关键词： 图像
红外图像分析（精选七篇）
红外图像分析 篇1
关键词：近红外显微镜,近红外图像,化学成像
引言
微区分析(Microanalysis)或微区痕量分析(Micro Scale Trace Analysis of Micro-Trace Analysis)一直是分析化学领域一个具有挑战性的课题。显微镜(或显微技术)在微区分析中占有很重要的地位,已深入到分析化学的各个领域。
近红外显微镜把光束聚焦到几个微米的面积上,显微近红外图像技术可以观测到位于样品表面下至少100μm深处的细胞。由于近红外光对玻璃和石英材料是透明,因此即使在近红外区使用普通的物镜时,成像性能也不会受影响。
显微近红外图像技术同时具有以下特点:(1)无需切片,抛光和其它处理;(2)强穿透能力,固体样品大于300μm,组织以厘米计;(3)水的干扰小,可以对鲜活组织和溶液中的细胞样品直接测定;(4)成像仪器可以测定的区域非常大,一般可达到1 cm2以上,并且可以适应粗糙表面的样品;(5)非接触性、非破坏性测试。
由于近红外光谱的谱峰重叠严重,特征性不强,因此,很难找到一个专属于某化合物的特征峰,也就是说,近红外光谱图像很大意义上是多种成分的复合图像,即使单一波长,也是多种官能团信息的叠加,从而导致无法直接对特定化合物成像,也就无从知道该化合物在样品中的分布情况。要获得单一成分的图像就必须从多种官能团的复合信息中提取和分离出单一成分的光谱特征信息,并以该特征信息进行成像,才能从多种成分复合图像中分解得到单一成分的图像。
目前近红外显微成像技术还局限于总吸收图成像和单一波长的化学成像,仍然是多组分成像,并没有进行光谱剥离,成像的准确性还有待于进一步证实。基于多元分析的光谱剥离化学成像技术的研究仅有少数报道。J.R.Barkshire等[1]采用主成分分析技术提取与特定元素相关的主成分(特征向量),成功地对不同元素的分布进行超显微成像,获得单个元素分布的化学成像;Fiona Clarke[2]采用偏最小二乘法(PLS)提取与药片有效成分相关的各个主成分(Loadings),对药片样品进行近红外显微成像,获得药片有效成分分布的化学成像。但是由于主成分特征向量有多个,采用哪一个特征向量做化学成像还有待研究。
本文采用主成分分析方法对干烟叶的显微近红外图像进行分析,采用相关光谱成像法对干烟叶中的淀粉成分进行成像分析,并比较2种图像处理方法的结果。
1 实验部分
1.1 实验仪器及参数
Perkin Elmer Spectrum ONE NTS傅立叶变换近红外光谱仪(美国,Perkin Elmer);Perkin Elmer Spectrum Spotlight傅立叶变换近红外图像系统(美国,Perkin Elmer)。
以透射方式采集干烟叶的显微近红外图像,成像面积约5000×5000μm,空间分辨率25×25μm,波数分辨率为64 cm-1,波数范围7800～2400cm-1。
1.2 实验方法
将烤烟干烟叶上下分别垫滤纸,夹在两张厚玻璃板中间压数日直到将烤烟干烟叶表面压平整。取面积约1 cm2的干烟叶样品,放在载玻片上,用聚苯乙烯膜封住干烟叶样品表面以防止叶片在实验过程中脱水卷曲。
2 结果与讨论
2.1 对干烟叶显微近红外图像进行主成分分析
干烟叶的可见光图像和显微近红外图像总吸收图(见图1)。
为提高光谱的信噪比,将干烟叶显微近红外图像中的光谱做5点平滑处理,由平滑后光谱得到的总吸收图(见图2A)。取波数范围7000～4000cm-1的近红外区的干烟叶显微近红外图像(见图2B)。
对图2B中的39800张近红外光谱进行主成分分析,主成分数选取20个。主成分分析的载荷向量及相应的得分值图像(见图3,4)。从图3中可以看出,第12个特征载荷向量以后的主要信息为噪声。
比较第二主成分的特征向量和烟草淀粉的近红外光谱(见图5)。从图5可见,第二特征向量与淀粉的近红外光谱有较高的相似程度,相关系数达到0.9779,说明第二主成分的信息主要源于淀粉、糖类及碳水化合物,因此第二主要代表干烟叶中淀粉、糖类及碳水化合物的分布[2]。
2.2 对干烟叶显微近红外图像进行相关光谱图像处理
相关光谱图像处理方式(compare correlation)是显微近红外图像分析中常用的一种成像方式。这种成像方式以某一条近红外光谱为标准,计算出显微近红外图像上每一个像素点的近红外光谱与此标准近红外光谱的相关系数,再以相关系数成像。
下面用相关光谱成像方式对干烟叶的显微近红外图像进行成像并且与第二主成分得分值图像做比较。以分析纯淀粉的近红外光谱为标准光谱,相关光谱成像图的波数范围选取7000～4000cm-1 (见图6)。从图6中可以看到,淀粉的相关光谱成像图的分布和PCA法中第二主成分得分值图像的分布形状基本一致。
用相关光谱成像方式还可以得到另一些成分的相关光谱成像图。分别用烟碱、葡萄糖、纤维、蛋白质和果糖的近红外光谱作为标准光谱,选取波数范围7000～4000 cm-1做相关光谱成像图(见图7)。淀粉、烟碱、葡萄糖、显微的相关系数在0.99以上,成像结果较可靠,单蛋白质的相关系数在0.959～0.972之间,图像的正确性有待其它方法的验证。
3 结论
对干烟叶样品的显微近红外图像采用主成分分析的方法提取其特征向量,并将第二主成分特征向量与淀粉的近红外光谱做对比,两组数据的相关系数达到0.9779,表明第二主成分的信息主要源于淀粉、糖类及碳水化合物,第二主成分得分值图像主要代表干烟叶中的淀粉、糖类及碳水化合物的分布趋势;将干烟叶样品的第二主成分得分值图像与干烟叶样品的淀粉相关光谱成像图进行对比,结果表明相关光谱成像图和相应的得分值图像的分布形状和趋势基本一致;对干烟叶中的淀粉、烟碱、葡萄糖、纤维、蛋白质和果糖做相关光谱成像图,确定干烟叶中的化学成分的分布。
A.淀粉;B.烟碱;C.葡萄糖;D.纤维;E.蛋白质;F.果糖
参考文献
[1] J.R. Barkshire,P.G. Kenny,I.W. Fletcher, M. Prutton,Quantitive surface microanalysis of samples with extreme topography utilizing image interpretation by scatter diagrams and principal component analysis.Ultramicroscopy, 1996, 63:193～203
红外图像分析 篇2
随着红外成像技术发展, 红外成像仪在气象观测、资源调查与环境监测、海洋遥感、空间精确测量、空间目标搜索以及空间侦察与预警等遥感领域的应用越来越广泛。红外成像仪的发展是随着红外探测器的发展而发展的[1]。第一代红外成像仪采用线列探测器通过一维光机扫描实现成像。随着CCD等相关技术的成熟和红外焦平面阵列探测器 (IRFPA infraredfocal Plane array) 的出现, 标志着第二代红外成像仪———凝视红外成像仪的出现。与线列探测器相比, 焦平面探测器成像具有结构简单、空间分辨率高、探测能力强、帧频高等优点, 正迅速成为红外成像技术的主流器件[1]。
然而红外焦平面阵列存在非均匀性和无效像元, 尤其是非均匀性问题严重影响了系统的成像质量, 降低了系统的空间分辨率、温度分辨率、探测距离以及辐射量的正确度量。随着航天遥感对地观测技术的进一步发展和广泛应用, 对星载红外相机的定量化要求越来越高, 因此通过定标方法对焦平面的非均匀性和盲元进行校正, 提高定标的精度是必须解决的首要问题。本文在对传统的非均匀性校正方法进行分析比较的基础上, 结合红外成像仪空间应用背景进行了进一步的探讨[1]。
2 IRFPA 非均匀性分析
非均匀性指的是红外焦平面阵列在均匀红外辐射入射条件下各探测元的响应输出的不一致性。通常称这种不一致性噪声为非均匀性噪声, 在图像上具体表现为空间噪声或固定图案噪声 (spatial noise/fixedpattern noise) 。这种非均匀性导致的空域噪声通常远远大于时域噪声[1,2], 因此不能通过时域平均得到抑制, 这是红外焦平面阵列的整体成像性能的最主要限制因素。即使在非均匀性校正 (NUC non - uniformitycorrection) 之后, 由于非线性响应和目标辐射光谱成份的差异, 仍然存在着剩余非均匀性噪声, 并且噪声强度与时域噪声相当甚至超过时域噪声[3]。红外焦平面非均匀性噪声产生的原因十分复杂 (见图1) , 从图1可以看出对非均匀性的分析包括光学系统、IRFPA响应模型以及读出放大电路等几个方面[3]。
目前普遍使用的IRFPA响应是Mooney模型[4], 模型中忽略时域噪声的影响。基于Mooney模型的非均匀性噪声主要影响因子有:探测元量子效率、探测元相对光学系统出瞳的立体角、探测元光敏面积、探测元暗电流 (加性噪声) 。由响应非均匀性引起的空间噪声其空间频率的主要成分不是高频而是低频。
3 IRFPA 非均匀性校正方法
经同步地面定标后发现某些星载红外相机的响应度每年有10%的变化率, 因此星载红外成像仪焦平面的非均匀性更加明显。如果不进行修正, 非均匀性噪声将严重影响对卫星遥感图像的正确判读和有效利用。基于对常用的非均匀性校正方法的研究和相机空间工作环境的分析, 本文分别对基于参考源的定标类修正方法和基于场景的自适应类修正方法进行对比分析[4]。
3. 1 基于参考源的定标类修正方法
标定类算法要求红外成像仪利用定标系统或者地面辐射校正场进行定标测试, 依据获取的定标数据标定出IRFPA每个像元的偏移校正系数和增益校正系数。常见的标定类算法主要包括两点定标法[9]、多点定标法[10] (分段线性定标法) 和非线性定标法。后两种方法都要求红外相机测试多个温度点, 这对定标设备提出更高要求, 因此目前比较实用的是基于黑体的两点定标法。
两点定标法是一种线性校正算法, 假设IRFPA各探测元的响应输出在所感兴趣的温度范围内 (或者黑体的两个温度点之间) 和红外辐射量呈线性关系, 在进行定标校正时, 首先获得所有探测元在两个定标点处的响应值, 并确定校正参数, 然后再利用校正参数进行非均匀性补偿[5]。
本文应用中将两点法校正过程分标定和补偿两个步骤。标定过程利用定标设备分别在两个温度点连续采集16帧图像。对于m×n元红外焦平面阵列, 对16帧图像输出求平均值分别得到其阵列元及IRFPA在均匀辐射背景条件下的输出。在时域噪声中大部分为低频成分时, 16帧图像平均可以消除大部分时域噪声的影响。
补偿过程则将每个像元的响应校正到IRFPA的平均响应。由于是线性响应, 其校正后的输出 (即两点校正函数) 与对应像元的增益校正呈线性关系, 并加上一定的偏移校正系数。由此可以得到两个温度点经校正后的输出及其对应的偏移校正系数。
3. 2 基于场景的自适应类修正方法
自适应类校正方法通常不要求或只需要简单标定, 能够根据工作时外部场景的变化以某种算法产生并不断更新非均匀性校正系数, 使得校正环节能在保证最佳评估结果的条件下实现非均匀性校正所设定的映射。这类算法基于现场景物的变化, 不断修正原来的校正系数因漂移可能产生的误差, 在一定程度上克服了标定类校正方法的不足, 成为目前算法研究和系统应用的重要研究方向。而在自适应方法中神经网络法 (NN -NUC) 、等统计量法 (CS -NUC) 以及时域高通滤波法 (THPF -NUC) 又由于计算量较少、内存需求量少、实时性较好而得到了广泛的研究和应用。
在红外成像仪的非均匀性修正方面, 考虑到空间工作条件下相机工作性能的漂移及衰减现象比较严重, 另外综合一些特殊应用的实时性和精确性要求, 本文对比较适合空间应用神经网络法进行分析比较, 并通过仿真数据进行验证。
自适应的NUC神经网络法 (见图2[5]) 类似于人的视网膜结构中水平细胞元结构[5,6], 利用一个由每个神经元 (对应于IRFPA的每个探测元) 的领域均值组成的隐含层, 对中心探测元的下一个输出进行反馈, 然后利用最陡下降法对校正参数进行逐帧迭代, 直至到达最佳校正状态。Scribner等人利用Liapunov函数证明了神经网络方法的稳定性以及收敛性。
算法假定红外场景总是在移动 (移动量要求不大, 因此可以通过图像的轻微抖动等实现) , 并且利用探测元的领域 (在此用四领域) 均值表示其期望输出。探测器输出符合上文提到的两点定标的线性关系。图中参数α表示控制步长, 步长的选取和图像采集频率有关, 必须足够的小以保证算法的稳定性, 尤其对于噪声漂移比较严重的情况。
4 测试结果与分析
本文通过仿真的红外数据对神经网络方法进行验证。测试数据包括500帧红外图像, 图像在红外模型的基础上加进空间噪声, 飞机沿图像左上至右下方向移动, 偏移噪声的均值和方差分别为0和300, 增益噪声的均值和方差分别为1和0.1, 飞机和背景输出均值为2000, 步长α取为0.01。
由图3可以看出, 到50帧图像的非均匀性噪声已经得到抑制, 明显提高了图像的信噪比, 但是从100帧往后, 图像的改善效果不明显。同时在仿真试验中发现步长控制值α对图像校正影响较大, 当α较大时 (α >0.5) , 则算法不收敛, 当α较小时 (α <0.0001) , 算法的收敛速度很慢, α的选取与图像本身尤其是目标的移动速度有关。本文的仿真模型中没有加入时间噪声, 但是从神经网络法的校正模型分析本方法对时域噪声也有较好的抑制效果。
参考文献
[1]A.F.Milton, F.R.Barone, M.R.Kruer, Influence of Nonuniformity on Infrared Focal Plane Array Performance.Optical Engineering.1985, 24 (5) :855-862
[2]D.A.Scribner, M.R.Kruer, J.C.Gridley, K.Sarkady.Physical Limitation to Nonuniformity Correction in IR Focal Plane Arrays.Proc.SPIE.1987, 865:185-202
[3]W.Gross, T.Hierl, M.Schulz.Correctability and Long-Term Stability of Infrared Focal Plane Arrays.Optical Engineering.1999, 38 (5) :862-869
[4]J.M.Mooney, F.D.Shepherd, W.S.Ewing, J.E.Murguia.Responsivity Nonuniformity Limited Performance of Infrared Staring Cameras.Optical Engineering.1989, 28 (11) :1151-1161
[5]D.A.Scribner, K.A.Sarkady, J.T.Caulfield, M.R.Kruer, G.Katz, C.J.Gridley.Nonuniformity correction for staring IR focal plane arrays using scene-based techniques.SPIE, Infrared Detectors and Focal Plane Arrays, 1990, 1308:224-233
红外图像分析 篇3
由于铜冶金炉的高温密闭性,难于直接检测炉衬的工作状态,一旦炉衬过早蚀损而出现严重故障又未能及时发现和检修,就会导致事故甚至造成停产等后果。为此,冶金工作者一直致力于研究在线监测炉衬蚀损状态的方法与手段,使定期大修制度逐步向预测性维修制度过渡。但至今还没有成熟有效的铜冶金炉炉衬蚀损在线检测、监测与预报技术可供生产现场应用。对于炼铜转炉内壁蚀损状况,一直是依靠现场工作人员用钎杆尺从捅风眼凭经验进行估测,测量误差大、工作效率低而且不能真实反映炉内壁的蚀损状态。据此,作者研究了一种基于红外热像仪测温的炉衬内壁蚀损红外检测方法与系统(如图1)。该方法通过检测炉表温度场变化分析获得炉衬内壁蚀损量,属于软测量技术。该技术需要拍摄一序列的红外图像,以跟踪炉表面温度场及炉衬内壁蚀损随熔炼周期与炉龄的变化趋势,总结其变化规律,建立特定负载和环境温度下设备正常工作温度范围,由此对故障的早期作预报性和预防性的监测分析。然而,由于生产环境因素,热像仪不能做到完全定点拍摄,使相机相对运动造成红外图像的空间位置差异(即图像变形),因此,须对红外序列图像配准后才能作趋势分析。
图像配准是序列图像处理的基础工作,Barbara Zitova总结认为各种配准算法由特征检测、特征匹配、变换模型估计、图像重采样和几何变换等四步构成[1]。配准算法可以大致分为两类[1,2,3,4,5,6]:基于区域类的方法和基于特征类的方法。基于区域类的方法有:互相关类的方法、傅里叶方法、互信息类方法等;基于特征类的方法有:闭合轮廓方法、空间关系方法、不变量描述方法、CLP问题松弛方法、金字塔及小波类方法等。基于区域的图像配准算法不需要对图像进行预处理,但计算量大,对图像的亮度与尺度、旋转等变换非常敏感;基于特征的图像配准算法需要在配准之前对图像进行预处理,提取共同的特征作为配准的依据,但对图像的变形与亮度变化有较好的鲁棒性,应用更加广。根据转炉内壁蚀损监测的特点,本文提出了一种基于等温线特征的红外序列图像配准方法。该方法以红外图像的闭合等温线轮廓作为特征空间,以轮廓质心距离函数描述轮廓形状,以仿射变换作为搜索空间;并分轮廓集匹配和点集匹配两个阶段搜索,采用了傅里叶描述子和距离累加平方和作为相似性度量。
2 红外图像的等温线提取
根据一般二维标量场等值线生成技术原理,对红外图像代表的温度场提取等温线。首先设定灰度值或色阶值(即温度值),由计算机程序自动搜索等温点并标识出来,然后用光滑连续曲线将等温点列连接起来即可得到图像的等温线图。在此利用VTK的几何重构算法提取红外温度数据的等温线。等温线提取的主要步骤:
1)读入整体测温数据,获得红外热图像对应的二维温度数组;
2)调用vtkimageDataGeometryFilter将温度作为Z轴形成三维vtkPolyData类型数据;
3)调用vtk ContourFilter计算等高线;
4)通过VTK数据集接口获得等温线轮廓数据。
图2为某厂4号转炉的25号风口下部区域的热图像及其100℃-125℃-150℃-180℃-200℃-205℃的等温线圈图。
对于转炉内壁蚀损的红外监测,转炉具有相对固定不变的外形和发射率,在炉体外轮廓上可找到和环境温度相同的轮廓标志。可为两幅图像配准提供参考基准。这样从红外图像提取出等温线后,可按图像配准算法要求,从等温线数组中判断等温线轮廓的闭合性及提取轮廓特征等。
3 红外序列图像配准算法
在下述的红外序列图像配准中,参考图像指序列红外图像的第一幅;样本图像指参考图像后续的图像;参考轮廓为参考图像上采集的轮廓;参考轮廓为样本图像上采集的轮廓;变形指由于相机运动造成相同目标在不同图像中的空间位置差异;变化指感兴趣区域的温度变化,消除空间位置差异的配准过程,实际上是突出目标感兴趣区域的温度变化的过程。特征指红外热图的闭合等温线轮廓。
特征匹配的目的是搜索样本图像中发生变形的相同目标,当匹配正确完成后,可以根据目标的不同空间位置反算目标在图像序列中的运动参数,从而消除这种变形,达到配准的目的。
特征匹配分三步,首先将特征轮廓转换为可由算法处理的数据结构,即特征的描述;其次在轮廓集中进行匹配,寻找相似度最高的轮廓对;最后在轮廓对点集合中建立点的一一对应关系(即对应性重建)。
3.1 轮廓特征匹配
1)特征的描述
基于轮廓的描述反映了形状的局部信息,可以反映区域的细小区别,因此形状匹配的精度更高。在此选择基于轮廓的描述,并用傅里叶变换方法提高抗噪性能。
常见的轮廓描述方法有质心距离、复数坐标、曲率函数、累加角度等。经比较发现:质心距离函数同时反映了形状的局部和全局特征,在鲁棒性和信息保留方面具有最好的性能。
本算法采用了等温线轮廓的质心距离函数描述,假设按前述方法提取的等温线轮廓坐标为(x(t),y(t)),t=,0,1…,K,则其质心距离定义为:其中(xc,yc)是轮廓的质心坐标。这样得到的质心距离是一维函数。由于轮廓的质心距离描述不涉及形状位置的质心信息,质心距离描述具有平移不变性,所以可以完整地反映轮廓的外形特征(即给定一个质心和初始角度就可以重建出这个轮廓)。
为了与参考轮廓进行比较,还需将样本轮廓的质心距离函数按照与参考轮廓相同的点数进行采样,采样点数一般为2的整数幂,以便于后续的FFT处理。采样过程也是对轮廓大小归一化和轮廓平滑的过程,采样点的数目须根据具体应用和精度要求确定。
等弧长采样可以获得最均匀的样本间距,本配准算法采用了等弧长采样方法。即以相同的弧长进行采样,两个连续的点的间距为P/K,其中P为形状边界的周长,K为采样点数,此处K=512。
2)等温线的匹配
在形状匹配过程中,通常只关心轮廓的外形特征而不关心轮廓的位置、大小和角度,即形状描述应具有平移、旋转和缩放不变性。上述质心距离描述已具有平移不变性,如果只考虑傅里叶变换的幅值信息而忽略相位信息,就可以获得旋转不变性。
离散傅里叶变换:
傅里叶变换的系数Un构成了形状的傅里叶描述,可记为FDn。傅里叶系数高频部分对形状区分意义不大,可以忽略,因此用于形状相似性度量的傅里叶描述的维数大大降低,一般取前8个低频分量进行比较。缩放不变性可以通过这8个傅里叶描述除以直流分量来获得。因此,参与匹配的特征向量为
这样,轮廓相似度的计算转化为特征向量的欧氏距离计算,在参考轮廓集合和样本轮廓集合中,距离最小的一对轮廓即为相似度最高的轮廓对。
经过上述处理后得到的等温线轮廓质心距离的傅里叶描述子具有平移、缩放和旋转不变性,非常适合进行轮廓相似性的判别。
采用满足三角不等式的轮廓线相似度归一化方法,该方法运用形状傅里叶描述子向量对的距离表示轮廓的非相似度:
对参考轮廓集合和样本轮廓集合中的每对轮廓的傅里叶描述子向量,均按式(3)计算非相似度,将非相似度最大的值作为缩放因子可以将每对轮廓的非相似度归一化到区间[0,100],用100减去非相似度即为相似度评价值。
在参考轮廓集合和轮廓形状集合中,相似度最高的轮廓即为各自图像上的目标外轮廓,由此即可进行后续的轮廓对点集对应匹配。
3.2 轮廓对点集对应匹配
1)对应性重建
由于参考轮廓和样本轮廓是分别从参考图像和样本图像上采集的,因此参考轮廓与样本轮廓上的起始点通常位于目标的不同位置,两条质心距离函数曲线之间存在偏移,需要通过求解这个偏移量以建立轮廓间采样点的一一对应关系。
虽然理论上可以直接从傅里叶变换的相位信息中计算这个偏移量(质心距离函数是个周期函数,可由傅里叶变换的偏移定理直接求解),但试验发现质心距离函数傅里叶变换的相位信息对噪声异常敏感,仅对理想情况下的少数轮廓有效,而对真实轮廓无法保证正确性。
考虑到质心距离是一个一维函数,通过简单的穷举法就可以获得准确的偏移量。具体做法:对每个偏移量计算参考和样本轮廓的质心距离函数的距离平方累加和(见式(4)所示),具有最小平方累加和的偏移量即为样本轮廓的偏移量,将样本轮廓在这个点重新排序即可构造出与参考轮廓一一对应的点序列。
须指出,此方法的唯一特例是两个标准圆形轮廓,由于质心距离函数为两条平行线,相应的距离平方和函数为一常量,无法确定起始点的相对偏移。但对一般轮廓此方法均可求解。
2)轮廓变换参数估计
设参考轮廓的点序列为(r1,s1),(r2,s2),…,(rn,sn),样本轮廓点序列为(u1,v1),(u2,v2),…,(un,vn),则上述的轮廓仿射变换参数估计问题就是估计变换矩阵的a0,a1,a2,b0,b1,b2六个参数,并满足下列矩阵形式的约束:
这是一个过约束问题,采用最小二乘法求解式(5),可得到最小二乘解:
式(6)中α的六个参数即是仿射变换的参数估计值。
在对样本轮廓和参考轮廓的偏移校正前,两条等温线轮廓的质心距离函数存在偏移,对每个偏移量计算两条质心距离函数曲线的距离平方和,取得最小值的偏移即为两条轮廓的起始点偏移量,在这个点将样本轮廓重新排序,可以得到偏移校正后的质心距离函数和两条轮廓的对应点序列。对由此建立了一一对应关系的两条轮廓,执行上述提出的最小二乘方法,可以直接求得仿射或投影的变换矩阵;对每幅红外图像,依次按照上述步骤执行配准后,可以得到空间位置一致的校正了的红外序列图像,图像上相同坐标点指向相同的目标位置;据此可得到炉体表面的温度变化图,即可进行炉衬内壁蚀损的趋势分析。经过配准后的样本图像,其空间信息来自参考图像,温度信息来自原样本图像,因此保持了被测目标的实时温度信息。
4 算法实现与应用分析
在建立上述算法的基础上,采用VC++与VTK结合实现了上述算法。算法的步骤:
1)在轮廓集合中,使用质心距离函数和傅里叶描述寻找相似度最高的等温线轮廓;
2)利用质心距离函数匹配,在相似轮廓线对的点集合上建立对应关系;
3)经过匹配将图像配准问题转换为标准的参数矩阵最小二乘估计问题;
4)由仿射变换建立图像的配准空间。
对不同时刻和不同拍摄位置的两幅炉表红外图像“rt0012.img”、“rt0018.img”(如图3),其中“rt0012.img”为参考图像,“rt0018.img”为样本图像,可以提取等温线轮廓如图4所示,RC表示参考轮廓,SC表示样本轮廓。应用本算法对两条等温线RC1、RC2和SC1、SC2进行了特征匹配,图5是图4中四条等温线的傅里叶描述子的前八个分量。由式(3)计算可以发现RC1和SC1具有最高的相似度,它们对应炉表面的相同位置点。对RC1和SC1执行偏移校正,可以得到偏移校正后的质心距离函数和两条等温线轮廓的对应点序列。对建立了点列对应关系的两条轮廓,按最小二乘法求解式(5),得到仿射或投影变换矩阵。对每幅图像,依次按照上述步骤执行配准后可得到空间位置一致的红外图像序列及温度变化图。
结果分析发现,由于仿射变换是实际变形的近似,等温线轮廓也是目标轮廓的近似,本算法配准后的红外图像存在1∼2个像素误差,考虑到炉体表面感兴趣区域中相邻像素点的温度变化基本上是连续的,因此这个误差可以满足趋势分析的精度要求。也可以通过以上述参数为初值代入最小二乘迭代法,提高配准精度。
5 总结
在铜转炉内壁蚀损趋势分析时,无法在存在空间差异的红外序列图像上作温度趋势分析,据此提出了一种基于等温线轮廓特征的红外系列图像配准算法。使用了质心距离函数和傅里叶描述寻找相似度最高的等温线轮廓,在相似轮廓线对的点集合上建立对应关系,经匹配将图像配准问题转换为标准的参数矩阵最小二乘估计问题,由仿射变换建立图像的配准空间,且算法已编程实现。算法具有简单,运算速度快,检测效率高的特点。算法能较好满足铜转炉内壁蚀损趋势分析的要求。
摘要：根据铜转炉内壁蚀损趋势分析的需要,提出了一种基于等温线轮廓特征的红外系列图像配准算法。使用了质心距离函数和傅里叶描述寻找相似度最高的等温线轮廓,在相似轮廓线对的点集合上建立对应关系,经匹配将图像配准问题转换为标准的参数矩阵最小二乘估计问题,由仿射变换建立图像的配准空间。测试结果表明,算法具有简单、运算速度快的特点,能满足分析精度要求。
关键词：图像配准,红外图像,等温线,炉衬蚀损,最小二乘法
参考文献
[1]Barbara Zitova,Jan Flusser.Image registration methods:a survey[J].Image and Vision Computing,2003,21(11):977-1000.
[2]Xie H,Hicks N,Keller G R,et al.Automatic image registration based on a FFT algorithm and IDL/ENVI[C]//ICORG2000ICRS and GIS/GPS Proceedings.2000:397-402.
[3]Dai X L,Khorram S.A Feature-based image registration algorithm using improved chain-code representation combined with invariant moments[J].IEEE Trans.on Geoscience and Remote Sensing,1999,37(5):2351-2362.
[4]Loh Kok Heng,Er Meng Hwa,Hui Siew Kok.High accuracy registration of translated and rotated images using hierarchical method[C]//IEEE International Conference on Acoustics,Speed,and Signal Processing.Istanbul,Turkey:IEEE,2000,6:2211-2214.
[5]王成儒,赵娜,张丽丽.基于三角形几何相似性的图像配准与拼接[J].光电工程,2007,34(8):87-92.WANG Cheng-ru,ZHAO Na,ZHANG Li-li.Image registration and stitching based on triangle geometry similarity[J].Opto-Electronic Engineering,2007,34(8):87-92.
[6]Cordelia Schmid,Roger Mohr,Christian Bauckhage.Evaluation of interest point detectors[J].International Journal of Computer Vision,2000,37(2):151-172.
[7]Simone Frintrop,Patric Jensfelt,Henrik I.Christensen.Pay Attention When Selecting Features[C]//18th International PatternRecognition Conference.Washington,DC:IEEE Computer Society,2006,2:163-166.
[8]Tian Guuiyun,Gledhill D,Taylor D.Comprehensive Interest Points Based Imaging Mosaic[J].Pattern Recognition Letters,2003,24(9/10):1171-1179.
红外图像分析 篇4
在红外成像探测系统中, 红外图像受到的噪声干扰主要有背景噪声、探测器噪声、放大器噪声、1/f噪声和均匀性校正残留噪声等[2].目前图像噪声的消除方法主要有两类:一类是频域的方法, 主要通过对图像进行频域变换以后, 根据噪声能量一般集中于高频, 采用低通滤波的方式进行滤波处理, 经逆变换后获得去噪声图像, 如傅里叶变换;另一类是空间域方法, 主要采用各种图像平滑模板对图像进行卷积, 达到抑制或消除噪声的目的, 如均值滤波、中值滤波等.
红外图像受到的噪声干扰类型主要为高斯噪声和椒盐噪声[3].但是, 文献[3]同时指出, 红外图像还存在由探测器本身各个像元响应不一致性造成的图像固有噪声和图像均匀性校正造成的图像不均匀性噪声.因此, 为了提高图像预处理的针对性和准确性, 对图像的噪声类型和大小进行判断和估计是很有必要的.由于小波变换具有良好的时频特性和低熵性、多分辨率、去相关性、选基灵活的特点, 其在图像去噪领域得到了很好的应用, 并取得了非常好的效果.文中将使用小波分析的方法进行红外图像噪声类型识别, 对噪声大小进行估计求取阈值, 并对红外图像序列去噪.
1 小波阈值去噪原理和基于小波域的图像噪声描述
1.1 小波阈值去噪原理
小波去噪的方法, 大体上可以分为3种, 即:小波萎缩法、投影方法、相关方法.小波阈值萎缩法是其中研究和应用最为广泛的.小波阈值去噪的基本原理是在对图像进行小波变换的基础上, 选用适当的阈值进行萎缩处理, 然后利用处理后的小波系数重构获得去噪图像.小波阈值去噪效果的好坏主要取决于3个方面的因素:一是阈值函数的选择, 目前主要有硬阈值函数、软阈值函数和半软阈值函数;二是阈值大小的估计, 而阈值大小与噪声方差的大小有关, 因此, 对噪声方差进行尽可能精确的估计很有必要;三是由于同一去噪方法对不同的噪声类型处理效果不一样, 红外图像主要受到高斯噪声和椒盐噪声的干扰, 如何识别两类噪声并选用合适的噪声方差估计方法亦是去噪的关键.
1.2 基于小波域的图像噪声描述图像的去噪模型通常表示为
g (i, j) =f (i, j) +n (i, j) (1)
其中, i、j=1, 2, …, N, N为2的整数次幂;g (i, j) 是含噪图像;f (i, j) 是原图像;n (i, j) 是独立同分布的噪声.对于二维小波而言, 图像可分解为
其中, φ和Ψ为相应的尺度函数和小波函数.对于第s层变换来说, 图像被分解成4个1/4大小的图像, 每个都是图像与小波基的内积, 每一层包含来自前一层的平滑逼近信息Αsf (i, j) 和水平、垂直和对角线信息:D (1) sf (i, j) , D (2) sf (i, j) , D (3) sf (i, j) .设W为正交小波变换算子, 则小波系数矩阵及关系可表示为
Y=Wg;X=Wf;V=Wn⇒Y=X+V (3)
因此, 小波系数具有可加性, 这种特性使得利用小波系数进行噪声分析成为可能[4].
2 噪声识别和噪声方差估计
对图像噪声类型进行识别的目的在于, 相同的去噪方法对不同噪声的去噪效果差异较大, 比如, 线性均值滤波对于零均值高斯噪声有很好的抑制效果, 但对于椒盐噪声的处理效果并不十分理想, 而非线性中值滤波在保护图像细节的同时能有效地滤除椒盐噪声, 但在高斯噪声的抑制上效果一般[5,6].
小波变换后, 图像的能量主要集中在尺度大的子带, 而尺度小的高频子带系数的幅度较小、能量较低.因此, 当噪声较大时, 可以将最高频率子带的系数全部看成是噪声, 由此来估计噪声的标准方差.图像的最高频率子带HH系数 (Ds (3) f (i, j) ) 不仅能反映噪声的大小, 而且能反映噪声的类型.以blood图像为例, 分别加入标准方差为20的高斯噪声和密度为2%的椒盐噪声, 噪声图像及小波分解后HH高频系数的直方图如图1所示.图1a和图1b分别为加入高斯和椒盐噪声的含噪图像, 图1c和图1d分别为其HH系数的直方图, 横坐标为系数幅值 (用Amp表示) , 纵坐标为相同系数幅值的统计个数 (用Ampnum表示) .从图1可以看出, 受高斯噪声干扰图像的HH系数服从广义高斯分布, 其中图1c中曲线边缘轮廓为高斯分布曲线轮廓, 受椒盐噪声干扰图像的HH系数主要集中在零值附近, 而且幅值较大的系数个数较少, 利用2种噪声HH系数分布上的区别, 可以识别出2种噪声.
图像噪声大小是由噪声的方差决定的, 高斯噪声大小直接由方差表征, 椒盐噪声虽然由密度表征, 但是, 密度的大小同样与方差息息相关.Donoho和Johnstone提出了使用小波系数估计高斯噪声标准方差大小的公式为
σ=Med/0.674 5 (4)
其中, Med为HH高频子带小波系数幅值的中值.椒盐噪声密度可由文献[7]提出的拟合公式得到
d (σ) =-1.346 2+0.099 995σ+0.002 13σ2+0.000 02σ3 (5)
其中, σ为HH高频子带小波系数的标准方差.
3 实际红外图像系列的噪声分析
图2a为飞机场中的一幅长波红外图像, 图2b为中波红外图像, 视场中间白斑点为热源.分别对2幅图像进行小波分解, 分解尺度为3, 其21 (第一层) 尺度HH高频子带小波系数直方图如图2c和图2d所示, 通过上节分析可以得出, 图2a主要受到高斯噪声干扰, 图2b主要受到椒盐噪声干扰.从红外图像序列第100帧开始, 分别对2个场景每隔10帧取一帧图像, 总共取60帧图像, 分析其所受噪声类型并计算噪声标准方差, 高斯噪声标准方差和椒盐噪声密度曲线如图3a所示.计算飞机场场景60帧图像3层小波分解的3个HH高频子带小波系数的标准方差和所有HH高频子带小波系数的标准方差, 其曲线如图3b所示.从图3a可以看出, 同一场景的图像序列中, 红外图像所受的噪声干扰大小相对比较稳定, 长波红外图像系列所受噪声干扰的方差维持在3～4, 中波红外图像系列所受噪声干扰的密度保持在2%～3%.从图3b可以看出, 从21 (第一层) 尺度到23尺度, 噪声的标准方差呈下降趋势, 红色曲线为所有HH高频子带小波系数标准方差.
4 红外图像系列的去噪方法
4.1 传统的噪声标准方差估计方法
小波阈值去噪可分为全局阈值法和局部阈值法, 全局阈值运算速度快, 但是去噪效果较差, 局部阈值运算速度慢, 但是去噪效果较好.从图3a可以看出, 红外图像系列的标准方差估计值的标准差较小, 长波红外图像噪声方差大小变化较小, 其曲线近似成一条直线, 中波红外图像除了其中2个区域噪声方差突然增大外, 同样近似成一直线.因此, 文中在小波分解的基础上, 提出了改进标准方差大小估计的小波全局阈值法.确定全局阈值的关键在于噪声方差大小的估计.
噪声方差的估计方法有全局方差法和局部方差法.图3a和图3b所估计方差为全局方差, 所谓全局方差就是求取阈值所用的标准方差在各个小波分解层的各高频子带上都是一样的, 利用小波系数的可加性, 即估计高斯噪声标准方差大小的中值Med和估计椒盐噪声密度大小的标准方差均由所有小波分解层次的HH高频子带小波系数计算得到, 这种方法求出的标准方差进行小波域图像去噪效果较好, 但是运算速度较慢.所谓局部方差就是利用小波分解后, 由于白噪声的噪声水平不随小波分解尺度的变化而变化, 因此将21 (第一层) 尺度上HH高频子带系数估计的噪声标准方差作为所有分解尺度的标准方差, 估计得到全局阈值.但是, 21尺度上的标准方差并不能很好地代表其他尺度的标准方差.实际上, 通过对红外图像的小波分析后发现, 随着分解层次的增加噪声水平在逐渐下降, 其结果如图3b, 第一层方差曲线 (蓝色) 、第二层方差曲线 (黄色) 、第三层方差曲线 (绿色) 3条曲线分别表示21、22、23尺度上的标准方差. 因此, 用这种方法求出的标准方差进行小波域图像去噪, 其效果没有全局方差好, 但是运算速度较快.因此, 为了进一步提高运算速度, 同时改善图像的去噪效果, 对噪声方差的估计方法进行了改进.
4.2 改进的标准方差估计方法
由于不同尺度小波HH高频子带系数所包含的噪声能量呈现一定的规律, 可以给各层标准方差设定一个权重系数, 代替直接估计的全局标准方差, 以长波红外图像为例, 其计算过程如下:
(1) 根据实际场景长波红外图像计算3个尺度上的局部标准方差和全局标准方差 分别求取21、22、23尺度上的N帧图像的标准方差为
xj=[σj1, σj2, σj3, …, σjN]′ (6)
其中, j=1, 2, 3.计算N帧图像的全局方差为
y=[σ1, σ2, σ3, …, σn]′ (7)
(2) 计算不同尺度的权重系数
设21、22、23尺度的权重系数分别为A、B、C, 则局部方差和全局方差的关系可用矛盾方程组表示为
其中, n为帧序, 令P=[A B C]′, 则相应的解P为矛盾方程组的最小二乘解.以飞机场长波红外图像序列为例, 每隔10帧, 取60帧图像, 得权重系数为
P=[0.772 9 0.168 8 0.058 3]′ (9)
得改进的全局方差为
其中, j=1, 2, 3;n为帧序.
4.3 小波阈值去噪步骤和实验结果
文中采用的小波阈值去噪方法其步骤为:
(1) 对含噪红外图像进行3层小波分解, 得到噪声图像的小波分解高频系数HH;
(2) 统计第一层小波分解HH高频子带系数的直方图, 根据能量集中程度, 识别其噪声类型;
(3) 根据噪声类型选择噪声方差估计公式, 估计所有小波分解尺度的小波分解高频系数HH的标准方差, 利用式 (10) 计算
(4) 利用确定的阈值对分解的小波系数进行处理, 获得新的小波系数, 并对新的小波系数进行逆变换, 得到去噪图像.
图4中图4a～图4f 6幅图像分别为含噪红外图像和使用线性均值平滑、3×3中值滤波、全局方差法、局部方差法、文中所用小波阈值法进行去噪后图像.使用图像为长波红外飞机场实拍场景视频图像.
使用VC++6.0进行仿真实验, 运行环境为Intel Core2 CPU, 内存为2 G的计算机.含噪红外图像的峰值信噪比为28.18 dB, 分别计算5种方法的峰值信噪比PSNR和处理时间t, 计算结果如表1, 从表1中可以看出, 小波阈值去噪法较传统的均值平滑法和中值滤波法处理效果好, 就小波阈值法而言, 全局方差法的PSNR最高, 但处理时间最长, 局部方差法处理时间较短, 但PSNR较大, 改进的小波阈值法在PSNR和处理时间上得到了较好的平衡, PSNR比传统方法提高2～3 dB, 较局部方差法提高1.2 dB, 时间比对全局方差法快26 ms, 该方法红外图像系列的处理效果较好.
5 结 束 语
通过小波分解后HH高频子带系数的直方图对红外图像的噪声类型进行了识别, 使图像去噪更具针对性, 方法简单有效.提出的改进标准方差估计方法综合了全局方差和局部方差估计的优点, 通过理论分析和实验验证, 表明该方法在去噪效果和处理速度上得到了较好的平衡.由于文中识别方法主要针对高斯噪声和椒盐噪声, 而且权重系数必须根据实际场景先进行求取, 下步的工作应包括: (1) 探讨其他噪声类型的识别方法; (2) 研究不同场景红外图像系列去噪的自适应算法.
参考文献
[1]王永仲.现代军用光学技术[M].北京:科学出版社, 2003.
[2]徐南荣, 卞南华.红外辐射与制导[M].北京:国防工业出版社, 1997.
[3]邹前进, 冯亮, 汪亚.红外图像空间噪声分析和预处理方法改进[J].应用光学, 2007, 28 (4) :427-428.
[4]Chang S Grace, Bin Yu, Martin Vetterli.Spatiallyadaptive wavelet thresholding with context modeling fori mage denoising[J].IEEE Trans.on I mage Processing, 2000, 9 (9) :1522-1531.
[5]宗思光, 王江安.多量级多向梯度海空复杂背景红外弱点目标检测[J].应用光学, 2005, 26 (5) :25-28.
[6]张强, 那彦, 李建军.基于边缘几何特征和频域相关技术的图像匹配方法[J].应用光学, 2006, 27 (4) :285-288.
红外图像分析 篇5
关键词：图像处理,图像分割,红外图像仿真,温度
常用的红外图像仿真的生成包括红外辐射物理学、传热学、大气辐射物理学、计算机图形学等多学科领域。本文基于可见光图像反演的典型目标场景对红外成像仿真进行研究，希望可以通过对目标图像和可见光图像进行研究，得出二者在目标相同位置的规律，利用这个规律进而得出一般情况下可见光图像的红外图像，达到仿真的效果。
1 典型地物的特点
由于时间限制，本文只完成最普遍的两种目标，绿色植物和建筑物。首先分析、材料反射率、辐射率、粗糙度、环境温度等特性。
1.1 绿色植物的特点
植被是生长于地球表层的各种植物类型的总称，在地球系统中扮演着重要的角色，它是地球表层内重要的再生资源。植被是全球变化中最活跃、最有价值的影响要素和指示因子。
健康植物的反射光谱特征：
健康植物的波谱曲线有明显的特点，在可见光的0.55?m附近有一个反射率为10%～20%的小反射峰。在0.45?m和0.65?m附近有两个明显的吸收谷。在近红外波段0.8～1.3?m之间形成一个高的，反射率可达40%或更大的反射峰。
植物的辐射发射率：
植物的发射特征主要表现在热红外和微波谱段。植物在热红外谱段的发射特征，遵循普朗克(Planck)黑体辐射定律。健康绿色植物的发射率一般在0.96～0.99范围内，常取0.97～0.98;干植物的发射率变幅较大，一般为0.88～0.94。
植物粗糙度的影响：
植物的雷达后向散射强度与其介电常数和表面粗糙度有关。反映了植物水分含量和植物群体的几何结构，同样传达了大量植物的信息。
1.2 建筑物的特点
建筑与树木植物的光谱特征差别很大，城镇扩展对大气环境的另外一个显著影响就是城市的“热岛效应”。对建筑物的辐射特性有很大的影响。
建筑物的反射率：
铁皮建筑表面成灰色，反射率较低而且起伏小。石棉瓦反射率最高，沥青粘砂屋顶，由于其表面铺着反射率较高的砂石而决定了其反射率高于灰色的水泥平顶。
建筑物的辐射发射率：
建筑物在热红外谱段的发射特征，与建筑物温度和环境温度直接相关。建筑物也是灰体，因而研究它的热辐射特征必须考虑发射率。建筑物的发射率一般在0.5～0.99范围内。
建筑物粗糙度的影响：
地物的发射率与地物表面的粗糙以及颜色和温度等有关。地物表面比较粗糙或颜色发暗，其发射率较高;地物表面比较光滑或颜色明亮，其发射率较低。
2 实验过程
1)采集一天中不同时间的同种植物的可见光图像和相应的红外图像。用CCD摄像机采集可见光图像，用红外热像仪采集对应的红外图像。根据上述了解到的植物的特点进行研究。
2)采集一天中不同时间的同一建筑物的可见光图像和相应的红外图像。仪器同上。根据上述了解到的建筑物的特点进行研究。
3 可见光图像反演红外图像的过程
当获得了同一目标的灰度图像和红外图像之后，图像的灰度矩阵是整个图像的灰度分布，无法辨别我们需要的某一块的灰度值，需要对研究对象进行图像分割。
图像分割：计算机自动分割的方法有很多，如灰度阈值分割、区域生长法和区域聚合法等，这些方法各有优缺点。
本次研究拟采用手动分割的方法，即把目标相同区域的图像截下来直接进行研究。
4 实验结果
如图3为建筑物的比较图，图4为绿色植物的比较图，(a)为可见光图像，(b)为真实拍摄的红外图像，拍摄距离为100m。可见光图像与红外图像两者拍摄角度略有差别。(c)为利用可见光反演的红外图像。
5 结语
实验表明，在相同的灰度范围内，利用可见光图像反演的红外图像，十分逼近于通过使用真实红外热像仪拍摄得到的红外图像。
参考文献
[1]左月萍, 张建奇.红外成像系统仿真技术的现状与未来.红外与激光工程, 2001.
[2]李大勇.实际图像去噪方法研究[J].科技咨询导报, 2007.
红外图像的降噪技术与实现 篇6
红外线是波长780 nm～1000 μm的不可见光线, 具有一定的穿透性、热辐射性。通过一定的手段红外线可以把我们肉眼看不到的物体或物体内部形状呈现在我们面前。它在科研、军事、医学、工业、民用等许多方面有着越来越重要、越来越广泛的应用。红外线固有的散射性、受环境影响大等特点、受红外成像器件灵敏度、分辨率和噪声等的限制, 大部分红外成像场合光照度不高, 以及目标与环境辐射影响, 红外图像清晰度差、对比度低, 不像可见光图像那样具有丰富的细节和层次。而且图像在生成和传输过程中常常受到各种噪声的干扰和影响而使图像降质, 这对后续图像处理将产生不利影响。为了充分利用捕捉到信息, 抑制噪声, 改善图像质量, 便于更高层次的处理, 必须对红外图像进行降噪处理。
计算机图像降噪有很多种, 总体可分为时域降噪、空域降噪和频域降噪三大类。在实际应用中多采取其中一种方法, 也有采取多种组合或多种相关的方法。
1 时域降噪
时域描述信号强度随时间的变化。多采用递归滤波法, 多用于连续采集的场合, 在连续采集过程中图像和噪声信号的相关性不同, 图像信号具有较强相关性, 噪声信号具有较强的随机性, 采用对帧信号求平均的方法可以有效的去除图像信号中的噪声。递归滤波分有限脉冲响应 (FIR) 和无限脉冲响应 (IIR) 滤波器。
1.1 无限脉冲响应 (IIR) 滤波器如图1。
传递函数:
P (n) =kP (n-1) + (1-k) X (n) (0
其中:
X (n) 为当前输入的图像;
P (n) 为当前输出图像;
P (n-1) 为前一帧输出的图像。
1.2 有限脉冲响应 (IIR) 滤波器如图2。
传递函数:P (n) =∑P (n-i) /i (i=1～k)
由于递归滤波是时域相关的, 因此在运动序列中会出现拖尾等现象, 为解决这些问题, 人们提出来许多改进算法, 如提出了一种自适应算法, 主要思想是让相邻两帧的图像信号在运动检测器进行比较, 以两者的差值自动控制系数k的大小。
2 空域降噪
空域描述信号在不同空间信号的分布, 空域分析法就是对图像矩阵进行处理。常用的又均值滤波、中值滤波、维纳滤波等。
2.1 均值滤波
邻域平均法是一种局部空间域处理的算法。设一幅图像f (x, y) 为N×N为的阵列, 处理后的图像为g (x, y) , 它的每个像素的灰度级由包含 (x, y) 领域的几个像素的灰度级的平均值所决定, 即用下式得到处理后的图像:
undefined
式中:
x, y=0, 1, 2, ∧, N-1;
s是以 (x, y) 点为中心的邻域的集合;
M是s内坐标总数。
图像邻域平均法的处理效果与所用的邻域半径有关。半径愈大, 则图像模糊程度也愈大。另外, 图像邻域平均法算法简单, 计算速度快, 但它的主要缺点是在降低噪声的同时使图像产生模糊, 特别在边缘和细节处, 邻域越大, 模糊程度越厉害。
2.2 中值滤波
中值滤波是一种非线性滤波, 中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替。设有一个一维序列f1, f2, …, fn, 取窗口长度为m (m为奇数) , 对此序列进行中值滤波, 就是从输入序列中相继抽出m个数:
fi-v, …, fi-1, …, f1, …, fi+1, …, fi+v, 其中:
i为窗口的中心位置:
undefined, 再将这m个点按其数值大小排列, 取其序号为正中间的那作为出。用数学公式表示为:
Yi=Med{fi-v, ∧f, ∧, fi+v} i∈Z,
undefined
由于它在实际运算过程中并不需要图像的统计特性, 所以比较方便。在一定的条件下, 可以克服线性滤波器所带来的图像细节模糊, 而且对滤除脉冲干扰及图像扫描噪声最为有效。但是对一些细节多, 特别是点、线、尖顶细节多的图像不宜采用中值滤波的方法。
3 频域降噪
频域描述在一定时间范围内信号的频率分布。频域分析法是通过图像变换将图像从空域变换到频域, 从另一个角度来分析图像的特征并进行处理。
在分析图像信号的频率特性时, 一幅图像的边缘, 跳跃部分以及颗粒声代表图像信号的高频分量, 而大面积的背景区则代表图像信号的低频分量。用滤波的方法滤除其高频部分就能去掉噪声使图像得到平滑由卷积定理可知:
G (u, v) =H (u, v) F (u, v)
式中:
F (u, v) 是含噪声图像的傅里叶变换;
G (u, v) 是平滑后图像的傅里叶变换;
H ( u, v) 是低通滤波器传递函数。
利用H (u, v) 使F (u, v) 的高频分量得到衰减, 得到G (u, v) 后再经过反变换就得到所希望的图像g (x, y) 了。
undefined傅里叶变换undefined线性低通滤波器undefined傅里叶反变换undefined常用有理想低通滤波器 (LIPF) 和巴特沃思低通滤波器
4 小波降噪
上述经典去噪方法多在频域、空域或时域相对独立展开。容易造成了顾此失彼的局面, 虽然抑制了噪声, 却损失了图像边缘细节信息, 造成图像运动模糊和边缘模糊。小波分析由于在时域频域、同时具有良好的局部化性质和多分辨率分析的特点, 能有效地把信号和噪声区别开来, 因此不仅能满足各种去噪要求如低通、高通、陷波、随机噪音的去除等, 而且与传统的去噪方法相比较, 有着无可比拟的优点, 成为目前图像降噪中主要采用的方法。小波降噪的基础是小波变换, 其特点是将信号与噪声在频率进行分离, 抑制有用信号频带以外的噪声, 使有用信号通过, 但不能抑制与有用信号占据相同频带的噪声。小波变换适用于时变信号的频谱分析, 能够显示信号频率随时间变化的特性。其步骤:<1>小波变换;<2>对小波系数非线性处理, 以滤除噪声;<3>小波逆变换。
undefined小波变换undefined小波逆变换undefined
基本模型:
假设含噪数据fi=gi+εi i=1, 2, 3…, N 由真实信号和噪声组成, εi与gii相互独立。其向量表示为f=g+ε。滤波的目标是在观察到f的前提下, 对g进行估计。图像数据经过小波变换, 得ω=θ+η。上述滤波过程的3个步骤可描述为:
ω=W (f) , ωt=D (ω, t) , g=W-1 (ωt)
其中:
W (f) W-1 (ωt) 分别为小波变换和逆变算子;
D (ω, t) 为非线性滤波算子。
小波降噪的基本方法:空域相关滤波、基于奇异性检测的小波滤波、小波阈值滤波等。
5 红外图像降噪的实现。
任何高于绝对零度的物体都在不断发出红外辐射。都有可能在其成像探测器上留下影象, 加之成像系统自身的噪声, 对于镜头长期固定, 或每个场景镜头固定的状态, 都会形成固定的背景噪声, 在此情况下, 去除背景噪声对提高红外图像质量有着明显的效果。一幅红外图像:
G (x, y) =P (x, y) +F (x, y) +N (x, y) (x, y) 为图像的像素坐标) 可以描述为被检测对象的图像信息P (x, y) 、背景信息F (x, y) 、噪声N (x, y) 信息组成当前红外图像信息。
在医疗检测或工业检测开始之前, 对每个场景取景保存。该图像信息可作为背景信息F (x, y) , 以后在该场景下所摄取的每帧图像去除背景信息, 得到的就是含噪声的监测对象的图像信息:
f (x, y) =G (x, y) -F (x, y)
=P (x, y) +N (x, y) 。
然后, 根据图像不同性质分别进行降噪。对于动态连续采集的图像实行自适应无限脉冲响应 (IIR) 滤波器P (n) =kP (n-1) + (1-k) X (n) ,
取k=1/3既可以满足降噪的要求, 又没有运动拖影。在医学上对乳腺的检测k值可以取1/5～1/8仍然没有明显的拖影。在工业上对硅锭硅块的检测取k=1/8时甚至可以达到红外摄影的效果。对于非连续的触发采集的图像使用小波降噪方法, 由于红外图像的清晰度和对比度较低, 因此红外图像的噪音频率和图像频率有比较明显的差别, 应用小波降噪具有良好的效果。
摘要：红外图像是一种重要的信息源, 广泛应用于军事、工业、医学等领域, 由于红外图像清晰度差、对比度低、噪声大、容易受环境影响。必须对其进行降噪处理。本文概述了红外图像的降噪技术和实现方法, 为实际红外图像处理中, 降噪方法的选择和改进提供了参考。
关键词：红外图像,降噪,递归滤波,小波变换
参考文献
[1]刘景生.红外物理[M].高等教育出版社, 1992.08.
[2]杨风暴, 韩焱.图像的小波指数降噪法及其应用光电工程.2004.7.
[3]Pok G, Liu J C, Nair A S.Selective Removal of ImpulseNoise Based on Homogeneity Level Information[J].IEEETrans, On Image Processing, 2003, 12 (1) :85-92.
[4]潘泉.小波滤波方法及应用[J].电子与信息学报, 2007.01.
[5]沈启松.X线图像数字处理器的研制[J].医疗装备, 2005.11.
[6]良正.数字图像处理[M].东南大学出版社, 1999.
[7]路系群, 等.图像处理原理、技术与算法[M].浙江大学出版社, 2001, 8.
红外图像降噪与增强技术综述 篇7
红外图像不同于可见光图像,它能够反映场景的温度场信息。近年来,随着红外成像平台与传感器的发展,红外成像已经广泛应用于森林防火、医疗诊断、行车辅助、电力检修和夜视等领域,极大地推动了红外图像处理方法和应用的研究。红外成像按照成像原理来分可以分为主动红外成像与被动红外成像。主动红外成像由一个红外探照灯和一个接收端成对组成使用[1],其探测原理是利用红外探照灯主动发射人眼无法看到的脉冲红外线,由光学系统接收被目标反射的红外辐射,得到目标的红外图像。由于红外线是扩散性传播,能量不易集中,侦测范围较小,且主动红外灯源体积功耗较大,限制了主动红外成像的应用。目前,主动红外成像系统主要应用于某些对便携性要求不高的近距离民用监控场景,以及某些场合下的主被动结合成像[2]。本文针对被动红外成像技术进行讨论,如非特殊说明,文中红外成像均特指被动红外成像。
红外成像技术是通过观测场景中目标和背景各点的热辐射差异,从而反映出场景图像的具体内容与温度场信息的成像技术。其工作流程为:首先(探头)将接收到的红外热辐射信息转化为电信号;然后再将电信号进行处理,将红外成像数据进行降噪与增强,转化为适合人眼观察的图像数据;最后将处理后的红外图像输出到屏幕上,将电信号转化为可见光信号。
红外成像技术的主要研究对象是红外图像采集接收、降噪和增强处理,与可见光图像或主动红外图像融合显示以及对其中具体信息的分析等。目前最主流的红外成像技术是非制冷红外焦平面阵列成像技术(Focusing Plane Array,FPA)。它无需低温制冷,具有体积小、重量轻、功耗低和成本低等优点,但灵敏度、信噪比和温度分辨率上与制冷红外成像还有一定差距。这就导致红外成像数据具有多种非理想因素,表现在红外图像往往具有对比度低、边缘模糊、噪声较大、清晰度不高、分辨弱小目标形状和纹理细节信息能力较差等缺点,其成像质量也一般远低于可见光成像,这就为红外图像的后续应用带来了局限性。随着科技进步,各个应用领域对红外成像的要求也越来越高,仅靠成像器材从工艺上的改进是远远不够的,必须研究更优秀的图像处理算法来满足实际使用要求。红外图像降噪算法能够减轻甚至消除红外成像系统中多种多样的非理想因素对信号的影响;红外图像增强处理能够突出红外图像中的有用信息,提高红外图像空间信息的辨识度,同时为图像目标检测与跟踪[3]、信息隐藏[4]和图像内容分析[5]等后续应用提供有利条件。目前,已经有许多学者围绕红外成像的特性对图像处理方法的研究开展了大量工作,本文对相关理论方法及进展进行了总结归纳,对红外图像处理方法的研究现状进行分类讨论,对发展中存在的问题进行梳理分析,并对其发展趋势进行了探讨。
1 红外图像降噪研究现状
当前,红外焦平面阵列是获取红外图像的最重要的方式。红外图像噪声的来源复杂、信噪比较低,限制了红外成像系统的应用[6]。红外图像中最重要的2种非理想因素是非均匀性与图像噪声。产生红外图像非均匀性的因素大致可以分为2类[7]:器件自身的非均匀性,这部分非均匀性主要由器件材料与制造工艺决定;器件在工作状态时引入的非均匀性,这部分非均匀性主要由工作时温度的非均匀性,红外探测单元与CCD器件驱动信号的非均匀性有关。
红外焦平面阵列成像系统的性能受到阵列中探测器单元的空间非均匀性的影响非常强,这种非均匀性使获取的图像信号模糊不清、畸变,同时会令图像叠加一个受探测器影响的固定图案噪声,严重影响图像质量。
非均匀校正技术可分为2类:基于定标和基于场景的校正技术。基于定标的校正技术要求在特定温度下由黑体产生的均匀辐射对红外焦平面阵列定标。定标法校正精确,在需要精确测温的应用中是必要的,但缺点是在工作一段时间后就需要重新定标校正,且在定标时要求停止镜头的正常工作。基于场景的校正技术不需停止探测系统的正常工作,通常使用运动的若干帧图像序列进行计算得到校正量进行校正,能够连续地得到校正图像序列,但缺点是比较依赖图像运动等特定条件与工作模式,效果较好的一些方法[8],如神经网络校正往往具有较大的学习计算量,难以实时应用。
红外图像非均匀性与制造工艺有关,校正效果更加依赖于工艺的改进,基于场景的校正算法目前还难以达到定标校正方法的效果,只能在一些要求不是很精确的场合使用,这里不做重点讨论。
在本文中只讨论另一种红外图像的非理想因素———图像噪声。红外图像的噪声主要分为以下几种[9]:
1背景噪声:主要指能辐射红外线的自然辐射源(如空气和云,大气抖动)引起的噪声,该噪声与频率无关,是一种典型的白噪声;
2放大器噪声:是由放大器内部自由电子的热运动形成的噪声,具有很宽的频谱,也是一种白噪声;
3探测器噪声:主要有1/f噪声、产生—复合噪声和热噪声等,这类噪声也近似为白噪声。
由以上分析可知,红外焦平面成像除了非均匀性之外,其他噪声基本都符合高斯分布,这样就可以根据噪声性质对其进行抑制。一种理想的降噪算法应该能够在对图像原始信息损失尽量少的情况下对噪声进行尽可能的抑制。一种典型的图像降噪方法对于加噪图像进行处理的结果如图1所示[10]。
经典的红外图像噪声抑制的方法主要分为帧间降噪与帧内降噪两大类。
1.1 帧间降噪
图像序列信号具有连贯性,相邻帧间的时域相关性大于空域图像的邻域相关性,且空域的降噪往往对于图像自身的细节有一定的劣化影响。因此,为保护图像边缘,常常利用帧间滤波的方式对红外图像中具有的白噪声进行抑制[11,12]。帧间滤波最简单的方式是帧平均滤波,但当图像出现运动时,帧平均往往会导致图像的模糊,或者重影拖尾现象。文献[11]提出了基于运动轨迹进行帧平均的算法,即计算每一帧与上一帧的最佳匹配,这样在时域上获得物体的运动轨迹,沿着物体的运动轨迹进行帧间平均来降低噪声,能够在较好的降低噪声的同时防止出现重影的现象。但由于该方法需要进行图像匹配的操作,计算复杂度高,难以实时实现。文献[12]提出了基于运动检测的时域加权均值滤波方法,将图像分为若干子块,并对每一子块进行运动判定。若子块为运动子块,则不做时域滤波处理,对于静止区域的子块采用时域加权滤波来抑制噪声,滤波结果为:
式中,
B(i,j,k)为滤波前子块;为滤波后的子块;M(i,j,k-1)为子块的运动状态,其值为0时表示静止状态,为1时表示运动状态。该算法通过区分图像的运动区域与静止区域分别进行滤波处理,相对于文献[11],牺牲了部分降噪性能来避免复杂的图像匹配,大大降低了算法计算量,使其能够在满足实时性的前提下,有效抑制时域高斯白噪声,提高图像序列的信噪比,同时也能够避免拖影的现象。
1.2 帧内降噪
由于红外图像噪声强度大、种类多、信噪比低,帧间降噪也只能对时域噪声进行抑制,这就需要使用帧内降噪算法作为帧间时域降噪算法的补充。经典的算法有均值滤波、高斯滤波和中值滤波等经典空域滤波器。这些滤波器的特点是算法简单、易于实现,但对图像噪声进行抑制的性能并不够优秀,且可能带来图像模糊和细节丢失等现象。
为了避免这些降噪算法的副作用与局限性,有学者提出了基于动态滤波算子的方法,如双边滤波[13]、各向异性扩散[14]、非局部均值滤波[15]和引导滤波等[16]。这类方法能够根据滤波像素点的邻域信息,自适应地在图像的各个区域建立不同的滤波算子,从而在追求降噪性能的同时得到更好的边缘保持效果。这里对近期的几个热点研究算法进行简单介绍。
1.2.1 非局部均值滤波降噪
非局部均值滤波算法(Non-Local Means Filtering,NLMF)[15]通过在整幅图像中寻找与该噪声点具有结构相似的像素区域作为滤波区域,将图像中噪声点的滤波放到整幅图像中进行考虑,而不仅仅局限于噪点的邻域区域,通过充分挖掘图像中所有与噪声点区域相似的信息,使其全部参与到噪声点的滤波过程中去,从而使得滤波后的图像信息失真程度较小。NLMF的滤波结果为:
式中,I为图像的坐标域;w(a,a')为权重值:
式中,D(a,a')为a与a'所在图像局部区域块Na与Na'的欧式距离,D(a,a')=‖ф(Na)-ф(Na')‖;h为调节因子,用于控制w(a,a')相对于D(a,a')的衰减程度;exp(·)为指数函数。目前学者也对NLMF进行了改进,使其能够更加地适应于红外图像的特性[15]。非局部滤波算法能够在对噪声进行良好抑制的同时具有较好边缘保持的性能。
1.2.2 引导滤波降噪
引导滤波[16]是一种边缘保持平滑滤波器,可以在平滑背景的同时保持场景的边缘细节。它根据具体应用事先设定的一幅引导图I来指导输入图像P的滤波(引导图I可以直接取为输入图像P),使得输出图像Q能够在保留输入图像整体特征的同时,充分获取引导图像的变化细节。对于输出图像的像素i,滤波结果为:
式中,W为滤波核函数,
式中,ωk为第k个核函数窗口;|ω|为窗口内的像素个数;μk与σk2分别为引导图像I在窗口内的均值与方差;ε为平滑因子。
与传统的滤波核函数相比,由于引导滤波使用了邻域内的像素均值和方差作为局部估计,能够根据图像内容自适应调整输出权重值,使其具有良好的边缘保持和细节增强性能。
红外图像具有噪声强、对比度低和边缘模糊的特点。在雾霾、雨天等非理想的情况下,图像质量还会大打折扣。红外图像降噪能够减少因为噪声引起的图像质量下降,提升图像的信噪比,但是降噪后的红外图像仍然对比度较低、细节模糊,往往很难从中提取有用信息,通常还需要使用图像增强技术对图像进行进一步的处理,从而显著地改善红外图像的视觉效果,提高目标图像与背景之间的对比度,着重突显目标,弱化一些无用的背景信息。由于图像增强算法不可避免地会对红外图像中较强的噪声或多或少有一定放大作用,而好的图像降噪算法能够在图像增强时减少噪声对于增强图像的影响,在红外图像增强处理之前,一般也需要先对红外图像进行降噪处理,使得面向红外图像的增强算法能够具有更好的性能。
2 图像增强
图像增强是为了特定的某种应用目的,突出图像中的目标,并改善图像视觉质量,使图像更适合于人的视觉特性或机器的识别系统的信息处理方法[17],其主要目的是使处理后的图像对某种特定的应用来说,比原来图像更加适用。由于红外传感器本身固有的特性,红外图像普遍存在着信噪比低、对比度较差和边缘模糊等缺点,再加上目标距传感器较远,形状、大小、纹理特性较差,目标检测比较困难,更加需要对红外图像进行增强处理。
图像增强方法可根据其处理空间的不同分为两大类:空域方法和变换域方法。空域方法是在图像的像素空间直接进行处理,以每个像素点为操作对象,通过改变像素灰度值来达到增强的目的,如对图像的直方图处理、灰度变换和空域滤波处理等;而变换域方法是以图像在某种变换域(如傅里叶变换域、小波变换域)内为基础的处理,通过对变换域中参数的修改来实现对某一特征的增强效果,最终经反变换得到处理后的图像。随着红外成像的广泛应用,广大学者也对红外图像的增强技术开展了大量的相关工作。
这里利用局部均衡算法[18]对ASL数据集中FLIR的红外图像数据库中的图像Sempach-5[19]进行了增强,效果如图2所示。
近年来,全球红外热成像仪设计、制造及销售领域的代表厂家,美国FLIR公司提出了红外图像细节增强技术(Digital Detail Enhancement,DDE)[20]。该方法能够在有效压缩红外图像动态范围的同时,很好地保留了场景中弱小目标的细节信息,提高了人眼对图像内容的观测能力以及对关键信息的获取能力,是一种较为优秀的图像增强方法。一种DDE算法的实现效果对比如图3所示[20]。
2.1 空域直方图增强技术
基于图像直方图的红外图像增强算法简单易用、实现方便,在一些较低要求的应用场合能够满足实际需求,在实际中应用最为广泛。最简单的直方图增强方法为灰度曲线映射[21]。该类方法通过设定不同的参数来实现对于不同灰度范围的增强或者压缩。常用的映射曲线有:分段线性映射、对数函数映射和伽马函数映射等。但由于其难以适应复杂场景,参数往往需要凭经验手动调节,只能在一些有特殊需求或要求较低的场合使用。
直方图均衡是一种最常用的图像对比度增强算法,其基本思想是根据输入图像的灰度概率分布来确定其对应的输出灰度值,将图像中集中在某些灰度区间的直方图进行扩展,使得图像直方图尽量在全部灰度范围内均匀分布,从而达到提升图像对比度的目的[22]。经典直方图均衡算法[23]利用整幅图像的直方图来完成自适应图像增强。其算法简单易于实现,能满足一般需求。但红外图像往往具有背景强、目标弱小的特点,面积较小的目标经过该方法处理后会淹没在面积较大(对应直方图较高的峰)的背景中,导致背景的过增强,可能反而降低了目标与背景之间的对比度。
针对经典直方图均衡算法的缺陷,学者提出了多种基于直方图均衡方法的改进算法。常见的方法有多直方图均衡算法,平台直方图算法与其他策略的直方图调整[24,25,26,27],如保持图像亮度的双直方图均衡算法(Brightness preserving Bi-Histogram Equalization,BBHE)[24],该算法将图像直方图根据图像均值分为2个部分,对它们分别进行均衡,从而保持输入图像的亮度均值,减少输出图像的局部过增强现象,也一定程度地抑制了噪声放大,对于背景较强,直方图呈单峰分布的图像效果较好,但是对于目标面积大,信号强的图像效果并不够理想。算法[25]提出了平台直方图的概念,该算法将图像直方图进行平台修正,即通过选择一个适当的平台值TH,将高于TH的直方图值修改为TH,再利用裁剪过后的直方图进行均衡,这样对于图像中由于背景引起的较高的直方图峰做了抑制,防止了对图像背景中噪声的过增强。算法[26]提出了下限平台值的概念,即对于低于下限平台值TL的直方图值修改为TL,从而更好地保留了图像中面积较小的细节区域。这种根据平台值修改直方图的方法对于红外图像的背景与噪声抑制有一定的效果,能够保护弱小目标,但是这类算法的平台阈值选择一直是比较困难的,自适应的平台阈值选择算法在某些特性的图像中难以达到预计的效果。算法[27-28]将多直方图均衡和平台直方图均衡结合起来,通过更好地设定直方图分割与平台阈值,得到更好的增强效果。算法[29]提出二维直方图的概念,利用图像的局部信息对整个图像的直方图进行调整,从而得到更适合人眼观察的效果。算法[30]利用图像熵减少最小为准则,自适应调整图像直方图的映射策略,从而在对信息最大保留的同时减少了过增强的现象。
上述直方图均衡改进算法均对于图像的全局直方图进行修改,能够实现对图像整体的对比度增强,但是往往难以照顾到每个局部的细节。因此,学者也提出了基于局部的图像均衡算法[18,31,32,33]。对比度受限的自适应直方图均衡算法(Contrast Limited Adaptive Histogram Equalisation,CLAHE)[31]对于图像的每一个像素利用像素的邻域区域进行均衡增强,从而得到局部的对比度增强效果。但是该算法逐像素进行直方图均衡,其计算复杂度代价巨大。算法[18,31-33]利用部分重叠的窗口进行局部对比度增强,这些算法将图像分块进行均衡,并采用适当的方式来减少可能出现的块效应与过增强等副作用,与CLAHE算法相比,计算量有大幅降低。由于充分考虑了图像的局部特性,局部方法相对于基于全局直方图的算法能够得到较好地局部增强效果,但其计算量仍然较大,难以实时实现,且有容易放大噪声的缺点。算法[34]针对这些缺点提出了对局部直方图均衡算法的优化算法,大大减少了算法的计算复杂度,为局部直方图均衡算法在工程应用中的实时实现提供了可能。
2.2 空域滤波增强
空域滤波主要包括线性滤波和非线性滤波2种。线性滤波的优点是计算复杂度低,但容易造成细节边缘模糊;非线性滤波器能够较好地保持图像边缘,高效去除信号中的噪声。图像处理中常用的空域滤波器主要有:均值滤波器、高斯滤波器、中值滤波器、形态学滤波器和多项式滤波器等[17]。空域滤波器能够实现图像的平滑与锐化,是常用的红外图像处理算法。由于其实现简单,其性能能够满足基本的图像处理要求,在实际场合中常常通过选择合适的空域滤波器,在对应的场合下得到较好的增强效果。
2.3 变换域增强
基于傅里叶变换的频域增强方法[35]的主要思想都是利用二维离散傅里叶变换将图像从空间域变换至频域,对频域参数进行修改来对图像中某些频率的信息进行增强或者抑制,之后再通过反变换得到增强后的图像。但如果仅简单地对图像高频部分进行提升或是对低频部分进行抑制,会出现“振铃”的现象,影响图像的主观效果。基于小波变换的图像增强算法[35]的基本原理与傅里叶变换增强类似:利用小波变换在变换域内设定不同的变换尺度,从而分离原图像中相异分辨率的图像特征,将各种图像特征转变为对应的小波分量,再使用适当的变换函数对各个分量进行变换处理,以增强相异分辨率的图像特征。但小波变换的基是各向同性的,适合表示点奇异的信号。然而面对各向异性的线奇异或者面奇异高维信号,如图像的边界以及线状特征等,小波变换不能最优地表示,从而会影响增强效果。且这类算法的执行效率不高,实时实现也相对困难,工程上用得并不多。
Contourlet变换[36]作为解决小波变换角分辨问题而产生的一种新的图像多尺度几何分析工具,具有多分辨率、局部定位、多方向性和各向异性等性质,弥补了小波变换只拥有有限的方向表示,不能很好地表示图像中的方向信息这一缺陷。该变换基函数分布于多尺度、多方向上,少量系数即可获得含有线和面奇异性信息的图像的稀疏表示。
Contourlet变换是由一个双滤波器组结构来实现的:首先对图像进行拉普拉斯塔式分解(Laplacian Pyramid,LP)产生原始信号的一个低通采样逼近及原始图像与低通预测图像之间的一个差值图像,对得到的低通图像继续分解得到下一层的低通图像和差值图像,如此逐步滤波得到图像的多分辨率分解;然后由方向滤波器组(Directional Filter Banks,DFB)将分布在同方向上的奇异点合成为一个系数,从而捕获图像中的轮廓,最终以类似线段的基结构来逼近原图像。实现方式如图4所示[36]。
利用Contourlet变换算法进行图像增强,主要是用Contourlet变换对图像进行多尺度的表达,用增强算子对变换的各个子带系数做增强处理,以得到边缘细节与纹理特征的增强效果[37]。
3 总结与展望
红外图像降噪与增强对于提高红外成像系统的性能具有显著作用。经典的降噪与增强算法往往计算复杂度低,算法简单易于实现,但是对于图像的降噪与增强效果有限,且往往会带来细节模糊、过增强等副作用。近年来,学者将经典算法与非局部分析方法、Retinex模型和多尺度几何分析方法等多种数学工具结合,同时加入了局部化的思想与人眼视觉模型,提出了很多新算法[38,39,40,41,42,43]。文献[39]将小波变换与对比度受限的局部直方图均衡算法结合起来,利用小波域的特性得到了较好的效果;文献[40]将多尺度图像分析与人眼视觉系统(Human Visual System,HVS)结合进行图像增强;文献[41]提出了对称对数模型(Symmetric Logarithmic Image Processing,SLIP),结合图像的反射模型得到了更好的增强效果;文献[42]利用梯度域信息来约束引导滤波,从而避免光晕效应等副作用,文献[43]将图像细节增强转化为求解基于L0范数的优化问题。其中不少算法的噪声抑制效果和细节增强效果都很优秀。
在红外图像的增强算法研究中,基于单一的统计特征进行的增强显然已经难以满足实际需求。增强方法现在更多地追求利用局部信息,针对人眼特性进行优化与增强,从而得到更好的增强效果。本文涉及的方法均在图像处理效果上有一定突破。然而由于更复杂的数学工具的应用,这些算法大都具有计算量大、难以实时实现的特点,且存在对于多样性的场景难以做到自适应处理、算法中阈值与参数需要凭经验确定、图像过增强和丧失了温度单调性等问题。这就限制了这些方法在不同的实际场合中的实现与应用。因此,尽管世界范围内的红外图像降噪与增强问题的研究工作与技术途径已经得到大力发展,但由于硬件系统与成本的制约,许多算法由于计算量大,难以做到实时处理的要求,目前仍只有理论意义。
在今后相当长的一段时间内,红外图像降噪与增强最重要的工作还是在保证效果与计算量的前提下优化现有方法,提高其性能并使之具有对于多种场景的自适应性;对于性能优秀的新数学工具,需要在尽量保证性能的前提下提高算法处理速度使之能够适用于工程应用;同时基于红外图像的特性,研究更全面的红外图像模型,并考虑人眼的视觉特性,改善图像处理后最终的视觉效果。
摘要：由于目前红外成像系统中技术工艺上的缺陷,红外图像中不可避免地包含多种噪声,具有信噪比低、细节模糊等特点。尽管许多学者已经开展了大量相关的研究工作,目前基于红外成像的处理方法仍然面临许多挑战,还没有形成类似于在可见光成像领域相对完整、成熟的理论体系,对相关研究进展的系统性总结工作仍然相对缺乏。回顾了红外图像处理的发展现状,并根据红外图像的特点分别就红外图像的降噪和红外图像的增强处理两方面进行了重点介绍,对其进展情况和特点分别进行总结归纳,并且就目前研究中存在的问题加以分析,并尝试探讨了其发展趋势。
