黄毅，曹殊
中国船舶集团有限公司第七一〇研究所，湖北 宜昌 443003
摘 要：被动红外成像探测与识别技术是现代武器装备制导中十分重要的技术。该文对红外舰船目标图像的检测与识别方法进行研究，提出了一种基于质心矩形的红外目标识别方法，应用结果表明该方法可有效识别红外舰船目标，能为红外舰船目标自动检测与识别提供参考。
关键词：红外成像；舰船目标；检测；识别
0 引言
对基于红外成像技术获得的目标图像进行目标自动检测、识别与跟踪是现代武器装备的重要发展方向。红外成像与可见光相比，具有透过烟尘能力强，可昼夜工作等优点，与雷达相比，具有结构简单、体积小、重量轻、分辨率高、隐蔽性好、抗干扰能力强等优点，在中近距离成像探测系统中受到了特别的重视。该文针对红外图像中目标舰船的检测与识别方法进行研究，提出了一种基于质心矩形的红外目标识别方法。
1 红外舰船目标识别方法
1.1红外舰船目标描述
一幅红外舰船目标图像主要包含背景、目标和噪声三部分，可以被描述为[1]：
（1）
式中，分别表示目标、背景和噪声分量。
1.2基于质心矩形的红外目标识别方法
针对红外舰船目标具有近似矩形的特征，通过提取目标面积作为特征量对目标进行矩形度的估算，进而实现对舰船红外图像进行检测与识别。算法流程如图1所示，其中ROI区域表示感兴趣区域。
.png)
1.3红外舰船目标的分割
1.3.1 灰度加值处理[]
红外图像通常具有灰度较低的特点，所以有必要对图像进行增强处理。但现有各种图像增强技术（如直方图均衡化法、直方图规定化法等）对舰船的红外图像效果不是很好。海面或天面的背景会受到不同程度的影响，甚至失去原来的性质，对目标区的增强效果不明显[2]。考虑到通过目标的灰度直方图来进行分割目标与背景，在原图基础上加上一个数值来提高目标的灰度。取阈值时相应加上同样的数值。通过直方图选取阈值时，按阈值法选取代表着目标中心灰度的第二个峰值来代替两峰一谷的谷值作为阈值则可以大大增强目标灰度，且完整保留了原图的目标性质。
1.3.2 面积阈值分割
通常情况下，前期去噪并不能完全去除噪声，存在一些较大噪声或虚假目标无法去除[3]。由于这些噪声和虚假目标在舰船的红外图像中所占面积较小。通过检测二值图中的非零像素点的数目得到目标潜在区总面积，标记检测连通区域的面积，选取适当的阈值的方法可以滤除这些区域。
要对图像进行面积计算，必须转换图像为二值图像。但在传统转换法完成转换之后发现，由于目标的灰度分布不均，ROI区域存在很多“洞”，对目标面积的计算产生很大影响。虽然可选用对图像填充的方法进行修补，但效果不理想，甚至会把目标完全填掉。采用闭运算对二值图像进行填补可有效解决这一问题。
通常情况下对图像进行面积计算是通过统计二值图像中的非零像素点实现。某些噪声毛刺或船体尖锐部分对面积的统计影响不大，且毛刺或船体尖锐部分还可能对后面的目标长、宽检测造成影响。因此需要进行去毛刺处理[4]。在去毛刺处理之后，对连通区域进行标记，并统计各个连通区域的面积，选取总面积的3%作为阈值进行去噪。若连通区域的面积小于总面积的3%，那么将作为噪声处理掉。在滤除小面积非目标结果后，基本可以确定目标潜在区。用最后得到的二值图像与原图相乘，便可提取出目标所在区域。
1.4红外舰船目标的识别
在检测到目标ROI区域后，就可以对ROI进行特征提取。这时可采用吃水线检测或区域生长的方式对舰船进行识别。考虑到船体拥有近似的类矩形性，可以通过检测其矩形度来进行识别。识别步骤如下：
（1）提取质心：要检测舰船的矩形度，那么可以先提取其质心，取其质心矩形面积与目标面积进行比较。通过多次实验选取合适的阈值来进行识别。
（2）检测长宽：通过检测ROI边缘，再提取出质心所在行、列，找到其行、列中离质心最近的两个非零点，二者相减即可得出其长、宽。
（3）面积计算：检测出长宽后二者相乘得到ROI质心矩形面积，前文已经对连通区域标记并测得面积，再通过ROI质心矩形与ROI二值总面积之比的计算，近似达到矩形度检测效果。
（4）阈值的选取：经过大量实验综合选取阈值，设阈值为α，判断标准为：ROI二值总面积/ROI质心矩形面积<α，则认为ROI区域为目标所在区。
2 实例分析
选取某舰船为研究对象，其原始红外舰船目标图像如图2所示。由于图像存在噪声，舰船目标识别困难。图3为用三种方法进行阈值分割的结果，可明显地看出采用文中的增强处理方法效果好于直方图均衡化方法和直方图规定化方法，在完整保留了原图的目标性质的同时增强了舰船目标灰度。
.png)
图2 原始红外舰船目标图像
.png)
接着对红外舰船目标二值图像进行Matlab中的imfill填充运算处理和闭运算处理，如图4所示，选用对图像填充的方法进行修补，但效果不理想，甚至会把目标完全填掉。采用闭运算对二值图像进行填补可有效解决这一问题。
.png)
通常情况下对图像进行面积计算是通过统计二值图像中的非零像素点实现。某些噪声毛刺或船体尖锐部分对面积的统计影响不大，且毛刺或船体尖锐部分还可能对后面的目标长、宽检测造成影响。因此需要进行去毛刺处理。舰船目标图像去除毛刺和小面积噪声后的结果如图5所示。将得到的结果与阈值分割结果相乘，即为舰船的目标潜在区（图6）。
针对此船阈值取1.1，若高于阀值则认为ROI区域为目标所在区。经过计算，舰船中间部分阀值为1.07，符合条件，判定为目标。舰船右方部分阀值为1.23，不符合条件，判定为噪声。舰船目标检测结果如图7所示，其中目标用红色矩形框标记。
.png)
3 结论
通过对基于直方图的红外图像增强和基于边缘检测的分割方法的研究分析，提出一种基于质心矩形的识别方法。该方法通过提取质心、检测长宽、面积计算、阈值选取等过程，可对文中的红外舰船目标进行有效识别，为基于红外成像技术的舰船目标图像的自动检测与识别提供参考。
参考文献
[1] 刘靳.红外图像预处理及弱小目标检测方法研究[D]. 西安:西安电子科技大学,2006
[2] 王鹏等.一种复杂海天背景下的红外舰船目标自动检测方法[J].武汉大学学报.2011,12: 99-103.
[3] 张天序，赵广州. 一种快速递归红外舰船图像分割新算法[J]. 红外与毫米波学报.2006,25(4):691-696
[4] 蒋李兵，王壮，胡卫东.一种基于ROI的红外舰船目标检测[J].红外技术.2006,28(9):536-54