一种新的泊位飞机阴影分割方法

郭艳颖 ，杨国庆 ，蒋立辉

（1.南京航空航天大学计算机科学与技术学院，南京 210016；2.中国民航大学电子信息工程学院，天津 300300；3.广州民航职业技术学院，广州 510403）

在飞机泊位自动引导系统中，从视频图像中提取飞机目标进行飞机背景分割，是泊位系统成功与否的关键，其分割效果直接影响到飞机目标识别跟踪的实现，因此有效检测出运动物体的阴影区域是很重要的工作。目前的阴影检测算法大多应用阴影的色彩特征进行检测，对场景和运动目标的几何特征、光照方向等都有要求，运动目标的阴影会被误判为运动目标的一部分，这将增加后续工作中识别跟踪和姿态评估算法的复杂度。同时泊位飞机的阴影给模板的建立和模板匹配带来困难，或者利用阴影作为飞机识别的一个特征，或者消除泊位飞机的阴影。

阴影分割属于图像分割领域，图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。图像分割至今尚无通用的自身理论，随着各学科许多新理论和新方法的提出，研究人员不断改进原有的图像分割方法并与一些新理论和新方法相结合，提出了不少新的分割方法。基于变分的图像分割方法是近年来研究颇为活跃的一个分支,将图像分割问题转化为能量函数的最小化问题，并把变分原理转化为偏微分方程求解。其优点是最小化能量函数能够综合考虑几何约束、与图像有关约束条件，得到比较自然的分割效果。由Kass等人[1]提出的主动轮廓模型是目前流行的基于变分的图像分割算法，它已经成功应用于很多图像分析和计算机视觉领域，如运动跟踪、边缘提取、图像分割和分类等。随后出现很多改进的主动轮廓模型方法，如基于梯度矢量流的、基于有限元的、贪婪算法、无边界的、小波多分辨率技术、改进C-V算法[2-6]，这些算法主要优点是改善了主动轮廓线模型的收敛性和稳定性；缺点是对初始位置敏感，而且要保证模型收敛到全局极值，同时对于复杂背景的图像、噪声和灰度不均匀图像分割效果也不是很理想，无法兼顾收敛速度和精确度。

本文重点研究了基于机场视觉泊位自动引导系统的阴影分割关键技术。提出了将多方向权重形态学和无边界主动轮廓线模型相结合的算法，首先利用多方向权重形态学滤波算法对整个图像进行平滑，然后进行幂运算来增加能量差别,最后利用无边界主动轮廓线模型定义能量函数,得到感兴趣的区域。该结合算法使迭代次数明显减少,计算精度提高，应用在飞机泊位引导系统中，有效抑制了泊位飞机的“拖尾”现象，有效地检测出运动物体的阴影。

1 算法研究

1.1 多方向权重形态学滤波

权重腐蚀（WER）和膨胀（WDI）定义如下

其中：B是结构元素；X为原始图像。其他运算如权重开运算（WOP）和闭运算（WCL）均为权重腐蚀和权重膨胀的级联形式，具体运算公式如下而权重开-闭运算（WOPCL）和闭-开运算（WCLOP）分别描述如下

结构元素B有标准化权重因子并且因子的值采用这种方式计算：权重边缘方向点的值是1，最远点的权重值是按照权重因子ω＞1进行赋值，这样导致边缘点的影响很重要而减少相邻点的影响。其余的权重值基于△ω=（ω-1）/d增长来计算，其中d是边缘方向点和距离边缘方向点的最远点的距离。在水平和垂直方向，权重按照△ω增长，每一步都从边缘方向点开始。例如，对于大小为3×3的结构元素B来说，假如水平方向的边缘ω1=3，那么B就为B1，其中△ω=2；假如ω2=3，而在倾斜45°方向上的相同边缘点（有下划线），B将变为B2，其中△ω=1。

1.2 无边界主动轮廓模型

主动轮廓线模型最早由Kass等人提出，参见文献[1]。其缺点是对所选择的初始轮廓非常敏感，深度凹陷的目标轮廓收敛结果不理想。基于此算法出现很多改进的算法，如主动轮廓线模型的快速算法、简化的MS模型等。但这些算法也存在着如下缺点：用平均灰度粗略的近似描述区域，尤其是当区域的均值相似而方差不同时，分割结果非常不理想。Tsaia等人[2]进一步改进MS模型，能自动分割多种类型区域，但是却存在着边界定位不准确，而且计算量很大，仅适用简单背景的情况。

鉴于以上主动轮廓线模型的研究，本文重点是正确分割出目标区域，提高精度，同时降低时间复杂度，尽可能使复杂背景的情况也适用于主动轮廓线模型。同时本文采用多方向权重形态学进行滤波，分割噪声，得到平滑图像，再经过幂变换使得图像区域间能量差别明显，更适合无边界主动轮廓线模型的分割条件，这样使得某些复杂背景的情况得到较高的分割精度。

1.3 分割泊位飞机阴影算法

根据上述分析，同时进行图像平滑和图像分割，提出了多方向权重形态学-幂变换-无边界主动轮廓线模型结合算法来分割飞机阴影。算法过程如下：利用多方向权重形态学算子对图像做预处理，得到平滑图像，同时保留细节。经过幂变换来增强图像质量，再用主动轮廓模型分割出感兴趣的区域，即分割泊位飞机的阴影。此算法的优点是保持比较高的分割精度，加快能量曲线的收敛速度，减少迭代次数，降低时间复杂度。

本文采用算法1.1中的多方向权重形态学算子得到结构元素，实现平滑区域。结构元素采用标准化权重因子并且因子的值采用这种方式计算：权重边缘方向点的值是1，最远点的权重值是按照权重因子ω＞1进行赋值，这样导致边缘点的影响很重要而减少相邻点的影响。其余的权重值基于△ω=（ω-1）/d增长来计算，其中d是边缘方向点和距离边缘方向点的最远点的距离。在水平和垂直方向，权重按照△ω增长,每一步都从边缘方向点开始。利用上述结构元素对泊位飞机图像进行平滑,能够区分不同性质像素，分属不同区域，相同性质像素属于同一区域，同时使得边缘更明确。分割图像噪声的同时，修补被噪声模糊的边界。利用多方向权重形态学后的图像如图1～图2所示，从图中可以看出，无论是背景复杂还是带有噪声的图像，经过数学形态学的平滑预处理，不但没有改变目标区域的轮廓，区域的相对位置也没有改变。然后经过幂变换增强图像质量，使得目标区域的能量分布更加明显，利于后续的主动轮廓线模型的分割。

图1 边缘图像Fig.1 Edge images

图2 去噪图像Fig.2 Denoise images

本文利用幂变换后的图像作为无边界主动轮廓线模型的初始化轮廓线，并且感兴趣的大致区域用一个掩膜表示。主动轮廓线模型对于二值图像或者简单背景图像分割效果不错，对于比较复杂的背景图像，背景中可能有部分小区域与物体具有相类似的能量,从而造成模糊的边界,这对使用主动轮廓模型带来的影响是：使轮廓线收敛不稳定，在模糊边界反复跳动，或背景当阴影误分割出来。

多方向权重形态学滤波算法，利用结构元素的开运算去掉凸角，闭运算填充凹陷[7]，得到平滑图像。因此通过多方向权重形态学进行预处理，选取多方向权重结构元素对原图像进行权重开闭运算，然后利用幂变换得到平滑图像更有利于无边界主动轮廓线模型的分割。对于初始化掩膜和求取窄带是无边界主动轮廓线模型的步骤，从而减少计算提高效率。本文期望分割泊位飞机的阴影，同时能够保持细节信息。而不会把阴影误判为目标，同时提高分割阴影的效率，为后续目标识别等工作奠定良好基础。

2 实验及其分析

采用本文算法进行实验和分析，利用机场飞机泊位录像，图像有比较细致的边缘信息如窗口等，多方向权重形态学滤波自动选择合适的结构元素进行滤波，得到平滑图像，然后利用幂变换得到能量对比度增强的图像。最后利用无边界主动轮廓线模型分割目标。其中掩膜的选择根据飞机的机头、发动机等特征，通过多次实验得到掩膜为半径40的圆形初始位置在左上方效果比较好，分割结果如图3所示。从图3中可见，平滑图像经过幂变换后边缘的能量差更加显著，这样可提高收敛速度，减少迭代次数。该算法与改进高斯型算法、主动轮廓线模型算法进行比较，发现本文算法同时能够解决泊位飞机由于视频差导致的“拖尾”现象，如图3所示。

图3 阴影分割图像Fig.3 Shadow detection images

分析处理后图像可知，多方向权重形态学处理、幂变换与无边界主动轮廓线模型迭代所用时间之和较直接用主动轮廓模型明显减少，降低了主动轮廓线模型的迭代次数，减少了时间复杂度。而且本算法还和经典阴影分割算法即高斯模型相比，减少了分割阴影时带来的拖尾现象。

3 结语

鉴于无边界主动轮廓线模型时间复杂度高的缺点，引入多方向权重形态学滤波算法对飞机泊位图像进行预处理，然后经过幂变换大大改善图像尤其边界处的能量。减少了用无边界主动轮廓模型进行图像分割的迭代次数，同时由于滤波平滑作用提高了分割精确度，又解决了飞机运动过程中的拖尾现象。实验证明，该算法利用滤波的时间换取主动轮廓线模型的快速收敛，减少总的运算时间，同时应用在视觉自动泊位引导系统中阴影分割得到良好的效果，为后续目标的提取奠定了良好的基础。

[1]KASS M，WITKIN A.Snakes:Active contourmodels[J].International Journal on Computer Vision，1988，1（4）：321-331.

[2]TSAIA，YEZZIA，WILLSKY A S.A Curve Evolution Approach to Smoothing and Segmentation Using the Mumford-Shah Function[C]//CVPR 00∶Proceedings of the 2000 IEEE Computer Society Conference on Computer Vision and Pattern Recognition.Washington，DC：IEEE Computer Society，2000：119-124.

[3]李培华，田 文.主动轮廓模型（蛇模型）综述[J].软件学报，2001，11（6）：751-757.

[4]方 挺，杨 忠，沈春林.一种基于主动轮廓模型的运动目标跟踪方法[J].信息与控制，2008，37（1）：99-102.

[5]叶昆权，战荫伟.结合数学形态学和无边界主动轮廓模型的图像分割方法[J].计算机应用，2009，29（9）：2398-2405.

[6]吴 佳，张永红，白 净，等.基于分水岭变换和主动轮廓模型的舌体轮廓图像分割[J].清华大学学报（自然科学版），2008，48（6）：32-38.

[7]汪林林，杨 帆，王佐成.自适应多方向模糊形态学边缘检测算法[J].计算机应用研究，2009，26（3）：1177-1179.