沙漠背景下红外偏振图像目标检测方法

李小明，黄勤超



沙漠背景下红外偏振图像目标检测方法

李小明1,2，黄勤超1,2

（1.陆军军官学院，安徽 合肥 230031；2.偏振光成像探测技术安徽省重点实验室，安徽 合肥 230031）

红外偏振成像探测同时探测目标的强度辐射与反射偏振态，可以获取传统光学无法获取的目标。偏振探测获取的偏振度、偏振角等信息反映不同的物理特性，与强度图像有较强的互补性。针对该特性，提出一种沙漠背景目标红外偏振图像检测方法。使用一种改进的核模糊聚类算法对红外图像和偏振图像进行聚类处理；利用稀疏融合方法将聚类后的红外图像和偏振度图像中的物体信息充分结合，以区分目标与背景，以达到目标检测的目的。实验表明，提出的检测方法相对小波融合和拉普拉斯金字塔融合结果噪声更低、细节更清晰。

红外偏振；核模糊C均值聚类；稀疏融合；模式识别

0 引言

红外成像探测具有被动探测、穿透烟雾、探测距离远等优点，广泛应用于战场监测、远程预警、成像制导[1]等领域。红外图像处理通过对探测的红外特征进行解析，提取出感兴趣的目标。红外目标特征主要是指其红外辐射特性，除了感兴趣的人造目标以外，自然植被、云层、大气背景等都会产生热辐射，在目标图像上产生大量的混叠背景，降低了目标的信噪比。特别是沙漠背景下，背景与目标的红外辐射比较接近，给目标检测和识别带来的极大的困难。

为了提取红外图像中感兴趣的目标，提出了很多图像增强和图像融合的方法。偏振图像由于具备偏振态这一目标本征信息，与红外图像进行融合，能有效增强目标，是红外图像目标增强的重要方法之一。通过对目标辐射和反射偏振态的探测，红外偏振成像探测除了获取目标的红外辐射强度，还可以获取目标的红外辐射偏振参量，依据不同目标偏振特性的不同，甚至可以区分出红外强度特征相同的不同目标[2]。理论分析表明偏振图像具有的方向极化特性能反映边缘、轮廓及表面粗糙度等目标重要特征，与红外强度图像具有很强的冗余性和互补性。近年来，红外偏振图像融合目标检测主要采用多分辨率方式融合红外强度图像和红外偏振图像对红外图像进行处理[3]，利用小波变换、金字塔变换等方法分别对高频、低频图像融合[4-5]提升目标的细节，具有较好的效果，但也存在对比度不高，噪声较多等不足。

提出了一种新的红外偏振图像目标检测方法用于检测沙漠背景下红外目标。首先基于聚类方法对红外强度图像和红外偏振图像分别进行聚类，其次采用稀疏融合对聚类图像进行融合，能够较好地检测出沙漠背景下的人造物体，为目标识别提供基础。

1 图像偏振参量的定量描述

光的偏振信息较多采用斯托克斯参量[,,,]T表示，其中代表辐射强度，表示0°与90°线偏振光分量之差，表示45°与135°线偏振光分量之差，代表右旋与左旋圆偏振光分量之差，工程中认为为0可以忽略。当确定一个参考0°方向后，任意偏振方向透过的光强可表示为：

2 核模糊C均值聚类图像分割

复杂场景下红外图像及其偏振图像受噪声干扰大，直接进行图像分割精度较差。为克服噪声干扰，提高图像分割精度，首先对待分割的红外与偏振图像利用非线性扩散方法消除噪声。然后对图像采取核模糊C均值聚类算法（KFCM）对图像进行分割。

模糊聚类（FCM）是一种典型的无监督聚类方法，广泛应用于图像的分类等处理。但该算法易受噪声影响。核模糊聚类（KFCM）算法采用核函数取代模糊聚类中的欧式距离，其状态更新采用迭代算法，受噪声影响较小，但运算速度慢。为了提高运算速度及改善噪声影响，Chen和Zhang对FCM进行了改进[7]，采用均值滤波和中值滤波的联合公式表示，目标函数FCM_S1,2如下：

函数FCM_S1,2较好地抑制了噪声的影响，但为人工设定经验值，对结果影响较大。为了解决需人工设定的问题，本文采用一种自适应核模糊C均值聚类算法（AKFCM），描述如下：

由于噪声会使中心像素及其邻域的不均匀性增加，为了自适应处理不同大小的噪声，首先计算局部差异系数（LVC）评估局部窗口的灰度差。定义像素的局部差异系数：

则，窗口内每个像素的权重由下式定义：

当像素LVC值较大,则参数较大，表明该像素灰度值比其邻域像素的灰度均值大，反之则较小，相等则为0。因此，通过调节目标函数的方法与标准FCM的算法是一致的。式中常量2是经验值，用以平衡算法的收敛速度和细节保持能力。用目标参数取代式(3)中的，并采用高斯核函数取代式(3)中的欧拉距离，可得到新的目标函数：

为了最小化目标函数，结合约束条件，可以得到隶属度矩阵和聚类中心：

相对于KFCM等聚类算法采用递归方法不断更新上下文信息，式(7)中仅与邻域内的灰度值相关，且在聚类处理之前就可以计算得到，大大降低了算法的复杂度。另外，大小取决于于局部邻域内像素灰度的不均匀性，与聚类中心无关。因此，根据局部灰度分布趋向于均匀聚类，其它增强型FCM等则通过上下文信息使聚类趋向更加均匀。

算法过程如下：

①初始化阈值、，最大迭代次数，隶属度矩阵和聚类中心矩阵；

②计算自适应参数；

④用式(9)的u()计算式(10)的聚类中心v()；

⑤计算成员函数u(＋1)；

对图像分别采用核模糊均值聚类和文中算法等进行度对比，参数选择为聚类数20，模糊指数2，窗口大小8，误差为10－5，最大迭代次数100次，结果如图1和图2所示。从图中可以看出，文中方法聚类得到的图像边缘更加清晰，特别是对偏振度图聚类后，不仅目标更加清晰，背景的景深、纹理、对比度等都有较大改善，为下一步图像融合提供了很好的基础。

3 红外强度图像与偏振图像的融合

为了实现红外强度图像与红外偏振图像的融合，采用基于稀疏表示的融合方法[8]，该算法描述如下：

式中：1和2分别表示待融合的两幅聚类图像；和是融合图像与两幅源图残差的权重。

为了验证算法的有效性，以一组沙漠中摆放的金属板作为探测目标，探测得到的红外图像和红外偏振度图分别如图1(a)和图2(a)。分别选用主成分分析（PCA）、拉普拉斯金字塔（LP）、离散小波变换（DWT）和本文融合方法进行比较，结果如图3所示。可以看出，PCA融合得到的图像目标变得不清晰，目标和背景对比度很低，目标可探测性不强。离散小波变换融合的目标比较突出，细节也比较清楚，但在背景中叠加了较大的干扰噪声，降低了沙漠背景的景深信息。

拉普拉斯金字塔融合与文中方法的结果较为接近，为进一步对比，选取了3个典型区域进行局部放大，如图4所示。局部(1)是原图中左下角具有沙脊的部分，文中方法得到的结果中沙脊连续性较好且细节较为清晰；局部(2)是沙坑对比，文中方法沙坑边缘更为清晰；局部(3)是目标对比，文中方法检测结果目标与沙漠背景的对比度更高，且检测出的金属板表面灰度更加均匀。

图1 红外强度图聚类

Fig.1 Infrared intensity image clustering

图2 红外偏振图聚类

Fig.2 Infrared polarization image clustering

图3 融合实验

图4 局部细节对比

Fig.4 Local details comparison

为了客观评价图像融合效果，选用灰度均值、平均梯度、局部标准偏差和熵作为评价指标。灰度均值反映了图像的明暗，均值适中，则人眼视觉效果较好。平均梯度反映了图像微小细节反差的变化速度，平均梯度越大则图像越清晰。局部标准偏差反映了图像的局部反差，局部标准偏差越大则局部细节越清晰，其中局部窗口文中取3×3。熵反映了图像的信息量，熵值越大则图像包含的信息量越大。评价结果如表1所示。

表1 融合图像指标比较

从表1可以看出，LP融合和文中融合方法的灰度均值较为适中，适合人眼观察。平均梯度、局部标准偏差和熵这3个指标中，文中融合方法都是最好的，说明文中融合方法得到图像清晰，局部细节丰富，且图像包含的信息量最大，图像效果最好，与人眼观察的主观分析是一致的。

4 结论

针对红外成像图像探测难以提取出沙漠背景下辐射温度与背景接近的目标。提出利用偏振信息进行稀疏融合的红外成像目标检测方法，充分利用红外图像的轮廓信息和偏振图像的细节信息。首先利用一种改进速度的模糊聚类方法分别对红外图像和偏振图像进行聚类，以大致区分出目标与背景。然后采用稀疏表示的融合方式对红外图像和偏振图像进行融合。实验结果表明，文中方法能有效提取出沙漠背景中的金属目标，且目标与环境的对比度以及沙漠背景的细节较小波融合和拉普拉斯金字塔融合均有明显提高，得到的融合图像既较好地保留了图像中的热目标信息，同时又继承了偏振图像中的丰富细节信息，图像对比度大大增加。检测到的目标清晰明显，融合图像中沙漠背景更加真实、清晰，且图像一有定的层次感，景深效果较好。

[1] 王军, 丁娜, 李建军, 等. 红外偏振成像对伪装目标的探测识别研究[J]. 应用光学, 2012, 33(3): 441-445.

WANG Jun, DING Na, LI Jian-jun, et al. Infrared polarization imaging：detection and recognition of camouflage target[J]., 2012, 33(3): 441-445.

[2] 柳继勇, 张聘义, 肖仁鑫, 等.一种偏振红外图像的像素融合算法[J]. 红外与激光工程, 2007, 36(s2): 286-289.

LIU Jiyong, ZHANG Pinyi, XIAO Renxin, et al. Image fusion algorithm at pixel level of polarization infrared image[J].,2007, 36(s2): 286-289.

[3] 邱跳文, 张焱, 杨卫平, 等. 基于红外偏振的特征提取与小目标检测方法[J]. 激光与红外, 2014, 44(10): 1154-1158.

QIU Tiaowen, ZHANG Yan, YANG Wei-ping, et al. Method for feature extraction and small target detection based on infrared polarization[J]., 2014, 44(10): 1154-1158.

[4] 陈伟力, 王霞, 金伟其, 等. 基于小波包变换的中波红外偏振图像融合研究[J]. 北京理工大学学报, 2011, 31(5): 578-582.

CHEN Weili, WANG Xia, JIN Weiqi, et al. Approach to Fusing MWIR Polarization Image Based on Wavelet Packet Transform[J]., 2011.31(5): 578-582

[5] 陈伟力, 王霞, 金伟其, 等. 采用中波红外偏振成像的目标探测实验[J]. 红外与激光工程, 2010, 40(1): 8-11.

CHEN Weili, WANG Xia, JIN Weiqi, et al. Experiment of target detection based on medium-infrared polarization imaging[J]., 2011, 40(1): 8-11.

[6] 刘晓, 王峰, 薛模根. 基于偏振特性的伪装目标检测方法研究[J]. 光学技术, 2008.34(5): 787-790.

LIU Xiao, WANG Feng, XUE Mogen. The study of camouflage target detection based on polarization characteristics[J]., 2008.34(5): 787-790.

[7] Chen S, Zhang D. Robust image segmentation using FCM with spatial constraints based on new kernel-induced distance measure[J].,,:, 2004, 34(4): 1907-1916.

[8] Ron Rubinstein, Michael Zibulevsky, Michael Elad. Double sparsity: learning dictionaries for sparse signal approximation[J]., 2010, 58(3): 1553-1564.

[9] Ararom M, Elad M, Bruckstein A. The K-SVD: an algorithm for designing of over complete dictionaries for sparse representation[J]., 2006, 54(11): 4311-4322.

Target Detection for Infrared Polarization Image in the Background of Desert

LI Xiaoming1,2，HUANG Qinchao1,2

(1.,230031,; 2.,230031,)

Infrared polarization imaging detection can be used to obtain not only the polarization state but also the radiation of target. With this method, the target that traditional photometry cannot detect can be settled. The degree and angle of polarization that used in polarization detection reflect different physical properties, and it is strongly complementary to intensity of images. A target detection method for polarization infrared image in the background of desert is proposed aiming at such features. A modified kernel fuzzy clustering algorithm is used to cluster infrared images and the polarization images. Then to distinguish targets from the background, the object information of clustered infrared and polarization image are combined according to sparse fusion method. Experimental results show that the proposed detection method is with lower noise and more clear details than wavelet fusion and Laplacian pyramid fusion.

infrared polarization，kernel fuzzy C clustering，sparse fusion，pattern recognition

TP391.4

A

1001-8891(2016)06-0779-04

2016-01-05；

2016-01-11.

李小明（1976-），男，安徽巢湖人，硕士，副教授，主要从事图像处理与嵌入式应用研究。

国家自然科学基金（41176158）。