CN101847259B - 基于加权信息熵和马尔可夫随机场的红外目标分割方法 - Google Patents

Abstract

本发明涉及一种基于加权信息熵和马尔可夫随机场的红外目标分割方法，技术特征在于：首先利用加权信息熵得到感兴趣区域，继而利用高斯马尔可夫随机场在感兴趣区域内建模来捕捉图像的上下文信息，并在迭代中采用ICM优化算法，使得解空间大大减小、噪声干扰大大降低，从而迭代步数减少、分割精度有明显的改善、分割速度大大提高。许多红外目标分割实验，都验证了本发明的有效性。

Description

基于加权信息熵和马尔可夫随机场的红外目标分割方法

技术领域

本发明涉及一种基于加权信息熵和马尔可夫随机场的红外目标分割方法，属于红外图像处理方法，具体是红外目标的分割方法。

背景技术

图像目标分割是图像分析以及模式识别的关键技术，也是目标识别、跟踪以及其它计算机视觉相关应用的基础，其最终目的是为后续的处理和场景描述提供基础。红外图像反映目标及周围背景的温度分布情况，但是由于探测器本身的固有的特性及外界成像环境的影响，导致红外图像SNR(信噪比)较低，呈现出目标与背景对比度较差、目标的边缘模糊、噪声较大等特点，因此红外目标分割是一个艰巨的任务。基于阈值的分割方法是在红外目标分割中被广泛应用的，例如：一维Otsu、二维Otsu、二维最大熵法等，但是由于红外图像的成像特点所致，传统的分割方法的分割效果不能令人满意。

马尔可夫随机场(Markov Random Field，MRF)可以捕获图像中像素间的相互作用和约束，并能将上下文信息引入到图像的分割过程，并具有较强的噪声抑制能力。文献“Unsupervised image segmentation using a simple MRF model with a newimplementation scheme，Pattern Recognition，vol.37，pp.2323-2335，2004.”在分析传统方法固定加权缺点的基础上提出了一种可变的权值。该方法利用简化的MRF对图像建模，并在区域成分和特征成分之间采用指数形式下降的权重，最后利用模拟退火算法来优化目标函数，从而得到最终的分割结果。但是此方法由于是在整幅图上分割，噪声干扰大，分割的准确性不高，而且利用模拟退火优化算法，使得分割速度大大降低。

红外图像SNR低，噪声干扰大，目标边缘模糊，背景和目标对比度差；基于MRF的分割算法存在着模型复杂、缺乏自适应性、收敛速度慢等缺点。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种基于加权信息熵和马尔可夫随机场的红外目标分割方法，解决红外图像SNR低，噪声干扰大，目标边缘模糊，背景和目标对比度差，造成目标分割存在着模型复杂、缺乏自适应性、收敛速度慢的缺点。

本发明的思想在于：基于加权信息熵(weighted information entropy，WIE)了感兴趣区域(region of interest，ROI)提取，在ROI内利用高斯马尔可夫随机场(Gaussian MarkovRandom Field，GMRF)建模，并利用迭代条件模型(Iterated Condition Mode，ICM)优化算法，缩小了解空间，极大的提高分割速度。

技术方案

一种基于加权信息熵和马尔可夫随机场的红外目标分割方法，其特征在于步骤如下：

步骤1基于加权信息熵的感兴趣区域提取：

步骤a：以大小为m×n的图像块来平分M×N图像，m＝2^k，n＝2^l，k，l＝1，2，3，…，得到平分后的若干个子图像；

步骤b：对每幅子图像F(u，v)，其中0≤u≤M/m-1，0≤v≤N/n-1，利用

$H\left(s\right)=-\underset{S=0}{\overset{255}{\mathrm{\Σ}}}{(s-\stackrel{\‾}{s})}^2*p_s*\log \left(p_s\right)$

when p_s＝0，let p_s*log(p_s)＝0

计算每幅子图像的加权信息熵WIE值H(u，v)，得到M/(m-1)×N/(n-1)大小的熵图像，并计算出熵图像的均值μ和方差δ；

步骤c：当最大的熵值的熵图像H(u，v)≥H_T作为种子，其中H_T＝μ+6×δ；如果H(u，v)＜H_T，将m＝m/2，n＝n/2，重复步骤a～b；

步骤d：在熵图像H(u，v)上，结合种子利用四邻域进行区域增长，得到包含目标的矩形区域；

步骤2：在矩形区域内利用马尔可夫随机场建模，然后做随机初始分割，利用ICM进行迭代优化得到目标区域与背景区域的分割图像；所述迭代优化中的权值修正方案为W＝800*0.97^t+1，其中：t表示迭代步数。

有益效果

本发明提出的基于加权信息熵和马尔可夫随机场的红外目标分割方法，首先利用加权信息熵做感兴趣区域提取，得到包含目标的矩形框，缩小了解空间、剔除了大量的噪声干扰；然后在感兴趣区域内利用高斯马尔可夫随机场建模，可以捕获红外图像中的上下文信息，有效克服红外噪声的影响，同时利用ICM算法迭代优化，可以在很少的分割步骤内达到收敛。

附图说明

图1：本发明方法流程图

具体实施方式

现结合实施例、附图对本发明作进一步描述：

1.基于加权信息熵的感兴趣区域提取

为了估计红外图像强度分布的复杂度，我们定义了WIE，设s表示灰度值，s∈[0，255]，p_s表示每种灰度级对应的概率，s表示红外图像的灰度平均值，则图像的加权信息熵可以定义为：

$H\left(s\right)=-\underset{S=0}{\overset{255}{\mathrm{\Σ}}}{(s-\stackrel{\‾}{s})}^2*p_s*\log \left(p_s\right)---\left(1\right)$

when p_s＝0，let p_s*log(p_s)＝0

根据公式可知，目标所在区域的熵值必定大。基于这点，我们可以把图像分成一定区域大小的块，然后根据熵值的大小来判断种子块，最后在熵图像上利用区域增长来获取ROI。设红外图像I，大小是M×N，则ROI提取算法描述如下：

(1)以大小为m×n的子图像块来平分图像，m＝2^k，n＝2^l，k，l＝1，2，3，…，子图像为F(u，v)，其中0≤u≤M/m-1，0≤v≤N/n-1。

(2)对每幅子图像F(u，v)，利用公式(1)计算WIE值H(u，v)，得到M/(m-1)×N/(n-1)大小的熵图像，并计算出熵图像的均值μ和方差δ。

(3)获取种子。假设熵图像上最大的熵值为H(u，v)，如果H(u，v)≥H_T，其中H_T＝μ+α*δ，这里α取6，则F(u，v)即为种子。如果H(u，v)＜H_T，取m＝m/2，n＝n/2，重复步骤(1)、(2)，直到熵图像的最大值满足H(u，v)≥H_T或m＝2或n＝2。

(4)ROI提取。在熵图像上，结合种子利用四邻域进行区域增长，得到包含目标的矩形区域。

2.利用高斯马尔可夫随机场对红外图像建模

在Bayes框架下该后验概率可以表示为，

$P(X=x|Y=y)=\frac{P(Y=y|X=x)*P(X=x)}{P(Y=y)}---\left(2\right)$

在给定观测图像的条件下P(Y＝y)是常数，P(Y＝y|X＝x)是条件概率，它体现了分割过程中的特征模型成分；P(X＝x)描述了分割结果标记的分布，它体现了分割过程中的区域标记成分。

对于马尔可夫场x，在Hammersley-Clifford定理的保证下，可以通过定义Gibbs分布中势能函数来确定其分布P(X＝x)，大多数基于MRF的分割模型都利用多层逻辑模型(multi-level logistic，MLL)来定义势能函数，对于一般的分割任务来说，我们仅定义二阶双点基团的势能而将其余二阶基团的势能都定义为0：

$E_R\left(x\right)=\underset{s}{\mathrm{\Σ}}{U}_s\left(x\right)=\underset{s}{\mathrm{\Σ}}\left[\mathrm{\β}\underset{t\∈N_s}{\mathrm{\Σ}}\mathrm{\δ}(x_s,x_t)\right]---\left(3\right)$

这里如果x_s＝x_t，则δ(x_s，x_t)＝-1；如果x_s≠x_t，则δ(x_s，x_t)＝1；β是事先定义好的常量。然后Gibbs分布的形式的就可以表示成如下形式：

$P(X=x)=\frac{1}{Z}\exp (-\frac{1}{T}{E}_R\left(x\right))---\left(4\right)$

其中

是划分函数，T是温度参数。

GMRF模型中各点特征服从独立的高斯分布，则采用伪似然的形式将条件分布表示为，

$P(Y=y|X=x)=\underset{s}{\mathrm{\∏}}\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_m}\exp [-\frac{{(y_s-{\mathrm{\μ}}_m)}^2}{{2\mathrm{\σ}}_m^2}]---\left(5\right)$

其中μ_m，σ_m分别代表第m类的均值和标准差，这两个参数需要通过EM算法来估计，第t+1次迭代的估计公式如(6)(7)所示：

${\mathrm{\μ}}_m^{t+1}=\frac{1}{N_m^{t+1}}*\underset{i=1}{\overset{N_m^t}{\mathrm{\Σ}}}{y}_i---\left(6\right)$

${\mathrm{\σ}}_m^{t+1}=\sqrt{\frac{1}{N_m^{t+1}}*\underset{i=1}{\overset{N_m^t}{\mathrm{\Σ}}}{(y_i-{\mathrm{\μ}}_m^{t+1})}^2}---\left(7\right)$

则后验能量可以表示为(7)式，

$E=\underset{s}{\mathrm{\Σ}}\{W*[\frac{{(y_s-{\mathrm{\μ}}_m)}^2}{{2\mathrm{\σ}}_m^2}+\ln \left(\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_m\right)]+U_s\left(x\right)\}---\left(8\right)$

令

表示能量中的特征成分，而用公式(3)表示能量中的区域成分，则能量可以表示为这两部分加权和的形式：

E＝W*E_f+E_r                                        (9)

由前述可知，分割的目标函数是后验概率，则在最大后验概率(MAP)准则下，最优的分割结果可以通过最大化后验概率来取得，可以表示为：

$\begin{array}{c}\hat{x}=\arg \max \left(P(X=x|Y=y)\right)\\ \∝\arg \min E\end{array}---\left(10\right)$

3.权值更新及优化算法选取

在得到ROI以后，我们首先在ROI内利用GMRF进行建模，然后做随机初始分割，在利用ICM迭代优化的时候，我们采用如下的权值修正方案：

W＝800*0.97^t+1                                    (11)t

表示迭代步数。由式(11)得出，随着迭代步数的增加，两部分的加权在逐渐减小，首先我们采用较大的权值以便充分考虑每个像素的特征，已经充分利用特征信息的基础上逐渐减小权值，使得区域成分占主导，可以充分考虑空间信息。

有公式可知，红外图像分割问题已经逐渐转化为求解能量最小问题，常见的优化算法有模拟退火(Simulated Annealing，SA)算法，迭代条件模型(Iterated Condition Mode，ICM)法。模拟退火算法是一种随机松弛算法，在理论上可以达到全局最优解；然而，该算法收敛速度较慢，在实际中应用较少。本发明采用了实际中常用的ICM法，可以满足大部分红外目标快速精确分割的要求。当迭代收敛时，输出实验结果。

Claims (1)

1.一种基于加权信息熵和马尔可夫随机场的红外目标分割方法，其特征在于步骤如下：

步骤1基于加权信息熵的感兴趣区域提取：

步骤a：以大小为m×n的图像块来平分M×N图像，m＝2^k，n＝2^l，k，l＝1，2，3，...，得到平分后的若干个子图像；

步骤b：对每幅子图像F(u，v)，其中0≤u≤M/m-1，0≤v≤N/n-1，利用

$H\left(s\right)=-\underset{S=0}{\overset{255}{\mathrm{\Σ}}}{(s-\stackrel{\‾}{s})}^2*p_s*\log \left(p_s\right)$

when p_s＝0，let p_s*log(p_s)＝0

计算每幅子图像的加权信息熵WIE值H(u，v)，得到M/(m-1)×N/(n-1)大小的熵图像，并计算出熵图像的均值μ和方差δ；其中s表示灰度值，s∈[0，255]，p_s表示每种灰度级对应的概率，

表示红外图像的灰度平均值；

步骤c：当最大的熵值的熵图像H(u，v)≥H_T作为种子，其中H_T＝μ+6×δ；如果H(u，v)＜H_T，将m＝m/2，n＝n/2，重复步骤a～b，直到熵图像的最大值满足H(u，v)≥H_T或m＝2或n＝2；

步骤d：在熵图像H(u，v)上，结合种子利用四邻域进行区域增长，得到包含目标的矩形区域；

步骤2：在矩形区域内利用马尔可夫随机场建模，然后做随机初始分割，利用ICM进行迭代优化得到目标区域与背景区域的分割图像；所述迭代优化中的权值修正方案为W＝800*0.97^t+1，其中：t表示迭代步数，最优分割问题转化为求解能量最小问题，能量表示为两部分加权和的形式：E＝W*E_f+E_r，其中

表示能量中的特征成分， $E_r\left(x\right)=\underset{s}{\mathrm{\Σ}}{U}_s\left(x\right)=\underset{s}{\mathrm{\Σ}}\left[\mathrm{\β}\underset{t\∈N_s}{\mathrm{\Σ}}\mathrm{\δ}(x_s,x_t)\right]$ 表示能量中的区域部分，其中μ_m，σ_m分别代表第m类的均值和标准差；如果x_s＝x_t，则δ(x_s，x_t)＝-1；如果x_s≠x_t，则δ(x_s，x_t)＝1；β是事先定义好的常量。