一种基于“熵图”的红外海天目标潜在区域选取方法研究

朱婧文,刘文好,张 驰,刘礼城,杨 波,吴鹏飞

(上海航天控制技术研究所,上海 201109)



一种基于“熵图”的红外海天目标潜在区域选取方法研究

朱婧文,刘文好,张 驰,刘礼城,杨 波,吴鹏飞

(上海航天控制技术研究所,上海 201109)

为后续能更快地识别目标，对一种基于“熵图”的红外海天目标潜在区域选取方法进行了研究。分析了红外海天背景图像灰度值分布特点，引入熵图概念。进一步分析了红外海天背景图像的熵图特点，提出了一种能适当选取海天背景中目标潜在区域的方法。先用半径为R像素的圆形窗口在原始图像上滑动，将窗口中心点的灰度值用该窗口的局部方差加权信息熵替代求取熵图，初步确定海天线区域；对所得熵图再求取一次熵图，以消除天空云层边缘、海平面波浪、海天线部分的干扰；将两次求得的熵图的对应元素相乘得到新熵图，增大目标潜在区域的灰度值，减小其他干扰部分的灰度；寻找亮度最大点为中心的圆形区域就是目标潜在区域。实验表明：用该方法选取目标潜在区域有较强的适应性，选取的目标区域范围较小，可显著减小后续目标识别中的计算量。

红外海天背景； 弱小目标； 目标潜在区域； 方差加权信息熵； 熵图； 灰度； 亮度最大点

0 引言

现代高度信息化战争中需要提高导弹武器的防御能力。为使成像导弹尽早地发现目标，留有足够的反应时间进行攻击，需在尽可能远的距离定位目标区域。由于作用距离远，目标在视场中仅占1个或数个像素，呈现出低信噪比的特点，易淹没于噪声中，为定位目标带来了难度。目标潜在区域的恰当选取对目标检测、识别具有重要意义。

远距离平视状态下观察到的海天背景主要是由海平面、海天线和天空三部分组成。该距离下出现的目标必在海天线附近[1]。针对上述海天背景中红外目标的特点，目前广泛用于定位目标的一种方法是先定位到海天线，将海天线附近的区域认为是目标的潜在区域，通过只搜索目标潜在区域定位到目标[2-4]。但目标潜在区域选取过大，不利于降低后续定位目标的计算量，对海平面波浪干扰抑制作用也不明显；目标潜在区域选取过小，很可能直接错过目标，造成漏检。因此，目标潜在区域的选取有其重要意义。近年来，大量文献侧重于精确定位到海天线的研究，对目标潜在区域的选取鲜有提及。文献[5]将海天线为中心的上下σ区域划分为目标潜在区域，但未详细说明σ值的选取。文献[6]根据经验选定海天线上下58像素作为目标的潜在区域，但该方法偏重于经验，不具一般性。文献[7]用梯度算子得到差分图像，基于边缘阈值策略二值化图像，由二值化图像在垂直方向上的投影确定目标潜在区域，方法有一定的适应性，但在海平面波浪较多的情况下，选取的目标潜在区域仍过大，无法体现该方法的优势。实际上，目标只出现在海天线某一小段的上下区域内，将海天线作为中心的整个上下区域都取为目标潜在区域并无必要，研究一种以目标为中心的目标潜在区域有非常重要的实际意义。

为进一步缩小目标潜在区域的范围，需考虑目标潜在区域的特点。在远距离平视状态下获得的红外海天图像中，目标潜在区域包含了目标、海平面、天空三部分的特点，但也存在云层边缘、海平面波浪、海天线部分的干扰，目标可能是亮目标也可能是暗目标。考虑上述因素，用传统方法检测图像中灰度的局部极值或对图像进行边缘检测等缩小目标潜在区域的范围都会检测出大量潜在目标区域，效果不佳。因目标潜在区域包含的目标、海平面、天空三部分的灰度分布各不相关，但又在各自内部相关，故简单的灰度值信息、梯度信息均不能很好地表达这种关系。从另一角度分析，该区域是目标、海平面、天空三部分相交的区域，一定是包含灰度信息最丰富的区域。灰度信息可用信息熵进行定量描述，采用信息熵，使寻找目标潜在区域转换为寻找信息熵最大值对应的位置，并对亮目标或暗目标、有无云层边缘、海平面波浪、海天线部分的干扰等都有良好的适应性，将灰度信息的丰富程度与该区域在图像中的位置一一对应，通过找到信息熵最大的点就能确定目标潜在区域。本文将图像局部的方差加权息熵与其位置信息结合，引入了“熵图”概念，提出一种选取弱小目标潜在区域的方法，其核心是得到一张云层边缘、海平面波浪、海天线部分干扰较少的熵图，在熵图中找到熵值最大的点，将该点对应到原图区域中即可获得所要选取的目标潜在区域。用该方法提取目标潜在区域有较强的适应性，区域的范围也较小，可减少后续目标检测算法的计算量。

1 红外图像的复杂度与熵图

文献[8]定义了红外背景复杂度的概念，用信息熵对其进行定量描述，并在此基础上引入红外图像的方差信息，进而提出了方差加权信息熵以定量描述红外图像复杂程度。

对一幅灰度级M个的红外图像，设Ps为灰度值s在整个图像中出现的概率，S为由此红外图像中含像素值组成的集合，则S的概率空间可表示为

(1)

定义图像的方差加权信息熵

(2)

对仅含r(1≤r≤M)种像素s1，s，…，sr的红外灰度图像，设每种像素值出现的概率相同，即为1/r，则此图像的方差加权信息熵

(3)

方差加权信息熵描述虽可定量描述红外图像的复杂程度，但该复杂程度是对整个图像而言，无法体现图像中各像素点灰度值分布的位置信息。为体现图像中各像素点灰度值分布的位置信息与图像复杂程度的关系，本文引入“熵图”概念，将半径为R像素的圆形窗口在原始图像上按从左到右、从上到下的顺序滑动(如图1所示)，每次滑动窗口所在中心像素点的值用该窗口的局部方差加权信息熵替代而得到新的包含各圆形窗口内图像复杂程度的图像。熵图中某个值产生的过程如图2所示。值得注意的是：本文采用的窗口形状为圆形，这是因为在圆形区域内每个方向的像素值对该区域内熵值的贡献相同，求得的熵图结果更合理。若设R=2，则模板如图2所示。

图1 圆形窗口在图像上滑动过程Fig.1 Process of circle window sliding on image

图2 熵图上某个值产生过程Fig.2 Process of calculating a certain value on entropy picture

因每个局部方差加权信息熵值均按原顺序排列，故当它们组成一幅图像时，图像中每个点的亮度就不再表示灰度值的大小，而是表示在原图中以该点为中心、半径为R像素的区域的灰度信息丰富程度，这为之后可选取到以目标为中心的目标潜在区域提供了新的思路。

2 海天红外图像的熵图特点

一般情况下，在远距离平视状态下观察得到的海天背景中，海平面背景的辐射温度低于天空背景，其灰度值整体低于天空背景的灰度值。但由于海浪的运动、海浪对太阳光线反射等原因，海平面背景表现出强烈的不均匀性，有许多浪峰的灰度强度接近甚至等于或大于天空背景与目标灰度[9]。与之相比，天空背景变化较缓慢，即使在有云层时，云层内部灰度值变化也较平缓，仅在云层与天空背景交界处灰度值出现突变。海天线虽然被称作“线”，但一般它不是一条直线，而是从天空到海平面的渐变带。目标的位置处在海天线区域内，这是由远距离海平面成像决定的，目标不可能完全脱离海天线而处在天空区域，或完全脱离海天线处在海背景区域。当距离较远、信噪较低时，船体绝大部分几乎被“淹没”于海天线区域内，但烟囱依然较明显，灰度值较大[10]。海天红外图像的灰度分布特点如图3(a)所示。

图3 灰度分布图Fig.3 Gray-level distribution

在上述分析中引入图像的局部方差加权信息熵，形成的海天红外图像熵图的特点为：当窗口大小选取合适时，熵图中天空背景区域因灰度值分布较均匀、变化缓慢导致该区域的局部方差加权信息熵值均较低，呈现出均匀且灰度值较低的特点；在无波浪时，熵图中海平面背景与天空背景同样表现出均匀且灰度值较低的特点，但在有波浪时，海平面灰度值分布不均匀导致了在波浪区域局部的方差加权信息熵值较大，在熵图中呈现出块状的不连续亮度带。因海天线这一渐变带的灰度值变化大，并包含目标，而目标的灰度值分布不同于海天线渐变带，故海天线区域包含的信息最多，灰度信息最丰富，其局部方差加权信息熵值很大，可初步选取海天线区域为目标潜在区域。在熵图中，该区域呈现为一片较亮、较宽、较长的带状区域。海天红外图像的熵图灰度分布特点如图3(b)所示。比较可发现熵图的优点如下：首先，熵图保留了图像的位置信息，便于后续寻找目标潜在区域；其次，对图像求熵图，定量计算出图像各区域包含灰度信息的丰富程度，从结果上看相当于一个滤波过程，较好地剔除了云层边缘、海平面波浪等各自内部相互关联的干扰，缩小了目标潜在区域的范围。

3 目标潜在区域选取

为进一步缩小目标潜在区域的范围，需更好地消除天空云层边缘、海平面波浪边缘、海天线部分对目标潜在区域选取的影响(本文以消除海天线部分的干扰为主)，分析熵图的特点非常必要。

研究发现，天空云层边缘、海平面波浪、海天线部分虽然包含的灰度信息很丰富，其局部方差加权信息熵值很大，但在熵图中，目标潜在区域的灰度值与其周围区域的灰度值的差异远大于周围区域相互间的灰度值的差异。即相对目标潜在区域，天空云层边缘、海平面波浪、海天线各部分熵图的复杂程度较小。因此，对熵图再求一次熵图，天空云层边缘、海平面波浪、海天线部分的熵值会变小，在二次熵图中会变得较暗。对熵图再求一次熵图的过程如图4所示。其原理与第一次求原图的熵图相似，不同的只是第二次求熵图的对象是第一次求得的熵图，该过程的物理意义是将一次熵图对应点所在半径为R像素区域的灰度信息的丰富程度表现在新的熵图上，二次求熵图可将海天线区域以外的小杂波全部滤除，可更好地消除天空云层边缘、海平面波浪边缘的影响。此外，与二次熵图的最高波峰相比，新熵图的波峰会出现明显下凹，其物理意义是下凹代表了海天线部分相互关联、连续均匀的变化导致的灰度信息不再丰富，利用这点可消除海天线部分的影响。由此可发现：在一次熵图或二次熵图中，目标潜在区域总是灰度值增强部分，而天空云层边缘、海平面波浪、海天线部分分别在第一次求熵图和第二次求熵图的过程中得到了不同程度的削弱。在此基础上，为更好地突出目标潜在区域，将两次得到的熵图对应像素点相乘，会使目标潜在区域的灰度值变大，而其他的干扰部分灰度变小。此时产生的新熵图的灰度值大小只代表图像各区域所含灰度信息的丰富程度，与像素点的能量大小无关。

图4 熵图的熵图上某个值产生过程Fig.4 Process of calculating a certain value on entropy picture of entropy picture

在新熵图中寻找以亮度最大点(即方差加权信息熵值最大点)为中心、半径为2R像素的原型区域即为目标潜在区域。值得注意的是，此处获得到的最亮点可能就是目标，但也可能不是，因为在熵图中，该点最亮的含义是以该点为中心、R像素为半径的区域的复杂程度最高，包含的灰度信息最多，但对应到原图中并不能明确指出是该区域中具体的某点。考虑弱小目标的尺寸为数个像素甚至十多个像素，根据经验将该范围适当放宽至半径2R像素的区域，可适应当目标尺寸较大时检测到的最亮点对应到原图中恰好是小目标边缘点造成的目标不完全在选出的目标潜在区域中的情况，具有一定实际意义。

综上所述，可得本文选取目标区域的一般方法，步骤如下。

a)固定模板半径R(根据测试图像的大小，假设目标只有数个到十多个像素，通过大量实验得到经验值，一般固定为9像素)，生成(2R+1)×(2R+1)的模板M。

b)根据模板大小，将尺寸为m×n的原图I分成(m—2R)×(n—2R)个小图像I1，I2，…，I(m—2R)×(n—2R)。

d)用式(2)计算每个小图的方差加权信息熵并填入每个小图像中心所在位置，拼成熵图E。

e)对熵图E重复上述步骤，得到熵图E′。

f)将熵图E，E′对应元素相乘得到熵图E″。

g)在熵图E″中搜索到灰度值最大的点，以该点为中心、半径为2R的区域即为目标潜在区域。

4 实验与分析

用本文的目标潜在区域选取方法对大量随机抽取的海天红外图像进行目标潜在区域选取实验，以验证方法的效果，以及对海面波浪、天空云层边缘等干扰的适应性。

实验用原始图像大小336像素×334像素，裁剪后实际用于实验的尺寸为313像素×305像素。根据大量实验的经验值，选用模板半径R为9像素，选取其中一个实验结果与文献[7]方法所得结果进行比较。其中，文献[7]算法为：先用梯度算子得到差分图像，再基于边缘阈值策略二值化图像，最后用二值化图像在垂直方向的投影确定目标潜在区域。用文献[7]和本文方法获得目标潜在区域的实验过程分别如图5、6所示。图5(e)、6(e)中：蓝色的正方形框为目标。图5(e)中，最上与最下两条红线中间的区域为用文献[7]方法所得目标潜在区域，该区域约占20 130像素；图6(e)中，红色圆形区域为用本文方法所得目标潜在区域，该区域约占1 134像素，用本文方法选取的目标潜在区域较文献[7]得到的区域减小了94.36%，范围更精确，为后续的处理减少了大量计算。

原始图像、熵图、熵图的熵图，以及新熵图的三维图如图7所示。由图5(c)和图7可知：文献[7]方法效果不佳的主要原因是海平面波浪在y向的梯度较大，当海平面波浪较多时，仅通过求出y向的梯度图像无法抑制海平面波浪对海天线检测、目标潜在区域确定的干扰；本文方法则较好地抑制了天空云层边缘、海平面波浪、海天线区域中突变部分的干扰，同时使目标潜在区域的亮度得到了增强。实验表明：本文方法的效果较好，且对海面波浪、天空云层边缘等干扰的适应性更强。

5 结束语

图5 文献[7]方法实验结果Fig.5 Results of applying method in reference [7]

图6 本文方法实验结果Fig.6 Results of applying method proposed

图7 原始图像和用本文方法得到的三维图Fig.7 Original image and 3D maps of applying method proposed

根据目标潜在区域所包含的灰度信息丰富的特点，本文对一种基于熵图的红外海天目标潜在区域选取方法进行了研究。引入熵图的概念，分析了海天红外图像的熵图特点，初步选取了海天线区域为目标潜在区域。为进一步缩小目标潜在区域的范围，需进一步消除天空云层边缘、海平面波浪、海天线区域中突变部分对目标区域定位的影响，对熵图再求一次熵图，并将两次得到的图像的对应像素值相乘得到目标区域被增强而海天线区域中突变部分的灰度值被削弱了新熵图。在新熵图中寻找以亮度最大点为中心、半径为2R像素的圆形区域即为目标潜在区域。通过大量的实验验证，证明该方法对云层边缘、海平面波浪的干扰具良好的抑制作用，提取目标潜在区域有较强的适应性，区域的范围也较小，减少了后续目标检测算法的计算量。但目前，本文方法中方差加权信息熵的计算量较大，在实际应用中需简化该计算过程。此外，本文根据经验，固定了R的取值，后续研究的重点是使R的取值根据图像大小、目标的大小等可具有自适应的能力，这样能进一步针对性地减少潜在目标区域的范围，更好地降低后续目标检测、识别的计算量。

[1] 刘士建, 蒋敏, 庄良. 一种快速有效的红外图像中海天线提取算法[J]. 红外技术, 2011, 33(4): 230-232+240.

[2] 杨俊彦, 逄浩君, 曹耀心, 等. 海天背景下红外小目标检测的背景抑制及海天线检测方法[J]. 红外, 2016, 45(12): 24-28.

[3] 梁世花. 海天背景下红外弱小目标的检测[D]. 武汉: 武汉理工大学, 2012.

[4] 王小康, 董士崔, 海天线检测算法简述[J]. 电子世界, 2013(16): 97-98.

[5] 刘松涛, 周晓东, 王成刚. 复杂海空背景下鲁棒的海

天线检测算法研究[J]. 光电工程, 2006, 33(8): 5-10.

[6] 杨明月, 杨卫平. 复杂海天背景下红外舰船目标的自动检测方法[J]. 红外与激光工程, 2008, 37(4): 638-641.

[7] 孙殿星, 王学伟, 周晓东, 等. 海空背景下确定弱小目标潜在区域的方法[J]. 红外技术, 2009, 32(11): 663-667.

[8] 杨杰, 杨磊. 基于红外背景复杂程度描述的小目标检测算法[J]. 红外与激光工程, 2007, 36(3): 382-386.

[9] 杨磊. 复杂背景条件下的红外小目标检测与跟踪算法研究[D]. 上海: 上海交通大学, 2007.

[10] 王卫华, 牛照东, 陈曾平. 复杂海天背景下红外舰船目标实时检测算法[J]. 红外技术, 2006, 29(10): 580-584.

Research on Selecting Region Containing Infrared Target Method under Sea-Sky Background Based on Entropy Picture

ZHU Jing-wen, LIU Wen-hao, ZHANG Chi, LIU Li-cheng, YANG Bo, WU Peng-fei

(Shanghai Institute of Spaceflight Control Technology, Shanghai 201109, China)

To recognize the target in later process quickly, a method to select the target in the region containing infrared target under sea-sky background based on entropy picture was studied in this paper. The characteristics of the gray-level distribution of infrared sea-sky background were analyzed. The novel idea of entropy picture was introduced. The characteristics of the gray-level distribution of the entropy picture of the infrared sea-sky background were further analyzed. Then a method which could properly select the region containing infrared target under sea-sky background was proposed. First, the circle window with radiusRpix was sliding on the original image. The entropy picture of the original image was formed that the local variance weighted information entropy was instead of the gray of centre point of the window, which could determine the sea-sky region roughly. Second, the entropy picture of the entropy picture was got from the latest step, which could reduce the disturbance of sea-sky cloud edge, sea level wave and sea-sky line. Third, a new entropy picture was got by multiplying the corresponding pixel value of the two entropy pictures obtained from the last two steps, which could increase the gray of the region containing infrared target and decrease the gray of other disturbances. At last, the circle region with center point of the brightest point of the new entropy picture was found. Then circle region was exactly the region containing infrared target. The experimental results show that the method is well-adaptive and the region selected is small.The method provides a solid foundation for further application.

infrared sea-sky background; dim target; region containing infrared target; variance weighted information entropy; entropy picture; gray; brightest point

1006-1630(2017)03-0073-07

2017-02-23；

2017-03-18

国家安全重大基础研究项目(973)资助(613271010204)

朱婧文(1992—)，女，硕士生，主要研究方向为目标识别与信息处理技术。

TN911.73

A

10.19328/j.cnki.1006-1630.2017.03.010