郭艷穎 ，楊國(guó)慶 ，蔣立輝

（1.南京航空航天大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，南京 210016；2.中國(guó)民航大學(xué)電子信息工程學(xué)院，天津 300300；3.廣州民航職業(yè)技術(shù)學(xué)院，廣州 510403）

在飛機(jī)泊位自動(dòng)引導(dǎo)系統(tǒng)中，從視頻圖像中提取飛機(jī)目標(biāo)進(jìn)行飛機(jī)背景分割，是泊位系統(tǒng)成功與否的關(guān)鍵，其分割效果直接影響到飛機(jī)目標(biāo)識(shí)別跟蹤的實(shí)現(xiàn)，因此有效檢測(cè)出運(yùn)動(dòng)物體的陰影區(qū)域是很重要的工作。目前的陰影檢測(cè)算法大多應(yīng)用陰影的色彩特征進(jìn)行檢測(cè)，對(duì)場(chǎng)景和運(yùn)動(dòng)目標(biāo)的幾何特征、光照方向等都有要求，運(yùn)動(dòng)目標(biāo)的陰影會(huì)被誤判為運(yùn)動(dòng)目標(biāo)的一部分，這將增加后續(xù)工作中識(shí)別跟蹤和姿態(tài)評(píng)估算法的復(fù)雜度。同時(shí)泊位飛機(jī)的陰影給模板的建立和模板匹配帶來困難，或者利用陰影作為飛機(jī)識(shí)別的一個(gè)特征，或者消除泊位飛機(jī)的陰影。

陰影分割屬于圖像分割領(lǐng)域，圖像分割就是把圖像分成若干個(gè)特定的、具有獨(dú)特性質(zhì)的區(qū)域并提出感興趣目標(biāo)的技術(shù)和過程。它是由圖像處理到圖像分析的關(guān)鍵步驟?，F(xiàn)有的圖像分割方法主要分以下幾類：基于閾值的分割方法、基于區(qū)域的分割方法、基于邊緣的分割方法以及基于特定理論的分割方法等。圖像分割至今尚無(wú)通用的自身理論，隨著各學(xué)科許多新理論和新方法的提出，研究人員不斷改進(jìn)原有的圖像分割方法并與一些新理論和新方法相結(jié)合，提出了不少新的分割方法。基于變分的圖像分割方法是近年來研究頗為活躍的一個(gè)分支,將圖像分割問題轉(zhuǎn)化為能量函數(shù)的最小化問題，并把變分原理轉(zhuǎn)化為偏微分方程求解。其優(yōu)點(diǎn)是最小化能量函數(shù)能夠綜合考慮幾何約束、與圖像有關(guān)約束條件，得到比較自然的分割效果。由Kass等人[1]提出的主動(dòng)輪廓模型是目前流行的基于變分的圖像分割算法，它已經(jīng)成功應(yīng)用于很多圖像分析和計(jì)算機(jī)視覺領(lǐng)域，如運(yùn)動(dòng)跟蹤、邊緣提取、圖像分割和分類等。隨后出現(xiàn)很多改進(jìn)的主動(dòng)輪廓模型方法，如基于梯度矢量流的、基于有限元的、貪婪算法、無(wú)邊界的、小波多分辨率技術(shù)、改進(jìn)C-V算法[2-6]，這些算法主要優(yōu)點(diǎn)是改善了主動(dòng)輪廓線模型的收斂性和穩(wěn)定性；缺點(diǎn)是對(duì)初始位置敏感，而且要保證模型收斂到全局極值，同時(shí)對(duì)于復(fù)雜背景的圖像、噪聲和灰度不均勻圖像分割效果也不是很理想，無(wú)法兼顧收斂速度和精確度。

本文重點(diǎn)研究了基于機(jī)場(chǎng)視覺泊位自動(dòng)引導(dǎo)系統(tǒng)的陰影分割關(guān)鍵技術(shù)。提出了將多方向權(quán)重形態(tài)學(xué)和無(wú)邊界主動(dòng)輪廓線模型相結(jié)合的算法，首先利用多方向權(quán)重形態(tài)學(xué)濾波算法對(duì)整個(gè)圖像進(jìn)行平滑，然后進(jìn)行冪運(yùn)算來增加能量差別,最后利用無(wú)邊界主動(dòng)輪廓線模型定義能量函數(shù),得到感興趣的區(qū)域。該結(jié)合算法使迭代次數(shù)明顯減少,計(jì)算精度提高，應(yīng)用在飛機(jī)泊位引導(dǎo)系統(tǒng)中，有效抑制了泊位飛機(jī)的“拖尾”現(xiàn)象，有效地檢測(cè)出運(yùn)動(dòng)物體的陰影。

1 算法研究

1.1 多方向權(quán)重形態(tài)學(xué)濾波

權(quán)重腐蝕（WER）和膨脹（WDI）定義如下

其中：B是結(jié)構(gòu)元素；X為原始圖像。其他運(yùn)算如權(quán)重開運(yùn)算（WOP）和閉運(yùn)算（WCL）均為權(quán)重腐蝕和權(quán)重膨脹的級(jí)聯(lián)形式，具體運(yùn)算公式如下而權(quán)重開-閉運(yùn)算（WOPCL）和閉-開運(yùn)算（WCLOP）分別描述如下

結(jié)構(gòu)元素B有標(biāo)準(zhǔn)化權(quán)重因子并且因子的值采用這種方式計(jì)算：權(quán)重邊緣方向點(diǎn)的值是1，最遠(yuǎn)點(diǎn)的權(quán)重值是按照權(quán)重因子ω＞1進(jìn)行賦值，這樣導(dǎo)致邊緣點(diǎn)的影響很重要而減少相鄰點(diǎn)的影響。其余的權(quán)重值基于△ω=（ω-1）/d增長(zhǎng)來計(jì)算，其中d是邊緣方向點(diǎn)和距離邊緣方向點(diǎn)的最遠(yuǎn)點(diǎn)的距離。在水平和垂直方向，權(quán)重按照△ω增長(zhǎng)，每一步都從邊緣方向點(diǎn)開始。例如，對(duì)于大小為3×3的結(jié)構(gòu)元素B來說，假如水平方向的邊緣ω1=3，那么B就為B1，其中△ω=2；假如ω2=3，而在傾斜45°方向上的相同邊緣點(diǎn)（有下劃線），B將變?yōu)锽2，其中△ω=1。

1.2 無(wú)邊界主動(dòng)輪廓模型

主動(dòng)輪廓線模型最早由Kass等人提出，參見文獻(xiàn)[1]。其缺點(diǎn)是對(duì)所選擇的初始輪廓非常敏感，深度凹陷的目標(biāo)輪廓收斂結(jié)果不理想?；诖怂惴ǔ霈F(xiàn)很多改進(jìn)的算法，如主動(dòng)輪廓線模型的快速算法、簡(jiǎn)化的MS模型等。但這些算法也存在著如下缺點(diǎn)：用平均灰度粗略的近似描述區(qū)域，尤其是當(dāng)區(qū)域的均值相似而方差不同時(shí)，分割結(jié)果非常不理想。Tsaia等人[2]進(jìn)一步改進(jìn)MS模型，能自動(dòng)分割多種類型區(qū)域，但是卻存在著邊界定位不準(zhǔn)確，而且計(jì)算量很大，僅適用簡(jiǎn)單背景的情況。

鑒于以上主動(dòng)輪廓線模型的研究，本文重點(diǎn)是正確分割出目標(biāo)區(qū)域，提高精度，同時(shí)降低時(shí)間復(fù)雜度，盡可能使復(fù)雜背景的情況也適用于主動(dòng)輪廓線模型。同時(shí)本文采用多方向權(quán)重形態(tài)學(xué)進(jìn)行濾波，分割噪聲，得到平滑圖像，再經(jīng)過冪變換使得圖像區(qū)域間能量差別明顯，更適合無(wú)邊界主動(dòng)輪廓線模型的分割條件，這樣使得某些復(fù)雜背景的情況得到較高的分割精度。

1.3 分割泊位飛機(jī)陰影算法

根據(jù)上述分析，同時(shí)進(jìn)行圖像平滑和圖像分割，提出了多方向權(quán)重形態(tài)學(xué)-冪變換-無(wú)邊界主動(dòng)輪廓線模型結(jié)合算法來分割飛機(jī)陰影。算法過程如下：利用多方向權(quán)重形態(tài)學(xué)算子對(duì)圖像做預(yù)處理，得到平滑圖像，同時(shí)保留細(xì)節(jié)。經(jīng)過冪變換來增強(qiáng)圖像質(zhì)量，再用主動(dòng)輪廓模型分割出感興趣的區(qū)域，即分割泊位飛機(jī)的陰影。此算法的優(yōu)點(diǎn)是保持比較高的分割精度，加快能量曲線的收斂速度，減少迭代次數(shù)，降低時(shí)間復(fù)雜度。

本文采用算法1.1中的多方向權(quán)重形態(tài)學(xué)算子得到結(jié)構(gòu)元素，實(shí)現(xiàn)平滑區(qū)域。結(jié)構(gòu)元素采用標(biāo)準(zhǔn)化權(quán)重因子并且因子的值采用這種方式計(jì)算：權(quán)重邊緣方向點(diǎn)的值是1，最遠(yuǎn)點(diǎn)的權(quán)重值是按照權(quán)重因子ω＞1進(jìn)行賦值，這樣導(dǎo)致邊緣點(diǎn)的影響很重要而減少相鄰點(diǎn)的影響。其余的權(quán)重值基于△ω=（ω-1）/d增長(zhǎng)來計(jì)算，其中d是邊緣方向點(diǎn)和距離邊緣方向點(diǎn)的最遠(yuǎn)點(diǎn)的距離。在水平和垂直方向，權(quán)重按照△ω增長(zhǎng),每一步都從邊緣方向點(diǎn)開始。利用上述結(jié)構(gòu)元素對(duì)泊位飛機(jī)圖像進(jìn)行平滑,能夠區(qū)分不同性質(zhì)像素，分屬不同區(qū)域，相同性質(zhì)像素屬于同一區(qū)域，同時(shí)使得邊緣更明確。分割圖像噪聲的同時(shí)，修補(bǔ)被噪聲模糊的邊界。利用多方向權(quán)重形態(tài)學(xué)后的圖像如圖1～圖2所示，從圖中可以看出，無(wú)論是背景復(fù)雜還是帶有噪聲的圖像，經(jīng)過數(shù)學(xué)形態(tài)學(xué)的平滑預(yù)處理，不但沒有改變目標(biāo)區(qū)域的輪廓，區(qū)域的相對(duì)位置也沒有改變。然后經(jīng)過冪變換增強(qiáng)圖像質(zhì)量，使得目標(biāo)區(qū)域的能量分布更加明顯，利于后續(xù)的主動(dòng)輪廓線模型的分割。

圖1 邊緣圖像Fig.1 Edge images

圖2 去噪圖像Fig.2 Denoise images

本文利用冪變換后的圖像作為無(wú)邊界主動(dòng)輪廓線模型的初始化輪廓線，并且感興趣的大致區(qū)域用一個(gè)掩膜表示。主動(dòng)輪廓線模型對(duì)于二值圖像或者簡(jiǎn)單背景圖像分割效果不錯(cuò)，對(duì)于比較復(fù)雜的背景圖像，背景中可能有部分小區(qū)域與物體具有相類似的能量,從而造成模糊的邊界,這對(duì)使用主動(dòng)輪廓模型帶來的影響是：使輪廓線收斂不穩(wěn)定，在模糊邊界反復(fù)跳動(dòng)，或背景當(dāng)陰影誤分割出來。

多方向權(quán)重形態(tài)學(xué)濾波算法，利用結(jié)構(gòu)元素的開運(yùn)算去掉凸角，閉運(yùn)算填充凹陷[7]，得到平滑圖像。因此通過多方向權(quán)重形態(tài)學(xué)進(jìn)行預(yù)處理，選取多方向權(quán)重結(jié)構(gòu)元素對(duì)原圖像進(jìn)行權(quán)重開閉運(yùn)算，然后利用冪變換得到平滑圖像更有利于無(wú)邊界主動(dòng)輪廓線模型的分割。對(duì)于初始化掩膜和求取窄帶是無(wú)邊界主動(dòng)輪廓線模型的步驟，從而減少計(jì)算提高效率。本文期望分割泊位飛機(jī)的陰影，同時(shí)能夠保持細(xì)節(jié)信息。而不會(huì)把陰影誤判為目標(biāo)，同時(shí)提高分割陰影的效率，為后續(xù)目標(biāo)識(shí)別等工作奠定良好基礎(chǔ)。

2 實(shí)驗(yàn)及其分析

采用本文算法進(jìn)行實(shí)驗(yàn)和分析，利用機(jī)場(chǎng)飛機(jī)泊位錄像，圖像有比較細(xì)致的邊緣信息如窗口等，多方向權(quán)重形態(tài)學(xué)濾波自動(dòng)選擇合適的結(jié)構(gòu)元素進(jìn)行濾波，得到平滑圖像，然后利用冪變換得到能量對(duì)比度增強(qiáng)的圖像。最后利用無(wú)邊界主動(dòng)輪廓線模型分割目標(biāo)。其中掩膜的選擇根據(jù)飛機(jī)的機(jī)頭、發(fā)動(dòng)機(jī)等特征，通過多次實(shí)驗(yàn)得到掩膜為半徑40的圓形初始位置在左上方效果比較好，分割結(jié)果如圖3所示。從圖3中可見，平滑圖像經(jīng)過冪變換后邊緣的能量差更加顯著，這樣可提高收斂速度，減少迭代次數(shù)。該算法與改進(jìn)高斯型算法、主動(dòng)輪廓線模型算法進(jìn)行比較，發(fā)現(xiàn)本文算法同時(shí)能夠解決泊位飛機(jī)由于視頻差導(dǎo)致的“拖尾”現(xiàn)象，如圖3所示。

圖3 陰影分割圖像Fig.3 Shadow detection images

分析處理后圖像可知，多方向權(quán)重形態(tài)學(xué)處理、冪變換與無(wú)邊界主動(dòng)輪廓線模型迭代所用時(shí)間之和較直接用主動(dòng)輪廓模型明顯減少，降低了主動(dòng)輪廓線模型的迭代次數(shù)，減少了時(shí)間復(fù)雜度。而且本算法還和經(jīng)典陰影分割算法即高斯模型相比，減少了分割陰影時(shí)帶來的拖尾現(xiàn)象。

3 結(jié)語(yǔ)

鑒于無(wú)邊界主動(dòng)輪廓線模型時(shí)間復(fù)雜度高的缺點(diǎn)，引入多方向權(quán)重形態(tài)學(xué)濾波算法對(duì)飛機(jī)泊位圖像進(jìn)行預(yù)處理，然后經(jīng)過冪變換大大改善圖像尤其邊界處的能量。減少了用無(wú)邊界主動(dòng)輪廓模型進(jìn)行圖像分割的迭代次數(shù)，同時(shí)由于濾波平滑作用提高了分割精確度，又解決了飛機(jī)運(yùn)動(dòng)過程中的拖尾現(xiàn)象。實(shí)驗(yàn)證明，該算法利用濾波的時(shí)間換取主動(dòng)輪廓線模型的快速收斂，減少總的運(yùn)算時(shí)間，同時(shí)應(yīng)用在視覺自動(dòng)泊位引導(dǎo)系統(tǒng)中陰影分割得到良好的效果，為后續(xù)目標(biāo)的提取奠定了良好的基礎(chǔ)。

[1]KASS M，WITKIN A.Snakes:Active contourmodels[J].International Journal on Computer Vision，1988，1（4）：321-331.

[2]TSAIA，YEZZIA，WILLSKY A S.A Curve Evolution Approach to Smoothing and Segmentation Using the Mumford-Shah Function[C]//CVPR 00∶Proceedings of the 2000 IEEE Computer Society Conference on Computer Vision and Pattern Recognition.Washington，DC：IEEE Computer Society，2000：119-124.

[3]李培華，田 文.主動(dòng)輪廓模型（蛇模型）綜述[J].軟件學(xué)報(bào)，2001，11（6）：751-757.

[4]方 挺，楊 忠，沈春林.一種基于主動(dòng)輪廓模型的運(yùn)動(dòng)目標(biāo)跟蹤方法[J].信息與控制，2008，37（1）：99-102.

[5]葉昆權(quán)，戰(zhàn)蔭偉.結(jié)合數(shù)學(xué)形態(tài)學(xué)和無(wú)邊界主動(dòng)輪廓模型的圖像分割方法[J].計(jì)算機(jī)應(yīng)用，2009，29（9）：2398-2405.

[6]吳 佳，張永紅，白 凈，等.基于分水嶺變換和主動(dòng)輪廓模型的舌體輪廓圖像分割[J].清華大學(xué)學(xué)報(bào)（自然科學(xué)版），2008，48（6）：32-38.

[7]汪林林，楊 帆，王佐成.自適應(yīng)多方向模糊形態(tài)學(xué)邊緣檢測(cè)算法[J].計(jì)算機(jī)應(yīng)用研究，2009，26（3）：1177-1179.