高炮实弹射击中目标的自动提取

0 引言
随着计算机图像处理技术、图像模式识别技术的迅速发展，计算机图像模式识别技术在工业、农业、国防、科学研究和医学等各个方面得到了更加全面的应用。高炮实弹射击中目标的自动提取，就是应用图像模式识别技术对预先的高炮实弹射击录像进行分析，自动提取录像中的目标，确立目标在屏幕中的位置，进而计算射击偏差量，并给出校正量。

1 图像的预处理
由于预先捕获的高炮射击录像存在一些问题，如图像灰度不均匀，整帧图像的灰度范围较小，这样显得对比度不够，模糊不清，目标与周围景物之间的灰度差别很小，这样的图像直接进行目标的提取将比较困难，使目标的轮廓不清，这样需要我们预先对图像进行图像增强处理，从而除去图像中的噪声，使边缘清晰以及突出图像中的某些性质等。图像增强技术可使图像灰度级的动态范围增大，变的轮廓比较清晰，对比度增大，使目标及弹丸与背景的灰度区别增大，易于从背景图像分离出来进行处理。通过修正直方图而增强对比度是图像增强最常用，最重要的一种方法。
直方图修正中最优性质的是直方图均衡。图像直方图均衡处理就是用灰度变换函数对输入图像直方图进行修正，修正后的图像直方图趋向均匀分布。
设rk为原始图像的第k级灰度，sk为变换后图像的的第k级灰度，那么直方图均衡的具体方法如下：
首先计算原始图像的灰度级直方图，用n(i)(i=0，1，…255)表示。
计算灰度级的变换函数T(rk)

其中，N是图像的像素总数，然后根据灰度级变换函数T(rk)完成图像的灰度级变换。
由于只是图像灰度级概率密度函数的近似，因此经过直方图均衡后，只能得到接近平坦的直方图。

2 图像分割
图像分割一直是图像处理领域中的重点和难点，是实现自动图像分析时首先需要完成的操作，图像在分割后的处理，如特征提取，目标识别等都依赖图像分割的质量。
2．1 图像的二值化处理
首先，逐像素扫描，统计0～255每一个灰度等级上的像素数量，相当于画一个灰度直方图，横轴为灰度等级，纵轴为像素数量。扫描完毕计算整幅图像的灰度平均值。按灰度等级低到高的顺序扫描直方图，记录每个拐点(包括峰值和谷值)的灰度和数量。
接着，设一个灰度门限值(比如16)，合并该门限值内的峰值和谷值。比如，两个峰值相差15个灰度，则按加权平均的原则计算新的灰度值(权为各自的像素数量)，将其像素数量相加作为新的像素数量，并将原来的两个峰值和其间所有的谷值删掉。
然后，寻找相邻且灰度上相差最大的两个峰值，较小的峰值的灰度应小于灰度平均值。将这两个峰值中间的谷值的灰度作为二值化的阈值。
最后，将图像像素逐一同阈值比较。小于阈值的作为前景，置为l；大于阈值的作为背景，置为0。将结果填入一个与原图像同样大小的二维数组。
2．2 区域生长
区域生长的基本思想是将图像中满足某种相似性准则的像素点集合起来构成区域。
1)逐像素扫描二维数组，找出第一个为1的像素，将其坐标归入一个前景块数组，原像素清0(这样下次将不再扫描该像素，避免死循环)；
2)搜索该像素的四邻域(上、下、左、右)像素，找出为1的像素，压入堆栈，并归入1)中的前景块数组，原像素清0；
3)从堆栈中取出一个像素，回到步骤2)；
4)堆栈为空时，回到步骤1)(这时将建立另外一个前景块数组)；
5)重复1)～4)，直到扫描完图像中的每一个像素。

3 特征提取
1)长宽比：在“三”的过程中记录下每个前景块在水平、垂直两个方向上最大和最小的坐标值，得到其外接四边形，则长宽比=(水平最大值一水平最小值)／(垂直最大值一垂直最小值)；
2)面积：累计每个前景块的像素数量，得到其面积；
3)形心：X=(水平最大值+水平最小值)／2，Y=(垂直最大值+垂直最小值)／2。

4 确定目标
1)视频的前1秒钟用于确定目标模板。如果这40帧画面中均只有一个前景块，则这个前景块即为目标，最后一帧时的目标特征作为模板。如果画面中存在超过1个的前景块，则比较这些前景块的特征，找出连续出现的那个前景块作为目标，其最后一帧的前景块特征即为目标模板；
2)将新一帧所有前景块的特征与目标模板进行比较。先比较长宽比，找出所有与目标模板相差不超过10％的前景块。再比较形心位置，取距目标模板最近的作为新的目标。如果有一个以上的前景块与原目标距离相同且最小，再比较面积，取面积最相近的作为新目标。新目标的特征即作为新的目标模板。

5 小结
图像模式识别是一门新兴学科，它的不断完善，不仅在理论研究上取得了很大的发展，而且应用领域也日益扩大。