改进的交互式Otsu红外图像分割算法

陈 飞

(商丘职业技术学院 基础部，河南 商丘 476000)

0 引言

红外图像分割是目标检测、识别和跟踪等技术的前提，目的是将图像中关键有用的目标信息从背景中分离出来。由于在成像过程中受温度、气流、噪声和辐射等各种因素的影响，红外图像普遍具有低对比度和高噪声的特点，从而给目标的提取工作带来了很大的难度，是图像领域专家学者研究的热点问题[1-2]。目前虽存在众多流派的图像分割算法，但由于图像的多样性和分割问题的复杂性，并没有通用的图像分割方法。文献[3]提出的最大类间方差(Otsu)法因其快速性、自适应性和良好的分割性而得到了广泛的研究和推广，但经典的Otsu算法只考虑了图像像素的灰度信息，很容易受到噪声的影响，效果不是很理想；文献[4]结合邻域信息设计了改进的Otsu算法，但是对于噪声强的图像分割效果依然很差；文献[5]引入了类的概念，在充分考虑目标和背景二者之间分离性和各自类中的内聚性后，改进阈值判别函数，使得分割精度得到了一定的提高；文献[6]在经典Otsu准则的基础上，结合图像熵提出了一种改进的局部递归的阈值选取分割算法，使得分割后的图像细节更加丰富，但该算法对噪声很强的图像分割效果依然不理想。为了克服经典Otsu方法受噪声影响大的缺点，很多学者将经典Otsu法从单阈值推广到多阈值，从一维Otsu法推广到多维。但是随着维数的推广，虽然算法的性能有了很大的提高，但运算量却成倍的增加，仍然不适宜处理实时图像序列[7-9]。为了获得更高的分割精度，同时最大程度地降低分割算法的运算量。为此，提出了一种交互式的改进的Otsu分割算法，首先采用交互式预处理的方式，大致勾画出目标区域，并将区域外部的图像全部视为背景，进而对区域内的图像采用改进的Otsu算法进行分割，进一步提高了算法的分割精度。通过对大量红外图像分割实验验证表明，改进算法对红外图像的抗噪性能好，分割精度明显优于经典Otsu算法及其它几种相关的Otsu改进算法。

1 Otsu图像分割算法

经典Otsu算法核心思想是根据图像的灰度特征把图像分为目标和背景两部分，然后通过类间方差的值来评价两者的差别程度[10]。因此，只要选择一个最佳阈值使得类间方差最大即可。具体的数学描述过程如下：假设一幅灰度级为L的图像，其中灰度为i的像素个数为Ni，总像素个数为N，灰度为i的像素个数所占的比例为Pi，图像的平均强度为M，那么：

(1)

假设阈值t将图像分为两类：S0和S1，那么这两类出现的概率分别为：

(2)

两类的均值分别为：

(3)

类间方差定义为：

σ2=W0×(M0-M)2+W1×(M1-M)2=

W0W1(M0-M1)2

(4)

令t从0～L变化，计算不同t值下的类间方差σ2，使σ2最大的t值就是所求的最优阈值，对t的描述为：

t=Argmax{σ2(t)}

(5)

由式(5)可知：图像中两部分灰度值的方差越大，图像灰度值分布的均匀性越差，说明构成图像的两部分差别越大，分割误差越小。

2 改进的Otsu图像分割算法

由于经典Otsu图像分割算法是用图像的灰度均值特征来描述目标和背景的差异性，对于目标和背景灰度特性区分明显的图像有较好的分割效果。但由于上述方法仅利用了一维灰度信息，当图像的信噪比较低时，很容易受噪声的影响而降低图像的分割效果。事实上，图像的特征还可以用信息熵、信噪比和邻域均值等参数来描述。目前，对经典Otsu算法的改进大多是在改变或增加图像特征的基础上通过改进阈值判别函数实现的。在经典Otsu准则下，用信息熵取代灰度均值修改了阈值判别函数，使得改进后的算法不受灰度值的线性变化和平移变化的影响；而本文在经典的Otsu方法的基础上，针对红外图像的特点，结合类间方差和信息熵这两个图像特征，改进了Otsu阈值判别函数，提出了新的阈值分割方法。

采用香农公式中熵的定义[11-12]，假设整个图像、目标和背景的信息熵分别为H0、HA和HB，分割阈值为t，则：

(6)

将Otsu准则推广，得到了推广形式的阈值判别函数，如式(7)所示：

(7)

其中:F0，FA与FB分别为整个图像、背景与目标的某一特征。当利用信息熵代替平均灰度时，式(7)就为基于信息熵的阈值分割准则。由于信息熵可以表征图像灰度的分布情况，将其替换Otsu准则中的灰度均值能够避免对比度和亮度等信息对算法的约束，更能突出算法的适应性。

由于红外图像是一类特殊的图像，从红外图像的灰度直方图中可以看出，背景像素总数所占的比例很大，而目标像素总数所占比例很小，使得目标和背景的分布极不平衡。另一方面，受噪声的影响，红外图像的边缘非常模糊。而经典Otsu法得到的阈值往往偏大，模糊边缘全部被误分成背景，就会导致提取出的目标信息缺失；而基于信息熵的阈值分割准则算法得到的阈值偏小，很多背景和噪声被误分为目标，同样使得提取出的目标信息不够准确，这些情况往往会给目标检测和识别的准确率带来极大的影响。针对此类问题，本文将图像平均灰度和信息熵结合考虑，在式(7)所示的Otsu推广形式的基础上，加以改进。引入图像平均灰度值信息，使得最优阈值t能够通过均衡平均灰度和信息熵来获得取。改进方法如下：将式(7)中分母中的特征F设定为平均强度，而将分子中的特征设定为信息熵，由此可将式(7)写成如下形式：

(8)

由式(8)可看出，改进方法获得的最优阈值较好地将目标从背景中分割出来，同时保留了良好的边缘效果。

3 交互式图像分割预处理方法

虽然改进之后的算法能够在红外图像的分割中取得了较好的效果，但仍然受红外图像中边缘强噪声的影响，而红外图像的特点是噪声比较多，因此必须提高算法的抗噪性能[13-14]。由于对于单一目标而言，如果对图像局部采用Otsu分割方法，即只对包含目标的局部相关区域进行Otsu分割，从理论上讲，会比对整个图像使用Otsu分割的效果要好。因为在局部区域对目标分割结果受背景噪声的影响更小，同时目标分割的复杂性也大大降低。本文提出的对图像局部区域使用的改进的Otsu分割算法的实现有赖于交互式图像分割与处理技术。

在对红外图像分割的实验中发现，红外图像的边缘噪声最强，边缘像素的灰度值与目标模糊边缘甚至目标内部灰度值的大小几乎相同，因此，经典Otsu法及其改进算法很容易将这部分边缘噪声当作目标分割出来，或者将目标模糊边缘甚至其内部当作背景处理。为了能够减少边缘强噪声对分割算法的影响，提出了一种交互式的图像分割预处理方法。即在对图像分割前先勾画出包括目标区域，而不包括强噪声边缘的一部分封闭区域，进而只对含有目标的封闭区域作下一步处理，就可以消除边缘强噪声对后续智能算法的影响。勾画封闭域主要是去除大部分背景以及边缘强噪声，同时对封闭区域外一律视作背景处理。本文引入的交互式图像分割预处理方法属于一种简易的粗分割。通过引入这种交互式交互式粗分割，不仅可以很大程度地减少背景和噪声，提高了Otsu及其改进算法的抗噪性能，而且还有效降低了运算量，增加了处理的时效性。同时，这种粗分割使得分割的目标性极强，当图像中出现多个类似目标时，一般的智能算法是不可能将所需要的单个目标分割出来的，这时就体现出交互式分割极其重要的作用。这种交互式粗分割对图像没有严格的要求，可以和分割算法结合，从而弥补了单一智能分割算法的缺陷。

4 实验结果与分析

为了验证本文所提出的改进Otsu分割算法对红外图像分割性能，选取一幅红外图像作为实验对象，如图1所示，实验中采用不同的算法对图像中的激光光斑目标进行分割。

图1 原始红外图像

4.1 改进的基于全局图像的Otsu算法

对图1中的原始红外图像直接使用经典Otsu算法、文献[5]中结合类的内聚性的Otsu法、文献[6]中基于Otsu准则及图像熵的阈值分割算法以及本文提出的改进方法进行分割，得到的实验结果分分别如图2(a)～(d)所示。

图2 分割实验结果

由图2的分割实验结果可以看出，经典Otsu算法得到的分割阈值往往偏大，使得分割后的图像没有模糊边缘，因此分割效果并不理想；结合类的内聚性的Otsu法和基于Otsu准则及图像熵的阈值分割算法得到的阈值往往偏小，从而把部分背景和噪声当作目标处理了，使得目标的边缘较模糊，显然是受到了明显的噪声影响，很难将目标准确地分离。而本文提出的改进Otsu算法充分研究了目标与背景平均灰度值及分布的两种信息差异，因而得到的阈值能够较好的保持目标模糊边缘，同时对噪声也有一定的抑制作用，分割效果优于上述集种算法。

4.2 改进的交互式Otsu算法对比实验

本文改进算法虽然使模糊边缘保留了，但边缘强噪声也被视为目标而分割出来，因而分割结果仍然具有一定的误差。为了以进一步降低背景噪声对分割算法的影响，采用本文提出的交互式粗分割方法对图像进行预处理，并观察实际的效果，来验证方法的有效性和优越性。

对图像采用交互式粗分割后，再利用上述4种算法对局部区域分割。图3(a)为待分割的原始红外图像；图3(b)为采用本文交互式粗分割预处理后得到的图像；图3(c)～(f)分别为在图3(b)的基础上，利用4种算法得到的分割结果。

图3 实验结果

对比图2(a)～(d)与图3(c)～(f)的分割结果可以看出，基于全局图像的结合类的内聚性的Otsu法和基于Otsu准则及图像熵的阈值分割算法受噪声影响非常明显，而使用本文的粗分割预处理后，分割结果中抗噪性能大幅度提高，对于本文改进算法也是如此。因此，采用交互式预处理能够很大程度地抑制噪声，从而使得相应的Otsu算法的性能都有大幅度提升。在交互式预处理后，本文改进的Otsu算法的分割结果对目标模糊边缘保持效果仍然最好，分割精度最高，优于其它几种分割方法。更为重要的是，对于图2(b)和图2(d)中与目标未完全分割开的灰色背景，加入交互式粗分割方法后，采用本文改进算法与结合类的内聚性的Otsu法就可以将目标准确提取出来。另外，由原始红外图像可以看出，图像的背景可分为两部分：一部分是图像两侧的黑色部分，另一部分是淹没目标的中间灰色部分。从像素灰度值来看，目标与中间灰色背景的灰度相差无几，而与两侧的黑色背景的灰度相差较大。经典Otsu法及其改进算法最终是为了得到两个差异最大的部分，很明显，两侧的黑色背景与中间灰色背景的差异性最大，故使用经典Otsu法及其改进算法得到的阈值偏小，实际上只是将两侧黑色背景与中间灰色背景和目标分割开来，而中间灰色背景和目标由于被分割为一个整体，因此目标并没有被单独分割出来。通过实验可以说明，当使用交互式粗分割后，图像两侧的黑色背景被划分到区域外，区域内由于只包括目标和灰色背景，从而将目标区域突显出来，在此基础上再使用Otsu法及其改进算法就将目标区域完整地分割出来，明显优于直接使用Otsu及其改进算法的分割结果，从而突出了本文方法的有效性和优越性。

5 结束语

针对红外图像对比度低和噪声比较严重的特点，在经典Otsu算法的基础上提出了一种交互式的改进的Otsu分割算法。通过联合引入图像目标与背景的平均灰度值差异与灰度值分布差异两种信息，改进了推广的Otsu的阈值判别函数，使得求取的阈值对目标与背景的区分误差更小，分割精度更高；同时，通过引入交互式粗分割的预处理方式，提升了Otsu分割算法的精确度和抗噪性能，也大大降低了分割算法的运算量，提高了处理的实时性。将改进的Otsu分割算法用于红外图像中激光光斑目标的提取过程中，实验结果表明：改进算法的分割效果优于经典Otsu法以及相关的几种改进算法，能够更加准确提取出目标信息，可为红外图像中的目标检测和识别提供了有力的技术保障。