6.2.2 目标区域分割和检测
由红外和可见光传感器的成像图像特点可知，红外图像具有较强的目标位置的检测能力，而可见光图像对目标的细节信息把握较强，因此，可以结合两种传感器的优势，对地面目标进行检测和特征提取，用于分类识别系统中。
首先，利用红外传感器检测出目标区域，这里计算目标的最小外接矩形，然后把目标区域映射到可见光图像中，确定可见光图像的目标区域，再对目标区域分别进行特征提取，由于红外图像的结构特征较明显，先对红外图像进行二值化处理，对处理后的图像进行形状矩特征提取；对于可见光图像，能够很好地反映图像的细节信息，先对目标区域进行边缘检测，而后对检测后的图像进行边缘特征提取。最后对不同传感器提取的特征进行特征融合，利用融合后的特征进行目标分类识别。具体的框图如图6-5所示。
图6-5 红外和可见光图像特征融合示意图
6.2.2.1 红外图像的区域分割
从红外图像的灰度图中可看出，感兴趣目标区域与背景中的路面的灰度相差不很明显，若采用简单的阈值分割算法，若选取的阈值过低，则路面会被看成感兴趣目标而被分割出来，不仅提高了目标的虚警率，使后续特征提取的计算量也大大增加；若选取的阈值过高，则分割后目标区域过小，这样映射到可见光图像中，目标的轮廓特征丢失，这样提取的目标特征不准确。
因此，本章采用区域生长的图像分割方法对图像中感兴趣区域进行分割。区域生长法是一种基于某个或某些区域的串行图像分割技术，基本思想是把具有相似灰度级像素集合在一起构成目标区域。首先在要分割的目标区域找一个种子像素点，把该点作为区域生长的起点，然后按照一定的规则，把种子像素周围邻域中像素点与种子像素进行比较，若相同或相近则把该点合并到种子像素所在的区域；依次进行比较，直到不能找到满足条件的像素点为止。这样就得到目标区域。
区域生长法的3个重要因素包括：
1）确定能正确代表所需区域的种子像素。
2）制定在生长过程中能将相邻像素包含进来的准则。
3）指定让生长条件停止的条件或规则。
种子像素点选取可根据具体问题进行分析而定。由于红外图像的目标辐射较大，可以选择图像中最亮（灰度级最大）的像素点为种子像素。生长准则的选取与具体问题本身无关，是由所用的图像数据决定的。
本章采用的区域生长法的选取准则如下：
1）种子像素点的选取：选取图像中灰度最亮点作为种子像素点。为了避免将强背景噪声选为种子像素点，在选点之前，对原红外图像进行平滑处理。平滑处理选取的模板为1/4{{0，1，0}{1，0，1}{0，1，0}}。
2）生长准则的确定：根据红外图像灰度分布的特点，采用基于区域灰度差的生长准则，即在种子像素点的八邻域内的像素，按照下式准则进行处理：
式中，d（x，y）是种子像素点八邻域内的点；g（x，y）是分割后的二值化图像，若d（x，y）满足条件，即作为新的种子像素点进行区域生长；max（v）为最大值；v0为满足区域生长条件的门限，这里选取：
实验发现，m可以在5～8之间任意选择，对最终的分割结果影响不大。
3）生长方式的确定：以像素作为基本单位逐行扫描进行操作。扫描流程如图6-6所示。
采用区域生长的图像分割算法，不仅避免了采用直方图统计阈值分割方法需要复杂的处理步骤，而且还避免了采用全局阈值分割图像时引入背景噪声的问题。这样提取的目标感兴趣区域更准确。6.2.2.2 可见光图像区域分割
针对可见光图像难以获得目标区域的问题，本章利用红外图像能检测目标的优势，利用红外图像确定目标区域，然后利用图像配准，将红外图像的目标区域映射到可见光图像中的目标区域。
本章提取的目标感兴趣区域为红外分割后目标轮廓的最小外接矩形。最小外接矩形的确定方法是对二值化后的红外目标图像进行扫描，找到最左边和最右边，最上边和最下边的坐标，这样构成一个矩形。为了避免目标的边缘模糊，在宽中分别增加了5个像素点。经过区域分割后的可见光和红外图像的感兴趣区域如图6-7所示。
图6-6 区域生长法流程
图6-7 可见光和红外图像