基于oes阈值的图像分割与背景杂波噪声抑制

基于oes阈值的图像分割与背景杂波噪声抑制

0低信噪比同步控制的方法在距离红色目标的图像中，红色信号传感器接收到的目标强度较弱，噪声和背景干扰较大，图像信噪比降低。另一方面，由于目标没有具有明显的轮廓和结构特征，因此可以使用“表面”信息、粒度和运动信息。因此红外小目标检测器性能将直接决定末制导系统的有效作用距离及设备的复杂程度。复杂的海面背景中,移动的海面及连绵起伏的波浪反光使图像的信噪比和对比度等信息都随着浪高、距离和太阳位置的不同而不断变化。当海面杂波或鱼鳞光较强时,红外图像中有大量的浪峰的灰度强度接近甚至等于或大于点目标,在这种情况下,基于灰度阈值或空域滤波的方法,因很难区分点目标和鱼鳞光而失效。当探测器在运动载体上,目标在随机运动时,运动参数无法预知和估计,因此不适合使用诸如图像匹配、光流场、傅里叶谱分析、多帧图像能量累积等常用的运动目标检测与分析方法。总之,针对复杂多变的海面背景,低信噪比红外小目标的检测问题的关键在于如何有效地提高单帧图像检测率。文中提出的方法不需要太多的目标先验知识或假设,也不需对图像特征具体分析。在对红外图像进行自适应滤波的基础上,以数学形态运算为主,进行背景抑制和目标分割,最后针对远距离舰艇小目标总是出现在海天线附近的特点分离出真正的目标。仿真实验证明,该方法能有效地抑制天空云层和海杂波的影响,提高单帧图像中目标检测概率,降低误检率。1图像结构的提取数学形态学的数学基础和所用语言是集合论,它的基本思想是用一定形态的结构元素去度量和提取图像中的对应形状,去除不相干的结构,以达到对图像分析和识别的目的。形态学的应用可以简化图像数据,易于用并行处理方法和硬件实现。1.1腐蚀和膨胀运算数学形态学的基本运算为:膨胀、腐蚀、开运算和闭运算。基于这些基本运算可以推导和组合成各种数学形态学实用算法。数学形态学对信号的形态变换可以是集合,也可以是函数。设给定输入图像F={(x,f(x))|x∈P,P⊆E2}和结构元素B={(x,b(x))|x∈S,S⊆E2},其中,x为图像平面空间的坐标点;f(x)为x点的图像灰度值;b(x)为x点的结构函数值;E2为欧氏空间。(1)腐蚀是数学形态学最基本的运算,用结构元素B对输入图像F进行灰度腐蚀,记为fΘb,其定义为:(fΘb)(x)=infm∈Sx+m∈Ρ{f(x+m)-b(m)}(1)(fΘb)(x)=infm∈Sx+m∈P{f(x+m)−b(m)}(1)腐蚀是一种消除边界点的过程,可有效地消除孤立噪声点,去除边界上不平滑的凸出部分。(2)膨胀是腐蚀运算的对偶运算(逆运算),是数学形态学的第二个基本运算,记为f♁b,其定义为:(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分别表示上确界和下确界运算。膨胀是将与目标物体接触的所有背景点合并到物体中的过程,可填补空洞和形成连通域,可填平图像边界上不平滑的凹陷部分。(3)形态滤波开启和闭合运算则用腐蚀与膨胀运算的级联来定义,即:F和B的开运算(f˚b)(x)=[(fΘb)♁b](x)(3)(f˚b)(x)=[(fΘb)♁b](x)(3)F和B的闭运算(f⋅b)(x)=[(f♁b)Θb](x)(4)开运算是先对图像进行腐蚀运算再进行膨胀运算,能去掉图像中的孤立区域和毛刺,并可消除形状小于结构元素的正峰值,根据目标和噪声的特点,选择适应的结构元能剔除目标和噪声,而将背景保留下来;闭运算是先对图像进行膨胀运算再进行腐蚀运算,可以填充物体内细小空洞,连接邻近物体和平滑物体边界。1.2关于table-hat算子的特点Top-Hat变换算子,记为hat(f),其定义为:hat(f)=f-(f˚b)(5)可见Top-Hat运算是原始图像信号与其开运算后的信号之差,所以经Top-Hat变换处理后的图像能抑制平缓变化的背景和不相关的结构信息,提取出形状类似于结构元素的孤立目标和噪声,即可以检测出图像信号中的灰度峰值,因此Top-Hat算子具有高通滤波的特性。2目标检测和分割算法2.1红外图像海天线检测针对远距离舰船小目标总是出现在海天线附近的特点,通过检测海天线位置来确定目标的潜在区域,可以极大地缩小目标搜索范围,排除海浪和云团的干扰,提高目标检测率,因此海天线在海面小目标检测中有很重要的意义。由于红外图像反映的是热辐射差,对温度极为敏感;海上自然气候的变化和波浪的扰动,以及空气对热辐射的散射和吸收作用,使红外图像中海天线模糊不清;大量高辐射的云层、海浪及鱼鳞光形成了很强的背景边缘干扰,所以直接对红外图像进行海天线检测,很难确定海天线。参考文献提出了一种基于小波分析的海天线检测算法,提高了海天线的检测和定位精度,但实现较为复杂,难以硬件实现。根据海面和天空具有完全不同的辐射特性,在红外图像中表现为两大类不同灰度区域的特点,提出了基于最大类间方差法的海天线检测算法,简单有效地实现了海天线的检测和定位。(1)最佳阈值的确定最大类间方差法是Otsu于1978年在最小二乘法原理的基础上推导出来的,可将图像分割成两类,使得类内方差最小,而类间方差最大,其原理如下:设阈值t将图像划分成两类C0和C1,图像的灰度范围是G={0,1,...,L-1},N为像素总数,ni为灰度值为i的像素数,则C0={0,1,...,t},C1={t+1,t+2,...,L-1},每一灰度出现的概率为pi=ni/N,则C0和C1类出现的概率为:ω0=t∑i=0pi,ω1=L-1∑i=t+1pi=1-ω0(6)均值为:μ0=t∑i=0ipi/ω0,μ1=L-1∑i=t+1ipi/ω1(7)则全图灰度均值为:μ=ω0μ0+ω1μ1(8)类间方差定义为:σ2B=ω0(μ0-μ)2+ω1(μ1-μ)2(9)当σ2B最大时,即可由上述公式得到最佳阈值:Τ=max0≤t≤L-1σ2B=max0≤t≤L-1|ω0(μ0-μ)2+ω1(μ1-μ)2|(10)(2)海天线内边缘提取1)根据公式(10)计算阈值并对图像进行分割,如图1(b)所示,由于海天交界处很模糊,使分割线周围有不少细小的杂散点,选择适当的结构元素进行形态开运算和闭运算,去掉图像中的孤立区域和毛刺并平滑边界;2)进行边缘检测得到海天线的初始位置,见图1(c);3)由于在红外图像中海天线不是一条线,而是一个模糊的过渡区域,在Otsu阈值分割中,将这个区域归到了海面中,因此得到的边缘比实际海天线要高。根据大量实验和经验,给定一个偏移量进行调整即可获得海天线,见图1(d);4)将以海天线为中心的上下δ区域划分为目标潜在区域,如图1(e)所示。由于海天线检测只是为了确定目标潜在区域,所以即使海天线位置有些偏移也不会影响到目标检测结果。2.2用形态滤波控制海底背景杂波利用红外传感器等获取的目标图像,由于目标红外辐射强度与其周围邻域自然背景的辐射强度不相关,且一般都高于其邻域背景的辐射强度,故当距离较远的目标成像很小时,可将其看成具有恒定灰度值的孤立亮斑。由于在复杂海面上,移动的海杂波和鱼鳞光对红外小目标检测干扰极大,因此要求算法既能有效抑制海面背景杂波干扰,又能较好地保护和提取目标。通过理论和实验分析发现,形态学滤波方法具有较强的抗噪性和鲁棒性,能除去不相关的结构信息,从而有效地抑制杂波以及大的云团和大面积连续分布的海面背景,提取出高亮区的目标。(1)首先对单帧低信噪比复杂海面背景红外图像,采用维纳自适应滤波进行预处理可有效地抑制随机噪声和高斯噪声,提高图像对比度和信噪比;(2)根据红外图像的特点和目标的大小,选择适合的圆形结构元素B1对图像进行Top-Hat形态滤波处理,抑制大面积连续分布的云团和平缓变化的海面等背景杂波干扰,提取形状类似于结构元素并位于高亮度区的孤立目标和强噪声点;(3)针对残留的海空背景中鱼鳞光和云团等强噪声的特点,选择一个适当的结构元素B2,对图像进行形态开运算,进一步剔除由背景形成的大量细小干扰;(4)在海天线确定的目标潜在区域内,利用红外目标灰度总是高于其周围邻域背景的特点,搜索局部极大值,确定阈值即可分割出目标。3案例图像的选取用点目标检测方法对实际拍摄的红外图像进行实验。原始红外图像是用8～12μm红外摄像机实地拍摄的海面航行军舰和船只,背景为云层、海浪、海岸线或远山,大小为768×576,裁剪为400×400的实验图像。对随机抽取的100帧红外小目标图像进行实验,都能正确检测出目标。部分实验结果如图2所示。4全视场图像信息实