红外图像增强算法研究

《红外图像增强算法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

编号本科生毕业设计红外图像增强算法研究Infraredimageenhancementalgorithm学生姓名专业学号指导教师学院二〇一三年六月 长春理工大学本科毕业设计毕业设计（论文）原创承诺书1．本人承诺：所呈交的毕业设计（论文）《红外图像增强算法研究》，是认真学习理解学校的《长春理工大学本科毕业设计（论文）工作条例》后，在教师的指导下，保质保量独立地完成了任务书中规定的内容，不弄虚作假，不抄袭别人的工作内容。2．本人在毕业设计（论文）中引用他人的观点和研究成果，均在文中加以注释或以参考文献形式列出，对本文的研究工作做出重要贡献的个人和集体均已在文中注明。3．在毕业设计（论文）中对侵犯任何方面知识产权的行为，由本人承担相应的法律责任。4．本人完全了解学校关于保存、使用毕业设计（论文）的规定，即：按照学校要求提交论文和相关材料的印刷本和电子版本；同意学校保留毕业设计（论文）的复印件和电子版本，允许被查阅和借阅；学校可以采用影印、缩印或其他复制手段保存毕业设计（论文），可以公布其中的全部或部分内容。以上承诺的法律结果将完全由本人承担！作者签名：年月日 长春理工大学本科毕业设计摘要随着现代红外技术的快速发展，红外热成像系统被广泛应用于军事，民用领域。由于红外成像机理，导致了红外图像具有高背景!低对比度!灰度范围窄!信噪比较低的特点。这些问题严重影响红外图像的成像质量，使得目标不易辨认，成像效果不理想。为了提高红外图像的质量，需要对获得的红外图像进行必要的增强处理，使其更适于人眼观察。因此，对红外图像进行增强去噪处理是红外图像处理技术中的一个极为重要的环节。本文以红外图像的特征及经典增强方法为理论基础根据实时处理要求和自适应原理，提出了基于平台直方图的自适应红外图像增强算法;为了突出目标细节，提出了一种非线性拉伸自适应增强算法；本文提出的改进方法简单易行，运算量小，易于实时处理，对于某些图像取得了比现有增强方法更好的效果。关键词：红外图像图像增强平滑锐化37 长春理工大学本科毕业设计AbstractWiththerapiddevelopmentofmoderninfraredtechnology,infraredthermalimagingsystemsarewidelyusedinmilitaryandcivilianfields.Becauseinfraredimagingmechanism,resultinginahighbackgroundofinfraredimages!Lowcontrast!Grayscalerangenarrow!LowSNRcharacteristics.Theseproblemsseriouslyaffecttheimagequalityoftheinfraredimage,sothatthetargetisnoteasytoidentify,imagingresultsarenotsatisfactory.Inordertoimprovethequalityoftheinfraredimage,theneedforaccesstotheinfraredimageenhancementprocessingnecessarytomakeitmoresuitabletothehumaneye.Therefore,theinfraredimageenhancementanddenoisingprocessingisaninfraredimageprocessingtechnologyinaveryimportantpart.Inthispaper,thecharacteristicsandclassicinfraredimageenhancementmethodbasedonthetheorybasedonreal-timeprocessingrequirementsandadaptiveprinciple,aplatform-basedadaptivehistograminfraredimageenhancementalgorithm;objectivesinordertohighlightthedetails,weproposeanon-linearstretchingadaptiveenhancementalgorithm;thesimulationresultsshowthattheimprovedmethodproposedinthispaperissimple,lesscalculationandeasyreal-timeprocessing,forsomeimageenhancementmethodachievedbetterthantheexistingresults.Keywords:infraredimage;imageenhancement;smooth;sharpening37 长春理工大学本科毕业设计目录摘要IAbstractII第一章绪论11.1红外成像技术及其发展概况11.2课题的研究意义11.3红外图像增强算法的研究现状及发展趋势2第2章红外图像的产生机理及统计特征分析32.1红外图像的产生机理及特点32.1.1红外热成像系统简介32.1.2红外图像及其特点42.2红外图像的噪声分析52.3红外图像中的非均匀性分析72.4数字图像的数学表示72.5红外数字图像的对比度和空间分辨率92.6红外图像直方图92.6.1直方图的概念9第3章红外图像增强算法研究113.1红外图像增强算法基本分类113.2红外图像增强的基本算法113.2.1灰度变换113.3直方图均衡化123.3.1直方图均衡原理123.3.2直方图均衡算法133.3.3直方图均衡的特点153.3.4实验仿真及分析153.3.5直方图灰度等间距均衡处理163.4图像的平滑降噪处理173.5频域滤波增强183.5.1频域低通滤波193.5.2频域高通滤波193.6图像锐化203.7其它常用的红外图像增强处理算法213.8红外图像增强基本算法分析2137 长春理工大学本科毕业设计第4章一种自适应红外图像增强算法研究244.1分段线性变换244.2自适应双阈值增强算法254.2.1下限阈值的确定264.2.2上限阈值的确定274.3对图像增强算法的定量评估284.4实验结果及分析29第5章结论与展望325.1结论325.2展望32参考文献34致谢3637 长春理工大学本科毕业设计第一章绪论1.1红外成像技术及其发展概况红外图像是红外成像技术的产物。红外成像系统中，首先，景物的红外辐射通过光学系统，由红外探测器把这种辐射能转变为电信号，该信号大小与辐射强弱成正比；然后，经过电子技术处理，将这种红外辐射的电信号显示在显示器上，实现电光转换，得到了图像[1]。图1-1是红外图像形成框图图1-1红外图像形成框近年来，图像增强的新方法层出不穷，但归纳起来，呈现出以下的特点和趋势：(l)多种数学工具，诸如人工神经网络，小波理论和遗传算法，以及模糊理论!数学形态学等的加入，使得新的方法不断涌现，人们将这些新型理论工具应用到图像增强中，确实起到了改善增强效果!扩展适用范围以及提高运算速度等作用。(2)多特征的利用和多方法的融合，为了使图像增强方法取得更好的效果，不能仅仅局限于单一特征的分析，而是综合利用整体信息和局部信息，融合多种方法的优势进行。总之，在增强算法中，如何更加有效地利用像素周围的邻域信息及提高运算速度就成为研究的一个难点，还有如何较好解决增强边缘与抑制噪声这一对矛盾，以及如何利用人类的视觉特性来抑制噪声，提高增强图像的视觉效果也有待进一步的探讨[2]。1.2课题的研究意义红外成像技术是红外技术与成像技术相互融合的产物。红外成像系统在军用和民用领域中得到了广泛的应用，但由于器件灵敏度和响应速度等影响，图像质量不好，这使得人们必须得想办法改善红外图像。为了得到较满意的红外图像，人们可以从两个方面入手进行研究，一、在红外图像生成之前，改善系统硬件设备；二、在红外图像生成后，再对图像进行增强处理[3]。37 长春理工大学本科毕业设计由于各种探测器和成像器件等设备在工艺比较苛刻，对硬件进行改进不仅复杂而且成本比较大。所以目前绝大多数的红外成像设备还不具备实时图像处理的功能，然而在软件上的改进则具有很大的灵活性，一般情况下大多还是采取对图像进行增强处理的方法[4]。近几年，红外技术运用在国民生产生活中已经很普遍，基于市场的需求，中低档红外成像设备必须有相应的图像处理软件做支撑，因此研究和设计图像增强算法就势在必行。增强处理是图像处理中的重要组成部分，在改善图像质量方面有着重要的作用。尤其对红外图像这种背景复杂、对比度低的图像，运用图像增强方法是改善其图像质量的主要手段，图像增强处理不会对图像的相关信息进行增加，但会扩充整个图像的动态范围，使对目标的识别和检测更方便。因此本文主要对红外图像的增强算法进行研究[5]。1.3红外图像增强算法的研究现状及发展趋势传统的红外图像对比度增强方法主要有直方图均衡法、去冗余均衡法、灰度变换法等。这些算法普遍具有便于计算机的编程操作、概念清晰、原理简单以及利用数学方式能快速简单处理等特点，同时这些传统的增强方法由于自身的不完善性，使得它们存在着一些难以克服的缺陷，如图像的对比度增强效果往往受限于一定的红外场景，达不到自适应的调整效果等等；总之传统红外图像的对比度增强方法有以下不足之处：1．目标所处的场景决定了红外图像对比度的增强效果，而且红外图像的自适应调整效果一般很差。2．在处理红外图像过程中有较多的冗余灰度级，这些冗余的灰度级使图像的对比度降低很多。因此，必须寻找新的红外图像增强算法的处理理念和新方法，并最终能达到去除红外图像的噪声或最大程度的降低噪声，从而使处理后的红外图像中的目标信息更加清晰和完整[6]。红外成像增强技术近年来发展迅速，但它仍是一个远未成熟的领域，其理论基础还非常薄弱，如今大多数红外图像增强算法还是经验性的。一般情况下，普通图像或电视图像的增强方法也可以应用于对红外图像的增强处理。并不是所有的增强算法都适用于所有的红外图像，是要针对红外图像具体信息的需求选择适用的增强算法对图像进行增强处理。红外图像增强处理后的效果如何，到目前为止仍没有一个客观、统一和公认的评判依据，而且目前的众多红外图像增强算法都有很强的针对性没有普遍的适用性，所以红外图像的最终的增强效果是依据个人的主观判断而评判。所以，对于目前的众多的红外图像增强算法，如何公正合理地评价红外图像增强系统以及在算法的稳健性、图像对比度和运算复杂度之间达到一个平衡等问题还有待于进一步研究；如何在对图像做增强处理时提高系统的运算速度和最大程度的利用像素附近的邻域信息仍是研究人员急需解决的问题；如何在对红外图像做增强处理时达到图像边缘的增强和噪声的抑制的统一和发挥机器的视觉特性降低噪声或去除噪声，是今后研究人员的研究重点和方向。37 长春理工大学本科毕业设计第2章红外图像的产生机理及统计特征分析2.1红外图像的产生机理及特点2.1.1红外热成像系统简介热成像系统可将物体自然发射的红外辐射转化为可见的热图像，因为不同物体或同一物体的不同部位具有不同的红外辐射特性(比如温度和发射率)，所以系统可直观地显示其差异而将其分开来，转换为可见图像，从而使人眼的视觉感知范围扩展到裸眼看不到的红外辐射光谱区支撑红外成像技术的理论与技术基础包括红外物理学!光电子学!现代信息处理技术。材料科学，精密光学机械和特种红外工艺等。红外热成像系统本质上是一个光学一电子系统，可用于接受波长在0.75一1000um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为电信号，并将电信号的大小用灰度等级的形式表示，以便在显示器上显示红外成像技术正经历从低性价比的光机扫描成像系统到高性价比的焦平面阵列成像系统的转变"红外焦平面阵列成像技术是近三十年才发展起来的，它是集红外材料，光学技术!致冷技术和微电子技术于一体的高科技综合技术。[7]几十年来，西方发达国家投巨资对其进行研制，于八九十年代相继推出高性能的致冷型和非致冷型红外焦平面阵列成像设备，并将其应用于海湾战争和科索沃战争，使之取得了战争的主动权。至今，西方发达国家仍把红外技术作为国防敏感技术加以控制，所以，加速发展我国自己的红外焦平面阵列技术己成为当务之急。[8]然而，对高技术的需求并非只是军事领域，高技术由军事领域转为民用也属常见红外成像技术己广泛应用于工业和民用诸领域，如红外资源探测!红外热分析!以及包括人体组织在内的各类红外成像和红外故障诊断等等，可以说不胜枚举"可以预见，随着制造成本的进一步降低，其应用领域还会迅速扩大，其广阔的市场前景是无庸质疑的"红外探测器是红外成像的核心部件，对于种类繁多的红外探测器，有着多种不同的分类方法"例如根据器件工作温度，可以分为致冷型探测器和非制冷型(室温)探测器;按照探测器工作的波段可以分为短波(l一3um)中波(3一5um)和长波(8~14um)探测器;根据结构和用途，可以分为单元探测器!多元探测器和成象探测器;按照工作方式可分为光机扫描和电子扫描等;根据探测的工作机理不同，它们又可分为热探测器和光子探测器等。[9]热型探测器的工作原理是:热辐射照射探测器灵敏面上，使其温度升高，并导致探测器某些物理性质的变化，测量这些物理量便可以确定入射辐射功率的大小光子型探测器的工作原理如下:当红外辐射入射到半导体材料上，电子吸收光子能量发生跃迁，引起电阻!电流或电压的变化，测量这些变化，可确定入射辐射功率在热型探测器中，热释电探测器和测微射热计的灵敏度较高，响应时间较快，而且坚固耐用，具有广泛的应用前景"而光子型探测器的灵敏度更高，比热释电器件约高出两个数量级。37 长春理工大学本科毕业设计但光子型红外成像器件需要致冷，截止波长越短，越需要低温致冷"红外探测器件通常是以探测器单元数目作为发展水平的标志。伴随着材料和制造工艺的发展，致冷型红外成像系统的发展可以分为三代:第一代是建立在单元或者多元致冷探测器基础上的，系统采用传统的光机扫描;第二代系统采用多元焦平面阵列器件，这种系统中，元件数可达1000，可以与现代电视系统相比拟，但其探测器阵列的元数少于电视录像的元数()，因此第二代热成像系统中还应用某种光机扫描部件;第三代热成像系统中，焦平面的元数足够多，可以覆盖整个视场，无光机扫描，目前，大规模(512x512像素)红外焦平面阵列(InfraredFocalPlaneArrays，简称IRFPA队)是当今最先进的一类红外探测器，也是当今国内外重点发展的红外探测器[10]。如图2-1所示为一个典型的红外热成像系统的原理示意图。图2-1红外成像系统工作原理图红外热成像系统中制冷器的使用是为了保证红外探测器有效地工作，降低热噪声，延长工作波段，屏蔽背景噪声，降低前置放大器噪声"它主要有两个方面的技术功能:第一，制冷可保证探测器功能正常，或增加探测器的灵敏度;第二，低温制冷可以减少来自光学系统本身带来的热噪声由于探测器在红外热成像系统中所占的空间很小，因此制冷器的体积一般较小，力求微型化在红外热成像系统中，探测器输出的电信号非常微弱，一般仅为微伏量级，它只有被充分放大和各种处理后才能记录下来"因此，信号放大与处理电路是红外热成像系统的重要组成部分信号处理电路是从探测器接收到低电平信号，通过放大，限制带宽，分离信息，再送到终端的控制装置或显示器。通常，红外热成像系统要采用隔直流(或交流祸合)电路，将探测器输出电信号祸合到放大电路中去"红外信号经电子线路处理后，需送入显示器进行显示"显示器提供的可视信号能被观测人员观察，使整个系统与观察者联系起来[11]。2.1.2红外图像及其特点37 长春理工大学本科毕业设计红外图像反映的主要是场景中目标与背景自身向外界发射红外辐射能量之间的差异，故红外图像描述的主要是目标与背景的热辐射。红外热像仪与可见光的成像器件不同，红外成像器件存在光敏响应非均匀性的特点，尤其是个别光敏元还存在是哑元的可能，因此红外热成像系统不能被简单的认为是一个线性空间不变的系统。所以，红外热成像系统获得的红外图像是由真实场景图像和多种复杂噪声以及成像干扰组成的一个集合体。通过对红外热像仪系统工作原理的分析以及结合实际红外热成像系统的输出结果，可归纳出红外图像有以下特点：1．目标物和所处背景之间的温度差异和辐射率的不同是通过红外图像中的灰度体现的，因此对于图像中目标物的有用信息的突出显示是通过热成像系统从灰图像中提取。从本质上讲，红外图像就是灰度图像，它是与目标物和所处场景温度分布的一种体现，它不像普通的图像那样具有色彩和阴影，所以相对普通可见光图像，普遍具有分辨率较低的特点。2．大气衰减和随机散射等不利因素在一定程度上严重影响了目标物和所处场景的热的辐射，因此其分辨率较可见光的CDD阵列要低很多，这也决定了红外图像的对比度和清晰度等不如普通可见光图像或电视图像那样图像质量很高。3．红外成像系统的各个组成部分对红外的动作响应并不是严格意义上的同步，且其自身也有一定的缺陷及其它局限性等不利的因素，使最终呈现的红外图像往往有不规则的噪声和畸变等。4．因为在红外成像系统从收集热辐射到最终呈现红外图像的过程中，对图像的处理是以二维数据处理和随机信号分析为基础的，所以这种处理方式具有信息量巨大、计算量和存储量也比较大的特点。欲提高红外图像处理简单实时、快速可靠的性能，就必须首先解决红外图像处理系统的关键技术，也即解决红外图像处理系统实现大容量信息存储以及高速信息处理的问题，这个问题始终是红外图像处理系统的关键性技术。5．在红外图像中，由于大气衰减、光波波长较长、传输距离较远、目标物与所处场景的热平衡等不利因素的影响使红外图像中的像素之间具有很强的空间相关性；此外由于其灰度均值保持相对比较稳定，方差变化较小，几乎无纹理信息，图像边缘平滑，造成图像视觉模糊红外图像视觉上的不清晰。6．那些外界的随机干扰和热成像系统自身的局限和不足等不利因素是不可避免，这些不利因素使最终的红外图像中出现较多的不规律噪声，而且这些噪声体现出不可预测性和分布复杂性。其中主要包括热噪声、散粒噪声、光子和电子涨落噪声等。然而红外热成像系统中对目标的增强、识别、跟踪和检测等处理恰恰就是在这种充满各种噪声的复杂背景环境中完成的，因此红外图像的信噪比普遍比普通的电视图像低[12]。2.2红外图像的噪声分析37 长春理工大学本科毕业设计前面阐述了红外热像仪的工作原理和特点等，下面将对热成像系统在形成红外图像的整个过程中带来的一些噪声作简单的分析。噪声是图像降质的主要因素，图像噪声可以理解为那些不确定的各种影响我们视觉感官或妨碍热成像系统对图像信源等信息进行各种处理的因素总称。通常我们认为噪声是不可以预测的，它对图像信号的相位和幅度的影响非常复杂，通常用概率统计学的方法去理解和认识。有些噪声和图像信号之间相互关联的，从而增加了图像去噪的困难程度；有些噪声是互相独立且无关联性的，这类噪声就可以比较容易地从图像信号中进行去噪处理；还有一些情况，噪声本身之间就有很大的相关性。通前面对红外热像仪成像原理的分析介绍知道，产生图像噪声的因素多种多样，无论是系统内部物理量的随机变换还是外界环境的随机影响都是可能产生噪声的原因，因此图像的噪声不但复杂而且不可预测。目前普遍利用三维噪声模型对热成像系统的噪声特性进行分析和研究。红外热成像系统对一个目标所处背景均匀恒定的目标采集几组连续的数字化图像，这些数字化的图像就是三维噪声分析的数据。式(2-2)就是三维噪声分析的随机模型：(2-2)其中，式中的固定行噪声分别表示如下：1.U(t,v,h)表示在对三维噪声分析时总的实验数据，其是有关时间，竖立方向和水平方向三个变量的函数。2.S表示所有数据点的总体平均值。3.NVH(v,h)代表其是以竖向和水平方向两个方向的零点平均值为自变量而与时间无关的一个函数，与其对应的是空间二维固定图形。4．Nv(v)其是一个以竖向方向上的零点平均值为自变量的函数，与水平方向上的零点平均值没有关系，且其不随时间的变换而变换。通常情况下，我们把看作是对数据Nv(v)在各行之间固定不变的非均匀性的描述。Nv(v)在热成像过程中的不适当的电平校正或通信之间的增益等是Nv(v)噪声形成的主要因素。5．NH(h)表示固定列噪声，是固定列噪声，其是一个仅以水平方向上的零点平均值为自变量的函数。一般来讲，其值代表了时间上的变化和水平方向上列与列之间数据平均值的变化，而在垂直方向上无响应。6.NT(t)表示帧间噪声，其是一个仅与时间有关的函数，其意义是对帧间平均值变化的描述。7.NTV(t,v)表示时间行噪声，它在水平方向无响应，主要描述了时间上的变化和垂直方向零点平均值的随机变化。8.NTH(t,h)表示时间列噪声，其本质就是一个以时间和水平方向上列的零点平均值为自变量的函数，低频噪声和1/f噪声都是NTH(t,h)的来源。9.NTVH(t,v,h)37 长春理工大学本科毕业设计代表时间像素噪声，其本质是一个以时间、竖向零点平均值和水平方向的零点平均值为自变量的函数。这类噪声在开始阶段只与时间有关，当经过热成像系统成像时就会在扫描位置和焦平面的竖向和水平两个方向上有响应。在众多噪声中，电阻热噪声和放大噪声等都是这类噪声。因为外界的干扰和热成像系统自身的局限造成了噪声的复杂性和不可预测性，所以通常情况下，每一种图像滤波算法仅仅适合滤除某一种或某几种噪声，因此，想要完全去除图像中存在的噪声几乎不太可能。目前常用的去除红外图像中噪声的方法可以归纳为如下两种：一种是全局处理方法，在进行红外图像去噪处理前知道统计模型是应用这个方法的一个基本前提，如常见的Wiener和Kalman等方法；另外一种就是局部算子处理法，中值和梯度倒数加权等滤波算法就是较常用的局部算子处理方法的种类[13]。2.3红外图像中的非均匀性分析通常情况下我们一般把图像中的固定图案噪声称为红外图像的非均匀性，其本质是热成像系统中的探测设备各阵列对红外辐射的响应不一致产生的噪声，且这些噪声大大降低了红外图像的质量。红外图像的非均匀性不单单指固定图案的噪声，其还包括那些1/f噪声等众多因素造成的红外图像质量下降等问题。依据红外热成像系统的工作原理和特性，可以将红外热图像的非均匀性特点总结如下：1．热成像系统的工作条件和自身的性能是随着时间的延续而不断变化的，与此相应，红外图像的非均匀性也是随时间而变化的，随着系统工作时间的变长，红外图像的非均匀性加剧就会越严重。这就要求我们要对红外成像系统进行定期或实时校正，只有这样才能保证系统的稳定性和成像的图像质量。2．在很长的一段时间内，红外图像的空间噪声是红外图像非均匀性的主要表现，固定图案的噪声属于低频空间噪声的一种，而且有一些非均匀的探测单元掺杂在里面。3．在对红外热成像系统的非均匀性校正时，改善了系统的稳定性和非均匀性但同时不可避免的产生校正残余。我们把这些校正残余也划归于成像系统自身的空间噪声，校正残余不但与采用的校正方法有关而且与系统的工作环境温度和目标所处背景的辐射特点有很大关系。红外热成像系统的成像效果很大程度上受到非均匀性噪声的影响，特别是作锐化处理时，在锐化的同时也加强了图像的非均匀性，因此这时的图像质量更低，因此对图像的非均匀性校正需要在锐化等操作前完成。由于本文所用红外图像均经非均匀性校正，故本文对图像的非均匀性校正这一问题将不作过多介绍。2.4数字图像的数学表示37 长春理工大学本科毕业设计为了方便对红外图像进行处理，必须将所获得的红外图像转换为计算机可识别和处理的数字图像。这一转换过程可通过专用的数字化处理集成电路芯片进行取样及量化等，其结果将产生一个矩阵用来表示所获取的数字图像。假如对一幅数字图像f(x，y)进行取样，则产生的数字图像将是一个有M行和N列的矩阵。该图像原点的坐标值为(x，y)=(0，0)，沿图像的第一行的下一个坐标值可用(x，y)=(0，1)表示，沿图像的第一列的下一个坐标值用(x，y)=(1，0)来表示，依次类推，直到图像的最后一行最后一列坐标值用(x，y)=(M−1，N−1)来表示，这种表示方法只表明图像的坐标所在位置，而不是代表对其取样的物理坐标真实值。因此，可以用下面的紧凑矩阵形式表示出完整的一幅M×N的数字图像：(2-3)其中，矩阵中每个元素都被称为图像单元（简称像元），或称为图像元素（简称像素）。数字图像所用的坐标约定如图2-2所示。图2-2数字图像所用的坐标约定为了更规范化的表示数字图像，可以用较为正规的数学术语来对取样和量化进行描述。设符号R和Z分别表示实数集和整数集。其中，取样过程可以看作把平面xy分为网格，每一网格的中心坐标为笛卡尔积(用Z2表示)的一对元素，则Z2是所有对(zi,zj)的有序元素集合（其中zi,和zj是整数集Z中的整数）。因此，若(x，y)为Z2中的整数，且f为把灰度级值(灰度级值是实数集R中的一个实数)赋予平面中每个特定坐标(x，y)的函数，那么f(x，37 长春理工大学本科毕业设计y)就表示了一幅数字图像。于是，我们可以通过对这个函数f(x，y)的赋值过程对数字图像量化。需要注意的是，在对图像的数字化过程中，对于M和N的取值以及每个像素离散灰度级别数L要有一个判定。对于其中的M和N，除了其取值必须为正整数外，无其他额外要求。此外，对于灰度级数L的取值，出于处理、存储和取样等硬件设计的考虑，数字图像的灰度级L通常取比较典型的取值，也即2的整数次幂，也即：L=2K(2-4)从上式中也可以看出，当表示一幅图像有2k个灰度级时，通常也可以称该图像为kbit（比特）图像。在对图像进行取样时，取样值是决定了一幅图像的空间分辨率的重要参数。空间分辨率指的是图像中可分辨的最小细节。同理，灰度级分辨率指的是在图像灰度级中可以辨别的最小细节变化。在无需对所涉及像素的空间分辨率进行实际的度量，且没有必要在原始场景中分析图像细节变化等级时，通常将图像大小为M×N，灰度级数为L的数字图像称作为空间分辨率为M×N个像素、灰度分辨率为L级的数字图像。2.5红外数字图像的对比度和空间分辨率1．红外图像的对比度。由前面的内容，我们已经知道红外热成像系统是依据目标物和其所处场景之间的辐射热不同以及辐射率不同的特点进行成像的系统。但是现实中的目标物和所处场景的温度差并不都是非常明显、加上传输距离较远带来的严重衰减以及热成像系统自身的局限等原因造成了最终所成的红外图像普遍具有对比度低等特征。对比度低就是指在红外图像的灰度直方图中红外图像的灰度值大部分都集中在某些相近或相邻的灰度级范围里。2．红外图像的分辨率。一般密集型的红外焦平面阵列的制作工艺比较复杂，且费用比较昂贵，成本较高。因此，目前由于探测器阵列数目的限制和成像系统的探测单元尺寸的局限，致使红外热成像系统的空间采样不能满足采样定律，给所成图像的空间分辨率带来严重影响，一般出现分辨率低甚至出现较严重的混频现象。由傅里叶光学原理可知，光学成像系统可以看作是一个低通道的滤波器，且其传递函数的值域由光学衍射的极限分辨率决定，对于极限分辨率截止频率及其以上的函数值均为零。然而在实际应用中，场景中目标物的空间频率并非单一的而是多种多样的，且其包含的高频信息很丰富，由于光学衍射和热成像系统自身的局限等不利因素的客观存在就造成了红外图像的高频部分信息的丢失而不完整，并最终造成了红外图像在视觉上的不清晰和变形等情况。这就是红外热成像系统最终成像与普通图像相比分辨率普遍较低的原因之一[14]。2.6红外图像直方图2.6.1直方图的概念37 长春理工大学本科毕业设计一般情况下，我们用信噪比、分辨率和灰度像素数等来描述一幅数字图像。若对图像中出现的每一个灰度值都统计出具有该灰度值的总像素数，并且根据该统计绘制出一个灰度值与像素数相对应的图形，那么该图形就被称作该数字图像的灰度直方图，简称为直方图。一般情况下图像的直方图是一种用于描述图像中灰度分布的统计图表，也是任一个灰度级与其出现像素频率之间统计关系的一种反映。红外图像的直方图可以被分为一维灰度直方图和二维灰度直方图。由于一维直方图能够直观简明的表征图像的大概信息，如图像的整体灰度级分布情况和各个灰度级出现的概率等等，因此在对图像处理时，最常用的就是一维直方图，本文后面提到的直方图均是指图像的一维直方图。对于一维直方图来说，可将其作如下定义：对于一幅数字图像f(x,y)来说，如果图像的灰度值分别为r0,r1,r2...RL-1，那么它的概率密度函数P(r1)可被定义为：(2-4)其中，N表示图像f(x,y)的总像素数，n(ri)表示图像中灰度级为ri的像素的总点数，L是图像灰度级数目。由于在图像中ri微离散值，如图2-3：图2-3图像直方图示意图根据前面对直方图的描述及其定义，可以得出一幅图像的直方图主要可以提供以下信息：1．整幅图像的平均明暗程度；2．图像整体对比度的情况；3．在一幅图像中，其像素值的灰度动态范围；4．在整幅图像中，对应于每个灰度级其像素点出现的概率。由于直方图能反映图像中大多数的信息和特征，所以直方图统计在很多图像处理方法中都发挥了极大的作用，在图像的图像明暗调整和动态范围的调整等处理操作中也得到了非常广泛的推广和应用。同时，它还是图像处理中非常有用的分析和评价工具之一，所以在后面的章节中还会经常提及图像的直方图。37 长春理工大学本科毕业设计第3章红外图像增强算法研究3.1红外图像增强算法基本分类根据增强图像质量的处理操作切入点不同，将图像增强处理又分为频率域增强和空间域增强。所谓空间域增强其本质就是对图像像素灰度值的增强处理是在空间域内进行的。所谓频率域增强指的是首先从空间中对图像经傅立叶变换后的频谱成分进行操作，然后经傅立叶逆变换获得处理结果。相对于空间域图像增强来说，频率域的运算较为复杂、运行速度较慢，很难满足实时性的要求，所以本文主要对空间域增强方法进行讨论。图像增强的基本算法分类如下图3-1所示:灰度级校正直接灰度变换点运算直方图修正像元代数运算噪声消除法邻域平均法图像平滑梯度倒数加权中值滤波选择式模板平滑邻域增强空间域法梯度法拉普拉斯算子图像增强高斯-拉普拉斯算子模板匹配法统计差值法图像锐化假彩色处理彩色技术伪彩色处理低通滤波频率域法高通滤波同态图像增强图3-1图像增强分类3.2红外图像增强的基本算法3.2.1灰度变换空间域增强（又称空域增强）主要是指在空间域内对构成图像的像素灰度值直接进行增强处理，空域处理可定义为式(3-1)的形式：g(x，y)=T[f(x，y)]（3-1）式中，f(x，y)表示输入图像，g(x，y)表示处理后的图像，T37 长春理工大学本科毕业设计操作是对图像f(x，y)的某种操作。T最简单的操作形式是邻域为1×1的尺寸（也即使用单个像素作为一个邻域），此时g(x，y)仅仅依赖于f(x，y)在(x，y)点的值。在这种情况下，T操作被称为灰度级变换函数，又可以称作强度映射函数。即下式(3-2)：s=T(r)（3-2）其中s和r分别代表g(x，y)和f(x，y)在任意一点(x，y)处的灰度级。图3-2(a)中表示了T(r)为非线性映射，其具体变换可表述为：变暗的部分代表其灰度级低于m，而变亮的部分代表其灰度级大于m。对比度扩展技术可大致概述为：通过变换函数把那些m以下的r值压缩到s范围里使其接近于黑色，通过变换函数对那些m以上的r值作相反操作。采用非线性变换产生的图像将会比原始图像具有更高的对比度。图3-2(b)中T(r)产生了两级图像，也即二值图像，该类形式的映射关系就被叫做阈值函数。T变换虽然相当简单，有时却能够对图像起到很大的作用。因为在采用这种处理方法时，图像中任意一点处的增强效果仅依赖于该点处的灰度值，因此该类技术又常常被称为点处理。通常情况下，很多处理方法都可以用灰度变换对其进行公式化[15]。图3-2对比度增强的灰度级变换函数3.3直方图均衡化3.3.1直方图均衡原理通过第二章中的相关描述和分析，可以很容易得出直方图是多种空间域处理技术的基础，同时也是图像的基本统计特征之一，它反映了灰度图像中每种灰度级出现的频率。对一幅图像的直方图作某种处理能够直观有效的用于图像增强等方面的处理。图像直方图均衡化方法的本质概述如下：其也是以提高图像质量为目的，具体的是提高图像的对比度，其实现手段就是通过扩展图像的动态范围，具体做法就是依据输入图像灰度概率分布相应的确定输出灰度值。一般为了便于讨论，在进行直方图均衡化操作前，要对图像的灰度范围作归一化处理即把灰度范围化为[0，1]。首先作如下假设，要处理的原始图像灰度值用r(0≤r≤37 长春理工大学本科毕业设计1)表示，其概率密度用Pr(r)表示，变换后图像的像素灰度值用s表示，概率密度用Ps(s)表示。则其变换函数s=T(r)满足如下条件：(a)函数T(r)是单值且单调递增的，该条件保证在转换过程中的单值映射且转换后的图像灰度不出现反转现象；(b)当0≤r≤1时0≤T(r)≤1，该条件限制了输出灰度级与输入灰度级具有相同的灰度级范围。根据概率论可知，若为可知的，那么可表示式：（3-7）对于模拟图像来说，由于其图像具有连续的灰度级，故其变换函数可表示为（3-8）对式(3-8)两边分别对r求导可得下式（3-9）将上式(3-9)代入式(3-7)可得（3-10）对于数字图像来说，由于其图像灰度级是离散的，对其作变换时可作如下假设：设L表示图像灰度级数目，N表示总像素数，nk表示灰度级为rk的像素点的总数，则灰度级rk的出现概率可近似的表示为：(3-11)由以上分析可知，其变换函数的离散形式可表示为(3-12)设图像的灰度级量化为8bit(比特)，也即图像的灰度级范围为[0，255]，那么其变换函数的非归一化的形式可表示为：(3-13)3.3.2直方图均衡算法为了讨论方便，在图像直方图均衡中一般先将图像灰度范围归一化，即将图像灰度范围[ZX,ZY]，归一化为[0,1]同时，假定Pr(r)和只Ps(s)分别为原图像和均衡后图像的概率密度函数，其中r和s分别表示归一化了的原图图像灰度值和直方图均衡后图像灰度值，且设变换函数为，s=T(r)从基本概率理论知，如果只Pr(r),T(r)是已知的，则变换后的图像灰度级的概率密度函数Ps(s)37 长春理工大学本科毕业设计（4.1.1）通过变换函数T(r)就可以改变图像灰度级的概率密度函数"。对于模拟图像，由于灰度级是连续的，变换函数可表示为(4.1.2)式(4.1.2)两边对:求导数得(4.1.3)将(4.1.3)式代入(4.1.1)式可得(4.1.4)这说明在变换后的变量s的定义域内只是Ps(s)均匀密度，用r的累积分布函数作变换函数产生了一幅灰度级具有均匀密度的图像，在增强意义上这意味着像素的动态范围的增加。对于数字图像，设L是图像灰度级数目，n是像素总数，Nk是灰度级为rk的像素的频数，则(4.1.5)变换函数的离散形式为(4.1.6)假设直方图均衡后的灰度级量化为8bit，即灰度范围为[O，2558]，则变换函数的非归一化形式为(4.1.7)通过传统直方图均衡变换后，图像灰度级概率密度服从均匀分布.其灰度调整的策略是:在直方图中，像素数多而且分布密集的灰度级之间的间隔变大，以使图像对比度提高;像素数少，分布较稀疏的灰度级间的间隔变小，甚至为0(灰度级被合并)，以降低对比度"在增强意义上，这意味着图像各像素灰度的动态范围增加，图像的对比度和视觉效果提高"但是由于一些灰度级别没有像素分布而另外一些灰度级别像素集中，从而造成图像的灰度级别减少和损失，出现灰度断层现象，而且这种动态范围的扩大是建立在合并相近灰度级图像元素的灰度级基础之上的，因而部分灰度细节被过度压缩，造成图像细节丢失，降低了图像的分辨率"。37 长春理工大学本科毕业设计3.3.3直方图均衡的特点通过上述对直方图均衡的理论分析以及对实验结果的观察，可得出图像直方图均衡有如下特点：(1)在对图像作直方图均衡化处理的一系列操作过程中常常会把那些在直方图上分布概率较小的灰度级划归于相邻的灰度级，也即相邻灰度级被合并的情况。所以，从本质上来讲，直方图均衡是以牺牲灰度等级的数量来换取对其对比度的增强；(2)当图像中存在大量像素灰度接近于零或灰度级数目较少且集中分布在低灰度区域时，其均衡结果容易出现过亮的现象；(3)由于直方图显示的是图像的离散灰度，所以直方图只是近似的概率密度，故对图像采用直方图均衡处理后，其直方图有时并不能完全达到平坦；(4)采用直方图均衡对图像进行处理时，若被合并的灰度级是图像中包含有用信息的区域，就会造成图像中有价值信息的缺失，因此通常利用局部的直方图均衡方法避免灰度级被合并的情形；(5)相对于灰度线性变换，和非线性变换等方法，直方图均衡方法在对比度增强处理中的处理过程比较耗时，可是因为变换频率域中的方法要比直方图均衡方法慢，因此直方图均衡方法是目前较经常使用的图像增强方法之一；(6)直方图均衡方法对图像的整体对比度增强有很好的效果，但如果直接采用直方图均衡化方法对图像进行增强，会使图像中占有像素数较少的目标和细节由于被抑制而变得模糊甚至丢失。此外，当原图像中噪声较多时，由于均衡没有区分有用信号和噪声，过度放大占有较多像素的背景和噪声。有时还会使处理后的图像效果很生硬，有时甚至恶化了图像质量。因此目前利用直方图均衡方法时通常是先对其稍作改进后再进行处理。3.3.4实验仿真及分析下图3-7为一幅红外图像及其直方图均衡处理后的结果。从下图中可以明显的看出，经被均衡变换后的图像其灰度分布均匀。因此可以将直方图均衡方法的处理方式概述为：通过调整灰度级之间的间距使图像对比度提高，具体操作是把像素数分布相对较集中的灰度级的间距变大，对于那些像素数分布较分散的灰度级，将其灰度级之间的间距拉小，甚至将其间距变为37 长春理工大学本科毕业设计0（也即灰度级被合并的情况）从而降低图像的对比度。从增强的意义来说，直方图均衡化可以使图像中各像素灰度级的动态范围增加，从而使图像的视觉效果和对比度提高。它对图像的整体对比度增强有较好的效果，但它也有一定的局限性，如某幅图像中如果大部分的像素集中分布在某些灰度级而另外的一些灰度级像素很少或没有，这种情况下直接使用直方图均衡化方法有可能会造成图像中一些灰度级的减少甚至丢失，体现在图像中就是灰度的断层或不连续，这也就使图像缺失一些细节或信息，并造成了图像的分辨率降低。[16]（a）原始红外图像及其直方图（b）HE结果及其直方图图3-7红外图像直方图均衡及直方图由于直方图均衡方法仍存在一定的局限性，所以在使用该方法进行图像处理时需要对其进行改进，基于直方图均衡化算法的改进方法有很多，在后面的章节中将对一些比较有价值的改进算法进行详细讨论。3.3.5直方图灰度等间距均衡处理利用下章中的自适应分段线性变换处理对红外图像进行增强后，与原始红外图像相比，大大地改善了增强后图像的对比度，但并非是理想的图像效果。其原因是分段线性变换处理使图像对比度得到改善，但经算法处理后的图像输出的实际变化范围小于图像的最大灰度变化范围，图像的层次感不强，同时灰度的丢失和不连续使灰度级产生断层现象，从而导致图像产生“色斑”现象。因此还需要在自适应分段线性变换处理的基础上再对处理后的图像进行灰度级的等间距处理。其具体实现为：首先，对经过自适应阈值算法处理后图像的有效灰度级数目的统计；(4-4)公式（4-4）是对图像灰度级数目的统计，也即对灰度显示范围内不为零的灰度级进行累加，统计得出经过自适应分段线性变换后图像的实际有效灰度级数SL-1，其中So=0，L表示图像的灰度级数目。Di表示图像在等间距处理之前的累积直方图分布。接下来对公式(4-4)中统计的有效灰度级在整个灰度显示空间中进行等间距排列，其变换函数可表示为：(4-5)37 长春理工大学本科毕业设计其中是窗口变换后图像的灰度级j所对应的灰度等间距密度均衡后的灰度级。由公式(4-4)和(4-5)可知，对图像进行均衡处理实际上也就是把灰度的等级在整个显示范围内重新进行等间距处理的过程，由此得到灰度相对连续的红外图像，实现对图像中边缘等细节的保护和增强。3.4图像的平滑降噪处理一般来说，图像由于受到噪声干扰，图像的质量有所下降，为了抑制噪声，需要进行图像平滑处理，以利于抽取图像特征"如果不对噪声进行及时处理，就会对后续的处理过程乃至输出结果产生影响，甚至可能得到错误的结论"因此，图像噪声滤除成为红外图像预处理中重要的组成部分"图像平滑的思想是，通过一点和周围几个点的运算来去除突然变化的点，从而滤除噪声，但图像会有一定程度的模糊"由前面的分析可知，红外热图像的噪声主要由颗粒噪声和一些随机噪声组成"对此类噪声，一般可采用均值滤波或中值滤波等局部平滑算法加以去除"(l)均值滤波均值滤波指的是首先给图像中待处理像素一个合适的模板，然后再用模板中全体像素的平均值代替原来那个像素值。其中模板包括了与待处理像素相邻近的像素。在对图像进行增强去噪处理时，均值方法相对来说比较简单且运算速度快，此外这种方法能很好的把噪声部分弱化到相邻像素点上。可是这种方法也有一定的不足，即在对图像作处理时把噪声降低了，但与此同时也可能使得图像变得模糊不清，特别是图像中目标的边缘和细节等信息，而且随着所采用的模板的增大，处理后的图像效果越不理想。(2)中值滤波中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，可用来抑制图像中的噪声而不使边缘模糊中值滤波的优点是:有效消除尖峰脉冲(脉冲长度小于滤波器宽度，可消除高频噪音;有效消除阶跃和斜坡，有利于保证图像的横向分辨率;对于对称子波，中值滤波器不会引起相应畸变;中值滤波能平滑三角波!矩形波"其原理如下:设有一个一维序列，取窗口长度为m（m是奇数），对此序列进行中值滤波，就是从输入序列中相继抽出m个数，其中为窗口的中心值，，再将这m个点按其数值大小排列，取其序号为正中间的那个数作为滤波输出。用数学公式表示为37 长春理工大学本科毕业设计(3.4.18)即以丫取代窗口中心像素值作为中值滤波输出"因为数字图像是以二维数据来描述的，因此要将一维中值滤波的概念推广到二维"取其中结构的二维滑动模板，将模板内像素按照像素值的大小进行排序，生成单调上升(或下降)的二维数据序列"二维中值滤波输出为:(3.4.19)式中f(x,y),g(x,y)，分别为原图像和处理后图像w为二维模板，这种二维窗口可以有各种不同的形状，如线状，方状，圆形，十字形等，其维数也有常用的3x35x57x7几种。中值滤波的优势在于它能够保护图像的边缘信息，而且可以除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带"中值滤波器的窗口形状和尺寸对滤波效果的影响很大，在不同的图像内容和不同的要求下，应采用不同的形状和尺寸。图3.1.1为一幅红外图像加入密度为0.05的椒盐噪声后，采用3x3模板分别进行均值滤波和中值滤波的对比实验。与均值滤波相比，中值滤波在抑制噪声的同时，物体的边缘得到保护，因此，中值滤波是比较理想的滤波平滑算法。缺点是随着滤波器模板尺寸的增加，某些细节的模糊程度有所增加。图3.11加入椒盐噪声红外图像均值滤波!中值滤波对比实验3.5频域滤波增强在实际应用当中，频域滤波增强往往比空域滤波方法简单"空域滤波都是基于卷积运算(3.4.20)其中，f(x,y)对为原始图像函数h(x,y)，对为滤波器脉冲响应函数，视低通或高通滤波的需要而定，f(x,y)为空域滤波的输出图像。由卷积定理可知，37 长春理工大学本科毕业设计上式的Fourier:变换式为(3.4.21)式中，G(u，v)，F(u，v)和H(u，v)分别为g（x，y），f（x，y）和h（x，y）的Fourier变换，即相应的频谱。该式为频域滤波的基本运算式，H（u，v）称为滤波系统的传递函数。根据具体的增强要求设计适当的H(u，v)，再与F(u，v)作乘法运算，可获得频谱改善的G(u，v)，从而实现低通、高通和带宽等不同形式的滤波，然后再求G(/，，)的逆Fourier变换，便可获得频域滤波增强的图像g(x,y)因此，频域滤波的关键是H(u,v)的设计。众所周知，图像的频谱由幅值和相位两部分构成"根据图像的频谱分析可知，图像频谱的相位也是非常重要的。对相位参数的修改将会导致结果图像很大的变化，与原始图像相比，有时候甚至可能会面目全非。但是如果设计一个不带相位的实常数H(u,v)(零相位滤波器)，则可在增强运算中发挥重要作用"凡是要保留的频率分量，令H(u,v)=k(k为常数且);凡是要抑制或衰减的频率分量，令H(u,v)=w（为常数且)。[17]3.5.1频域低通滤波低通滤波器的功能是让低频率通过而滤掉或衰减高频，其作用是过滤掉包含在高频中的噪声。所以低通滤波的效果是图像的去噪声平滑增强，但同时也抑制了图像的边界，造成图像不同程度上的模糊。应当指出的是，对于理想低通滤波器，其截至频率几的大小决定了滤波后所保存的能量的多少D0越小，通过的能量越少，平滑所带来的模糊越严重"合理的选取D0是低通滤波平滑效果的关键。3.5.2频域高通滤波衰减或抑制低频分量，让高频分量通过称为高通滤波，其作用是使图像得到锐化处理，突出图像的边界"经理想高频滤波后的图像把信息丰富的低频去掉了，丢失了许多必要的信息，一般情况下，高通滤波对噪声没有任何抑制作用，若简单的使用高通滤波，图像质量可能由于噪声严重而难以达到满意的改善效果，为了既加强图像的细节又抑制噪声，可采用高频加强滤波。这种滤波器实际上是由一个高通滤波器和一个全通滤波器构成的，这样便能在高通滤波的基础上保留低频信息。在目前针对红外图像增强算法的研究领域里，国内外学者还经常运用多种算法融合增强图像，如形态学、图像融合、小波变换以及遗传算法等多种方法对红外图像进行增强处理。形态学锐化方法的本质就是在待处理图像上划定一定的尺度然后对其每一37 长春理工大学本科毕业设计作形态学膨胀和形态学腐蚀两种运算。由于基本的形态学锐化在对图像处理的过程中并没有专门采取一定的措施对噪声进行抑制处理，也没有考虑图像中目标的边缘和平坦区的区分，且形态学结构也不能依据边缘进行自动调整，虽然这种方法对边缘有较好的锐化作用，但是其实际视觉效果并不理想。所谓图像融合，其核心思想就是对同一场景经过多种算法处理，然后再将其处理结果进行整合，使整合后的图像更适合于图像的匹配等处理。常用的图像数据融合方法主要有像素层融合和特征层融合等多种具体的融合方法。融合算法能有效的对图像的脉冲噪声和高斯噪声进行滤除且同时对图像的目标边缘和背景有一定程度的强调和突出作用。融合算法效果的好坏是决定红外图像配准精度和配准概率的主要因素。由于它是基于不同类型的噪声提出的，因此可以根据不同类型的噪声而设计与之相对应的滤波器，再将经过预先设定好的融合方法对处理过的图像进行融合，从而得到增强效果明显的图像。小波变换在近年来已逐渐被科学界认识并推广应用，它不但在数学领域开创了一个新分支，而且在图像处理、量子物理、信号处理和模式识别等众多科学领域得到广泛的应用和推广。1987年把在计算机视觉领域中应用的多尺度分析手段应用到小波变换及其分析方法中。其基本原理为：在小波变换分析时，可以按照小波变换的重构和分解对小波函数信号及其构造进行处理，与之相应的，也可以将该思路很好的应用在图像的重构与分析上。如此一来，即初步建立了小波分析变换系统的基本理论。因此，不管在理论上还是在应用上，小波分析和变换都取得了广泛而深入的研究，并且取得了较为卓越的研究和应用成果。在实际应用中，除以上几种被经常应用的图像增强的算法外，遗传算法等众多算法也经常被用来处理红外图像，不同算法对红外图像进行处理得到的效果各有优劣，很多文献已经做过了总结和叙述，本文将不再对这些算法作过多介绍。3.6图像锐化37 长春理工大学本科毕业设计图像锐化处理的本质是对图像边缘等细节的对比度进行增强，从而使图像边缘细节突出、画面清晰，便于后续操作中对图像的信息提取。为了减少在进行图像平滑时所造成的图像边缘细节变得模糊甚至丢失等不利影响，就需要使用图像锐化技术，使图像的边缘变得清晰，对轮廓等细节信息进行保护。对图像的锐化也分空间域处理和频率域处理两类，从空间域考虑，经过平滑处理的图像变得模糊的根本原因是由于对图像进行了了平均或积分运算，因此可以对其进行逆运算（如微分运算）就可以使图像变的清晰。从频率域来考虑，模糊的实质是由于图像的高频分量的衰减，所以要想使图像更清晰只要使用高通滤波器处理图像就可以达到很好的效果。在对图像的一系列的处理操作时，信号的变化率可以通过微分运算求解，它可以使图像的高频分量增强，从而提高了图像轮廓的清晰度，也即保护了图像的结构信息。此外，通过对图像的某种导数作各向同性运算可以使图像中向四周伸展的不清晰的边缘轮廓更加清晰，而且由于偏导数的平方和运算是各向同性的，因此对图像锐化处理时也可以利用梯度或拉普拉斯等运算。由于锐化可能会使噪声受到比信号还强的增强，所以必须小心使用。在对图像进行锐化处理时，需要注意的一点是待处理的图像的信噪比一定要高，否则经过锐化后图像有可能会造成信噪比严重降低的可能。此外，在对图像作锐化操作时，一定要依据具体需求和图像的实际情况决定使用哪种算子更为合适[18]。3.7其它常用的红外图像增强处理算法在目前针对红外图像增强算法的研究领域里，国内外学者还经常运用多种算法融合增强图像，如形态学、图像融合、小波变换以及遗传算法等多种方法对红外图像进行增强处理形态学锐化方法的本质就是在待处理图像上划定一定的尺度然后对其每一点作形态学膨胀和形态学腐蚀两种运算。由于基本的形态学锐化在对图像处理的过程中并没有专门采取一定的措施对噪声进行抑制处理，也没有考虑图像中目标的边缘和平坦区的区分，且形态学结构也不能依据边缘进行自动调整，虽然这种方法对边缘有较好的锐化作用，但是其实际视觉效果并不理想。所谓图像融合，其核心思想就是对同一场景经过多种算法处理，然后再将其处理结果进行整合，使整合后的图像更适合于图像的匹配等处理。常用的图像数据融合方法主要有像素层融合和特征层融合等多种具体的融合方法。融合算法能有效的对图像的脉冲噪声和高斯噪声进行滤除且同时对图像的目标边缘和背景有一定程度的强调和突出作用。融合算法效果的好坏是决定红外图像配准精度和配准概率的主要因素。由于它是基于不同类型的噪声提出的，因此可以根据不同类型的噪声而设计与之相对应的滤波器，再将经过预先设定好的融合方法对处理过的图像进行融合，从而得到增强效果明显的图像。小波变换在近年来已逐渐被科学界认识并推广应用，它不但在数学领域开创了一个新分支，而且在图像处理、量子物理、信号处理和模式识别等众多科学领域得到广泛的应用和推广。1987年把在计算机视觉领域中应用的多尺度分析手段应用到小波变换及其分析方法中。其基本原理为：在小波变换分析时，可以按照小波变换的重构和分解对小波函数信号及其构造进行处理，与之相应的，也可以将该思路很好的应用在图像的重构与分析上。如此一来，即初步建立了小波分析变换系统的基本理论。因此，不管在理论上还是在应用上，小波分析和变换都取得了广泛而深入的研究，并且取得了较为卓越的研究和应用成果。在实际应用中，除以上几种被经常应用的图像增强的算法外，遗传算法等众多算法也经常被用来处理红外图像，不同算法对红外图像进行处理得到的效果各有优劣，很多文献已经做过了总结和叙述，本文将不再对这些算法作过多介绍。3.8红外图像增强基本算法分析37 长春理工大学本科毕业设计通过以上章节的介绍可以得出，传统的红外图像增强算法虽然比较简单，但其从根本上说明了对图像增强的最基本的原理。纵观图像增强理论和数字图像技术的发展史，这些早期简单的图像增强算法堪称是经典算法。随着科学技术的发展，尤其是现代图像应用日益增多，而且图像本身具有不确定性和复杂性，那些早期的传统图像增强算法已不能满足现代社会的需求，其局限性也日益明显。如有些需要以麻烦的人机交互的方式来调节其关键参数从而达到更佳的图像增强效果，有些则仅对某一些图像或某一类图像有效，对其他的图像可能就失去了原本的效果，甚至会加剧图像质量恶化等。具体来讲，直方图均衡无需以人机交互的方式来调整直方图的变换是以对整幅图像进行全局灰度信息统计和分析为依据，因此这种方法对图像的增强效果是整体对比度的增强，但是它有可能会造成一些局部细节信息的丢失；此外，由于所有图像的直方图特点不尽相同，要想获得较好的图像增强效果，就需要以人机交互的方式对分段参数进行多次调试，从而带来对图像处理效率较低的问题，而且也不适合用于批量处理。空间域法中灰度变换方法的变换函数通过待处理图像的类型而确定。如果变换函数一旦确定，其所适合处理的图像类型也就随之确定了，然而对于某些类型的图像，怎样找到适合此类型图像的变换函数是一个很大的难点。那些传统图像锐化的算法可以对图像边缘细节进行增强，但也同时也带来了一些不必要的噪声。这些日益突出的局限性使得传统图像增强算法在很大程度上满足不了实际应用需求，同时也在一定程度上限制了图像增强处理的效果及其实际应用价值。在频率域增强算法中，同态滤波在方法上和思想上都较为新颖。在实际应用中，想要找到一个各种图像都适用的低通、高通滤波器是很难的一件事，这就造成了依据傅里叶变换作为基础的同态滤波对图像的增强处理效果也不是很好。综上所述，我们得到以下结论，虽然经典图像增强算法能在一定程度上使图像的对比度有一定程度的提高，可是随着人们生活质量的提高和科学技术的快速发展处理效果的要求日益提高，这些传统的图像增强算法由于自身无法避免的缺陷，如运算量大对机器要求较高、需要麻烦的人机交互调节参数、丢失了图像中暗区域的细节信息等等，使处理后的图像具有某种程度的失真。因此需要对较有价值的一些算法进行某些改进，使其更适合用于红外图像对比度的增强处理。由于采用频域算法进行图像增强所占用处理空间和存储空间都比较大，且算法较为复杂，不易处理和硬件实现，所以本文主要针对红外图像对比度在空间域中的增强处理进行分析和研究。的去噪增强的效果有很好，但由于它有时也可能抑制了高频中的有用信息，所以有可能会抑制图像中的边界和细节信息，造成图像在不同程度上的模糊。频域高通滤波:高通滤波器最主要的功能是去掉信号中不必要的低频成分也即去除低频成分的干扰，从而达到衰减或去除低频分量的效果的同时使信号中的高频成分顺利通过。其目的就是使图像的边界信息更加突出或清晰，其本质是锐化图像。[19]37 长春理工大学本科毕业设计由于图像中丰富的信息，如细节、边缘等都在低频部分，因此，经过理想高频滤波后，图像将会丢失很多必要的信息。所以，如果直接对图像利用高通滤波处理，有时的处理后的图像质量并不好，其原因就是因为图像噪声太严重而使图像增强效果不明显。因此目前经常的处理方式是在使用高通滤波的同时再利用高频加强滤波进行处理，以此达到既使噪声得到了抑制又使图像的细节得到加强的效果。此种滤波方式的原理就是通过一个全通滤波器和一个高通滤波器的共同作用处理图像，如此便能够方便的在实现高通滤波的基础上保留低频信息。第4章一种自适应红外图像增强算法研究37 长春理工大学本科毕业设计本文从实际应用出发，综合以上方法，提出了一种自适应红外图像增强算法。算法首先对基本的分段灰度变换方法进行了研究，然后通过本文提出的自适应算法得到合适的阈值，实现了图像的自适应阈值增强，最后对得到的图像进行灰度级等间距的处理，从而能够获得灰度级较为连续的红外图像，增强图像的细节，提高其清晰度。实验对比表明了该算法能够实现自适应阈值选择，从而极大的抑制背景和噪声，有效地增加图像的细节和清晰度。4.1分段线性变换将图像灰度区间分成两段乃至多段，然后分别作灰度变换处理以达到更加鲜明的对比效果，同时不失图像原有的信息，即为分段灰度变换的基本思想如图4-1所示：图4-1分段线性变换示意图图4-1是对图像分为三段分别进行灰度变换处理的示意图。由图中可看出，分段线性变换相对于其他灰度变换方法的优点就是用户可以根据自己的具体需要进行有目的的拉伸图像中感兴趣的特征目标的细节信息的灰度，相对抑制那些不感兴趣的背景或噪声等所占的灰度级。分段线性变换的分段点的边界阈值一般是采用键盘交互的方式进行确定，由于这种方法相对比较简单且灵活，所以对其也较容易硬件实现，正是因为它的这个优点，使其在红外图像增强算法中占有着举足轻重的地位，同时也得到非常广泛的应用图4-1中的横轴t表示图像的原始灰度，纵轴f(t)表示经过线性函数变换后所得到的灰度映射，也即原始图像经过分段线性变换后所对应的灰度值。由图(4-1)可得到分段线性变换的函数表达式为：37 长春理工大学本科毕业设计（4.1）在公式（4-1）中，(t1,f(t1))和(t2,f(t2))是图4.1中两个转折点坐标。其中min代表原始图像中最小的灰度级0