前 言

在大量的圖像應(yīng)用方面，人們往往只對圖像中的某些目標(biāo)感興趣，而這些目標(biāo)在圖像中對應(yīng)著特定或具有獨(dú)特性質(zhì)的區(qū)域，因此，為了識別和分析圖像中感興趣的目標(biāo)，需要將這些區(qū)域從圖像背景中分割出來. 特別是在圖像分析中，需要把圖像分成一系列有意義、各具特征的目標(biāo)或區(qū)域. 隨著圖像處理技術(shù)成功應(yīng)用于眾多領(lǐng)域，在一些識別技術(shù)中，圖像分割成為關(guān)鍵技術(shù)之一，同時也是進(jìn)一步理解圖像的基礎(chǔ). 另外，圖像分割質(zhì)量的好壞直接影響后續(xù)處理效果甚至決定其成敗.

圖像獲取技術(shù)使得人類突破了人眼功能的限制，擴(kuò)展了人眼對不可見輻射的接收能力. 紅外成像技術(shù)是利用景物本身各部分的熱輻射差異獲得圖像細(xì)節(jié)，它突破了人眼在低照度條件下的視覺限制. 紅外成像技術(shù)最初受軍事領(lǐng)域的需求刺激，得到了極大發(fā)展，隨著該技術(shù)的日趨成熟，現(xiàn)在在消防、電力、糧庫、醫(yī)學(xué)和安防等民用領(lǐng)域也得到了十分廣泛的應(yīng)用.

紅外弱小目標(biāo)檢測技術(shù)是利用圖像處理算法對處于雜亂背景和強(qiáng)噪聲環(huán)境中的目標(biāo)進(jìn)行自動檢測，其算法性能的好壞是影響紅外成像系統(tǒng)作用距離和智能化程度的關(guān)鍵. 而將目標(biāo)從圖像中分割出來是檢測的關(guān)鍵步驟，但是復(fù)雜背景下的紅外弱小目標(biāo)和弱目標(biāo)的檢測一直是一個非常困難卻極具挑戰(zhàn)性的課題，因?yàn)閺?fù)雜背景下的弱小目標(biāo)通常只有幾個像素大小，缺乏幾何結(jié)構(gòu)和形狀特征，其灰度特征也不明顯，同時背景雜波的干擾使得檢測變得更為困難. 弱目標(biāo)盡管有結(jié)構(gòu)特征，但是由于紅外成像本身的特點(diǎn)及背景的復(fù)雜和背景中有太多與目標(biāo)灰度相近的干擾存在，使得傳統(tǒng)的閾值分割和邊緣檢測方法無法檢測到目標(biāo).

本書是作者在研究紅外弱小目標(biāo)分割及檢測算法所取得成果的基礎(chǔ)上，廣泛閱讀國內(nèi)外相關(guān)文獻(xiàn)總結(jié)而成的. 全書共分七章，各章內(nèi)容如下：

第一章，重點(diǎn)介紹圖像分割的基礎(chǔ)知識，從圖像的基本概念到圖像處理中常用的模板卷積、圖像分割等基本概念及圖像分割的主要技術(shù)和評價四個方面展開.

第二章，主要對紅外成像技術(shù)的原理及其發(fā)展，以及紅外圖像的特點(diǎn)進(jìn)行簡略說明.

第三章，從分析復(fù)雜背景下紅外弱小目標(biāo)和弱目標(biāo)分割中存在的問題入手，對紅外弱目標(biāo)圖像的低對比度、低信噪比的特點(diǎn)，引入形態(tài)學(xué)的方法對圖像進(jìn)行增強(qiáng)的預(yù)處理；面對背景中含有大量與目標(biāo)重疊的灰度值的情形，利用直方圖變換法的思想，在對圖像求局部方差后，對目標(biāo)和背景求二維熵，使之有利于目標(biāo)的分割.

第四章，將模式識別中的聚類方法的思想與圖像分割方法的思想進(jìn)行比較，引入具有抗噪聲能力強(qiáng)和能發(fā)現(xiàn)任意形狀類的密度聚類算法，該算法能將具有高密度的區(qū)域劃分為類. 在提出的改進(jìn)算法中，采用多種紅外弱目標(biāo)的特征作為特征向量進(jìn)行密度聚類. 得到的仿真實(shí)驗(yàn)結(jié)果驗(yàn)證了算法的可行性和有效性.

第五章，針對大多數(shù)聚類算法對初始中心狀態(tài)比較敏感，對參數(shù)有一定的依賴性等存在的問題，采用基于人類視覺上一個數(shù)據(jù)集形成聚類原理的山峰聚類算法，但該算法存在每一次構(gòu)造新的山峰函數(shù)時計算量隨問題的維數(shù)增加而呈指數(shù)增長的缺點(diǎn)，由此提出將輸入圖像分別進(jìn)行x, y方向的投影，以降低維數(shù)，在此基礎(chǔ)上分別進(jìn)行山峰聚類后，再在原圖像上以聚類中心作為種子點(diǎn)進(jìn)行區(qū)域生長實(shí)現(xiàn)目標(biāo)的分割. 實(shí)驗(yàn)對室內(nèi)和室外紅外弱目標(biāo)圖像都有良好的檢測效果，證明了所提方法的有效性.

第六章，對弱小目標(biāo)在空域和頻域中的特點(diǎn)進(jìn)行分析，引入在時域和頻域都具有良好表現(xiàn)的局部化分析和細(xì)化能力，且具有數(shù)學(xué)顯微鏡之稱的小波分析工具，又由于小波變換后代表圖像頂點(diǎn)等特征點(diǎn)的模極大值范數(shù)，具有旋轉(zhuǎn)、平移和伸縮不變性的特點(diǎn)，加之復(fù)雜背景下的弱小目標(biāo)總會在它所在小區(qū)域里具有較突出的變化，提出了利用目標(biāo)、背景雜波及噪聲在小波分解的各個層次的不同表現(xiàn)，在時、頻域采用多特征迭代的方法進(jìn)行弱小目標(biāo)的檢測算法. 實(shí)驗(yàn)結(jié)果表明，基于小波分解與多特征結(jié)合的檢測算法用于弱小目標(biāo)的檢測是行之有效的.

第七章，提出了一種基于最大最小濾波背景抑制與小波分解相結(jié)合的弱小目標(biāo)檢測方法. 由于被檢測目標(biāo)弱且小，對于背景和弱小目標(biāo)區(qū)域而言，在一個小的局部空間中進(jìn)行最大-最小濾波，背景區(qū)別不是很大，但目標(biāo)的表現(xiàn)則不同. 由此將兩個濾波結(jié)果作殘差運(yùn)算以達(dá)到抑制背景、突出目標(biāo)的效果. 在此基礎(chǔ)上再采用小波分解，進(jìn)行簡單的分割即可得到目標(biāo).

對本書的算法研究，華中科技大學(xué)柳健教授給予了指導(dǎo)和鼓勵，在此表示衷心的感謝！本書的出版得到了西南民族大學(xué)中央高�；�本科研業(yè)務(wù)費(fèi)專項基金項目（11NZYQN29）和四川省應(yīng)用基礎(chǔ)研究計劃項目（2013JY0041）的資助.

鑒于作者水平有限，作為一家之言，不足之處在所難免，懇請讀者提出寶貴的意見和建議.

作 者

2016年2月