杨焘等：流形正则化多核模型的模糊红外目标提取 877 的边缘区域的模糊性增强 的模糊边缘.与一般的实际红外图像不同，一般的红 本文的研究对象就是图1(b)和图1(c),这类具 外图像中目标是热源，且图像获取的是热源在被拍摄 有独特特点的红外热痕迹图像.由于图像中的目标是 时间点处的温度分布信息：而图1(b)和图1(c)中目 热源经过一定时间热交换后，所接触背景物体表面的 标是热痕迹，且经过一定时间，温度分布已向周围区域 热痕迹区域，在温度分布扩散作用下，此区域出现很强 变化. 图1模糊边缘的手部红外热痕迹图像.(a)手部离开木板1s:(b)离开木板605：(c)离开木板120s Fig.I Infrared hand images with blurred edges.(a)1s after hand leaving:(b)60s after hand leaving:(c)120s after hand leaving 研究如图1(b)和图1(c)的红外热痕迹图像的目 模糊边缘红外目标提取方法.本文分析边缘模糊的 标提取问题，目的是最大程度提取出原热源目标的轮 特征特点，充分利用灰度的统计信息.所提出的方法 廓，反映出图像所包含的已离开背景物体表面的原热 首先应用灰度直方图的最大类间方差来计算初始分 源目标信息，由于这类热痕迹的模糊程度强，提取其真 割阈值，此阈值表征全局的灰度统计信息：在此基础 实轮廓是具有挑战性的，也比一般红外目标的提取具 上，可获得离初始分割阈值较近的不确定的边缘模 有针对性：而且，目前红外检测技术，在发生过重要事 糊区域，也可获得离初始分割阈值较远的确定的背 件现场的侦查遗留痕迹方面，发挥积极作用，多数重要 景和目标区域：在各区域中建立像素点邻域空间集， 遗留痕迹通常就属于红外热痕迹：通过这类热痕迹的 每个邻域空间包含邻域灰度及其统计信息和位置信 分析可以了解原热源目标的状态。因此，研究这类红 息；通过核函数对各邻域空间的灰度及其统计信息 外热痕迹目标提取问题，就具有实用性和实际意义. 特征映射获取特征值，同时考虑到灰度及其统计信 现有的图像目标提取的方法主要有以下几种： 息存在差异，不同参数的核函数特征映射更加能够 (1)基于阈值的分割方法.如最大类间方差法四，该算 充分表征此差异，因此本文应用多核函数获取其特 法是通过灰度直方图体现灰度差异性，实现方便，使用 征值：再通过流形正则获取各邻域空间的位置信息 广泛，但对于图1(b)和图1(c)而言，目标的模糊边缘 的特征值：通过上述特征值信息建立半监督分类模 中灰度差异较小，导致难以得到准确的分割结果四 型，利用模型对不确定的边缘模糊区域中各邻域空 (2)基于边缘模板的方法.即常见的微分算子回如 间进行分类，使其确定化，即归为目标或者背景区 Prewitt模板O,该类模板法边缘定位准确，运算速度 域：综合分析目标与背景区域和确定化后的模糊边 快，然而对于模糊边缘，其连续性和封闭性难以保证 缘区域的灰度值分布，计算最佳分割阈值，达到模糊 (3)基于区域的图像分割方法.该类方法是将图像按 边缘红外目标提取目的. 照相似性准则分成不同的区域，其代表是分水岭法可， 一方面，多核函数特征映射是多核学习的基础，是 但分水岭法对噪声通常较为敏感，而一般来说图像越 应用多个不同参数的核函数线性组合的特征映射方 模糊，信噪比越低，因此对图1(b)和图1()而言也不 式，研究表明多核学习更为灵活和稳定四.通过多核 适用.(4)基于能量泛函的图像分割方法.此类方法 函数映射来表征红外图像不同区域的像素点邻域空间 的代表是Snake模型，该模型通过连续曲线来表达 中灰度及其统计信息.另一方面，流形正则是基于流 目标边缘，应用广泛且效果较好，但是在模糊边缘的提 形学习的，能够表达数据的邻域结构信息.通过流 取中会出现失真问题.(5)智能图像分割方法.如基 形正则获取像素点邻域空间中的位置信息特征值，并 于人工免疫的图像模板法-o和其他自适应模板方 以流形正则方法来增强所建立的半监督分类模型的划 法如，该类方法是基于人工免疫算法的图像分割技 分能力及其连续性.笔者前期对流形正则化多核模型 术，使图像分割的研究向人工智能化方向发展：基于启 已有一定研究基础，能够更好地应用于模糊边缘的 发式学习或者群优化策略，一般对初始条件敏感且时 红外目标对象上.因此，截取图1(b)某部分得到如 间复杂度较高 图2(b)的模糊红外图像，对比无流形正则的多核分类 针对红外图像中边缘模糊的目标提取问题，本 和有流形正则的多核分类模型对模糊边缘红外目标提 文提出一种基于流形正则化多核半监督分类模型的 取的效果，可得出邻域空间中位置信息的重要性杨 焘等: 流形正则化多核模型的模糊红外目标提取 的边缘区域的模糊性增强． 本文的研究对象就是图 1( b) 和图 1( c) ，这类具 有独特特点的红外热痕迹图像． 由于图像中的目标是 热源经过一定时间热交换后，所接触背景物体表面的 热痕迹区域，在温度分布扩散作用下，此区域出现很强 的模糊边缘． 与一般的实际红外图像不同，一般的红 外图像中目标是热源，且图像获取的是热源在被拍摄 时间点处的温度分布信息; 而图 1( b) 和图 1( c) 中目 标是热痕迹，且经过一定时间，温度分布已向周围区域 变化． 图 1 模糊边缘的手部红外热痕迹图像． ( a) 手部离开木板 1 s; ( b) 离开木板 60 s; ( c) 离开木板 120 s Fig． 1 Infrared hand images with blurred edges． ( a) 1 s after hand leaving; ( b) 60 s after hand leaving; ( c) 120 s after hand leaving 研究如图 1( b) 和图 1( c) 的红外热痕迹图像的目 标提取问题，目的是最大程度提取出原热源目标的轮 廓，反映出图像所包含的已离开背景物体表面的原热 源目标信息，由于这类热痕迹的模糊程度强，提取其真 实轮廓是具有挑战性的，也比一般红外目标的提取具 有针对性; 而且，目前红外检测技术，在发生过重要事 件现场的侦查遗留痕迹方面，发挥积极作用，多数重要 遗留痕迹通常就属于红外热痕迹; 通过这类热痕迹的 分析可以了解原热源目标的状态． 因此，研究这类红 外热痕迹目标提取问题，就具有实用性和实际意义． 现有的图像目标提 取 的 方 法 主 要 有 以 下 几 种: ( 1) 基于阈值的分割方法． 如最大类间方差法［1］，该算 法是通过灰度直方图体现灰度差异性，实现方便，使用 广泛，但对于图 1( b) 和图 1( c) 而言，目标的模糊边缘 中灰度差异较小，导致难以得到准确的分割结果［2］． ( 2) 基于边缘模板的方法． 即常见的微分算子［3］ 如 Prewitt 模板［4］，该类模板法边缘定位准确，运算速度 快，然而对于模糊边缘，其连续性和封闭性难以保证． ( 3) 基于区域的图像分割方法． 该类方法是将图像按 照相似性准则分成不同的区域，其代表是分水岭法［5］， 但分水岭法对噪声通常较为敏感，而一般来说图像越 模糊，信噪比越低，因此对图 1( b) 和图 1( c) 而言也不 适用． ( 4) 基于能量泛函的图像分割方法． 此类方法 的代表是 Snake 模型［6］，该模型通过连续曲线来表达 目标边缘，应用广泛且效果较好，但是在模糊边缘的提 取中会出现失真问题． ( 5) 智能图像分割方法． 如基 于人工免疫的图像模板法［7--10］和其他自适应模板方 法［11］，该类方法是基于人工免疫算法的图像分割技 术，使图像分割的研究向人工智能化方向发展; 基于启 发式学习或者群优化策略，一般对初始条件敏感且时 间复杂度较高． 针对红外图像中边缘模糊的目标 提 取 问 题，本 文提出一种基于流形正则化多核半监督分类模型的 模糊边缘红外目标提取方法． 本文分析边缘模糊的 特征特点，充分利用灰度的统计信息． 所提出的方法 首先应用灰度直方图的最大类间方差来计算初始分 割阈值，此阈值表征全局的灰度统计信息; 在此基础 上，可获得离初始分割阈值较近的不确定的边缘模 糊区域，也可获得离初始分割阈值较远的确定的背 景和目标区域; 在各区域中建立像素点邻域空间集， 每个邻域空间包含邻域灰度及其统计信息和位置信 息; 通过核函数对各邻域空间的灰度及其统计信息 特征映射获取特征值，同时考虑到灰度及其统计信 息存在差异，不同参数的核函数特征映射更加能够 充分表征此差异，因此本文应用多核函数获取其特 征值; 再通过流形正则获取各邻域空间的位置信息 的特征值; 通过上述特征值信息建立半监督分类模 型，利用模型对不确定的边缘模糊区域中各邻域空 间进行分 类，使 其 确 定 化，即 归 为 目 标 或 者 背 景 区 域; 综合分析目标与背景区域和确定化后的模糊边 缘区域的灰度值分布，计算最佳分割阈值，达到模糊 边缘红外目标提取目的． 一方面，多核函数特征映射是多核学习的基础，是 应用多个不同参数的核函数线性组合的特征映射方 式，研究表明多核学习更为灵活和稳定［12］． 通过多核 函数映射来表征红外图像不同区域的像素点邻域空间 中灰度及其统计信息． 另一方面，流形正则是基于流 形学习的，能够表达数据的邻域结构信息［13］． 通过流 形正则获取像素点邻域空间中的位置信息特征值，并 以流形正则方法来增强所建立的半监督分类模型的划 分能力及其连续性． 笔者前期对流形正则化多核模型 已有一定研究基础［14］，能够更好地应用于模糊边缘的 红外目标对象上． 因此，截取图 1 ( b) 某部分得到如 图 2( b) 的模糊红外图像，对比无流形正则的多核分类 和有流形正则的多核分类模型对模糊边缘红外目标提 取的效果，可得出邻域空间中位置信息的重要性． · 778 ·