《红外图像目标检测及增强(DOC42页).doc》由会员分享，可在线阅读，更多相关《红外图像目标检测及增强(DOC42页).doc（42页珍藏版）》请在三一办公上搜索。
1、南 京 理 工 大 学作 者:学 号：学院(系):专 业:题 目:指导者： (姓 名) (专业技术职务)评阅者： (姓 名) (专业技术职务) 年 月一 引言11.1 红外成像系统应用11.2 红外成像系统研究发展2二 红外图像的目标检测及跟踪32.1 典型的DBT目标检测算法32.1.1 阈值法32.1.2 最大距离法42.2 典型的TBD目标检测算法62.2.1 基于多级假设检验的TBD目标检测算法62.2.2 基于光流的方法72.2.3 基于求差法的方法72.3 混合高斯模型原理及实现：82.4 红外目标跟踪102.4.1 边缘跟踪算法112.4.2优化的双边缘跟踪算法：112.4.3
2、形心跟踪算法11三 图像增强技术123.1 点运算143.1.1 灰度级校正143.1.2 灰度变换143.1.3直方图修正183.2 空域图像平滑203.1.1 噪声消除法203.2.2 邻域平均法213.2.3 中值滤波223.2.4 梯度倒数加权233.3 空间域图像锐化253.3.1 梯度法253.3.2 Laplacian算子263.3.3 高通滤波273.3.4 统计差值法283.4 彩色技术293.4.1 什么是伪彩色增强技术293.4.2 为什么引入彩色增强技术293.4.3 彩色增强技术原理293.4.4 假彩色增强303.4.4 伪彩色增强313.5 频率域增强处理353.
3、5.1 低通滤波363.5.2 同态图像增强373.5.3高通滤波383.5.4 高频强调滤波393.5.5 小波变换增强40一 引言1.1 红外成像系统应用随着红外成像技术的发展，红外成像系统已广泛地应用在光学遥感、夜间导航、目标探测以及火控、制导等民用和军事领域。从二十世纪五十年代开始，红外成像技术被广泛应用于军事领域，尤其是在红外成像制导、红外告警和侦察方面。机载前视红外装置能在1500m上空探测到人、小型车辆和隐蔽目标，在20000m高空能分辨出汽车乃至能探测水下40m深处的潜艇。军事需求始终是推动红外成像技术发展的最强动力，军事领域也是红外成像新技术首先得到应用的领域。海湾战争充分显
4、示了红外技术特别是热成像技术在军事上的作用和威力。海湾战争从开始、作战到获胜都是在夜间，夜视装备应用的普遍性乃是这次战争的最大特点之一。在战斗中投入的夜视装备之多，性能之好，是历次战争所不能比拟的。美军每辆坦克，每个重要武器直到反坦克导弹都配有夜视瞄准具，仅美军第二十四机械化步兵师就装备了上千套夜视仪。多国部队除了地面部队，海军陆战队广泛装备了夜视装置外，美国的F117隐形战斗轰炸机、阿帕奇直升机、F15E战斗机、英国的旋风GRI对地攻击机等都装有先进的热成像夜视装备。正因为多国部队在夜视和光电装备方面的优势，所以在整个战争期间他们掌握了绝对的主动权。多国部队利用飞机发射的红外制导导弹在海湾战
5、争中发挥了极大的威力，他们仅在10天内就摧毁伊军坦克650辆、装甲车500辆。同时，红外成像技术也广泛地应用于工业、农业、医学、交通等各个行业和部门。红外测温、红外理疗、红外检测、红外报警、红外遥感、红外防伪更是各行业争相选用的先进技术。红外成像系统与雷达成像系统、电视成像系统一起构成当代三大成像系统。红外成像系统与雷达相比，具有结构简单、体积小、重量轻、分辨率高、隐蔽性好、抗干扰能力强等优点；与可见光相比，有透过烟尘能力强、可昼夜工作等特点，因而在中近距离成像跟踪系统中，红外成像传感器受到特别重视。下表比较了几种常用成像系统的优缺点：表1.1 常见成像系统的优缺点传感器类型优点缺点雷达（合成
6、孔径、相控阵 、毫米波）全天候可远距工作有测距能力结构复杂主动工作方式成像清晰度差可见光电视被动系统分辨率很高对气候敏感夜间不能工作近距离工作无测距能力红外成像靠目标自身热辐射工作分辨率高气候适应性强被动系统易受浓雾影响无测距能力激光成像有测距能力分辨率高气候适应性强结构复杂搜索目标较困难主动系统1.2 红外成像系统研究发展目前红外成像系统的研究主要集中在三个方面：一、焦平面探测器阵列的研究。探测器材料从传统的锑化铟（InSb）、硅化铂（PtSi）和锑镉汞（HgCdTe）向IIIV族化合物发展；探测器阵列的大小从最初的6464元向512512元、10241024元甚至更高元数发展，随着探测器元
7、数的增多和单元尺寸的减小，对读出电路的要求也越来越高。二、图像信号处理器硬件系统的研究。随着计算机技术和大型集成电路的发展，DSP（数字信号处理器）和FPGA（现场可编程逻辑器件）已广泛使用在图像信号处理器中。大容量存储器和多处理器并行结构的应用，使信号处理的能力和容量成数量级的增长。三、各种检测、识别和跟踪算法和软件的研究。随着探测器水平和图像信号处理器处理能力的提高，各种复杂的算法得以在系统中实时运行。近年来针对复杂背景和各种干扰条件下的检测和识别的新算法不断涌现，更加智能化的状态判决和跟踪处理算法也得以应用。尤其是有关红外目标检测的技术也得到迅速发展。红外目标的检测技术是红外成像系统中的
8、核心技术之一，它利用图像处理算法对处于杂乱背景和强噪声环境中的目标进行自动检测，算法的性能对红外成像系统的作用距离和智能化程度十分关键。从二十世纪八十年代末 人们已经开始利用红外传感器来检测远距离的热源随着热成像技术的成熟 红外图像中的目标检测技术已经成为一项独立的、具有明显特色的研究方向。尤其在军事领域，目前在欧美国家的一些先进的武器系统，包括航空母舰的预警系统、各种飞机的红外搜索跟踪系统、红外成像制导导弹和一些地面军事设施的告警系统中，红外弱小目标的检测技术的地位举足轻重。可以说远距离的飞机、导弹等飞行物的自动检测已成为成像制导、告警系统和光电对抗的核心技术。红外图像信号处理硬件系统的性能
9、和容量是与受探测器和电路技术发展水平相对应的；而红外目标检测技术可以最大程度上发挥系统性能，使系统整体性能达到最优。近年来计算机技术和数字图像处理技术迅速发展，有关红外图像中目标检测的理论、方法和技术方面的研究也在广泛地开展。二 红外图像的目标检测及跟踪红外目标检测算法可分为“先跟踪后检测（TBD）”类检测算法和“先检测后跟踪（DBT）”类检测算法两大类。2.1 典型的DBT目标检测算法经典的DBT目标检测算法较为清晰分解了单帧目标初检测和多帧目标确定这两项任务，所以从宏观上说，将不同的图像预处理及单帧目标分割算法与不同的多帧目标运动轨迹确定算法组合起来，就可以构成适合于不同具体研究对象的DB
10、T目标检测算法。2.1.1 阈值法依据分割阈值将目标从背景中分割出来，通常是成像跟踪算法中必须首先解决的一个重要环节，它包括阈值计算和目标分割两个过程。能否有效地提取出目标，问题的关键是寻找一个合理的阈值。阈值的选取有固定阈值和自适应阈值两种方法，阈值法又可以分为全局阈值法和局部阈值法。全局阈值法：经滤波后的背景噪声近似看作是高斯白噪声，可使用全局门限分割算法。设输入图像为，门限处理后的图像为，令门限为Th(k)，则有：式中，Th(k)是随序列图像的变化而自适应改变的。即： (2.2)其中，为加权值，的选择范围为35，mean(k)、var(k)分别表示第k帧经抑制背景起伏后的图像灰度均值和方
11、差，设输入图像的大小为N1N2，则图像均值和方差可表示为：经过上述的阈值处理以后，得到一个去除背景干扰和弱噪声的目标图像，这时，可能除了目标，还有强噪声点。局部阈值法：设f (i,j)周围的33方阵中灰度值为E= f (i,j)，经过3x3的高通滤波后，该点灰度值变为，则：此方法的关键是值的确定，提出了一种自适应确定方法，即=|均值一标准方差| /标准方差。通过将高通滤波后的目标与它周围的背景作自适应门限比较可以很好地分割出点目标，这样既可以解决由单纯的自适应门限造成的预选点过多，又可解决单纯的高通滤波，当目标出现在强噪声下分割不出来的弊病。2.1.2 最大距离法直方图分割法中的最大距离法是一
12、种简单有效的图像分割方法。它的基本思想是：在直方图取值范围内，任一灰度级可将直方图分为左右两部分，如果这两部分的灰度均值与总体的灰度均值相距最大，则该灰度级就取为分割门限。假设红外图像总的灰度级为L，在l灰度级处有nl个像点，则总的像点数为，令l灰度级处的概率Pl接近于频率，则。在任一灰度级处将直方图分割成左、右两部分，于是我们有：左边部分：；右边部分：，它们发生的概率和分别为： (2.7) 因为总体灰度均值：所以若令: (2.9) (2.10)则它们分别是集合和集合的灰度均值，于是有： (2.11)进一步，令： (2.12)则(2.9)式可化为： (2.13)考虑到,所以式(2.10)可表示
13、为： (2.14)由(2.11)、(2.12、(2.13)和(2.14)式可以看出，对于0L灰度级之间的任一灰度级，可以计算出 、和。现在，定义一个均值距离测度为至和至距离的加权之和，即： (2.15)将(2.13)和(2.14)式代入(2.15)式中，并考虑到，则(2.15)式可简化为：分割的准则是使为最大值的灰度级作为图像分割的门限值。图像中凡是灰度值小于分割门限的像点，均认为是背景中的点，并加以滤除。反之，则认为是潜在目标区域中的点，予以保留。2.2 典型的TBD目标检测算法TBD 算法流程概括起来包含三个步骤 ：一是背景抑制，通过各种单帧图像背景抑制算法，或通过滤波将红外图像低频和高频
14、部分进行分离，提高信噪比，尽可能抑制原始图像中的低频背景杂波干扰；二是可疑目标跟踪，利用相邻几帧中目标的运动信息来分割可能目标，从背景抑制后的图像中分割出少量候选目标进行跟踪；三是目标检测，利用序列图像中目标运动的连续性和轨迹的一致性，进一步排除虚假目标，从候选目标中检测出真正的目标。 这里所谓的“先跟踪”是指先根据小目标运动速度和运动方向等运动特性，预测和跟踪(求取)所有可能的目标运动轨迹；而相应的“后检测”是指根据目标的短时灰度特性、目标像素大小和目标能量变化特性来求取各条轨迹的后验概率。如果某条轨迹的后验概率大于某一个门限值，则就可认为该轨迹对应于一个真实的运动小目标。以下是几种具有代表
15、性的TBD目标检测算法。2.2.1 基于多级假设检验的TBD目标检测算法若将背景像素点看作互不相关的高斯白噪声随机变量，则图像序列中的目标运动轨迹可看做是一个（或数个）由数目庞大的候选轨迹组成的树形结构中筛选出来。所谓多级假设检验算法，就是在图像序列中这个树形结构的每一层上用假设检验的方法对结构做出删节修正，以随时去掉没有通过检验的树，达到控制运算量和存储量的目的。此类算法具有同时检测出多个做不同方向直线运动目标能力。但在低信噪比条件下，由于候选轨迹的起始点数非常多，所以常导致算法计算量迅速增加。同时，树状结构要求在系统的内存中维持一个复杂的数据结构，所以说该算法的多目标检测能力的扩充是以牺牲
16、内存为代价的。2.2.2 基于光流的方法光流法一般假设：1) 运动物体表面平坦，图像的反射模式除了在有限个点上不连续外，图像的灰度函数处处平滑；2) 物体表面入射光均匀；3) 在小的时间间隔内，运动物体上某点的亮度不变；4) 物体没有被遮挡。在这种假设条件下，图像中灰度模式的运动将直接由物体表面相应点的运动确定，由此可以导出瞬时速度场(光流场)，然后根据光流场进行运动的检测。Horn 等指出光流计算存在病态解问题，必须引入附加条件才能确定光流的唯一解；Bimbo 等提出了两种计算光流场的新方法，并和其他光流场计算方法进行了比较。光流法的理论和算法存在以下几方面的问题：约束方程只有在梯度很大的点
17、上才严格成立；计算的不稳定性；运算量大；难以实时实现等。上述问题限制了光流法的理论和算法的应用。2.2.3 基于求差法的方法求差法是利用当前图像帧的值和参考图像的值按像素点的方式进行相减来完成对运动目标的检测。图像的值可以采用像素点的灰度值或梯度值。相减的结果反映了当前帧图像和参考图像不同的像素点，包括运动目标和噪声。按采用的参考图像不同，求差法可分为帧差法和背景差法。帧差法的参考图像是当前帧的前一帧，或前几帧的结合；而背景差法采用的参考图像是当前场景的一个参考背景图像，帧差法：帧差法需要存储前一帧图像，然后用实时提取的后一帧与前一帧对应像素点做差，或者是间隔几帧之间对应像素点做差。做差之后会
18、形成一个差值图像，有些是因为光照不均匀而形成的噪声，有些是目标的位置，所以需要对差值图像进行阈值处理，将噪声去除掉，挑选出目标，也即标定目标的位置。如果某点的像素值小于设定的阈值，则说明该点像素变化不大，所以将其归背景，否则就是目标像素。背景差法：背景相减法的原理是首先提取背景图像，然后用当前图像与背景图像作差，即可得到目标的大致区域，然后对得到的差分结果图像进行二值化和形态学处理。就现在的研究现状来看，背景提取比较典型的建模方法有平均法、中值法、运动平均法、高斯背景模型、混合高斯模型等。 平均法就是取一定的视频帧数 N ，将这些视频图像进行累加，最后用累加的视频图像除以 N 取平均即可得到背
19、景图像。平均法计算简单，数据量小，但是如果 N 太小则会把目标叠加到背景上。中值法是对一段时间内的视频图像的各个像素点进行排序，然后选取中值作为该点的背景像素值，中值法需要先存储n帧图像，计算机内存消耗较大。运动平均法是先提取一幅视频图像，然后将后续的图像逐渐叠加到这幅图像上一次来实现背景的提取，其实也就是背景的更新。高斯分布是一种最常见的概率分布模型，自然科学中很多随机变量都服从高斯分布，因此在数据量较大的图像处理领域经常用它来描述例如噪声，像素灰度等变量。高斯背景模型更新就是对高斯分布均值和方差这两个参数的更新。高斯背景模型对每个背景点上的颜色分布相对不是很分散的场合即简单的图像建模效果较
20、好，而且随着光照、目标的运动和改变等都将影响目标检测的效果。总的来说，DBT算法思路简单而直接，计算量少，实时性能较好，检测效果对于前阶段图像预处理效果的依赖性较强，适合于处理信噪比较高（3）场合下的目标检测问题；而TBD算法理论上较为完善，更适于处理低信噪比条件下弱小目标的检测问题，但由于需先对目标的运动轨迹进行跟踪，所以算法的实时性将受到影响。2.3 混合高斯模型原理及实现：混合高斯模型就是用多个(一般为3到5个)高斯概率密度函数(正态分布曲线)精确地量化事物，将一个事物分解为若干的基于高斯概率密度函数(正态分布曲线)形成的模型。混合高斯模型使用K(基本为3到5个)个高斯模型来表征图像中各
21、个像素点的特征。各个像素点在t时刻的概率值为各像素值在每个高斯分布中产生的概率的加权和，即 (2.17) 其中，为第个高斯分布的权重，为所用高斯分布的个数，是均值为，标准差为的高斯概率密度函数。当前像素点属于背景的概率为，如下式表示： (2.18)根据概率统计知识可以推出像素值在第个高斯分布中的概率： (2.19)因此上式可以表示为如下形式： (2.20)上式中的表示第个高斯分布代表背景的概率，可用下式表示： (2.21)其中值根据实际情况设定。混合高斯模型在程序中的具体实现过程如下：由于一幅彩色图像有三个通道构成，因此，先将每个通道提取出来，得到由三个分量各自组成的三幅灰度图像，然后对三幅图
22、像分别用如下方法进行更新。首先初始化个高斯模型，在新一帧图像获得后更新混合高斯模型。通过判断新一帧图像的每个像素点与前一帧图像每个像素点的差值是否小于倍标准差(其中为人为设定的阈值，一般设定为2.5)。如果小于则判定为符合分布，反之则不符合。如果至少有一个高斯分布符合分布则按照如下方法对高斯分布进行更新：1、对符合的高斯分布按下式更新权重，均值和方差权重更新公式： (2.22) 表示当前帧，表示前一帧, 表示更新速度；均值更新公式： (2.23)表示当前帧的像素值；方差更新公式： (2.24)2、对不符合的高斯分布分布值按下式更新权重，方差和均值保持不变，仅对权重进行更新： (2.25)如果没
23、有一个高斯分布符合当前像素点，则找出权重最小的高斯分布，将该分布的权重赋予一个较小值，均值用当前像素点的值代替，方差赋予一个较大值。在三幅图像更新完以后，再将三幅图像重新合成一幅彩色图像，就得到了彩色图像的背景更新图。背景更新以后根据概率公式可以得到一幅二值图像，二值图像描述的是将背景去掉，只剩下运动目标的图像。其实现过程如下：先根据概率公式分别计算三个分量的像素值在更新后的高斯分布中的概率加权和，得到三个概率值，将三个概率值相加再除以3得到一个概率值。根据背景更新算法，如果像素值代表运动目标，那么概率值很小，反之概率值较大。那么可以判断这个概率值是否大于阈值，如果大于，则说明是背景图像，反之
24、，则是运动目标。2.4 红外目标跟踪 在红外跟踪系统中，波门(又称电子窗口)作为视频信号处理的一种手段，在国内外已得到广泛应用。波门实际上是跟踪系统真正的处理窗口，它小于视场，但大于目标，可在视场内搜索并一直套住目标。由于目标在运动过程中距摄像机的距离时刻变化，目标的大小也随之变化，所以波门的大小必须随之自适应地同步变化，以保证在满足精度的前提下尽量减少计算量，同时增强系统的抗干扰能力。2.4.1 边缘跟踪算法边缘跟踪是最简单的算法之一，且适应于固定波门亮度的跟踪器。选择目标边缘点(上、下、左、右)作为跟踪点，使波门套住此点，以抑制背景或目标的其余部分。这种算法主要是利用目标与背景交界处亮度有
25、明显变化，用微分方法即可得到目标位置信息。这种跟踪算法适合于大型目标的跟踪。由于仅采用单一的数据点用来定位，很容易受任何随机噪声的干扰，所以精度较低。2.4.2优化的双边缘跟踪算法： 边缘跟踪经过适当延伸就成了双边缘跟踪，即目标位置为两个边缘中心： (2.26) (2.27)式中x1、x2、y1、y2分别为目标左、右、上、下各边缘值。它比边缘跟踪精度高，适合跟踪比较对称的目标或点源目标。2.4.3 形心跟踪算法 形心跟踪中，目标位置的确定可以通过质心或强度中心来确定。对于一个均匀的二维目标可用质心跟踪算法，对于目标发光不均匀的目标可用亮度中心跟踪算法。在跟踪窗内目标形心估值： (2.28) (
26、2.29)其中，是分割后二值图像，TG是目标区域所有像素点集合。形心算法的计算简单，计算量较小，在短时间内就可以完成计算，输出目标的位置，其实现的稳定性与精度主要取决于分割阈值的确定情况。如果目标辐射空间分布是一个抛物面，并且如果噪声是可叠加的白色高斯噪声，那么，实际上形心算法是最佳算法。三 图像增强技术图像增强的首要目标是处理图像，使之比原始图像更适合于特定的应用，图像增强的主要目的有两个：一是改善图像的视觉效果，提高图像成分的清晰度；二是使图像变得更利于计算机的处理。获取和传输图像的过程往往会发生图像失真，所得到的图像和原始图像有某种程度的差别。这种差异如果太大，就会影响人和机器对图像的理
27、解。在许多情况下，人们不清楚引起图像降质的具体物理过程及其数学模型，但却能根据经验估计出使图像降质的一些可能原因，针对这些原因采取简便有效的方法，改善图像质量。对于一个图像处理系统来说，可以将处理分为三个阶段，在获取原始图像后，首先是图像预处理阶段，第二是特征抽取阶段，第三是识别分析阶段。图像预处理阶段尤为重要。图像增强是图像预处理中的重要方法。图像增强理论（方法）目前尚无统一的权威性的定义，因为还没有衡量图像增强质量的通用标准。从增强处理的作用域出发，图像增强可分为空间域法和频率域法两大类。空间域处理时直接面对图像灰度级作计算；频率域处理是在图像的某种变换域内，对图像的变换系数值进行运算，即
28、作某种修正，然后通过逆变换获得增强图像，这是一种间接增强的方法。图像增强的概况如下图3.1所示：图3.1 图像增强方法概况3.1 点运算3.1.1 灰度级校正灰度级校正就是在图像采集系统中对对图像像素做修正，是整幅图像成像均匀。假设理想的输入系统的输出图像为F(j,k)，实际获得的是降质图像图像为G(j,k)，有G(j,k)=E(j,k)*F(j,k)，E(j,k)为降质函数或观测系统的灰度失真系数。为了估计E(j,k)，一般采用一个标准来标定系统的失真系数，即已知衣服图像的灰度级为均匀常熟C，而实际系统的输出为GC(j,k)，有GC(j,k)=E(i j,k)*C，从而得到降质函数E(i,j
29、)= GC(j,k)/C，由此可以得到E(j,k)=C*G(j,k)/GC(j,k)。灰度级校正的实例如下： a 原始图像 b 灰度级校正之后的推向3.1.2 灰度变换也即对比度增强。对比度增强是图像增强技术中一种比较简单但又十分重要的方法。这种方法是按一定的规则修改输入图像每一个像素的灰度，从而改变图像灰度的动态范围。它可以使灰度动态范围扩展，也可以使其压缩，或者是对灰度进行分段处理，根据图像特点和要求在某段区间中进行压缩而在另外区间中进行扩展。全域线性变换在曝光不足或过渡的情况下，图像灰度可能会局限在一个很小的范围内。这时在显示器上看到的将是一个模糊不清、似乎没有灰度层次的图像。用一个线性
30、单值函数，对帧内的每一个像素作线性扩展，将有效地改善图像视觉效果。令原图像F(j,k)的灰度范围为a,b，线性变换后图像F(j,k)的范围为a,b，如图3.2所示 。F(j,k) 与F(j,k)之间存在以下关系： (3.1)a,b可从直方图上获得，由于|a-b|总是大于|a-b|，所以对离散图像来说，尽管变换前后像素个数不变，但不同像素之间的灰度差变大，对比度加大，图像观看质量必然优于变换前。图3.2 全域线性变换示意图全域线性变换实例如下： a 原始图像 b 全域线性变换后的图像对于连续图像，如果背景与目标物的灰度之差很小，在a,b区间内量化时可能进入同一灰度级内而不能分辨。如果线性变换时使
31、则量化时F(j,k)在a,b区间内就可取2n个以上不同的灰度值（n是F(j,k)在a,b区间内所取的灰度级个数），人的眼睛原本不能检测的目标用增强手段就可突现出来.另一种情况，图像中大部分像素的灰度级在a,b范围内，少部分像素分布在小于 a和大于b的区间内。此时可用下式变换：应该清醒认识到，这种两端“截取式”的变换使小于灰度级a和大于灰度级b的像素强行压缩为a和b，将会造成一小部分信息丢失。不过有时为了某种应用，作这种“牺牲”是值得的。如利用遥感资料分析降水时，在预处理中去掉非气象信息，既可减少运算量，又可提高分析精度。如图3.3所示。图3.3 截取式线性变换示意图截取式线性变换的实例如下所示
32、：a 原始图像 b 截取式线性变换后的图像分段线性变换将图像灰度区间分成两段乃至多段分别作线性变换称之为分段线性变换。图3.4为分三段作线性变换的示意图:图3.4 分段线性变换示意图分段线性变换的优点是可以根据用户的需要。拉伸特征物质的灰度细节，相对抑制不感兴趣的灰度级。分段线性变换遵循以下原则：如果|a-c|a-c|，|c-d|=|c-d|，|d-b|d-b|，则是扩展第一区间a,c，维持第二区间c,d，压缩第三区间d,b,得到所需图像。 a 原始图像 b 分段线性变换后的图像3.1.3直方图修正 直方图是用来表达一帧图像灰度级分布情况的统计图表。直方图的横坐标是灰度，一般用r表示。纵坐标视
33、图像类型而定，对数字图像，它是灰度值为ri的像素个数或出现这个灰度值的概率Pr(ri)。式3.4中，k为一帧图像对应的灰度级数。密度函数Pr(r)或直方图Pr(ri)，虽然不能直接反映出图像内容，但对它进行分析可以得出图像的一些有用特征，这些特征能反映出图像的特点，例如，当图像对比度较小时，它的灰度直方图只在灰度轴上较小的一段区间上非零，较暗的图像由于较多的像素灰度值低，因此它的直方图的主体出现在低值灰度区间上，其在高值灰度区间上的幅度较小或为零，而较亮的图像情况正好相反。看起来清晰柔和的图像，它的直方图灰度分布比较均匀。通常一幅均匀量化的自然图像的灰度直方图在低灰度值灰度区间上频率较大，这样
34、的图像较暗区域中的细节常常看不清楚。为使图像变清晰，通常可以通过变换使图像的灰度动态范围变大，并且让灰度频率较小的灰度级经变换后，其频率变得大一些，使变换后的图像灰度直方图在较大的动态范围内趋于均化。事实证明，通过图像直方图修改进行图像增强是一种有效的方法。直方图均衡化对应离散图像，第i个灰度级ri出现的频数用ni表示，该灰度级像素对应的概率值Pr(ri)为：，至此，可写出离散图像的变换函数表达式：，k为一帧图像对应的灰度级数。T(ri)为变换函数，Si为均衡化后图像在i处的灰度。相应的反变换为：。从理论上说，直方图均衡化就是通过变换函数将原图的直方图调整为平坦的直方图，然后用此均衡直方图校正
35、图像。而实际上直方图均衡化修正后的图像直方图并不是十分均衡的，这是因为在操作过程中原直方图上频数较小的某些灰度级要并入一个或几个灰度级中。下图3.5为直方图均衡化的一个例子：图3.5 直方图均衡化示例直方图规定化直方图均衡化校正不具备交互作用的特性，直方图规定化校正在运用均衡化原理的基础上，提供了根据给定直方图做图像增强的手段。令分别为原始图像和期望图像的灰度概率密度函数。如果对原始图像和期望图像均作直方图均衡化处理，应有： (3.5) (3.6) (3.8)由于都是进行均衡化处理，所以处理后的原始图像概率密度函数PS(S)以及理想图像的概率密度函数PV(V)是相等的。于是，我们可以利用变换后
36、的原始图像的灰度级S带地上式中V，即，这里灰度级Z便是所希望的图像的灰度级。对于离散图像而言，有。直方图规定化的实例如下：3.2 空域图像平滑 任何一幅未经处理的原始图像，都存在着一定程度的噪声干扰。噪声恶化了图像质量，使图像模糊，甚至淹没特征，给分析带来困难。消除图像噪声的工作称之为图像平滑或滤波。平滑的目的有两个：改善图像质量和抽出对象特征。 由于噪声源众多（如光栅扫描、底片颗粒、机械元件、信道传输等），噪声种类复杂（如加性噪声、乘性噪声、量化噪声等），所以平滑方法也多种多样。平滑可以在空间域进行，基本方法是求像素灰度的平均值或中值。也可以在频率域进行。如低通滤波技术，为了既平滑噪声又保护
37、图像信号。3.1.1 噪声消除法 由传感器或信道引起的噪声通常呈现孤立离散性分布，它们常常与邻域像素有比较明显的差异。噪声消除法平滑时，顺序检测每一个像素，如果某个像素的幅度大于其邻域像素的平均值，且达到一定水平，则判定该像素为噪声，继而用邻域像素均值取代这一像素。可见噪声法平滑的关键是准确判断噪声像素。我们取一个NN的窗口（N3，5，7），令窗口中心像素的灰度为 Z, 窗口内其它像素的灰度值为Zi，Z与Zi之差的绝对值为Di。再定义一个统计变量CNT和门限值T。将(N2-1)个Di逐个与T作比较，如果大于等于T，则给计数器CNT加1（CNT初始值为零）。处理完毕，若计数器CNT的值大于约定值
38、Y，就认为该像素为噪声，继而输出窗口均值，否则原值输出。将窗口顺序移过全帧，即可完成噪声消除平滑。噪声消除法简单易行，对单点噪声有较好的效果。需要注意的是，在操作中对门限T的选择要慎重，T太大，噪声消除不干净；T太小易使图像模糊。噪声消除法实例如下：a 原始图像 b 分噪声消除后的图像3.2.2 邻域平均法令被讨论像素的灰度值为F(j,k)，以其为中心，窗口像素组成的点集以A表示，集内像素数以L表示。经邻域平均法滤波后，像素F(j,k)对应的输出为：即用窗口像素的平均值取代F(j,k)原来的灰度值。邻域平均法平滑时，邻域的选取通常有两种方式：以单位距离为半径或单位距离的倍为半径。以33窗口为例
39、，如图3.6(a)为单位距离为半径时，其邻域为：。称为4点邻域，L=4。如图3.6(b)为单位距离的倍为半径时，其邻域为：称为8点邻域，L=8。A 4点邻域 b 8点邻域图3.6 (j,k) 点的两种邻域邻域平均法有力地抑制了噪声，同时，也出现了因平均作用而引起的模糊现象，模糊程度与邻域半径成正比。为了尽可能减小模糊失真，有人提出了“超限邻域平均法”，公式如下：就是说当F(j,k)大于邻域平均值一定值后，作噪声处理，否则不变。邻域平均法实例如下：a 原始图像 b 领域平均法后的图像3.2.3 中值滤波中值滤波是一种对干扰脉冲和点状噪声有良好抑制作用，而对图像边缘能较好保持的非线性图像增强技术。
40、在一维形式下，中值滤波器是一个含有奇数个像素的滑动窗口，经排序后，窗口像素序列为，v=(L-1)/2，L为窗口长度，Fi即为窗口像素的中值滤波输出。记作：，表示取窗口中值。如一窗口长度为5，像素灰度分别为，则。若灰度级为30的像素为椒盐噪声（表现为黑图像上的白点，白图像上的黑点），在经过中值滤波后即被消除。 一维中值滤波的概念很容易推广到二维。这时取某种形式的二维窗口，将窗口内像素排序，生成单调二维数据序列。类似于一维，二维中值滤波输出G(j,k)为。一般来说，二维中值滤波器比一维滤波器更能抑制噪声。二维中值滤波器的窗口形状可以有多种，如线状、方形、十字形、圆形、菱形等。不同形状的窗口产生不同
41、的滤波效果，使用中必须根据图像的内容和不同的要求加以选择。从以往的经验看，方形或圆形窗口适宜于外廓线较长的物体图像，而十字形窗口优选于有尖顶角物体的图像。使用中值滤波器滤除噪声的方法有多种，且十分灵活。一种方法是：先使用小尺度窗口，后逐渐加大窗口尺寸，直到中值滤波器的坏处多于好处为止。另一种方法是：一维滤波器和二维滤波器交替使用。此外还有叠代操作，就是对输入图像重复进行同样的中值滤波，直到输出不再有变化为止。中值滤波实例如下：a 原始图像 b 中值滤波后的图像3.2.4 梯度倒数加权梯度倒数加权法平滑产生起源于这样的考虑：一帧离散图像中，相邻区域的变化大于区域内部的变化，在同一区域中，中间像素
42、的变化小于边缘像素的变化。梯度值正比于邻近像素灰度级差值，即在图像变化缓慢区域，梯度值小，反之则大。现在取梯度倒数，该倒数之大小正好与梯度相反，以梯度倒数作权重因子，则区域内部的邻点权重就大于边缘旁或区域外的邻点。也就是说，这种平滑其贡献主要来自区域内部的像素，平滑后图像边缘和细节不会受到明显损害。梯度倒数加权平滑的第一步是建立归一化的权重矩阵W作为平滑的掩模。对33窗口，其组成为：这里规定，其余8个加权系数为。定义除W(j,k)外的其它权重矩阵元素为。式中m，n分别为-1，0，1。m，n不能同时为零。在此基础上，用窗口像素分别与相应位置上的权重因子相乘，积之和就是F(j,k)的平滑输出G(j
43、,k)。例如：有一个窗口，其像素集为（按行顺序展开）。根据上面公式计算得到：G(j,k)=0.0423+0.0635+0.1267+0.0423+0.5009+0.0514+0.0514+0.0423+0.0836=7。梯度倒数加权的实例如下：a 原始图像 b 梯度倒数加权后的图像3.3 空间域图像锐化锐化的目的是增强图像边缘，使人看起来惬意，以及便于对目标的识别和处理。图像锐化有多种方法，如针对平均或积分运算使图像模糊，可逆其道而采取微分运算；使用高通滤波器优化高频分量，抑制低频分量，提高图像边界清晰度等。3.3.1 梯度法梯度是图像处理中最常用的一次微分方法。对图像函数F(j,k)，其在点(j,k)上的梯度定义为矢量：，GF(j,k)的幅度：，其中GF(j,k)叫做梯度。对离散图像而言，可用差分近似表示地图，一种常用的近似关系式是：为了
