红外目标图像中阈值切割方法的比較与研究

红外目标图像中阈值切割方法的比較与研究

摘要：本文主要以红外图像目标检測技术为背景，在图像阈值切割中以最大熵准则及遗传算法为基础。研究了一维最大熵值法（KSW法）及基于遗传算法的KSW熵法单阈值、双阈值等三种不同的阈值切割方法，并通过实验仿真验证了它们的性能及差异。实验结果表明：基于遗传算法的KSW熵法的双阈值切割方法，能够用于红外型目标检測系统中，并取得良好效果，为了验证其是否具有普适性。在其他科学领域如：沿海码头等方向也做了对应的仿真实验，结果较为惬意。

关键词：红外目标检測。阈值切割。最大熵法；遗传算法

Study and compare the method of Infrared target in the image threshold segmentation

Abstract: This article mainly takes the infrared image targets detection techniques as the background, and based on the maximum entropy criterion and genetic algorithm in the image threshold segmentation, to study three different
threshold segmentation method of the one-dimensional maximum entropy method (KSW method) and KSW entropy method based on genetic algorithm of single threshold、double threshold. and
their performance and differences are verified by the experimental simulation . The experimental results show that KSW entropy method based on genetic algorithm of double threshold segmentation method, can be used in infrared target detection system, and achieved
good results. in order to verify its generality in other scientific fields, such as: the coastal wharf direction ,we also make corresponding simulation experiment, the result is satisfactory.

Keywords: infrared target detection; threshold segmentation; the maximum entropy method; genetic algorithm

1 引言（Introduction）

图像切割是图像处理领域的一个基本问题，也是自己主动目标识别技术（ATR）中的一项关键技术，是目标特征提取、识别与跟踪的基础。

眼下，在众多的图像切割方法中。阈值法以其简单、高速、有用、有效的特点得到了较为广泛的应用。怎样选取合理的阈值将目标和背景有效地分离，是阈值法所要解决的关键问题，假设阈值选取过高,则过多的目标点被误归为背景;阈值选取过低,则会出现相反的情况。

针对它，眼下已作了大量的研究。但至今还未能找到一种对全部图像都能有效切割的阈值选取方法。

基于红外目标图像中目标与背景的对照度较低、边缘模糊。并且非常多情况下红外图像中目标的相对面积较小。因而传统的阈值法非常难取得好的效果，切割得到的目标可能包括较多的背景信息。本文研究了一维最大熵值法（KSW法）及基于遗传算法的KSW熵法的单阈值、双阈值等三种不同的阈值切割方法。通过实验对这三种方法的性能进行了验证，分析它们的优缺点。并尝试将其运用于其它科学领域中。当中，基于遗传算法的KSW熵法双阈值切割方法展现出较为惬意的效果。

2 原理及算法介绍(The principle and algorithm introduction)

2.1 基本阈值切割原理

设原始灰度图像为。以一定的准则在中找出一个灰度值t作为阀值，将图像切割为两部分，则切割后的二值图像为：


(1)

将其推广到双阈值方法。则则切割后的图像为：


(2)

当中。为图像的两个不同的阈值切割点。为切割后的图像的一个灰度值，实验中将其设置为180。

基于此还能够将其推广到三阈值甚至多阈值切割中，本文仅须要做到双阈值就可以，故不作具体介绍。

2.2 最大熵值算法原理

Kapur 等人所提出的最佳熵阈值方法(本文简称为KSW熵法) ,不须要先验知识,并且对于非理想双峰直方图的图像也能够进行切割。将信息论中Shannon 熵概念用于图像切割时,測量图像灰度直方图的熵,由此找出最佳阈值,其出发点是使图像中目标与背景分布的信息量最大。

首先介绍单阈值切割方法，依据Shannon 熵的概念,对于灰度范围的图像直方图,其熵測量为：


（3）

当中是第个灰度出现的概率。设阈值将图像划分为目标和背景两部分，令


（4）


（5）

图像由阈值分为两部分后，其概率分布分别为：





与每一个分布有关的熵为。公式例如以下：


（6）


（7）

则图像的总熵为：


（8）

最佳阈值为使总熵取最大值。即：


（9）

将其推广到多阈值切割法，当同一背景图像上有多个物体或须要切割不同层次目标时，可採用多阈值切割。

最佳熵自己主动门限法适合于多阈值(设为个阈值)切割. 此时：


（10）

式中。是切割阈值。且有，为使总熵取最大值，即：


（11）

特别地。,对于双阈值情况,即为 ,则有：


（12）

最佳阈值为使总熵取最大值，即：


（13）

2.3 基于遗传算法的KSW熵法

遗传算法（Genetic Algorithm）是一类借鉴生物界的进化规律（适者生存。优胜劣汰遗传机制）演化而来的随机化搜索方法。它是由美国的J.Holland教授1975年首先提出，其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力。採用概率化的寻优方法。能自己主动获取和指导优化的搜索空间，自适应地调整搜索方向，不须要确定的规则。

遗传算法是具有“生成+检測”的迭代过程的搜索算法，它的基本处理流程例如以下：

（1）參数编码。这个要素是要建立一个空间映射。就是问题的解空间与编码空间的映射，每一个不同的候选解用有一个单独的串号。

（2）初始群体的设定。将种群进行初始化。

（3）适应度函数的设计。在种群中。将每一个个体的染色体进行解码，变成适合计算式适应度的函数形式。

（4）选择。将适应度大的个体作为优秀个体生殖下一代，适应度越大被选择生殖下一代的可能性也就越大。

（5）交叉。将选中的两个用于生殖下一代的位置同样个体的位置进行交叉互换。

（6）变异。依照基因突变的概率翻转串中的基因。

（7）反复步骤（4）到步骤（6）使得结果满足已设定的遗传条件。

将此遗传算法应用于上述KSW熵法。则有例如以下设计：

2.3.1　KSW单阈值切割的遗传算法设计

（一）编码:因为图像灰度值在0～255 之间,故将各个染色体编码为8 位二进制码,它代表某个切割阈值. 初始代人口的值为随机产生的,其对应的适应度值也各有高低。

（二）人口模型:若人口数过多,则每一代适应度值的计算量大,因此人口数设置应该合理. 在此,设置人口数为10 ,最大生殖代数为100。

（三）解码:对二进制染色体数组解码为0～255 之间的值,以求其适应度值。

（四）适应度函数:採用公式(8)为适应度值函数。同一时候採取对适应度函数的线性定标。

（五）选择:依据遗传算法的收敛定理,先进行赌轮法(蒙特卡罗法) ,再採用精英策略。

（六）交叉:交叉互换的重要特征是它能产生不同于父体的子体. 交叉概率越大,交叉操作的可能性也越大;假设交叉率太低,收敛速度可能减少. 单阈值切割因为仅仅有一个參数,所以採用一点交叉,在此设置交叉概率为0.6。

（七）变异:变异概率为0.1。

（八）终止准则:规定当算法执行到最大代数(终止条件) 或经过15 代进化,群体中的最高适应度值仍未发生变化(稳定条件) 时,算法停止执行,具有最高适应度值的个体即为切割阈值。

2.3.2　KSW双阈值切割的遗传算法设计

一、编码:将单阈值切割中的8 位二进制码串改为16 位,前8 位表示一个门限值,后8 位表示还有一个门限值。

二、人口模型:双阈值切割属于多參数遗传程序设计,在此设置人口数为20 ,生殖代数为100。

三、解码:对二进制染色体数组解码为两个0～255 之间的数作为双阈值。

四、适应度函数:採用公式(12) 式为适应度值函数。同一时候採取对适应度函数的线性定标。

五、选择:依据遗传算法的收敛定理,先进行赌轮法(蒙特卡罗法) ,再採用精英策略。

六、交叉:採用双点交叉,随机产生的两个交叉点分别位于前8 位和后8 位. 交叉概率为0.6。

七、变异:变异概率为0.1。

八、终止准则:在双阈值切割中,规定经过30 代进化群体中的最高适应度值仍未发生变化为稳定条件。

3 实验结果及性能分析(experimental results and performance analysis)

3.1 实验结果(experimental results)

本文全部的实验都是在PC CPU @2.60GHz，4GRAM,Intel(R)Core(TM)i5-3230M 显卡的计算机上做的实验，实验环境为MATLAB R2014a。为了验证本文三种算法阈值切割效果的差异性，本文选取了三幅图像进行仿真，原图分别为3.1（a）的红外飞机图像、3.1（e）的红外手掌图像，3.1（i）的沿海码头图像，仿真过程中，首先将图像转换为256 级的灰度图像，然后分别用三种算法对其进行仿真，获取阈值切割后的图像，详情见各个图像的注解。



图1 红外飞机图像阈值切割结果

Fig. 1 infrared plane image threshold segmentation results

3.1(a) 原始图像的灰度图像 3.1(b) 一维最大熵阈值切割图像 3.1(c)基于遗传算法的KSW熵法单阈值切割图像 3.1(d)基于遗传算法的KSW熵法双阈值切割图像



图2 红外手掌图像阈值切割结果

Fig. 2 infrared palm image threshold segmentation results

3.1(e) 原始图像的灰度图像 3.1(f) 一维最大熵阈值切割图像 3.1(g)基于遗传算法的KSW熵法单阈值切割图像 3.1(h)基于遗传算法的KSW熵法双阈值切割图像





图3 沿海码头图像阈值切割结果

Fig. 3 coastal terminal image threshold segmentation results

3.1(i) 原始图像的灰度图像 3.1(j) 一维最大熵阈值切割图像 3.1(k)基于遗传算法的KSW熵法单阈值切割图像 3.1(l)基于遗传算法的KSW熵法双阈值切割图像

3.2 性能分析 (performance analysis)

从上述仿真图像结果能够看出：基于遗传算法的KSW熵法双阈值切割算法在图像纹理细节上较前两种切割方法展现出优越的性能，通过实验仿真能够得到上述图像的切割阈值及搜索阈值所消耗的时间，将其统计于表1中，结果例如以下：

表1 三种算法的性能分析表

table 1 Three kinds of algorithm performance analysis

	图3.1（a）	图3.1（e）	图3.1（i）
单/双阈值	搜索时间（s）	单/双阈值	搜索时间（s）	单/双阈值	搜索时间（s）
算法1	40	0.173	126	0.165	149	0.656
算法2	76	0.020	115	0.027	149	0.103
算法3	41	165	0.070	76	172	0.154	127	210	0.168

(注：算法1为一维最大熵法，算法2为基于遗传算法的KSW熵法单阈值切割算法，算法3为基于遗传算法的KSW熵法双阈值切割算法。另外因为仿真软件的智能化，同一幅图像在同一种算法中获得的数据存在微妙的差异，所以上述数据也仅仅是相对的)

从表1能够看出：遗传算法作为一种优化算法,用于图像切割时,能够大大缩短寻找阈值的时间,但因为双阀值在搜索空间上比单阀值大非常多，所以搜索时间要长一些。

4 结语（Conclusion）

本文针对红外图像目标检測技术，在图像阈值切割中以最大熵准则及遗传算法为基础，研究了一维最大熵值法（KSW法）及基于遗传算法的KSW熵法单阈值、双阈值等三种不同的阈值切割方法，并通过实验仿真验证了它们的性能及差异。

实验结果表明：遗传算法作为一种优化算法,用于图像切割时,能够大大缩短寻找阈值的时间，基于遗传算法的KSW熵法的双阈值切割方法。能够用于红外型目标检測系统中，并取得良好效果，为了验证其是否具有普适性。本文在其他科学领域如：沿海码头等方向也做了对应的仿真实验，结果较为惬意。

5 參考文献（Reference）

[1]Digital Image Processing, 3rd edition, Rafael C. Gonzalez and Richard E. Woods, Prentice Hall, 2010.

[2]涂建平,彭应宁.飞机目标红外图像序列双阈值切割方法[J].兵工学报,Vol. 25 No. 1 Jan. 2004.

[3]王文渊,王芳梅.改进的最大熵算法在图像切割中的应用[J].计算机仿真，2011.

[4]种劲松,周孝宽,王宏琦.基于遗传算法的最佳熵阈值图像切割法[J].北京航空航天大学学报,1999, 25 (6): 747～750.

[5]刘国华,包宏,李文超.用MATLAB实现遗传算法程序[J].计算机应用研究, 2001.