CN102063707A - 基于均值漂移的灰关联红外成像目标分割方法 - Google Patents

Abstract

本发明公开了一种基于均值漂移的灰关联红外成像目标分割方法，主要解决现有同类方法过分割现象严重，分割精度低的问题。其实现步骤是：(1)对原始图像进行均值漂移滤波；并依据当前像素点与邻域点的相似性来判断是否计算均值漂移收敛值；(2)合并相同类别的像素并标记，得到初分割图像；(3)从初分割图像的区域中分别选取背景参考值和目标参考值；(4)计算各区域与参考值之间的灰关联系数；(5)利用灰关联系数曲线的拐点寻找阈值，通过融合三个单一阈值，实现对图像的动态划分。本发明具有运算速度快、分割精度高、稳定性好以及自适应性强的优点，可用于红外精确制导、目标探测及火控、光学遥感和夜间导航等军用或民用系统中。

Description

基于均值漂移的灰关联红外成像目标分割方法

技术领域

本发明属于图像信息处理领域，涉及红外成像目标分割方法，特别是涉及基于均值漂移的灰关联红外成像目标分割方法，可用于红外精确制导、目标探测及火控、光学遥感和夜间导航等军用或民用系统中，为目标识别和跟踪奠定了基础。

背景技术

红外成像目标分割作为目标识别和跟踪的基础，是自动目标识别中的一项关键技术。近年来，目标分割技术研究取得了很大的进步，尤其是利用图像的灰度特征进行阈值分割的算法在图像分割领域得到了广泛的应用。但是，这类算法在复杂背景下对目标分割的精确性较差，因而也限制了这些算法的应用。如何自动有效地从复杂背景中将红外目标提取出来，一直是国内外研究的热点和难点问题。针对这一问题，众多学者对此进行了深入的研究，并提出了多种方法，例如：

(1)边缘检测法，利用梯度模板对图像局部特征的不连续点进行检测，标记为边缘点，找出连续封闭的边缘作为划分各区域的边界，从而实现目标分割。但该类方法对噪声敏感，一般很难获得完全封闭的边缘，又带来了边缘连接的问题。当区域之间对比度低时，方法失效。

(2)阈值分割方法，通过对图像灰度特征进行直方图统计，构造相应的代价函数，求取最优阈值来分割图像。这类方法思路直观，实现简单，但同样对噪声不具有鲁棒性，又缺乏对图像空域信息的考虑，在背景复杂的情况下分割结果误差较大。

(3)区域生长法，依据相似性准则对种子点进行生长，最终实现区域的划分。这一类方法对初始种子点的选取和扫描顺序的依赖性较强，且相似性准则难以确定。

综上所述，现有的红外目标分割方法大都对噪声比较敏感，且在复杂背景下分割效果不稳定，为此，人们提出了基于均值漂移的目标分割方法。

均值漂移是一种基于特征空间聚类的方法，通过反复迭代搜索特征空间样本点最密集的区域，使得搜索点沿着样本点密度增加的方向“漂移”到局部密度极大点。该方法具有完全依靠特征空间中的样本点驱动，不需要任何先验知识，收敛速度快等优点，近年来已被广泛应用于图像分割和跟踪等领域。但在研究中发现，将均值漂移应用于图像分割时，容易陷入局部收敛，从而导致分割结果出现明显的过分割现象，最终影响目标的精确提取。

发明内容

本发明的目的是针对上述已有均值漂移法存在的问题，提出一种基于均值漂移的灰关联红外成像目标分割方法，以弥补应用均值漂移分割图像时，容易陷入局部收敛，导致过分割的现象，提高目标的分割精确度。

实现本发明目的的技术关键是：在计算非首行非首列像素点的收敛值之前，先判断当前像素点与其邻域点的相似程度，对相似度高的点则取消其迭代收敛过程，直接将邻域点收敛均值赋予当前点；在运用均值漂移初分割之后，对分割区域块选取背景参考值和目标参考值，分别计算各区域与背景参考值和目标参考值之间的灰关联系数，利用得到的灰关联系数曲线的拐点寻找阈值，通过融合三个单一阈值，对图像进行动态划分，实现目标和背景的分离。具体实现步骤如下：

(1)均值漂移初分割步骤：

(1a)依据Silverman法则，求取原始图像I的全局最优带宽h；生成一个与原始图像同样大小的矩阵I′，作为均值漂移滤波输出图，I′中元素初始值设为零；

(1b)将得到的带宽h代入均值漂移计算式，通过迭代计算均值漂移向量求取像素点的局部收敛值，并将该收敛值赋给滤波输出图I′中对应的像素点；

(1c)对原始图像I中的像素点进行相似性判断，若原始图像当前像素点与其邻域点灰度值接近，且这些邻域点已经计算过收敛值，则将当前点的收敛值设为其邻域点收敛值和的均值；反之，则将该像素点作为新的搜索起始点，返回步骤(1b)；

(1d)对滤波图像I′中的像素点进行遍历，对于空间相邻，且灰度值距离小于h/2的像素合并为一类，并求取每一类的像素灰度值总和P_sum、总像素个数P_num、总类别数N，以及标记每个像素的类别；

(1e)对相同类别的像素灰度值取平均，得到各区域内灰度均匀一致的初步分割图像I_ms，各区域的像素灰度值按标记顺序排列成一维向量M_v；

(2)灰关联融合步骤

(2a)以一维向量M_V作为比较序列；

(2b)求取初分割图像I_ms的灰度均值V_mean和灰度最大值V_max；从灰度值小于V_mean的区域中选出面积最大的区域块，以该面积最大区域块的灰度值作为背景参考值V_l；从灰度值大于

的区域中选出面积最大的区域块，以该面积最大区域块的灰度值作为目标参考值V_h；

(2c)分别计算比较序列M_v中的各因素与背景参考值V_l和目标参考值V_h之间的邓氏灰关联系数，得到背景灰关联系数曲线R_l和目标灰关联系数曲线R_h；

(2d)分别对背景灰关联系数曲线R_l和目标灰关联系数曲线R_h进行升序排列，得到背景升序序列S_l和目标升序序列S_h；

(2e)分别计算背景升序序列S_l和目标升序序列S_h各点的斜率，寻找斜率最小时对应的背景灰关联系数曲线拐点值r_l和目标灰关联系数拐点值r_h，以背景拐点值r_l为阈值分割原始背景灰关联系数曲线R_l，从大于零的部分选取背景模板阈值T_l；以目标拐点值r_h为阈值分割原始目标灰关联系数曲线R_h，从大于零的部分选取目标模板阈值T_h；目标灰关联系数曲线与背景灰关联系数曲线点对点相减，从差值大于零的部分选取联合模板阈值T_m；

(2f)根据上述阈值T_l，T_m，T_h，对初分割图像I_ms进行划分，得到动态模板图D＝{D(i，j)|i＝1，2，L，H；j＝1，2，L，W}：

式中，I_ms(i，j)为初分割图像I_ms的当前像素点灰度值，D(i，j)为指示矩阵D的当前像素值，k为权值系数且k∈[0，1]，H，W分别代表图像的长和宽；

(2g)将原始图像I与动态模板图D相减，保留原始图像I中灰度值差值大于或等于0的像素点，将灰度差值小于0的像素点的灰度值均设为0，从而得到最终分割结果I_s。

本发明与现有技术相比具有如下优点：

(1)本发明通过对搜索起始点与其邻域点的相似性判断，有效减少了收敛值的迭代求取过程，降低计算复杂度，缩短了均值漂移滤波的时间；

(2)本发明运用灰关联系数对初始分割后的区域块进行合并，有效地克服了均值漂移带来的过分割现象，提高了分割结果的精度；

(3)本发明通过融合三个阈值联合分割图像，达到了局部动态划分的目的，避免了单一阈值对过渡区域的错误划分；

(4)本发明同时可通过调节权值系数，进一步增强该方法对各类图像的适应性。

附图说明

图1是本发明基于均值漂移的灰关联红外成像目标分割方法流程图；

图2为红外行人分割结果图；

图3为红外渔船分割结果图；

图4为红外舰船分割结果图；

图5为红外空中目标分割结果图。

具体实施方式

参照图1，本发明具体步骤如下：

步骤1.求取原始图像I的全局最优带宽h。

首先，依据图像标准差公式求取像素个数为n的原始图像I的标准差

其次，依据Silverman法则，计算全局最优带宽h：

$h={\left(\frac{4\widehat{{\mathrm{\σ}}^5}}{3n}\right)}^{1/5}\≈1.06\widehat{\mathrm{\σ}}{n}^{-1/5}---\left(2\right)$

步骤2.均值漂移滤波过程。

(2.1)将得到的带宽h分别代入空域高斯核函数和值域高斯核函数公式中，得到空域核函数K_s和值域核函数K_r；

(2.2)将得到的空域核函数K_s和值域核函数K_r代入均值漂移收敛值计算式中，求取当前像素点的收敛值y_t，并将像素局部收敛值y_t的初始值设为t＝0，y₀＝I(i，j)；

(2.3)求取当前均值漂移向量：M_h，G(t)＝y_t-y_t-1，并设定均值漂移向量的最小长度为ε，若‖M_h，G(t)‖≤ε，则表示已漂移到局部的概率密度极大值处，将最终收敛值y_t赋给滤波输出图I′的当前像素点，即I′(i，j)＝y_t，并结束本次循环，以下一个像素点作为新的搜索中心，执行步骤3；

(2.4)若‖M_h，G(t)‖＞ε，则将y_t-1＝y_t，返回步骤(2.2)。

步骤3.相似性判断。

对原始图像I的非首行非首列的像素点进行相似性判断，若

i＝2，3，L，H；j＝2，3，L W，则认为当前点与其邻域点灰度值是接近的，且这些邻域点已经计算过收敛值，所以将当前点的收敛值设为

并开始对下一个像素点的相似性判断；若不满足条件，则将该像素点作为新的搜索起始点，返回步骤(2.2)。

步骤4.像素点合并与标记。

对滤波输出图像I′中像素点进行遍历，对于空间相邻，且灰度值距离小于h/2的像素合并为一类，并求取每一类的像素灰度值总和P_sum、总像素个数P_num、总区域类别数N，以及对每个像素类别进行标记。

步骤5.对相同类别的像素灰度值取平均，得到各区域内灰度均匀一致的初步分割图像I_ms，各区域的像素灰度值用M_v表示：

$M_v\left(\mathrm{\ρ}\right)=\frac{P_{\mathrm{sum}}\left(\mathrm{\ρ}\right)}{P_{\mathrm{num}}\left(\mathrm{\ρ}\right)}(\mathrm{\ρ}=\mathrm{1,2},L,N)---\left(3\right)$

式中，ρ表示区域序列号，P_sum(ρ)表示第ρ个区域的像素灰度值总和，P_num(ρ)表示第ρ个区域的像素个数，N为总区域类别数。

步骤6.以一维灰度值向量M_V作为比较序列。

步骤7.选择背景参考值V_l和目标参考值V_h。

(7.1)求取图像I_ms的灰度均值V_mean，灰度最大值V_max；

(7.2)从灰度值小于V_mean的区域中选出面积最大的区域块，以该区域块的灰度值作为背景参考值V_l；

(7.3)从灰度值大于

的区域中选出面积最大的区域块，以该区域块的灰度值作为目标参考值V_h。

步骤8.分别计算比较序列M_v中的各因素与背景参考值V_l和目标参考值V_h之间的邓氏灰关联系数，得到背景灰关联系数曲线R_l和目标灰关联系数曲线R_h：

$R_l\left(\mathrm{\ρ}\right)=\frac{A_{l\min }+\mathrm{\ξ}{\mathrm{gA}}_{l\max }}{|M_v\left(\mathrm{\ρ}\right)-V_l|+{\mathrm{\ξgA}}_{l\max }},\mathrm{\ρ}\mathrm{1,2},L,N---\left(4\right)$

$R_h\left(\mathrm{\ρ}\right)=\frac{A_{h\min }+{\mathrm{\ξgA}}_{h\max }}{|M_v\left(\mathrm{\ρ}\right)-V_h|+{\mathrm{\ξgA}}_{h\max }},\mathrm{\ρ}=\mathrm{1,2},L,N---\left(5\right)$

其中，A_lmin为比较序列M_v与背景参考值V_l绝对差的最小值，A_lmax为比较序列M_v与背景参考值V_l绝对差的最大值，A_hmin为比较序列M_v与目标参考值V_h绝对差的最小值，A_hmax为比较序列M_v与目标参考值V_h绝对差最大值，ρ为区域序列号，N为总区域类别数，ξ为绝对值系数，ξ＝0.5。

步骤9.分别对背景灰关联系数曲线R_l和目标灰关联系数曲线R_h进行升序排列，得到背景升序序列S_l和目标升序序列S_h。

步骤10.计算背景模板阈值T_l、目标模板阈值T_h和联合模板阈值T_m。

(10.1)计算背景升序序列S_l各点的斜率，寻找斜率最小时对应的背景灰关联系数曲线拐点值r_l，对原始灰关联度曲线R_l中大于该背景拐点值r_l对应的区域块求取灰度最大值，以该灰度最大值作为背景模板阈值T_l：

$T_l=\max \left(\underset{R_l\left(\mathrm{\ρ}\right)>r_l}{M_v}\right[a\left(\mathrm{\ρ}\right)\left]\right|\mathrm{\ρ}=\{\mathrm{1,2},L,N\})---\left(6\right)$

式中，ρ为区域序列号，a为区域，a(ρ)表示第ρ个区域，M_v[a(ρ)]为第ρ个区域的灰度值，R_l(ρ)为第ρ个区域与背景参考值V_l之间的灰关联系数值，r_l为背景拐点值；

(10.2)计算目标升序序列S_h各点的斜率，求取斜率最小时对应的目标灰关联系数曲线拐点值r_h，对原始曲线R_h中大于该目标拐点值r_h对应的区域求取灰度最小值，以该灰度最小值作为目标模板阈值T_h：

$T_h=\min \left(\underset{R_h\left(\mathrm{\ρ}\right)>r_h}{M_v}\right[a\left(\mathrm{\ρ}\right)\left]\right|\mathrm{\ρ}=\{\mathrm{1,2},L,N\})---\left(7\right)$

式中，R_h(ρ)为第ρ个区域与背景参考值V_h之间的灰关联系数值，r_h为目标拐点值；

(10.3)计算原始灰关联度曲线R_h与R_l的差值，从大于零的相应区域中求取灰度最小值，以该灰度最小值作为联合模板阈值T_m：

$T_m=\min \left(\underset{R_h\left(\mathrm{\ρ}\right)\≥R_l\left(\mathrm{\ρ}\right)}{M_v}\right[a\left(\mathrm{\ρ}\right)\left]\right|\mathrm{\ρ}=\{\mathrm{1,2},L,N\})---\left(8\right)$

步骤11.根据上述阈值T_l，T_m，T_h，对初分割图像I_ms进行划分，得到动态模板图D＝{D(i，j)|i＝1，2，L，H；j＝1，2，L，W}。

(11.1)生成元素值均为零的指示矩阵E₀＝{E₀(i，j)＝0|i＝1，2，L，H；j＝1，2，L，W}；

(11.2)若初分割图像I_ms的当前像素点I_ms(i，j)小于背景模板阈值T_l，则将指示矩阵E的当前元素值E(i，j)设为背景模板阈值T_l；

(11.3)若联合模板阈值T_m大于等于目标模板阈值T_h，分两种情况处理：若初分割图像I_ms的当前像素点I_ms(i，j)大于联合模板阈值T_m，则将指示矩阵E的当前元素值E(i，j)设为联合模板阈值T_m；反之若初分割图像I_ms的当前像素点I_ms(i，j)小于等于联合模板阈值Tm且大于等于背景模板阈值T_l，则将指示矩阵E的当前元素值E(i，j)设为联合模板值T_m和目标模板阈值T_h加权得到的新的数值；

(11.4)若联合模板阈值T_m小于目标模板阈值T_h，也分两种情况处理：若初分割图像I_ms的当前像素点I_ms(i，j)大于目标模板阈值T_h，则将指示矩阵E的当前元素值E(i，j)设为目标模板阈值T_h；反之若初分割图像I_ms的当前像素点I_ms(i，j)小于等于目标模板阈值T_h且大于等于背景模板阈值T_l，则将指示矩阵E的当前元素值E(i，j)设为背景模板阈值T_l和目标模板阈值T_h加权得到的新的数值；

(11.5)由上述步骤(11.1)～(11.4)得到指示矩阵E＝{E(i，j)|i＝1，2，L，H；j＝1，2，L，W}，E(i，j)的具体数值如下式所示：

式中，I_ms(i，j)为初分割图像I_ms的当前像素点灰度值，E(i，j)为指示矩阵E的当前元素值，k为权值系数且k∈[0，1]，H，W分别代表图像的长和宽；

(11.6)令动态模板图D在数值上等于指示矩阵E，即D＝E，因而D中像素的灰度值D(i，j)在数值也等于指示矩阵E中的元素E(i，j)，即D(i，j)＝E(i，j)。

步骤12.将原始图像I与动态模板图D逐点相减，保留原始图像I中灰度差值大于或等于零的像素点，其余像素灰度值设为零，得到最终分割图像I_s：

$I_s(i,j)=\left\{\begin{array}{cc}I(i,j)& \mathrm{ifI}(i,j)\≥D(i,j)\\ 0& \mathrm{else}.\end{array}\right.---\left(10\right)$

式中，I(i，j)表示原始图像I的当前像素点的灰度值，D(i，j)为动态模板图D的当前像素点的灰度值，I_s(i，j)表示最终分割图像I_s的当前像素点的灰度值，且I_s＝{I_s(i，j)|i＝1，2，L，H；j＝1，2，L，W}。

本发明的效果可通过以下实验仿真进一步说明。

1、仿真条件

选用行人、渔船、舰船、和空中目标四组红外数据进行实验，实验软件环境为Matlab7.0。

实验中所使用的原始数据如图2a、图3a、图4a和图5a所示，其中图2a所示的红外行人数据来源于Terravic Weapon红外数据库；图3a所示红外渔船数据，来源于实验室实拍红外数据；图4a所示红外舰船数据和图5a所示的红外空中目标数据均来源与国内部分研究机构。

实验参数的选取：下列所有实验中，均值漂移迭代运算结束的条件ε＝0.005，灰关联融合时权值系数分别为：仿真实验1中的权值系数为0.6，仿真实验2中的权值系数为0.5，仿真实验3的权值系数为1，仿真实验4的权值系数为0。

2、仿真内容

仿真实验1：针对图2a所示的红外行人数据，分别运用Otsu法、最大熵法和本发明的方法进行分割，实验结果如图2b、图2c和图2d所示；

仿真实验2：针对图3a所示的红外渔船数据，分别运用Otsu法、最大熵法和本发明的方法进行分割，实验结果如图3b、图3c和图3d所示；

仿真实验3：针对图4a所示的红外舰船数据，分别运用Otsu法、最大熵法和本发明的方法进行分割，实验结果如图4b、图4c和图4d所示；

仿真实验4：针对图5a所示的红外空中目标数据，分别运用Otsu法、最大熵法和本发明的方法进行分割，实验结果如图5b、图5c和图5d所示。

3、仿真结果

仿真实验中将本发明提出的方法与传统的Otsu法和最大熵法的分割效果进行了比较，并选用正确分割率、误分测度、漏分率和F₂测度四个评价指标对分割结果进行了客观评价，客观评价所需的标准参考图由手动分割获得。

以上所有图像数据的分割结果的评价指标数据如表1所示：

表1三种方法的分割结果客观评价

通过表1可见，基于均值漂移的灰关联红外目标分割方法能够有效的分割出目标，稳定性好。均值漂移本身具有不连续性保持滤波的功能，既可以在保持目标边缘信息的情况下实现图像的平滑，消除噪声的干扰，同时还能实现像素的简单聚类，为目标的提取提供了有力的保证。对于均值漂移产生的过分割区域，通过灰关联分析将相同类别的区域合并在一起，最终实现了目标的准确分割。实验结果证明，这是一种有效，稳定的分割方法。

如图2a所示，原始图像背景中包含有树林和木屋、烟囱等干扰，目标灰度分布不均匀，图像对比度低；图2b所示的分割结果误分现象明显，还有大部分的背景没有被分割出来；图2c所示的分割结果虽然分割出大部分区域，但是对目标本身灰度值较低的部分则没有分割出来；如图2d所示的本发明所提出的方法则可以较完整的分割出目标，正确分割率达到0.99250，同时，误分测度和漏分率都低于0.06。

如图3a所示，原始图像背景缓变，但是目标灰度分布极不均匀，船上的发动机等动力装置的灰度值明显高于船身和背景灰度值；如图3b所示，Otsu法无法正确区分背景和目标，误分区域较多；如图3c所示，最大熵法仅将高亮区域分割出来，虽然其分割正确率较高，达到0.96877，但是其漏分率也高达0.79679；图3d所示的本发明的方法有效的将目标从背景中提取出来，正确分割率达到0.99361。

如图4a所示，原始图像中包含有海天，山体，海杂波等复杂背景，目标灰度分布也极不一致；如图4b所示，Otsu法仅将海面背景消除，将天空和山体等背景也误认为是目标，误分测度高达5.00670；图4c所示的最大熵法只是将船体的高亮部位分割出来，漏分率达到0.88064；而图4d所示的本发明方法的分割结果则完整分割出目标且F₂测度能达到0.93594，而其他方法的F₂测度分别为0.37398和0.16896，明显低于本发明的方法，说明本方法的综合效果较好。

如图5a所示，原始图像包含有大量噪声且天空背景中高亮云层干扰严重，右下角部分云层的灰度值与目标灰度值相当接近，无法用单一阈值分割来获取目标；如图5b所示，Otsu法仅能将部分背景去除，对于灰度值较高的背景部分无法辨识；而图5c所示的最大熵法受噪声影响严重，几乎没有对图像进行分割；图5d所示的为本发明的方法完整分割目标的结果，F₂测度能达到0.92108，而上述两种方法的分别为0.07263和0.32231，说明本方法比传统方法更为稳定。

经过多组实验证明对复杂背景和灰度分布不均匀的目标，本发明都可较好的去除背景干扰，分割出目标，为识别和跟踪提供有力的保证。

Claims (6)

1.一种基于均值漂移的灰关联红外成像目标分割方法，包括：

(1)均值漂移初分割步骤：

(1a)依据Silverman法则，求取原始图像I的全局最优带宽h；生成一个与原始图像同样大小的矩阵I′，作为均值漂移滤波输出图，I′中元素初始值设为零；

(1b)将得到的带宽h代入均值漂移计算式，通过迭代计算均值漂移向量求取像素点的局部收敛值，并将该收敛值赋给滤波输出图I′中对应的像素点；

(1c)对原始图像I中的像素点进行相似性判断，若原始图像当前像素点与其邻域点灰度值接近，且这些邻域点已经计算过收敛值，则将当前点的收敛值设为其邻域点收敛值和的均值；反之，则将该像素点作为新的搜索起始点，返回步骤(1b)；

(1d)对滤波图像I′中的像素点进行遍历，对于空间相邻，且灰度值距离小于h/2的像素合并为一类，并求取每一类的像素灰度值总和P_sum、总像素个数P_num、总类别数N，以及标记每个像素的类别；

(1e)对相同类别的像素灰度值取平均，得到各区域内灰度均匀一致的初步分割图像I_ms，各区域的像素灰度值按标记顺序排列成一维向量M_v；

(2)灰关联融合步骤

(2a)以一维向量M_V作为比较序列；

(2b)求取初分割图像I_ms的灰度均值V_mean和灰度最大值V_max；从灰度值小于V_mean的区域中选出面积最大的区域块，以该面积最大区域块的灰度值作为背景参考值V_l；从灰度值大于

的区域中选出面积最大的区域块，以该面积最大区域块的灰度值作为目标参考值V_h；

(2c)分别计算比较序列M_v中的各因素与背景参考值V_l和目标参考值V_h之间的邓氏灰关联系数，得到背景灰关联系数曲线R_l和目标灰关联系数曲线R_h；

(2d)分别对背景灰关联系数曲线R_l和目标灰关联系数曲线R_h进行升序排列，得到背景升序序列S_l和目标升序序列S_h；

(2e)分别计算背景升序序列S_l和目标升序序列S_h各点的斜率，寻找斜率最小时对应的背景灰关联系数曲线拐点值r_l和目标灰关联系数拐点值r_h，以背景拐点值r_l为阈值分割原始背景灰关联系数曲线R_l，从大于零的部分选取背景模板阈值T_l；以目标拐点值r_h为阈值分割原始目标灰关联系数曲线R_h，从大于零的部分选取目标模板阈值T_h；目标灰关联系数曲线与背景灰关联系数曲线点对点相减，从差值大于零的部分选取联合模板阈值T_m；

(2f)根据上述阈值T_l，T_m，T_h，对初分割图像I_ms进行划分，得到动态模板图D＝{D(i，j)|i＝1，2，L，H；j＝1，2，L，W}：

式中，I_ms(i，j)为初分割图像I_ms的当前像素点灰度值，D(i，j)为指示矩阵D的当前像素值，k为权值系数且k∈[0，1]，H，W分别代表图像的长和宽；

(2g)将原始图像I与动态模板图D相减，保留原始图像I中灰度值差值大于或等于0的像素点，将灰度差值小于0的像素点的灰度值均设为0，从而得到最终分割结果I_s。

2.根据权利要求1所述的红外成像目标分割方法，其中步骤(1c)所述的对原始图像I中的像素点进行相似性判断，是按照如下公式进行：

$|I(i,j)-\frac{I(i,j-1)+I(i-1,j-1)+I(i-1,j)}{3}|\≤1$ i＝2，3，L，H；j＝2，3，LW

$I^{\′}(i,j)=\frac{I^{\′}(i-1,j-1)+I^{\′}(i-1,j)+I^{\′}(i,j-1)}{3}$

其中，I(i，j)代表原始图像当前点像素灰度值，I′(i，j)代表均值漂移滤波输出图像当前像素的灰度值，H，W分别代表图像的长和宽。

3.根据权利要求1所述的红外成像目标分割方法，其中步骤(2e)所述的从大于零的部分选取背景模板阈值T_l，通过如下公式进行：

$T_l=\max \left(\underset{R_l\left(\mathrm{\ρ}\right)>r_l}{M_v}\right[a\left(\mathrm{\ρ}\right)\left]\right|\mathrm{\ρ}=\{\mathrm{1,2},L,N\})$

式中，ρ为区域类别数，a为区域，a(ρ)表示第ρ个区域，M_v[a(ρ)]为第ρ个区域的灰度值，R_l(ρ)为第ρ个区域与背景参考值V_l之间的灰关联系数值，r_l为背景拐点值。

4.根据权利要求1所述的红外成像目标分割方法，其中步骤(2e)所述的从大于零的部分选取目标阈值T_h，按如下公式进行：

$T_h=\min \left(\underset{R_h\left(\mathrm{\ρ}\right)>r_h}{M_v}\right[a\left(\mathrm{\ρ}\right)\left]\right|\mathrm{\ρ}=\{\mathrm{1,2},L,N\})$

式中，R_h(ρ)为第ρ个区域与背景参考值V_h之间的灰关联系数值，r_h为目标拐点值。

5.根据权利要求1所述的红外成像目标分割方法，其中步骤(2e)所述的从差值大于零的部分选取联合模板阈值T_m，根据如下公式进行：

$T_m=\min \left(\underset{R_h\left(\mathrm{\ρ}\right)\≥R_l\left(\mathrm{\ρ}\right)}{M_v}\right[a\left(\mathrm{\ρ}\right)\left]\right|\mathrm{\ρ}=\mathrm{1,2},L,N\left\}\right).$

6.根据权利要求1所述的红外成像目标分割方法，其中步骤(2f)按如下步骤进行：

(6a)生成元素值均为零的指示矩阵E₀＝{E₀(i，j)＝0|i＝1，2，L，H；j＝1，2，L，W}；

(6b)若初分割图像I_ms的当前像素点I_ms(i，j)小于背景模板阈值T_l，则将指示矩阵E的当前元素值E(i，j)设为背景模板阈值T_l；

(6c)若联合模板阈值T_m大于等于目标模板阈值T_h，分两种情况处理：

若初分割图像I_ms的当前像素点I_ms(i，j)大于联合模板阈值T_m，则将指示矩阵E的当前元素值E(i，j)设为联合模板阈值T_m；

若初分割图像I_ms的当前像素点I_ms(i，j)小于等于联合模板阈值T_m且大于等于背景模板阈值T_l，则将指示矩阵E的当前元素值E(i，j)设为联合模板值T_m和目标模板阈值T_h加权得到的新的数值；

(6d)若联合模板阈值T_m小于目标模板阈值T_h，分两种情况处理：

若初分割图像I_ms的当前像素点I_ms(i，j)大于目标模板阈值T_h，则将指示矩阵E的当前元素值E(i，j)设为目标模板阈值T_h；

若初分割图像I_ms的当前像素点I_ms(i，j)小于等于目标模板阈值T_h且大于等于背景模板阈值T_l，则将指示矩阵E的当前元素值E(i，j)设为背景模板阈值T_l和目标模板阈值T_h加权得到的新的数值；

(6e)由上述步骤(6a)～(6d)得到指示矩阵E＝{E(i，j)|i＝1，2，L，H；j＝1，2，L，W}，其中E(i，j)的具体数值如下式所示：

式中，I_ms(i，j)为初分割图像I_ms的当前像素点灰度值，E(i，j)为指示矩阵E的当前元素值，k为权值系数且k∈[0，1]，H，W分别代表图像的长和宽；

(6f)令动态模板图D在数值上等于指示矩阵E，即D＝E，D中像素的灰度值D(i，j)在数值等于指示矩阵E中的元素E(i，j)，即D(i，j)＝E(i，j)。

Images