龐春江 張錦文

摘 要：紅外圖像具有灰度變化不平均、分辨率較低、噪聲較多等特征，傳統(tǒng)的圖像分割方法難以對(duì)紅外圖像分割出有效實(shí)體。為解決這一問(wèn)題，設(shè)計(jì)了一種基于非下采樣Contourlet 變換（NSCT）的隨機(jī)游走紅外圖像分割算法。傳統(tǒng)的隨機(jī)游走圖像分割方法，圖像部分灰度值的不均勻變化可能改變隨機(jī)游走算法的路徑，而且分割目標(biāo)的輪廓很容易受到圖像背景噪聲影響，所以可以通過(guò)增強(qiáng)圖像的目標(biāo)輪廓，抑制圖像噪聲，以達(dá)到更好的分割效果。NSCT變換是一種非常有效的圖像增強(qiáng)方法，首先采用NSCT變換對(duì)紅外圖像進(jìn)行多方向、多尺度分解，得到紅外圖像的低頻和高頻系數(shù)，對(duì)該系數(shù)進(jìn)行處理，然后反變換得到增強(qiáng)后的紅外圖像。實(shí)驗(yàn)結(jié)果表明，該方法在紅外圖像分割中取得了很好的效果。

關(guān)鍵詞：圖像處理；非下采樣 Contourlet 變換；隨機(jī)游走；紅外圖像分割

DOI：10.11907/rjdk.172685

中圖分類號(hào)：TP317.4

文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-7800（2018）004-0209-03

Abstract：Infrared images have the characteristics of uneven gray levels， low resolution， and many noises. The traditional image segmentation method is difficult to segment the infrared images effectively. In order to solve this problem， a random walk infrared image segmentation algorithm based on Nonsubsampled Contourlet Transform （NSCT） is designed in this paper. The traditional random walk image segmentation method， the non-uniformity of the gray part of the image can change the path of the random walk algorithm， and the contour of the segmented object is easily affected by the background noise of the image， so we can enhance the image's target contour to suppress the image noise and achieve a better segmentation effect. NSCT transform is a very effective image enhancement method. Firstly， the NSCT transform is used to decompose the infrared image in multi-direction and multi-scale， and the low frequency coefficient and high frequency coefficient of the infrared image can be obtained. The high frequency and low frequency coefficients of the image are processed， and then the enhanced infrared image is changed inversely. The experimental results show that this method has achieved good results in infrared image segmentation.

Key Words：image processing； NSCT； random walk； infrared image segmentation

0 引言

隨著圖像處理、分析技術(shù)的發(fā)展，圖像技術(shù)已廣泛應(yīng)用于現(xiàn)實(shí)生活中，比如人臉識(shí)別技術(shù)應(yīng)用于智能手機(jī)解鎖及支付功能等。圖像分割在圖像識(shí)別和圖像分析中占有重要地位，是由圖像處理到圖像識(shí)別的重要步驟。好的圖像分割算法可以使圖像分析與識(shí)別算法更好地運(yùn)行，因?yàn)閳D像分割的好壞與區(qū)域界限準(zhǔn)確度都會(huì)對(duì)后續(xù)分析產(chǎn)生影響[1]。紅外圖像分割是圖像分割的一個(gè)重要分支，在復(fù)雜場(chǎng)景和暗光環(huán)境下，相比于可見光圖像，紅外圖像能更準(zhǔn)確地表現(xiàn)出場(chǎng)景中的有用信息，所以對(duì)紅外圖像的分割與識(shí)別技術(shù)也極其重要。

1 圖像分割研究現(xiàn)狀

圖像分割算法是指將圖像中有用的目標(biāo)信息從圖像整體信息中分割出來(lái)，好的圖像分割算法可以很好地分割出圖像目標(biāo)信息[2]。傳統(tǒng)分割方法有閾值法、區(qū)域生長(zhǎng)法及基于邊緣的分割方法。閾值法是給目標(biāo)圖像設(shè)定一個(gè)閾值，以區(qū)分圖像的目標(biāo)和噪聲信息，由于其只考慮了灰度值，而沒(méi)有考慮其它信息，所以分割效果不太理想；區(qū)域生長(zhǎng)法的難點(diǎn)是種子點(diǎn)選取，只有選取合適的種子點(diǎn)才可能得到較好的分割結(jié)果；基于邊緣的分割方法通過(guò)對(duì)灰度的階躍變化實(shí)現(xiàn)邊緣提取，但在提取過(guò)程中很容易受到噪聲干擾，所以其對(duì)噪聲較多的圖像很難進(jìn)行有效分割[3]。

針對(duì)紅外圖像分割，眾多學(xué)者進(jìn)行了研究，劉剛等[4]提出先對(duì)輪廓變換系數(shù)進(jìn)行處理并降噪，再利用改進(jìn)的模糊 C均值算法對(duì)降噪后的圖像進(jìn)行分割；陳興杰等[5]提出通過(guò)最大互相關(guān)聯(lián)匹配，確定簡(jiǎn)化脈沖耦合神經(jīng)網(wǎng)絡(luò)（ Pulse Coupled Neural Network， PCNN）的最優(yōu)參數(shù)，最終完成圖像分割；鄒輝等[6]提出一種結(jié)合可見光與紅外圖像的分割算法，先用 FAsT-Match算法找到可見光與紅外圖像中的相似區(qū)域，然后用圖像分割算法對(duì)相似區(qū)域進(jìn)行分割。

本文在前人研究的基礎(chǔ)上，對(duì)紅外圖像的分割方法進(jìn)行深入研究，提出一種新的基于 NSCT變換的隨機(jī)游走紅外圖像分割算法。首先對(duì)紅外圖像進(jìn)行NSCT變換圖像增強(qiáng)，然后利用隨機(jī)游走算法對(duì)增強(qiáng)后的紅外圖像進(jìn)行分割。實(shí)驗(yàn)結(jié)果證明，本文提出的算法可以很好地分割紅外圖像，取得了良好效果。

2 基于NSCT變換的隨機(jī)游走算法

2.1 非下采樣 Contourlet 變換

Contourlet變換是一種非常有效的圖像增強(qiáng)方法，可以很好地增強(qiáng)圖像輪廓并抑制噪聲，具有各向異性以及方向性的特點(diǎn)，但是小波變換并不具備以上特點(diǎn)，因而 Contourlet變換比小波變換具有更高效的性能[7]。然而，Contourlet 變換沒(méi)有平移不變的性質(zhì)，當(dāng)它對(duì)圖像進(jìn)行下采樣處理時(shí)會(huì)出現(xiàn)振鈴問(wèn)題，使經(jīng)過(guò)Contourlet 變換增強(qiáng)后的圖像可能出現(xiàn)邊緣模糊現(xiàn)象。因此，非下采樣 Contourlet變換（ Nonsubsampled Contourlet Transform，NSCT）應(yīng)運(yùn)而生，該變換方法包含了Contourlet變換的所有優(yōu)點(diǎn)，同時(shí)取消了下采樣過(guò)程，從而克服了振鈴問(wèn)題，同時(shí)還可以更好地增強(qiáng)圖像輪廓信息[8]。NSCT變換濾波器組及頻域分解示意圖如圖1、圖2所示。

在圖像NSCT變換域中，能量信息集中在低頻分量上，噪聲和邊緣信息集中在高頻分量上[9]。所以可以對(duì)高頻分量中的噪聲信息進(jìn)行抑制，對(duì)邊緣信息進(jìn)行增強(qiáng)或保留，從而很好地增強(qiáng)圖像輪廓信息，便于圖像分割。需要確定一個(gè)閾值，絕對(duì)值大于閾值的部分為邊緣信息，需要增強(qiáng)或保留；絕對(duì)值小于閾值的部分為噪聲信息，需要進(jìn)行抑制。閾值T的估計(jì)公式如下：

基于NSCT變換的紅外圖像增強(qiáng)算法流程如下：①對(duì)目標(biāo)紅外圖像進(jìn)行NSCT變換，得到分解的低頻系數(shù)和高頻系數(shù)；②根據(jù)公式（1）、（2）確定高頻系數(shù)的閾值大小，根據(jù)公式（3）對(duì)高頻系數(shù)進(jìn)行處理，增強(qiáng)圖像輪廓信息，抑制圖像噪聲；③對(duì)處理后的系數(shù)進(jìn)行NSCT逆變換，歸一化后得到增強(qiáng)后的圖像。

2.2 隨機(jī)游走算法

隨機(jī)游走分割算法將圖像看作離散對(duì)象，圖像由一定個(gè)數(shù)的邊和定點(diǎn)構(gòu)成，可將其看作是邊和頂點(diǎn)的集合H=（X，Y）。其中Xi表示圖像中的一個(gè)頂點(diǎn)，Yij表示頂點(diǎn)Xi與Xj的邊。每一條邊都有一個(gè)概率Sij，當(dāng)Sij為0時(shí)，表示隨機(jī)游走的路徑不會(huì)包含這條邊[10]。

隨機(jī)游走圖像分割方法先選定目標(biāo)圖像中M個(gè)種子點(diǎn)，然后根據(jù)數(shù)學(xué)中的向量知識(shí)為每一個(gè)未標(biāo)記的點(diǎn)給予一個(gè)M元組向量，該向量表示未標(biāo)記的點(diǎn)第一次游走到達(dá)種子點(diǎn)的概率。最后根據(jù)到達(dá)種子點(diǎn)的概率大小，確定未標(biāo)記點(diǎn)所屬區(qū)域[11]。例如一幅圖像給定A1、A2、A3三個(gè)種子點(diǎn)， 某一非種子點(diǎn)B首次游走到 A1、A2、A3種子點(diǎn)的概率大小分別為0.78、0.21、0.01，本文取最大概率0.78，所以B點(diǎn)屬于種子A點(diǎn)區(qū)域。隨機(jī)游走分割算法原理如圖3所示。

2.3 本文算法

傳統(tǒng)的隨機(jī)游走算法在游走過(guò)程中容易受到噪聲和目標(biāo)輪廓干擾，而紅外圖像又具有噪聲多、目標(biāo)輪廓不清晰等特征[12]。本文根據(jù)紅外圖像和傳統(tǒng)隨機(jī)游走算法特點(diǎn)設(shè)計(jì)了一種基于NSCT變換的隨機(jī)游走紅外圖像分割算法，具體實(shí)現(xiàn)步驟如下：① 讀入圖像；②用章節(jié)2.1中的方法對(duì)圖像進(jìn)行 NSCT變換增強(qiáng)，以增強(qiáng)圖像輪廓信息，抑制圖像噪聲，得到圖像C；③對(duì)處理后的圖像C選取合適的種子點(diǎn)，進(jìn)行隨機(jī)游走分割；④輸出最終的分割標(biāo)記結(jié)果。

3 實(shí)驗(yàn)

本文采用的圖像為云南某變電站的紅外照片，選取電氣開關(guān)和多變壓器套管兩張紅外圖像進(jìn)行圖像分割實(shí)驗(yàn)。為驗(yàn)證本文方法的有效性，選取兩種分割方法作為對(duì)比。方法一：傳統(tǒng)的隨機(jī)游走圖像分割算法；方法二：先對(duì)圖像進(jìn)行均值濾波，再對(duì)圖像進(jìn)行隨機(jī)游走分割。在3個(gè)實(shí)驗(yàn)中選取相同種子點(diǎn)，以保證實(shí)驗(yàn)結(jié)果的有效性。

實(shí)驗(yàn)一：電氣開關(guān)紅外圖像分割。圖4是電氣開關(guān)的紅外圖像，圖5為采用方法一的分割結(jié)果，圖6為采用方法二的分割結(jié)果，圖7為本文算法分割結(jié)果。

實(shí)驗(yàn)二：多變壓器套管紅外圖像分割。圖8是變壓器套管紅外圖像，圖9是采用方法一的分割結(jié)果，圖10是采用方法二的分割結(jié)果，圖11是本文算法分割結(jié)果。

通過(guò)實(shí)驗(yàn)一與實(shí)驗(yàn)二的對(duì)比，可以直觀地了解到傳統(tǒng)隨機(jī)游走算法對(duì)紅外圖像的分割效果極差；經(jīng)過(guò)均值濾波處理后，降低了圖像噪聲，隨機(jī)游走分割效果有一定提升，但仍不理想；本文算法先對(duì)圖像進(jìn)行NSCT變換以增強(qiáng)圖像，再對(duì)圖像進(jìn)行隨機(jī)游走分割，取得了很好效果，可以完整分割出紅外圖像中的目標(biāo)物體。

本文還通過(guò)錯(cuò)誤率（Error）和重合率（Doub）對(duì)圖像分割效果進(jìn)行評(píng)價(jià)。錯(cuò)誤率和重合率的計(jì)算方法如下：

其中M代表分割方法分割的目標(biāo)像素集合，T代表人工分割的目標(biāo)像素集合， num（）是統(tǒng)計(jì)矩陣中的像素點(diǎn)個(gè)數(shù)。錯(cuò)誤率是算法分割出的像素點(diǎn)M與人工分割出的像素點(diǎn)T中，不一樣的像素點(diǎn)占算法分割出總像素點(diǎn)M的百分比；重合率是M與T中相同的像素點(diǎn)個(gè)數(shù)，占人工分割出目標(biāo)像素點(diǎn)總個(gè)數(shù)的百分比。實(shí)驗(yàn)一與實(shí)驗(yàn)二的錯(cuò)誤率與重合率比較如表1所示。

通過(guò)表1可以看出，方法一的錯(cuò)誤率較高，重疊率最低，分割效果最差；方法二較方法一重疊率有所提升，但錯(cuò)誤率仍然較高，分割效果也不理想；本文方法的錯(cuò)誤率最低，重合率達(dá)到97%左右，實(shí)現(xiàn)了很好的分割效果。

4 結(jié)語(yǔ)

本文提出的基于NSCT變換的隨機(jī)游走紅外圖像分割算法，通過(guò)對(duì)圖像進(jìn)行NSCT變換圖像增強(qiáng)，解決了傳統(tǒng)隨機(jī)游走算法易受噪聲和輪廓影響的問(wèn)題。通過(guò)對(duì)比實(shí)驗(yàn)證明，本文算法可以很好地分割出紅外圖像的目標(biāo)實(shí)體，取得了較好效果。

參考文獻(xiàn)：

[1] 胡敏，蔡慧芬.基于形態(tài)學(xué)標(biāo)記連通的分水嶺圖像分割[J].電子測(cè)量與儀器學(xué)報(bào)，2011，25（10）：864-869.

[2] 劉松濤，殷福亮.基于圖割的圖像分割方法及其新進(jìn)展[J].自動(dòng)化學(xué)報(bào)，2012，38（6）：911-922.

[3] 夏勇.圖像分割技術(shù)研究[D].西安：西北工業(yè)大學(xué)，2004.

[4] 劉剛，梁曉庚，張京國(guó).基于輪廓波變換和改進(jìn)模糊c均值聚類的紅外圖像分割[J].系統(tǒng)工程與電子技術(shù)，2011，33（2）：443-448.

[5] 陳興杰，柴曉冬.一種基于簡(jiǎn)化PCNN的紅外圖像分割方法[J].安徽大學(xué)學(xué)報(bào)：自然科學(xué)版，2010，34（1）：74-77.

[6] 鄒輝，黃福珍.基于FAsT-Match算法的電力設(shè)備紅外圖像分割[J].紅外技術(shù)，2016，38（1）：21-27.

[7] 楊帆.基于Contourlet變換的圖像去噪算法研究[D].北京：北京交通大學(xué)，2008.

[8] 賈建，焦李成，孫強(qiáng).基于非下采樣Contourlet變換的多傳感器圖像融合[J].電子學(xué)報(bào)，2007（10）：1934-1938.

[9] ZHANG Q， MALDAGUE X. An adaptive fusion approach for infrared and visible images based on NSCT and compressed sensing[J]. Infrared Physics and Technology，2016，74：11-20.

[10] 郭艷蓉，蔣建國(guó)，郝世杰，等.基于LBP紋理特征的隨機(jī)游走圖像分割[J].電路與系統(tǒng)學(xué)報(bào)，2013，18（1）：357-364.

[11] 依玉峰，高立群，郭麗.基于Mean Shift隨機(jī)游走圖像分割算法[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2011，23（11）：1875-1881.

[12] 郭麗，高立群，片兆宇.基于滑降的隨機(jī)游走圖像分割算法[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2009，21（8）：1149-1154.

（責(zé)任編輯：黃 健）