009-一种基于数学形态学的红外图像分割方法

第27卷　第4期2006年12月制　导　与　引　信G UI DANCE &FUZEV ol.27N o.4Dec.2006文章编号:167120576(2006)0420040204一种基于数学形态学的红外图像分割方法张兴国,　李　靖,　刘上乾,　冀　芳(西安电子科技大学503教研室,陕西西安710071) 摘　要:针对红外图像信噪比低,一般阈值法难以分割的特点,提出了一种基于数学形态学的红外图像分割方法。

首先利用形态学估计出红外图像的背景图像,其次用原始图像减去估计的背景图像得到差值图像,并对差值图像进行增强,再利用阈值法分割得到二值图像,最后应用形态学的开运算消除高频噪声,得到待检测的图像。

并与著名的Ostu 法、迭代法、P 2参数法进行了详细的比较。

结果表明:该分割算法是一种实用有效的图像分割方法。

关键词:红外图像;图像分割;高频噪声中图分类号:T N929.1 文献标识码:AA Method of I nfrared Im age SegmentB asedon Mathem atical MorphologyZH ANG Xing 2guo ,　LI Jing ,　LIU Shang 2qian ,　JI Fang(Lab.503X i ’an Electron Science and T echnology University ,X i ’an Shaanxi 710071,China ) Abstract :Aimed at the character of low signal to noise ratio ,hard segmented by ordinary threshold of in frared images ,a method of in frared image segment based on mathematical m orphology was presented.First ,the background image was estimated by m orphological operations ;Then ,the original image was subtracted by the background image and g ot the result image ;A fter that ,the result image was enhanced and segmented and g ot the binary image ;Finally ,the noise was eliminated by mathematical m orphology operator again.C om pared with classical Ostu ,Iteration ,P 2parameter.Experiments show that this segment is a practical and effective method.K ey w ords :in frared image ;image segment ;high frequency noise收稿日期:2006-09-28作者简介:张兴国(1981-),男,硕士,主要从事光电成像与图像处理等方面的研究。

0　引言红外成像技术具有不易受电子干扰、能够昼夜工作、隐蔽性好等特点,在军事领域尤其是在武器制导以及侦察告警、目标跟踪检测中得到了广泛的应用。

红外图像是利用红外热象仪接收来自目标和景物的红外辐射,经过光电转换,将不可见的辐射转变成可见的图像。

图像分割是图像处理的基本问题,其目的是将图像划分为有意义的区域,从复杂的背景中提取出目标对象,为后续的目标识别提供前提。

因而,图像分割操作的质量好坏必然影响到整个系统性能的优劣,甚至会影响到复杂背景中图像工程的系统方案。

本文提出了一种图像分割算法,该算法利用灰度形态学开运算估计出红外图像的背景图像;利用原始图像减去背景图像得到差图像,以消除不均匀背景对图像分割的影响;对差值图像进行增强,再利用最大类间方差法将差值图像转化为二值图像;最后利用形态学方法消除噪声,从而得到待检测的目标图像。

实验结果表明,该算法对红外图像具有很好的分割效果[1]。

1　数学形态学基础数学形态学是一种非线性滤波方法,它最先被用来处理二值图像,后来被引用到灰度图像处理[2]。

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,以达到图像分析和识别的目的。

数学形态学中最重要的就是结构元素的选择,结构元素是欧氏空间或其子空间上一个指定的几何形状。

在数学形态学上的作用类似于信息处理中的滤波窗口,可以认为是收集目标信息的探针。

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。

需要处理的图像主要是灰度图像,因此要讨论灰度形态学理论。

灰度形态学的基本运算有四个: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各种数学形态学的使用算法。

设f(x,y)为输入图像,b(x,y)为结构元素,其中(x,y)为图像平面空间的坐标点,f为(x,y)点的灰度值,b为(x,y)点的结构函数值,Df和D b分别是函数f和b的定义域。

四种基本运算的定义如下。

(1)腐蚀(f b)(s,t)=min{f(s+x,t+y)-b(x,y)|(s+x),(t+y)∈Df;(x,y)∈D b}(1) (2)膨胀(f b)(s,t)=max{f(s-x,t-y)+b(x,y)|(s-x),(t-y)∈Df;(x,y)∈D b}(2) (3)开运算f.b=(f b) b(3) (4)闭运算f・b=(f b) b(4) 腐蚀运算可以减弱甚至消除小于结构元素的明亮区域,从而可以用来有效地去除孤立噪声点和边界上不平滑的凸出部分。

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同域以及填平图像边界上不平滑的凹陷部分。

开运算是先对图像进行腐蚀运算再进行膨胀运算,能去除掉图像中的孤立区域和毛刺,利用它可以消除形状小于结构元素的正峰值,根据目标和噪声的特点,选择合适的结构元,就能剔除目标和噪声,而将背景保留下来,得到背景的估计。

闭运算是先对图像进行膨胀运算再进行腐蚀运算,可以填充物体内的细小空洞,连接邻近物体和平滑物体边界。

2　红外图像分割算法红外图像的背景灰度变化范围很大,其灰度值既可能低于目标图像灰度,又可能高于目标图像灰度。

而且前后两帧背景变化可能很大,使得直接利用阈值进行分割时,目标可能不会被完全分离,且噪声很大。

但是如果能估计出背景图像,并将初始图像减去估计的背景图像,则得到的图像既含有需要的目标图像又具有均匀的背景,这样就能较好地分割出目标。

本文提出的图像处理算法可以很好的实现目标的分割,基本原理如下:a)利用灰度形态学方法估计出红外图像的背景图像;b)利用原始图像减去背景图像得到差图像,以消除不均匀背景对图像分割的影响;c)对差值图像进行增强,再利用最大类间方差法将差值图像转化为二值图像;d)最后利用形态学方法消除噪声,从而得到待检测的目标图像。

14第4期张兴国,等:一种基于数学形态学的红外图像分割方法 2.1　背景图像估计背景图像估计的关键问题是寻找合适的结构元素,结构元素的形状选用圆盘形,因为圆盘没有方向性,圆盘结构元素可保证算子对图像的旋转是不变的,性能相对稳定,实现简单;选取结构元素大小的原则是:用开运算进行背景估计时,可以将灰度值较高的目标和噪声当做“突起”消除掉,而保持大面积亮度缓慢变化的背景尺寸不变。

其原理为:先用结构元素b(x,y)对输入图像f(x, y)按式(1)的运算法则进行腐蚀运算;再对腐蚀后的图像按式(2)的运算法则进行膨胀运算。

通过大量的实验分析,可以根据图像中目标尺寸的大小得出圆形结构元素的最佳尺寸,如图1中(b)所示。

2.2　差值图像获取从原始图像中减去差值图像就可以消除背景图像的影响。

由于差值图像的整体亮度很低,在差值图像中,目标灰度虽然在局部最大,但可能与周围背景灰度值相差并不是很大,信噪比较低。

因此为了方便后面的阈值分割,必须提高差值图像的信噪比。

在此采用了非线性的灰度变换方法,即缩小差值图像中的低灰度值,增大高灰度值。

具体变换方法如下: E′(i,j)=255×(E(i,j)Πmax)2Πdth0≤E(i,j)max≤dth255×{1-[1-E(i,jΠmax)]}Π(1-dth)dth<E(i,j)<max≤1(5)式中,max为差值图像中最大的灰度值;E(i,j)为差值图中(i,j)点灰度值;E′(i,j)为非线性变化后的差值图中(i,j)点的灰度值;dth为渡越点,本文取0.7。

如图1中(c)和(d)所示。

2.3　转换为二值图像为了简化计算复杂度,同时为了得到候选目标的精确位置和几何特征(周长、面积)等,本文采用经典的Ostu法将灰度图像转化为二值图像[3,4],选择的阈值使图像灰度直方图被分割得到的两部分方差最大。

设一幅图像的灰度值为1～m级,灰度值为i 的象素数为ni,此时可得总象素数:N=∑mi=1n i(6) 各值的概率:P i=n iN(7)然后用k将其分成两组C={1～k}和C1={k+ 1～m}各组产生的概率如下。

C0产生的概率:w0=∑ki=0P i=w(k)(8) C1产生的概率:w1=∑mi=k+1P i=1-w(k)(9) C0组的平均值:μ=∑ki=1i P iw0=μ(k)w(k)(10) C1组的平均值:μ1=∑mi=k+1i P iw1=μ-μ(k)1-w(k)(11)式中,μ=∑mi=1i P i是整体图像的平均值;μ(k)=∑ki=1i P i是阈值为k时灰度的平均值,所以全部采样的灰度平均值为μ=wμ+w1μ1,两组间的方差用下式求出: σ2(k)=w0(μ0-μ)2+w1(μ1-μ)2=w0w1(μ1-μ0)2(12)从1～m间改变k,求上式为最大值的k,即求max σ2(k)的k3值,此时k3值便是阈值。

分割后的效果图,如图1中(e)所示。

2.4　消除高频噪声点二值图像中含有部分高频噪声点,再次利用数学形态学的开运算即可消除绝大部分。

结构元素的形状还是选择圆盘形,圆盘半径在最大噪声粒子和图像目标尺寸之间。

一般结构元素的尺寸24 制　导　与　引　信第27卷要明显小于图像中的目标尺寸,如图1中(f )所示。

图1　数学形态学分割结果3　实验结果 为了便于比较,将形态学方法与通常认为较好的经典最大类间方差法[5]、改进的最大类间方差法[6]、迭代法(Iteration 法)和P 2参数法对同一类微弱红外图像做了分割实验,其结果如图2所示。