基于人眼微動機理的紅外圖像邊緣提取

圖像邊緣是圖像不同屬性區域之間交接的地方，是區域屬性發生突變的地方。圖像的邊緣包含了圖像大部分的信息，是圖像識別和分類的重要依據，也是圖像處理研究的重要內容。各國學者提出了許多圖像邊緣提取算法,如經典的Sobel、Prewitt、LOG、Canny等算法[1]。這些算法原理簡單易于實現，但是由于它們大多都是基于局部窗口的微分梯度算子，對噪聲敏感，因此不適合處理受噪聲干擾嚴重的圖像。隨著計算機技術的發展以及其他學科理論在圖像處理中的應用，學者們提出了許多基于新理論的邊緣提取算法,如基于形態學、模糊數學、小波變換、分形學的邊緣提取算法等[2-4]。各種算法各有特色，同時都有一定的適用范圍。基于紅外成像機理的特殊性，紅外圖像普遍存在著對比度低、邊緣模糊，圖像信噪比低等特點，紅外圖像邊緣提取難度較大。由于人眼微動具有超分辨率的特性，對紅外圖像處理提供了良好的啟示。本文就是根據人眼微動機理研究紅外圖像邊緣的提取，并通過實驗加以驗證。實驗結果表明,基于人眼微動機理的紅外圖像邊緣提取算法不但能夠精確提取圖像的邊緣，同時能夠很好地減少圖像中的偽邊緣，具有良好的邊緣提取效果。
1 人眼微動成像原理
　　早在1952年,DITCHBURN和GINSBORG等人就注意到人眼在固視狀態下具有無意識的微小運動,即人眼微動[5,6],它分為三種模式：高頻振顫、飄移運動和閃動。由于前兩種幅度不大，同時目前的眼球檢測技術難以精確地測量，因此這里提到的人眼微動主要指閃動。國外學者對眼球微動進行了大量的實驗研究。實驗表明，人眼在停止眼球所有運動的時候，靜止的圖像將突然變模糊繼而消失，眼球微動與視覺的產生存在直接的關系，且雙目微動優于單目微動。近年來，CONDE M等[7]學者通過測量圖像消失或再現前后微動發生的概率、速率以及振幅的變化，進一步揭示了眼球微動與圖像消失有著直接關系,微動與固視圖像的清晰度有因果聯系。
　　人眼微動的成像原理[8,9]為：人眼微動使感興趣信息更準確地落入視網膜的中央凹區，信息越精確地落于中央凹區，人眼所感受到的圖像銳化程度越強；人眼微動會使近凹區反應增強，它們通過橫向連接具有抑制作用的神經網絡對中央凹區的信息進行修正，如一次修正不夠理想，人眼微動會使信息重新更精確地回到中央凹區，同時隨著信息尺度的大小調整微動幅度，如此反復直到精確地辨識出信息為止。信息尺度越小，微動幅度就越小，反之亦然。同時隨著微動速率的提高，對應視網膜上感受視野的銳化能力就會越強。本文通過對圖像進行平移來近似模擬人眼這種微動機制，并將其應用于紅外圖像的邊緣提取。
2 算法基本過程
2.1 算法基本原理
　　人眼主要依靠微動機制來分辨圖像的邊緣，眼球微動幅度越小，圖像的邊緣越細致，隨著幅度增大，圖像邊緣線條變粗，但是對大尺度邊緣突出能力強于小幅度的情形。人眼微動理論具有強大的邊緣提取能力。算法的基本原理如圖1所示[10]。結合視網膜節細胞對方向的敏感性，首先選擇人眼微動的方向，然后通過微動圖像計算微動方向的邊緣圖像，之后各個微動方向邊緣圖像進入競爭環節，競爭的結果則為各個微動方向最優的整體灰度邊緣圖像，最后進行二值化處理生成二值邊緣圖像。
設原始圖像為f(x,y)，則在某一微動方向上圖像的微動邊緣圖像由下式表示：
g(x,y)={f(x,y)-f?茲(x+k1·?駐x,y+k2·?駐y)} (1)
式中，?駐x、?駐y分別表示圖像向x、y方向移動的距離單元，k1、k2表示移動的大小，?茲表示移動的方向,計算公式為：
?茲=arctan(k2/k1) (2)
以r(x,y)表示競爭網絡的輸出，則競爭灰度邊緣圖像可表示為：
r(x,y)=max{gi(x,y)|?坌i} (3)
設定閾值t，得到二值化邊緣圖像：
R(x,y)=1 r(x,y)≥t0 r(x,y)t (4)
2.2 計算步驟
(1)輸入原始圖像A，通過對原始圖像A在微動方向上平移，生成綜合微動圖像F。F=[Ah,Av,Ad]，其中h、v、d分別代表水平、垂直和傾斜方向。本文分別將圖像A向8個方向平移，移動距離為一個像素單位。