基于oes閾值的圖像分割與背景雜波噪聲抑制

基于oes閾值的圖像分割與背景雜波噪聲抑制

0低信噪比同步控制的方法在距離紅色目標的圖像中，紅色信號傳感器接收到的目標強度較弱，噪聲和背景干擾較大，圖像信噪比降低。另一方面，由于目標沒有具有明顯的輪廓和結(jié)構(gòu)特征，因此可以使用“表面”信息、粒度和運動信息。因此紅外小目標檢測器性能將直接決定末制導系統(tǒng)的有效作用距離及設(shè)備的復雜程度。復雜的海面背景中,移動的海面及連綿起伏的波浪反光使圖像的信噪比和對比度等信息都隨著浪高、距離和太陽位置的不同而不斷變化。當海面雜波或魚鱗光較強時,紅外圖像中有大量的浪峰的灰度強度接近甚至等于或大于點目標,在這種情況下,基于灰度閾值或空域濾波的方法,因很難區(qū)分點目標和魚鱗光而失效。當探測器在運動載體上,目標在隨機運動時,運動參數(shù)無法預知和估計,因此不適合使用諸如圖像匹配、光流場、傅里葉譜分析、多幀圖像能量累積等常用的運動目標檢測與分析方法?？傊?針對復雜多變的海面背景,低信噪比紅外小目標的檢測問題的關(guān)鍵在于如何有效地提高單幀圖像檢測率。文中提出的方法不需要太多的目標先驗知識或假設(shè),也不需對圖像特征具體分析。在對紅外圖像進行自適應(yīng)濾波的基礎(chǔ)上,以數(shù)學形態(tài)運算為主,進行背景抑制和目標分割,最后針對遠距離艦艇小目標總是出現(xiàn)在海天線附近的特點分離出真正的目標。仿真實驗證明,該方法能有效地抑制天空云層和海雜波的影響,提高單幀圖像中目標檢測概率,降低誤檢率。1圖像結(jié)構(gòu)的提取數(shù)學形態(tài)學的數(shù)學基礎(chǔ)和所用語言是集合論,它的基本思想是用一定形態(tài)的結(jié)構(gòu)元素去度量和提取圖像中的對應(yīng)形狀,去除不相干的結(jié)構(gòu),以達到對圖像分析和識別的目的。形態(tài)學的應(yīng)用可以簡化圖像數(shù)據(jù),易于用并行處理方法和硬件實現(xiàn)。1.1腐蝕和膨脹運算數(shù)學形態(tài)學的基本運算為:膨脹、腐蝕、開運算和閉運算?；谶@些基本運算可以推導和組合成各種數(shù)學形態(tài)學實用算法。數(shù)學形態(tài)學對信號的形態(tài)變換可以是集合,也可以是函數(shù)。設(shè)給定輸入圖像F={(x,f(x))|x∈P,P?E2}和結(jié)構(gòu)元素B={(x,b(x))|x∈S,S?E2},其中,x為圖像平面空間的坐標點;f(x)為x點的圖像灰度值;b(x)為x點的結(jié)構(gòu)函數(shù)值;E2為歐氏空間。(1)腐蝕是數(shù)學形態(tài)學最基本的運算,用結(jié)構(gòu)元素B對輸入圖像F進行灰度腐蝕,記為fΘb,其定義為:(fΘb)(x)=infm∈Sx+m∈Ρ{f(x+m)-b(m)}(1)(fΘb)(x)=infm∈Sx+m∈P{f(x+m)?b(m)}(1)腐蝕是一種消除邊界點的過程,可有效地消除孤立噪聲點,去除邊界上不平滑的凸出部分。(2)膨脹是腐蝕運算的對偶運算(逆運算),是數(shù)學形態(tài)學的第二個基本運算,記為f?b,其定義為:(f?b)(x)=supm∈Sx-m∈Ρ{f(x-m)+b(m)}(2)(f?b)(x)=supm∈Sx?m∈P{f(x?m)+b(m)}(2)式中inf和sup分別表示上確界和下確界運算。膨脹是將與目標物體接觸的所有背景點合并到物體中的過程,可填補空洞和形成連通域,可填平圖像邊界上不平滑的凹陷部分。(3)形態(tài)濾波開啟和閉合運算則用腐蝕與膨脹運算的級聯(lián)來定義,即:F和B的開運算(f?b)(x)=[(fΘb)?b](x)(3)(f?b)(x)=[(fΘb)?b](x)(3)F和B的閉運算(f?b)(x)=[(f?b)Θb](x)(4)開運算是先對圖像進行腐蝕運算再進行膨脹運算,能去掉圖像中的孤立區(qū)域和毛刺,并可消除形狀小于結(jié)構(gòu)元素的正峰值,根據(jù)目標和噪聲的特點,選擇適應(yīng)的結(jié)構(gòu)元能剔除目標和噪聲,而將背景保留下來;閉運算是先對圖像進行膨脹運算再進行腐蝕運算,可以填充物體內(nèi)細小空洞,連接鄰近物體和平滑物體邊界。1.2關(guān)于table-hat算子的特點Top-Hat變換算子,記為hat(f),其定義為:hat(f)=f-(f?b)(5)可見Top-Hat運算是原始圖像信號與其開運算后的信號之差,所以經(jīng)Top-Hat變換處理后的圖像能抑制平緩變化的背景和不相關(guān)的結(jié)構(gòu)信息,提取出形狀類似于結(jié)構(gòu)元素的孤立目標和噪聲,即可以檢測出圖像信號中的灰度峰值,因此Top-Hat算子具有高通濾波的特性。2目標檢測和分割算法2.1紅外圖像海天線檢測針對遠距離艦船小目標總是出現(xiàn)在海天線附近的特點,通過檢測海天線位置來確定目標的潛在區(qū)域,可以極大地縮小目標搜索范圍,排除海浪和云團的干擾,提高目標檢測率,因此海天線在海面小目標檢測中有很重要的意義。由于紅外圖像反映的是熱輻射差,對溫度極為敏感;海上自然氣候的變化和波浪的擾動,以及空氣對熱輻射的散射和吸收作用,使紅外圖像中海天線模糊不清;大量高輻射的云層、海浪及魚鱗光形成了很強的背景邊緣干擾,所以直接對紅外圖像進行海天線檢測,很難確定海天線。參考文獻提出了一種基于小波分析的海天線檢測算法,提高了海天線的檢測和定位精度,但實現(xiàn)較為復雜,難以硬件實現(xiàn)。根據(jù)海面和天空具有完全不同的輻射特性,在紅外圖像中表現(xiàn)為兩大類不同灰度區(qū)域的特點,提出了基于最大類間方差法的海天線檢測算法,簡單有效地實現(xiàn)了海天線的檢測和定位。(1)最佳閾值的確定最大類間方差法是Otsu于1978年在最小二乘法原理的基礎(chǔ)上推導出來的,可將圖像分割成兩類,使得類內(nèi)方差最小,而類間方差最大,其原理如下:設(shè)閾值t將圖像劃分成兩類C0和C1,圖像的灰度范圍是G={0,1,...,L-1},N為像素總數(shù),ni為灰度值為i的像素數(shù),則C0={0,1,...,t},C1={t+1,t+2,...,L-1},每一灰度出現(xiàn)的概率為pi=ni/N,則C0和C1類出現(xiàn)的概率為:ω0=t∑i=0pi,ω1=L-1∑i=t+1pi=1-ω0(6)均值為:μ0=t∑i=0ipi/ω0,μ1=L-1∑i=t+1ipi/ω1(7)則全圖灰度均值為:μ=ω0μ0+ω1μ1(8)類間方差定義為:σ2B=ω0(μ0-μ)2+ω1(μ1-μ)2(9)當σ2B最大時,即可由上述公式得到最佳閾值:Τ=max0≤t≤L-1σ2B=max0≤t≤L-1|ω0(μ0-μ)2+ω1(μ1-μ)2|(10)(2)海天線內(nèi)邊緣提取1)根據(jù)公式(10)計算閾值并對圖像進行分割,如圖1(b)所示,由于海天交界處很模糊,使分割線周圍有不少細小的雜散點,選擇適當?shù)慕Y(jié)構(gòu)元素進行形態(tài)開運算和閉運算,去掉圖像中的孤立區(qū)域和毛刺并平滑邊界;2)進行邊緣檢測得到海天線的初始位置,見圖1(c);3)由于在紅外圖像中海天線不是一條線,而是一個模糊的過渡區(qū)域,在Otsu閾值分割中,將這個區(qū)域歸到了海面中,因此得到的邊緣比實際海天線要高。根據(jù)大量實驗和經(jīng)驗,給定一個偏移量進行調(diào)整即可獲得海天線,見圖1(d);4)將以海天線為中心的上下δ區(qū)域劃分為目標潛在區(qū)域,如圖1(e)所示。由于海天線檢測只是為了確定目標潛在區(qū)域,所以即使海天線位置有些偏移也不會影響到目標檢測結(jié)果。2.2用形態(tài)濾波控制海底背景雜波利用紅外傳感器等獲取的目標圖像,由于目標紅外輻射強度與其周圍鄰域自然背景的輻射強度不相關(guān),且一般都高于其鄰域背景的輻射強度,故當距離較遠的目標成像很小時,可將其看成具有恒定灰度值的孤立亮斑。由于在復雜海面上,移動的海雜波和魚鱗光對紅外小目標檢測干擾極大,因此要求算法既能有效抑制海面背景雜波干擾,又能較好地保護和提取目標。通過理論和實驗分析發(fā)現(xiàn),形態(tài)學濾波方法具有較強的抗噪性和魯棒性,能除去不相關(guān)的結(jié)構(gòu)信息,從而有效地抑制雜波以及大的云團和大面積連續(xù)分布的海面背景,提取出高亮區(qū)的目標。(1)首先對單幀低信噪比復雜海面背景紅外圖像,采用維納自適應(yīng)濾波進行預處理可有效地抑制隨機噪聲和高斯噪聲,提高圖像對比度和信噪比;(2)根據(jù)紅外圖像的特點和目標的大小,選擇適合的圓形結(jié)構(gòu)元素B1對圖像進行Top-Hat形態(tài)濾波處理,抑制大面積連續(xù)分布的云團和平緩變化的海面等背景雜波干擾,提取形狀類似于結(jié)構(gòu)元素并位于高亮度區(qū)的孤立目標和強噪聲點;(3)針對殘留的?？毡尘爸恤~鱗光和云團等強噪聲的特點,選擇一個適當?shù)慕Y(jié)構(gòu)元素B2,對圖像進行形態(tài)開運算,進一步剔除由背景形成的大量細小干擾;(4)在海天線確定的目標潛在區(qū)域內(nèi),利用紅外目標灰度總是高于其周圍鄰域背景的特點,搜索局部極大值,確定閾值即可分割出目標。3案例圖像的選取用點目標檢測方法對實際拍攝的紅外圖像進行實驗。原始紅外圖像是用8～12μm紅外攝像機實地拍攝的海面航行軍艦和船只,背景為云層、海浪、海岸線或遠山,大小為768×576,裁剪為400×400的實驗圖像。對隨機抽取的100幀紅外小目標圖像進行實驗,都能正確檢測出目標。部分實驗結(jié)果如圖2所示。4全視場圖像信息實