基于人眼微動機理的紅外圖像邊緣提取
加入技術交流群
(2)計算各微動方向的邊緣圖像H：
Ci=Fi-A， i=h,v,d (5)
(3)計算競爭灰度邊緣圖像H：
H=max(Ci)， i=h,v,d (6)
(4)將競爭灰度邊緣圖像H重新量化到[0，255]。
(5)為了減少偽邊緣的產生，對競爭邊緣圖像H進行均值濾波處理：
G=mean(H) (7)
(6)對量化濾波后的灰度邊緣圖像，采用非極大值抑制和雙閾值檢測邊緣連接處理，得到二值邊緣圖像。
2.3 非極大值抑制
直接對經過量化濾波的競爭灰度邊緣圖像進行二值化操作并不能準確地提取出圖像的邊緣，因此需要對經過量化濾波的競爭灰度邊緣圖像的幅值進行非極大值抑制來進一步確定邊緣點。若圖像G(x,y)上(i,j)像素點的邊緣強度G(i,j)小于沿平移線方向上的兩個相鄰像素點的邊緣強度，則認為該像素點為非邊緣點，將其灰度值設為0。即保留幅值局部變化最大的點，細化幅值圖像中的屋脊帶。
2.4 雙閾值檢測及邊緣連接
由于圖像中噪聲和邊緣都屬于高頻部分，經過非極大值抑制處理過的邊緣圖像仍然有很大一部分是屬于噪聲的偽邊緣點，因此必須進行去噪處理[7]。本文采用高低雙閾值的方法實現此去噪過程。設定高、低兩個閾值，高閾值處理后的邊緣圖像能去除大部分噪聲，得到尺寸較大的清晰邊緣，但同時也損失了一些有用的細節邊緣信息；低閾值去噪處理后圖像保留了較多的信息，能保留細微邊緣，但是產生了較多的偽邊緣。經過雙閾值化處理之后能夠得到兩幅不同特征二值邊緣圖像。以高閾值邊緣圖像為基礎，以低閾值邊緣圖像為補充進行邊緣連接，實現最終的圖像邊緣提取。
3 實驗結果
實驗結果如圖2所示，其中圖2(a)為一幅大小為405×401的原始紅外圖像，圖像整體灰度值較低，受噪聲影響嚴重，對比度不強，邊緣模糊;圖2(b)和圖2(c)分別為Sobel和形態學算法邊緣提取的效果,圖2(d)為本文算法的邊緣提取效果。
由圖2可以看出，Sobel算法邊緣提取效果較差，目標邊緣斷裂現象較為嚴重，且對噪聲較為敏感;形態學邊緣提取雖然提取目標的邊緣較為完整，但產生大量了偽邊緣；用本文算法提取邊緣，目標邊緣提取效果較為理想，且對噪聲不敏感，提取的偽邊緣較少（圖像周圍的偽邊緣是由于圖像在平移過程中產生的，不影響圖像的后續處理）。
紅外圖像受噪聲污染嚴重，邊緣模糊，應用傳統的邊緣提取算法提取邊緣較為困難。本文根據人眼微動視覺成像的基本原理，結合紅外圖像的特點進行了邊緣提取的研究。實驗結果顯示，基于人眼微動視覺成像機理的邊緣提取算法能夠快速、準確地提取紅外圖像的邊緣，且能夠較好地抑制偽邊緣的產生，取得很好的邊緣提取效果。
參考文獻
[1] 張翔,劉媚潔,陳立偉.基于數學形態學的邊緣提取方法[J].電子科技大學學報,2002,31(5):492-495.
[2] 石振剛,陶耀東,高立群.一種模糊增強圖像邊緣提取算法[J]. 小型微型計算機系統,2008,29(11):2145-2148.
[3] 蒲小勤.基于多重分形的圖像識別研究[D].西安:西北大學,2009.
[4] DITCHBUM R W.GINSBORG B L.Vision with a stabilized retinal image[J]. Nature，1952,170(4314):36-37.
[5] DOWNTON A,CROOKES D.Parallel architectures for image processing [J]. Electronics Communication Engineering Journal,1998,10(3):25-26.
[6] MARTINEZ C，STEPHEN L M. Microsaccades counteract visual fading during fixation[J].Neuron,2006(49):297-305．
[7] 閆金銘,李言俊,張科.基于人眼視覺機理的紅外圖像邊緣提取[J].火力指揮與控制,2009,34(1):60-62.
[8] 李志軍,賀明.人眼微動機制實時紅外圖像邊緣提取[J].光電工程,2008，35(12):117-121.
[9] 王立.視覺機制研究及其在紅外成像制導中的應用[D].西安:西北工業大學,2003．
[10] GONZALES R C,WOODS R E.數字圖像處理[M].北京:電子工業出版社，2005．本文引用地址：http://www.104case.com/article/162483.htm
評論