0.   引言

在机载或船载红外热成像海上目标搜救系统中，如何准确有效地提取海天线是进行海上目标探测跟踪的一个重要环节。准确提取海天线有助于划分航拍红外图像中的天空和海面部分，缩小目标搜索区域，降低目标探测跟踪算法的时间复杂度，快速探测跟踪海上舰船目标，保证系统实时性。此外，海天线附近区域分布的目标多为小目标，易受近处海面破碎波浪或远处天空云层的干扰，而近距离区域分布的目标多为大目标，故对不同尺寸、不同区域海上目标的探测跟踪，设定的阈值门限也不同。准确提取海天线有利于海上目标探测跟踪区域的划分，削弱干扰信息，降低目标探测的错误率，提高目标探测跟踪的准确率。对于低空掠海飞行目标探测跟踪，准确提取海天线可快速锁定搜索区域，极大抑制海面强大浪花和移动舰船目标的干扰，提高飞行目标的探测准确率^[1]。

利用红外热成像设备远距离观察海天背景目标时，海天线附近垂直梯度值较大，且海天线通常为一条直线，故海天线检测就是在一种强干扰背景下检测垂直梯度值较大的直线边缘轮廓。其中，海天背景的强干扰主要有条纹状海浪和海天线上面的连续云层。张峰^[2]等采用行映射直方图方法从强对比度的海天背景中提取海天线，该方法不适合海天线倾斜过大的情况；刘士建^[3]等在张峰^[2]成果的基础上，采用模板运算增强红外图像海天线附近区域的梯度值，再利用非线性分割方法，获取海天线部分轮廓；裴继红^[4]等利用海天线的梯度信息，提出直线拟合法，该方法抗干扰能力不足；石文君^[5]等采用多帧能量积累方法提高图像对比度，再用Gabor变换和多通道滤波消除干扰，最后用Hough变换获取海天线直线边缘。该方法需要积累多帧红外图像，故实时性低。

本文针对船载红外海上目标探测跟踪的实际应用场景，提出一种基于EmguCV的红外图像海天线提取算法。该算法先采用空域滤波消除弱小船只目标和近域海浪杂碎波浪的干扰，再对降噪后的红外图像进行形态学梯度运算，阈值分割、获取海天线边缘轮廓，然后利用Hough直线检测，获取海天线待拟合点数组，最后利用最小二乘法拟合海天线。

1.   EmguCV简介

EmguCV是将OpenCV（Open Source Computer Vision Library）使用C#语言封装成的.NET库，使用EmguCV就可在.NET平台上调用OpenCV提供的计算机视觉函数库。OpenCV由Intel微处理器研究实验室的视觉交互组开发，内置各种形式的图像和视频源文件的帧提取函数和标准图像处理算法，包含下列5个独立子库：CXCORE、CV、HIGHGUI、CVAUX、CVCAM。其中CXCORE库主要负责数据的基本运算；CV库负责图像处理、结构分析、运动分析、目标跟踪和模式识别等视觉算法；HIGHGUI库用于图像界面、图像视频输入输出和系统调用函数等用户交互；CVAUX库存放即将被淘汰的算法和函数及新出现的实验性算法和函数；CVCAM库存放摄像机接口。

2.   理论与方法

2.1   红外图像预处理

当使用船载和机载热像仪探测和跟踪海上的运动目标（如落水人员、救生筏艇和舰船等）时，需要从复杂海面背景或海天背景中准确分离海上的运动目标。在此过程中，准确提取海天线有利于海上目标探测跟踪区域的划分，削弱干扰信息，降低目标探测的错误率，提高目标探测跟踪的准确率。而海天线的提取必须先消除弱小船只目标和近域海浪杂碎波浪的干扰，因此在海天线提取前应先对红外图像进行一定的预处理。

红外图像中，系统噪声和目标细节均属于高频分量，而背景和海天线轮廓一般为低频分量，故可对图像进行低通滤波，以此达到抑制弱小目标和海杂波、增强海天线边缘轮廓的目的^[6]。红外图像的时域低通滤波用卷积实现，其表达式为：

式中：*为卷积运算；s(x, y)为源红外图像；d(x, y)为经滤波器滤波后的海天线轮廓增强图像；w(x, y)为滤波器滑动窗口；对应的频域卷积模板为矩阵W。模板中心像素区域的权值最小，使目标细节、海浪随机破碎杂波和噪声点不易通过，而面积较大的背景和海天线易于通过，抑制弱小目标和海浪破碎杂波对海天线提取的干扰。

经低通滤波后的红外图像，较好地保留海天线边缘轮廓信息，但仍会残留部分系统噪声。系统噪声多属于椒盐噪声，且不具有帧间连续性和相关性，故可通过中值滤波算子滤除系统噪声，进一步增强海天线边缘轮廓信号，有利于提取海天线轮廓。

2.2   边缘检测

边缘检测是一种基于图像相邻像素灰度梯度来分割图像的常用方法。本文通过相邻像素形态学垂直梯度来提取红外图像中包含海天线的边缘轮廓。其表达式为：

式中：G(x, y)为源红外图像的形态学梯度值；D(x, y)为源红外图像的形态学膨胀操作；E(x, y)为源红外图像的形态学腐蚀操作。将红外图像中的形态学膨胀结果减去形态学腐蚀结果，即得到包含目标梯度的边缘轮廓信息^[7]。

针对船载红外海上目标探测跟踪的实际应用场景中，海天线一般为水平倾斜直线，故只需提取红外图像的形态学垂直梯度。

2.3   阈值分割

最大类间方差法是一种常用的图像二值化分割方法。该方法先遍历所有可能的分割阈值，再对每个阈值结果的两类像素计算方差，并将类间方差最小时对应的阈值设定为图像的最佳分割阈值^[8]。针对图像灰度直方图中双峰明显，双峰无明显低谷或双峰和低谷都不明显的情况，使用该方法可最大化地确定双峰间的分割阈值位置。

若图像灰度等级为L，总像素个数为N，灰度值为i的灰度等级像素点数为n_i，则图像归一化直方图中灰度级i的灰度概率密度为p_i＝p_i/N，所有灰度等级的均值为$\mu = \sum\limits_{i = 0}^{L - 1} {i \cdot {p_i}} $，其中$\sum\limits_{i = 0}^{L - 1} {{p_i}} = 1$。

假设初始分割阈值为t，则把灰度图像划分为C₀和C₁两类，C₀包含的灰度等级为[0, t]，C₁包含的灰度等级为[t+1, L－1]。C₀和C₁的概率分别为${w_0} = \sum\limits_{i = 0}^t {{p_i}} $和${w_1} = \sum\limits_{i = t + 1}^{L - 1} {{p_i}} = 1 - {w_0}$，灰度均值分别为${\mu _0}(t) = \frac{{\sum\limits_{i = 0}^t {i \cdot {p_i}} }}{{{w_0} \cdot t}}$，${\mu _1}(t) = \frac{{\sum\limits_{i = t + 1}^{L - 1} {i \cdot {p_i}} }}{{{w_1} \cdot t}}$，则C₀和C₁的类间方差为${\sigma ^2}(t) = {w_0}{({\mu _0}(t) - \mu )^2} + {w_1}{({\mu _1}(t) - \mu )^2}$。由类间方差公式可得，类间方差σ²(t)是分割阈值t的函数，当类间方差值最大时对应的阈值t即为该灰度图像的最佳分割阈值。

2.4   直线检测

红外图像经预处理、边缘检测和阈值化分割，所得图像中仍然会存在破碎杂波、条纹状涌浪、天空背景云层和目标的垂直梯度信息，通常上述残留信号均为弱信号，而海天线垂直梯度为强信号，且海天线边缘轮廓清晰连续，故可利用Hough变换提取海天线^[9]。

Hough变换是一种图像空间到参数空间或极坐标空间的变换，能够快速检测二值图像中的线、圆或其他简单形状，其变换过程如图 1。图像空间中的两点(x_i, y_i)和(x_j, y_j)共线，则直线参数a、b唯一确定。推论可得：图像空间中确定直线的点集，其映射到参数空间中都相交于一点。类似于图像空间到参数空间的映射，图像空间也可映射到极坐标空间，且图像空间中共线的点在极坐标空间中都会交于一点。因此，检测图像空间的直线，相当于检测参数空间或极坐标空间中相交线最多的点，利用映射关系，即可在图像空间中定位海天线。利用最小二乘法拟合图像空间中的直线检测数据，可获得图像空间中的海天线信息。

图  1  Hough变换

Figure  1.  Hough transform

下载: 全尺寸图片 幻灯片

3.   实验结果及分析

本文实验数据来源于2018年3月份某舰载红外热像仪采集的夜间红外图像，经预处理、边缘检测、阈值分割、直线检测的效果如图 2所示。图 2(d)可得，源图像中海天线附近仅有一个强目标船只，近岸区域存在海浪的随机破碎杂波，其灰度值较大。图 2(b)为源红外图像经边缘检测后结果，由图可得，海浪随机破碎杂波对于海天线的检测存在较大干扰。图 2(c)为源红外图像经预处理后的边缘检测结果。相比图 2(b)，图像预处理能够明显降低海面随机破碎波浪对海天线边缘轮廓的干扰。图 2(d)为源红外图像经本文算法提取海天线的实际效果。相比图 2(e)，进一步说明，红外图像的预处理对于消除海上杂波的干扰具有重要意义。结果表明，本文方法能够从复杂的海面背景中准确提取海天线。图 2(f)为包含多目标船只的红外图像，其中船只目标有强目标也有弱目标，均分布在海天线附近，且近岸区域存在随机破碎杂波和细小的条纹状涌浪。经文中的海天线提取算法处理，能够准确提取海天线，为舰载或机载红外热成像对海上目标的探测跟踪奠定基础。

图  2  海天线检测方法对比

Figure  2.  Comparison of Sea-sky-line extraction method

下载: 全尺寸图片 幻灯片

4.   结论

本文针对船载热像仪在海上目标探测跟踪的实际应用场景，介绍了一种基于EmguCV的红外图像海天线提取方法。实验结果表明，该方法能够从强背景干扰中准确提取海天线。证实了该方法的有效性和准确性，为船载或机载红外热像仪对海上目标的快速探测跟踪奠定基础。