本發(fā)明屬于紅外成像技術領域，尤其是一種可提高分割精度及速度的基于局部熵凸優(yōu)化的紅外船舶圖像活動輪廓分割方法。

背景技術：

隨著計算機處理、網絡通信等現(xiàn)代技術裝備的發(fā)展，海面船舶管理日趨智能化和自動化。在船舶航行及港口船舶監(jiān)控中，紅外成像系統(tǒng)的關鍵技術是目標的分割。分割精度作為碰撞危險度評估、多目標決策、避碰最佳幅度等的前提，如何提高是目前亟待解決的一個關鍵問題，其中活動輪廓模型利用動態(tài)的概念進行圖像分割，成為了該領域中一次重大的革新。基于活動輪廓模型進行圖像分割的基本思想是：利用圖像的幾何特性建立一個能量泛函，在變分法下求能量函數極小值，得到相應的Euler-Lagrange方程，然后，利用泛函分析和數值分析等領域的相關知識對于模型的合理性進行分析，最終提取出感興趣的圖像區(qū)域。這樣，圖像分割問題就變成了能量泛函求解問題。

目前，大量活動輪廓模型主要是一個非凸問題，存在局部極小解，從而使分割結果高度依賴于初始輪廓線。另外，由于曲線演化過程過多地依賴于圖像特征去控制，但在實際圖像中的離散梯度是有界的，或者目標物體附近邊緣位置不可能是理想化的，這些都會造成演化的曲線越過目標的實際位置。特別對具有強噪聲圖像，活動輪廓模型易陷入局部最優(yōu)，導致圖像分割失敗。因此，現(xiàn)有非凸活動輪廓模型適用范圍窄，僅適用于較少噪聲、目標輪廓完整且與背景反差明顯的圖像。

然而，紅外船舶圖像具有復雜的海域環(huán)境如海面雜波、背景不穩(wěn)定性等因素，海域背景是由真實場景圖像和成像干擾構成。另外，紅外圖像成像過程反映的是熱輻射差，對溫度很敏感，加之周圍環(huán)境對熱輻射的散射和吸收，紅外圖像中邊緣模糊、紋理細節(jié)幾乎沒有。因此現(xiàn)有的活動輪廓分割方法并不適用于紅外船舶圖像，分割精度及速度均較低。

技術實現(xiàn)要素：

本發(fā)明是為了解決現(xiàn)有技術所存在的上述技術問題，提供一種可提高分割精度及速度的基于局部熵凸優(yōu)化的紅外船舶圖像活動輪廓分割方法。

本發(fā)明的技術解決方案是：一種基于局部熵的凸優(yōu)化紅外船舶圖像活動輪廓分割方法，其特征在于按照如下步驟進行:

步驟1. 統(tǒng)計船舶圖像的局部熵：

（1）

為船舶圖像的高斯統(tǒng)計函數：，和分別為船舶圖像的均值和方差；

步驟2. 建立凸優(yōu)化能量泛函：

（2）

，為船舶圖像所在區(qū)域；為水平集函數的狄克拉函數；船舶圖像的局部區(qū)域選取如下：，為船舶圖像長度的；通過高斯統(tǒng)計函數可得到模型（2）的水平演化方程:

（3）

其中，以及 （4）

、和、分別為船舶圖像區(qū)域和背景區(qū)域的均值和方差；

步驟3. 進一步由Euler-Lagrange方程，可得到模型（3）的水平集演化方程：

（5）

其中，和分別為水平集的散度算子和梯度算子；

步驟4. 設置時間步長；初始化水平集函數；

步驟5. 利用式（4），分別計算；

步驟6. 利用有限差分法，根據式（5）更新水平集函數；

步驟7. 使用停止準則檢查演化曲線是否穩(wěn)定收斂，若穩(wěn)定收斂，則停止迭代；否則，轉入步驟5；所述停止準則是演化曲線趨近目標邊界時，水平集函數值逐漸變小，當到達目標邊界時，函數值達到最小值，停止演化。

與現(xiàn)有技術相比，本發(fā)明具有以下優(yōu)點：第一，引入的局部熵可根據曲線演化的當前狀態(tài)自適應調整能量泛函以控制演化的總體演化趨勢。而且，所利用的局部信息可以保證模型的全局特性，避免模型陷入局部極小值，保證了模型對復雜背景區(qū)域的目標分割精度。第二，模型在演化過程中通過使用凸優(yōu)化的能量泛函，避免了演化曲線越過目標的實際位置。通過對多種類型紅外船舶圖像分割的仿真實驗表明：本發(fā)明具有分割精度高、速度快和對初始輪廓曲線位置及圖像噪聲具有魯棒性的特點。

附圖說明

圖1為本發(fā)明實施例進行不同初始化方法對應的紅外船舶圖像分割結果圖。

圖2為本發(fā)明實施例進行不同局部區(qū)域對應的紅外船舶圖像分割結果圖。

圖3為本發(fā)明實施例與其它方法的分割結果比較圖。

具體實施方式

本發(fā)明基于局部熵的凸優(yōu)化紅外船舶圖像活動輪廓分割方法，按照如下步驟進行:

步驟1. 統(tǒng)計船舶圖像的局部熵：

（1）

為船舶圖像的高斯統(tǒng)計函數：，和分別為船舶圖像的均值和方差；

步驟2. 建立凸優(yōu)化能量泛函：

（2）

，為船舶圖像所在區(qū)域；為水平集函數的狄克拉函數；船舶圖像的局部區(qū)域選取如下：，為船舶圖像長度的；通過高斯統(tǒng)計函數可得到模型（2）的水平演化方程:

（3）

其中，以及（4）

、和、分別為船舶圖像區(qū)域和背景區(qū)域的均值和方差；

步驟3. 進一步由Euler-Lagrange方程，可得到模型（3）的水平集演化方程：

（5）

其中，和分別為水平集的散度算子和梯度算子；

步驟4. 設置時間步長；初始化水平集函數；

步驟5. 利用式（4），分別計算；

步驟6. 利用有限差分法，根據式（5）更新水平集函數；

步驟7. 使用停止準則檢查演化曲線是否穩(wěn)定收斂，若穩(wěn)定收斂，則停止迭代；否則，轉入步驟5；所述停止準則是演化曲線趨近目標邊界時，水平集函數值逐漸變小，當到達目標邊界時，函數值達到最小值，停止演化。

本發(fā)明實施例進行不同初始化方法對應的紅外船舶圖像分割結果如圖1所示：（a）初始化1；（b）初始化2；（c）分割結果。

本發(fā)明實施例進行不同局部區(qū)域對應的紅外船舶圖像分割結果如圖2所示：（a）小局部區(qū)域對應的分割結果；（b）大局部區(qū)域對應的分割結果；（c）適當局部區(qū)域對應的分割結果。

本發(fā)明實施例與其它方法的分割結果比較如圖3所示：從左至右分別為源圖像、CV模型分割結果、LBF模型分割結果、多特征結合的紅外船舶分割結果、多特征映射的紅外船舶分割結果、本發(fā)明實施例。

結果表明：本發(fā)明實施例具有分割精度高、速度快和對初始輪廓曲線位置及圖像噪聲具有魯棒性的特點。