本發(fā)明涉及一種圖像二值化方法，尤其涉及一種基于殘差值圖像直方圖循環(huán)移位的自適應(yīng)圖像二值化方法。涉及專利分類號G06計算；推算；計數(shù)G06K數(shù)據(jù)識別；數(shù)據(jù)表示；記錄載體；記錄載體的處理G06K9/00用于閱讀或識別印刷或書寫字符或者用于識別圖形，例如，指紋的方法或裝置G06K9/36圖像預(yù)處理，即無須判定關(guān)于圖像的同一性而進行的圖像信息處理G06K9/38模擬圖像信號的量子化。
背景技術(shù)：
：在基于紅外海面圖像的目標檢測方面，圖像二值化技術(shù)由于其具有操作簡單、可靠性高、實時性好等巨大優(yōu)勢，現(xiàn)已成為該領(lǐng)域中最為常見的技術(shù)手段。通常來說，圖像二值化技術(shù)包含兩個關(guān)鍵因素：作用域和二值化閾值。在實際應(yīng)用當中，作用域的選取和二值化閾值的計算將直接決定紅外海面目標檢測的準確性。目前來說，依據(jù)作用域的不同，圖像二值化方法大致分為全局圖像二值化(如微分直方圖法、最大類間方差法等)和局部圖像二值化(如Bernsen算法、基于塊分析的二值化算法等)。而依據(jù)二值化閾值計算方法的不同，又可分為人工閾值法和自動閾值法。然而，現(xiàn)有算法在實際的紅外海面目標檢測當中普遍存在以下缺陷：1.算法易受圖像平均灰度變化的影響。實際拍攝的圖像由于大氣程輻射不同、場景內(nèi)容不同等因素，難以保證具有均勻或相似的灰度分布特性，而現(xiàn)有算法僅依靠圖像的灰度特性進行閾值分割，當圖像的灰度分布特性發(fā)生改變時，難以保證對不同環(huán)境下拍攝的圖像均具有良好的檢測效果；2.算法忽略像素局部對比度信息的利用?，F(xiàn)有算法普遍僅利用各像素點的絕對灰度進行分割，而忽略了對像素點局部對比度信息的參考，容易導致當圖像中同時出現(xiàn)強前景像素和弱前景像素時，弱前景像素會被漏檢的現(xiàn)象；3.難以自動計算最佳分割閾值?，F(xiàn)有的閾值自動計算方法通常僅能在前景像素具有很強特征(如大面積、強灰度等)的情況下得到較為理想的分割閾值，而當前景較小或自身灰度較弱時，計算結(jié)果難以保證較好的分割效果。上述問題的存在，導致現(xiàn)有的圖像二值化方法難以在實際工程應(yīng)用當中保持較高的魯棒性。技術(shù)實現(xiàn)要素：本發(fā)明針對以上問題的提出，而研制的一種基于殘差圖像直方圖循環(huán)移位的自適應(yīng)圖像二值化方法，包括如下步驟：—處理目標圖像，得到對應(yīng)的背景圖像；通過分析目標圖像的灰度分布特性，得到對應(yīng)的二值化殘差掩膜；—利用背景圖像和所述的目標圖像，得到初始殘差圖像；統(tǒng)計該初始殘差圖像的直方圖，生成殘差直方圖；該直方圖橫軸為殘差值，縱軸為像素個數(shù)；—將所述殘值直方圖中的圖像沿橫軸/殘差值正方向循環(huán)移位，計算循環(huán)移位后的殘差直方圖的平均殘差值，作為對殘差圖像進行二值化操作的閾值；—使用所述閾值對殘差圖像進行二值化，得到二值化圖像。作為優(yōu)選的實施方式，由原始采集圖像經(jīng)對比度拉伸后得到所述的目標圖像。作為優(yōu)選的實施方式，所述的對比度拉伸具體如下：依據(jù)公式(1)對原始采集圖像進行灰度變換：Fout＝A×{exp[γ×(Fin-a)]-1}(3)在該公式中，F(xiàn)in和Fout分別是輸入和輸出的灰度值；a是原始采集圖像中的最小灰度值；γ是拉伸因子，可以控制拉伸曲線的曲率大小，進而調(diào)整對不同灰度級的拉伸強度；A控制輸出的灰度范圍，其計算方法如公式(2)：A=MaxValueexp[γ×(b-a)]-1---(4)]]>其中，MaxValue是預(yù)設(shè)的最大輸出灰度，b是原始采集圖像的最大灰度值。公式(2)中的參數(shù)a和b，分別代表原圖像中的最小灰度值和最大灰度值，由這兩個值限定了灰度拉伸的范圍(原圖像中的灰度值僅會出現(xiàn)在a～b之間，使得本處理步驟能夠僅針對圖像的有效范圍進行操作，而且可以通過控制拉伸因子的值調(diào)整前景拉伸程度，從而可依據(jù)不同的應(yīng)用背景實現(xiàn)不同的拉伸效果；而且拉伸操作能夠增大在殘差圖像中目標和背景間的灰度差別，進而擴大最佳二值化閾值的取值范圍，進而提高了后續(xù)二值化閾值計算方法的魯棒性。更進一步的，獲得所述對比度拉伸后的目標圖像后，分析目標圖像的灰度分布特征，得到二值化殘差掩膜。更進一步的，利用所述的二值化殘差掩膜將所述殘差圖像中部分殘差值歸零。更進一步的，獲取分析目標圖像的灰度分布特征，得到二值化殘差掩膜具體包括如下步驟：—統(tǒng)計對比度拉伸后原圖像的歸一化灰度直方圖；—從最低灰度級開始逐級累加各灰度級所占的比例，記錄當累計比例達到預(yù)定值時所對應(yīng)的灰度級；—以所述的灰度級對比度拉伸后的原圖像進行二值化操作，得到所述的二值化殘差掩膜。作為優(yōu)選的實施方式，所述循環(huán)移位具體包括如下步驟：—分別尋找殘差直方圖中橫軸最左側(cè)和最右側(cè)的非零點，將二者之間的殘差范圍作為循環(huán)移位的操作范圍；—尋找殘差直方圖中峰值點及其右側(cè)第一個零點的位置，將二者間隔作為殘差直方圖循環(huán)移位的距離；—殘差直方圖沿橫軸/殘差值正方向循環(huán)移位，對于首次移動后超出所述操作范圍的點，以操作范圍的最小值與超出所述操作范圍的距離的和作為二次移動的距離，重新以操作范圍最小值為起點進行移位，直至移動后該點處于所述操作范圍之內(nèi)，結(jié)束循環(huán)移位。通過采用上述的直方圖像循環(huán)移位步驟，能夠?qū)埐钪狈綀D中占有像素較多的殘差級調(diào)整到最佳二值化閾值范圍之內(nèi)，保證了殘差直方圖的平均值也處于最佳二值化閾值范圍之內(nèi)，實現(xiàn)良好的二值化效果。作為優(yōu)選的實施方式，以較大尺寸的高斯低通濾波模板對拉伸后的目標圖像進行低通濾波，生成對應(yīng)的背景圖像。由于采用了上述技術(shù)方案，本發(fā)明提出的基于殘差圖像直方圖循環(huán)移位的自適應(yīng)圖像二值化方法，具備簡單可靠、實時性好、受圖像平均灰度變化的影響較小，對圖像中局部極大的灰度/對比度信息具有良好的敏感性等諸多優(yōu)點?？梢杂行У亟鉀Q常規(guī)圖像二值化方法中最佳閾值難以自適應(yīng)計算的問題，能夠自適應(yīng)地計算出可用于圖像分割、目標檢測等方面的最佳二值化閾值，從而有助于實現(xiàn)對圖像的自動分割或?qū)δ繕说淖詣訖z測。附圖說明為了更清楚的說明本發(fā)明的實施例或現(xiàn)有技術(shù)的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖做一簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。圖1為本發(fā)明基于殘差圖像直方圖循環(huán)移位的自適應(yīng)圖像二值化方法流程圖。圖2為本發(fā)明實施例中的原始采集圖像和不同方法對比度拉伸后圖像，其中，圖a為原始采集的圖像；圖b為本發(fā)明對比度拉伸后圖像，圖c為線性灰度拉伸后圖像。圖3為本發(fā)明實施例中生成的背景圖像。圖4為本發(fā)明實施例中生成的殘差掩膜。圖5為本發(fā)明實施例中生成的殘差圖像。圖6為本發(fā)明實施例中的殘差直方圖循環(huán)移位示例圖。圖7為本發(fā)明實施例中生成的二值化結(jié)果圖像。圖8為本發(fā)明實施例中對比算法生成的二值化結(jié)果圖像。具體實施方式為使本發(fā)明的實施例的目的、技術(shù)方案和優(yōu)點更加清楚，下面結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚完整的描述：本發(fā)明考慮借助殘差圖像直方圖循環(huán)移位的方法來自適應(yīng)計算殘差圖像的最佳二值化閾值，以此對殘差圖像進行二值化操作，所得結(jié)果即為原始圖像的最終二值化結(jié)果圖像。在本實施例中，將以檢測紅外海面圖像中的海面目標為例具體闡釋本發(fā)明方法的實施過程。圖1示出根據(jù)本發(fā)明的基于殘差圖像直方圖循環(huán)移位的自適應(yīng)圖像二值化方法的流程圖。如圖1所示，本方法首先通過對比度拉伸來增大前景像素的對比度信息，并借助背景圖像和殘差掩膜來計算殘差圖像，以便進一步增大前景像素與背景像素的灰度差異，然后統(tǒng)計得到殘差圖像的灰度直方圖(即殘差直方圖)，并對殘差直方圖進行右向循環(huán)移位，計算移位后殘差直方圖的平均殘差值即可得到最佳二值化閾值，最后依此閾值對殘差圖像進行二值化操作，從而得到最終的二值化結(jié)果圖像。本方法立足于統(tǒng)計分析對比度拉伸后原圖像中前景像素與局部背景像素間的灰度差異，并借助殘差直方圖循環(huán)移位的方法自適應(yīng)計算最佳分割閾值，將與局部背景像素差別較大的前景像素分割出來，從而實現(xiàn)對局部灰度奇異性較大的像素的自適應(yīng)提取。主要包括如下步驟：考慮到由相機等成像設(shè)備采集的原始圖像中，背景像素會對前景像素造成一定的干擾，同時前景像素的局部對比度也比較難滿足后續(xù)的圖像處理要求。故作為優(yōu)選的實施方式，針對原始采集圖像，設(shè)有對比度拉伸步驟。如圖1所示，針對采集相機等成像設(shè)備采集到的原始圖像，以便抑制背景像素的干擾并增強前景像素的局部對比度。在該步驟中，圖像對比度拉伸所參考的公式為公式(1)和(2)，其中，公式(1)中的拉伸因子γ決定了對比度拉伸強度，隨著拉伸因子的增大，將有更多的背景像素被抑制，但同時也會有更多的前景像素被當作背景像素被抑制。優(yōu)選地，本方法在實際操作中可以將拉伸因子γ設(shè)定為0.04。圖2(a)和圖2(b)分別示出一幅原始紅外海面圖像和本步驟所生成的對比度拉伸圖像。為進一步體現(xiàn)本拉伸方法的優(yōu)勢，本實施例中選取線性灰度拉伸作為對比算法，其拉伸效果圖如圖2(c)所示。經(jīng)統(tǒng)計，圖像中兩個目標的局部對比度拉伸前后對比如表1所示(對比度計算公式如式(3)所示)。contrast=g‾fg‾b---(5)]]>上式中，代表前景像素的平均灰度，代表背景像素的平均灰度。表1對比度拉伸前后目標對比度變化原圖像線性灰度拉伸后本實施例對比度拉伸后中間目標1.632.152.97右側(cè)目標1.231.331.61從表1中可以看出，相比較于常規(guī)的灰度線性拉伸算法，本發(fā)明所提出的圖像拉伸算法能夠更好的增強前景像素和背景像素間的灰度區(qū)分度，從而擴大了最佳二值化閾值范圍，有助于提高后續(xù)算法的魯棒性。如圖1所示，在圖像對比度拉伸之后，將進入背景圖像生成步驟。在該步驟中，將通過采用大尺寸高斯濾波模板對對比度拉伸圖像進行低通濾波，以估計得到相應(yīng)的背景圖像。也可采用諸如計算序列圖像的平均表達來估計圖像背景。優(yōu)選地，高斯濾波模板尺寸可以設(shè)定為21×21，高斯濾波的標準差σ可以參照公式(3)進行計算：σ=(s2-1)×0.30+0.80---(6)]]>其中，s為高斯濾波模板的尺寸，例如21。圖3示出本步驟所生成的背景圖像。為了能夠進一步減少背景信息對前景像素分割帶來的干擾，作為優(yōu)選的實施方式，還設(shè)有殘差掩膜獲取的步驟：如圖1所示，在圖像對比度拉伸之后，將同時進入殘差掩膜獲取步驟。在該步驟中，將首先統(tǒng)計對比度拉伸圖像的歸一化灰度直方圖，然后，從最低灰度級開始逐級累加各灰度級所占的像素比例，當累計比例達到預(yù)設(shè)值時將停止累加，此時所對應(yīng)的最高累加灰度級將作為二值化閾值對對比度拉伸圖像進行二值化操作，所得結(jié)果即為殘差掩膜，如圖4所示。優(yōu)選地，本步驟中的預(yù)設(shè)累計比例可以為90％。在得到背景圖像和殘差掩膜之后，可通過先將對比度拉伸圖像減去背景圖像得到全局殘差圖像，然后將全局殘差圖像與殘差掩膜相與便可得到最終的殘差圖像，如圖5所示。統(tǒng)計殘差圖像的殘差值信息，生成殘差圖像相應(yīng)的殘差直方圖。依據(jù)殘差直方圖，尋找占有像素數(shù)最多的殘差值以及大于該殘差值的第一個占有0像素數(shù)的殘差值，然后，將二者的絕對差作為殘差直方圖循環(huán)移位的距離，以殘差直方圖的最大、最小灰度級為循環(huán)移位的邊界點，對殘差直方圖進行右向循環(huán)移位，如圖6所示。具體操作過程如下，假設(shè)操作范圍是1～10，移位距離是5，那么原來在8的點，向右移位5之后移動到了13的位置，但是13超出了操作范圍，超出的距離為3，因此，將其重定位到操作范圍內(nèi)的4處(操作范圍的最小值1加上超出的距離3)即可。經(jīng)實驗發(fā)現(xiàn)，當分割閾值處于23～55之間時，可得到理想的分割效果。而從圖6中可以看到，經(jīng)上述直方圖循環(huán)移位操作后，原始殘差直方圖中占有像素比例較高的殘差級均調(diào)整到23～55之間，即使得循環(huán)移位后的殘差直方圖中絕大部分殘差值落在了最佳分割閾值范圍內(nèi)，有助于提高后續(xù)分割閾值計算的魯棒性。計算循環(huán)移位后殘差直方圖的平均殘差值，在本實施例中，平均殘差值為31，處于上述最佳分割閾值范圍內(nèi)，從而進一步證明了本發(fā)明所提出方法的可靠性。此外，由于在本實施例中，分割閾值可以是最佳閾值范圍中的任何值，因此，相比較于傳統(tǒng)的二值化方法，本方法的魯棒性得到了較大提高。以前一步驟中得到的平均殘差值為閾值，對殘差圖像進行二值化操作，所得結(jié)果即為最終的二值化圖像，如圖7所示。結(jié)合圖2和圖7可以看出，本發(fā)明所提出的基于殘差圖像直方圖循環(huán)移位的自適應(yīng)圖像二值化方法能夠同時將圖像中灰度差別較大的兩個海面目標提取出來，并很好地抑制天空、海浪等背景干擾，從而實現(xiàn)良好的海面目標自動檢測效果。為進一步說明本方法在前景像素分割方面的優(yōu)勢，本實施例選取一種典型的圖像二值化方法——最大類間方差法(又稱大津法)——作為對比算法，其二值化結(jié)果如圖8所示。對比圖7和圖8可以看出，最大類間方差法的二值化結(jié)果中存在較多的背景干擾(如云層、海浪、海天線等)，而本發(fā)明方法在分析圖像局部灰度對比度特性的基礎(chǔ)上所得到的二值化結(jié)果圖中很好的抑制了上述背景干擾，僅提取出兩個海面目標。此外，通過用上述兩種方法分別處理圖2(a)所示的1000幀序列圖像，可以統(tǒng)計得到各自的漏警率和虛警率，如表2所示。表2兩種二值化方法的漏警率和虛警率二值化方法漏警率虛警率本發(fā)明方法0.14％0.78％最大類間方差法1.65％99.50％從表2中可以看到，本發(fā)明所提出方法的漏警率和虛警率均優(yōu)于最大類間方差法。在漏警率方面，本發(fā)明方法僅有0.14％的漏警率，而最大類間方差法的漏警率為1.65％。經(jīng)分析發(fā)現(xiàn)，在原始圖像序列中的部分圖像內(nèi)，圖2(a)所示靠近右側(cè)邊界的海面目標灰度要低于海浪、云層等背景干擾的平均灰度，導致最大類間方差法將該目標視作背景像素而將其去除，導致漏檢率的升高。相比之下，本發(fā)明方法在充分分析圖像局部對比度的基礎(chǔ)上，提高了對局部奇異像素的敏感性，且增強了對高亮度背景干擾的抑制能力，從而實現(xiàn)更好的弱小目標檢測效果，降低了漏警率。進一步分析發(fā)現(xiàn)，當目標的局部對比度低于1.3時，最大類間方差法將會漏檢該目標，而本發(fā)明方法在該組圖像序列中實現(xiàn)目標準確檢測的對比度下限為1.06。在虛警率方面，本發(fā)明方法僅為0.78％，而最大類間方差法為99.50％。經(jīng)分析可知，最大類間方差法純粹依靠各像素點的絕對灰度進行前景分割，忽略了各像素點與其鄰域內(nèi)其他像素點的灰度差異性，從而將云層、海浪等具有較高平均灰度但是局部奇異性較低的背景干擾提取出來。相比之下，本發(fā)明方法更多的依靠各像素點灰度的局部奇異性進行前景分割，進而實現(xiàn)了對高亮度背景良好的抑制效果。具體來說，本發(fā)明通過殘差圖像和殘差直方圖來分析圖像中前景像素與局部背景像素間的灰度差異，即前景像素的局部對比度信息，而沒有直接分析前景像素的灰度信息，因此本發(fā)明對圖像中局部對比度較大的像素具有很高的敏感性，能夠克服傳統(tǒng)二值化方法單純依靠灰度分析時難以有效提取弱目標或弱前景像素的問題。同時，由于本發(fā)明利用的是像素的局部對比度信息，而非亮度信息，因此，本發(fā)明能夠克服因圖像平均灰度的變化所造成的二值化結(jié)果不理想的問題。此外，本發(fā)明所提出的基于殘差直方圖循環(huán)移位的自適應(yīng)閾值計算方法能夠?qū)崿F(xiàn)對最佳分割閾值的自動計算，無需人工干預(yù)，從而極大地提高了算法的魯棒性和工程應(yīng)用價值。以上所述，僅為本發(fā)明較佳的具體實施方式，但本發(fā)明的保護范圍并不局限于此，任何熟悉本
技術(shù)領(lǐng)域：
的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，根據(jù)本發(fā)明的技術(shù)方案及其發(fā)明構(gòu)思加以等同替換或改變，都應(yīng)涵蓋在本發(fā)明的保護范圍之內(nèi)。當前第1頁1 2 3