海天背景下红外目标的检测与识别研究∗

林丰辉

（海军工程大学电子工程学院 武汉 430033）

1 引言

在海天背景下的红外目标的检测与识别中，图像里面包含了背景信息、目标信息以及噪声等信息［2］，还有红外探测系统探测元对相同红外辐射的检测能力差异导致图像识别的难度大。因为红外图像中可能存在我们感兴趣的红外目标，比如从海天线附近出现的飞行器，一旦在图像上出现了目标，则能判断为刚出现的舰船或者是飞行器［3］。对于这种情况，本文选取的处理方法是：先对图像进行预处理，然后提取出海天线，预测目标可能出现的区域，最后是提取目标。

根据物理学知识可知：所有的物体，其温度超过热力学温度的绝对零度时，都会产生红外辐射，辐射量受到温度、物体性质等的影响。从远处传递来的红外辐射往往是非常弱的，在此前提下，红外探测系统获取的信号一般都包含着各种干扰，如环境噪声、辐射特性、大气传输特性［4］、机器内部噪声、机器内部元器件对红外辐射的检测值与目标实际的辐射值存在差异等等情况，导致了获取的红外图像可能发生变形甚至导致消失了部分原本存在的目标信息，而该信息可能是决定某一战术、战法的决定因素。因此，合适的图像处理方法对图像的处理、目标的还原起着关键的作用。

2 均值滤波

均值滤波处理是一种线性滤波的方法，它将每一个像素点的灰度值设置为该点某一个邻域窗口内的所有像素点灰度值的平均值。均值滤波是一种能有效抑制噪声的线性信号处理技术，但是容易引起边缘的模糊［5］。均值滤波的基本原理是把图像中一点的值用该点的一个邻域中各个点值的均值代替，让周围的像素值接近真实值，从而消除孤立的噪声点［6］。方法是用某种结构的二维滑动模板W，将板内像素取平均值并保存为一个新的图像，用该图像替代原来的图像。二维均值滤波输出为

其中，f(x ，y )，g(x ，y)分别为图1和处理后的图2。W为二维模板，n*n为模板大小，模板大小通常为3*3、5*5的区域。

图1 原图

图2 均值滤波

图为海天线附近舰船的红外图像，虽然图1中目标可识别度较高，但是存在大量的噪点，对图像的后期处理会产生大量的干扰。因此对该图像进行均值滤波处理，处理后从图2可以看出，背景的噪点被明显抑制，使得目标的可辨识度没有下降，反而有所提高，而且图2方便了后期的目标检测与识别。

3 阈值分割

阈值分割是一种基于区域的图像分割技术，原理是把图像像素点分为若干类，图像阈值化分割是一种传统的而且是最常用的图像分割方法，因为实现起来简单、计算量小、性能比较稳定而成为图像分割中最基本和应用最广泛的分割技术［7］。特别适用于目标和背景占据不同灰度级范围的图像。它不仅可以极大地压缩数据量，而且也大大简化了分析和处理步骤，因此在很多情况下，是进行图像分析、特征提取和目标识别之前的必要的图像预处理过程。图像阈值化的目的是要按照灰度级，对图像集合进行划分，得到的每个子集形成一个与现实景物相对应的区域，各个区域内部具有一致属性，而相邻区域不具有这种一致的属性这样的划分可以通过从灰度级出发选一个或多个阈值来实现［8］。

本文的图像像素点为三类，天空背景一个灰度值、海面背景一个灰度值以及其他部分自身的灰度值（包含了目标），并将判定的天空部分的灰度值设置为127，判定为海面部分的灰度值设置为1，其他部分的灰度值保持不变。将图片的天空（图片上部）一部分的像素点的均值设置为天空的阈值，将海面（图片下部）一部分的像素点的均值设置为海面的阈值，给两个阈值设置一定的灰度值波动范围，将判定为天空的区域的灰度值设置为127，将判定为海面的区域的灰度值设置为1。如图3～图6所示，设置不同的阈值灰度值波动范围可以不同程度地增强红外目标的可检测性。

图3 阈值判别灰度值范围为30

图4 阈值判别灰度值范围为40

图5 阈值判别灰度值范围为50

1）对于检测来说，图3是最合适的，因为图4、图6第四个目标（最右侧一个）产生了部分的丢失，这是在图像处理上不允许出现的情况。

图6 阈值判别灰度值范围为60

2）对于图像的后续处理来说，图6是最合适的，从图上就可以看出，海天线恰好有一个清晰的分界线，天空背景就是天空的部分，海面背景就是海面的部分，通过对同一列的相邻元素差值进行判断可以很简单地获取海天线。

4 海天线检测

海天线检测是海面的船只以及海天线附近出现的飞行器目标检测非常关键的一部分，尤其是红外侦察设备对远距离目标进行红外成像时，由于海面大气的光学效应，在获取的红外图像中会呈现出微弱的红外目标甚至红外目标消失。红外目标热辐射在远距离传输后的严重衰减会加大红外系统对红外弱目标、小目标检测的难度。如果远距离红外探测器中出现了目标，则能证明目标出现的位置在海天线附近［9］，基于这个先验知识，海天线的检测成为了提高目标检测概率和检测效率的一种非常有用的手段。如果能够精确地检测出海天线，那么目标就可以着重地从海天线附近进行提取。

参考本文第二大点：阈值分割，经过合适的阈值分割之后，海天线在处理后的图像中会非常明显地如图7显示出来，在图7中间有着明显的一条直线，但是海天线右侧部分因为阈值设置不合理出现抖动，调整阈值判定范围可得图8，图8相比较图7，右侧的抖动消失了，这方便了后续的海天线提取（图9）。虽然图像经过了多种噪声的影响以及海面的大气光学效应的影响，但是在图10上还是可以清晰地判断出海天线的位置。

图7 阈值选择分离出海天线

图8 调整阈值范围，使图像更加方便处理

图9 提取海天线

图10 海天线在图上的位置

在经过合适的阈值分割之后，从第一列开始找海天分界点，通过判别海面与天空灰度值的差值可得知该点为海天线分界点，找到第一个海天分界点后，向右侧相邻像素点推进，以第一个海天分界点右侧相邻像素点为中心，在其上下方10个元素范围内寻找第二个海天分界点，如若找到下一个海天分界点，则以相同方法继续处理。一般情况下，当有超过一半的列数是连续的，并且满足其微小的波动范围，则可确认以所有的海天分界点的连线就是海天线，最后将海天线提取在图10中。

5 边缘检测

边缘是图像处理中最基本的处理特征，边缘检测是计算机视觉处理、图像综合分析等图像处理应用中的非常重要的组成部分，是图像分析、目标识别与图像融合的重要环节。边缘检测常见的方法有微分算子法、样板匹配法、边界及曲线增强技术、小波边缘检测等方法［10］。红外图像的目标检测与识别一直是很多学者多年来研究的热点问题，提出过许多方法，但是，到今天也没能很好地解决这个问题，不同的算法都有各自的局限性，无法满足在红外目标识别与融合上的实际需要，多数算法没有考虑到对目标可能出现的感兴趣的区域进行优先或者主要处理，而是对整幅图像进行处理，这样反而降低了时效性，不能快速地将目标从一幅红外图像中提取出来；而有些算法虽然考虑了利用红外图像的先验知识，但是算法过于复杂，也不能够满足红外侦察的时效性要求。

本文采用Sobel边缘算子［11］进行边缘处理，该算子是用滤波算子的形式来获取图像的边缘，图像中的每个像素点都用两个算子的模板进行卷积，一个模板对水平方向上边缘的影响最大，另一个模板对垂直方向上边缘的影响最大，两个算子卷积结果的最大值当做该像素点的输出，运算结果是一幅边缘的图像，Sobel梯度算子先进行加权计算、平均化计算，然后进行微分，最后求梯度［12］，即

图11 Sobel梯度算子模板

图12 边缘检测前的海天线状态

图13 边缘检测程序的图像

图14 边缘检测后边缘增强后的状态

在完成边缘检测并且通过用检测图像图13与图12进行比对判定，若图13中与图12像素点灰度值相近，则该像素点可判定为边缘，并且对该像素点进行亮度提升（灰度值数值的增加），可以使目标轮廓的边缘亮度提高，得到更为清晰完整的目标图像。

6 结语

针对海天背景的复杂性，本文主要是使用均值滤波的方法对背景图像的噪声进行抑制，降低后续边缘检测的错误率；通过阈值分割获取方便观察和方便后续海天线提取处理的图像；基于阈值分割的方法可以轻易地将海天线提取出来，方便边缘检测后在人机交互界面对目标识别；基于Sobel边缘检测算子对红外图像进行边缘的检测并将检测的图像按照一定比例增强到原图像上。通过这些处理之后，我们达到了背景噪点的抑制、海天背景的分割、边缘的检测增强的目的。同时，本文存在一些不足之处，如本文的图像处理算法比较适用于海天背景清晰的图像对较为复杂的海天红外图像处理会出现如海天线提取位置出错的情况。但是通过以上提及的算法达到了红外图像检测的理论意义，并实现了对红外图像处理的实验价值。