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m100~75.0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CCD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、f1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n，共有L个灰度级，kn代表灰度级为kr的像素的数目，则第k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：nnrPkkr)(其中，12,1,0,10Lkrk。对其进行均衡化后的函数)(rT的离散形式可表示为：kiikrrknnrPrTS00)()(式中，12,1,0,10Lkrk。可见，均衡后各像素的灰度值kS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。2.3Laplacian算子锐化算法Laplacian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),(yxF，其Laplacian算子为：22222),(),(),(yyxFxyxFyxFLaplacian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F2为零，在灰度斜坡的起始处和终点处不为零；(2)F2对细节有较强的相应；正是由于F2有这些特点，使其可以勾划出图像区域的边缘轮廓。因此Laplacian算子对边缘检测具有很好的功效。图2.4Laplacian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),(yxf表示数字图像像素点的灰度值，滤波窗口为A的中值滤波器定义为：)},({),(),(yxGMedianyxGAyx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Robert，Sobel，ewittPr，)(LOGGaussianLaplacian，Canny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)Robert算子Robert算子是利用局部查分算子寻找边缘的算子，它是22算子，对具有陡峭的低噪声图像响应最好，但是Robert算子提取边缘的结果边缘较粗，因此边缘定位不很准确。(2)Sobel算子Sobel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33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)ewittPr算子ewittPr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))(GaussianLaplacianLOG算子LOG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)Canny算子Canny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ewittPr算子、Sobel算子、Laplacian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=ze