一种基于双重Kmeans聚类的红外目标轮廓分割方法与流程

本发明涉及计算机视觉、模式识别、图像处理等交叉技术领域，特别涉及一种基于双重Kmeans聚类的红外目标轮廓分割方法。

背景技术：

红外成像技术自从诞生之日起就一直是军用和民用领域的研究热点。尤其是在军用领域，由于红外探测是无源被动探测，具有良好的隐蔽性和抗干扰能力，探测距离较远，且能昼夜工作，使红外技术被广泛应用于战区预警、目标搜索和精确制导。当目标距离红外探测器太远时，红外目标的尺寸很小、对比度很低,没有明显的纹理、结构等特征。末端红外目标由远距离下的点目标渐变成近距离下的面目标，面目标一方面由于红外辐射成像的灰度分布极其不均匀，另一方面易受诱饵干扰弹遮挡、覆盖等，很难快速提取目标关键特征、目标轮廓。

目标的轮廓提取、目标分割一直是计算机视觉领域中两个非常重要的研究课题，是包括图像处理、模式识别、人工智能、信号处理等多学科交叉的前沿科学，具有很强的复杂性。而对于红外目标而言，由于红外图像与可见光图像相比，蒙皮效应使得目标边缘弱和对比度低等特点，其实现难度更大。特别的，对于直升机等目标，红外辐射极其不均匀，图1a至1d为中波红外成像条件下直升机目标示意图。参照图1a至1d，发动机处辐射能量较大，反映至成像平面上灰度值较大；而机身周围(机头、机尾)辐射能量很低，其相对应灰度值与背景较为接近，使得目标轮廓准确提取、关键部位确定等造成很大困难。当前大部分的研究工作基本上是基于可见光图像的目标轮廓提取、分割算法。常见的分割算法包括基于阈值(全局阈值、局部阈值)的图像分割、基于区域生长的图像分割、基于聚类的图像分割(Kmeans、谱聚类)的图像分割等。这些算法在可见光图像中均取得了较好的应用。然而对于直升机等红外目标场景，很难找到一种通用的图像分割算法。由于直升机的能量辐射分布极其不均匀，一般而言，传统的分割算法只能将直升机发动机部分分割出来，机身部分则很难从背景中分离出来。虽然采用固定阈值算法，通过设定一个恰当的阈值，可以完成分割。但是该阈值的选取需要经过一定尝试后人工选定，较为依赖图像数据，该算法并不具有鲁棒性。而Ostu最大类间方差阈值算法、区域生长算法、基于聚类的分割算法均利用类内像素之间的相似性、类间像素的差异性进行分割。由于机身部分和背景的差异性很小，这些分割算法均已失效。

技术实现要素：

本发明的目的在于提供一种基于双重Kmeans聚类的红外目标轮廓分割方法，以解决由于直升机的能量辐射分布极其不均匀，机身部分很难从背景中分离出来的问题。

为了解决上述技术问题，本发明的技术方案是：提供一种基于双重Kmeans聚类的红外目标轮廓分割方法，包括：

步骤1、从任意一帧图像开始，通过局域概率分布算法确定目标的中心点，保存所述中心点位置、灰度信息；

步骤2、将图像进行第一次Kmeans聚类，所述目标的中心点作为初始化聚类中心；

步骤3、利用聚成每类面积信息，归并面积最大的一类为背景，剩下的几类作为目标；

步骤4、将第一次聚类结果中的目标对应于原图位置处置0，再次进行Kmeans聚类；

步骤5、重复步骤3，得到二次聚类后的目标；

步骤6、对二次聚类后的结果进行骨架提取和奇异点剔除，得到最终输出结果；

步骤7、分割结束，得到目标轮廓。

进一步地，再次进行Kmeans聚类得到目标的类别后与第一次聚类所得到的目标合并，得到最终目标的分割结果。

进一步地，针对直升机图像，数据样本为每个像素点的灰度值，利用灰度值的差异性进行聚类，设定K值为4。

本发明提供的基于双重Kmeans聚类的红外目标轮廓分割方法，基于Kmeans聚类算法，并结合局域概率分布算法对目标中心的定位，采用Kmeans聚类的二次分割方法能够有效地挖掘直升机机身和螺旋桨信息，实现对能量分布不均匀的红外目标的分割，能够在背景较为平缓的前提下，快速准确地分割出目标。

附图说明

下面结合附图对发明作进一步说明：

图1a至1d为中波红外成像条件下直升机目标示意图；

图2为本发明实施例提供的基于双重Kmeans聚类的红外目标轮廓分割方法的步骤流程示意图；

图3a为本发明实施例提供的红外场景下采用Kmeans聚类算法，在k＝2的条件下，目标的分割结果图；

图3b为本发明实施例提供的红外场景下采用Kmeans聚类算法，在k＝3的条件下，目标的分割结果图；

图3c为本发明实施例提供的红外场景下采用Kmeans聚类算法，在k＝4的条件下，目标的分割结果图；

图4为本发明实施例提供的目标的局域概率分布图；

图5a为本发明实施例提供的第一次分割的结果示意图；

图5b为本发明实施例提供的置零操作的结果示意图；

图5c为本发明实施例提供的第二次分割的结果示意图。

具体实施方式

以下结合附图和具体实施例对本发明提出的基于双重Kmeans聚类的红外目标轮廓分割方法作进一步详细说明。根据下面说明和权利要求书，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比率，仅用以方便、明晰地辅助说明本发明实施例的目的。

本发明的核心思想在于，本发明提供的基于双重Kmeans聚类的红外目标轮廓分割方法，基于Kmeans聚类算法，并结合局域概率分布算法对目标中心的定位，采用Kmeans聚类的二次分割方法能够有效地挖掘直升机机身和螺旋桨信息，实现对能量分布不均匀的红外目标的分割，能够在背景较为平缓的前提下，快速准确地分割出目标。

图2为本发明实施例提供的基于双重Kmeans聚类的红外目标轮廓分割方法的步骤流程示意图。参照图2，提供一种基于双重Kmeans聚类的红外目标轮廓分割方法，包括以下步骤：

S21、从任意一帧图像开始，通过局域概率分布算法确定目标的中心点，保存所述中心点位置、灰度信息；

S22、将图像进行第一次Kmeans聚类，所述目标的中心点作为初始化聚类中心；

S23、利用聚成每类面积信息，归并面积最大的一类为背景，剩下的几类作为目标；

S24、将第一次聚类结果中的目标对应于原图位置处置0，再次进行Kmeans聚类；

S25、重复S23，得到二次聚类后的目标；

S26、对二次聚类后的结果进行骨架提取和奇异点剔除，得到最终输出结果；

S27、分割结束，得到目标轮廓。

本发明实施例提供的基于双重Kmeans聚类的红外目标轮廓分割方法先通过局域概率分布分布算法确定目标的中心点，然后根据Kmeans聚类算法，最后根据骨架提取获取精确轮廓。

Kmeans算法是一种得到广泛运用的聚类算法。它通过迭代过程把数据集划分为不同的类别，使得评价聚类性能的准则函数达到最优，从而使得生成的每个聚类内紧凑、类间独立。Kmeans算法可以看做很多后续工作(NMF、graph-cut)的特殊情形。在计算数据样本之间的距离时，可以根据实际需要选择各种距离度量，其中最常用的是欧氏距离。欧氏距离公式如下：

Kmeans聚类算法使用误差平方和准则函数来评价聚类性能。定义如下：

Kmeans算法步骤如下：

A、为每个类确定初始聚类中心；

B、依据欧氏距离最小的原则将每个样本分配至最邻近的类别；

C、使用每个类别中的样本作为新的聚类中心；

D、重复B，C使得聚类中心不再变化；

E、结束，得到k个聚类结果。

在本发明实施例中，红外目标轮廓分割对象为直升机图像，数据样本为每个像素点的灰度值，利用灰度值的差异性进行聚类。若令K＝2，则只能得到发动机处区域；若令K＝3，只能得到发动机部分、发动机和机身交界处；若令K＝4，则可得到整个机身轮廓。图3a为本发明实施例提供的红外场景下采用Kmeans聚类算法，在k＝2的条件下，目标的分割结果图；图3b为本发明实施例提供的红外场景下采用Kmeans聚类算法，在k＝3的条件下，目标的分割结果图；图3c为本发明实施例提供的红外场景下采用Kmeans聚类算法，在k＝4的条件下，目标的分割结果图。参照图3a至3c，在k＝2和k＝3时，仍只能将直升机发动机部分分割出来；K＝4可以有效地挖掘发动机部分、发动机与机身交界处、机身、背景这四类有用信息。其中背景所在的类别占据图像大部分，其余三类占据图像的比例较小。因此，这三类可以根据面积即可归并为一类。

然而直接采用Kmeans聚成多类存在以下缺点：第一、初始化中心的选取会对目标分割结果造成影响，聚类结果不稳定，存在一定随机性。由于初始化聚类中心的不同，导致聚类结果发生较大差异。可能第一次能够将目标轮廓完整分割出来，下一次只能将发动机部分分割出来。第二、若数据本身很难聚成多类，例如只有两类样本，但K值设定较大，此时的聚类结果会存在空类现象。需要对空类进行剔除，甚至存在整张图像均为一类的奇异现象。第三、由于直升机发动机部分与机身灰度值差异过大，单次聚类效果并不能稳定的保证，螺旋桨部分并不一定能够较好的分割出来。

基于此，采用两种思路进行改进，其一，利用局域概率分布分布的方法确定目标中心，将其设定为其中一类的初始聚类中心，该方法可以保证图像至少可以聚成2类，不会出现整张图像均为一类的奇异情况；其二，针对于单次聚类结果不能稳定输出，，本发明提出二次聚类的思想。在第一次聚类结果上将目标部分的灰度值置0，再进行一次Kmeans聚类，从而克服直升机发动机部分与机身灰度值差异过大现象。本发明实施例将从两部分进行介绍：

(一)局域概率分布

由于红外图像中自然背景能量辐射的变化一般都比较平缓，且背景像素之间的灰度是相关的，因此目标或者目标的高亮部分可以看做是平缓背景中的孤立奇异点，对应于图像中的高频部分。特别是对于本发明实施例中的直升机图像，发动机部分可看做平缓背景中的奇异点，机身和背景可视作平缓背景。通过此种方法确定发动机位置即目标中心。

在目标(发动机部分)的局部范围内，背景变化一般不会太剧烈，目标与邻域背景对比明显，因而，目标点像素灰度值与局域像素和的比值较大。通过在局域灰度概率分布图上对比较大概率值的检测可以实现对应目标的检测。

设f(x,y)为序列图像中某一帧图像中点(x,y)处的灰度值，以(x,y)为中心的(2r+1)×(2r+1)局域内，定义p(x,y)为点(x,y)的灰度值与局域内总灰度值的比值，即：

这称为该点的局域灰度概率，以点(x,y)局域范围之内所有点的局域灰度概率之和为1。

一般而言，在以点(x,y)为中心的(2r+1)×(2r+1)局域内:

当灰度分布均匀时，

当f(x,y)小于周围像素点的灰度值或是局域内有其他灰度值较高的像素点时，

当f(x,y)高于其邻域内其他像素时，且该像素越高，p(x,y)越大。

因此，通过计算比较p(x,y)的大小即可检测平滑背景中的奇异点，图4为本发明实施例提供的目标的局域概率分布图。参照图4所示，该置信图表明目标在发动机部分所对应的位置处具有较大的响应。响应值最大处即可认为是所对应目标的中心位置，将max(p(x，y))所对应的坐标记录为目标的中心点，即可定位本发明实施例中的直升机发动机，作为其中一类的初始目标中心。

(二)二次Kmeans聚类

针对于单次聚类结果不稳定的情形，本发明实施例提出了二次聚类的思想。图5a为本发明实施例提供的第一次分割的结果示意图。参照图5a，第一次聚类结果并不能让人满意，该聚类结果与采用阈值、区域生长生长等算法的结果类似，均只能将直升机发动机部分分离开来，并不具有直升机的轮廓。

图5b为本发明实施例提供的置零操作的结果示意图。参照图5b，通过将第一次分割结果中目标部分在原图上置零，此时有效地将直升机发动机高亮部分剔除，此时图像的灰度分布在剔除最亮的部分后，机身和背景的差异性可以得到更好地体现。图5c为本发明实施例提供的第二次分割的结果示意图。参照图5c，此时再对图像进行聚类便可以有效地得到整个机身的轮廓。

虽然在大部分场景下，无论第一次分割结果较好或较差，二次Kmeans聚类均可以得到目标的较为完整的轮廓，包括螺旋桨信息。但是由于蒙皮效应使得目标的边缘模糊，最终二次Kmeans聚类得到的结果会使得目标轮廓膨胀，从而损失一定轮廓表示能力。

针对于此，本发明实施例采用腐蚀的思路对目标轮廓进行收缩，从而得到较为准确地目标轮廓信息。首先利用细化算法获取目标的较为收缩的轮廓。

区域中的骨架可以利用中间轴(MAT)定义如下：一个边框为b的区域R中的每一个点p，寻找b中的最近邻点。若p比这样的近邻点大，则我们称p属于R的骨架。我们将逐步删除目标轮廓的第一圈像素、第二圈像素等，同时不能出现目标断开。考虑到本发明的数据目标并不是很大，故我们只删除目标轮廓的最外围像素，使直升机机体轮廓特征更为明显。随后为了剔除毛刺、奇异点等，我们利用连通性将小于等于两个像素的高亮区域置0即可剔除噪声影响。最终我们的结果表明目标的轮廓、直升机的螺旋桨均可以较为准确的分离开来，为接下来的关键部位提取等奠定基础。

在本发明实施例中，首先利用Kmeans聚类算法将图像聚成k类(在本发明实施例中k＝4)，然后通过各类面积大小进行归并，成为两类，这两类中一类为目标(或者为目标的一部分)，另一类为背景(可能包括目标的一部分)。将目标所在类别对应的灰度值置0，得到的图像再次进行Kmeans聚类(k＝4与前文相同)，基于各类面积大小归并成两类。在得到目标的类别后与第一次聚类所得到的目标合并，即可得到最终目标的分割结果。最后为了抑制蒙皮效应的影响，对最终结果进行骨架提取、毛刺剔除。

显然，本领域的技术人员可以对本发明进行各种改动和变形而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。