李小明，黃勤超

?

沙漠背景下紅外偏振圖像目標(biāo)檢測方法

李小明1,2，黃勤超1,2

（1.陸軍軍官學(xué)院，安徽 合肥 230031；2.偏振光成像探測技術(shù)安徽省重點(diǎn)實(shí)驗(yàn)室，安徽 合肥 230031）

紅外偏振成像探測同時探測目標(biāo)的強(qiáng)度輻射與反射偏振態(tài)，可以獲取傳統(tǒng)光學(xué)無法獲取的目標(biāo)。偏振探測獲取的偏振度、偏振角等信息反映不同的物理特性，與強(qiáng)度圖像有較強(qiáng)的互補(bǔ)性。針對該特性，提出一種沙漠背景目標(biāo)紅外偏振圖像檢測方法。使用一種改進(jìn)的核模糊聚類算法對紅外圖像和偏振圖像進(jìn)行聚類處理；利用稀疏融合方法將聚類后的紅外圖像和偏振度圖像中的物體信息充分結(jié)合，以區(qū)分目標(biāo)與背景，以達(dá)到目標(biāo)檢測的目的。實(shí)驗(yàn)表明，提出的檢測方法相對小波融合和拉普拉斯金字塔融合結(jié)果噪聲更低、細(xì)節(jié)更清晰。

紅外偏振；核模糊C均值聚類；稀疏融合；模式識別

0 引言

紅外成像探測具有被動探測、穿透煙霧、探測距離遠(yuǎn)等優(yōu)點(diǎn)，廣泛應(yīng)用于戰(zhàn)場監(jiān)測、遠(yuǎn)程預(yù)警、成像制導(dǎo)[1]等領(lǐng)域。紅外圖像處理通過對探測的紅外特征進(jìn)行解析，提取出感興趣的目標(biāo)。紅外目標(biāo)特征主要是指其紅外輻射特性，除了感興趣的人造目標(biāo)以外，自然植被、云層、大氣背景等都會產(chǎn)生熱輻射，在目標(biāo)圖像上產(chǎn)生大量的混疊背景，降低了目標(biāo)的信噪比。特別是沙漠背景下，背景與目標(biāo)的紅外輻射比較接近，給目標(biāo)檢測和識別帶來的極大的困難。

為了提取紅外圖像中感興趣的目標(biāo)，提出了很多圖像增強(qiáng)和圖像融合的方法。偏振圖像由于具備偏振態(tài)這一目標(biāo)本征信息，與紅外圖像進(jìn)行融合，能有效增強(qiáng)目標(biāo)，是紅外圖像目標(biāo)增強(qiáng)的重要方法之一。通過對目標(biāo)輻射和反射偏振態(tài)的探測，紅外偏振成像探測除了獲取目標(biāo)的紅外輻射強(qiáng)度，還可以獲取目標(biāo)的紅外輻射偏振參量，依據(jù)不同目標(biāo)偏振特性的不同，甚至可以區(qū)分出紅外強(qiáng)度特征相同的不同目標(biāo)[2]。理論分析表明偏振圖像具有的方向極化特性能反映邊緣、輪廓及表面粗糙度等目標(biāo)重要特征，與紅外強(qiáng)度圖像具有很強(qiáng)的冗余性和互補(bǔ)性。近年來，紅外偏振圖像融合目標(biāo)檢測主要采用多分辨率方式融合紅外強(qiáng)度圖像和紅外偏振圖像對紅外圖像進(jìn)行處理[3]，利用小波變換、金字塔變換等方法分別對高頻、低頻圖像融合[4-5]提升目標(biāo)的細(xì)節(jié)，具有較好的效果，但也存在對比度不高，噪聲較多等不足。

提出了一種新的紅外偏振圖像目標(biāo)檢測方法用于檢測沙漠背景下紅外目標(biāo)。首先基于聚類方法對紅外強(qiáng)度圖像和紅外偏振圖像分別進(jìn)行聚類，其次采用稀疏融合對聚類圖像進(jìn)行融合，能夠較好地檢測出沙漠背景下的人造物體，為目標(biāo)識別提供基礎(chǔ)。

1 圖像偏振參量的定量描述

光的偏振信息較多采用斯托克斯參量[,,,]T表示，其中代表輻射強(qiáng)度，表示0°與90°線偏振光分量之差，表示45°與135°線偏振光分量之差，代表右旋與左旋圓偏振光分量之差，工程中認(rèn)為為0可以忽略。當(dāng)確定一個參考0°方向后，任意偏振方向透過的光強(qiáng)可表示為：

2 核模糊C均值聚類圖像分割

復(fù)雜場景下紅外圖像及其偏振圖像受噪聲干擾大，直接進(jìn)行圖像分割精度較差。為克服噪聲干擾，提高圖像分割精度，首先對待分割的紅外與偏振圖像利用非線性擴(kuò)散方法消除噪聲。然后對圖像采取核模糊C均值聚類算法（KFCM）對圖像進(jìn)行分割。

模糊聚類（FCM）是一種典型的無監(jiān)督聚類方法，廣泛應(yīng)用于圖像的分類等處理。但該算法易受噪聲影響。核模糊聚類（KFCM）算法采用核函數(shù)取代模糊聚類中的歐式距離，其狀態(tài)更新采用迭代算法，受噪聲影響較小，但運(yùn)算速度慢。為了提高運(yùn)算速度及改善噪聲影響，Chen和Zhang對FCM進(jìn)行了改進(jìn)[7]，采用均值濾波和中值濾波的聯(lián)合公式表示，目標(biāo)函數(shù)FCM_S1,2如下：

函數(shù)FCM_S1,2較好地抑制了噪聲的影響，但為人工設(shè)定經(jīng)驗(yàn)值，對結(jié)果影響較大。為了解決需人工設(shè)定的問題，本文采用一種自適應(yīng)核模糊C均值聚類算法（AKFCM），描述如下：

由于噪聲會使中心像素及其鄰域的不均勻性增加，為了自適應(yīng)處理不同大小的噪聲，首先計(jì)算局部差異系數(shù)（LVC）評估局部窗口的灰度差。定義像素的局部差異系數(shù)：

則，窗口內(nèi)每個像素的權(quán)重由下式定義：

當(dāng)像素LVC值較大,則參數(shù)較大，表明該像素灰度值比其鄰域像素的灰度均值大，反之則較小，相等則為0。因此，通過調(diào)節(jié)目標(biāo)函數(shù)的方法與標(biāo)準(zhǔn)FCM的算法是一致的。式中常量2是經(jīng)驗(yàn)值，用以平衡算法的收斂速度和細(xì)節(jié)保持能力。用目標(biāo)參數(shù)取代式(3)中的，并采用高斯核函數(shù)取代式(3)中的歐拉距離，可得到新的目標(biāo)函數(shù)：

為了最小化目標(biāo)函數(shù)，結(jié)合約束條件，可以得到隸屬度矩陣和聚類中心：

相對于KFCM等聚類算法采用遞歸方法不斷更新上下文信息，式(7)中僅與鄰域內(nèi)的灰度值相關(guān)，且在聚類處理之前就可以計(jì)算得到，大大降低了算法的復(fù)雜度。另外，大小取決于于局部鄰域內(nèi)像素灰度的不均勻性，與聚類中心無關(guān)。因此，根據(jù)局部灰度分布趨向于均勻聚類，其它增強(qiáng)型FCM等則通過上下文信息使聚類趨向更加均勻。

算法過程如下：

①初始化閾值、，最大迭代次數(shù)，隸屬度矩陣和聚類中心矩陣；

②計(jì)算自適應(yīng)參數(shù)；

④用式(9)的u()計(jì)算式(10)的聚類中心v()；

⑤計(jì)算成員函數(shù)u(＋1)；

對圖像分別采用核模糊均值聚類和文中算法等進(jìn)行度對比，參數(shù)選擇為聚類數(shù)20，模糊指數(shù)2，窗口大小8，誤差為10－5，最大迭代次數(shù)100次，結(jié)果如圖1和圖2所示。從圖中可以看出，文中方法聚類得到的圖像邊緣更加清晰，特別是對偏振度圖聚類后，不僅目標(biāo)更加清晰，背景的景深、紋理、對比度等都有較大改善，為下一步圖像融合提供了很好的基礎(chǔ)。

3 紅外強(qiáng)度圖像與偏振圖像的融合

為了實(shí)現(xiàn)紅外強(qiáng)度圖像與紅外偏振圖像的融合，采用基于稀疏表示的融合方法[8]，該算法描述如下：

式中：1和2分別表示待融合的兩幅聚類圖像；和是融合圖像與兩幅源圖殘差的權(quán)重。

為了驗(yàn)證算法的有效性，以一組沙漠中擺放的金屬板作為探測目標(biāo)，探測得到的紅外圖像和紅外偏振度圖分別如圖1(a)和圖2(a)。分別選用主成分分析（PCA）、拉普拉斯金字塔（LP）、離散小波變換（DWT）和本文融合方法進(jìn)行比較，結(jié)果如圖3所示?？梢钥闯?，PCA融合得到的圖像目標(biāo)變得不清晰，目標(biāo)和背景對比度很低，目標(biāo)可探測性不強(qiáng)。離散小波變換融合的目標(biāo)比較突出，細(xì)節(jié)也比較清楚，但在背景中疊加了較大的干擾噪聲，降低了沙漠背景的景深信息。

拉普拉斯金字塔融合與文中方法的結(jié)果較為接近，為進(jìn)一步對比，選取了3個典型區(qū)域進(jìn)行局部放大，如圖4所示。局部(1)是原圖中左下角具有沙脊的部分，文中方法得到的結(jié)果中沙脊連續(xù)性較好且細(xì)節(jié)較為清晰；局部(2)是沙坑對比，文中方法沙坑邊緣更為清晰；局部(3)是目標(biāo)對比，文中方法檢測結(jié)果目標(biāo)與沙漠背景的對比度更高，且檢測出的金屬板表面灰度更加均勻。

圖1 紅外強(qiáng)度圖聚類

Fig.1 Infrared intensity image clustering

圖2 紅外偏振圖聚類

Fig.2 Infrared polarization image clustering

圖3 融合實(shí)驗(yàn)

圖4 局部細(xì)節(jié)對比

Fig.4 Local details comparison

為了客觀評價圖像融合效果，選用灰度均值、平均梯度、局部標(biāo)準(zhǔn)偏差和熵作為評價指標(biāo)?；叶染捣从沉藞D像的明暗，均值適中，則人眼視覺效果較好。平均梯度反映了圖像微小細(xì)節(jié)反差的變化速度，平均梯度越大則圖像越清晰。局部標(biāo)準(zhǔn)偏差反映了圖像的局部反差，局部標(biāo)準(zhǔn)偏差越大則局部細(xì)節(jié)越清晰，其中局部窗口文中取3×3。熵反映了圖像的信息量，熵值越大則圖像包含的信息量越大。評價結(jié)果如表1所示。

表1 融合圖像指標(biāo)比較

從表1可以看出，LP融合和文中融合方法的灰度均值較為適中，適合人眼觀察。平均梯度、局部標(biāo)準(zhǔn)偏差和熵這3個指標(biāo)中，文中融合方法都是最好的，說明文中融合方法得到圖像清晰，局部細(xì)節(jié)豐富，且圖像包含的信息量最大，圖像效果最好，與人眼觀察的主觀分析是一致的。

4 結(jié)論

針對紅外成像圖像探測難以提取出沙漠背景下輻射溫度與背景接近的目標(biāo)。提出利用偏振信息進(jìn)行稀疏融合的紅外成像目標(biāo)檢測方法，充分利用紅外圖像的輪廓信息和偏振圖像的細(xì)節(jié)信息。首先利用一種改進(jìn)速度的模糊聚類方法分別對紅外圖像和偏振圖像進(jìn)行聚類，以大致區(qū)分出目標(biāo)與背景。然后采用稀疏表示的融合方式對紅外圖像和偏振圖像進(jìn)行融合。實(shí)驗(yàn)結(jié)果表明，文中方法能有效提取出沙漠背景中的金屬目標(biāo)，且目標(biāo)與環(huán)境的對比度以及沙漠背景的細(xì)節(jié)較小波融合和拉普拉斯金字塔融合均有明顯提高，得到的融合圖像既較好地保留了圖像中的熱目標(biāo)信息，同時又繼承了偏振圖像中的豐富細(xì)節(jié)信息，圖像對比度大大增加。檢測到的目標(biāo)清晰明顯，融合圖像中沙漠背景更加真實(shí)、清晰，且圖像一有定的層次感，景深效果較好。

[1] 王軍, 丁娜, 李建軍, 等. 紅外偏振成像對偽裝目標(biāo)的探測識別研究[J]. 應(yīng)用光學(xué), 2012, 33(3): 441-445.

WANG Jun, DING Na, LI Jian-jun, et al. Infrared polarization imaging：detection and recognition of camouflage target[J]., 2012, 33(3): 441-445.

[2] 柳繼勇, 張聘義, 肖仁鑫, 等.一種偏振紅外圖像的像素融合算法[J]. 紅外與激光工程, 2007, 36(s2): 286-289.

LIU Jiyong, ZHANG Pinyi, XIAO Renxin, et al. Image fusion algorithm at pixel level of polarization infrared image[J].,2007, 36(s2): 286-289.

[3] 邱跳文, 張焱, 楊衛(wèi)平, 等. 基于紅外偏振的特征提取與小目標(biāo)檢測方法[J]. 激光與紅外, 2014, 44(10): 1154-1158.

QIU Tiaowen, ZHANG Yan, YANG Wei-ping, et al. Method for feature extraction and small target detection based on infrared polarization[J]., 2014, 44(10): 1154-1158.

[4] 陳偉力, 王霞, 金偉其, 等. 基于小波包變換的中波紅外偏振圖像融合研究[J]. 北京理工大學(xué)學(xué)報, 2011, 31(5): 578-582.

CHEN Weili, WANG Xia, JIN Weiqi, et al. Approach to Fusing MWIR Polarization Image Based on Wavelet Packet Transform[J]., 2011.31(5): 578-582

[5] 陳偉力, 王霞, 金偉其, 等. 采用中波紅外偏振成像的目標(biāo)探測實(shí)驗(yàn)[J]. 紅外與激光工程, 2010, 40(1): 8-11.

CHEN Weili, WANG Xia, JIN Weiqi, et al. Experiment of target detection based on medium-infrared polarization imaging[J]., 2011, 40(1): 8-11.

[6] 劉曉, 王峰, 薛模根. 基于偏振特性的偽裝目標(biāo)檢測方法研究[J]. 光學(xué)技術(shù), 2008.34(5): 787-790.

LIU Xiao, WANG Feng, XUE Mogen. The study of camouflage target detection based on polarization characteristics[J]., 2008.34(5): 787-790.

[7] Chen S, Zhang D. Robust image segmentation using FCM with spatial constraints based on new kernel-induced distance measure[J].,,:, 2004, 34(4): 1907-1916.

[8] Ron Rubinstein, Michael Zibulevsky, Michael Elad. Double sparsity: learning dictionaries for sparse signal approximation[J]., 2010, 58(3): 1553-1564.

[9] Ararom M, Elad M, Bruckstein A. The K-SVD: an algorithm for designing of over complete dictionaries for sparse representation[J]., 2006, 54(11): 4311-4322.

Target Detection for Infrared Polarization Image in the Background of Desert

LI Xiaoming1,2，HUANG Qinchao1,2

(1.,230031,; 2.,230031,)

Infrared polarization imaging detection can be used to obtain not only the polarization state but also the radiation of target. With this method, the target that traditional photometry cannot detect can be settled. The degree and angle of polarization that used in polarization detection reflect different physical properties, and it is strongly complementary to intensity of images. A target detection method for polarization infrared image in the background of desert is proposed aiming at such features. A modified kernel fuzzy clustering algorithm is used to cluster infrared images and the polarization images. Then to distinguish targets from the background, the object information of clustered infrared and polarization image are combined according to sparse fusion method. Experimental results show that the proposed detection method is with lower noise and more clear details than wavelet fusion and Laplacian pyramid fusion.

infrared polarization，kernel fuzzy C clustering，sparse fusion，pattern recognition

TP391.4

A

1001-8891(2016)06-0779-04

2016-01-05；

2016-01-11.

李小明（1976-），男，安徽巢湖人，碩士，副教授，主要從事圖像處理與嵌入式應(yīng)用研究。

國家自然科學(xué)基金（41176158）。