CN106204617B - 基于残差图像直方图循环移位的自适应图像二值化方法 - Google Patents

Abstract

本发明公开了一种基于残差图像直方图循环移位的自适应图像二值化方法，包括如下步骤：—处理目标图像，得到对应的背景图像；通过分析目标图像的灰度分布特性，得到对应的二值化残差掩膜；—利用背景图像和所述的目标图像，得到初始残差图像；统计该初始残差图像的直方图，生成残差直方图；该直方图横轴为残差值，纵轴为像素个数；—将所述残值直方图中的图像沿横轴/残差值正方向循环移位，计算循环移位后的残差直方图的平均残差值，作为对残差图像进行二值化操作的阈值；—使用所述阈值对残差图像进行二值化，得到二值化图像。

Description

基于残差图像直方图循环移位的自适应图像二值化方法

技术领域

本发明涉及一种图像二值化方法，尤其涉及一种基于残差值图像直方图循环移位的自适应图像二值化方法。涉及专利分类号G06计算；推算；计数G06K数据识别；数据表示；记录载体；记录载体的处理G06K9/00用于阅读或识别印刷或书写字符或者用于识别图形，例如，指纹的方法或装置G06K9/36图像预处理，即无须判定关于图像的同一性而进行的图像信息处理G06K9/38模拟图像信号的量子化。

背景技术

在基于红外海面图像的目标检测方面，图像二值化技术由于其具有操作简单、可靠性高、实时性好等巨大优势，现已成为该领域中最为常见的技术手段。通常来说，图像二值化技术包含两个关键因素：作用域和二值化阈值。在实际应用当中，作用域的选取和二值化阈值的计算将直接决定红外海面目标检测的准确性。

目前来说，依据作用域的不同，图像二值化方法大致分为全局图像二值化(如微分直方图法、最大类间方差法等)和局部图像二值化(如Bernsen算法、基于块分析的二值化算法等)。而依据二值化阈值计算方法的不同，又可分为人工阈值法和自动阈值法。然而，现有算法在实际的红外海面目标检测当中普遍存在以下缺陷：

1.算法易受图像平均灰度变化的影响。实际拍摄的图像由于大气程辐射不同、场景内容不同等因素，难以保证具有均匀或相似的灰度分布特性，而现有算法仅依靠图像的灰度特性进行阈值分割，当图像的灰度分布特性发生改变时，难以保证对不同环境下拍摄的图像均具有良好的检测效果；

2.算法忽略像素局部对比度信息的利用。现有算法普遍仅利用各像素点的绝对灰度进行分割，而忽略了对像素点局部对比度信息的参考，容易导致当图像中同时出现强前景像素和弱前景像素时，弱前景像素会被漏检的现象；

3.难以自动计算最佳分割阈值。现有的阈值自动计算方法通常仅能在前景像素具有很强特征(如大面积、强灰度等)的情况下得到较为理想的分割阈值，而当前景较小或自身灰度较弱时，计算结果难以保证较好的分割效果。

上述问题的存在，导致现有的图像二值化方法难以在实际工程应用当中保持较高的鲁棒性。

发明内容

本发明针对以上问题的提出，而研制的一种基于残差图像直方图循环移位的自适应图像二值化方法，包括如下步骤：

—处理目标图像，得到对应的背景图像；通过分析目标图像的灰度分布特性，得到对应的二值化残差掩膜；

—利用背景图像和所述的目标图像，得到初始残差图像；统计该初始残差图像的直方图，生成残差直方图；该直方图横轴为残差值，纵轴为像素个数；

—将所述残值直方图中的图像沿横轴/残差值正方向循环移位，计算循环移位后的残差直方图的平均残差值，作为对残差图像进行二值化操作的阈值；

—使用所述阈值对残差图像进行二值化，得到二值化图像。

作为优选的实施方式，由原始采集图像经对比度拉伸后得到所述的目标图像。

作为优选的实施方式，所述的对比度拉伸具体如下：

依据公式(1)对原始采集图像进行灰度变换：

Fout＝A×{exp[γ×(Fin-a)]-1} (3)

在该公式中，Fin和Fout分别是输入和输出的灰度值；a是原始采集图像中的最小灰度值；γ是拉伸因子，可以控制拉伸曲线的曲率大小，进而调整对不同灰度级的拉伸强度；A控制输出的灰度范围，其计算方法如公式(2)：

其中，MaxValue是预设的最大输出灰度，b是原始采集图像的最大灰度值。

公式(2)中的参数a和b，分别代表原图像中的最小灰度值和最大灰度值，由这两个值限定了灰度拉伸的范围(原图像中的灰度值仅会出现在a～b之间，使得本处理步骤能够仅针对图像的有效范围进行操作，而且可以通过控制拉伸因子的值调整前景拉伸程度，从而可依据不同的应用背景实现不同的拉伸效果；而且拉伸操作能够增大在残差图像中目标和背景间的灰度差别，进而扩大最佳二值化阈值的取值范围，进而提高了后续二值化阈值计算方法的鲁棒性。

更进一步的，获得所述对比度拉伸后的目标图像后，分析目标图像的灰度分布特征，得到二值化残差掩膜。

更进一步的，利用所述的二值化残差掩膜将所述残差图像中部分残差值归零。

更进一步的，获取分析目标图像的灰度分布特征，得到二值化残差掩膜具体包括如下步骤：

—统计对比度拉伸后原图像的归一化灰度直方图；

—从最低灰度级开始逐级累加各灰度级所占的比例，记录当累计比例达到预定值时所对应的灰度级；

—以所述的灰度级对比度拉伸后的原图像进行二值化操作，得到所述的二值化残差掩膜。

作为优选的实施方式，所述循环移位具体包括如下步骤：

—分别寻找残差直方图中横轴最左侧和最右侧的非零点，将二者之间的残差范围作为循环移位的操作范围；

—寻找残差直方图中峰值点及其右侧第一个零点的位置，将二者间隔作为残差直方图循环移位的距离；

—残差直方图沿横轴/残差值正方向循环移位，对于首次移动后超出所述操作范围的点，以操作范围的最小值与超出所述操作范围的距离的和作为二次移动的距离，重新以操作范围最小值为起点进行移位，直至移动后该点处于所述操作范围之内，结束循环移位。

通过采用上述的直方图像循环移位步骤，能够将残差直方图中占有像素较多的残差级调整到最佳二值化阈值范围之内，保证了残差直方图的平均值也处于最佳二值化阈值范围之内，实现良好的二值化效果。

作为优选的实施方式，以较大尺寸的高斯低通滤波模板对拉伸后的目标图像进行低通滤波，生成对应的背景图像。

由于采用了上述技术方案，本发明提出的基于残差图像直方图循环移位的自适应图像二值化方法，具备简单可靠、实时性好、受图像平均灰度变化的影响较小，对图像中局部极大的灰度/对比度信息具有良好的敏感性等诸多优点。可以有效地解决常规图像二值化方法中最佳阈值难以自适应计算的问题，能够自适应地计算出可用于图像分割、目标检测等方面的最佳二值化阈值，从而有助于实现对图像的自动分割或对目标的自动检测。

附图说明

为了更清楚的说明本发明的实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明基于残差图像直方图循环移位的自适应图像二值化方法流程图。

图2为本发明实施例中的原始采集图像和不同方法对比度拉伸后图像，其中，图a为原始采集的图像；图b为本发明对比度拉伸后图像，图c为线性灰度拉伸后图像。

图3为本发明实施例中生成的背景图像。

图4为本发明实施例中生成的残差掩膜。

图5为本发明实施例中生成的残差图像。

图6为本发明实施例中的残差直方图循环移位示例图。

图7为本发明实施例中生成的二值化结果图像。

图8为本发明实施例中对比算法生成的二值化结果图像。

具体实施方式

为使本发明的实施例的目的、技术方案和优点更加清楚，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚完整的描述：

本发明考虑借助残差图像直方图循环移位的方法来自适应计算残差图像的最佳二值化阈值，以此对残差图像进行二值化操作，所得结果即为原始图像的最终二值化结果图像。在本实施例中，将以检测红外海面图像中的海面目标为例具体阐释本发明方法的实施过程。

图1示出根据本发明的基于残差图像直方图循环移位的自适应图像二值化方法的流程图。如图1所示，本方法首先通过对比度拉伸来增大前景像素的对比度信息，并借助背景图像和残差掩膜来计算残差图像，以便进一步增大前景像素与背景像素的灰度差异，然后统计得到残差图像的灰度直方图(即残差直方图)，并对残差直方图进行右向循环移位，计算移位后残差直方图的平均残差值即可得到最佳二值化阈值，最后依此阈值对残差图像进行二值化操作，从而得到最终的二值化结果图像。

本方法立足于统计分析对比度拉伸后原图像中前景像素与局部背景像素间的灰度差异，并借助残差直方图循环移位的方法自适应计算最佳分割阈值，将与局部背景像素差别较大的前景像素分割出来，从而实现对局部灰度奇异性较大的像素的自适应提取。主要包括如下步骤：

考虑到由相机等成像设备采集的原始图像中，背景像素会对前景像素造成一定的干扰，同时前景像素的局部对比度也比较难满足后续的图像处理要求。故作为优选的实施方式，针对原始采集图像，设有对比度拉伸步骤。

如图1所示，针对采集相机等成像设备采集到的原始图像，以便抑制背景像素的干扰并增强前景像素的局部对比度。在该步骤中，图像对比度拉伸所参考的公式为公式(1)和(2)，其中，公式(1)中的拉伸因子γ决定了对比度拉伸强度，随着拉伸因子的增大，将有更多的背景像素被抑制，但同时也会有更多的前景像素被当作背景像素被抑制。

优选地，本方法在实际操作中可以将拉伸因子γ设定为0.04。图2(a)和图2(b)分别示出一幅原始红外海面图像和本步骤所生成的对比度拉伸图像。为进一步体现本拉伸方法的优势，本实施例中选取线性灰度拉伸作为对比算法，其拉伸效果图如图2(c)所示。经统计，图像中两个目标的局部对比度拉伸前后对比如表1所示(对比度计算公式如式(3)所示)。

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对比度拉伸前后目标对比度变化

	原图像	线性灰度拉伸后	本实施例对比度拉伸后
				中间目标	1.63	2.15	2.97
右侧目标	1.23	1.33	1.61

从表1中可以看出，相比较于常规的灰度线性拉伸算法，本发明所提出的图像拉伸算法能够更好的增强前景像素和背景像素间的灰度区分度，从而扩大了最佳二值化阈值范围，有助于提高后续算法的鲁棒性。

如图1所示，在图像对比度拉伸之后，将进入背景图像生成步骤。在该步骤中，将通过采用大尺寸高斯滤波模板对对比度拉伸图像进行低通滤波，以估计得到相应的背景图像。

也可采用诸如计算序列图像的平均表达来估计图像背景。

优选地，高斯滤波模板尺寸可以设定为21×21，高斯滤波的标准差σ可以参照公式(3)进行计算：

其中，s为高斯滤波模板的尺寸，例如21。图3示出本步骤所生成的背景图像。

为了能够进一步减少背景信息对前景像素分割带来的干扰，作为优选的实施方式，还设有残差掩膜获取的步骤：

如图1所示，在图像对比度拉伸之后，将同时进入残差掩膜获取步骤。在该步骤中，将首先统计对比度拉伸图像的归一化灰度直方图，然后，从最低灰度级开始逐级累加各灰度级所占的像素比例，当累计比例达到预设值时将停止累加，此时所对应的最高累加灰度级将作为二值化阈值对对比度拉伸图像进行二值化操作，所得结果即为残差掩膜，如图4所示。

优选地，本步骤中的预设累计比例可以为90％。

在得到背景图像和残差掩膜之后，可通过先将对比度拉伸图像减去背景图像得到全局残差图像，然后将全局残差图像与残差掩膜相与便可得到最终的残差图像，如图5所示。

统计残差图像的残差值信息，生成残差图像相应的残差直方图。

依据残差直方图，寻找占有像素数最多的残差值以及大于该残差值的第一个占有0像素数的残差值，然后，将二者的绝对差作为残差直方图循环移位的距离，以残差直方图的最大、最小灰度级为循环移位的边界点，对残差直方图进行右向循环移位，如图6所示。具体操作过程如下，假设操作范围是1～10，移位距离是5，那么原来在8的点，向右移位5之后移动到了13的位置，但是13超出了操作范围，超出的距离为3，因此，将其重定位到操作范围内的4处(操作范围的最小值1加上超出的距离3)即可。

经实验发现，当分割阈值处于23～55之间时，可得到理想的分割效果。而从图6中可以看到，经上述直方图循环移位操作后，原始残差直方图中占有像素比例较高的残差级均调整到23～55之间，即使得循环移位后的残差直方图中绝大部分残差值落在了最佳分割阈值范围内，有助于提高后续分割阈值计算的鲁棒性。

计算循环移位后残差直方图的平均残差值，在本实施例中，平均残差值为31，处于上述最佳分割阈值范围内，从而进一步证明了本发明所提出方法的可靠性。此外，由于在本实施例中，分割阈值可以是最佳阈值范围中的任何值，因此，相比较于传统的二值化方法，本方法的鲁棒性得到了较大提高。

以前一步骤中得到的平均残差值为阈值，对残差图像进行二值化操作，所得结果即为最终的二值化图像，如图7所示。

结合图2和图7可以看出，本发明所提出的基于残差图像直方图循环移位的自适应图像二值化方法能够同时将图像中灰度差别较大的两个海面目标提取出来，并很好地抑制天空、海浪等背景干扰，从而实现良好的海面目标自动检测效果。

为进一步说明本方法在前景像素分割方面的优势，本实施例选取一种典型的图像二值化方法——最大类间方差法(又称大津法)——作为对比算法，其二值化结果如图8所示。

对比图7和图8可以看出，最大类间方差法的二值化结果中存在较多的背景干扰(如云层、海浪、海天线等)，而本发明方法在分析图像局部灰度对比度特性的基础上所得到的二值化结果图中很好的抑制了上述背景干扰，仅提取出两个海面目标。此外，通过用上述两种方法分别处理图2(a)所示的1000帧序列图像，可以统计得到各自的漏警率和虚警率，如表2所示。

表2两种二值化方法的漏警率和虚警率

二值化方法	漏警率	虚警率
			本发明方法	0.14％	0.78％
最大类间方差法	1.65％	99.50％

从表2中可以看到，本发明所提出方法的漏警率和虚警率均优于最大类间方差法。在漏警率方面，本发明方法仅有0.14％的漏警率，而最大类间方差法的漏警率为1.65％。经分析发现，在原始图像序列中的部分图像内，图2(a)所示靠近右侧边界的海面目标灰度要低于海浪、云层等背景干扰的平均灰度，导致最大类间方差法将该目标视作背景像素而将其去除，导致漏检率的升高。相比之下，本发明方法在充分分析图像局部对比度的基础上，提高了对局部奇异像素的敏感性，且增强了对高亮度背景干扰的抑制能力，从而实现更好的弱小目标检测效果，降低了漏警率。进一步分析发现，当目标的局部对比度低于1.3时，最大类间方差法将会漏检该目标，而本发明方法在该组图像序列中实现目标准确检测的对比度下限为1.06。

在虚警率方面，本发明方法仅为0.78％，而最大类间方差法为99.50％。经分析可知，最大类间方差法纯粹依靠各像素点的绝对灰度进行前景分割，忽略了各像素点与其邻域内其他像素点的灰度差异性，从而将云层、海浪等具有较高平均灰度但是局部奇异性较低的背景干扰提取出来。相比之下，本发明方法更多的依靠各像素点灰度的局部奇异性进行前景分割，进而实现了对高亮度背景良好的抑制效果。

具体来说，本发明通过残差图像和残差直方图来分析图像中前景像素与局部背景像素间的灰度差异，即前景像素的局部对比度信息，而没有直接分析前景像素的灰度信息，因此本发明对图像中局部对比度较大的像素具有很高的敏感性，能够克服传统二值化方法单纯依靠灰度分析时难以有效提取弱目标或弱前景像素的问题。同时，由于本发明利用的是像素的局部对比度信息，而非亮度信息，因此，本发明能够克服因图像平均灰度的变化所造成的二值化结果不理想的问题。此外，本发明所提出的基于残差直方图循环移位的自适应阈值计算方法能够实现对最佳分割阈值的自动计算，无需人工干预，从而极大地提高了算法的鲁棒性和工程应用价值。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (2)

1.一种基于残差图像直方图循环移位的自适应图像二值化方法，其特征在于具有如下步骤：

原始采集图像经对比度拉伸后得到目标图像，处理所述目标图像，得到对应的背景图像；通过分析目标图像的灰度分布特性，得到对应的二值化残差掩膜；

利用背景图像和所述的目标图像，得到初始残差图像；统计该初始残差图像的直方图，生成残差直方图；该直方图横轴为残差值，纵轴为像素个数；

将所述残值直方图中的图像沿横轴/残差值正方向循环移位，计算循环移位后的残差直方图的平均残差值，作为对残差图像进行二值化操作的阈值；

使用所述阈值对残差图像进行二值化，得到二值化图像；

所述的对比度拉伸具体如下：

依据公式(1)对原始采集图像进行灰度变换：

Fout＝A×{exp[γ×(Fin-a)]-1} (1)

其中，Fin和Fout分别是输入和输出的灰度值；a是原始采集图像中的最小灰度值；γ是拉伸因子，可以控制拉伸曲线的曲率大小，进而调整对不同灰度级的拉伸强度；A控制输出的灰度范围，其计算方法如公式(2)：

其中，MaxValue是预设的最大输出灰度，b是原始采集图像的最大灰度值；

获得所述对比度拉伸后的目标图像后，分析目标图像的灰度分布特征，得到二值化残差掩膜；利用所述的二值化残差掩膜将所述残差图像中部分残差值归零；

其中，获取分析目标图像的灰度分布特征，得到二值化残差掩膜具体包括如下步骤

统计对比度拉伸后原图像的归一化灰度直方图；

从最低灰度级开始逐级累加各灰度级所占的比例，记录当累计比例达到预定值时所对应的灰度级，预定值为85％-95％；

以所述的灰度级对比度拉伸后的原图像进行二值化操作，得到所述的二值化残差掩膜；

所述循环移位具体包括如下步骤：

分别寻找残差直方图中横轴最左侧和最右侧的非零点，将二者之间的残差范围作为循环移位的操作范围；

寻找残差直方图中峰值点及其右侧第一个零点的位置，将二者间隔作为残差直方图循环移位的距离；

残差直方图沿横轴/残差值正方向循环移位：对于首次移动后超出所述操作范围的点，以操作范围的最小值与超出所述操作范围的距离的和作为二次移动的距离，重新以操作范围最小值为起点进行移位，直至移动后该点处于所述操作范围之内，结束循环移位。

2.根据权利要求1所述的基于残差图像直方图循环移位的自适应图像二值化方法，其特征还在于以不低于图像高度1/25的高斯低通滤波模板对拉伸后的目标图像进行低通滤波，生成对应的背景图像。