基于人眼微动机理的红外图像边缘提取
加入技术交流群
(2)计算各微动方向的边缘图像H：
Ci=Fi-A， i=h,v,d (5)
(3)计算竞争灰度边缘图像H：
H=max(Ci)， i=h,v,d (6)
(4)将竞争灰度边缘图像H重新量化到[0，255]。
(5)为了减少伪边缘的产生，对竞争边缘图像H进行均值滤波处理：
G=mean(H) (7)
(6)对量化滤波后的灰度边缘图像，采用非极大值抑制和双阈值检测边缘连接处理，得到二值边缘图像。
2.3 非极大值抑制
直接对经过量化滤波的竞争灰度边缘图像进行二值化操作并不能准确地提取出图像的边缘，因此需要对经过量化滤波的竞争灰度边缘图像的幅值进行非极大值抑制来进一步确定边缘点。若图像G(x,y)上(i,j)像素点的边缘强度G(i,j)小于沿平移线方向上的两个相邻像素点的边缘强度，则认为该像素点为非边缘点，将其灰度值设为0。即保留幅值局部变化最大的点，细化幅值图像中的屋脊带。
2.4 双阈值检测及边缘连接
由于图像中噪声和边缘都属于高频部分，经过非极大值抑制处理过的边缘图像仍然有很大一部分是属于噪声的伪边缘点，因此必须进行去噪处理[7]。本文采用高低双阈值的方法实现此去噪过程。设定高、低两个阈值，高阈值处理后的边缘图像能去除大部分噪声，得到尺寸较大的清晰边缘，但同时也损失了一些有用的细节边缘信息；低阈值去噪处理后图像保留了较多的信息，能保留细微边缘，但是产生了较多的伪边缘。经过双阈值化处理之后能够得到两幅不同特征二值边缘图像。以高阈值边缘图像为基础，以低阈值边缘图像为补充进行边缘连接，实现最终的图像边缘提取。
3 实验结果
实验结果如图2所示，其中图2(a)为一幅大小为405×401的原始红外图像，图像整体灰度值较低，受噪声影响严重，对比度不强，边缘模糊;图2(b)和图2(c)分别为Sobel和形态学算法边缘提取的效果,图2(d)为本文算法的边缘提取效果。
由图2可以看出，Sobel算法边缘提取效果较差，目标边缘断裂现象较为严重，且对噪声较为敏感;形态学边缘提取虽然提取目标的边缘较为完整，但产生大量了伪边缘；用本文算法提取边缘，目标边缘提取效果较为理想，且对噪声不敏感，提取的伪边缘较少（图像周围的伪边缘是由于图像在平移过程中产生的，不影响图像的后续处理）。
红外图像受噪声污染严重，边缘模糊，应用传统的边缘提取算法提取边缘较为困难。本文根据人眼微动视觉成像的基本原理，结合红外图像的特点进行了边缘提取的研究。实验结果显示，基于人眼微动视觉成像机理的边缘提取算法能够快速、准确地提取红外图像的边缘，且能够较好地抑制伪边缘的产生，取得很好的边缘提取效果。
参考文献
[1] 张翔,刘媚洁,陈立伟.基于数学形态学的边缘提取方法[J].电子科技大学学报,2002,31(5):492-495.
[2] 石振刚,陶耀东,高立群.一种模糊增强图像边缘提取算法[J]. 小型微型计算机系统,2008,29(11):2145-2148.
[3] 蒲小勤.基于多重分形的图像识别研究[D].西安:西北大学,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] 闫金铭,李言俊,张科.基于人眼视觉机理的红外图像边缘提取[J].火力指挥与控制,2009,34(1):60-62.
[8] 李志军,贺明.人眼微动机制实时红外图像边缘提取[J].光电工程,2008，35(12):117-121.
[9] 王立.视觉机制研究及其在红外成像制导中的应用[D].西安:西北工业大学,2003．
[10] GONZALES R C,WOODS R E.数字图像处理[M].北京:电子工业出版社，2005．本文引用地址：https://www.eepw.com.cn/article/162483.htm
评论