·884· 工程科学学报，第38卷，第6期 特征，训练得到具有分类决策能力的网络，其不足在于 在稳定性和时间效率方面，与上述三种基于人工 训练网络所采用的超平面方法的超平面个数、初始平 免疫的模板方法比较，本文算法较优.因为在模糊边 面位置选择重要不易确定且训练时间较长.免疫聚类 缘红外热痕迹的提取问题上，充分应用图像像素邻域 模板法借鉴人工免疫机理，将图像像素灰度表达成抗 中的灰度及其统计特征和邻域位置特征，学习得到可 原分子结构模式：从抗体识别抗原角度出发，经适应 对模糊区域的像素进行分类的模型：尤其是，学习该模 度、交叉、变异等免疫聚类计算，得到最优抗体以识别 型仅需要少量像素的特征，便能够达到较为理想的效 像素所属类别，达到从模糊区域获取目标边界的目的， 果，且算法对这些被选择的少量像素的位置和数量较 其不足在于免疫聚类先要提取特征，其过程需要迭代 为鲁棒 大量种群个体，算法时间复杂度大.免疫球面模板法 为了比较时间效率的不同，以准确性较好的Osu 特征化图像像素邻域统计信息并将特征映射到假定的 法和上述分析的免疫聚类模板法、免疫网络模板法和 球面上，在球面上选择多个子区域对特征进行分类决 免疫球面模板法为对比.在仿真结果中，将本文的算 策；该方法适用于红外模糊区域中的边界划分，其不足 法在学习和决策阶段的时间归一化为单位时间1，其 在于球面上子区域的位置和个数选择影响各子区域中 他方法按照相同的比率作归一化处理，仿真结果如 分类准确程度，也影响学习效率 表3所示 表3时间效率对比 Table 3 Comparisons of time efficiency 归一化的时间单位 本文算法 Otsu法 免疫聚类模板 免疫网络模板 免疫球面模板 60s红外目标提取 1 0.8 361.3 334.3 276.2 120s红外目标提取 0.6 0.8 51.2 32.1 31.5 从表3可以得出：本文算法在时间效率上优于基 是能够表征模糊边缘红外目标有效特征量：通过多核 于人工免疫的模板方法：在120s的实验中，也优于0- 函数对邻域空间的灰度及其统计信息的特征映射，流 su方法.此外，当以120s红外图像为对象时，本文算 形正则对邻域空间的位置信息特征提取 法与三种基于人工免疫的模板方法的时间花销均减 (3)在获取的特征基础上，建立半监督分类模型 小，其原因在于这四类算法在提取目标时采用迭代的 来决策像素的类别，以类别划分的方式达到模糊边缘 方式，对于120s的红外图像而言，其边缘模糊区域灰 区域确定的目的.仿真对比结果表明，本文算法能够 度变化比60s的红外图像要慢得多，这也是其模糊性 提取相对完整和准确的红外目标，且算法时间效率高， 更强的原因所在，因此灰度变化平缓使得灰度值分布 较为平均，迭代的求解方式易于得出结果，其迭代步数 参考文献 就会明显下降 仿真结果表明：基于流形正则化多核半监督分类 [Otsu N.A threshold selection method from gray-evel histograms 模型的模糊边缘红外目标提取效果优于其他方法，可 IEEE Trans Syst Man Cybern,1979,9(1)62 以克服模糊边缘的影响并给出相对完整和准确的目 2]Chen O,Zhao L,Lu J,et al.Modified two dimensional Otsu im- 标：所应用的半监督分类模型是基于多核函数和流形 age segmentation algorithm and fast realization.IET /mage Process,2012,6(4):426 正则的，多核函数和流形正则分别对红外图像不同区 B] Belongie S,Malik J,Puzicha J.Shape matching and object recog- 域邻域空间集中的不同元素获取特征，可有针对性地 nition using shape contexts.IEEE Trans Pattern Anal Mach Intell, 处理不同特征，并获得像素点之间邻域结构信息，最终 2002,24(4):509 获取模糊边缘红外目标提取的最佳分割阈值。在算法 4] Yang L,Zhao D,Wu X,et al.An improved Prewitt algorithm for 时间效率方面本文算法优于提取效果比较好的基于人 edge detection based on noised image /The 4th International 工免疫的新型模板方法 Congress on Image and Signal Processing,shanghai,2011:1197 5] Meyer F,Bencher S.Morphology segmentation.J Visual Commun 4结论 Image Represent,1990,1(1):21 (1)红外图像中边缘模糊的目标提取是此类特殊 [6]Xu C,Prince J L Snakes,shapes,and gradient vector flow IEEE Trans Image Process,1998,7(3)359 图像处理中的难点.依据构造红外图像不同区域的邻 [7]Fu D M,Yu X,Tong H J,et al.An ensemble template algorithm 域空间集来分析，提出基于流形正则化多核半监督分 for extracting targets from blurred infrared images.Optik,2014, 类的边缘模糊红外目标提取方法 125(3):954 (2)灰度及其统计信息特征，以及位置信息特征 [8]Fu D M,Yu X,Tong H J,et al.Extracting target from blurred工程科学学报，第 38 卷，第 6 期 特征，训练得到具有分类决策能力的网络，其不足在于 训练网络所采用的超平面方法的超平面个数、初始平 面位置选择重要不易确定且训练时间较长． 免疫聚类 模板法借鉴人工免疫机理，将图像像素灰度表达成抗 原分子结构模式; 从抗体识别抗原角度出发，经适应 度、交叉、变异等免疫聚类计算，得到最优抗体以识别 像素所属类别，达到从模糊区域获取目标边界的目的， 其不足在于免疫聚类先要提取特征，其过程需要迭代 大量种群个体，算法时间复杂度大． 免疫球面模板法 特征化图像像素邻域统计信息并将特征映射到假定的 球面上，在球面上选择多个子区域对特征进行分类决 策; 该方法适用于红外模糊区域中的边界划分，其不足 在于球面上子区域的位置和个数选择影响各子区域中 分类准确程度，也影响学习效率． 在稳定性和时间效率方面，与上述三种基于人工 免疫的模板方法比较，本文算法较优． 因为在模糊边 缘红外热痕迹的提取问题上，充分应用图像像素邻域 中的灰度及其统计特征和邻域位置特征，学习得到可 对模糊区域的像素进行分类的模型; 尤其是，学习该模 型仅需要少量像素的特征，便能够达到较为理想的效 果，且算法对这些被选择的少量像素的位置和数量较 为鲁棒． 为了比较时间效率的不同，以准确性较好的 Otsu 法和上述分析的免疫聚类模板法、免疫网络模板法和 免疫球面模板法为对比． 在仿真结果中，将本文的算 法在学习和决策阶段的时间归一化为单位时间 1，其 他方法按照相同的比率作归一化处理，仿真结果如 表 3 所示． 表 3 时间效率对比 Table 3 Comparisons of time efficiency 归一化的时间单位 本文算法 Otsu 法 免疫聚类模板 免疫网络模板 免疫球面模板 60 s 红外目标提取 1 0. 8 361. 3 334. 3 276. 2 120 s 红外目标提取 0. 6 0. 8 51. 2 32. 1 31. 5 从表 3 可以得出: 本文算法在时间效率上优于基 于人工免疫的模板方法; 在 120 s 的实验中，也优于 Ot￾su 方法． 此外，当以 120 s 红外图像为对象时，本文算 法与三种基于人工免疫的模板方法的时间花销均减 小，其原因在于这四类算法在提取目标时采用迭代的 方式，对于 120 s 的红外图像而言，其边缘模糊区域灰 度变化比 60 s 的红外图像要慢得多，这也是其模糊性 更强的原因所在，因此灰度变化平缓使得灰度值分布 较为平均，迭代的求解方式易于得出结果，其迭代步数 就会明显下降． 仿真结果表明: 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效果优于其他方法，可 以克服模糊边缘的影响并给出相对完整和准确的目 标; 所应用的半监督分类模型是基于多核函数和流形 正则的，多核函数和流形正则分别对红外图像不同区 域邻域空间集中的不同元素获取特征，可有针对性地 处理不同特征，并获得像素点之间邻域结构信息，最终 获取模糊边缘红外目标提取的最佳分割阈值． 在算法 时间效率方面本文算法优于提取效果比较好的基于人 工免疫的新型模板方法． 4 结论 ( 1) 红外图像中边缘模糊的目标提取是此类特殊 图像处理中的难点． 依据构造红外图像不同区域的邻 域空间集来分析，提出基于流形正则化多核半监督分 类的边缘模糊红外目标提取方法． ( 2) 灰度及其统计信息特征，以及位置信息特征 是能够表征模糊边缘红外目标有效特征量; 通过多核 函数对邻域空间的灰度及其统计信息的特征映射，流 形正则对邻域空间的位置信息特征提取． ( 3) 在获取的特征基础上，建立半监督分类模型 来决策像素的类别，以类别划分的方式达到模糊边缘 区域确定的目的． 仿真对比结果表明，本文算法能够 提取相对完整和准确的红外目标，且算法时间效率高． 参 考 文 献 ［1］ Otsu N． A threshold selection method from gray-level histograms． IEEE Trans Syst Man Cybern，1979，9( 1) : 62 ［2］ Chen Q，Zhao L，Lu J，et al． Modified two dimensional Otsu im￾age segmentation algorithm and fast realization． IET Image Process，2012，6( 4) : 426 ［3］ Belongie S，Malik J，Puzicha J． Shape matching and object recog￾nition using shape contexts． IEEE Trans Pattern Anal Mach Intell， 2002，24( 4) : 509 ［4］ Yang L，Zhao D，Wu X，et al． An improved Prewitt algorithm for edge detection based on noised image / / The 4th International Congress on Image and Signal Processing，shanghai，2011: 1197 ［5］ Meyer F，Bencher S． Morphology segmentation． J Visual Commun Image Ｒepresent，1990，1( 1) : 21 ［6］ Xu C，Prince J L． Snakes，shapes，and gradient vector flow． IEEE Trans Image Process，1998，7( 3) : 359 ［7］ Fu D M，Yu X，Tong H J，et al． An ensemble template algorithm for extracting targets from blurred infrared images． Optik，2014， 125( 3) : 954 ［8］ Fu D M，Yu X，Tong H J，et al． Extracting target from blurred · 488 ·