半徑R(根據測試圖像的大小，假設目標只有數個到十多個像素，通過大量實驗得到經驗值，一般固定為9像素)，生成(2R+1)×(2R+1)的模板M。

b)根據模板大小，將尺寸為m×n的原圖I分成(m—2R)×(n—2R)個小圖像I1，I2，…，I(m—2R)×(n—2R)。

d)用式(2)計算每個小圖的方差加權信息熵并填入每個小圖像中心所在位置，拼成熵圖E。

e)對熵圖E重復上述步驟，得到熵圖E′。

f)將熵圖E，E′對應元素相乘得到熵圖E″。

g)在熵圖E″中搜索到灰度值最大的點，以該點為中心、半徑為2R的區域即為目標潛在區域。

4 實驗與分析

用本文的目標潛在區域選取方法對大量隨機抽取的海天紅外圖像進行目標潛在區域選取實驗，以驗證方法的效果，以及對海面波浪、天空云層邊緣等干擾的適應性。

實驗用原始圖像大小336像素×334像素，裁剪后實際用于實驗的尺寸為313像素×305像素。根據大量實驗的經驗值，選用模板半徑R為9像素，選取其中一個實驗結果與文獻[7]方法所得結果進行比較。其中，文獻[7]算法為：先用梯度算子得到差分圖像，再基于邊緣閾值策略二值化圖像，最后用二值化圖像在垂直方向的投影確定目標潛在區域。用文獻[7]和本文方法獲得目標潛在區域的實驗過程分別如圖5、6所示。圖5(e)、6(e)中：藍色的正方形框為目標。圖5(e)中，最上與最下兩條紅線中間的區域為用文獻[7]方法所得目標潛在區域，該區域約占20 130像素；圖6(e)中，紅色圓形區域為用本文方法所得目標潛在區域，該區域約占1 134像素，用本文方法選取的目標潛在區域較文獻[7]得到的區域減小了94.36%，范圍更精確，為后續的處理減少了大量計算。

原始圖像、熵圖、熵圖的熵圖，以及新熵圖的三維圖如圖7所示。由圖5(c)和圖7可知：文獻[7]方法效果不佳的主要原因是海平面波浪在y向的梯度較大，當海平面波浪較多時，僅通過求出y向的梯度圖像無法抑制海平面波浪對海天線檢測、目標潛在區域確定的干擾；本文方法則較好地抑制了天空云層邊緣、海平面波浪、海天線區域中突變部分的干擾，同時使目標潛在區域的亮度得到了增強。實驗表明：本文方法的效果較好，且對海面波浪、天空云層邊緣等干擾的適應性更強。

5 結束語

圖5 文獻[7]方法實驗結果Fig.5 Results of applying method in reference [7]

圖6 本文方法實驗結果Fig.6 Results of applying method proposed

圖7 原始圖像和用本文方法得到的三維圖Fig.7 Original image and 3D maps of applying method proposed

根據目標潛在區域所包含的灰度信息豐富的特點，本文對一種基于熵圖的紅外海天目標潛在區域選取方法進行了研究。引入熵圖的概念，分析了海天紅外圖像的熵圖特點，初步選取了海天線區域為目標潛在區域。為進一步縮小目標潛在區域的范圍，需進一步消除天空云層邊緣、海平面波浪、海天線區域中突變部分對目標區域定位的影響，對熵圖再求一次熵圖，并將兩次得到的圖像的對應像素值相乘得到目標區域被增強而海天線區域中突變部分的灰度值被削弱了新熵圖。在新熵圖中尋找以亮度最大點為中心、半徑為2R像素的圓形區域即為目標潛在區域。通過大量的實驗驗證，證明該方法對云層邊緣、海平面波浪的干擾具良好的抑制作用，提取目標潛在區域有較強的適應性，區域的范圍也較小，減少了后續目標檢測算法的計算量。但目前，本文方法中方差加權信息熵的計算量較大，在實際應用中需簡化該計算過程。此外，本文根據經驗，固定了R的取值，后續研究的重點是使R的取值根據圖像大小、目標的大小等可具有自適應的能力，這樣能進一步針對性地減少潛在目標區域的范圍，更好地降低后續目標檢測、識別的計算量。

[1] 劉士建, 蔣敏, 莊良. 一種快速有效的紅外圖像中海天線提取算法[J]. 紅外技術, 2011, 33(4): 230-232+240.

[2] 楊俊彥, 逄浩君, 曹耀心, 等. 海天背景下紅外小目標檢測的背景抑制及海天線檢測方法[J]. 紅外, 2016, 45(12): 24-28.

[3] 梁世花. 海天背景下紅外弱小目標的檢測[D]. 武漢: 武漢理工大學, 2012.

[4] 王小康, 董士崔, 海天線檢測算法簡述[J]. 電子世界, 2013(16): 97-98.

[5] 劉松濤, 周曉東, 王成剛. 復雜海空背景下魯棒的海

天線檢測算法研究[J]. 光電工程, 2006, 33(8): 5-10.

[6] 楊明月, 楊衛平. 復雜海天背景下紅外艦船目標的自動檢測方法[J]. 紅外與激光工程, 2008, 37(4): 638-641.

[7] 孫殿星, 王學偉, 周曉東, 等. 海空背景下確定弱小目標潛在區域的方法[J]. 紅外技術, 2009, 32(11): 663-667.

[8] 楊杰, 楊磊. 基于紅外背景復雜程度描述的小目標檢測算法[J]. 紅外與激光工程, 2007, 36(3): 382-386.

[9] 楊磊. 復雜背景條件下的紅外小目標檢測與跟蹤算法研究[D]. 上海: 上海交通大學, 2007.

[10] 王衛華, 牛照東, 陳曾平. 復雜海天背景下紅外艦船目標實時檢測算法[J]. 紅外技術, 2006, 29(10): 580-584.

Research on Selecting Region Containing Infrared Target Method under Sea-Sky Background Based on Entropy Picture

ZHU Jing-wen, LIU Wen-hao, ZHANG Chi, LIU Li-cheng, YANG Bo, WU Peng-fei

(Shanghai Institute of Spaceflight Control Technology, Shanghai 201109, China)

To recognize the target in later process quickly, a method to select the target in the region containing infrared target under sea-sky background based on entropy picture was studied in this paper. The characteristics of the gray-level distribution of infrared sea-sky background were analyzed. The novel idea of entropy picture was introduced. The characteristics of the gray-level distribution of the entropy picture of the infrared sea-sky background were further analyzed. Then a method which could properly select the region containing infrared target under sea-sky background was proposed. First, the circle window with radiusRpix was sliding on the original image. The entropy picture of the original image was formed that the local variance weighted information entropy was instead of the gray of centre point of the window, which could determine the sea-sky region roughly. Second, the entropy picture of the entropy picture was got from the latest step, which could reduce the disturbance of sea-sky cloud edge, sea level wave and sea-sky line. Third, a new entropy picture was got by multiplying the corresponding pixel value of the two entropy pictures obtained from the last two steps, which could increase the gray of the region containing infrared target and decrease the gray of other disturbances. At last, the circle region with center point of the brightest point of the new entropy picture was found. Then circle region was exactly the region containing infrared target. The experimental results show that the method is well-adaptive and the region selected is small.The method provides a solid foundation for further application.

infrared sea-sky background; dim target; region containing infrared target; variance weighted information entropy; entropy picture; gray; brightest point

1006-1630(2017)03-0073-07

2017-02-23；

2017-03-18

國家安全重大基礎研究項目(973)資助(613271010204)

朱婧文(1992—)，女，碩士生，主要研究方向為目標識別與信息處理技術。

TN911.73

A

10.19328/j.cnki.1006-1630.2017.03.010