CN103077517A - 一种非均匀照明条件下的空间目标分割方法 - Google Patents

Abstract

一种空间非均匀照明条件下的空间目标分割方法，属于数字图像处理方法，解决在非均匀照明条件下现有方法存在的目标分割不全，分割算法相对复杂，计算速度慢以及算法的适应性差问题。本发明包括亮区提取步骤、形态学膨胀步骤、暗区定位步骤、暗区分割步骤和目标分割步骤，得到滤波图像G，滤波图像G包含空间目标的明暗两部分。本发明根据非均匀照明条件下空间目标的成像特性，两次利用最大类间方差分割阈值，提高了目标分割结果的完整性，形态学方法提高了分割结果的稳定性；分割算法相对简单、计算速度快、对噪声具有鲁棒性，能够很好地分割出在空间中非均匀照明条件下图像中的空间目标。

Description

一种非均匀照明条件下的空间目标分割方法

技术领域

本发明属于航天技术与数字图像处理交叉领域，具体涉及一种空间非均匀照明条件下的空间目标分割方法。

背景技术

图像分割技术是数字图像处理技术中非常关键的技术。

空间目标在摄像机上的成像是非常特殊的，在没有主动光照条件下，处于晨昏线上的空间目标所受到的光照主要来自如下三个方面：

(1)太阳光照经过大气层，又经过地球表面反射后，再次经过大气层达到空间目标；

(2)太阳光照没有达到地球表面，直接穿透大气层达到空间目标；

(3)太阳光照不经过大气层，直接照射到空间目标。

和大气层内环境不同，处于太空环境中的空间目标所接受的环境照射和地球反射光较为微弱，容易在空间目标表面造成不均匀照明，导致目标成像出现不完整轮廓，这给图像分割造成了很大影响。此时，使用传统的聚类分割算法在背景和目标亮度对比度低的情况下，不能很好地分离出目标中的暗区域；所以，需要根据空间目标光照条件特点，设计专门的空间目标分割算法。国内外学者对这类图像分割进行了详细的研究，并且取得了一定的理论和实际意义。如，樊佳、李迎春、孙华燕的“多视点空间目标识别方法研究”，见《装备指挥技术学院学报》，2009年12月，第20卷第6期；刘智娟、刘智、罗代升的“光栅投影三维物体重建中的二值化方法研究”，见《四川大学学报(自然科学版)》，2005年10月，第42卷第5期；武媛媛、岳晓奎的“基于分水岭算法的空间目标图像分割方法”，见《计算机仿真》，2011年2月，第28卷第2期。国外在这方面的研究有：S.Chaudhui，Detection ofblood vessels inretinal images using two-dimensional matched filers，IEEE Trans.on MedicalImaging，1989，8(3)：263-269；Salzenstein，F.Fuzzy markov random fields versuschains for multispectral image segmentation.IEEE Transactions on PatternAnalysis and Machine Intelligence 28(11)(2006).

上述研究成果都对这类特殊的问题提出了自己的解决方案，各个方案具有自己的算法特点，但是算法都存在计算复杂、运算量大、分割目标不完整和算法的适应性差等特点。

发明内容

本发明提供一种非均匀照明条件下的空间目标分割方法，解决在非均匀照明条件下现有方法存在的目标分割不全，分割算法相对复杂，计算速度慢以及算法的适应性差问题。

本发明所提供的一种非均匀照明条件下的空间目标分割方法，包括如下步骤：

(1)亮区提取步骤：对源图像A采取最大类间方差分割阈值，分割出源图像A中目标明亮区域，得到亮区图像B；

(2)形态学膨胀步骤：对亮区图像B进行形态学膨胀处理，得到膨胀图像C；

(3)暗区定位步骤：将源图像A和膨胀图像C进行形态学与非运算，得到源图像A的暗区图像D；

(4)暗区分割步骤：对暗区图像D采取最大类间方差分割阈值，分割出源图像A中目标暗区域，得到暗区分割图像E；

(5)目标分割步骤：将亮区图像B和暗区分割图像E做形态学或运算得到目标图像F；对目标图像F进行滤波处理，得到滤波图像G，滤波图像G包含空间目标的明暗两部分。

所述的非均匀照明条件下的空间目标分割方法，其特征在于：

(1)亮区提取步骤，包括下述子步骤：

(1.1)计算w_j，0、w_j，1：

$\left\{\begin{array}{c}{w}_{j,0}=\underset{j=T}{\overset{255}{\mathrm{\Σ}}}{n}_j/N\\ w_{j,1}=-1-w_{j,0}\end{array}\right.,$

式中，w_j，0为目标区域C_j，0像素个数与源图像A总像素个数比，w_j，1为背景区域C_j，1像素个数与源图像A总像素个数比；

源图像A中像素灰度值大于等于分割阈值T的各像素构成目标区域C_j，0，源图像A中像素灰度值小于T的各像素构成背景区域C_j，1；T＝0、1、…、255；

n_j为源图像A中像素灰度值为j的像素个数，N为源图像A的总像素个数；

(1.2)计算源图像A中目标区域C_j，0像素灰度平均值u_j，0、背景区域C_j，1像素灰度平均值u_j，1：

$\left\{\begin{array}{c}{u}_{j,0}=\underset{j=T}{\overset{255}{\mathrm{\Σ}}}\frac{n_j\×j}{w_{j,0}\×N}\\ u_{j,1}=\underset{k=0}{\overset{T-1}{\mathrm{\Σ}}}\frac{n_k\×k}{w_{j,1}\×N}\end{array}\right.,$

(1.3)计算源图像A中目标区域C_j，0和背景区域C_j，1类间方差σ_j ²：

σ_j ²＝w_j，0×w_j，1×(u_j，1/w_j，1-u_j，0/w_j，0)²；

(1.4)计算最大类间方差分割阈值TA：

TA＝{j|σ_j ²＝max(σ₀ ²，σ₁ ²，…，σ₂₅₅ ²)}，

式中，符号max(x)表示取集合x元素的最大值；

(1.5)提取源图像A目标明亮区域：

将源图像A中像素灰度值大于或等于TA的像素的像素灰度值赋为255，源图像A中像素灰度值小于TA的像素的像素灰度值赋为0，源图像A中灰度值为255的区域构成目标明亮区域，得到亮区图像B；

(2)形态学膨胀步骤：

检测亮区图像B中像素灰度值为255的区域，将灰度值为255的各像素点的上、下、左、右四邻域像素点的像素灰度值均赋为255，得到膨胀图像C；

(3)暗区定位步骤：

记录膨胀图像C中像素灰度值等于255的各像素位置，将源图像A中对应位置的各像素灰度值均赋为0，得到源图像A的暗区图像D；

(4)暗区分割步骤，包括下述子步骤；

(4.1)将暗区图像D代替源图像A进行子步骤(1.1)～(1.4)，得到暗区图像D的最大类间方差分割阈值TD；

(4.2)将暗区图像D中灰度值大于或等于TD的像素的像素灰度值赋为255，暗区图像D中像素灰度值小于TD的像素的像素灰度值赋为0，分割出源图像A中目标暗区域，得到暗区分割图像E；

(5)目标分割步骤，包括下述子步骤：

(5-1)将图像B和图像E做形态学或运算：

记录图像B中像素灰度值等于255的各像素位置，将图像E中对应位置的各像素的像素灰度值均赋为255，得到目标图像F；

(5-2)对目标图像F进行中值滤波处理：

遍历目标图像F各像素，将当前像素位置为中心的8邻域像素灰度值的中值，作为当前像素的灰度值；目标图像F的边界上无8邻域的各像素点灰度值保持不变或均赋为0，得到滤波图像G。

在空间非均匀照明条件下所形成的图像可分为三个区域：亮区域、暗区域和背景区域，其中亮区域的灰度值最高，暗区域次之，背景区域的灰度值最低。根据上述空间目标的成像特性，本发明首先用最大类间方差分割阈值分割出图像中的亮区域；然后，将原图中第一次分割出的亮区域对应的位置像素值设置为0，再利用最大类间方差分割阈值分割出暗区域；最后，通过综合前两次的分割结果来获得图像中的空间目标；在上述两次分割时需要利用形态学方法来处理目标图像，从而能有效地分割出完整的目标，为后续处理任务做准备。

本发明根据非均匀照明条件下空间目标的成像特性，两次利用最大类间方差分割阈值，提高了目标分割结果的完整性，形态学方法提高了分割结果的稳定性；分割算法相对简单、计算速度快、对噪声具有鲁棒性，能够很好地分割出在空间中非均匀照明条件下图像中的空间目标。

附图说明

图1为本发明流程示意图；

图2为亮区提取步骤流程示意图；

图3为源图像A的示意图；

图4为亮区图像B示意图；

图5为膨胀图像C示意图；

图6为暗区图像D示意图；

图7为暗区分割图像E示意图；

图8为目标图像F示意图；

图9滤波图像G示意图。

具体实施方式

以下结合附图和实施例对本发明进一步说明。

如图1所示，本发明的实施例，包括亮区提取步骤、形态学膨胀步骤、暗区定位步骤、暗区分割步骤和目标分割步骤：

(1)亮区提取步骤，如图2所示，包括下述子步骤：

(1.1)计算w_j，0、w_j，1：

$\left\{\begin{array}{c}{w}_{j,0}=\underset{j=T}{\overset{255}{\mathrm{\Σ}}}{n}_j/N\\ w_{j,1}=-1-w_{j,0}\end{array}\right.,$

式中，w_j，0为目标区域C_j，0像素个数与源图像A总像素个数比，w_j，1为背景区域C_j，1像素个数与源图像A总像素个数比，源图像A如图3所示；

源图像A中像素灰度值大于等于分割阈值T的各像素构成目标区域C_j，0，源图像A中像素灰度值小于T的各像素构成背景区域C_j，1；T＝0、1、…、255；

n_j为源图像A中像素灰度值为j的像素个数，N为源图像A的总像素个数；

(1.2)计算源图像A中目标区域C_j，0像素灰度平均值u_j，0、背景区域C_j，1像素灰度平均值u_j，1：

$\left\{\begin{array}{c}{u}_{j,0}=\underset{j=T}{\overset{255}{\mathrm{\Σ}}}\frac{n_j\×j}{w_{j,0}\×N}\\ u_{j,1}=\underset{k=0}{\overset{T-1}{\mathrm{\Σ}}}\frac{n_k\×k}{w_{j,1}\×N}\end{array}\right.,$

(1.3)计算源图像A中目标区域C_j，0和背景区域C_j，1类间方差σ_j ²：

σ_j ²＝w_j，0×w_j，1×(u_j，1/w_j，1-u_j，0/w_j，0)²；

(1.4)计算最大类间方差分割阈值TA：

TA＝{j|σ_j ²＝max(σ₀ ²，σ₁ ²，…，σ₂₅₅ ²)}，

式中，符号max(x)表示取集合x元素的最大值；经计算，TA为84；

(1.5)提取源图像A目标明亮区域：

将源图像A中像素灰度值大于或等于84的像素的像素灰度值赋为255，源图像A中像素灰度值小于84的像素的像素灰度值赋为0，源图像A中灰度值为255的区域构成目标明亮区域，得到如图4所示的亮区图像B，；

(2)形态学膨胀步骤：

检测亮区图像B中像素灰度值为255的区域，将灰度值为255的各像素点的上、下、左、右四邻域像素点的像素灰度值均赋为255，得到膨胀图像C，如图5所示；

(3)暗区定位步骤：

记录膨胀图像C中像素灰度值等于255的各像素位置，将源图像A中对应位置的各像素灰度值均赋为0，得到源图像A的暗区图像D，如图6所示；

(4)暗区分割步骤，包括下述子步骤；

(4.1)将暗区图像D代替源图像A进行子步骤(1.1)～(1.4)，得到暗区图像D的最大类间方差分割阈值TD＝27；

(4.2)将暗区图像D中灰度值大于或等于27的像素的像素灰度值赋为255，暗区图像D中像素灰度值小于27的像素的像素灰度值赋为0，分割出源图像A中目标暗区域，得到暗区分割图像E，如图7所示；

(5)目标分割步骤，包括下述子步骤：

(5-1)将图像B和图像E做形态学或运算：

记录图像B中像素灰度值等于255的各像素位置，将图像E中对应位置的各像素的像素灰度值均赋为255，得到目标图像F，如图8所示；

(5-2)对目标图像F进行中值滤波处理：

遍历目标图像F各像素，将当前像素位置为中心的8邻域像素灰度值的中值，作为当前像素的灰度值；目标图像F的边界上无8邻域的各像素点灰度值保持不变或均赋为0，得到滤波图像G，如图9所示。

Claims (2)

1.一种非均匀照明条件下的空间目标分割方法，包括如下步骤：

(1)亮区提取步骤：对源图像A采取最大类间方差分割阈值，分割出源图像A中目标明亮区域，得到亮区图像B；

(2)形态学膨胀步骤：对亮区图像B进行形态学膨胀处理，得到膨胀图像C；

(3)暗区定位步骤：将源图像A和膨胀图像C进行形态学与非运算，得到源图像A的暗区图像D；

(4)暗区分割步骤：对暗区图像D采取最大类间方差分割阈值，分割出源图像A中目标暗区域，得到暗区分割图像E；

(5)目标分割步骤：将亮区图像B和暗区分割图像E做形态学或运算得到目标图像F；对目标图像F进行滤波处理，得到滤波图像G，滤波图像G包含空间目标的明暗两部分。

2.如权利要求1所述的非均匀照明条件下的空间目标分割方法，其特征在于：

(1)亮区提取步骤，包括下述子步骤：

(1.1)计算w_j，0、w_j，1：

$\left\{\begin{array}{c}{w}_{j,0}=\underset{j=T}{\overset{255}{\mathrm{\Σ}}}{n}_j/N\\ w_{j,1}=-1-w_{j,0}\end{array}\right.,$

式中，w_j，0为目标区域C_j，0像素个数与源图像A总像素个数比，w_j， 1为背景区域C_j，1像素个数与源图像A总像素个数比；

源图像A中像素灰度值大于等于分割阈值T的各像素构成目标区域C_j，0，源图像A中像素灰度值小于T的各像素构成背景区域C_j，1；T＝0、1、…、255；

n_j为源图像A中像素灰度值为j的像素个数，N为源图像A的总像素个数；

(1.2)计算源图像A中目标区域C_j，0像素灰度平均值u_j，0、背景区域C_j，1像素灰度平均值u_j，1：

$\left\{\begin{array}{c}{u}_{j,0}=\underset{j=T}{\overset{255}{\mathrm{\Σ}}}\frac{n_j\×j}{w_{j,0}\×N}\\ u_{j,1}=\underset{k=0}{\overset{T-1}{\mathrm{\Σ}}}\frac{n_k\×k}{w_{j,1}\×N}\end{array}\right.,$

(1.3)计算源图像A中目标区域C_j，0和背景区域C_j，1类间方差σ_j ²：

σ_j ²＝w_j，0×w_j，1×(u_j，1/w_j，1-u_j，0/w_j，0)²；

(1.4)计算最大类间方差分割阈值TA：

TA＝{j|σ_j ²＝max(σ₀ ²，σ₁ ²，…，σ₂₅₅ ²)}，

式中，符号max(x)表示取集合x元素的最大值；

(1.5)提取源图像A目标明亮区域：

将源图像A中像素灰度值大于或等于TA的像素的像素灰度值赋为255，源图像A中像素灰度值小于TA的像素的像素灰度值赋为0，源图像A中灰度值为255的区域构成目标明亮区域，得到亮区图像B；

(2)形态学膨胀步骤：

检测亮区图像B中像素灰度值为255的区域，将灰度值为255的各像素点的上、下、左、右四邻域像素点的像素灰度值均赋为255，得到膨胀图像C；

(3)暗区定位步骤：

记录膨胀图像C中像素灰度值等于255的各像素位置，将源图像A中对应位置的各像素灰度值均赋为0，得到源图像A的暗区图像D；

(4)暗区分割步骤，包括下述子步骤；

(4.1)将暗区图像D代替源图像A进行子步骤(1.1)～(1.4)，得到暗区图像D的最大类间方差分割阈值TD；

(4.2)将暗区图像D中灰度值大于或等于TD的像素的像素灰度值赋为255，暗区图像D中像素灰度值小于TD的像素的像素灰度值赋为0，分割出源图像A中目标暗区域，得到暗区分割图像E；

(5)目标分割步骤，包括下述子步骤：

(5.1)将图像B和图像E做形态学或运算：

记录图像B中像素灰度值等于255的各像素位置，将图像E中对应位置的各像素的像素灰度值均赋为255，得到目标图像F；

(5.2)对目标图像F进行中值滤波处理：

遍历目标图像F各像素，将当前像素位置为中心的8邻域像素灰度值的中值，作为当前像素的灰度值；目标图像F的边界上无8邻域的各像素点灰度值保持不变或均赋为0，得到滤波图像G。

Images