CN102800107A - 一种基于改进最小交叉熵的运动目标检测方法 - Google Patents

Abstract

一种基于改进最小交叉熵的运动目标检测方法，包括以下步骤：1）图像差分；2）二值化：2.1）灰度和梯度的计算与归一化；2.2）灰度-梯度共生矩阵及其概率计算；2.3）二维最小交叉熵的计算；2.4）基于遗传算法的最优阈值选取；2.5）基于均匀性测度的分割质量评价；3）形态学操作，对二值化图像进行膨胀再进行腐蚀处理；4）连通区域分析，用来获取图像中各个对象的连通域；5）目检识别，在二值化图像中从左上角像素点开始，若当前像素点为1，则采用贪婪算法搜索其8领域像素值为1的像素点，每一目标的位置信息和相关信息都将保存在目标链中，目标链中即是检测到的目标信息。本发明精确度高、实时性良好。

Description

一种基于改进最小交叉熵的运动目标检测方法

技术领域

本发明涉及图像处理、计算机视觉、模式识别等技术领域，尤其是一种针对运动鱼体图像的目标检测方法。

背景技术

目标跟踪、特征提取和目标识别等是计算机视觉中图像理解的重要环节，它们都与目标检测的质量密切相关。目标检测过程可分为图像差分、二值化、形态滤波和连通性分析等四个步骤，其中阈值的选取在目标检测过程中尤为重要。

Kullback提出了度量同一事件空间中的两种概率分布之间差异的信息论方法，并得到广泛的应用。LE.C.H等人将交叉熵引入到图像分割中，利用最小交叉熵准则来选择阈值，使得原始图像与分割图像之间的信息量差异最小。随后薛景浩等人利用后验概率求解一维最大类间交叉熵，范立生等人提出用于极化SAR图像的极化交叉熵算法。梅蓉等人将一维交叉熵阈值法推广到二维空间，并利用优化算法来避免大量的计算时间消耗；陈琪等人鉴于二维方法所带来的计算量，提出快速递推算法。

同时，信息论中Shannon熵的概念也应用于图像分割中，其描述了一个概率分布的不确定性程度。随后很多国内外研究者在此基础上，分别提出了一维和二维的最大熵阈值法。为充分考虑图像的纹理信息，周德龙等人在灰度-梯度共生矩阵模型基础上提出最大熵阈值分割算法，该方法结合图像的灰度和梯度信息，给出阈值选取的理论依据。张弘等人又在此基础上提出了基于灰度-梯度共生矩阵模型的加权条件熵阈值算法。由于二维熵计算量庞大，耗时较长，很难实用，吴一全等人提出二维熵图像阈值分割的快速递推算法，提高了运算速度。龙建武等人针对基于灰度梯度模型的最大熵分割算法抗噪声能力差的缺点，又提出了基于三维模型的最大熵图像阈值分割算法，并给出快速递推公式。

一幅图像中，各像点的灰度是构成一幅图像的基础，反映图像的内部信息；而梯度则是构成图像边缘轮廓的要素，一幅图像的主要轮廓信息是由其边缘轮廓信息提供的。在灰度-梯度共生矩阵中，集中体现了图像中两种最基本的要素即像点的灰度和梯度（或边缘）的相互关系，其元素c_ij定义为：在归一化的灰度图像F(x,y)和归一化的梯度图像G(x,y)中，统计同时使灰度值为i和梯度值为j的总像点数。

在灰度-梯度空间中，图像内部的灰度值分布比较均匀，故梯度值较小；边缘点明显区分目标与背景，故其梯度值较大。因此，灰度梯度共生矩阵模型空间十分清晰地描绘出图像内前景和背景之间的边界情况，及灰度与梯度的分布规律，同时也给出了各像素点与其领域像素点的空间关系，能很好地描绘图像的纹理特征。

遗传算法是一类借鉴生物界的进化规律演化而来的随机搜索算法，是具有鲁棒性、并行性和自适应性的优化算法。其以实现容易和精度高等特点被应用于解决各种领域的实际优化问题。遗传算法主要处理步骤如下：1）编码，一个编码为一个染色体，编码的目的是用于优化问题解的表现形式和利于之后遗传算法中的计算。2）适应度函数的构造和应用，适应度函数基本上依据优化问题的目标函数而定。适应度函数确定后，自然选择规律是以适应度函数值的大小决定概率分布来确定哪些染色体适应生存，哪些被淘汰。生存下来的染色体组成种群，形成一个可以繁衍下一代的群体。3）染色体的结合，双亲的遗传基因结合是通过编码之间的交配达到下一代新解的产生。4）变异，新解产生过程中可能会发生基因变异，变异使某些编码发生变化，使解具有更大的遍历性。

目前比较常用的运动检测方法可分为三类：基于帧间差分的方法、基于背景差分的方法和基于光流的方法。存在的缺陷：1、不能有效分割出运动鱼体目标；2、对光照分布比较敏感。

发明内容

为了克服现有目标检测方法的精确度较差和实时性差等不足，本发明在二值化阶段的阈值选取上，将灰度-梯度共生矩阵引入到二维最小交叉熵阈值算法中，利用遗传算法近似求解最优阈值，并采用均匀性测度作为图像质量的评价指标，提出了一种精确度高、实时性良好的基于最小交叉熵的运动目标检测方法。

本发明解决其技术问题所采用的技术方案是：

一种基于改进最小交叉熵的运动目标检测方法，所述目标检测方法包括以下步骤：

1）图像差分：利用图像差分来获取差分图像；

2）二值化：二值化过程又可看作图像分割过程，包括以下步骤：

2.1）、计算图像的灰度值与梯度值，并对灰度值和梯度值进行归一化处理；

2.2）、计算灰度-梯度共生矩阵的每个元素值，并计算其对应的概率矩阵；

2.3）、根据步骤2.2）获得的灰度-梯度共生矩阵及其概率矩阵来计算图像的二维最小交叉熵；

2.4）、利用遗传算法和最小交叉熵公式来选取图像的最优阈值，即满足图像中交叉熵最小的分割阈值；

3）形态学操作：先对二值化图像进行膨胀再进行腐蚀处理。

4）连通区域分析；

5）目检识别：在二值化图像中从左上角像素点开始，若当前像素点为1，则采用贪婪算法搜索其8领域像素值为1的像素点。直到搜索不到像素点为1的像素点或者遍历完所有图像位置为止；在搜索的同时建立目标链，每一目标的位置信息和相关信息都将保存在目标链中，目标识别过程结束后，目标链中即是检测到的目标信息。

进一步，所述步骤1）中，用基于模糊推理的背景差分法。

再进一步，所述二值化过程还包括：2.5）、对于选取的分割阈值，利用均匀性测度进行评价。

更进一步，所述步骤3）中，采用基于区域增长法和线标记法的区域分析。

本发明的技术构思为：图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要的领域之一，它是对图像进行视觉分析和模式识别的基本前提。阈值分割法在图像分割领域中一种传统和经典的方法，因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛的分割技术，已被应用于很多的领域。到目前为止，已经提出了各种各样的阈值选取方法。

阈值分割法的分割原理为：通过设定不同的特征阈值，将图像的像素点按照阈值分为若干类。一般在分割过程中使用的特征包括灰度值、彩色特征等。

本方法将灰度-梯度共生矩阵引入到二维最小交叉熵阈值算法中，利用遗传算法近似求解最优阈值，并采用均匀性测度作为图像质量的评价指标，实现了一种基于最小交叉熵的运动目标检测方法。

本发明的有益效果主要在于一方面加快了二维最小交叉熵算法的计算过程，提高了目标检测的有效性；另一方面在阈值的选取上能够兼顾图像的内部和边缘信息，有效地抑制光照分布不均匀对分割效果的影响，提高了目标检测方法的鲁棒性。

附图说明

图1是一种基于改进最小交叉熵的运动目标检测方法流程图。

图2是基于模糊推理的背景差分法示意图。

图3是二维灰度直方图。

图4是灰度-梯度共生矩阵象限图。

图5是遗传算法选取阈值流程图。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1~图5，一种基于改进最小交叉熵的运动目标检测方法，所述目标检测方法包括以下步骤：

1）、图像差分：

参照图2，图像差分用来获取差分图像，由于本发明应用环境背景相对简单，故采用基于模糊推理的背景差分法，其主要流程图如附图2所示，关于基于模糊推理的背景差分法详细请见参考文献：陈勇，肖刚，陈久军等.基于模糊推理背景分割的目标检测方法[J].计算机工程，第11期第36卷190-194页。

2）、二值化：

2.1）、灰度和梯度的计算与归一化。

假设在一幅灰度图像(x,y)处的像素值表示为f(x,y)，那么归一化图像灰度值：

F(x,y)=INT(f(x,y)×L/f_max)+1            （1）

式中，INT表示取整运算，L表示归一化灰度值的最大值，f_max表示原图像中灰度的最大值。

在本发明中，图像各像素点的梯度值采用拉普拉斯算子来计算，公式如下：

g(m,n)=4×f(m,n)-f(m+1,n)-f(m-1,n)-f(m,n+1)-f(m,n-1)    （2）

同理，归一化梯度如下：

G(x,y)=INT(g(x,y)×L'/g_max)+1             （3）

式中，g_max表示图像中梯度的最大值，L'表示归一化梯度值的最大值。

2.2）、灰度-梯度共生矩阵及其概率计算。

对于上述计算中得到的归一化灰度图像F(x,y)和梯度图像G(x,y)，计算同时满足F(x,y)=i和G(x,y)=j的像素点的总数目，其结果即为灰度-梯度共生矩阵中的第(i,j)个元素值c_ij，其中i表示灰度值，j表示梯度值。

那么，灰度值为i和梯度值为j的共生矩阵对应位置的概率公式表示如下：

$p_{\mathrm{ij}}=c_{\mathrm{ij}}/\left(\underset{i=0}{\mathrm{\Σ}}\underset{j=0}{\mathrm{\Σ}}{c}_{\mathrm{ij}}\right)---\left(4\right)$

2.3）、二维最小交叉熵的计算。

对于由灰度-领域灰度构成的二维图像直方图，如图3-1所示。图中L表示最大灰度级，X坐标轴表示灰度值，Y坐标轴表示领域灰度值。边缘和噪声的信息概率较小，可以忽略区域C与D不计，因此，若阈值设在(s,t)时，则有：

$P_A=\underset{i=0}{\overset{s}{\mathrm{\Σ}}}\underset{j=0}{\overset{t}{\mathrm{\Σ}}}{p}_{\mathrm{ij}},$ $P_B=\underset{i=s+1}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=t+1}{\overset{L-1}{\mathrm{\Σ}}}{p}_{\mathrm{ij}}---\left(5\right)$

若μ_A(s,t)、μ_B(s,t)表示分割后的目标和背景的类内均值，则有：

${\mathrm{\μ}}_A(s,t)=\frac{1}{P_A}\underset{i=0}{\overset{s}{\mathrm{\Σ}}}\underset{j=0}{\overset{t}{\mathrm{\Σ}}}{\mathrm{ijp}}_{\mathrm{ij}}---\left(6\right)$

${\mathrm{\μ}}_B(s,t)=\frac{1}{P_B}\underset{i=s+1}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=t+1}{\overset{L-1}{\mathrm{\Σ}}}{\mathrm{ijp}}_{\mathrm{ij}}---\left(7\right)$

因此可定义二维交叉熵为：

$D(A,B,s,t)=\underset{i=0}{\overset{s}{\mathrm{\Σ}}}\underset{j=0}{\overset{t}{\mathrm{\Σ}}}({\mathrm{ijp}}_{\mathrm{ij}}\ln \frac{\mathrm{ij}}{{\mathrm{\μ}}_A(s,t)}+{\mathrm{\μ}}_A(s,t)p_{\mathrm{ij}}\ln \frac{{\mathrm{\μ}}_A(s,t)}{\mathrm{ij}})+$ （8）

$\underset{i=s+1}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=t+1}{\overset{L-1}{\mathrm{\Σ}}}({\mathrm{ijp}}_{\mathrm{ij}}\ln \frac{\mathrm{ij}}{{\mathrm{\μ}}_B(s,t)}+{\mathrm{\μ}}_B(s,t)p_{\mathrm{ij}}\ln \frac{{\mathrm{\μ}}_B(s,t)}{\mathrm{ij}})$

选取的最佳阈值向量应满足：

D(A,B,s^*,t^*)=max{1/D(A,B,s,t)}    （9）

上述即为二维最小交叉熵的定义过程。

由上述步骤可知，图像的灰度-梯度共生矩阵是一个L×L'维的矩阵[c_ij]_L×L'，如附图4所示即为灰度-梯度共生矩阵的象限图，图中X坐标轴表示梯度值，Y坐标轴表示灰度值，矩阵的原点在X、Y轴交汇处，向右表示梯度值增加，向下表示灰度值增加。

假设上图中，阈值在(s,t)处且目标的灰度值偏低，背景的灰度值则反之。由于图像中的目标和背景内部的灰度级分布非常均匀，因而该部分的梯度值为零或者非常小；对于边缘部分的梯度值往往会比较大。据此，将灰度-梯度共生矩阵划分为4个象限，象限A表示目标信息，象限D表示背景信息，象限B和C均代表边缘和噪声信息。由图3-4可知，象限B为目标区域向背景区域过渡的边缘信息，象限C为背景区域向物体区域过渡的边缘信息。因为象限A与D包含的信息对边缘信息影响非常小，即概率较小，所以可以忽略不计。由公式（5）可知共生矩阵中B与C象限概率计算公式为：

$P_B=\underset{i=0}{\mathrm{\Σ}}\underset{j=t+1}{\mathrm{\Σ}}{p}_{\mathrm{ij}},$ $P_C=\underset{i=s+1}{\mathrm{\Σ}}\underset{j=t+1}{\mathrm{\Σ}}{p}_{\mathrm{ij}}---\left(10\right)$

若μ_B(s,t)、μ_C(s,t)表示分割后的目标和背景的类内均值，则有：

${\mathrm{\μ}}_B(s,t)=\frac{1}{P_B}\underset{i=0}{\overset{s}{\mathrm{\Σ}}}\underset{j=t+1}{\overset{L^{\′}-1}{\mathrm{\Σ}}}{\mathrm{ijp}}_{\mathrm{ij}}---\left(11\right)$

${\mathrm{\μ}}_C(s,t)=\frac{1}{P_C}\underset{i=s+1}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=t+1}{\overset{L^{\′}-1}{\mathrm{\Σ}}}{\mathrm{ijp}}_{\mathrm{ij}}---\left(12\right)$

可得图像的交叉熵公式为：

$D(B,C,s,t)=\underset{i=0}{\overset{s}{\mathrm{\Σ}}}\underset{j=t+1}{\overset{L^{\′}-1}{\mathrm{\Σ}}}({\mathrm{ijp}}_{\mathrm{ij}}\ln \frac{\mathrm{ij}}{{\mathrm{\μ}}_B(s,t)}+{\mathrm{\μ}}_B(s,t)p_{\mathrm{ij}}\ln \frac{{\mathrm{\μ}}_B(s,t)}{\mathrm{ij}})+$

$\underset{i=s+1}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=t+1}{\overset{L^{\′}-1}{\mathrm{\Σ}}}({\mathrm{ijp}}_{\mathrm{ij}}\ln \frac{\mathrm{ij}}{{\mathrm{\μ}}_C(s,t)}+{\mathrm{\μ}}_C(s,t)p_{\mathrm{ij}}\ln \frac{{\mathrm{\μ}}_C(s,t)}{\mathrm{ij}})---\left(13\right)$

为获得图像中目标和背景及边缘的信息量最大，最佳阈值向量(s^*,t^*)应满足：

$(s^{*},t^{*})=\arg \underset{0<t<L^{\&prime;}-1}{\underset{0<s<L-1}{\max }}\{1/D(B,C,s,t)\}---\left(14\right)$

2.4）、基于遗传算法的最优阈值选取。

在上述最佳阈值向量公式计算中，若穷举公式（9）所有解，再得出最优阈值，其计算过程耗费的时间是很长的。吴一全等人和龙建武等人分别针对二维和三维熵提出运用快速递推公式进行求解，但其计算速度仍很耗时。遗传算法(GeneticAlgorithm,GA)是一种借鉴生物界的进化规律来寻找最优解的方法，能够实现每个基因串的适应性提高。为进一步提高求解效率，本发明采用基于遗传算法进行条件熵最优阈值选取。

将遗传算法与最小交叉熵算法相结合，需要考虑两个问题：(1)如何编码问题的解；(2)如何构造度量每条染色体对问题的适应程度的适应度函数。将这两种算法结合的目的在于使得图像的交叉熵最小，能得到最优的分割阈值(s^*,t^*)。本发明为了提高算法的执行效率，直接对二维阈值向量进行编码，这样每条基因串编码代表的阈值可使分割后交叉熵的倒数最大，从而使其适应度最高。

本发明中遗传算法的基本流程如附图5所示，其中，种群数目取30-50个，迭代次数取10-30次，交配率选取为(0.25,0.75)，变异率选取为(0.01,0.2)，这些参数选取太大太小都会影响算法的性能。

参照图4，遗传算法选取阈值的主要步骤如下：

a)设定种群数目POPSIZE和迭代次数MAXGENS，对二维向量进行二进制编码，并随机产生初始化种群。种群数目一般取30-50个，迭代次数一般取10-30次，太小会使遗传算法的性能变得很差；太大则会增加计算量，使收敛时间变长。

b)根据实际需求，确定适应度函数里变量的变化范围。对初始化的种群进行解码，并根据公式计算每条基因串的适应度。

c)采用轮转法将适应度大的基因串无条件地复制到下一代新种群中，然后对父代种群选择、交配和变异等遗传算子运算，从而获得下一代新种群的基因串。交配和变异是产生新种群的遗传算子，如果交配率太大，将使适应度高的基因串结构很快被破坏掉，太小则使搜索停滞不前，所以一般取(0.25,0.75)。若变异率太大，将会使遗传算法变为随机搜索，太小则不会产生新个体，一般取(0.01,0.2)。

d)按照设定的迭代次数进行繁衍，达到终止条件则返回最好的基因串，并将其作为二维分割阈值；否则返回c)继续下一代的繁衍。

2.5）、基于均匀性测度的分割质量评价。

为了进一步验证本算法的有效性，算法采用雷博等人提到的均匀性测度作为评价指标。均匀性测度是用来评价图像分割方法性能的指标之一，是对图像中同一类像素值分布的均匀性描述。图像中一个区域内的均匀性与该区域内的方差成反比，区域内方差越小，表示区域均匀性越好。

假设给定图像区域Ω，区域中的像素点对应的灰度值用f(x,y)表示，用

表示区域的灰度均值，方差用

表示，区域的面积(即像点的总数)用A_Ω表示。对于寻找到的阈值T，灰度均值计算公式如下：

$f_{\mathrm{\&Omega;}}=\underset{(x,y)\&Element;\mathrm{\&Omega;}}{\mathrm{\&Sigma;}}f(x,y)/A_{\mathrm{\&Omega;}}---\left(15\right)$

由均值公式可得方差公式如下：

${\mathrm{\&sigma;}}_{\mathrm{\&Omega;}}^2=\underset{(x,y)\&Element;\mathrm{\&Omega;}}{\mathrm{\&Sigma;}}(f(x,y)-f_{\mathrm{\&Omega;}})/A_{\mathrm{\&Omega;}}---\left(16\right)$

那么图像的均匀性测度U计算公式可表示如下：

$U=1-\mathrm{\&Sigma;}{\mathrm{\&sigma;}}_{\mathrm{\&Omega;}}^2/C---\left(17\right)$

式中，C表示区域归一化参数，用来限制均匀性测度的值在（0,1）内，其计算公式如下：

C=(f_max-f_min)²/2                （18）

式中，f_max、f_min分别表示图像中最大和最小灰度值。

均匀性测度主要考虑图像目标和背景的内部信息，这样可以评价选取的阈值是否具有良好的分割质量。根据求解的最优阈值s^*，由公式（15）至（18）可计算均匀性测度U，其数值越大表示分割质量越好；反之，则质量越差。

假设阈值T_u，若均匀性测度U值大于阈值T_u，则进入下一步骤；若均匀性测度U小于等于阈值T_u，则需要转到步骤2.4），重新计算次优阈值，直到评价质量大于阈值T_u。

3）、形态学操作。

形态学操作就是对经过二值化后的图像进行膨胀和腐蚀操作，这两种操作是形态学处理的基础，膨胀操作是将裂缝桥接起来，而腐蚀是从二值化图像中消除不相关的细节。本发明先对二值化图像进行膨胀再进行腐蚀处理。

4）、连通区域分析。

连通区域分析方法就是用来获取图像中各个对象的连通域，也称为连通域标记(Connected Component Labeling,CCL)。本发明采用一种基于区域增长法和线标记法的连通区域分析方法。

5）、目检识别

经过以上四步的处理后，在二值化图像中从左上角像素点开始，若当前像素点为1，则采用贪婪算法搜索其8领域像素值为1的像素点。直到搜索不到像素点为1的像素点或者遍历完所有图像位置为止。在搜索的同时建立目标链，每一目标的位置信息和相关信息都将保存在目标链中，目标识别过程结束后，目标链中即是检测到的目标信息。

Claims (4)

1.一种基于改进最小交叉熵的运动目标检测方法，其特征在于：所述目标检测方法包括以下步骤：

1）图像差分：利用图像差分用来获取差分图像；

2）二值化：二值化过程又可看作图像分割过程，包括以下过程：

2.1）、计算图像的灰度值与梯度值，并对灰度值和梯度值进行归一化处理；

2.2）、计算灰度-梯度共生矩阵的每个元素值，并计算其对应的概率矩阵；

2.3）、根据步骤2.2）获得的灰度-梯度共生矩阵及其概率矩阵来计算图像的二维最小交叉熵；

2.4）、利用遗传算法和最小交叉熵公式来选取图像的最优阈值，即满足图像中交叉熵最小的分割阈值；

3）形态学操作：先对二值化图像进行膨胀再进行腐蚀处理；

4）连通区域分析；

5）目检识别：在二值化图像中从左上角像素点开始，若当前像素点为1，则采用贪婪算法搜索其8领域像素值为1的像素点。直到搜索不到像素点为1的像素点或者遍历完所有图像位置为止；在搜索的同时建立目标链，每一目标的位置信息和相关信息都将保存在目标链中，目标识别过程结束后，目标链中即是检测到的目标信息。

2.如权利要求1所述的一种基于改进最小交叉熵的运动目标检测方法，其特征在于：所述步骤1）中，用基于模糊推理的背景差分法。

3.如权利要求1或2所述的一种基于改进最小交叉熵的运动目标检测方法，其特征在于：所述二值化过程还包括：2.5）、对于选取的分割阈值，利用均匀性测度进行评价。

4.如权利要求1或2所述的一种基于改进最小交叉熵的运动目标检测方法，其特征在于：所述步骤3）中，采用基于区域增长法和线标记法的区域分析。

Images