红外图像（精选十篇）
红外图像 篇1
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.
红外图像自动目标识别技术发展 篇2
主要介绍了有关红外图像自动目标识别技术发展的现状.红外图像自动目标识别系统的关键技术包括: 算法和算法执行的`硬件技术.最后指出了红外图像自动目标识别的发展趋势和应用前景.
作 者：王甜 王建民 杨树谦 田金文 金善良 作者单位：王甜,田金文(华中科技大学)
王建民,杨树谦,金善良(中国航天科工集团第三研究院)
红外图像 篇3
关键词： 红外热像仪；图像处理；形心检测；夜视安全
中图分类号：U463.6 文献标志码：A 文章编号：1005-2550（2011）05-0045-04
The Application of Infrared Image Processing in
the Automotive Anti-collision System
GONG Zhen-peng，DING Ding
（Vehicle Engineering College，Wuhan University of Technology，Wuhan 430070，China）
Abstract:A new control method is presented.It is used on the vehicle’s night-vision safety based on the processing of infrared images which are taken by thermal infrared imager on the vehicle. After a series of image processings including denoising， segmentation and analysis ， the centroid of the front exhaust pipe is detected . The geometrical model of distance measurement is built on the basis of the centroid and other known parameters . It’s indicated that this control method could be applied to the automotive anti-collision system and open the door widely for increased application.
Key words: thermal infrared imager；image processing; centroid detection；night-vision safety
据美国国家公路交通安全管理局（NHTSA）统计，夜间行车在整个公路交通中只占四分之一，但有70%的交通事故发生在夜间。在夜间等能见度较低的情况下，视距差的环境是汽车行驶的重大安全隐患。现如今的车载防撞系统普遍采用雷达测距，而雷达测距装置造价较高，没有视觉效果。夜视安全系统用作辅助驾驶系统，在视线差的环境中用于观测行人、道路以及无光源障碍物，为整车提供更高的主动安全性。而夜视系统输出为较模糊的图像，驾驶员几乎无法根据这些图像判断障碍物的距离。利用热成像仪进行前车距离测量是视觉测障的夜间解决方法。
本文通过对车载单目红外热像仪所拍摄的前车尾部红外图像的处理，从中分离出排气管位置在红外图像中的形心坐标，并以此实时检测本车与前车的距离。可以将这一数据实时告知驾驶员，保证行车的安全。
1 红外热源的选取
任何物体在温度大于绝对零度时，都会向外发射红外线，所发射红外线的强度和波长与物体的温度有关。红外热像仪就是通过接收不同温度的物体所发射红外线，并检测光敏元件活跃程度而成像的。
视线差的车辆行驶环境中，前车的诸多热源可以作为本车的红外探测对象，如排气管、牌照灯等。一般来说汽车排气管出口温度在60°~100°之间，与周围环境的温差较大。另外汽车尾气排出时会在排气管出口形成一团高温气体，因此经处理后的汽车尾部红外图像具有较高的对比度，容易将排气管出口区域从整体图像中分割出来，便于后续操作处理。本文将对所拍摄的轿车尾部排气管的红外图像进行处理，检测排气管出口处的形心坐标，并得到相应的测距方法。并通过检测本车的车速、加速度计算安全行驶距离，并在必要时发出与前方车辆的避撞报警。图1为基于红外热图像处理的车辆夜视安全算法流程。
图1 基于红外热图像处理的车辆夜视安全算法流程
2 图像测距模型
夜间行驶环境下，为了保证安全，须实时向驾驶员提供与前车的距离。而目前一般的图像测距模型是基于小孔成像的原理建立起来的。目标与镜头距离越远，则像中目标的尺寸越小，越近则尺寸越大。建立模型，如图2所示：
图2 基于小孔成像的测距模型
图2中，C点为尾气管形心实际位置，离地高度为h；Q为该形心的像，其坐标为（x1、y1）；O点为镜头中心点，此时描述为小孔，离地高度为H；O1为像平面的中心点，其坐标为（x0、y0）；f为热像仪有效焦距；设D为前车距离本车的斜线距离。
则由三角形相似得到：
=（1）
所以：D=·（2）
式中，H已知；h为汽车排气管离地高度，对于一般的车辆h约在200~400 mm之间，可以取300 mm进行估算；f为热像仪的有效焦距；可以设定坐标点（x0，y0）为原点，而（x1，y1）可以根据摄像机参数和标定得出。
3 红外图像处理及形心提取
红外热像图是通过探测物体表面的温度辐射来成像的，但是这期间不可避免的受到非检测对象的辐射干扰，如大气，灰尘等，因此一般的红外热像图都有边缘模糊，对比度不高的特点，这些干扰统称之为噪声。通过对图像的预处理，滤去噪声，可以提高信噪比。图像分割是将目标从图像中分离出来，便于后续的处理。但是在分离过程中，也会将图像中的伪目标分离，因此分割完成后需要对图像进行二值形态学滤波，提取目标。
3.1 图像预处理
与可见光图像相比，红外热图像存在着噪声较大，边缘模糊的缺点。图像的预处理的目的是为了抑制图像中的背景和噪声，其在整个的图像处理过程中占有重要地位。背景抑制的好坏直接影响到后面图像分析的结果和质量。目前所采用的滤波算法有高通滤波、带通滤波、中值滤波、数学形态滤波，以及基于小波变换的滤波方式等等。由于要考虑后续图像特征目标的提取，在对图像进行消噪滤波过程中，要保持目标的轮廓。而中值滤波的优点就是在滤去噪声的同时，并不破坏图像的轮廓特征。因此在车载红外图像处理中，中值滤波适合作为图像预处理的算法。本文是对公路夜间所拍摄的红外图像进行处理，在进行处理之前要求将图像由原来的彩色图像转化为灰度图像。图3为中值滤波后的图像。
图3 中值滤波后的图像
3.2 图像分割
图像分割是指将图像中有意义的对象与其背景分离，也就是把图像中具有不同含义的对象提取出来。车载热像仪所拍摄的红外图像在经过滤波消噪处理后，需要对图像中的目标特征也就是前车排气管部分进行提取。常用的图像分割方法主要有两种，分别是基于图像边缘的分割和基于图像灰度直方图形状的阈值分割法。经过滤波处理后的实时红外图像具有不同的背景灰度，各个背景之间，背景与目标之间，灰度直方图的形状都有很大的差别。为了得到较理想的分割图像，需要对不同的图像取不同的阈值。因此基于图像灰度直方图形状的阈值分割法不便于自动处理，可以选用基于图像边缘的分割方法。最大类间方差法不需要人为地设定阈值，是一种自适应阈值的基于边缘的图像分割方法，可以用作实时图像的分割处理。
基于最大类间方差的图像分割是将图像中的目标和背景分类，将图像分为背景区域和目标区域，并认为这两区域间的方差最大时，是最佳分离状态，并由此确定阈值。经Matlab实现最大类间分割后，图像有灰度图像变为二值图像。图4显示的为经最大类间分割后的图像。其中大块亮斑为汽车尾部排气管的高温区，小块的斑点包含有，汽车牌照灯、路边的街灯等一些干扰点。
图4 最大类间分割后的图像
3.3 二值形态学操作及特征提取
在经过了降噪滤波和图像分割之后，提取到了含有目标和部分杂质的图像。接下来要对所得到的图像二值图像进行处理，除去伪目标，得到目标的近似形心的坐标。二值形态学的基本思想是用一定形态的结构元素去度量和提取图像中的对应形状，然后经过图像分析和图像识别。其基本运算包括：膨胀、腐蚀、开启和闭合、提取边界等运算。
从分割后的图像可以看出，图像中除目标外，可能还存在由路灯、汽车牌照灯等温度较高的物体所遗留的亮点。若直接提取目标的形心，则所得到结果会有较大偏差，因此需要删除其他的小亮点，排除干扰。具体做法是，首先对分割后的图像进行腐蚀，然后求出形心坐标点所对应的像素值，若像素值为0，则形心落在了大块亮斑的外边，显然这是不准确的。这时需要进一步对图像腐蚀，直到形心落在亮斑内部，得到比较满意的形心坐标。图5为经过腐蚀图像和求取形心坐标联合处理后的图像，图像中叉点即为所求的形心。
图5 腐蚀和求形心联合处理后的图像
4 试验结果描述及误差分析
为了验证上述方法，在公路上跟踪某一车辆拍摄不同距离下多幅图像，并按照文中所述的方法进行处理。所选用的热像仪像素为384×288，像元尺寸为25 ?滋m，定焦距为100 mm。采用式（2）计算，结果如表1所示。
表1 试验处理结果
从表1可以看出，采用本方法可以实时估计出本车与前车的相对距离，绝对误差值随着测量距离的增加而变大，而误差率在可以接受的范围内。从整个系统看，影响结果的主要误差来源有：
1）由于本车的颠簸，热像仪的轻微晃动，造成形心检测不准确，这是检测误差的主要来源。此种误差来源受限于试验条件，相信提高稳定装置后会得到较精确的测量结果。
2）另外由于路面的起伏，对于排气管高度的假设条件不能始终满足，造成计算结果有偏差。
3）热像仪自身的光学元件以及传感器所带来的系统误差。
4）由于路边突然出现高亮物体，影响图像处理的结果。
5 结论
本文所提出的采用对汽车尾部排气管的红外图像处理，经过建模计算实现单目测距。尾部排气管局部温度高，因此所拍摄的红外图像对比度较高，易于分割处理，能够得到比较准确的距离估计值。适用于在路面平坦，视野开阔的路面。在试验中也发现存在由于车身颠簸，路面不平所带来的误差，为解决这些问题需要探索新装置、新技术来加以完善。
参考文献：
［1］ 李栋梁.汽车夜视系统研究［J］.电子设计应用，2008，（9）：82-84.
［2］ 陈扬，陈荣娟，郭颖辉. MATLAB 6.X 图形编程与图像处理［M］.西安：西安电子科技大学出版社，2002.
［3］ 李广. 基于立体视觉和激光测距融合的汽车防撞系统研究［D］.镇江：江苏大学，2010.
红外图像的降噪技术与实现 篇4
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 篇5
关键词： 可见光图像； 红外图像； 图像融合； 边缘检测
中图分类号： TN 911.73文献标识码： Adoi： 10.3969/
引言随着现代科学技术的发展，单一传感器提供的信息已不能全面反映探测对象的目标特性，单一的探测模式也逐渐向多波段多频谱协同探测模式发展。其中，红外成像传感器和可见光成像传感器是两种常用波段的传感器，采用两者数据融合处理技术，利用信息的互补性，可提高系统的空间分辨率、全天候工作能力以及目标检测和抗干扰能力，有效扩展系统目标探测的空间和时间覆盖范围[1]。近年来，对同一场景的可见光与红外图像的融合已成为国际上的研究热点，各种方法不断出现。对于像素级图像融合，其算法主要可分为以下三种：简单算法，塔形分解基础上的图像融合及小波分解基础上的图像融合。本文在论述以上方法理论的基础上，针对现有的红外与可见光图像融合方法的不足，提出了一种基于边缘检测的小波变换图像融合方法，并对融合效果进行了评价。1图像融合算法
1.1图像融合的简单方法图像融合的简单方法是直接对参加融合的各对应像素进行选择、平均、加权平均等简单处理后，融合得到新的图像。它是一种典型的图像融合算法，其特点是不对各源图像进行任何的分解或变换。简单的融合方法主要有：（1）选大像素灰度值；（2）选小像素灰度值；（3）像素灰度值的平均或加权平均（简称加权平均）。由于简单的图像融合方法会造成融合图像对比度下降，因此它的使用范围及其有限，只适合对图像质量要求不高的场合，并且该算法的融合过程参杂了人工的干预，对目标的自动识别造成一定影响[2]。
光学仪器第35卷
第1期李茜，等：基于边缘检测小波变换的红外与可见光图像融合方法
1.2基于塔形分解的图像融合方法图1所示为基于塔形分解的融合过程，这种图像融合方法的特点是多尺度、多分辨率，且其融合过程是在不同尺度、不同空间分辨率、不同分解层上分别进行的。基于塔形分解的图像融合方法主要有：（1）基于比率塔形分解；（2）基于梯度塔形分解；（3）基于对比度塔形分解；（4）基于拉普拉斯塔形分解。与图像融合的简单方法相比，经该方法融合的图像质量有了明显的改善，但是，使用该方法进行融合后的图像，图像数据总量有所增加，这是由于在进行塔形分解的过程中产生了冗余分解。其中，图像的比率、拉普拉斯和对比度塔形分解没有方向性[34]。
红外图像降噪与增强技术综述 篇6
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。
近红外显微图像的主成分法图像处理 篇7
近红外光谱分析是一种对样品不需要复杂的预处理,能进行原位分析,扫描速度快,而且不需要大量的有机溶剂,对环境友好的现代仪器分析技术,目前已经成熟地被应用于农产品[1,2]、中草药[3,4]等诸多领域的分析中。显微近红外图像的分析是基于近红外光谱分析技术的一种将图像学和光谱学相结合的仪器分析方法。微区分析是分析化学领域里一个具有挑战性的课题,近红外显微成像技术是其中之一。近红外显微镜同时记录样品的空间和光谱的信息,包含四个变量:平面位置的两个坐标、波长和对应的吸光度。一般显微红外光谱图像采用总吸收光谱成像和特征波长下的吸光度值成像。在红外光谱中特征波长总是与分子官能团相联系的,特征波长吸光度值与样品中所含的化学成分相关,因此特定波长的吸光度图像也是样品中特定化学成分分布,该图像也称为化学成像[5,6]。
但是近红外光谱重叠严重,光谱峰特征不显著,一般每个波长的吸收值都是多种化学成分吸收值的加和,因此不能直接采用化学成像方法获得单一化学成分分布图像。主成分分析(principle component analysis,PCA)是一种常用的数据特征提取方法,它把原始数据矩阵的协方差阵进行分解,得到各特征值λ以及相应的特征向量(也称主成分PC),然后用样本在特征向量所构成的主成分空间中的投影值(也称得分值SCORE)来描述原来光谱的特征信息,即原光谱可以看成是特征向量的线性组合,线性组合系数为得分值[7]。将主成分分析算法引入近红外光谱图像分析的目的是对原光谱进行剥离,消除光谱峰重叠的影响,以特征向量的得分值成像代替单一波长吸收值化学成像,从而获得单一化学成分分布图像。
本文将主成分分析算法应用于近红外显微成像的图像处理中,目的是从鸡胸部肌肉样品的原始总吸收图像中提取出与蛋白质相关的光谱信息,并去除噪声和污染物的干扰,获得样品中蛋白质成分分布图。
1 实验部分
1.1 试剂、仪器与实验样品
实验使用的样品是6个周龄鸡的胸部肌肉,经混合液(福尔马林:水=1:9)固定,用石蜡包埋,垂直肌纤维方向制作横切切片,进行苏丹-苏木素染色(见图1)。肌肉细胞组织制作成切片后厚度大约为30μm。
测试仪器为傅立叶近红外显微镜Spotlight 350(MCT二极管阵列检测器)和配套软件Spotlight v.1.1和Spectrum v.303 (Perkin Elmer公司)。
1.2 近红外光谱图像的采集
近红外光谱图像采集使用透射图像测定模式。检测空间分辨率6.25×6.25μm,波长范围5500～4000cm-1,波数分辨率为16cm-1,每个象素点的扫描次数为64次,背景扫描240次。
样品可见光预览图像扫描范围为1000×1000μm(见图2A)。选定其中红框区域进行近红外图像扫描,扫描区域大约为400×350μm,总吸收图像结果(见图2B),其中的横纵坐标代表样品的空间位置坐标。可以看出,近红外显微镜直接扫描出来的总吸收图像并不能够很好地描述肌肉细胞组织结构,因为总吸收图像既包含各种化学成分信息,也包含有很多干扰因素,包括光谱噪声、外界环境和仪器本身因素的干扰,要排除这些干扰,获得清晰准确的肌肉细胞组织结构图像,就需要对总吸收图像做进一步的处理。
2 数据处理与分析
2.1 光谱预处理
为提高图像中原光谱质量,对原始光谱进行5点B-A平滑和归一化处理(Normalize)。平滑作用是去除光谱中的随机噪声(见图3),归一化处理可以消除光谱之间的易变性,减少散射光谱背景影响[8]。可看出处理后光谱上的噪声信号明显减少。
2.2 近红外光谱图像特征的主成分分析提取
主成分分析是一种提取信息特征的方法,它将光谱信息分解,以有限的因子数(factor)来描述光谱的主要信息。每个因子相对独立,与其对应的因子得分图像(score image)可以很好表达样品的显微结构特征和成分分布的信息。因子个数的确定因样品的复杂程度不同而异,如样品组成很复杂,则应多设因子数,样品简单便可少设几个。因子个数的选择非常重要,如果因子个数过多,可能将有用的信息分散;如果因子个数过少会使信息重叠,相对弱一点的信息就表达不出来[9]。
本实验对图2A中的红色矩形区域扫描显微近红外图像,采用6.25×6.25μm的空间分辨率,共采集近红外光谱3192张。对这些近红外光谱进行主成分分析,得到光谱第一到第八主成分载荷向量图(见图4),与其对应的得分图像(Score map)(见图5)。
各载荷向量图的横坐标为波数(cm-1),纵坐标为权重值。
图像中的横纵坐标代表样品的空间位置坐标
2.3 图像分析
从图5中可以看出,factor 3的得分图像与图2A中选择区域的轮廓大致相当,由此推测,原光谱主成分分析后的第三个主成分向量与肌肉细胞组织化学成分相对应。为验证这个推测,测定烘干后的鸡蛋清粉沫的光谱(见图6 A)作对比,鸡蛋清干粉的光谱可视为是蛋白质的特征光谱图,从图6上可以看到,第三主成分向量(见图6 B)与鸡蛋清的光谱(见图6 A)在5150 cm-1,4865 cm-1,4600 cm-1处的三个峰的形状非常相似,这说明两张光谱图所对应的物质有相似之处,即第三主成分的信息与蛋白质有关。因此采用第三主成分因子得分的化学图像与蛋白质成分分布有关,该图像与图2A中选择区域的染色组织显微结构图像一致。
A.为干鸡蛋清光谱;B.为第三主成分载荷向量
第一主成分的因子得分图像(见图5)与样品的总吸收图(见图2 B)相似,这说明第一主成分是样品光谱的最主要信息,它并不能很好地表达样品中蛋白质分布信息;第二主成分向量图(见图4)几乎是一条斜线,没有明显的吸收峰存在,这个向量并不反映样品的组成成分信息,它只是光谱整体变化的趋势。第五到第八主成分因子的光谱的透过率几乎是接近100%,变化范围也只是0.05%,这么小的变化所含的样品主要成分的信息已经很少。
值得一提的是第七主成分的得分图像中出现的那个红点,可能是样品在制作过程中产生的一个污染物。在第七主成分向量图(见图4)上表现在4320 cm-1处出现一个单峰,第七个主成分因子将这个微小的特征表现出来。由此可见,主成分分析提取图像信息不仅可以反映样品主要成分分布,还可以反映一些微小的成分变化,将样品中的“异物”突显出来,这在产品质量检测方面有一定的意义。
3 结论
通过对傅立叶近红外图像进行主成分分析,可以将所需要的信息从化学图像总吸收图中提取出来,克服近红外光谱谱峰重叠严重不能直接采用特征波长成像的问题,同样获得肌肉细胞组织显微结构中蛋白质成分分布图,从而得到肌肉细胞组织显微结构图像。不仅如此,通过采用不同主成分向量,可以将总吸收图像进行特征分离处理,可以突出一些微小成分的图像。但样品分布图像的分界不够明显,如何提高图像的整体清晰度,获得更多组分的化学图像有待于进一步的研究。
摘要：介绍主成分分析算法在近红外显微图像分析中的应用,用该方法成功地提取出样品成分相关特征信息,并通过不同主成分的得分图像来描述样品的显微结构特征和特定化学成分分布。
关键词：近红外显微成像,主成分分析,化学成像,鸡胸部肌肉
参考文献
[1] 李君霞,张洪亮,严衍禄等.水稻蛋白质近红外定量模型的创建及在育种中的应用,中国农业科学,2006,39(4) :836～841
[2] 段焰青,孔祥勇,李青青等.近红外光谱法预测烟草中的纤维素含量烟草科技,2006,(8) :16～20
[3] 郝贵奇,马群,张卓勇等.中药材黄连颗粒度对近红外光谱的影响,现代仪器,2006,(5) :27～28
[4] 陈斌,李军会,赵龙莲等.近红外光谱法快速测定葛根中的五种成分,现代仪器,2001,(5) :21～22
[5] Gemma.Payne et al.Talanta 67(2005) 334～344
[6] F.Alo et al./ Journal of Molecular Structure 651-653(2003) 419～426
[7] 劭学广,蔡文生编.化学信息学,北京:科学出版社,2001
[8] 褚小立,袁洪福,陆婉珍.近红外分析中光谱预处理及波长选择方法进展与应用,Progress in Chemistrs(化学进展).2004,16(4) :528～542
红外图像去噪方法研究 篇8
1 中值滤波
中值滤波是非线性滤波,由J.w.Jukey在1971年首次提出,它采用的是局部平均的平滑技术。非线性滤波器就图像细节方面在一定程度上优于线性滤波器,并且因为它在实际运算中不需要图像的统计特征,运算量少,节约时间,所以被广泛使用。
中值滤波是把数字图像中一个像素点的灰度值用该点某个邻域窗口内的所有像素点灰度值的中值代替。如果邻域中有偶数个像素,中值是大小排序后中间两个像素灰度值的平均值;邻域中有奇数个像素,中值是按大小排序后中间像素的灰度值。具体的去噪方法是使用邻域窗口在图像中上下左右进行移动。
采用不同的中值滤波的窗口对滤波结果影响很大,实际应用中要根据具体情况选用适合图像内容的窗口形状和尺寸。该文采用3*3中值滤波模板。
2 平均邻域法
平均邻域法是线性滤波,采用邻近像素的平均值来代替它,这样能明显消弱噪声点,使邻域中灰度接近均匀,起到平滑灰度的作用。因此,邻域平均法具有良好的噪声平滑效果,是最简单的一种平滑方法。
平均邻域法的具体实现是将原图中一个像素的灰度值和它周围邻近的所有像素的灰度值相加,然后将求得的平均值作为新图中该像素的灰度值。例如对于位置(i,j)处的像素,f(i, j)为其灰度值,g(i,j)为平滑后的灰度值。
式中,M是邻域中像素点的总数,A是以(i,j)为中心的邻域点的集合。
3 小波变换和均值滤波相结合的去噪方法
均值滤波也是线性滤波,其采用的主要方法为平均邻域法。它对高斯噪声具有良好的去噪能力且运算简单。但是均值滤波本身存在着固有的缺陷,即在图像去噪的同时也破坏了图像的细节部分,从而使图像变得模糊,不能很好地去除噪声点。为此,该文将小波变换和均值滤波法相结合,首先对含有噪声的红外图像进行小波分解,得到细节子图,再针对不同细节子图像选用不同形状的模板进行均值滤波。这样既能降低图像噪声,又能较好的保留图像的细节。
利用小波变换将信号分解到不同的频带上再进行分析处理。它能同时分解图像的行和列信号,每次分解都可得到子图像在四个方向上的值,分别为LL,LH,HL,HH,下一层分解再复进行于上一层的LL子图像上。一阶和二阶小波变换分解图如图1所示。
LL是对角细节分量,是由低通滤波的行和列组成,包含原图基本信息和绝大部分能量,占原图像的四分之一大小;LH是水平细节分量,是由低通滤波的行和高通滤波的列组成;HL是垂直细节分量,是由高通滤波的行和低通滤波的列组成;HH是对角细节分量,是由高通滤波的行和列组成的。
选择合适的小波基对图像的小波分解及其重要。具有近似微分算子功能的反对称双正交小波,可直接获取梯度信息,并且其分解系数能有效的区分图像的低频和高频部分。对红外图像采用bior1.5小波基进行一层小波分解,采用MATLAB进行仿真实验结果如图2所示。
(a) 原图 (b) 一层分解各子带图像
对含有噪声的红外图像进行一层小波分解,可得到1个低频近似系数及3个高频细节系数。由分解得到的这4个系数重构可得4个代表不同细节的子图像如图2(b)所示。根据子图像的特征选用不同形状的模板对3个高频细节子图分别进行均值滤波,滤波之后再和代表低频系数的子图进行重构,即可得到去噪后图像。对三个高频细节子图依次采用的均值滤波模板1/3[1 1 1] ,1/3[1 1 1]',1/5[1 0 1; 0 1 0; 1 0 1] 。
4 实验结果与分析
采用MATLAB工具对上文介绍的三种去噪方法进行仿真实验如图3所示。
(a) 原图 (b) 中值滤波去噪法(c) 平均邻域去噪法 (d) 本文方法
采用3*3中值滤波器和4邻域点平均去噪法,都不同程度的造成图像边缘模糊。中值滤波对椒盐噪声有较好的处理结果,平均邻域法对高斯噪声有较好的抑制作用。红外图像的噪声主要是高斯白噪声,因此平均邻域法优于中值滤波,而均值滤波是一种特殊的平均邻域,结合了小波变换的均值滤波法既能有效去除红外图像噪声又能较好的保留图像边缘信息。
摘要：这篇文章介绍了几种常用的红外图像去噪技术和实现方法,并从理论上分析了采用小波变换和均值滤波相结合的方法具有较好的去噪效果。使用MATLAB编程工具对这几种常用去噪方法进行分析,证明该文介绍的方法更适合红外图像去噪。
飞行对抗场景中云红外图像仿真研究 篇9
试验场的气象观测对飞行器的目标截获有着重要意义。在飞行器的飞行对抗过程中,由于天空中总有一部分面积被云覆盖,会使采用红外探测器的红外制导武器截获距离大幅度下降。要对这一过程进行仿真,进而解决红外探测器在有云情况下目标探测距离下降问题,就必须生成对抗过程中云的红外图像。目前,关于云的图像仿真已展开了许多研究[1,2,3,4],本文在此基础上,阐述云的另一种建模方法,以获得形象直观的探测器观察到的云红外图像。
1 飞行对抗场景中云的计算
1.1 分形云差值建模方法
Diamond-Square算法是通过对给出的节点数据进行线性插值,同时加上随机扰动,求出各边中点及面中心的位移量,再对该四边形域进行四分割,并重复以上过程。它具有高效、简便的特性,而插值算法又可以较精细地添加分形图形细节,因此,本文在Diamond-Square算法的基础上,采用一维高斯插值算法,以求快速地获得具有相当真实度的分形云图。
1.1.1 Diamond-Square算法
Diamond-Square算法是由Fourniew、Fus-sell和Carpenter提出的[5]。针对一个给定的矩形区域,通过Diamond和Square两个过程,生成具有高程值的离散点。
Diamond过程:在该给定的矩形区域中心生成一个随机值,即:四个角值加上一个随机量得到。
Square过程:取每四点形成的棱锥,在棱锥的中心生成一个随机值,平均角值再加上随机量,得到每条边的中心值。其算法过程如图1所示。
该算法通过随机量来反映生成离散点的统计自相似性,旨在高效地以愈来愈少的比例为表面增加细节,因此,选用的随机量生成算法直接决定了生成分形图形的真实感。
1.1.2 高斯一维随机插值算法
利用高斯一维随机插值算法进行分形云建模,满足其概率分布与时间无关,且具有独立增量的平稳随机过程[6,7]。
设V(t)～N(0,σ2),D～N(0,Δ2),那么在[0,1]区间上,一维随机插值模型为
以此类推,经过n次迭代后,一维随机偏移增量的方差Δ
式(2)表征了一维随机偏移增量服从
1.2 云的运动模型
云的运动遵循大气运动的基本方程。单位质量空气的相对运动方程表示如式(3)。
式(3)中:V为速度矢量;ρ为密度;ᐁ为梯度算子;P为空气压强;Ω为地球自转加速度,ᐁp/-ρ为气压梯度力;g为重力;F为单位质量空气的摩擦力;
大气运动的连续方程表示如下:
式(4)中:
在大气中,气压梯度力是由气压分布不均造成的,其方向由高压指向低压,气压梯度力用G表示,其垂直分量Gz=(-1/ρ)(∂p/∂z)比其水平分量
Gx=(-1/ρ)(∂p/∂x)和Gy=(-1/ρ)(∂p/∂y)要大得多。Gx和重力加速度始终处于平衡状态。摩擦力F与空气块的面积A、速度矢量V成正比,与两空气块之间的距离△z成反比,F=μAV/Δz,其中μ为比例常数。一般在100 km 以下的大气层内,空气块的摩擦作用可以忽略不计。地转偏向力为
当作以下假设时可简化大气的相对运动方程和连续运动方程:
(1) 地转偏向力对云粒子的影响为0。
(2) 云粒子之间的摩擦力为0。
(3) 气压梯度力垂直方向的分量与重力抵消,只考虑水平方向的分量。
(4) 单位体积内的云粒子在运动过程中密度不变,即dρ/dt=0。
在此假设下,云运动的相对方程简化为:
式(5)中,我们只考虑水平方向的气压梯度力。云运动连续方程简化为:
1.3 云的光照模型
云主要受到太阳光、天空光以及地面反射光的影响,考虑到云层一般较高,地面反射光的影响很小,这里为了减少计算量不考虑地面反射光的作用。云的光照模型主要根据云的厚度以及光线在云层里面的散射、折射、透射形成不同的明暗度。本文采用多重散射算法来计算云的光照模型。J(P,I)表示在位置P处由I方向的所有直射光组成的光强,其多倍散射模型为:
式(7)中:Io(t)是云外部l方向上光的强度;τ(t)是云在t深度时的消光系数,Dp是云沿着光方向在P位置的深度。g(s,l)由公式(8)表示。
g(s,I)=∫4πr(s,I,I′)I(s,I′)dI′ (8)
式(8)中:g(s,I)为光在点s处从方向I′散射到方向I的函数,r(s,I,I′)是双向散射分布函数,用来决定点s处方向I′散射到方向I上入射光的百分比。双向散射分布函数,r(s,I,I′)=a(s)τ(s)p(I,I′),其中a(s)是点s处的媒介反照率,p(I,I′)是相函数。
一个完整的多倍散射算法必须计算所有光运动方向的取样数量。简化逼近值来计算光方向的多倍前向散射,让I′=-1。取一个很小的立体角γ, 将式(6)简化为g(s,I)≈r(s,I,-1)I(s,-1)γ/4π。将光路径从0到Dp割为离散片段Sj, j取1到N,N是沿着光路方向粒子的数目。通过黎曼和逼近积分得到:
式(9)中,I0是云边缘入射光的强度。离散形式g(s,I)变成
gk=akτkp(I,-1)Ikγ/4π。
云渲染过程中需要涉及到大量的运算,将光照模型中式(9)转换为图形硬件中可执行的递归算法。
(10)
公式(10)中如将粒子Pk的透明度Tk=exp[-τk],就可扩展为式(9)。
2 云层建模
云的形状、浓度和厚度随时间、纬度、高度的变化而千差万别,体总散射系数和后向散射系数随高度的变化也千差万别。为便于计算,我们假定云的平均有效半径始终保持不变,云的浓度随高度的变化规律遵从二次幂指数分布或正态分布。这样,体总散射系数和后向散射系数便可进行精确的分析,从而得到我们需要的结果。
2.1 云的浓度随高度按二次幂指数变化
假定云的浓度随高度按二次幂指数变化,浓度最大值在云厚THICK的一半处,云粒子的平均有效半径为re,云底高为H,。则云的浓度随高度的变化规律为:
NR2=-a(R2-(H+THICK/2)secζ)2+Nmax (11)
Nmax为云层中部的浓度,NR2为沿天顶角ζ方向距地面为R2(Hsecζ≤R2≤(H+THICK)secζ)时云的浓度。
若云底的浓度为NH,由此可得a值为:
沿天顶角ζ方向距云中心为R2-(H+THICK/2)secζ时云的浓度为:
若入射激光的电矢量垂直于观测平面,对应的后向散射系数为:
对应的体总散射系数为:
βsc=NR2πr
沿天顶角ζ方向,距云中心距离为R2-(H+THICK/2)secζ的云层处和云底之间的光学厚度为:
TH→R2=πr2eQsc∫
当R2=(H+THICK)secζ时,即可求出整层云在观测天顶角为ζ时的光学厚度。
2.2 云的浓度随高度按正态分布变化
设云层中部的浓度为Nmax,云粒子的平均有效半径为re,对应的散射效率因子为Qsc。假设入射激光的电矢量垂直于观测平面,浓度分布曲线的起始点和结束点之间覆盖95%的正态图形面积。令:
μ=(H+THICK/2)secζ (17)
则沿观测天顶角为ζ,距离地面的斜距为R2处的云层内部某一位置的云粒子浓度为:
对应的后向散射系数为:
对应的体总散射系数为:
βsc = NR2 πr
云层从底部到某一高度R2(Hsecζ≤R2≤(H+THICK)secζ)处的光学厚度为:
当R2=(H+THICK)secζ时,求出的即是在天顶角为ζ时整个云层的光学厚度。
3 仿真结果
仿真程序参数为:探测器其光谱响应范围为(8～14)μm;光学系统透过率为0.97;飞行高度为5 000 m;光学系统焦距为16 cm,直径为8 cm;所生成图像灰度等级为256,图像大小128×128,探测器像元数为320×240,假设天空平均辐射温度265 K,云团平均辐射温度270 K。仿真图如图2所示。由于使用了纹理映射,极大提高了仿真速度。
4 结论
通过仿真,可以得出以下结论:
(1) 通过分形云差值算法和高斯一维差值算法,利用云的运动模型和光照模型可以生成云外形轮廓。
(2) 建立云层浓度随高度变化模型可以使云的仿真更为直观、形象、真实准确。
(3) 因为不同云层的体总散射系数和后向散射系数可以完全相同,加之云的浓度随高度的变化关系也没有固定的规律,所以云层回波信号仅能判断云底高和云的厚度(判断厚度必须是在能穿透的情况下),不能判断云的种类。
(4) 要想判断云的种类,需要对云空间进行分层扫描,获得云的外部立体特征,然后比对各种云的特征进行识别
参考文献
[1]朱安宏.基于OpenGL的3D天空仿真.计算机应用,2007;12:82—84
[2]李峰,万钢,马伟.视景仿真中实体云的建模与渲染技术.测绘科学技术学报,2007;24(1):76—78
[3]邹钊,张建奇.三维云场景的红外辐射仿真.电子科技,2009;6:75—79
[4]徐华勋,赵龙,肖全初.云的动态实时仿真技术研究与实现.计算机仿真,2006;23(7):202—206
[5]和平鸽工作室.OpenGL高级编程与可视化系统开发系统开发篇(第二版).北京:中国水利水电出版社,2006:354—360
[6]毛用才,胡奇英.随机过程.西安:西安电子科技大学出版社,2004:38—39,70—75
基于红外图像能量值的自动聚焦算法 篇10
手动聚焦需要人为操作使得图像达到最好的聚焦位置, 这种方法实现简单而且准确率高, 但是在现实使用中带来很多不便。所以自动聚焦技术应用越来越重要。传统的聚焦方法在可见光照相机、摄像仪等应用效果较为稳定, 但在红外设备中, 受到各种外界因素的影响, 自动聚焦算法的精确度、稳定性以及抗噪声性能等方面仍然有待于进一步提高。理想的清晰度评价函数应该具有无偏性、单峰性、能反映离焦的极性、对于不同对比度的图像要具有很好的聚焦稳定性[1], 同时对于受到一定噪声污染的图像也能够精确的聚焦, 具有较好的抗噪性能。本文采用红外热图像的能量值为清晰度评价函数的输入值, 利用步进电机单步控制焦点的位置, 实现了红外图像快速稳定聚焦, 并且聚焦图像清晰度较高。
1 红外图像区域能量值清晰度评价函数
1.1 几种常用的评价函数
常用的聚焦评价函数有灰度梯度函数、信息学函数、频域函数等。
1.1.1 灰度梯度函数
这里主要介绍的灰度差分法, 灰度差分法是一种形式简单聚焦评价函数, 它利用图像的相邻像素差的绝对值之和作为聚焦评价函数, 即:
当图像聚焦清晰时, F (x, y) 最大。对于亮度变化比较均匀的图像, 灰度差分法计算所得的数据值之间差异较小, 经常出现不符合单调要求的点, 其聚焦效果不好, 不能明显反应出镜头在不同位置上获得的图像质量[2]。
1.1.2 信息学函数
目前比较成熟的熵函数, 对焦良好的图像的熵大于没有对焦清晰的图像, 因此可以作为一种评价标准。对于一帧图像, 图像的熵函数表达式为:
此函数相对复杂, 依靠此函数判断图像清晰度会受到外界因素的影响, 噪声太大时, 对计算结果影响非常大, 稳定性差, 需要根据处理的具体对象进行适应性训练。
1.1.3 频谱函数
此类函数是基于傅里叶变换的, 其理论依据是:高频分量处于图像的边缘, 清晰的图像比模糊的图像[3]具有更清晰的边缘和丰富的细节。这类函数主要有:
1) 全频段积分法, 表达式为:
2) 阈值积分法, 表达式为:
式中, f (x, y) >φ (图像灰度阈值) 。取高频分量作为清晰度判据是自动聚焦的常用手段。
1.2 能量值评价函数
传统的评价函数都是采用图像的灰度值或亮度值作为评价函数的输入值, 在聚焦过程中受到外界噪声的干扰, 图像信息值会丢失, 得到的图像清晰度评价值非常不准确, 所以聚焦准确率低下。
红外图像通过探测器输出能量值, 将整幅图像的能量值映射为灰度值0~255的范围显示图像。能量值是红外图像的原始数据, 不会受任何外界因素的干扰, 我们这里在常用的评价函数基础上, 直接选用能值作为评价函数的计算值, 省去转换步骤, 不需要对图像进行预处理, 大大提高聚焦速率, 并且清晰度评价值准确率高。将一帧图像中间区域的能量值与周围八个像素点的能量值差的平方和再取平均作为图像的聚焦评价函数, 表达式如下:
式中, f (x, y) 为图像灰度阈值, M, N分别为中间区域横向和纵向的像素个数。
2 聚焦搜索策略
搜索策略通常采用盲人爬山比较法[2]。首先将镜头光轴转动到起始位置, 获取此位置图像信息, 并计算出此时的评价函数值;然后, 驱动步进电机向另一个方向转动, 带动光轴移动一步, 比较此时的图像评价函数值与前者的大小, 若此时聚集评价函数值较大, 就继续向相同的方向移动光轴, 如此一步一步移动, 直至图像的聚焦评价函数值小于前一位置, 则前一位置就是图像最清晰的位置, 聚焦结束。该算法快速简单, 但在实际应用中, 评价值并不是单调的, 评价值小于前一位置并不一定是最佳位置。因此, 本文利用步进电机记步, 将步进电机从镜头一个极限转到另一个极限, 两个极限中间划分n个步进段, 步进电机每转动一个步进段采集一帧图像, 根据提出的图像清晰度评价函数计算此时图像的评价值, 并记录步进电机的步数, 与上一次的评价值作比较。直到电机从一个极限转到另一个极限, 记录评价值最大时步进电机的步数, 此时就是聚焦最好的位置, 步进电机立即转动到此位置, 从而实现自动聚焦。
3 结论
本文提出了基于红外图像能量值的聚集算法, 在聚焦点附近曲线尖锐, 与相邻两个聚焦位置的亮度差更大, 并且有着更好的单调性[4]。实验表明, 在同样的搜索策略下, 步进电机转动全程搜索最大值的方法准确性很高, 尤其是亮度比较均匀的图像, 有着更高的精确性。该系统调焦机构简单, 聚焦速度较快, 易于硬件实现。
参考文献
[1]高赞.自动聚焦评价函数的精确度和稳定性研究[D].山东:山东大学, 2007.4.
[2]程永强, 黄英男, 谢克名.一种摄像头自动聚焦算法和硬件实现[J].电子技术应用, 2009 (16) :205-209.
[3]查世华, 王旭, 张武杰, 等.一种改进的数字图像清晰度评价函数研究[J].微计算机信息, 2007, 23 (12) :279-280.
