红外图像的处理及其MATLAB实现.docx

红外图像的处理及其MATLAB实现.docx

《红外图像的处理及其MATLAB实现.docx》由会员分享，可在线阅读，更多相关《红外图像的处理及其MATLAB实现.docx（14页珍藏版）》请在冰豆网上搜索。

红外图像的处理及其MATLAB实现

红外图像的处理及其MATLAB函数实现

0.引言

随着红外技术日新月异的发展，红外技术在军事及人们日常生活中有着越来越广泛的应用。

但由于红外探照灯及红外探测器件的限制，红外成像系统的成像效果仍然不够理想。

在民用监测应用中，主要表现为夜视距离近，图像背景与被监测目标之间对比度模糊，被监测目标细节难以辨认，图像特征信息不明确等方面。

为使图像更适于人眼观测、适用于图像后续目标识别及跟踪处理，有必要在红外图像采集和处理上做进一步的研究，来增强红外图像视觉效果。

1.红外图像的获取及其特点

1.1红外图像的获取

红外图像主要是由红外热像仪采集的。

红外热像仪是一种二维热图像成像装置。

热成像系统是一个光学一电子系统，可用于接收波长在

之间的电磁辐射，它的基本功能是将接收到的红外辐射转换成电信号，再将电信号的大小用灰度等级的形式表示，最后在显示器上显示出来。

图1.1就是一张采集到的红外图像。

图1.1输入的红外图像

1.2红外图像的特点

红外图像反映了目标和背景不可见红外辐射的空间分布，其辐射亮度分布主要由被观测景物的温度和发射率决定，因此红外图像近似反映了景物温度差或辐射差。

根据其成像原理，总结红外图像特点如下：

（1）红外热图像表征景物的温度分布，是灰度图像，没有彩色或阴影（立体感觉），故对人眼而言，分辨率低、分辨潜力差；

（2）由于景物热平衡、光波波长、传输距离远、大气衰减等原因，造成红外图像空间相关性强、对比度低、视觉效果模糊；

（3）热成像系统的探测能力和空间分辨率低于可见光

阵列，使得红外图像的清晰度低于可见光图像；

（4）外界环境的随机干扰和热成像系统的不完善，给红外图像带来多种多样的噪声，比如热噪声、散粒噪声、

噪声、光子电子涨落噪声等等。

噪声来源多样，噪声类型繁多，这些都造成红外热图像噪声的不可预测的分布复杂性。

这些分布复杂的噪声使得红外图像的信噪比比普通电视图像低；

（5）由于红外探测器各探测单元的响应特性不一致等原因，造成红外图像的非均匀性，体现为图像的固定图案噪声、串扰、畸变等。

由以上五点可知，红外图像一般较暗，且目标与背景对比度低，边缘模糊，视觉效果差。

通过以上比较分析，可以总结：

可见光图像与红外图像的成像机理虽然不同（可见光图像是利用物体对光线的反射来获得的，而红外图像是靠物体自身的红外辐射获取的），但在低照度情况下，可见光图像与红外图像的视觉效果和直方图特征均相同，因此可以采用低照度可见光图像的处理方法来处理红外图像。

2.红外图像的增强

2.1图像增强

图像增强是指对图像的某些特征，如边缘、轮廓、对比度等进行强调或突显，以便于观察或做进一步的分析与处理。

图像增强不意味着能增加原始的信息，有时甚至会损失一些信息，但图像增强的结果却能加强对特定信息的识别能力，便图像中感兴趣的特征得以加强，从而使这些特征的检测和识别变得更加容易。

图像增强方法的分类如图2.1所示：

图2.1图像增强方法

下面我们主要介绍其中的几种增强方法。

2.2红外图像的直方图均衡化

2.2.1图像的直方图

灰度直方图是用于表达图像灰度分布情况的统计图表，有一维直方图和二维直方图之分。

其中最常用的是一维直方图。

它具有以下三个性质：

（1）图像与直方图之间是多对一的映射关系；

（2）只表示图像每一灰度级出现的频数，而失去了具有该灰级的像素的位置信息；（3）一幅图像各子区直方图之和等于该图像的全图直方图。

一幅图像的直方图可以提供下列信息：

（1）每个灰度级上像素出现的频数；

（2）图像像素值的动态范围；

（3）整幅图像的大致平均明暗；

（4）图像的整体对比度情况。

因此，在图像处理中直方图是很有用的决策和评价工具。

直方图统计在对比度拉伸、灰度级修正、动态范围调整、图像灰度调整、模型化等图像处理方法中发挥了很大的作用，在本文后面的讨论中将可以看到直方图的重要作用。

比较红外图像与可见光图像的直方图，可以总结其直方图特点如下：

（1）像素灰度值动态范围不大，很少充满整个灰度级空间；而可见光图像的像素则分布于几乎整个灰度级空间。

（2）绝大部分像素集中于某些相邻的灰度级范围，这些范围以外的灰度级上则没有或只有很少的像素；而可见光图像的像素分布则比较均匀。

（3）直方图中有明显的峰存在，多数情况下为单峰或双峰，若为双峰，则一般主峰为信号，次峰为噪声；而可见光图像直方图的峰不如红外图像明显，一般多个峰同时存在。

以上特点是大多数红外图像直方图所具备的，但也不绝对。

实际中的红外图像可能会由于气候条件、环境温度等因素的影响，呈现出与上述特点不完全一致的情形。

图2.2为原红外图像的灰度图和直方图直方图

图2.2原始图像的灰度图和直方图

2.2.2直方图的均衡化

直方图均衡的作用是改变图像中灰度概率分布，使其均匀化．其实质是使图像中灰度概率密度较大的像素向附近灰度级扩展，因而灰度层次拉开，而概率密度较小的像素灰度级收缩，从而让出原来占有的部分灰度级，这样的处理使图像充分有效地利用各个灰度级，因而增强了图像对比度。

由前一章红外图像特点的分析可知，红外图像普遍存在着灰度级比较集中，层次感差等问题，采用直方图均衡算法来进行处理，可以使其灰度级尽量拉开，从而达到对比度增强的效果。

下面探讨一下直方图均衡的具体步骤。

设一幅图像的像素为

，共有

个灰度级，

代表灰度级为

的像素的数目，则第

个灰度级出现的概率（对于灰度级为离散的数字图像，用频率来代替概率）可表示为：

其中，

。

对其进行均衡化后的函数

的离散形式可表示为：

式中，

。

可见，均衡后各像素的灰度值

可直接由原图像的直方图得到。

（a）

（b）

（c）

图2.3均衡化后的图像对比

实验证明，直方图均衡对大多数红外图像有效，效果明显，图像对比度大大增强，原本视觉效果模糊的图像变得清晰，目标的细节得到了突出，方法简单，容易实现，在实践中具有重要意义。

通过以上的理论分析和对具体红外图像的处理，可以得出关于直方图均衡的几个结论：

（I）直方图均衡实质上减少灰度等级以换取对比度的加大。

直方图均衡化的处理过程中出现了相邻灰度级合并的现象，即原来直方图上频数较小的灰度级被归入很少几个或一个灰度级内，并且可能不在原来的灰度级上；

（2）均衡后的直方图并非完全平坦，这是因为在离散灰度下，直方图只是近似的概率密度；

（3）当被合并掉的灰度级构成的是重要细节，则均衡后细节信息损失较大。

因此可采用局部直方图均衡法来处理：

（4）在对比度增强处理中，直方图均衡比灰度线性交换、指数、对数变换的运算速度慢，但比空间域处理和变换域处理的速度快。

因此在实时处理中，直方图均衡是一种常用的方法；

（5）直方图均衡虽然增大了图像的对比度，但往往处理后的图像视觉效果生硬、不够柔和，有时甚至会造成图像质量的恶化。

另外，均衡后的噪声比处理前明显，这是因为均衡没有区分有用信号和噪声，当原图像中噪声较多时，噪声被增强。

2.3

算子锐化算法

算子是线性二次微分算子，具有旋转不变性，可以满足不同走向的图像边界的锐化要求，对于图像

，其

算子为：

算子锐化后的图像具有以下特征：

（1）在灰度均匀区间或灰度斜坡部分

为零，在灰度斜坡的起始处和终点处不为零；

（2）

对细节有较强的相应；

正是由于

有这些特点，使其可以勾划出图像区域的边缘轮廓。

因此

算子对边缘检测具有很好的功效。

图2.4

算法处理前后图像

2.3中值滤波算法

中值滤波是常用的一种非线性平滑滤波。

它是一种邻域运算，类似于卷积，但不是加权求和计算，而是把邻域中的像素按灰度等级进行排序，然后选择改组的中间值作为输出像素值。

他能减弱或消除傅立叶空间的高频分量，但影响低频分量。

因为高频分量对应图像中的区域边缘和灰度值具有较大变化的部分，因此概率波可以将这些分量滤除，使图像平滑。

其主要原理是：

首先确定一个以某个像素为中心点的邻域，一般为方形领域；然后将邻域中的各个像素的灰度值进行排序，取其中间值作为中心点像素灰度的新值，这里的邻域通常被称为窗口；当窗口在图像中上下左右进行移动后，利用中值滤波算法可以很好地对图像进行平滑处理。

操作步骤如下：

（1）将模板在图像中移动，并将模板中心与图像中心某个像素的位置重合；

（2）读取模板下各对应像素的灰度值；

（3）将这些灰度值从小到大排列成一列；

（4）找出排在中间的一个值；

（5）将这个中间值赋给对应模板中心位置的像素。

中值滤波的输出像素是由邻域图像的中间值决定的，因而中值滤波对极限像素值（与周围像素灰度值差别较大的像素）远不如平均值那么敏感，从而可以消除孤立的噪声点，又可以保持图像的细节。

设

表示数字图像像素点的灰度值，滤波窗口为

的中值滤波器定义为：

中值滤波的优势在于它能够保护图像的边缘信息，而且可以出去图像中含有的无用的图像噪声，通常要求窗宽的一半大于噪声的延续宽度。

中值滤波器的窗口形状和尺寸对滤波影响都很大，在不同的图像内容和不同的要求下，应该采用不同的形状和尺寸。

通常有线性、方形、十字形、圆环形等，而窗口的尺寸由小变大逐步增大点数，直到取得满意的滤波效果。

一般而言，对于变化缓慢的且具有较长轮廓线物体的图像，可采用方形或圆形。

而对于具有尖角物体的图像可采用十字窗口。

图2.5中值滤波处理前后的图像

3.红外图像的边缘检测

3.1边缘检测

边缘检测是图像处理的重要内容之一，它是图像分割、目标区域的识别、区域形状特征提取等图像分析的基础。

本节主要介绍边缘检测方法

，

，

，

，

和数学形态学法。

3.2常用的边缘检测方法

边缘是图像的最基本的特征，边缘中包含着有价值的目标边界信息，这些信息可以用作图像分析、目标识别。

常用的检测方法有：

（1）

算子

算子是利用局部查分算子寻找边缘的算子，它是

算子，对具有陡峭的低噪声图像响应最好，但是

算子提取边缘的结果边缘较粗，因此边缘定位不很准确。

（2）

算子

算子是一阶微分算子，它利用像素临近区域的梯度来计算1个像素的梯度，然后根据一定的阈值来取舍，它是

算子模版，对边缘的定位比较准确，对灰度渐变噪声较多的图像处理的较好。

（3）

算子

算子是一种加权平均算子，它不仅能检测边缘，而且能抑制噪声的影响。

（4）

算子

算法的优点是能过滤噪声，缺点是可能将原有的边缘也给平滑了，告示函数的方差直接影响到边缘检测的结果。

此检测方法对噪声比较敏感。

（5）

算子

是一阶传统微分算子中检测阶跃型边缘效果最好的算子之一，它比

算子、

算子、

算子的去噪能力都强，但它也容易平滑掉一些边缘信息。

（6）数学形态学检测方法

数学形态学是图像处理和图像识别技术的发展，是用数学方法描述或分析一个物体的形态的理论和方法。

其运算是形态学图像处理的基础，常见的形态学运算有腐蚀和膨胀两种。

腐蚀是一种消除边界点，使边界向内部收缩的过程，膨胀是将与物体接触的所有背景点合并到该物体中，是在二值图像中“加长”或“变粗”的操作。

利用该操作，可以填补物体的空洞。

图3.1边缘检测结果示意图

4.Matlab程序

一、读入红外图像并进行灰度处理

A=imread（'C:

\DocumentsandSettings\Administrator\桌面\1.JPG）;%读入红外图像文件

imshow（A）%显示出来

title（'输入的红外图像'）;

B=rgb2gray（A）;%灰度化后的数据存入数组

imshow（B）

title（'原图灰度图'）;

B1=histeq（B）;%灰度图进行均衡化

二、绘制直方图

[m,n]=size（B）;%测量图像尺寸参数

C=zeros（1,256）;%预创建存放灰度出现概率的向量

fork=0:

255

C（k+1）=length（find（B==k））/（m*n）;%计算每级灰度出现的概率，将其存入c中相应位置

end

bar（0:

255,C,'g'）%绘制直方图

title（'原图灰度直方图'）

xlabel（'灰度值'）

ylabel（'出现概率'）

三、直方图均衡化

S1=zeros（1,256）;

fori=1:

256

forj=1:

i

S1（i）=C（j）+S1（i）;%计算Sk

end

end

S2=round（（S1*256）+0.5）;%将Sk归到相近级的灰度

fori=1:

256

C1（i）=sum（C（find（S2==i）））;%计算现有每个灰度级出现的概率

end

bar（0:

255,C1,'b'）%显示均衡化后的直方图

title（'均衡化后的直方图'）

xlabel（'灰度值'）

ylabel（'出现概率'）

四、图像均衡化

A1=A;

fori=0:

255

A1（find（A==i））=S2（i+1）;%将各个像素归一化后的灰度值赋给这个像素

end

imshow（A1）%显示均衡化后的图像

title（'均衡化后图像'）

imwrite（A1,'PicEqual.bmp'）;

五、

算子锐化算法

H1=fspecial（'laplacian'）;%laplacian代表laplace滤波器

L=imfilter（A,H1）;%进行滤波

subplot（1,2,1）,imshow（A）;

title（'原始图像'）

subplot（1,2,2）,imshow（L）;

title（'锐化后的图像'）

六、中值滤波算法

M=medfilt2（B）;%对原始图像的灰度图进行中值滤波算法处理

subplot（1,2,1）,imshow（B）;

subplot（1,2,2）,imshow（B）;

七、各种边缘检测算法

A=imread（'C:

\DocumentsandSettings\Administrator\桌面\1.JPG'）;%读入红外图像文件

B=rgb2gray（A）;%灰度化后的数据存入数组

b=im2double（B）;%将图像转化为双精度浮点型

PF=edge（B,'prewitt'）;%用prewitt算子进行边缘检测

RF=edge（B,'robert'）;%用robert算子进行边缘检测

LF=edge（B,'log'）;%用LOG算子进行边缘检测

CF=edge（B,'canny'）;%用canny算子进行边缘检测

SF=edge（B,'sobel'）;%用sobel算子进行边缘检测

D=~A;%图像求反，便于用腐蚀算法求边缘

SE=strel（'square',3）;%定义3*3复试结构元素

J=imerode（~D,SE）;%腐蚀运算

MM=（~D）-J;%检测边缘

imshow（PF）;

title（'prewitt算子进行检测'）

imshow（RF）;

title（'robert算子进行检测'）

imshow（LF）;

title（'LOG算子进行检测'）

imshow（CF）;

title（'canny算子进行检测'）

imshow（SF）;

title（'sobel算子进行检测'）

imshow（MM）;

title（'数学形态学进行检测'）