基于NSCT变换的随机游走红外图像分割方法

庞春江 张锦文

摘 要：红外图像具有灰度变化不平均、分辨率较低、噪声较多等特征，传统的图像分割方法难以对红外图像分割出有效实体。为解决这一问题，设计了一种基于非下采样Contourlet 变换（NSCT）的随机游走红外图像分割算法。传统的随机游走图像分割方法，图像部分灰度值的不均匀变化可能改变随机游走算法的路径，而且分割目标的轮廓很容易受到图像背景噪声影响，所以可以通过增强图像的目标轮廓，抑制图像噪声，以达到更好的分割效果。NSCT变换是一种非常有效的图像增强方法，首先采用NSCT变换对红外图像进行多方向、多尺度分解，得到红外图像的低频和高频系数，对该系数进行处理，然后反变换得到增强后的红外图像。实验结果表明，该方法在红外图像分割中取得了很好的效果。

关键词：图像处理；非下采样 Contourlet 变换；随机游走；红外图像分割

DOI：10.11907/rjdk.172685

中图分类号：TP317.4

文献标识码：A 文章编号：1672-7800（2018）004-0209-03

Abstract：Infrared images have the characteristics of uneven gray levels， low resolution， and many noises. The traditional image segmentation method is difficult to segment the infrared images effectively. In order to solve this problem， a random walk infrared image segmentation algorithm based on Nonsubsampled Contourlet Transform （NSCT） is designed in this paper. The traditional random walk image segmentation method， the non-uniformity of the gray part of the image can change the path of the random walk algorithm， and the contour of the segmented object is easily affected by the background noise of the image， so we can enhance the image's target contour to suppress the image noise and achieve a better segmentation effect. NSCT transform is a very effective image enhancement method. Firstly， the NSCT transform is used to decompose the infrared image in multi-direction and multi-scale， and the low frequency coefficient and high frequency coefficient of the infrared image can be obtained. The high frequency and low frequency coefficients of the image are processed， and then the enhanced infrared image is changed inversely. The experimental results show that this method has achieved good results in infrared image segmentation.

Key Words：image processing； NSCT； random walk； infrared image segmentation

0 引言

隨着图像处理、分析技术的发展，图像技术已广泛应用于现实生活中，比如人脸识别技术应用于智能手机解锁及支付功能等。图像分割在图像识别和图像分析中占有重要地位，是由图像处理到图像识别的重要步骤。好的图像分割算法可以使图像分析与识别算法更好地运行，因为图像分割的好坏与区域界限准确度都会对后续分析产生影响[1]。红外图像分割是图像分割的一个重要分支，在复杂场景和暗光环境下，相比于可见光图像，红外图像能更准确地表现出场景中的有用信息，所以对红外图像的分割与识别技术也极其重要。

1 图像分割研究现状

图像分割算法是指将图像中有用的目标信息从图像整体信息中分割出来，好的图像分割算法可以很好地分割出图像目标信息[2]。传统分割方法有阈值法、区域生长法及基于边缘的分割方法。阈值法是给目标图像设定一个阈值，以区分图像的目标和噪声信息，由于其只考虑了灰度值，而没有考虑其它信息，所以分割效果不太理想；区域生长法的难点是种子点选取，只有选取合适的种子点才可能得到较好的分割结果；基于边缘的分割方法通过对灰度的阶跃变化实现边缘提取，但在提取过程中很容易受到噪声干扰，所以其对噪声较多的图像很难进行有效分割[3]。

针对红外图像分割，众多学者进行了研究，刘刚等[4]提出先对轮廓变换系数进行处理并降噪，再利用改进的模糊 C均值算法对降噪后的图像进行分割；陈兴杰等[5]提出通过最大互相关联匹配，确定简化脉冲耦合神经网络（ Pulse Coupled Neural Network， PCNN）的最优参数，最终完成图像分割；邹辉等[6]提出一种结合可见光与红外图像的分割算法，先用 FAsT-Match算法找到可见光与红外图像中的相似区域，然后用图像分割算法对相似区域进行分割。

本文在前人研究的基础上，对红外图像的分割方法进行深入研究，提出一种新的基于 NSCT变换的随机游走红外图像分割算法。首先对红外图像进行NSCT变换图像增强，然后利用随机游走算法对增强后的红外图像进行分割。实验结果证明，本文提出的算法可以很好地分割红外图像，取得了良好效果。

2 基于NSCT变换的随机游走算法

2.1 非下采样 Contourlet 变换

Contourlet变换是一种非常有效的图像增强方法，可以很好地增强图像轮廓并抑制噪声，具有各向异性以及方向性的特点，但是小波变换并不具备以上特点，因而 Contourlet变换比小波变换具有更高效的性能[7]。然而，Contourlet 变换没有平移不变的性质，当它对图像进行下采样处理时会出现振铃问题，使经过Contourlet 变换增强后的图像可能出现边缘模糊现象。因此，非下采样 Contourlet变换（ Nonsubsampled Contourlet Transform，NSCT）应运而生，该变换方法包含了Contourlet变换的所有优点，同时取消了下采样过程，从而克服了振铃问题，同时还可以更好地增强图像轮廓信息[8]。NSCT变换滤波器组及频域分解示意图如图1、图2所示。

在图像NSCT变换域中，能量信息集中在低频分量上，噪声和边缘信息集中在高频分量上[9]。所以可以对高频分量中的噪声信息进行抑制，对边缘信息进行增强或保留，从而很好地增强图像轮廓信息，便于图像分割。需要确定一个阈值，绝对值大于阈值的部分为边缘信息，需要增强或保留；绝对值小于阈值的部分为噪声信息，需要进行抑制。阈值T的估计公式如下：

基于NSCT变换的红外图像增强算法流程如下：①对目标红外图像进行NSCT变换，得到分解的低频系数和高频系数；②根据公式（1）、（2）确定高频系数的阈值大小，根据公式（3）对高频系数进行处理，增强图像轮廓信息，抑制图像噪声；③对处理后的系数进行NSCT逆变换，归一化后得到增强后的图像。

2.2 随机游走算法

随机游走分割算法将图像看作离散对象，图像由一定个数的边和定点构成，可将其看作是边和顶点的集合H=（X，Y）。其中Xi表示图像中的一个顶点，Yij表示顶点Xi与Xj的边。每一条边都有一个概率Sij，当Sij为0时，表示随机游走的路径不会包含这条边[10]。

随机游走图像分割方法先选定目标图像中M个种子点，然后根据数学中的向量知识为每一个未标记的点给予一个M元组向量，该向量表示未标记的点第一次游走到达种子点的概率。最后根据到达种子点的概率大小，确定未标记点所属区域[11]。例如一幅图像给定A1、A2、A3三个种子点， 某一非种子点B首次游走到 A1、A2、A3种子点的概率大小分别为0.78、0.21、0.01，本文取最大概率0.78，所以B点属于种子A点区域。随机游走分割算法原理如图3所示。

2.3 本文算法

传统的随机游走算法在游走过程中容易受到噪声和目标轮廓干扰，而红外图像又具有噪声多、目标轮廓不清晰等特征[12]。本文根据红外图像和传统随机游走算法特点设计了一种基于NSCT变换的随机游走红外图像分割算法，具体实现步骤如下：① 读入图像；②用章节2.1中的方法对图像进行 NSCT变换增强，以增强图像轮廓信息，抑制图像噪声，得到图像C；③对处理后的图像C选取合适的种子点，进行随机游走分割；④输出最终的分割标记结果。

3 实验

本文采用的图像为云南某变电站的红外照片，选取电气开关和多变压器套管两张红外图像进行图像分割实验。为验证本文方法的有效性，选取两种分割方法作为对比。方法一：传统的随机游走图像分割算法；方法二：先对图像进行均值滤波，再对图像进行随机游走分割。在3个实验中选取相同种子点，以保证实验结果的有效性。

实验一：电气开关红外图像分割。图4是电气开关的红外图像，图5为采用方法一的分割结果，图6为采用方法二的分割结果，图7为本文算法分割结果。

实验二：多变压器套管红外图像分割。图8是变压器套管红外图像，图9是采用方法一的分割结果，图10是采用方法二的分割结果，图11是本文算法分割结果。

通过实验一与实验二的对比，可以直观地了解到传统随机游走算法对红外图像的分割效果极差；经过均值滤波处理后，降低了图像噪声，随机游走分割效果有一定提升，但仍不理想；本文算法先对图像进行NSCT变换以增强图像，再对图像进行随机游走分割，取得了很好效果，可以完整分割出红外图像中的目标物体。

本文还通过错误率（Error）和重合率（Doub）对图像分割效果进行评价。错误率和重合率的计算方法如下：

其中M代表分割方法分割的目标像素集合，T代表人工分割的目标像素集合， num（）是统计矩阵中的像素点个数。错误率是算法分割出的像素点M与人工分割出的像素点T中，不一样的像素点占算法分割出总像素点M的百分比；重合率是M与T中相同的像素点个数，占人工分割出目标像素点总个数的百分比。实验一与实验二的错误率与重合率比较如表1所示。

通过表1可以看出，方法一的错误率较高，重叠率最低，分割效果最差；方法二较方法一重叠率有所提升，但错误率仍然较高，分割效果也不理想；本文方法的错误率最低，重合率达到97%左右，实现了很好的分割效果。

4 结语

本文提出的基于NSCT变换的随机游走红外图像分割算法，通过对图像进行NSCT变换图像增强，解决了传统随机游走算法易受噪声和轮廓影响的问题。通过对比实验证明，本文算法可以很好地分割出红外图像的目标实体，取得了较好效果。

参考文献：

[1] 胡敏，蔡慧芬.基于形态学标记连通的分水岭图像分割[J].电子测量与仪器学报，2011，25（10）：864-869.

[2] 刘松涛，殷福亮.基于图割的图像分割方法及其新进展[J].自动化学报，2012，38（6）：911-922.

[3] 夏勇.图像分割技术研究[D].西安：西北工业大学，2004.

[4] 刘刚，梁晓庚，张京国.基于轮廓波变换和改进模糊c均值聚类的红外图像分割[J].系统工程与电子技术，2011，33（2）：443-448.

[5] 陈兴杰，柴晓冬.一种基于简化PCNN的红外图像分割方法[J].安徽大学学报：自然科学版，2010，34（1）：74-77.

[6] 邹辉，黄福珍.基于FAsT-Match算法的电力设备红外图像分割[J].红外技术，2016，38（1）：21-27.

[7] 杨帆.基于Contourlet变换的图像去噪算法研究[D].北京：北京交通大学，2008.

[8] 贾建，焦李成，孙强.基于非下采样Contourlet变换的多传感器图像融合[J].电子学报，2007（10）：1934-1938.

[9] ZHANG Q， MALDAGUE X. An adaptive fusion approach for infrared and visible images based on NSCT and compressed sensing[J]. Infrared Physics and Technology，2016，74：11-20.

[10] 郭艳蓉，蒋建国，郝世杰，等.基于LBP紋理特征的随机游走图像分割[J].电路与系统学报，2013，18（1）：357-364.

[11] 依玉峰，高立群，郭丽.基于Mean Shift随机游走图像分割算法[J].计算机辅助设计与图形学学报，2011，23（11）：1875-1881.

[12] 郭丽，高立群，片兆宇.基于滑降的随机游走图像分割算法[J].计算机辅助设计与图形学学报，2009，21（8）：1149-1154.

（责任编辑：黄 健）