紅外圖像的邊緣提取

　　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

　?。?）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。

　?。?）計算各微動方向的邊緣圖像H：

　　Ci=Fi-A， i=h,v,d （5）

　?。?）計算競爭灰度邊緣圖像H：

　　H=max（Ci）， i=h,v,d （6）

　?。?）將競爭灰度邊緣圖像H重新量化到[0，255]。

　?。?）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）

　?。?）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。