基于matlab的红外图像增强技术研究与应用毕业论文

《基于matlab的红外图像增强技术研究与应用毕业论文》由会员分享，可在线阅读，更多相关《基于matlab的红外图像增强技术研究与应用毕业论文（17页珍藏版）》请在金锄头文库上搜索。

1、基于基于 MATLAB 的红外图像增强技术研的红外图像增强技术研 究与应用究与应用1.1 选题目的及意义 利用红外成像技术实现的目标检测识别跟踪是现代军事防御系统的关键组成部分。 它在侦察告警上的应用是国内正在研究和攻关的课题，是军事武器系统的自动化、智能 化、现代化的重要标志之一， ，2 。随着现代战争级别的不断升级，对高科技的依赖和运 用的要求也不断提高。因此，对红外目标的检测和跟踪也提出了更高的要求，既要保证 较高的检测概率和较低的虚警概率，又要在较短的时间内做出判断乃至相应的反应。然 而，由于红外传感器受到大气热辐射、作用距离远、探测器噪声等因素影响，其探测到 的目标在红外图像上.呈现

2、为对比度低的目标，特别是在检测信号相对较弱和背景有非平 稳的起伏干扰情况下，目标边缘甚至全部都有可能被大量复杂的噪声(杂波)所淹没，而 图像信噪比低，形状和结构的信息不足，更增加了检测跟踪目标的难度。所以对于红外 图像的增强处理改善图像质量显得尤其重要。 通常来讲图像增强只是存在于影像处理系统预处理过程中，而在对图像增强之后还 要有相应的理解识别等处理，所以图像的增强效果好坏对于图像的识别理解至关重要。 目前，针对图像的各种增强算法研究已经很多，但针对红外图像能够获得良好的处理效 果的方法还不多，尤其对于红外图像整体的亮度存在较大变化且噪声严重的情况，因此 研究图像增强的算法具有重要的理论意义

3、和实际应用价值。1.2 图像增强技术的理论 军队获取的红外图像效果都不理想，因此要经过图像处理以后才能使用，其中图像 增强技术是常常使用的方法。图像增强技术的目的是提高图像质量，更准确地说，图像 增强是用来去除噪声、清晰图像边缘、突出图像细节的技术。通常图像增强技术的应用 增强了人类的观察能力，提高了自动图像处理系统的成功性和准确性。几十年来，许多 图像增强技术被提出并得到发展。并初步形成了一套比较完整的算法体系。 图像增强方法大致可分为两类4:一类是频域处理法，一类是空域处理法。 空域算法是直接对图像的像素进行处理，基本上是以灰度映射变换为基础的 151，所 用的映射变换取决于图像的特点和增

4、强的目的。具体说来，空域法包括点运算和模板处 理两种，其中点运算是针对每个像素点进行的，与周围的像素点无关，而模板运算是在 每个像素点的邻域内进行的。 点运算中效果比较好的是直方图均衡 161(HistogramEquahzation，HE)它是统计意义 上的增强方法，对于成像过程中曝光不足或者曝光过度造成的图像明显偏暗或偏亮现象 有很好的效果;图像的灰度直方图是图像中各像素对应的灰度等级分布的近似概率密度 函数，灰度直方图均衡化是经典的图像增强技术，其基本原理是对一幅图像的灰度直方 图经过一定的变换之后，使其灰度分布成为均匀或基本均匀。直方图均衡化的意义是通 过处理以后使得分布在每一个灰度等

5、级上的像素个数相等或基本相等，但是由于灰度直 方图只是近似的概率密度函数，因此，当用离散的灰度等级做变换时，很难得到完全平 坦均匀的结果，而且当灰度直方图有多个波峰时，它将使图像增强过度，使得输出图像 有较严重的噪声出现。 邻域处理又称模板处理，它分为图像平滑和图像锐化两类。图像平滑的主要目的是减少噪声。在频域里因为噪声频率多在高频段，因此可以采用各种形式的低通滤波来减 少噪声，在空域和频域均可采用图像平滑的方法。具体说来，有邻域平均法、中值滤波、 噪声消除法、梯度倒数加权等。图像锐化的主要目的是使边缘和轮廓模糊的图像变得清 晰，并使其细节清晰。但由于锐化使噪声受到比信号还要强的增强，所以要求

6、锐化处理 的图像有较高的信噪比，否则锐化后图像的信噪比更低。边缘细节增强可利用各种梯度 算子和反锐化掩模技术来实现。 频域法是在图像的某种变换域内，对变换后的系数进行运算，然后再反变换到原来 的空域得到增强的图像。这是一种间接处理方法。比如，先对图像进行傅里叶变换，再 对图像的频域进行滤波处理，最后将滤波处理后的图像反变换到空间域，从而获得增强 后的图像。对于一幅图像来说，高频部分大致对应着图像中的边缘细节，低频部分大致 对应着图像中过渡比较平缓的部分。常用的图像变换有傅里叶变换、小波变换、离散余 弦变换、沃尔什变换和霍特林变换等。在这些变换下通常应用低通滤波、高通滤波、带 阻滤波、同态滤波等

7、方法处理图像。 低通滤波是利用低通滤波器去掉反映细节和跳变性的高频分量，对图像的作用就是 把尖峰去掉，但同时也将边缘的跳变信息也去掉了，因而使得图像比较模糊，故也称平 滑滤波作用。例如，对灰度反差太强的图像、受到尖峰天线干扰或有明显颗粒干扰的图 像都可起平滑作用。低通滤波器有指数滤波器和梯形滤波器等。 高通滤波是利用高通滤波器忽略图像中过渡比较平缓的部分，突出那些能代表细 节、跳变等的高频部分，使得增强后的图像边缘细节部分清晰。这种方法适宜于图像中 物体的边缘提取。但由于通过的低频太少故处理后的图像视觉效果不好。高通滤波器有 指数滤波器和梯形滤波器等。 同态滤波解决的是光照不均匀或光动态范围过

8、大引起不清晰的图像。但是在实际应 用中，人们往往根据图像的实际情况，把几种方法综合运用到一起以取得更好的图像处 理效果。但是随着侦查工作对图像增强处理效果的不断提高，人们寻找着新的增强方法。 小波分析(研厄 veletsAnalysis)是近年来迅速发展起来学科，它具有深刻的理论和 广泛的应用范围。小波分析是一种信号的时间尺度(时间频率)方法，它具有 多尺度分析的特点，而且在时域和频域都具有表征信号局部特征的能力，是一种窗口大 小固定不变，但其形状可以改变的时频局部化分析方法。即在低频部分具有较高的频率 分辨率和较低的时间分辨率，又在高频部分具有较高的时间分辨率和较低的频率分辨 率，很适合于探

9、测正常信号中夹带的瞬变反常信号并分析其成分，所以被誉为分析信号 的显微镜。由于小波分析具有多尺度分析的能力可以对信号和图像在不同尺度上进行分 解，在小波域进行去噪、压缩处理后，做友变换得到信号和图像。小波分析用于非平稳 信号和图像的处理优于传统的傅立叶变换，这己被许多应用领域的所证实。 小波变换的思想来源于伸缩与平移方法。小波分析方法的提出，最早采用的规范正 交基，这是最早的小波基。后来对傅立叶级数建立了二进制频率分量分组理论，对频率 按二进制进行划分，其傅立叶变换的相位变化并不影响函数的大小，这也是多尺度分析 思想的最早来源。后来，Calderon、Zygmund、Stern 等将 L-p

10、理论推广到高维，并建立 了奇异积分算子理论。1986 年，Meyer 及其学生此 marie 提出了多尺度分析的思想。1987 年 Mallat 将计算机视觉领域内的多尺度分析思想引入到小波分析中，提出了多分辨分析 的概念，统一了在此之前的所有正交小波基的构造，并提出了相应的分解与重构快速算 法。1988 年，年轻的女数学家 Daubechiesl.提出了具有紧支撑的光滑正交小波基Daubeehies 基，为小波的应用研究增添了催化剂，同年， Daubeehies1.在美国主办 的小波专题讨论会上进行了十次演讲，引起了广大数学家、物理学家甚至某些企业家的 重视，由此将小波的理论和实际应用推向了

11、一个高潮。小波分析是传统傅里叶变换的重大突破，已经引起了国际上众多学术团体和学科领 域的兴趣与关注，成为当今的前沿科学，发展之迅速，应用范围之广泛是前所未有的。 现在小波分析理论正向着大规模并行科学计算中的快速计算方向发展，同时，由于小波 分析中小波基的多样性和灵活性，使其在不同应用领域的特殊性研究更加具有实用性。 可以预见像小波分析这样的多尺度分析必将在红外图像增强领域取得突破性的进展。基 于多尺度分析的图像增强技术在目前图像处理领域研究中尚处于发展性阶段，国内外已 有很多学者开始对此方法进行研究。由于小波分析的图像增强技术包含了小波的分解与 合成运算，其数据量大，运算时间较长，因此在许多实

12、际应用中，特别是实时系统中没 有得到认可和推广，但这并不说明小波分析不适用于图像增强。由于小波分析本身无可 替代的优越性，其处理结果常常比某些传统的处理方法更令人满意。随着算法的不断改 进以及高速芯片的研制成功，其速度问题将会得到解决。第四章基于小波变换的图像增强 从现实中获取到的图像往往混杂着噪声，尤其是军事侦察中获取的红外图像。实践 中发现图像增强的传统方法往往使图像细节突出的同时放大了噪声而对图像采取先降 噪声后增强的方法也会对图像的细节造成损失。这给侦察工作带来很大矛盾和阻碍。而 被誉为“数学显微镜”的小波变换由于具有很好的时频特性，在近年来得到迅速发展，因 为小波变换采用了多分辨率的

13、方法，具有低嫡性，所以使得图像增强的同时而又不放大 噪声成为可能。 4.1 小波变换增强原理 传统的提高图像对比度的方法是基于直方图变换的方法，如前面提到的直方图均衡 及改进的双向直方图均衡等。这些方法对灰度级过于集中，还有大量的灰度级没有充分 利用的情况比较适用。但是对于图像中人眼很难分辨的某些细节部分，这些细节信号集 中的灰度范围占整个灰度级空间，使用这些方法就无法对这些分布在不同的区域的像素 进行不同程度的放大或者缩小。而多尺度对比度增强方法较好地解决了这个问题 123 一 2 刀。 如图 4.1 所示，其中 4.l(a)为原始信号，有两部分细节信号，用椭圆标示出。利用平滑滤波对原始信号

14、进行平滑，得到图 4.1(b)中的平滑曲线，可以认为是原始信号的近 似表达，它抛除了细节信号而保留了原始信号的整体特征。用原始信号减去近似信号， 即得到图 4.1(c)所示的细节信号，然后对该细节信号进行增强，例如乘以一个放大系数， 结果如图 4.1 体)。最后将增强后的细节信号加到近似信号上重构出增强后的原始信号如 图 4.l(e)，可以看出增强后的原信号整体特征没有改变，但是两部分细节信号得到了增 强，更适合人眼辨认。图 4.1 从一个直观的角度来阐述信号增强处理方法。当提取低频信号时利用第二章 中介绍的小波就能对信号进行多尺度的分解，得到低尺度下的一个低频信号和不同尺度 下的各个高频信号

15、，低频信号就是原信号的一个近似表达，而各个高频信号就是各个分 辨率下的细节，这样可以使得某种分辨率下难以区分的特征在另一种分辨率下很容易地 被区分和检测。 针对二维图像信号，小波分解通常采用 Mallat 快速算法，通过一维的高通和低通分 解滤波器先后作用于图像的行和列，从而实现图像的二维小波变换。这样在每一个分解 尺度上都可以得到 4 个不同的次级子图像，其中 LL 是低频部分，它代表图像的主要内容 信息，集中了图像的绝大部分能量，而 HL、LH 和 HH 是高频部分，分别代表图像的水 平方向的细节、垂直方向的细节和对角线方向的细节。如果对图像的低频部分继续进一 步作小波分解，就可以得到多个

16、尺度的图像时频信息，从而实现多分辨的小波分析，如 图 4.2。对图像进行小波分解是为得到不同尺度下的小波系数，并对其中的高频部分进行相 应的处理，而经过处理后的小波系数，还需要进行小波的图像重构，这样才能得到增强 处理后的效果图像。和图像的小波分解相反，小波图像重构只需要使用一维的低通和高 通重构滤波器，作用于相应的小波系数，就能得到最后的重构图像。因此，这里使用一种 基于小波变换的增强方法，该原理对应的流程图如图 4.3，具体步骤为: 步骤 1:首先读取一幅图像，选取小波函数，初始化相关参数。 步骤 2:对原始图像进行一次分解，得到第一级小波系数 cA(l)，cH(l)，cv(l)，cD(l)， 如果当前小波分解级数 j 小于小波分解级数 J，则继续对近似小波系数 cA(l)进一步分解， 得到下一级小波系数，一直到 j=J 结束。 步骤 3:可以对步骤 2 分解得到各级小波系数进行修正。 步骤 4:从第 J 级小波系数开始，对小波系数 CA(J)，cH(J)，cv 口)， cD 口)进行重构， 得到第 J 一 1 级小波近似系数 cA(J 一 1)，如果当前小波分解级