基于先验信息的地雷目标红外图像增强算法

程 曦，杨 力，季茂荣，王宏伟

(陆军工程大学野战工程学院，江苏 南京 210007)

0 引言

地雷是一种爆炸性武器，由于传统地雷的长效性，在战争结束后仍然长期存在，会对平民造成伤亡，严重阻碍当地重建和发展。因此，地雷探测技术和装备器材的发展和应用，在战后扫雷中发挥着不可替代的重要作用，对于扫清战后遗留地雷、有效解决雷患问题也具有非常重要的意义[1]。

近年来，随着红外探测技术的快速发展，红外传感器及其图像融合技术，在军事和安全领域的应用不断推广。在战后扫雷中，首先要进行雷场勘察，以确定雷场环境和地雷分布情况。战后遗留的雷场中，由于布设方式或地表长期变化，既有埋设的地雷，也可能有撒布在地表或者由于地表变化而裸露的各种地雷，而这些情况下地雷目标均存在红外辐射特征，故红外技术对雷场探测问题的应用十分有价值[2]。

在红外探测时，由于受分辨率、背景干扰、成像距离等因素的影响，地雷的红外图像背景复杂，轮廓不规则，对比度较差，从红外图像中提取目标较困难。目前针对地雷红外图像增强研究尚少，文献[1—4]使用简单的直方图均衡对图像进行增强，对图像具有一定提升效果，但当背景复杂，目标较小时，无法实现较好的增强效果。本文针对特定的地雷目标提出基于先验信息的图像增强算法。

1 常用图像增强算法

图像增强技术是经过特定变换来突出图像中的有用信息，抑制无用冗余信息，常用的图像增强算法有直方图均衡、小波变换、Retinex算法和伽马变换[5-9]等。直方图均衡算法基于灰度的均匀分布[10-11]，对地雷红外图像而言，由于探测距离的影响，目标矩阵较小，对整幅图像的灰度值贡献不高，直方图均衡算法并不适用；小波变换基于图像高频分量和低频分量的分解[12]，而目标矩阵的大小也影响目标的轮廓质量，目标边缘模糊，导致高频信息中不一定包含目标的边缘信息；Retinex算法则是基于色彩恒常性理论来增强图像[6]，对红外探测采集基于热辐射量的灰度图像不适用；伽马变换(见图1)是通过非线性函数映射增强图像，常用来克服光照不均匀的问题，将一幅图像进行非线性变换成g(x)，如式(1)[13-15]：

图1 伽马变换Fig.1 Gamma transformation

g(x)=xγ

(1)

式(1)中，x为图像中某点的像素值，γ为系数。

对灰度图像而言，还可以通过伪彩色编码达到图像增强的效果。伪彩色编码是指将灰度图像通过相关技术转化成彩色图像，提升图像细节和对比度，使目标的辨识度增强。常用的伪彩色增强方法有密度分割法、频域变换法和灰度彩色变换法等[12，16]。

传统增强算法运用到地雷红外图像时，无法很好地针对目标进行增强，而实际进行地雷探测时，地雷目标的型号和尺寸一般公开，可利用这些信息协助区分图像中的目标和背景。

2 基于先验信息的地雷目标红外图像增强算法

2.1 算法流程

在探测距离和目标尺寸已知时，根据成像原理可计算出目标在图像中像素大小；同时若搭载无人机进行勘探任务，目标在图像中的形状为圆形或椭圆形。利用目标的尺寸和形状两种先验信息，先对图像进行预筛选，搜寻目标所在区域，然后针对特定区域进行增强，提升目标的辨识度[17]。

如图2所示，首先依据先验信息将图像转换成特定矩阵，然后通过特定矩阵寻找图像ROI缩小目标所在范围，再进行伽马增强，最后计算相关阈值把灰度图像转换成彩色图像，达到图像增强的目的。

图2 流程图Fig.2 Flow chart

2.2 图像转换

首先使用m×n的均值滤波器W1对图像滤波得到均值矩阵W1(其中m，n是图像中目标的像素尺寸)，再使用1.5(m×n)的均值滤波器W2得到均值矩阵W20，运算后得到W2中不包含W1的圆环区域均值为：

(2)

式(2)中，S1、S2分别为W1、W2的面积，将两图相减获得基于先验信息的目标转换矩阵W=W1-W2[9]。

如图3所示，以原始图像中任一像素点为中心，建立与滤波器W1、W2尺寸相同的窗口，虚线代表窗口W1，实线代表窗口W2，圆形部分代表目标。假设窗口和目标的中心在同一点时，依据目标的大小分类成三种情况，图3(a)代表目标大于W1，图3(b)代表目标小于W1，图3(c)代表目标大小等于W1，在这三种目标、背景平均灰度值相等的情况下，W2(a)>W2(c)=W2(b)，W1(b)W1(d)，W2(c)r,代表目标和窗口的中心偏移量较大，此时W2(f)>W2(e)>W2(c)，W1(f)

图3 窗口示意图Fig.3 Window diagram

综合上述6种情况，当假想目标的尺寸、形状、位置和窗口W1一致时，转换矩阵W在该处的数值最大即图3(c)所示情况。故通过这种预处理手段，将基于热辐射量的灰度矩阵转换成差分均值下的对比度值矩阵，既可抑制尺寸与实际目标不符合的“假目标”，也可以抑制与目标的形状差异较大的“假目标”，还能寻找到目标的中心位置。

2.3 设立ROI

将转换矩阵W由双精度浮点型转化为8位整型矩阵，统计灰度直方图，如图4所示，设立参数kn，此时目标应处在高灰度值范围内即横轴虚线右侧，取转换矩阵中灰度累积概率分布kn(本文取kn=0.99)以上的像素点作为目标可疑点(当像素点在同一连通区域内时取其区域中心点)，记录所有可疑点的位置，在原始图像上的对应位置以可疑点为中心，建立与W1大小相同的窗口作为图像的ROI[17]，每个窗口内包含的即为可疑目标。

图4 灰度累积概率直方图Fig.4 Gray cumulative probability histogram

2.4 伽马变换

对于地雷的红外图像而言，目标常处于高灰度值区域，但是若存在干扰源的温度高于目标，则伽马变换的增强效果就会减弱很多。由上述步骤转换后，单一窗口内目标为高灰度值，背景为低灰度值，设定γ大于1，以此来扩大目标和背景的差异，达到增强对比度的效果。

为保留图像其他区域的信息，进行如下变换，转化成图像f:

(3)

式(3)中，R为图像ROI，(x，y)为图像中的像素点，I为原始图像，k为抑制系数，范围为0～1。根据多次实验，针对本文使用的地雷红外图像，选取γ=2，k=0.8。在非ROI区域，乘以系数k来抑制背景和噪声区域的灰度值。使图像f既增强了感兴趣区域的图像质量，又对原始图像其他信息进行保留。

2.5 自适应阈值伪彩色增强

由于传统方法所选择的阈值相对固定，通常将灰度区间四等分然后进行转化，无法很好满足所有类型的图像。本文基于文献[18]的思路，根据图像目标区域灰度值设立自适应的阈值，来进行伪彩色编码。计算f(x,y)每个感兴趣区域的灰度均值ti和总均值T1，并将ti依据大小平均分成两组，分别计算两组的平均值T2、T3。

如图5所示，依据人眼的视觉特点，对冷暖色的变化感知能力较强，选择红色(图左)作为高温，蓝色(图右)作为低温，黄色作为过渡段，形成冷暖色的变化，增强伪彩色中颜色的辨别力。RGB三个通道的计算公式如下所示，根据自定义的三个阈值T1、T2、T3来进行伪彩色变换：

图5 色温表Fig.5 Color temperature table

(4)

(5)

(6)

3 实验测试及验证

为验证算法的增强效果，依托无人机平台，对设置的地雷模型进行探测，获取探测图像并进行分析。模拟战后扫雷中的地雷目标特征，设置撒布、半埋设和埋设式三种类型的地雷目标模型，其中半埋设式是由于土壤运动、风力影响等条件而呈现的表面裸露状态。

实验测试选用大疆M300型无人机，搭载光学与红外双镜头禅思 Zenmuse H20T，红外图像分辨率为640×512，拍摄高度为10 m，选取美军盖托(GATOR)布雷系统布设的BLU-91/B型反车辆地雷和BLU-92/B型杀伤人员地雷制作地雷模型用于探测，两种模型直径均为10 cm，其红外特征和地雷相似，实验平台为python3.7。

如图6所示，选择正午时段两幅场景下的地雷目标红外图像为例，图6(a)为草地撒布式和半埋设式混合场景图中的目标用红色圆圈标记，平行四边形框内为4颗撒布式反车辆地雷，矩形框内为2颗半埋设式杀伤人员地雷；图6(b)为沙土埋设式场景，图中3颗杀伤人员地雷埋深1 cm，虚线框内为沙土背景，框外为草地(后续为只考虑沙土背景情况，将图像此沿虚线区域裁剪)。

图6 实验红外图像Fig.6 Infrared image of the experiment

在考虑探测效率的情况下，探测距离较大往往影响目标在图像中的大小，此时会出现背景信息过多，导致目标和背景之间的对比度差异不够明显，难以识别。

图7所示为图6(a)的算法实现效果。图7(a)为原始图像；图7(b)为直方图均衡，由于背景和噪声占图像的面积很大，算法处理效果不好；图7(c)中仅使用伽马增强，图像中除了目标的高灰度区域也被增强，影响了目标的视觉效果；图7(d)为使用先验信息筛选出目标区域后的增强效果，克服了图7(c)中大面积的背景和噪声信息干扰，目标和背景之间的对比度得到提升；图7(e)为截取目标区域的放大图像，第一行为原始图像，第二行为增强后的图像，可明显观察出在算法增强后目标区域的高灰度被保留，背景区域则被抑制为低灰度值，大大提升了两者的对比度；图7(f)是传统的彩色灰度变换法的伪彩色效果；图7(g)为本文的改进效果，目标的辨识度更高，颜色更加鲜明，同时设立了自适应阈值，使图像的细节保留更好。

图7 表面裸露式算法处理效果Fig.7 Algorithm processing effect of exposed surface targets

图8(a)为图6(b)中虚线部分截取的原始图像，由于目标在图像中的面积占比较小，背景环境干扰大，地雷目标的红外特征都极易受到背景影响，表现不明显；图8(b)为本文增强后的效果，通过寻找ROI后背景被抑制，目标和部分干扰被增强，对比度具有明显提升；图8(c)和图8(d)为伪彩色增强效果对比，和图8(c)相比，图8(d)目标的颜色辨识度更高，而自适应阈值也使图像更多纹理细节得到保留。

图8 埋设式算法处理效果Fig.8 Algorithm processing effect of buried targets

表1所示为目标均值减去背景区域均值的结果，代表局部目标区域的对比度。目标1、2为图6(a)中随机选取的2颗地雷，目标3、4为图6(b)中的2颗地雷。通过4种算法进行对比，由于伽马增强能扩大高灰度区域和其他区域的差异，应用于地雷目标红外图像时效果要优于直方图均衡算法，但高温的非目标区域会直接影响算法的增强效果；本文算法中引入先验信息将图像处理的范围缩小至可疑的目标区域，抑制背景后，对比度得到进一步提升，对目标识别具有促进作用。

表1 目标区域对比度Tab.1 Contrast of the Target Areas

4 结论

本文提出基于先验信息的地雷目标红外图像增强算法。该算法利用目标尺寸和形状的先验信息，克服了目标小、干扰多、背景复杂等实际问题，把图像中的目标分离出来，针对目标区域进行有效增强，提升了目标和背景的对比度，对地雷的红外图像具有良好的适用性。实验验证结果表明，与传统图像增强算法相比，本文算法对地雷目标的红外图像增强取得了较好效果，但图像中仍存在部分“假目标”，后续仍需要通过图像分割等方法进一步识别。