一種復雜海天背景下紅外圖像艦船目標檢測方法*

孫煒瑋 孫艷麗 劉治江

（1.海軍航空大學 煙臺 264001）（2.92697部隊 陵水 572424）

1 引言

紅外圖像利用目標物體的溫度特性，目標溫度差異體現出亮度差異，因此受光線的影響相對更小，可全天且在光線較弱的條件下正常使用，在安防與交通管理等方面應用比較廣泛。軍事上紅外制導導彈對于海面艦船目標的檢測、跟蹤、打擊要求對艦船特性進行特性分析以達到更好的效果，這使紅外艦船的檢測具有巨大的應用市場。紅外圖像也存在自身缺點，背景噪聲復雜多變，前景容易被強大的干擾噪聲掩蓋，目標的特征區域提取困難；艦船本身的紅外輻射區域也比較多，各個區域展現出來的輻射量差異比較大，但是邊界模糊；海面、天空、島礁等背景環境的輻射情況復雜，對探測的干擾很大。

紅外艦船目標檢測需求大，難度高，國內外研究者頗多。Adeel Mumtaz［1］使用了 GBVS 算法來得到所研究的紅外圖像的顯著圖，再用艦船目標幾何特征進行更加細致的分割提取，最后采用FCM算法來對目標圖像中的區域進行聚類處理。張韓西子［2］等通過先將紅外艦船圖像進行平滑濾波，再對處理結果銳化處理突出目標的輪廓，再以海面的水天線為基準確定艦船存在的候選區域，最后對全部的重點區域作特征分辨識別，達到對目標艦船的定位檢測的目的。王鵬［3］等使用頻域組合高通濾波器初步處理來獲取艦船存在概率最大的區域，再作尺度自適應局部閾值分割來初步獲得一個艦船目標，之后再結合吃水線特征獲得準確目標。

本文對艦船目標的檢測主要運用的是邊緣檢測、形態學處理和閾值分割相結合方法進行目標提取并通過艦船幾何特征降低虛警，把海天背景下有岸堤等背景的艦船做出了檢測提取。算法流程圖如圖1所示。

圖1 算法流程圖

2 圖像預處理

對于紅外探測狀態下海面艦船的監測圖像，主要是利用圖像中目標前景與背景的灰度值差異對圖像進行處理，對于艦船所處環境，天空亮度、海面雜波亮度突變會造成虛警，針對紅外圖像的特點可以先使用圖像增強，圖像增強能有效地增大艦船目標的灰度值，并且也能增大艦船和海面背景的對比度，使得后續處理時提取效果更好［4］。本文主要使用線性變換的方法增強圖像對比度。變換函數的表達式：

g(x,y)是f(x,y)變換后輸出圖像，灰度范圍有(n,m)變換到(N,M)。

3 基于邊緣檢測與形態學的艦船目標檢測

3.1 邊緣檢測

邊緣就是圖像的灰度值變化較大的區域，實現圖像分割的核心就是要找出待分割區域的邊緣從而對其進行提取，經過一系列處理得到邊緣后對圖像中目標實施邊緣分割達到檢測目的。由于邊緣區域灰度變化大，因此可以在這些區域進行微分運算從而將這部分區域的數值與其他部分拉開，微分處理中特點明顯的算子［5］有 Robert、Sobel、Prewitt算子，檢測效果如圖2所示。

圖2 三種檢測算子的檢測效果

從檢測結果可以看出，三種算子對在海天背景下的艦船處理效果相差不大，但Robert算子處理效果相對最好，處理結果海面雜波的噪聲點干擾最少，之后的處理中可以綜合選取使用各個算子。三種邊緣檢測算子可將兩艘船以及兩個海上漂浮物的邊緣檢測出，但是檢測出的邊緣并未成封閉圖形，而是一系列密集堆積的線條，這也將導致目標艦船無法檢測分割提取，同時該邊緣檢測方式可以排除天空亮度以及海天線的影響，但是對于海面雜波以及少部分天空亮度突變區域并不能很好地排除，還需要對處理結果進行形態學處理。

3.2 形態學處理

形態學處理［6］就是利用某一個較小的模板區域即結構元素去處理整個圖像，使得圖像會根據模板區域改變來得到想要的形狀。利用形態學的幾個基礎的運算方法，可以把目標圖像中的結構元素融合或者分解，應用形態變換獲得想要的處理結果。對圖像的形態學處理使用到的基本算法主要包括膨脹、腐蝕、開運算以及閉運算等。

3.2.1 膨脹運算

膨脹就是將和預先設置好的形狀所接觸到的所有像素點都融合到這個形狀里面來達到邊界擴張的目的，它能使得處理區域膨脹，達到填充的目的。定義如下：

其中B就是結構元素，G是準備處理區域的像素點，公式中以B的自身原點的映像和a對映像進行位移為基礎。

3.2.2 腐蝕運算

腐蝕可以看作是膨脹的對偶運算，它主要可以用來消除小的無意義的點，定義為

腐蝕過程和膨脹過程相似：把B的中心點與G中的點一個個比對，假如B的點都在G的范圍內，就保留G上的這個點，如果不是就抹除這個點。

3.2.3 開運算和閉運算

開運算和閉運算從本質上來說就是把腐蝕和膨脹二者處理相結合，其定義分別如下。

用結構元素B對待處理元素G的開運算：

即開運算就是選定結構元素B，對待處理元素G，先腐蝕再膨脹，開運算可以很大程度上去除掉不包含結構元素的區域，使得要處理區域的邊緣輪廓平滑，還能夠讓一個結構連接不緊密的幾個子結構之間的狹窄連接處斷開，同時消除了比較小的突出。

用結構元素B對待處理元素G進行閉運算：

閉運算就是開運算的反向操作，對結構元素先膨脹再腐蝕，這種處理可以將兩個連接不緊密的子結構之間的小缺口連接成細小的連接線。

通過半徑為4的平坦型圓盤結構元素對邊緣檢測后的圖像進行多次膨脹與腐蝕，并刪除面積小于2000的小對象，可初步濾除海浪噪點和天空灰度突變區域。利用形態學處理可以很好地將面積小的海面波浪干擾區域去除，留下大部分檢測后邊緣線條密集堆積的區域并將其放大。但同時將原本的小區域雜波也放大了，并且此時處理后的艦船目標形態已經和實際形態有了較大差距，失真較為嚴重。可將這幾種邊緣檢測處理結果作與運算，得到一個更理想的圖像，如圖3所示。圖像中雜波都已經被濾除，剩下了四個形態學處理后的較大的物體，但是四個物體中只有兩個是目標。因此還需進行閾值分割，再將兩種方法結合處理來得到最為準確的目標檢測結果。

圖3 對三種邊緣檢測形態學處理結果作與運算

4 基于Ostu的艦船目標檢測

在白熱模式下的灰度圖像中由于海水本身溫度較低，因此在的灰度圖像中呈現出一種較暗的效果，而艦船由于其本身的材料對陽光的反射系數比水大且船的發動機及船上各部件的工作會產生熱量，因此艦船與周圍海水相比呈現的是一種高亮的效果。利用這一特點，可運用閾值分割的方法，把艦船和海面分割。

4.1 Ostu法閾值分割基本原理

Ostu算法也叫最大類間方差法［7］，它使用的是聚類的思路，將準備處理圖像的各個灰度數按照它自身的灰度級分成兩個等級，使得兩個等級之間的灰度值差別最大，但是每個等級自身內部的灰度值差別最小，最后運用方差計算找到一個最好的灰度級將圖像劃分為兩個區域，此時兩個區域之間灰度值差別是最大的，其基本思想如下。

先設定待處理圖像的總像素數量為N，這些像素包含的灰度范圍從0到L-1，相對應灰度級i的像素數量是ni，那么某種灰度值的所有像素點在整幅圖像中出現的概率則可以認為是：

基本思路是先設置一個最開始檢測的閾值T，把待檢測圖里面的全部像素用閾值T分成C0和C1兩個部分，用灰度值在0到閾值T之間的所有像素來構成C0，再把剩下的灰度值在T到L-1之間的所有像素構成C1，那么整幅圖像灰度值均值就是：

讓T在0到L-1之間依次取值，使最大值就是Ostu處理的最佳閾值。

4.2 Ostu算法圖像處理

在無岸堤島嶼等陸地背景的情況下，Ostu法的處理效果很好，不但將艦船輪廓完整分割，還將兩個較小的灰度值低的漂浮物濾除了較大一部分。但是此方法將天空與艦船劃分到了一個區間，并且亮度較高的艦船頂部還與天空相連，無法分割，此時可再次采用形態學處理將艦船與天空分離。但是由于右側漂浮物面積較大，并不能完全去除掉，并將圖像極小點消除，結果如圖4所示。

圖4 Ostu與形態學處理結果圖

5 改進算法的艦船目標檢測

從圖4可見艦船目標周圍雜波已經處理干凈，并且艦船輪廓提取效果也很好，只需去除天空背景影響即可，則可以將圖像與之前邊緣檢測處理去掉天空影響獲得的圖像結果結合即可獲得最好的目標檢測提取圖。將邊緣檢測后形態學填充結果圖與Ostu閾值分割后形態學處理結果相與，得到圖5。可以看到，經過邊緣檢測去除天空背景干擾與經過Ostu法去除海面雜波的算法相結合，可以在背景僅為海面和天空的情況下，效果較好的檢測出艦船目標，但是當艦船目標過小時，有可能會被當作非艦船的其他小目標在處理過程中被去除。

圖5 改進算法處理結果

利用以上方法也可對于一些不同背景進行處理，如有島嶼、有岸堤等情況下，進行艦船目標檢測后，其效果如圖6所示。

圖6 不同背景的單幀艦船檢測結果

圖7 有霧及岸堤背景下的艦船檢測結果

從以上4張圖中看到，不同場景下的圖像目標經過之前算法處理，得到的結果并不完全準確，存在虛警現象，需要將結果進行進一步優化。經過對艦船特征的分析和多次實驗可以得出，設置一個合理的連通區域長寬比可以有效排除較長的岸堤或者跨度較大的細長型島嶼。達到了預期目標。其中圖6（d）由于該圖中艦船外形較為特殊，同時相對前幾幅圖像而言，岸堤背景和三艘艦船的灰度值更加接近，大霧影響出現虛警，情況比較復雜。使用本文算法能夠排除虛警，檢測出艦船目標，但不規則艦船的最終檢測形態有一定程度失真。

6 結語

本文結合實測數據針對在無霧和無岸堤等陸地背景的情況下，對于形狀規則的艦船，背景和艦船特征區別明顯且灰度值差異較大時，采用邊緣檢測和Ostu閾值分割相結合算法。對于有霧、有岸堤等陸地背景的情況下且艦船形狀特殊的情況時，容易出現虛警，提出了結合艦船長寬比降低虛警的優化算法。實驗結果顯示，本文處理方法有一定的良好效果。