基于復雜海天線的圖像目標檢測方法

基于復雜海天線的圖像目標檢測方法

1遠目標檢測存在的問題作為一種額外的雷達和熱成像設備，數(shù)字攝像機具有獨特的優(yōu)勢。收集的視頻材料分辨率高，成本低，易于實現(xiàn)。從20世紀90年代起,圖像和視頻處理方法就應用于檢測和識別海上弱小目標。從近來的環(huán)境信息研究看出,鑒于船舶系統(tǒng)的導航、各種碰撞災難的避免、入侵者的身份核查以及海上事故的人員搜救等需求,在不同狀況的海面環(huán)境圖像中檢測到特定的目標物愈來愈重要。在動態(tài)圖像處理和計算機視覺領域,運動目標檢測的目的是將目標與背景分離并定位,以此來進行便捷的后續(xù)處理。由于弱小目標本身的灰度、形狀、紋理和結構特征不明顯,對它的檢測依然是具有挑戰(zhàn)性的技術難題。在海面可見光圖像中,目標、背景和噪聲的特點以及遠目標檢測存在的問題主要包括:(1)目標信號強度小,通常目標在圖像中僅有幾十個像素(甚至更少),而背景和噪聲占較大比例且目標與背景間的對比度不大,信噪比較低;(2)檢測環(huán)境復雜,水面波浪的起伏和浪花干擾、日光在水面上的反射折射干擾以及雨霧雪天氣導致的能見度降低等都會對目標檢測造成較大影響;(3)安裝在海面運動載體上的攝像機拍到的畫面通常不穩(wěn)定,同時波浪起伏與目標不可預知的運動,可能導致目標被遮擋,在圖像中短暫丟失;(4)大數(shù)據(jù)量檢測算法的復雜度會影響檢測結果的即時輸出。目前,較多文獻報導的是關于紅外圖像弱小目標的檢測,主要基于梯度檢測、小波變換、紋理特征或能量積累等原理。這些文獻雖然對于可見光圖像有一定的參考作用,但兩者圖像的形成存在性質(zhì)上的差異,所以對于后者來說,仍需要深入研究適應其特點的檢測方法。董宇星等提出了先利用灰度特性提取海天線,然后利用一維最大熵閾值分割法對目標進行檢測。黃英東等綜合運用邊緣檢測、最大類間方差(OTSU)算法以及Hough變換檢測出海天線,進而使用投影法提取海天線區(qū)域中的艦船目標。SergiyFefilatyev等通過海天線及處于海天線上的異物檢測候選目標,并根據(jù)連續(xù)幀的結果來確定真實目標。G.K.Santhalia等先提取海天線,最后分析海天線上下的塊直方圖,去除直方圖相近的塊即天空區(qū)域和海面區(qū)域,從而留下目標區(qū)域。以上方法的檢測效果完全依賴海天線檢測的正確與否。如果在光照條件不好的狀態(tài)下,所得到的可見光圖像中,連人眼都較難分辨出正確的海天線位置。而且當圖像中出現(xiàn)反光區(qū)時,將會導致檢測結果中包含許多類似弱小目標的偽目標區(qū)域。所以即使在海天線較為明顯,容易提取的前提下,如何將偽目標出現(xiàn)的概率降到最低也是影響海面目標檢測的重要因素。鑒于此,本文提出了一種檢測方法以解決以上的問題,該方法省去了檢測海天線的過程。首先消除海面反光區(qū)域,之后利用海面圖像的分塊復雜度和相鄰塊間灰度的差異來定位海天界限區(qū)域,然后在海天界限區(qū)域進行濾波聚類以快速精確地分割出弱小目標。2圖像的預處理船載電視跟蹤系統(tǒng)用于對海天背景下的小目標進行捕獲和跟蹤,主要是通過單幀圖像處理捕獲和跟蹤結果,其難點在于消除?？毡尘八纬傻膹婋s波。由于攝像頭隨載體運動的過程中,鏡頭與陽光和水面的角度可以使得任意時刻或圖像的任意位置出現(xiàn)反光區(qū)域或曝光區(qū)域。對于連續(xù)單幀圖像來說,目標檢測算法可能在上一幀取得好的效果,卻完全不適用于下一幀。為了提高海面目標自動檢測算法的魯棒性,先掃描圖像檢查是否有高亮度區(qū)域,如果有需可先去除,使之盡量保持在適應該算法的正常圖像系列之中。高亮度區(qū)域消除對于接下來的兩個步驟具有顯著的益處:(1)大片的海面反光區(qū)域或天空曝光區(qū)域不會擾亂海天線區(qū)域的定位,(2)經(jīng)過濾波聚類后的分割結果中不會包含海面粼粼的波光產(chǎn)生的偽目標區(qū)域。將帶高亮度區(qū)域的圖像看作被噪聲腐蝕的圖像,利用損壞區(qū)域邊緣的顏色和結構,繁殖和混合到損壞區(qū)域里面,既不影響目標區(qū)域也不影響其他背景區(qū)域。設置閾值S,亮度大于S的像素屬于高亮度區(qū)域,P為像素的亮度值,m為每個高亮度像素的固定平均鄰域,n為鄰域累加值,f與R用于計算最終的亮度值來代替原先的亮度值。圖像修復過程如下:掃描以(i,j)為中心的m×m矩形鄰域;For屬于鄰域m×m中的每個像素P(m)掃描以(i,j)為中心的(m+n)×(m+n)鄰域;For屬于鄰域(m+n)×(m+n)-m×m中的每個像素P(m+n)以上算法可以快速消除大面積和小面積的高亮度區(qū)域,設定S=210,m=3,對圖1(a)、(b)所示的不同時間采集的水面圖像進行修補。圖像中的天空曝光部分和水面點狀的反光光斑及連成片的反光水域,都得到了很好的恢復,其效果如圖1(c)、(d)所示。3預測并定位大海的地平線區(qū)域3.1海底目標檢測載體航行過程中,可見光攝像機得到的圖像背景雖然時刻變化,但總體來講圖像由上中下三部分組成—天空區(qū)域、海天線區(qū)域和海面區(qū)域。由于中遠距離海平面的成像特性決定了目標不可能完全脫離海天線而處在天空區(qū)域,或完全脫離海天線處在海面區(qū)域,也就是說,遠距離的目標總是出現(xiàn)在海天線區(qū)域。所以很多文獻包括紅外圖像的目標檢測方面都考慮先檢測海天線的位置,再依據(jù)此來判斷目標處于圖像中的潛在區(qū)域。然而這種以海天線檢測為前提的海面目標檢測是存在弊端的。因為在某種狀況下如天氣海況惡劣時,海天線信息極為微弱,如圖2(a)、(b)、(c)、(d)。OSTU方法是文獻中較為常用的檢測海天線的方法,將其用于以上圖像的分割結果如圖3所示。可見在復雜?？毡尘跋?4幅圖像均無法達到理想的分割效果來準確檢測海天線。另外如果載體隨海浪顛簸得嚴重時,就可能出現(xiàn)全天空背景或全海面背景,即不存在海界限區(qū)域,如圖2(e)、(f)。那么海天線檢測過程完全可以省略,這樣既避免了誤檢結果又節(jié)省了處理時間。3.2圖像的海天線區(qū)在目標檢測過程中,為了抑制海天線區(qū)域外不必要的噪聲干擾,同時減少后續(xù)圖像處理的計算量,提高算法的準確性和實時性,對原始圖像進行裁剪只保留海天線區(qū)域。量化海面圖像各個區(qū)域的視覺感受特征有助于判斷海界限是否存在及其存在于圖像中的位置,這個部分通常是其他檢測海天線的方法所忽略的。就海面圖像而言,海天線區(qū)域具有2個典型特征,一個是該區(qū)域包含有貫穿整個視野的信息量,具備一定的復雜度;另一個是整個圖像中該區(qū)域鄰接天空的鄰域與其鄰接海面的鄰域之平均灰度差最顯著,這點是針對去高亮度區(qū)域之后的海面圖像而言。為了便于快速處理,首先將采集的彩色圖像轉(zhuǎn)化為灰度圖像。已知原始圖像大小為M×N,沿著列方向?qū)⒃搱D像F(x,y)平均分割為T(T>3)幅子圖像f1,f2,…,ft,每幅子圖像的尺寸皆為A×N(A=M/T)。規(guī)定每相鄰3幅子圖像(fi-1,fi,fi+1),(1<i<t)組成一個單元區(qū)域,每個單元區(qū)域的視覺感受特征量化指標M(fi-1,fi,fi+1)由兩部分因素構成,中間子圖像fi的復雜度和與之相鄰的上下子圖像fi-1,fi+1間的灰度差異。(1)灰度均值能夠直接體現(xiàn)子圖像的整體灰白程度,而且使用灰度均值之差來表示相鄰子圖像之間的灰度差異簡單易行,其形式為:其中,G(fi-1)與G(fi+1)分別為子圖像fi-1和子圖像fi+1的平均灰度。(2)信息熵是信息內(nèi)容度量的標準,可以有效地衡量全局或局部信息內(nèi)容的豐富程度?；旧响刂翟酱髮獏^(qū)域的灰度種類越多變化越劇烈,包含的信息量越大。使用這一概念來表示海面子圖像的復雜度,對于具有256個灰度級的子圖像,設ps是子圖像fi中灰度值s出現(xiàn)的概率,其圖像信息熵形式為:(3)將量化指標M(fi-1,fi,fi+1)表示為:當中間子圖像的熵值越大,而且相鄰上下子圖像間的灰度均值之差越大時,這個單元區(qū)域的特性越接近于海天線區(qū)域的特性,它屬于海天線區(qū)域的可能性就越大。計算各個單元區(qū)域的指標M(fi-1,fi,fi+1),找出最大值Mmax,假設Mmax對應的單元區(qū)域為(fm-1,fm,fm+1),依據(jù)該單元區(qū)域的上相鄰子圖像與下相鄰子圖像的灰度之差ξ來驗證圖像中是否存在海天線區(qū)域。衡量ξ的計算公式為:當m-2<0或m+2>T時,則G(m-2)或G(m+2)由G(m-1)或G(m+1)來代替。由對N組海面圖像的處理經(jīng)驗,設置該閾值為Mξ,若ξ<Mξ,則不存在海界限區(qū)域。反之,Mmax對應的單元區(qū)域即為海天線區(qū)域。4mean-大力算法對海天線區(qū)域采取首先進行濾波以平滑圖像,再作聚類進行目標提取的策略,是受MeanShift分割算法的啟示。海面背景與天空背景占圖像的大面積區(qū)域,表明兩者在空間特征上具備聚類的優(yōu)勢,而且從圖像上看出在顏色特征上兩者也有相似性,這正符合Mean-Shift分割的使用環(huán)境,只要合理地調(diào)整參數(shù),必定會得到簡潔精確的前景分割結果。然而該方法在實時性上存在較大的缺陷,不利于海面序列圖像的快速目標檢測,但是這種優(yōu)秀的理念值得借鑒。Mean-Shift分割算法由兩部分組成:Mean-Shift濾波和區(qū)域聚類。其耗時處理主要體現(xiàn)在Mean-Shift濾波的過程以及視濾波結果而定的區(qū)域聚類,如果濾波后圖像的灰度種類相對較少,那么區(qū)域聚類就會很快,反之,則計算量呈非線性增長。為了滿足圖像處理的實時性,將Mean-Shift濾波由周圍紋理抑制濾波代替,在海面圖像自身優(yōu)勢的條件下,通過控制濾波參數(shù),可以為快速區(qū)域聚類提供良好的平滑圖像,同時分割區(qū)域不會受到影響。4.1圖像濾波、同步控制紋理抑制(surroundsuppression)概念是由Grigorescu等人提出的,主要用來消除Canny邊緣算子所帶來的輪廓內(nèi)部紋理產(chǎn)生的無意義邊緣。原理是將圖像梯度與權重函數(shù)進行卷積,得到每個像素點的周圍加權抑制因素,從原梯度中減去抑制部分,則可以得到人眼希望保留的部分,突出感興趣的邊緣。這里嘗試將其用于圖像濾波,當一個像素的灰度與它周圍的灰度有差異時,就對其予以抑制,這樣可以在一定程度上平滑圖像噪聲,對于海天線區(qū)域來說,將圖像灰度與權重函數(shù)進行卷積以平滑背景。定義權重函數(shù)wσ:式(5)中的‖·‖1為L1范數(shù)。圖4為σ=1時,wσ的變化趨勢。圖5為圖4對應的具備抑制作用的環(huán)形區(qū)域。半徑為r1的圓內(nèi),DoGσ(x,y)<0,權重wσ為0,即這個鄰域?qū)χ行幕叶葲]有影響。半徑為r2的圓外,DoGσ(x,y)微乎其微,工程上不考慮它的貢獻,所以該點的灰度值為這個圓環(huán)鄰域的加權平均。一般地,r1≈2σ,r2=4r1。不同于常規(guī)的中值濾波以及高斯濾波等,這種紋理抑制方法對圖像的平滑更符合人眼視覺感受。假設噪聲鑲嵌在非噪聲中,那么利用合適距離內(nèi)的非噪聲區(qū)域來同化噪聲區(qū)域,以得到平滑的非噪聲區(qū)域。如圖6所示,背景中噪聲區(qū)域可以得到很好的抑制,同樣目標中的噪聲區(qū)域也可以得到很好的抑制。σ越大,平滑噪聲的尺度越大,由于海天線區(qū)域內(nèi)的目標均比較小,σ取較小為宜。4.2luv空間圖像聚類之前先對圖像的色彩空間進行預處理。為了獲得有意義的分割結果,可感受到的顏色差異應該與表示特征空間里的Euclidean距離相對應。Luv是專門設計用來與視覺保持近似一致性的色彩空間,以數(shù)字化方式來量測人們的視覺感應,能使圖像處理更好地達到人眼所需要的結果。可用如下方法將圖像灰度空間轉(zhuǎn)換到Luv空間:圖像中兩類之間的Euclidean距離按照以下公式計算:對于彩色圖像,Luv空間即為RGB空間的直接非線性變換;對于灰度圖像,R=G=B同為像素灰度值。在聚類過程中,判斷像素或區(qū)域是否屬于同一類,均是在Luv色彩空間的范疇內(nèi)來衡量。4.3點聚類分析方法聚類是實現(xiàn)海面目標與海天背景分離的核心步驟。經(jīng)過周圍紋理抑制濾波后,背景中有許多相近的像素點。首先以像素點為單位,按照相似準則對其進行粗分割,然后以初步聚類得到的點集為單位,根據(jù)Luv色彩空間的Euclidean距離對其進行細分割。最后通過限制最小區(qū)域面積去除瑣碎的小區(qū)域。步驟如下:(1)對平滑圖像中的每一個像素點xi,按照八鄰域區(qū)域生長的方式進行掃描,合并滿足相似準則的點,標記其所屬類zj。(2)比較各類與類之間的相近程度,依據(jù)色彩空間的距離閾值Eδ,將鄰近的區(qū)域融合成同一類{Cp}p=1…m,并更新類別。(3)每一類代表一個區(qū)域,判斷所有區(qū)域的大小,若區(qū)域面積少于M,將該區(qū)域歸入與其特征最接近的區(qū)域。聚類的時間消耗取決于圖像的平滑程度,而結果的滿意度取決于Eδ和M。Eδ較大時,會導致將兩個不同性質(zhì)的區(qū)域歸于一類;Eδ較小時,會出現(xiàn)將同一性質(zhì)的區(qū)域分出好幾個類別。對于海面目標檢測來講,要準確檢測到水天線附近的弱小目標,M起著較為重要的作用,過大可能將目標淹沒于背景之中,過小可能會出現(xiàn)偽目標干擾判斷。之所以進行粗分割和細分割,是因為粗分割可以很快地將相似的像素點歸類,但是由于區(qū)域生長的結果使得歸類的點集比較分散,為了讓所有的點集具有區(qū)域一致性,再次使用細分割對分散的點集進行聚類,這樣能達到快速精確的分割效果。按照先驗知識,面積最大的類常常囊括了天空和海面背景,所以由此來二值化圖像,將最大的區(qū)域灰度設置為黑,其余區(qū)域設置為白,即完成了目標分割。5周圍紋理抑制濾波與聚類為了驗證文中提出方法的有效性,對某型艇在海面采集的可見光視頻進行圖像處理,原始圖像大小為352×288,序列共200幀,當背景為純天空和純海面時,排除率達到了100%,對于包含海天線區(qū)域的圖像,本文算法的目標識別率在90%以上。由于篇幅的限制,只取其中較為典型的復雜海面圖像進行結果展示,即圖2中的圖像。首先去除高亮度區(qū)域,然后粗檢海天線區(qū)域,如無海天線區(qū)域,則不繼續(xù)后續(xù)檢測;反之,定位海天線區(qū)域,接著對海天線區(qū)域進行周圍紋理抑制濾波和聚類,精細提取目標。取T=12,Mξ=20。由于圖像最下面的單元容易受到水面艇自身首部及其運動產(chǎn)生強波浪的影響,所以將其排除,不參與競爭海天線區(qū)域。圖2(a)、(b)、(c)、(d)、(e)、(f)對應的海天線區(qū)域預檢結果見圖7,圖7(e)、(f)均不包含海天線區(qū)域,圖7(a)、(b)、(c)、(d)中的兩條白線之間即為得到的區(qū)域。相應的指標如表1。觀察N組序列圖像,在周圍紋理抑制過程中,取σ=0.125。在聚類過程中,取Eδ=0.25和M=10。圖7(a)、(b)、(c)、(d)海天線區(qū)域相應的濾波和聚類二值化的結果如圖