一种基于显著性区域检测的红外舰船目标分割方法

摘要

一种基于显著性区域检测的红外舰船目标分割方法，包含七个步骤：一、局部行对比度检测；二、边缘强度检测；三、显著线性结构检测；四、亮前景区域检测；五、显著性区域检测；六、局部显著性区域分割，对显著性图像分区域用基于均值、标准差和估计背景构造的自适应阈值处理得到初步舰船分割结果；七、显著性区域筛选，对于初步结果用显著性特征和形状特征进行筛选判别，最终得到舰船目标分割结果。本发明能够有效分割红外舰船图像，并能有效抑制复杂背景和光照不均带来的影响。

主权项

一种基于显著性区域检测的红外舰船目标分割方法，其特征在于：它包括以下具体步骤：步骤一：局部行对比度检测；将原始图像双边滤波的结果作为后续输入图像，将输入图像分为M×N个互不相交的块{P₁₁,…,P_1N；…,P_iN；P_M1,…,P_MN}，其中P_ij(1≤i≤M,1≤j≤N)为固定宽度大小为w的方块，第i行平均块是该行所有块的均值块记为meanRow_i，定义以块为单位的局部行对比度I_lrc(P_ij)＝sign(P_ij‑meanRow_i)·||P_ij‑meanRow_i||₂，其中sign是符号函数：依此计算局部行对比度特征图I_lrc；步骤二：边缘强度检测；用大小不同的两个尺度s₁和s₂分别检测x和y两个方向边缘：其中和分别是输入图像对x和y方向多尺度Canny边缘检测的响应结果；将x，y两个方向边缘和相加开方作为初始边缘强度模值用阈值T_m＝meanM+ρ·stdM处理得到边缘强度二值图其中meanM为I_em的全局均值，stdM为全局标准差，ρ为控制参数在步骤六中说明，最后调整边缘强度模值为I_e′_m＝I_em·BW_em；步骤三：显著线性结构检测；计算每一点的海森矩阵并求得其特征值λ₁和λ₂，由此计算在不同尺度s下的线性结构度量值：其中R_β＝|λ₁|/|λ₂|，β和c是人工设定的常数，sign是符号函数：根据H_s′对不同尺度s的响应取最大得到表征线性结构的特征图I_ls(x,y)＝max{H_s′(x,y)|s∈(5,7,9)}；然后设定阈值T_ls＝20处理：得到显著线性结构二值图像BW_outer，用以滤除细小线性结构虚警；步骤四：亮前景区域检测；用高斯分布函数N(μ,σ²)对背景进行估计，用输入图像减去估计背景得到亮前景区域检测结果：I_t＝I_f‑I_b，I_f为原始图像滤波结果，I_b为估计背景，设定阈值T_D＝γ·(μ_f+σ_f)，其中μ_f和σ_f分别为I_t的均值和标准差，γ为控制参数在步骤六中说明，用阈值T_D处理亮前景图像得到其二值图像：步骤五：显著性区域检测通过归一化融合来检测显著性区域，将上述四步得到的结果包括局部行对比度图像I_lrc，边缘强度图像I_e′_m，显著线性结构图像BW_outer，亮前景区域图像I_t及其二值图像BW_bright，和滤波后图像I_f分别用将像素归一化到(0,1)范围，其中f_max是图像f的最大值，f_min是图像f的最小值；将上述多源图像进行融合，方法为：I_com＝I_fnorm·BW_target+(I_lrcnorm·I_emnorm+I_tnorm)·BW_bright，其中BW_target＝BW_bright‑BW_outer以此滤除海岸线或海港之类的线性结构，融合数据结果I_com是具有高灰度值、强边缘值以及高局部行对比度值的显著性区域图像；步骤六：局部显著性区域分割；对于显著性图像I_com通过设定阈值T_sal＝0.07处理得到显著性区域对应的二值图像对于BW_sal中每一个显著性区域S_i，用其局部均值meanS_i和局部标准差stdS_i构造自适应阈值T_si＝meanS_i+sign(α‑1)·α·stdS_i，α为控制参数，取值为α＝meanb/(maxb‑meanb)，其中meanb和maxb分别是估计背景图像I_b的均值和最大值，用T_si分割每一个显著性区域S_i得到初步分割结果之前步骤四中参数γ取值为γ＝α，步骤二中参数ρ取值为ρ＝α^{sign(stdM‑b)}，其中stdM是边缘强度图像I_em的标准差，b为常数设为0.01；步骤七：显著性区域筛选；对于上一步得到的初步分割结果，通过设定最大区域显著度Max_rs和显著性边缘强度比E_r的参数范围进一步滤除虚警，两者分别定义为：和其中I_com为步骤五中多特征图融合结果，BW_si为上一步中各个显著性区域分割结果，为对应显著性区域边缘强度的二值图像；根据Max_rs和E_r对显著性区域进行滤除条件判断：其中t_rs和t_er为设定阈值，这里分别取0.8和0.2；最后对保留的显著性区域进行形状特征判别，包括对面积、紧密度、长短轴比率、顶部底部长度比设定阈值进行范围筛选，最终得到红外舰船目标分割结果。