红外成像系统简介.ppt

红外成像系统简介,1 红外成像系统的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。,红外成像系统简介,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。,红外成像系统简介,海湾战争充分显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。,红外成像系统简介,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。,红外成像系统简介,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：,红外成像系统简介,红外成像系统简介,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。,红外成像系统简介,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。,红外成像系统简介,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。,红外成像系统简介,红外目标的检测技术是红外成像系统中的核心技术之一，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。,红外成像系统简介,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。,红外成像系统简介,红外图像信号处理硬件系统的性能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。,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DBT目标检测算法。,红外图像的目标检测及跟踪,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。,红外图像的目标检测及跟踪,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：,红外图像的目标检测及跟踪,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差，设输入图像的大小为N1N2，则图像均值和方差可表示为：,红外图像的目标检测及跟踪,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。,红外图像的目标检测及跟踪,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：,红外图像的目标检测及跟踪,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。,红外图像的目标检测及跟踪,2.1.2 最大距离法直方图分割法中的最大距离法是一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。,红外图像的目标检测及跟踪,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：,红外图像的目标检测及跟踪,因为总体灰度均值：,所以若令:,(2.7),(2.9),(2.10),红外图像的目标检测及跟踪,则它们分别是集合和集合的灰度均值，于是有：,进一步，令：,则(2.9)式可化为：,(2.11),(2.12),(2.13),红外图像的目标检测及跟踪,考虑到,所以式(2.10)可表示为：,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,和,为,至,至,距离的加权之和，即：,(2.14),(2.15),红外图像的目标检测及跟踪,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。,红外图像的目标检测及跟踪,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。,红外图像的目标检测及跟踪,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性的TBD目标检测算法。,红外图像的目标检测及跟踪,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。,红外图像的目标检测及跟踪,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。,红外图像的目标检测及跟踪,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，,红外图像的目标检测及跟踪,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。,红外图像的目标检测及跟踪,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。,红外图像的目标检测及跟踪,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。,红外图像的目标检测及跟踪,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。,红外图像的目标检测及跟踪,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。,红外图像的目标检测及跟踪,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。,红外图像的目标检测及跟踪,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。,红外图像的目标检测及跟踪,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,红外图像的目标检测及跟踪,其中，,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),(2.17),为第,红外图像的目标检测及跟踪,根据概率统计知识可以推出像素值x在第K个高斯分布中的概率：,因此上式可以表示为如下形式：,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：,(2.19),(2.20),(2.21),红外图像的目标检测及跟踪,其中a,b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 R,G,B构成，因此，先将每个通道提取出来，得到由 R,G,B三个分量各自组成的三幅灰度图像，然后对三幅图像分别用如下方法进行更新。,红外图像的目标检测及跟踪,首先初始化 K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 threshold倍标准差(其中 threshold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：,红外图像的目标检测及跟踪,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),红外图像的目标检测及跟踪,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。,红外图像的目标检测及跟踪,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，则是运动目标。,红外图像的目标检测及跟踪,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。,红外图像的目标检测及跟踪,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。,红外图像的目标检测及跟踪,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。,红外图像的目标检测及跟踪,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：,红外图像的目标检测及跟踪,(2.28),(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。,红外图像的目标检测及跟踪,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。,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。,图像增强技术,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：,图像增强技术,图3.1 图像增强方法概况,图像增强技术,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(j,k)*C，从而得到降质函数E(i,j)=GC(j,k)/C，由此可以得到E(j,k)=C*G(j,k)/GC(j,k)。,图像增强技术,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。,图像增强技术,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：,图像增强技术,图3.2 全域线性变换示意图,图像增强技术,另一种情况，当图像中大部分像素的灰度级都在a,b内，只有少部分在a,b外，可以采用下式的变换形式。,如图3.3所示。,图像增强技术,图3.3 截取式线性变换示意图,图像增强技术,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,图像增强技术,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：,图像增强技术,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)。,图像增强技术,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：,图像增强技术,图3.5 直方图均衡化示例,图像增强技术,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。使得处理后的图像的直方图为给定的直方图。,图像增强技术,3.2 空域图像平滑3.2.1 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。,图像增强技术,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。,图像增强技术,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。,图像增强技术,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。,图像增强技术,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。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。,图像增强技术,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，然后进行中值滤波。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。,图像增强技术,3.2.4 梯度倒数加权 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：,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,k)。,图像增强技术,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。,图像增强技术,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。,图像增强技术,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：,为了便于编程和提高运算速度，在某些场合可进一步简化为：,知道了梯度GF(j,k)后，有以下几种方法来确定锐化输出G(j,k)。,图像增强技术,直接以梯度值代替 这种方法直截了当，简单。但在F(j,k)均匀的区域，因梯度值GF(j,k)很小（极端情况下甚至为零），会表现出暗的特性，这在有些场合是不适宜的。,图像增强技术,辅以门限判断,给边缘规定一个特定的灰度值，即,图像增强技术,给背景规定特定的灰度级,二值图像,图像增强技术,3.3.2 Laplacian算子 Laplacian算子是线性二次微分算子，与梯度算子一样，具有旋转不变性，从而满足不同走向的图像边界的锐化要求。对图像F(j,k)，其Laplacian算子为：,图像增强技术,对于二维图像有：,也可以写成：,上式可解释为Laplacian算子等于F(j,k)与其邻域均值之差。如果把包含F(j,k)自身在内的邻域均值看成是F(j,k)扩散形成的模糊的话，上式又可理解为Laplacian算子等于F(j,k)与F(j,k)模糊之差。,图像增强技术,Laplacian算子锐化时，其锐化输出为：,Laplacian算子增强的效果如下图3.8所示：,图像增强技术,a 原始图像 b Laplacian增强后的图像图3.8 Laplacian增强示意图,图像增强技术,3.3.3 高通滤波 图像边缘与高频分量相对应。高通滤波器让高频分量畅通无阻，而对低频分量则充分限制，从而达到图像锐化目的。建立在离散卷积基础上的空间域高通滤波关系式：,图像增强技术,式中G(m1,m2)为锐化输出；F(n1,n2)为输入图像；H(m1-n1+1,m2-n2+1)为冲激响应阵列（亦叫卷积阵列）。几种常见的归一化冲激阵列如下：,图像增强技术,3.3.4 统计差值法这是利用图像的局部统计特性（均值与方差）对图像边界做锐化的方法，其基本思路是：在二维数字图像F中，令点(j,k)出的灰度值为F(j,k)，以(j,k)为中心，(2r+1)*(2s+1)的区域内的灰度的均值为E(j,k)，r、s为大于零的整数，表示方差。有下面的计算公式：,图像增强技术,式中，m,n为以(j,k)为中心，(2r+1)*(2s+1)的区域。(j,k)点的锐化输出为,图像增强技术,3.4 彩色技术3.4.1 什么是伪彩色增强技术伪彩色技术就是将灰度图像的各个不同灰度级按照线性或非线性的映射方法变换成不同的颜色，得到一幅彩色图像的增强技术。使原图像细节更容易辨认，目标更容易识别。,图像增强技术,3.4.2 为什么引入彩色增强技术由于人眼的视觉特性：分辨的灰度阶介于十几到二十几级之间,彩色分辨能力可达灰度分辨能力的百倍以上。众所周知由于人的视觉系统对色彩非常敏感，能区分的灰度级只有二十多个，但能区分不同亮度、色度和饱和度的几千种颜色人的彩色。根据人的这一特点，可将彩色用于增强中以提高图像的可鉴别性。因此如果能将一幅灰度图像变成彩色图像就可以达到增强图像的视觉效果。,图像增强技术,3.4.3 彩色增强技术原理彩色增强技术是利用人眼的视觉特性，将灰度图像变成彩色图像或改变彩色图像已有彩色的分布，改善图形的可分辨性。彩色增强方法可分为伪彩色增强和假彩色增强两类。,图像增强技术,3.4.4 假彩色增强假彩色增强的对象是三基色描绘的自然图像或同一景物的多光谱图像。对自然图像，方法之一是将目标物（人们所关注的对象）映射为假彩色与原色不同的彩色。方法之二是，根据人的眼睛的色觉灵敏度，重新分配图像成分的颜色。,图像增强技术,假彩色增强的例子如下：,a 微光图像 b 紫外图像,c 处理的结果3.13 假彩色示意图,图像增强技术,3.4.4 伪彩色增强 伪彩色增强是针对灰度图像提出来的，其宗旨是把离散黑白图像F(j,k)的不同灰度级按照线性或者非线性映射成不同彩色，来提高图像内容的可辨识度。由于人眼对彩色的分辨率远高于对灰度差的分辨率，所以这种技术可用来识别灰度差较小的像素。在黑白图像中，灰度是连续分布的，因此灰度差小于5时，人眼是无法分辨的，但采用不同灰度用不同的颜色显示后，就能提高人眼对最小灰度差的分辨能力。,图像增强技术,常用的伪彩色增强的方法有：密度分割法、频率域伪彩色增强、灰度变换彩色法。密度分割法 强度分层是伪彩色图像增强技术中原理最简单、操作最简便的一种。届时F(j,k)看成是一个二维的强度函数，然后用m个平行于水平面的切割平面作切割，得到m个不同的灰度区间L1,L2，,Lm(见下图3.14)。这是一种均匀分层过程。还可以是非等间隔分层，即对关心的灰度级区间分得密一些，其它区段分得稀疏些。强度分层可通过硬件实现，也可由编程来实现。原则上说，强度分层技术的效果和分层密度成比例，层次越多，细节越丰富，彩色越柔和，但分层的层数受显示系统的硬件性能约束。,图像增强技术,图3.14 灰度区间与彩色代码,图像增强技术,频率域伪彩色增强频率域伪彩色增强步骤如下：1、把黑白图像经过傅立叶变换到频率域，在频域内用三个不同传递特性的滤波器分离成三个独立分量；2、对它们进行逆傅立叶变换，得到三种代表不同频率分量的单色图像；3、最后将它们作为三基色分量分别加到彩色显示器的红、绿、蓝显示通道，得到一幅彩色图。,图像增强技术,步骤如下图3.15所示：,图3.15 频域滤波法实现伪彩色处理,图像增强技术,灰度变换彩色法采用灰度级彩色变换方法。该方法是把图像的各个灰度值按照一定的函数关系映射成颜色渐变的彩色,不同的灰度级对应不同的彩色。根据色度学原理,任何一种颜色都可以由红、绿、蓝3基色按不同的比例来合成,因此图像的伪彩色处理先要设定红、绿、蓝3个基色的函数关系,使对应的每一个函数都有相应的红、绿、蓝输出,之后3者合成一个色。,图像增强技术,如图3.16所示。根据不同物体的像素值分布区域的特点,先确定图像灰度的最小值Z0和最大值Z1,在最大与最小值之间划分几个不同的区域,然后再根据新编码1的变换函数,在重新划分的区域中对图像进行重新编码。这样的编码无论图像灰度如何变化,都会突出物体的图像,不易造成人的视觉错觉,能使辐射图像层次分明,图像清晰。这样的图像可以使观察者很快分辨出温度的不同区域。,图像增强技术,图3.16 自动阈值伪彩色编码,图像增强技术,低温区域为蓝色变换;中低温区域的前半部分是以蓝色为主、绿色为辅的变化,后半部分则是以绿色为主、蓝色为辅的变化;中温区域为红色的线性变化,绿色保持不变,产生黄色编码值;高温区域则是以红色为主色调,绿色输入线性递减,产生高温区的编码值。,图像增强技术,3.5 频率域增强处理3.5.1 低通滤波在傅立叶变换域，变换系数反映了某些图像特征。如频谱的直流分量比例于图像的平均亮度，噪声对应于频率较高的区域，图像实体位于频率较低的区域等。变换域具有的这些内在特性常被用于图像增强，如构造一个低通滤波器，使低频分量顺利通过而有效地阻止高频分量，即可滤除频域噪声，再经反变换来取得平滑图像。由卷积定理，低通滤波数学表达式是G(u,v)=F(u,v)*H(u,v)，式中F(u,v)为含有噪声的原图像的傅立叶变换；H(u,v)为传递函数（又称转移函数）；G(u,v)为经低通滤波后输出图像的傅立叶变换。,图像增强技术,这里假定噪声和信号成分在频率上可分离，且噪声表现为高频成分。H滤波滤去了高频成分，而低频信息基本无损失地通过。滤波后输出图像为,常用的频率域低通滤波器有：,图像增强技术,理想圆形低通滤波器它是一个在傅立叶平面上半径为D0的圆形滤波器，其传递函数为：,式中 D0为截止频率，大于零；D(u,v)是点(u,v)到傅立叶频率域原点的距离。,图像增强技术,巴特沃思低通滤波器该滤波器的转移函数由下式决定：,式中，正整数阶数n影响曲线的形状。当n为无穷大时，变为理想的低通滤波器。,图像增强技术,3.5.2 同态图像增强图像信号可以分为入射光分量和反射光分量。同态图像增强就是在频域内运用同一种滤波器对这两个分量分别滤波，然后再合成，反变换。下图3.17表示同态图像增强的过程框图。,图像增强技术,图3.17 同态图像增强框图,图像增强技术,高通滤波 高通滤波与低通滤波的作用相反，它使高频分量顺利通过，使低频分量受到消弱。频率域内常用的高通滤波器有四种：理想高通滤波器：,图像增强技术,巴特沃思高通滤波器：,指数高通滤波器：,梯形高通滤波器：,图像增强技术,3.5.4 高频强调滤波直接进行高通滤波的话会偏离图像的直流分量，从而吧图像的平均值降到了零。一种补偿的方法就是给高通滤波器加上一个偏移量。若偏移量与将滤波器乘以一个大于1的常数结合起来，则这种方法称为高频强调滤波，因为该常量常数突出了高频部分。这个乘数也增强了低频部分的幅度，只要偏移量与乘数相比比较小，低频增强的影响就弱于高频增强的影响。高频滤波器的形式为：,图像增强技术,其中，a是偏移量，b是乘数，是高通滤波器的表达式。,图像增强技术,3.5.5 小波变换增强 基于小波变换的图像增强就是把原始图像先进行小波分解，得到低频分量和三个高频分量，由于低频分量表示高频分量表示图像中的细节和边缘部分，因此对高频分量进行放大，可以增强图像中的细节部分，低频分量保持不变，然后再进行小波逆变换得到增强后的图像。,