基于区域生长的目标检测方法

高　晶，蔡幸福，刘志强，常　燕

基于区域生长的目标检测方法

高晶，蔡幸福，刘志强，常燕

（火箭军工程大学，西安710025）

针对前视红外图像对比度低、背景干扰严重、不利于目标检测等问题，提出了一种基于区域生长的目标检测方法.首先，在形态学滤波机理的基础上，利用图像的整体纹理分布特点进行逐行扫描，选取有效的极大值点、极小值点，自适应确定结构元素的大小进行图像滤波.其次，在自动种子区域提取的基础上，通过生长条件的判决准则动态调整生长阈值，确定待检测目标.实验结果表明:该方法与NCC方法和OTSU方法相比，检测准确率提高了10%，精确度较高.

前视红外；形态学；区域生长；目标检测

红外成像末制导是飞行器成像末制导的一项核心技术，这对新一代武器系统的视觉导航技术具有重要的影响作用.在复杂红外背景下，目标往往嵌入在空间分布不平稳的背景分量中，且易受背景杂波和诱饵的干扰［1］.这为红外成像制导带来了很大的困难.近年来，在将图像中含有目标的区域从各种背景杂波中检测出来的研究方面，已采取了很多种方法，如阈值分割法、边缘分割法、灰度直方图法，但是在背景复杂且对比度低的情况下效果不理想；数学形态学方法具有完美的数学基础，是一种非线性滤波方法，在计算机视觉、图像处理、图像分割、医学图像分析等领域得到了广泛的应用.

数学形态学的一大亮点就是结构元素，在图像处理中它可以使大量复杂的图像运算变为简单的逻辑运算.结构元素在图像处理的运算中相当于滤波窗口，同时携带尺寸、形状、灰度、色度等知识.结构元素是否合适，将直接影响图像处理的效果，比如图像边缘检测的结果以及图像特征的提取等，同时运算的数据量也与其相关.

1　自适应形态学滤波器设计

在图像的形态学处理中，结构元素的选取至关重要.对于复杂的图像，若结构元素单一且固定，则其作为边缘检测算子时，抗噪声能力会受到限制，且对于边缘几何形状的适应性也较弱；检测的结果不能令人满意［2］.针对此问题，本文采用自适应的方法来选取结构元素的大小，即利用图像的整体纹理分布特点进行逐行扫描，选取有效的极大值点、极小值点，进而在此基础上确定结构元素的大小.

1.1有效极大值点、极小值点的提取

红外图像具有特殊的纹理结构特点，对图像进行逐行扫描提取有效的极大值点的极小值点，同时也会产生大量的伪极大值点、伪极小值点［3］，而去除这些伪极值点也是关键因素，因此提取有效极大值点、极小值点首先需满足条件:

1）极值点的分布呈间隔排列，即极大值点与极小值点交错分布.

2）设定阈值T1，灰度值需满足:（有效极大值点—相邻最近极小值点）＞T1.

3）设定阈值T2，像素坐标需满足:（极大（小）值点i—极大（小）值点j）≤T2.

结合排除条件，可得有效极大值点、极小值点的提取步骤如下:

步骤1以一定步长扫描图像时，若同一扫描线上第i个像素点的灰度值f（i）满足f（i）＞f（i-1）和f（i）≥f（i+1），那么像素点i为局部极大值点；若f（i）的值满足f（i）＜f（i-1）且f（i）≤f（i+1），那么像素点i为局部极小值点.

步骤2若第i个局部极值点及第i+1个局部极值点都为极大值点，则判断两者的像素灰度值大小，选择灰度值较大的点；若两者都为极小值点，则选择像素灰度值较小的点.

步骤3若第i个像素点为极大值点，而第i+ 1个像素点为极小值点，若|f（i）-f（i+1）|＜T1，且比较f（i+2）与f（i）的值，则将灰度值较小的极大值点以及第i+1个像素点删除；相反，若第i个像素点为极小值点，而第i+1个像素点为极大值点，将灰度值较大的极小值点以及第i+1个像素点删除.

步骤4对极大值点按照各组内极值点间距不超过预先设定的阈值T2，并且组间极大值点之间的距离大于阈值T2的原则进行分组划分；同理，极小值点也按照相应的原则进行划分.若各个组内的极值点数目小于预定阈值，则将该组内的所有极值点删除.由此步骤可提取出图像中有效的极大值点、极小值点，同时在提取过程中很大程度上去除了伪极大值点、极小值点，满足后续工作的要求.

1.2自适应形态学滤波器

结构元素的形状与大小对红外图像中的目标提取至关重要.在前面提取出图像中有效极大值点、极小值点的基础上，定义I（i，j）max为扫描图像上第i条扫描线上的第j个有效极大值点的灰度值；相同，I（i，j）min为第i条扫描线上的第j个有效极小值点的灰度值；Nummax和Nummin分别对应扫描线上的有效极大值点以及有效极小值点的个数.

本文采取的步骤如下:

步骤1对图像进行逐行扫描，设结构元素尺寸d=0.

步骤2在扫描过程中，若选定I（i，j）max，由该点（i，j）开始向左右两侧分别搜索与I（i，j）max值相等且离该点最近的另一个有效极大值点（i，j′），则记该两点之间的间距widthmax（j，j′）=|j′-j|.

步骤3对于图像中的有效极小值点，同理按照步骤2中的方法计算widthmin（j，j′）=|j′-j|.

步骤4为了避免结构元素尺寸过大或者过小影响图像处理的效果，本文利用平均值的方法确定结构元素尺寸，从而实现了结构元素的尺寸随图像大小及灰度的不同而进行自适应的调整.

步骤5当搜索完整条行扫描线后，得到该条扫描线的结构元素的自适应尺寸d，然后继续重复步骤1到步骤4的循环，直到扫描结束.

本文采取的自适应方法选取形态滤波器的大小，为既不失真又能速度较快地达到实验效果.

由此可看出，经形态学检测算法处理过的红外图像，背景与目标之间的差别增大，且目标区域部分较明显，为本文后续部分中区域生长算法的种子点选取降低了复杂度.

2　基于区域生长的目标检测算法

2.1区域生长原理

区域生长的基本原理是集合具有相似性质的像素点为一个区域.其构成分为3步:首先，选择生长起点；其次，合并像素；最后，在合并的区域内重新选定种子像素［4］，如图2所示.

由于前视红外图像中的目标在整个视场环境中占有一定的比例［5］，区域性较强，而基于区域的方法是通过假设相同区域内的邻近像素具有相似的灰度值来进行图像划分，以满足均匀性准则，最典型的方法就是区域生长法，因此，区域生长算法比较适合此类目标的分析.

从区域生长方法的基本思想可看出，区域生长一般有3个关键步骤:1）选择合适的生长点.通常情况下，红外图像中的种子点为图像中最亮的点，但是在前视红外图像中目标种类较多，不同目标呈现出不同的红外辐射强度，较为复杂的图像中目标和背景有时会存在灰度级交叉重叠，比如像典型地面目标前视红外图像中，火电厂、油罐、高大建筑物等不同目标呈现不同的红外辐射强度，更为复杂的是目标和背景存在灰度级交叉重叠，选择最亮的点作为种子点显得比较困难.2）确定相似性准则即生长准则.区域生长准则是确定在区域生长过程中将像素合并进来的方法，该准则的差异将直接影响区域生长的结果.3）规定生长停止条件.即制定一个让生长过程停止的条件或规则，一般生长过程在进行到图像中再也没有满足生长准则需要的像素时则停止生长［6］.

2.2自动种子区域提取

传统区域生长方法中，常常选择图像中具有某种特性的像素点作为种子点，随后将与种子点具有相似性质的相邻像素附加到生长区域中.本文在运用形态学对目标区域检测结果的基础上，自动选取检测结果的部分区域作为种子区域，然后将其相邻区域中性质相似的区域合并到种子区域中.

假设形态学滤波结果的区域集合表示为G，对每一个区域再划分成个数为N的小区域，每一个小区域表示为Ri，i=1，2，…，N，则定义种子点约束区域的自动选取原则为:定义相似度函数表示每个区域的相似度，则可用该相似度函数衡量每个区域与其相邻区域的相似性，若该区域与它的相邻区域具有很高的相似性，则该区域可代表所期望的生长区域的属性.

定义1设一个区域Ri的邻域个数为k，则该区域的邻域集合表达式为

定义2设xm为中每个区域灰度均值，为集合内所有区域的灰度均值，则区域Ri与其邻域的相似度函数为

其中

式中ω为非负权值.设定一个阈值t1，若该区域的相似度函数大于该阈值，则该区域才可能被选择为种子区域.区域Ri与其相邻区域之间的距离关系可用相对欧氏距离来衡量，并规定区域之间的相对欧氏距离中的最大值小于设定的阈值t2.

定义3设xn为区域Ri的平均灰度值，xi为区域Ri的每个相邻区域的平均灰度值，则相对欧氏距离Di表达式为

并选取其中的最大值为

由以上条件可选择出图像中的种子区域，若选择出的种子区域相邻，则可将二者合并为一个种子区域.

2.3改进的区域生长方法

本文在形态学目标区域检测的基础上，定义种子点约束区域的自动选取原则，并在区域生长过程中建立一个空队列，按照顺序遍历方法由种子区域开始区域生长，以事先制作好的目标形状模板大小为生长准则参考，对整个生长的判定进行阈值自适应调整，得到最终的生长结果图.

2.3.1区域生长算法

为了使整个生长过程能够在图像各个方向都比较均匀，使最终的生长结果与实际目标比较相似.本文建立一个空队列，按照顺序遍历由种子区域开始生长的区域.算法中，为每一个区域标记2个标签:生长标签，用于判断区域是否已经生长；边缘标签，用于判断是否为边缘，假设初始条件下二者取值都为零.

区域生长算法的步骤描述如下:

步骤1循环遍历整个经处理的图像，根据自动种子区域选取方法进行种子区域的选取.并建立一个队列，且将该队列置空.

步骤2将选取出的种子区域放入队列中，并进行标记，即添加2个标签:生长标签和边缘标签.

步骤3判断队列是否为空，如果不为空，则进行下面的步骤；如果为空，则停止生长.

步骤4选取第一个种子区域，依次观察该种子区域其邻接区域P的标签，如果生长标签为零，则需判断区域P是否满足生长条件；如果相反，生长标签不为零，则该区域P已经并入了所生长的区域内，不需再考虑该区域，并依此循环直到该种子区域的领接区域都经过判断.

步骤5对种子区域的邻接区域完成其是否生长后，还需判断邻接区域的边缘标签是否全都不为零.如果是，则种子区域的边缘标签置为0；相反，则保持原来的标记.

步骤6将队列的第1个元素删除，返回步骤3.

由区域生长算法可知，在生长结束时，扫描图像划分的每一个区域，观察其标记的2个标签，若区域的生长标签不为零，则表示该区域已归入目标区域内；而若边缘标签不为零，则表示该区域紧贴目标边缘处.

2.3.2生长条件判决准则

以种子区域为起点，已生长的区域个数为n（从1开始算起，每增长一个区域则数量加1），设种子区域R的灰度均值为、方差为σ2，待测区域R′的灰度均值为

则判定准则定义为

如果T值足够小，则可认为待测区域与种子区域相似，可以纳入到目标区域中；若果T值太大，则不能纳入.

前视红外图像的获取由于外界因素会使图像灰度发生一定程度的动态变化，并且不同图像、不同目标的灰度分布也不一致，所以在整个区域生长的过程中，对于生长的判定需要一个阈值自适应调整的过程［7］.本文以事先制作好的目标形状模板大小为生长准则参考，若区域生长面积与目标模板面积相比大于u时视为分割过度，则将区域生长阈值减少ΔT；若区域生长面积与目标模板面积比小于v时视为分割不足，则将区域生长阈值增加ΔT，以此自动调整区域生长的阈值［5］.

本文以u=1/3、v=1/9、ΔT=0.02为生长参数，图3分别给出了火电厂、烟囱、建筑物的区域生长结果.

从图3可得，采用传统经典的区域生长法即固定生长阈值进行生长，由于固定的生长阈值限制了生长范围，仅生成了目标部分区域.而本文所提方法首先通过自动种子区域的提取就约束了种子点的选择区域，保证了种子点落在目标区域中，因此选择出的种子点代表了目标的灰度特征，并通过生长条件的判决准则动态调整生长阈值，使得生长区域不断更接近于目标真实情况.

3　实验及结果分析

为了验证本文所提算法的有效性，在软硬件环境为CPU Pentium（R）Dual-Core E5200 2.5 GHz、内存2 G、WindowsXP+SP3、Matlab2009的条件下进行仿真实验，实验对象为复杂背景下红外图像的地面固定目标.为更加明确表示本文所提算法的有效性，用事先制作好的基准图与实时图进行图像匹配，来衡量本文所提算法的有效性.

为明确本文所提算法的有效性，采用虚警率［8］与检测率相结合的方法将本文算法（方法1）与典型的NCC方法（方法2）和Otsu方法（方法3）进行实验比较，如图4所示.

为了准确评估本文算法，采用ROC曲线（受试者工作特性曲线）对几种不同的检测算法进行比较.图5为4组场景序列中的某一幅图像的目标匹配结果.

由图4、5可以得出:针对红外图像中目标与背景灰度差异小的场景，在虚警概率取一定值的时候，本文方法与NCC算法及OTSU算法相比，检测准确率提高了10%，本文所提算法的目标检测率可以达到90%以上，效果较好.

4　结论

1）在图像背景复杂的情况下，基于NCC的方法进行红外目标检测时，效果不佳.

2）而在对比度较低、背景复杂的图像中，基于阈值的OTSU方法通过阈值的确定进行目标检测时，容易丢失图像中的原始信息.

3）本文方法在形态学基础上进行区域生长，有效地将图像进行了目标区域检测预处理，使得识别概率高于其他2种方法，整体效果较好.

［1］陈钱.红外图像处理技术现状及发展趋势［J］.红外技术，2013，35（6）:311-318.

CHEN Q.The status and development trend of infrared image processing technology［J］.Infrared Technology，2013，35（6）:311-318.（in Chinese）

［2］BRAGA-NETE U，CHOUDHARYM，GOUTSIASJ. Automatic target detection and tracking in forward-looking infrared image sequences using morphological connected operators［J］.Electron Imaging，2004，13（4）:802-812.

［3］DESHPANDA S D，ER M H，RONDA V，et al.Maxmean and max-median filters for detection of small targets［C］∥SPIE蒺S International Symposium on Optical Science，Engineering，and Instrumentation.Denver:International Society for Optics and Photonics，1999:74-83.

［4］宋燕星，袁峰，丁振良.目标感兴趣区域检测算法［J］.吉林大学学报，2010，40（5）:53-54.

SONG Y X，YUAN F，DING Z L.Detection algorithm for region-of-interest［J］.Journal of Jilin University，2010，40（5）:53-54.（in Chinese）

［5］夏晶，孙继银.基于区域生长的前视红外图像分割方法［J］.激光与红外，2011，41（1）:107-111.

XIAJ，SUNJY.Forward-lookinginfraredimage segmentation based on region growing［J］.Laser& Infrared，2011，41（1）:107-111.

［6］张丽红，张慧，王晓凯.边缘检测和区域生长相结合的图像ROI提取方法［J］.计算机技术与发展，2011，21（4）:234-237.

ZHANG L H，ZHANG H，WANG X K.An ROI search method for color images based on edge detection and region growing［J］.Computer Technology and Development，2011，21（4）:234-237.（in Chinese）

［7］章毓晋.图像分割［M］.北京:科学出版社，2001:30-58.

［8］程蕾.基于局部特征几何结构的目标识别方法研究［D］.合肥:中国科学技术大学，2010. CHENG L.Target recognition method based on structure of local feature［D］.Hefei:University of Science and Technology of China，2010.（in Chinese）

（责任编辑杨开英）

Method of Target Detection Based on Region Growing

GAO Jing，CAI Xingfu，LIU Zhiqiang，CHANG Yan
（Rocket Force University of Engineering，Xi蒺an 710025，China）

An infrared target detection algorithm based on region growing was presented to solve the problems of low contrast，complex background，and unconductive to objective testing.First，on the basis of morphological filtering mechanism，and using overall distribution of the texture image for progressive scanning，effectively selecting maxima minimum point，the size of the structural elements was determined adaptively for the image filtering.Second，based on the automatic extraction of the seed region，growth threshold was sentenced by dynamically adjusting the growth conditions，determining the target to be detected.Experimental results show that the proposed method compared with the NCC methods and OTSU method has the advantages of 10%for detecting accuracy rate and higher precision.

forward looking infra-red；morphology；region growing；target detection

TP 391

A

0254-0037（2016）06-0856-06

10.11936/bjutxb2015050002

2015-05-01

国家自然科学基金资助项目（61401470）

高晶（1983—），女，讲师，主要从事目标识别、图像匹配方面的研究，E-mail:myfairycrystal@163.com