紅外圖像的處理及其MATLAB函數(shù)實(shí)現(xiàn)

紅外圖像的處理及其MATLAB函數(shù)實(shí)現(xiàn)0.引言隨著紅外技術(shù)日新月異的發(fā)展，紅外技術(shù)在軍事及人們?nèi)粘Ｉ钪杏兄絹?lái)越廣泛的應(yīng)用。但由于紅外探照燈及紅外探測(cè)器件的限制，紅外成像系統(tǒng)的成像效果仍然不夠理想。在民用監(jiān)測(cè)應(yīng)用中，主要表現(xiàn)為夜視距離近，圖像背景與被監(jiān)測(cè)目標(biāo)之間對(duì)比度模糊，被監(jiān)測(cè)目標(biāo)細(xì)節(jié)難以辨認(rèn)，圖像特征信息不明確等方面。為使圖像更適于人眼觀測(cè)、適用于圖像后續(xù)目標(biāo)識(shí)別及跟蹤處理，有必要在紅外圖像采集和處理上做進(jìn)一步的研究，來(lái)增強(qiáng)紅外圖像視覺效果。1.紅外圖像的獲取及其特點(diǎn)1.1紅外圖像的獲取紅外圖像主要是由紅外熱像儀采集的。紅外熱像儀是一種二維熱圖像成像裝置。熱成像系統(tǒng)是一個(gè)光學(xué)一電子系統(tǒng)，可用于接收波長(zhǎng)在之間的電磁輻射，它的基本功能是將接收到的紅外輻射轉(zhuǎn)換成電信號(hào)，再將電信號(hào)的大小用灰度等級(jí)的形式表示，最后在顯示器上顯示出來(lái)。圖1.1就是一張采集到的紅外圖像。圖1.1輸入的紅外圖像1.2紅外圖像的特點(diǎn)紅外圖像反映了目標(biāo)和背景不可見紅外輻射的空間分布，其輻射亮度分布主要由被觀測(cè)景物的溫度和發(fā)射率決定，因此紅外圖像近似反映了景物溫度差或輻射差。根據(jù)其成像原理，總結(jié)紅外圖像特點(diǎn)如下：(1)紅外熱圖像表征景物的溫度分布，是灰度圖像，沒有彩色或陰影(立體感覺)，故對(duì)人眼而言，分辨率低、分辨潛力差；(2)由于景物熱平衡、光波波長(zhǎng)、傳輸距離遠(yuǎn)、大氣衰減等原因，造成紅外圖像空間相關(guān)性強(qiáng)、對(duì)比度低、視覺效果模糊；(3)熱成像系統(tǒng)的探測(cè)能力和空間分辨率低于可見光陣列，使得紅外圖像的清晰度低于可見光圖像；(4)外界環(huán)境的隨機(jī)干擾和熱成像系統(tǒng)的不完善，給紅外圖像帶來(lái)多種多樣的噪聲，比如熱噪聲、散粒噪聲、噪聲、光子電子漲落噪聲等等。噪聲來(lái)源多樣，噪聲類型繁多，這些都造成紅外熱圖像噪聲的不可預(yù)測(cè)的分布復(fù)雜性。這些分布復(fù)雜的噪聲使得紅外圖像的信噪比比普通電視圖像低；(5)由于紅外探測(cè)器各探測(cè)單元的響應(yīng)特性不一致等原因，造成紅外圖像的非均勻性，體現(xiàn)為圖像的固定圖案噪聲、串?dāng)_、畸變等。由以上五點(diǎn)可知，紅外圖像一般較暗，且目標(biāo)與背景對(duì)比度低，邊緣模糊，視覺效果差。通過(guò)以上比較分析，可以總結(jié)：可見光圖像與紅外圖像的成像機(jī)理雖然不同(可見光圖像是利用物體對(duì)光線的反射來(lái)獲得的，而紅外圖像是靠物體自身的紅外輻射獲取的)，但在低照度情況下，可見光圖像與紅外圖像的視覺效果和直方圖特征均相同，因此可以采用低照度可見光圖像的處理方法來(lái)處理紅外圖像。2.紅外圖像的增強(qiáng)2.1圖像增強(qiáng)圖像增強(qiáng)是指對(duì)圖像的某些特征，如邊緣、輪廓、對(duì)比度等進(jìn)行強(qiáng)調(diào)或突顯，以便于觀察或做進(jìn)一步的分析與處理。圖像增強(qiáng)不意味著能增加原始的信息，有時(shí)甚至?xí)p失一些信息，但圖像增強(qiáng)的結(jié)果卻能加強(qiáng)對(duì)特定信息的識(shí)別能力，便圖像中感興趣的特征得以加強(qiáng)，從而使這些特征的檢測(cè)和識(shí)別變得更加容易。圖像增強(qiáng)方法的分類如圖2.1所示：從而達(dá)到對(duì)比度增強(qiáng)的效果。下面探討一下直方圖均衡的具體步驟。設(shè)一幅圖像的像素為，共有個(gè)灰度級(jí)，代表灰度級(jí)為的像素的數(shù)目，則第個(gè)灰度級(jí)出現(xiàn)的概率(對(duì)于灰度級(jí)為離散的數(shù)字圖像，用頻率來(lái)代替概率)可表示為：其中，。對(duì)其進(jìn)行均衡化后的函數(shù)的離散形式可表示為：式中，?？梢?，均衡后各像素的灰度值可直接由原圖像的直方圖得到。(a)(b)（c）圖2.3均衡化后的圖像對(duì)比實(shí)驗(yàn)證明，直方圖均衡對(duì)大多數(shù)紅外圖像有效，效果明顯，圖像對(duì)比度大大增強(qiáng)，原本視覺效果模糊的圖像變得清晰，目標(biāo)的細(xì)節(jié)得到了突出，方法簡(jiǎn)單，容易實(shí)現(xiàn)，在實(shí)踐中具有重要意義。通過(guò)以上的理論分析和對(duì)具體紅外圖像的處理，可以得出關(guān)于直方圖均衡的幾個(gè)結(jié)論：(I)直方圖均衡實(shí)質(zhì)上減少灰度等級(jí)以換取對(duì)比度的加大。直方圖均衡化的處理過(guò)程中出現(xiàn)了相鄰灰度級(jí)合并的現(xiàn)象，即原來(lái)直方圖上頻數(shù)較小的灰度級(jí)被歸入很少幾個(gè)或一個(gè)灰度級(jí)內(nèi)，并且可能不在原來(lái)的灰度級(jí)上；(2)均衡后的直方圖并非完全平坦，這是因?yàn)樵陔x散灰度下，直方圖只是近似的概率密度；(3)當(dāng)被合并掉的灰度級(jí)構(gòu)成的是重要細(xì)節(jié)，則均衡后細(xì)節(jié)信息損失較大。因此可采用局部直方圖均衡法來(lái)處理：(4)在對(duì)比度增強(qiáng)處理中，直方圖均衡比灰度線性交換、指數(shù)、對(duì)數(shù)變換的運(yùn)算速度慢，但比空間域處理和變換域處理的速度快。因此在實(shí)時(shí)處理中，直方圖均衡是一種常用的方法；(5)直方圖均衡雖然增大了圖像的對(duì)比度，但往往處理后的圖像視覺效果生硬、不夠柔和，有時(shí)甚至?xí)斐蓤D像質(zhì)量的惡化。另外，均衡后的噪聲比處理前明顯，這是因?yàn)榫鉀]有區(qū)分有用信號(hào)和噪聲，當(dāng)原圖像中噪聲較多時(shí)，噪聲被增強(qiáng)。2.3算子銳化算法算子是線性二次微分算子，具有旋轉(zhuǎn)不變性，可以滿足不同走向的圖像邊界的銳化要求，對(duì)于圖像，其算子為：算子銳化后的圖像具有以下特征：(1)在灰度均勻區(qū)間或灰度斜坡部分為零，在灰度斜坡的起始處和終點(diǎn)處不為零；(2)對(duì)細(xì)節(jié)有較強(qiáng)的相應(yīng)；正是由于有這些特點(diǎn)，使其可以勾劃出圖像區(qū)域的邊緣輪廓。因此算子對(duì)邊緣檢測(cè)具有很好的功效。圖2.4算法處理前后圖像2.3中值濾波算法中值濾波是常用的一種非線性平滑濾波。它是一種鄰域運(yùn)算，類似于卷積，但不是加權(quán)求和計(jì)算，而是把鄰域中的像素按灰度等級(jí)進(jìn)行排序，然后選擇改組的中間值作為輸出像素值。他能減弱或消除傅立葉空間的高頻分量，但影響低頻分量。因?yàn)楦哳l分量對(duì)應(yīng)圖像中的區(qū)域邊緣和灰度值具有較大變化的部分，因此概率波可以將這些分量濾除，使圖像平滑。其主要原理是：首先確定一個(gè)以某個(gè)像素為中心點(diǎn)的鄰域，一般為方形領(lǐng)域；然后將鄰域中的各個(gè)像素的灰度值進(jìn)行排序，取其中間值作為中心點(diǎn)像素灰度的新值，這里的鄰域通常被稱為窗口；當(dāng)窗口在圖像中上下左右進(jìn)行移動(dòng)后，利用中值濾波算法可以很好地對(duì)圖像進(jìn)行平滑處理。操作步驟如下：(1)將模板在圖像中移動(dòng)，并將模板中心與圖像中心某個(gè)像素的位置重合；(2)讀取模板下各對(duì)應(yīng)像素的灰度值；(3)將這些灰度值從小到大排列成一列；(4)找出排在中間的一個(gè)值；(5)將這個(gè)中間值賦給對(duì)應(yīng)模板中心位置的像素。中值濾波的輸出像素是由鄰域圖像的中間值決定的，因而中值濾波對(duì)極限像素值(與周圍像素灰度值差別較大的像素)遠(yuǎn)不如平均值那么敏感，從而可以消除孤立的噪聲點(diǎn)，又可以保持圖像的細(xì)節(jié)。設(shè)表示數(shù)字圖像像素點(diǎn)的灰度值，濾波窗口為的中值濾波器定義為：中值濾波的優(yōu)勢(shì)在于它能夠保護(hù)圖像的邊緣信息，而且可以出去圖像中含有的無(wú)用的圖像噪聲，通常要求窗寬的一半大于噪聲的延續(xù)寬度。中值濾波器的窗口形狀和尺寸對(duì)濾波影響都很大，在不同的圖像內(nèi)容和不同的要求下，應(yīng)該采用不同的形狀和尺寸。通常有線性、方形、十字形、圓環(huán)形等，而窗口的尺寸由小變大逐步增大點(diǎn)數(shù)，直到取得滿意的濾波效果。一般而言，對(duì)于變化緩慢的且具有較長(zhǎng)輪廓線物體的圖像，可采用方形或圓形。而對(duì)于具有尖角物體的圖像可采用十字窗口。圖2.5中值濾波處理前后的圖像3.紅外圖像的邊緣檢測(cè)3.1邊緣檢測(cè)邊緣檢測(cè)是圖像處理的重要內(nèi)容之一，它是圖像分割、目標(biāo)區(qū)域的識(shí)別、區(qū)域形狀特征提取等圖像分析的基礎(chǔ)。本節(jié)主要介紹邊緣檢測(cè)方法，，，，和數(shù)學(xué)形態(tài)學(xué)法。3.2常用的邊緣檢測(cè)方法邊緣是圖像的最基本的特征，邊緣中包含著有價(jià)值的目標(biāo)邊界信息，這些信息可以用作圖像分析、目標(biāo)識(shí)別。常用的檢測(cè)方法有：(1)算子算子是利用局部查分算子尋找邊緣的算子，它是算子，對(duì)具有陡峭的低噪聲圖像響應(yīng)最好，但是算子提取邊緣的結(jié)果邊緣較粗，因此邊緣定位不很準(zhǔn)確。(2)算子算子是一階微分算子，它利用像素臨近區(qū)域的梯度來(lái)計(jì)算1個(gè)像素的梯度，然后根據(jù)一定的閾值來(lái)取舍，它是算子模版，對(duì)邊緣的定位比較準(zhǔn)確，對(duì)灰度漸變?cè)肼曒^多的圖像處理的較好。(3)算子算子是一種加權(quán)平均算子，它不僅能檢測(cè)邊緣，而且能抑制噪聲的影響。(4)算子算法的優(yōu)點(diǎn)是能過(guò)濾噪聲，缺點(diǎn)是可能將原有的邊緣也給平滑了，告示函數(shù)的方差直接影響到邊緣檢測(cè)的結(jié)果。此檢測(cè)方法對(duì)噪聲比較敏感。(5)算子是一階傳統(tǒng)微分算子中檢測(cè)階躍型邊緣效果最好的算子之一，它比算子、算子、算子的去噪能力都強(qiáng)，但它也容易平滑掉一些邊緣信息。(6)數(shù)學(xué)形態(tài)學(xué)檢測(cè)方法數(shù)學(xué)形態(tài)學(xué)是圖像處理和圖像識(shí)別技術(shù)的發(fā)展，是用數(shù)學(xué)方法描述或分析一個(gè)物體的形態(tài)的理論和方法。其運(yùn)算是形態(tài)學(xué)圖像處理的基礎(chǔ)，常見的形態(tài)學(xué)運(yùn)算有腐蝕和膨脹兩種。腐蝕是一種消除邊界點(diǎn)，使邊界向內(nèi)部收縮的過(guò)程，膨脹是將與物體接觸的所有背景點(diǎn)合并到該物體中，是在二值圖像中“加長(zhǎng)”或“變粗”的操作。利用該操作，可以填補(bǔ)物體的空洞。圖3.1邊緣檢測(cè)結(jié)果示意圖4.Matlab程序一、讀入紅外圖像并進(jìn)行灰度處理A=imread('C:\DocumentsandSettings\Administrator\桌面\1.JPG);%讀入紅外圖像文件imshow(A)%顯示出來(lái)title('輸入的紅外圖像');B=rgb2gray(A);%灰度化后的數(shù)據(jù)存入數(shù)組imshow(B)title('原圖灰度圖');B1=histeq(B);%灰度圖進(jìn)行均衡化二、繪制直方圖[m,n]=size(B);%測(cè)量圖像尺寸參數(shù)C=zeros(1,256);%預(yù)創(chuàng)建存放灰度出現(xiàn)概率的向量fork=0:255C(k+1)=length(find(B==k))/(m*n);%計(jì)算每級(jí)灰度出現(xiàn)的概率，將其存入c中相應(yīng)位置endbar(0:255,C,'g')%繪制直方圖title('原圖灰度直方圖')xlabel('灰度值')ylabel('出現(xiàn)概率')三、直方圖均衡化S1=zeros(1,256);fori=1:256forj=1:iS1(i)=C(j)+S1(i);%計(jì)算SkendendS2=round((S1*256)+0.5);%將Sk歸到相近級(jí)的灰度f(wàn)ori=1:256C1(i)=sum(C(find(S2==i)));%計(jì)算現(xiàn)有每個(gè)灰度級(jí)出現(xiàn)的概率endbar(0:255,C1,'b')%顯示均衡化后的直方圖title('均衡化后的直方圖')xlabel('灰度值')ylabel('出現(xiàn)概率')四、圖像均衡化A1=A;fori=0:255A1(find(A==i))=S2(i+1);%將各個(gè)像素歸一化后的灰度值賦給這個(gè)像素endimshow(A1)%顯示均衡化后的圖像title('均衡化后圖像')imwrite(A1,'PicEqual.bmp');五、算子銳化算法H1=fspecial('laplacian');%laplacian代表laplace濾波器

L=imfilter(A,H1);%進(jìn)行濾波

subplot(1,2,1),imshow(A);title('原始圖像')

subplot(1,2,2),imshow(L);title('銳化后的圖像')六、中值濾波算法M=medfilt2(B);%對(duì)原始圖像的灰度圖進(jìn)行中值濾波算法處理

subplot(1,2,1),imshow(B);

subplot(1,2,2),imshow(B);七、各種邊緣檢測(cè)算法A=imread('C:\DocumentsandSettings\Administrator\桌面\1.JPG');%讀入紅外圖像文件B=rgb2gray(A);%灰度化后的數(shù)據(jù)存入數(shù)組b=im2double(B);%將圖像轉(zhuǎn)化為雙精度浮點(diǎn)型PF=edge(B,'prewitt');%用prewitt算子進(jìn)行邊緣檢測(cè)RF=edge(B,'robert');%用robert算子進(jìn)行邊緣檢測(cè)LF=edge(B,'log');%用LOG算子進(jìn)行邊緣檢測(cè)CF=edge(B,'canny');%用canny算子進(jìn)行邊緣檢測(cè)SF=edge(B,'sobel');%用sobel算子進(jìn)行邊緣檢測(cè)D=~A;%圖像求反，便于用腐蝕算法求邊緣SE=strel('square',3);