專利名稱：基于均值漂移的灰關(guān)聯(lián)紅外成像目標分割方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像信息處理領(lǐng)域，涉及紅外成像目標分割方法，特別是涉及基于均 值漂移的灰關(guān)聯(lián)紅外成像目標分割方法，可用于紅外精確制導、目標探測及火控、光學遙感 和夜間導航等軍用或民用系統(tǒng)中，為目標識別和跟蹤奠定了基礎(chǔ)。
背景技術(shù)：
紅外成像目標分割作為目標識別和跟蹤的基礎(chǔ)，是自動目標識別中的一項關(guān)鍵技 術(shù)。近年來，目標分割技術(shù)研究取得了很大的進步，尤其是利用圖像的灰度特征進行閾值分 割的算法在圖像分割領(lǐng)域得到了廣泛的應用。但是，這類算法在復雜背景下對目標分割的 精確性較差，因而也限制了這些算法的應用。如何自動有效地從復雜背景中將紅外目標提 取出來，一直是國內(nèi)外研究的熱點和難點問題。針對這一問題，眾多學者對此進行了深入的 研究，并提出了多種方法，例如(1)邊緣檢測法，利用梯度模板對圖像局部特征的不連續(xù)點進行檢測，標記為邊緣 點，找出連續(xù)封閉的邊緣作為劃分各區(qū)域的邊界，從而實現(xiàn)目標分割。但該類方法對噪聲敏 感，一般很難獲得完全封閉的邊緣，又帶來了邊緣連接的問題。當區(qū)域之間對比度低時，方 法失效。(2)閾值分割方法，通過對圖像灰度特征進行直方圖統(tǒng)計，構(gòu)造相應的代價函數(shù)， 求取最優(yōu)閾值來分割圖像。這類方法思路直觀，實現(xiàn)簡單，但同樣對噪聲不具有魯棒性，又 缺乏對圖像空域信息的考慮，在背景復雜的情況下分割結(jié)果誤差較大。(3)區(qū)域生長法，依據(jù)相似性準則對種子點進行生長，最終實現(xiàn)區(qū)域的劃分。這一 類方法對初始種子點的選取和掃描順序的依賴性較強，且相似性準則難以確定。綜上所述，現(xiàn)有的紅外目標分割方法大都對噪聲比較敏感，且在復雜背景下分割 效果不穩(wěn)定，為此，人們提出了基于均值漂移的目標分割方法。均值漂移是一種基于特征空間聚類的方法，通過反復迭代搜索特征空間樣本點最 密集的區(qū)域，使得搜索點沿著樣本點密度增加的方向“漂移”到局部密度極大點。該方法具 有完全依靠特征空間中的樣本點驅(qū)動，不需要任何先驗知識，收斂速度快等優(yōu)點，近年來已 被廣泛應用于圖像分割和跟蹤等領(lǐng)域。但在研究中發(fā)現(xiàn)，將均值漂移應用于圖像分割時，容 易陷入局部收斂，從而導致分割結(jié)果出現(xiàn)明顯的過分割現(xiàn)象，最終影響目標的精確提取。

發(fā)明內(nèi)容
本發(fā)明的目的是針對上述已有均值漂移法存在的問題，提出一種基于均值漂移的 灰關(guān)聯(lián)紅外成像目標分割方法，以彌補應用均值漂移分割圖像時，容易陷入局部收斂，導致 過分割的現(xiàn)象，提高目標的分割精確度。實現(xiàn)本發(fā)明目的的技術(shù)關(guān)鍵是在計算非首行非首列像素點的收斂值之前，先判 斷當前像素點與其鄰域點的相似程度，對相似度高的點則取消其迭代收斂過程，直接將鄰 域點收斂均值賦予當前點；在運用均值漂移初分割之后，對分割區(qū)域塊選取背景參考值和目標參考值，分別計算各區(qū)域與背景參考值和目標參考值之間的灰關(guān)聯(lián)系數(shù)，利用得到的 灰關(guān)聯(lián)系數(shù)曲線的拐點尋找閾值，通過融合三個單一閾值，對圖像進行動態(tài)劃分，實現(xiàn)目標 和背景的分離。具體實現(xiàn)步驟如下(1)均值漂移初分割步驟(Ia)依據(jù)Silverman法則，求取原始圖像I的全局最優(yōu)帶寬h ；生成一個與原始圖 像同樣大小的矩陣Γ，作為均值漂移濾波輸出圖，Γ中元素初始值設(shè)為零；(Ib)將得到的帶寬h代入均值漂移計算式，通過迭代計算均值漂移向量求取像素 點的局部收斂值，并將該收斂值賦給濾波輸出圖Γ中對應的像素點；(Ic)對原始圖像I中的像素點進行相似性判斷，若原始圖像當前像素點與其鄰域 點灰度值接近，且這些鄰域點已經(jīng)計算過收斂值，則將當前點的收斂值設(shè)為其鄰域點收斂 值和的均值；反之，則將該像素點作為新的搜索起始點，返回步驟(Ib)；(Id)對濾波圖像Γ中的像素點進行遍歷，對于空間相鄰，且灰度值距離小于h/2 的像素合并為一類，并求取每一類的像素灰度值總和P·、總像素個數(shù)Pm、總類別數(shù)N，以及 標記每個像素的類別；(Ie)對相同類別的像素灰度值取平均，得到各區(qū)域內(nèi)灰度均勻一致的初步分割圖 像Ims，各區(qū)域的像素灰度值按標記順序排列成一維向量虬；(2)灰關(guān)聯(lián)融合步驟(2a)以一維向量Mv作為比較序列；(2b)求取初分割圖像Ims的灰度均值Vm_和灰度最大值Vmax ；從灰度值小于Vm_的
區(qū)域中選出面積最大的區(qū)域塊，以該面積最大區(qū)域塊的灰度值作為背景參考值V1 ；從灰度 V +V
值大于mmn2 max的區(qū)域中選出面積最大的區(qū)域塊，以該面積最大區(qū)域塊的灰度值作為目 標參考值\；(2c)分別計算比較序列Mv中的各因素與背景參考值V1和目標參考值Vh之間的鄧 氏灰關(guān)聯(lián)系數(shù)，得到背景灰關(guān)聯(lián)系數(shù)曲線&和目標灰關(guān)聯(lián)系數(shù)曲線& ；(2d)分別對背景灰關(guān)聯(lián)系數(shù)曲線Ii1和目標灰關(guān)聯(lián)系數(shù)曲線&進行升序排列，得 到背景升序序列&和目標升序序列& ；(2e)分別計算背景升序序列&和目標升序序列&各點的斜率，尋找斜率最小時對 應的背景灰關(guān)聯(lián)系數(shù)曲線拐點值T1和目標灰關(guān)聯(lián)系數(shù)拐點值IV以背景拐點值Γι為閾值分 割原始背景灰關(guān)聯(lián)系數(shù)曲線&，從大于零的部分選取背景模板閾值T1 ；以目標拐點值為 閾值分割原始目標灰關(guān)聯(lián)系數(shù)曲線&，從大于零的部分選取目標模板閾值Th ；目標灰關(guān)聯(lián) 系數(shù)曲線與背景灰關(guān)聯(lián)系數(shù)曲線點對點相減，從差值大于零的部分選取聯(lián)合模板閾值Tm ；(2f)根據(jù)上述閾值T1, Tffl, Th，對初分割圖像Ims進行劃分，得到動態(tài)模板圖D = {D(i，j) i = l，2，L，H;j = l，2，L，ff}
權(quán)利要求
1. 一種基于均值漂移的灰關(guān)聯(lián)紅外成像目標分割方法，包括(1)均值漂移初分割步驟(Ia)依據(jù)Silverman法則，求取原始圖像I的全局最優(yōu)帶寬h ；生成一個與原始圖像同 樣大小的矩陣Γ，作為均值漂移濾波輸出圖，Γ中元素初始值設(shè)為零；(Ib)將得到的帶寬h代入均值漂移計算式，通過迭代計算均值漂移向量求取像素點的 局部收斂值，并將該收斂值賦給濾波輸出圖Γ中對應的像素點；(Ic)對原始圖像I中的像素點進行相似性判斷，若原始圖像當前像素點與其鄰域點灰 度值接近，且這些鄰域點已經(jīng)計算過收斂值，則將當前點的收斂值設(shè)為其鄰域點收斂值和 的均值；反之，則將該像素點作為新的搜索起始點，返回步驟(Ib)；(Id)對濾波圖像Γ中的像素點進行遍歷，對于空間相鄰，且灰度值距離小于h/2的像 素合并為一類，并求取每一類的像素灰度值總和P·、總像素個數(shù)Pm、總類別數(shù)N，以及標記 每個像素的類別；(Ie)對相同類別的像素灰度值取平均，得到各區(qū)域內(nèi)灰度均勻一致的初步分割圖像 Ims，各區(qū)域的像素灰度值按標記順序排列成一維向量Mv ；(2)灰關(guān)聯(lián)融合步驟(2a)以一維向量Mv作為比較序列；(2b)求取初分割圖像Ims的灰度均值Vnrean和灰度最大值Vmax ；從灰度值小于Vm_的區(qū)域中選出面積最大的區(qū)域塊，以該面積最大區(qū)域塊的灰度值作為背景參考值V1 ；從灰度值 V +V大于max的區(qū)域中選出面積最大的區(qū)域塊，以該面積最大區(qū)域塊的灰度值作為目標 參考值\ ；(2c)分別計算比較序列Mv中的各因素與背景參考值V1和目標參考值Vh之間的鄧氏灰 關(guān)聯(lián)系數(shù)，得到背景灰關(guān)聯(lián)系數(shù)曲線&和目標灰關(guān)聯(lián)系數(shù)曲線& ；(2d)分別對背景灰關(guān)聯(lián)系數(shù)曲線Ii1和目標灰關(guān)聯(lián)系數(shù)曲線&進行升序排列，得到背 景升序序列&和目標升序序列& ；(2e)分別計算背景升序序列&和目標升序序列&各點的斜率，尋找斜率最小時對應 的背景灰關(guān)聯(lián)系數(shù)曲線拐點值T1和目標灰關(guān)聯(lián)系數(shù)拐點值IV以背景拐點值Γι為閾值分割 原始背景灰關(guān)聯(lián)系數(shù)曲線&，從大于零的部分選取背景模板閾值T1;以目標拐點值為閾 值分割原始目標灰關(guān)聯(lián)系數(shù)曲線&，從大于零的部分選取目標模板閾值Th ；目標灰關(guān)聯(lián)系 數(shù)曲線與背景灰關(guān)聯(lián)系數(shù)曲線點對點相減，從差值大于零的部分選取聯(lián)合模板閾值Tm ；(2f)根據(jù)上述閾值T1, Tffl, Th，對初分割圖像Ims進行劃分，得到動態(tài)模板圖D= {D(i， j) i = l，2，L，H;j = l，2，L，ff}TlLs(iJ) < Τ TmIms(i,f)>Tm&&Tm》ThD(iJ) = l ThImsii,D>Th&&Th>Tm+ (I —T1 < Ims {i, j) ScTh > Tm+(1-T1 < Ims (i, j)《Tm8c &Tm > Th 式中，Ims(i，j)為初分割圖像Ims的當前像素點灰度值，D(i，j)為指示矩陣D的當前像素值，k為權(quán)值系數(shù)且k e
，H，W分別代表圖像的長和寬；(2g)將原始圖像I與動態(tài)模板圖D相減，保留原始圖像I中灰度值差值大于或等于0 的像素點，將灰度差值小于0的像素點的灰度值均設(shè)為0，從而得到最終分割結(jié)果Is。
2.根據(jù)權(quán)利要求1所述的紅外成像目標分割方法，其中步驟(Ic)所述的對原始圖像I 中的像素點進行相似性判斷，是按照如下公式進行
3.根據(jù)權(quán)利要求1所述的紅外成像目標分割方法，其中步驟Oe)所述的從大于零的部分選取背景模板閾值T1，通過如下公式進行 ( \ 7；= max Mv [α(ρ)] | ρ = {1,2,L ,N}
4.根據(jù)權(quán)利要求1所述的紅外成像目標分割方法，其中步驟Oe)所述的從大于零的部分選取目標閾值Th，按如下公式進行
5.根據(jù)權(quán)利要求1所述的紅外成像目標分割方法，其中步驟Oe)所述的從差值大于零的部分選取聯(lián)合模板閾值Tm，根據(jù)如下公式進行
6.根據(jù)權(quán)利要求1所述的紅外成像目標分割方法，其中步驟Of)按如下步驟進行 (6a)生成元素值均為零的指示矩陣= |E0(i，j) =0|i = l，2，L，H;j = l，2，L，ff}； (6b)若初分割圖像Ims的當前像素點Ims(i，j)小于背景模板閾值T1，則將指示矩陣E的當前元素值E(i，j)設(shè)為背景模板閾值T1 ；(6c)若聯(lián)合模板閾值Tm大于等于目標模板閾值Th，分兩種情況處理 若初分割圖像Ims的當前像素點Ims(i，j)大于聯(lián)合模板閾值Tm，則將指示矩陣E的當 前元素值E (i，j)設(shè)為聯(lián)合模板閾值Tm ；若初分割圖像Ims的當前像素點Ims(i，j)小于等于聯(lián)合模板閾值Tm且大于等于背景模 板閾值T1,則將指示矩陣E的當前元素值E(i，j)設(shè)為聯(lián)合模板值Tm和目標模板閾值Th加 權(quán)得到的新的數(shù)值；(6d)若聯(lián)合模板閾值Tm小于目標模板閾值Th，分兩種情況處理 若初分割圖像Ims的當前像素點Ims(i，j)大于目標模板閾值Th，則將指示矩陣E的當 前元素值E(i，j)設(shè)為目標模板閾值Th ；若初分割圖像Ims的當前像素點Ims(i，j)小于等于目標模板閾值Th且大于等于背景模 板閾值T1,則將指示矩陣E的當前元素值E(i，j)設(shè)為背景模板閾值T1和目標模板閾值Th 加權(quán)得到的新的數(shù)值；(6e)由上述步驟(6a) (6d)得到指示矩陣 E = {E (i，j) | i = 1，2，L，H ； j = 1，2，L， W}，其中E(i，j)的具體數(shù)值如下式所示
全文摘要
本發(fā)明公開了一種基于均值漂移的灰關(guān)聯(lián)紅外成像目標分割方法，主要解決現(xiàn)有同類方法過分割現(xiàn)象嚴重，分割精度低的問題。其實現(xiàn)步驟是(1)對原始圖像進行均值漂移濾波；并依據(jù)當前像素點與鄰域點的相似性來判斷是否計算均值漂移收斂值；(2)合并相同類別的像素并標記，得到初分割圖像；(3)從初分割圖像的區(qū)域中分別選取背景參考值和目標參考值；(4)計算各區(qū)域與參考值之間的灰關(guān)聯(lián)系數(shù)；(5)利用灰關(guān)聯(lián)系數(shù)曲線的拐點尋找閾值，通過融合三個單一閾值，實現(xiàn)對圖像的動態(tài)劃分。本發(fā)明具有運算速度快、分割精度高、穩(wěn)定性好以及自適應性強的優(yōu)點，可用于紅外精確制導、目標探測及火控、光學遙感和夜間導航等軍用或民用系統(tǒng)中。
文檔編號G06T5/00GK102063707SQ20111000118
公開日2011年5月18日 申請日期2011年1月5日 優(yōu)先權(quán)日2011年1月5日
發(fā)明者劉靳, 姬紅兵, 姬雪峰, 李棉, 楊金龍 申請人:西安電子科技大學