一种复杂海天背景下红外图像舰船目标检测方法*

孙炜玮 孙艳丽 刘治江

（1.海军航空大学 烟台 264001）（2.92697部队 陵水 572424）

1 引言

红外图像利用目标物体的温度特性，目标温度差异体现出亮度差异，因此受光线的影响相对更小，可全天且在光线较弱的条件下正常使用，在安防与交通管理等方面应用比较广泛。军事上红外制导导弹对于海面舰船目标的检测、跟踪、打击要求对舰船特性进行特性分析以达到更好的效果，这使红外舰船的检测具有巨大的应用市场。红外图像也存在自身缺点，背景噪声复杂多变，前景容易被强大的干扰噪声掩盖，目标的特征区域提取困难；舰船本身的红外辐射区域也比较多，各个区域展现出来的辐射量差异比较大，但是边界模糊；海面、天空、岛礁等背景环境的辐射情况复杂，对探测的干扰很大。

红外舰船目标检测需求大，难度高，国内外研究者颇多。Adeel Mumtaz［1］使用了 GBVS 算法来得到所研究的红外图像的显著图，再用舰船目标几何特征进行更加细致的分割提取，最后采用FCM算法来对目标图像中的区域进行聚类处理。张韩西子［2］等通过先将红外舰船图像进行平滑滤波，再对处理结果锐化处理突出目标的轮廓，再以海面的水天线为基准确定舰船存在的候选区域，最后对全部的重点区域作特征分辨识别，达到对目标舰船的定位检测的目的。王鹏［3］等使用频域组合高通滤波器初步处理来获取舰船存在概率最大的区域，再作尺度自适应局部阈值分割来初步获得一个舰船目标，之后再结合吃水线特征获得准确目标。

本文对舰船目标的检测主要运用的是边缘检测、形态学处理和阈值分割相结合方法进行目标提取并通过舰船几何特征降低虚警，把海天背景下有岸堤等背景的舰船做出了检测提取。算法流程图如图1所示。

图1 算法流程图

2 图像预处理

对于红外探测状态下海面舰船的监测图像，主要是利用图像中目标前景与背景的灰度值差异对图像进行处理，对于舰船所处环境，天空亮度、海面杂波亮度突变会造成虚警，针对红外图像的特点可以先使用图像增强，图像增强能有效地增大舰船目标的灰度值，并且也能增大舰船和海面背景的对比度，使得后续处理时提取效果更好［4］。本文主要使用线性变换的方法增强图像对比度。变换函数的表达式：

g(x,y)是f(x,y)变换后输出图像，灰度范围有(n,m)变换到(N,M)。

3 基于边缘检测与形态学的舰船目标检测

3.1 边缘检测

边缘就是图像的灰度值变化较大的区域，实现图像分割的核心就是要找出待分割区域的边缘从而对其进行提取，经过一系列处理得到边缘后对图像中目标实施边缘分割达到检测目的。由于边缘区域灰度变化大，因此可以在这些区域进行微分运算从而将这部分区域的数值与其他部分拉开，微分处理中特点明显的算子［5］有 Robert、Sobel、Prewitt算子，检测效果如图2所示。

图2 三种检测算子的检测效果

从检测结果可以看出，三种算子对在海天背景下的舰船处理效果相差不大，但Robert算子处理效果相对最好，处理结果海面杂波的噪声点干扰最少，之后的处理中可以综合选取使用各个算子。三种边缘检测算子可将两艘船以及两个海上漂浮物的边缘检测出，但是检测出的边缘并未成封闭图形，而是一系列密集堆积的线条，这也将导致目标舰船无法检测分割提取，同时该边缘检测方式可以排除天空亮度以及海天线的影响，但是对于海面杂波以及少部分天空亮度突变区域并不能很好地排除，还需要对处理结果进行形态学处理。

3.2 形态学处理

形态学处理［6］就是利用某一个较小的模板区域即结构元素去处理整个图像，使得图像会根据模板区域改变来得到想要的形状。利用形态学的几个基础的运算方法，可以把目标图像中的结构元素融合或者分解，应用形态变换获得想要的处理结果。对图像的形态学处理使用到的基本算法主要包括膨胀、腐蚀、开运算以及闭运算等。

3.2.1 膨胀运算

膨胀就是将和预先设置好的形状所接触到的所有像素点都融合到这个形状里面来达到边界扩张的目的，它能使得处理区域膨胀，达到填充的目的。定义如下：

其中B就是结构元素，G是准备处理区域的像素点，公式中以B的自身原点的映像和a对映像进行位移为基础。

3.2.2 腐蚀运算

腐蚀可以看作是膨胀的对偶运算，它主要可以用来消除小的无意义的点，定义为

腐蚀过程和膨胀过程相似：把B的中心点与G中的点一个个比对，假如B的点都在G的范围内，就保留G上的这个点，如果不是就抹除这个点。

3.2.3 开运算和闭运算

开运算和闭运算从本质上来说就是把腐蚀和膨胀二者处理相结合，其定义分别如下。

用结构元素B对待处理元素G的开运算：

即开运算就是选定结构元素B，对待处理元素G，先腐蚀再膨胀，开运算可以很大程度上去除掉不包含结构元素的区域，使得要处理区域的边缘轮廓平滑，还能够让一个结构连接不紧密的几个子结构之间的狭窄连接处断开，同时消除了比较小的突出。

用结构元素B对待处理元素G进行闭运算：

闭运算就是开运算的反向操作，对结构元素先膨胀再腐蚀，这种处理可以将两个连接不紧密的子结构之间的小缺口连接成细小的连接线。

通过半径为4的平坦型圆盘结构元素对边缘检测后的图像进行多次膨胀与腐蚀，并删除面积小于2000的小对象，可初步滤除海浪噪点和天空灰度突变区域。利用形态学处理可以很好地将面积小的海面波浪干扰区域去除，留下大部分检测后边缘线条密集堆积的区域并将其放大。但同时将原本的小区域杂波也放大了，并且此时处理后的舰船目标形态已经和实际形态有了较大差距，失真较为严重。可将这几种边缘检测处理结果作与运算，得到一个更理想的图像，如图3所示。图像中杂波都已经被滤除，剩下了四个形态学处理后的较大的物体，但是四个物体中只有两个是目标。因此还需进行阈值分割，再将两种方法结合处理来得到最为准确的目标检测结果。

图3 对三种边缘检测形态学处理结果作与运算

4 基于Ostu的舰船目标检测

在白热模式下的灰度图像中由于海水本身温度较低，因此在的灰度图像中呈现出一种较暗的效果，而舰船由于其本身的材料对阳光的反射系数比水大且船的发动机及船上各部件的工作会产生热量，因此舰船与周围海水相比呈现的是一种高亮的效果。利用这一特点，可运用阈值分割的方法，把舰船和海面分割。

4.1 Ostu法阈值分割基本原理

Ostu算法也叫最大类间方差法［7］，它使用的是聚类的思路，将准备处理图像的各个灰度数按照它自身的灰度级分成两个等级，使得两个等级之间的灰度值差别最大，但是每个等级自身内部的灰度值差别最小，最后运用方差计算找到一个最好的灰度级将图像划分为两个区域，此时两个区域之间灰度值差别是最大的，其基本思想如下。

先设定待处理图像的总像素数量为N，这些像素包含的灰度范围从0到L-1，相对应灰度级i的像素数量是ni，那么某种灰度值的所有像素点在整幅图像中出现的概率则可以认为是：

基本思路是先设置一个最开始检测的阈值T，把待检测图里面的全部像素用阈值T分成C0和C1两个部分，用灰度值在0到阈值T之间的所有像素来构成C0，再把剩下的灰度值在T到L-1之间的所有像素构成C1，那么整幅图像灰度值均值就是：

让T在0到L-1之间依次取值，使最大值就是Ostu处理的最佳阈值。

4.2 Ostu算法图像处理

在无岸堤岛屿等陆地背景的情况下，Ostu法的处理效果很好，不但将舰船轮廓完整分割，还将两个较小的灰度值低的漂浮物滤除了较大一部分。但是此方法将天空与舰船划分到了一个区间，并且亮度较高的舰船顶部还与天空相连，无法分割，此时可再次采用形态学处理将舰船与天空分离。但是由于右侧漂浮物面积较大，并不能完全去除掉，并将图像极小点消除，结果如图4所示。

图4 Ostu与形态学处理结果图

5 改进算法的舰船目标检测

从图4可见舰船目标周围杂波已经处理干净，并且舰船轮廓提取效果也很好，只需去除天空背景影响即可，则可以将图像与之前边缘检测处理去掉天空影响获得的图像结果结合即可获得最好的目标检测提取图。将边缘检测后形态学填充结果图与Ostu阈值分割后形态学处理结果相与，得到图5。可以看到，经过边缘检测去除天空背景干扰与经过Ostu法去除海面杂波的算法相结合，可以在背景仅为海面和天空的情况下，效果较好的检测出舰船目标，但是当舰船目标过小时，有可能会被当作非舰船的其他小目标在处理过程中被去除。

图5 改进算法处理结果

利用以上方法也可对于一些不同背景进行处理，如有岛屿、有岸堤等情况下，进行舰船目标检测后，其效果如图6所示。

图6 不同背景的单帧舰船检测结果

图7 有雾及岸堤背景下的舰船检测结果

从以上4张图中看到，不同场景下的图像目标经过之前算法处理，得到的结果并不完全准确，存在虚警现象，需要将结果进行进一步优化。经过对舰船特征的分析和多次实验可以得出，设置一个合理的连通区域长宽比可以有效排除较长的岸堤或者跨度较大的细长型岛屿。达到了预期目标。其中图6（d）由于该图中舰船外形较为特殊，同时相对前几幅图像而言，岸堤背景和三艘舰船的灰度值更加接近，大雾影响出现虚警，情况比较复杂。使用本文算法能够排除虚警，检测出舰船目标，但不规则舰船的最终检测形态有一定程度失真。

6 结语

本文结合实测数据针对在无雾和无岸堤等陆地背景的情况下，对于形状规则的舰船，背景和舰船特征区别明显且灰度值差异较大时，采用边缘检测和Ostu阈值分割相结合算法。对于有雾、有岸堤等陆地背景的情况下且舰船形状特殊的情况时，容易出现虚警，提出了结合舰船长宽比降低虚警的优化算法。实验结果显示，本文处理方法有一定的良好效果。