资源描述：
《结合背景抑制技术的flir图像分割》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。
1、第18卷第5期红外与毫米波学报Vol.18,No.51999年10月J.InfraredMillim.WavesOctober,1999结合背景抑制技术的FLIR图像分割桑 农 张天序(华中理工大学,图像识别与人工智能研究所,湖北,武汉,430074;图像信息处理与智能控制国家教委开放实验室,湖北,武汉,430074)摘要 针对前视红外(FLIR)图像的分割,提出采用去中值波滤器进行预处理抑制背景、增强目标,进而利用基于模型的FLIR图像分割(MBS)算法完成图像分割,从相容性向量及初始概率计算两方
2、面对MBS算法进行了改进.对实际红外目标图像分割结果证实该方法与MBS算法相比,在低对比度、高噪声情况下能得到更为精确的分割结果,同时能极大地降低了背景干扰.关键词 图像分割,梯度松驰技术,前视红外图像,去中值滤波.引言图像分割是图像处理领域中的一个基本问题,也是自动目标技术(ATR)中的一项关键技术.ATR技术中广泛使用的成像传感器是红外传感器,由于红外图像自身的特点,使得红外图像中目标和背景的对比度较低,边缘模糊.在提高FLIR图像分割的性能方面,已有大[1～3][1]量工作.B.Bhnu等人提
3、出了一种很简单的定性的红外图像模型,并将该模型与梯度[2][1]松驰技术结合,即基于模型的FLIR分割(MBS)算法.MBS算法已成功地用于分割简单背景下的FLIR图像,但在某些复杂的情况下,则难以得到满意的分割结果.为解决这一问题,在分割前进行有效的背景抑制及目标增强是十分必要的.本文提出采用去中值滤波器进行预处理以抑制背景、增强目标,进而利用MBS算法完成图像分割.为了克服MBS算法存在的不足,本文从相容性向量及初始概率计算两方面对MBS算法进行了改进.该方法对复杂背景中的低对比度目标能得到准确
4、的分割.对实际红外目标图像的分割结果,证实该方法在实现低对比度、高噪声情况下的FLIR图像分割方面明显优于MBS算法.1 基于模型的FLIR图像分割方法设图像中有N个像素,它们分别属于K1类和K2类,对应于亮目标和暗背景.又设像素i属于K1类和K2类的概率分别为pi(K1)、pi(K2),二者构成向量pi=(pi(K1),pi(K2)).我们的目的是通过松驰迭代,使得pi(K1)趋近于1或0,同时pi(K2)趋近于0或1,以便将像素i划分为K1类(目标)或K2类(背景).根据FLIR图像模型特点,将
5、图像的像素分为边缘点及内部点两类,边缘点对应于高梯度幅值像素,内部点对应于低梯度幅值像素.对每一像素i,定义Vi为包含i及其8邻域的像素集合,ViL为Vi的内部点集合,ViH为Vi中的边缘点集合,ViD为ViH中与i的边缘方向之 稿件收到日期1998206223,修改稿收到日期1998212228红外与毫米波学报18卷370差在±30°以内的子集.于是可定义相容性向量qi(qi(K1),qi(K2))为:若i是内部点,则1qi(Kk)=£Pj(Kk),(k=1,2;i=1,2,...,N);(1)
6、ViLj∈ViL若i是边缘点,则1qi(Kk)=£Pj(Kk),(k=1,2;i=1,2,...,N).(2)ViDj∈ViD根据一致性及非模糊性标准,可建立一个全局准则函数NC(P1,P2,...,PN)=£Põq.i(3)i=1利用梯度投影技术求其最大值,其结果为npi(K1)[1-A1]+A1,(qi(K1)>0.5)n+1pi(K1)=(4)npi(K1)[1-A2].(qi(K1)<0.5)式中,07、值,即i+11nH(i)=£H(j).(5)VEj∈VE这里VE为Vi中与i的边缘方向之差在±30°以内的子集.而初始概率可表示为I(i)-IBARE(i)-EBARpi(K1)=B1()+B2()+0.5,(6)255Emax式中I(i)为像素i的灰度值;E(i)为该像素的梯度幅值;IBAR是一个与灰度均值及均方差[2,3]有关的量,一般取IBAR=Lg+k1Rg,即IBAR是Lg与Rg的线性函数f1;EBAR是划分边缘点与内部点的梯度幅值门限,可取EBAR=Le+k2Re,即EBAR也是Le与R
8、e的线性函2数f2;B1=0.5öRg;B2=0.5öRe;Emax为梯度幅值的最大值;Lg和Rg分别表示图像的灰度均值2与方差;Le和Re分别表示梯度幅值的均值与方差.2 背景抑制及目标增强预处理技术如上所述,MBS算法已成功地用于分割简单背景下的FLIE图像,如海面舰船目标,但对某些复杂的情况,如地面景象,则通常难以得到满意的分割结果.一种有效的改进方法是在分割图像之前,采用增强目标并抑制背景的预处理技术.我们使用去中值滤波器增强目标[4～6]和抑制背景.去中值滤
