红外图像分割论文

红外图像分割论文
基于MATLAB的红外图像分割算法研究
摘要
红外技术在20世纪的军事和民用领域发挥着至关重要的作用，而且随着21世纪未来战场的需要和红外技术在民用领域的不断扩展，红外技术将发挥着越来越重要的作用。

其中红外目标识别技术是世界各国学者研究的前沿和热点问题之一。

如何对红外图像进行有效的分割则关系到目标识别是否能够准确的根本。

本文在红外图像目标的预处理、分割两方面，进行了较为系统的研究。

本文概述了红外图像目标的增强、分割等技术在国内外的研究现状与发展趋势。

深入研究了图像增强算法和图像分割算法，并通过MATLAB软件实现。

通过对传统图像分割算法中常见的直方图双峰法、迭代法和最大熵法进行对比，提出了基于分水岭的分割算法，实验表明，该算法取得了较好的效果。

关键词：图像增强，图像分割
Research on Infrared Image Segmentation Algorithm of Target Detection
abstract
In 21 century, infrared technology plays a vital role in military and civilian fields.As the demand of the battlefield in the future of 21st century and increasing expansion of infrared technology in the civil field,infrared technology will play an increasingly important role. Infrared target recognition technology is the frontier of academics around the world and one of the hot issues. How to segment infrared images effectively related to the accuracy of the recognition.This article made some systematic studies in image enhancement and segmentation.
This article provides an overview of the actual research status and developing current of the study of target enhancement and segmentation of infrared image. An in-depth study of the algorithm of image enhancement and segmentation is made. And the algorithms are verified by MATLAB software. Aim at generally methods of image segmentation such as histogram double-hump method、iterated method,、maximum entropy method and region growing method, after abundant experiments, we presented an image segmentation based on watershed. And the result shows the new algorithm has its advantage.
Keywords: Image enhancement, Image segmentation
目录
1 绪论 (1)
1.1 课题研究意义 (1)
1.2国内外研究现状和发展趋势 (3)
1.3本文主要内容和安排 (6)
2 红外图像的预处理 (7)
2.1灰度变换增强 (7)
红外图像直方图特性 (7)
红外图像直方图均衡化 (9)
2.2图像的平滑去噪处理 (12)
空间滤波基础 (12)
均值滤波 (13)
中值滤波 (13)
2.3图像锐化 (15)
空域锐化滤波 (15)
拉普拉斯算子 (16)
梯度法 (18)
3 红外图像分割算法研究 (21)
3.1图像分割简述 (21)
图像分割定义 (21)
图像分割方法 (22)
3.2边缘检测 (23)
几种常用的边缘检测算子 (23)
边缘检测 (26)
matlab实现 (27)
3.3基于阈值选取的图像分割方法 (28)
灰度阈值分割 (28)
直方图阈值 (29)
迭代法 (31)
最大熵阈值 (32)
3.4基于区域的分割方法 (34)
3.5基于形态学分水岭分割算法 (35)
基本概念 (35)
分水岭计算步骤 (36)
3.6本章小结 (38)
4 总结 (39)
5 附录 (40)
参考文献 (47)
致谢 (48)
1绪论
1.1课题研究意义
“红外辐射”又称“红外光”，也有人称它为“红外线”。

由物理学原理可知，在自然界中，任何高于绝对零度的物体都在向外辐射各种波长的红外线。

根据各类目标和背景辐射特性的差异，就可以利用红外技术在白天和黑夜对目标进行探测、跟踪和识别，以获取目标信息。

红外技术先是在军事应用中发展起来的，至今在军事应用中红外技术应用仍占主要方面。

为什么是这样的呢?主要是因为红外技术用于军事目标的侦察、搜索、跟踪和通讯等方面与其他军事装备比较有独特的优点
1.可白天黑夜使用，特别适用于夜战需要；
2.红外辐射看不见，可以避开敌方的目视观察；
3.利用目标和背景辐射特性的差异，能较容易识别各种军事目标，特别是可以揭
示伪装的目标；
4.可以采用被动(无源)接收系统，比用无线电雷达或可见光装置安全、隐蔽，不
易受到干扰，保密性强；
5.分辨率比微波好，比可见光更能适应天气条件
但红外装备还是有许多不足之处，特别是受雨雾等影响很大，有的设备在气象条件恶劣时几乎不能工作。

有些场合往往需要与其他技术(如激光和微波技术)配合使用，达到取长补短，并发挥红外装备的更大效能[1]。

因此，在19世纪开始，许多国家的军事机构就不断试验红外装备，从第二次世界大战以来，经过不断改进，至现在已有各种装备投入实战使用，并产生了巨大影响。

根据图像目标距离的远近和信号的强弱，红外图像可以分为点目标图像、微弱目标图像与成像目标图像[2]。

当探测目标的图像尺寸远小于单个像元尺寸时，只要其辐射能量足够强，能激发红外探测仪产生足够的信噪比，探测就能感知目标的存在，并在显示器上呈现一个亮点，这就是红外点目标图像。

当探测目标的图像由少数像素组成时，目标图像的外形形成“斑状”，它既不同于点目标图像，又不具有目标的实际外形，且与背景相比小得多，并为强大的噪声所笼罩，这样的图像称为微弱目标图像。

当目标图
像呈现出物体轮廓时，便进入了成像阶段。

在红外传感器的武器系统中，红外图像数据的获取、目标检测与分割、识别是不可或缺的重要组成部分。

其信息处理流程如图1.1。

从图像工程的角度来看，红外成像识别系统的信息处理其实是图像工程在红外图像方面的应用。

图像工程是一个对整个图像领域进行研究应用的新学科。

它的内容非常丰富，根据抽象程度和研究方法等的不同可分为三个各有特点的层次（见图1.2虚线框内）：图像处理、图像分析和图像理解。

图像分割就是指把图像分成各具特性的区域并提取出感兴趣目标的技术和过程，是由图像处理进到图像分析的关键步骤：一方面，它是目标表达的基础，对特征测量有重要的影响；另一方面，因为图像分割及基于分割的目标表达、特征提取和参数测量等将原始图像转化为更抽象更紧凑的形式，使得更高层的图像分析和理解成为可能[3]。

由上可见，在红外图像处理的过程中，图像分割占据着举足轻重的地位，而对能够实现图像分割的算法的研究则更为重要。

图1. 1红外成像识别系统一般信息处理流程 图1. 2图像分割在图像工程中的位置
1.2国内外研究现状和发展趋势
红外图像处理在70年代末至80年代初曾形成了一个研究高潮，这一时期比较有代表性的研究机构有美国海军研究生院、美国福特航空通讯有限公司、美国海军武器中心、麦道公司以及哥伦比亚密苏里大学电子和计算机工程系等[4]。

关于图像分割技术，至今已提出了上千种各种类型的分割算法。

1996年开办的《中国图像图形学报》将各种图像技术文献分为5大类18个小类，其中边缘检测、图像分割是一个小类，与图像分割密切相关的目标识别、分类和提取是另一个小类。

表1.1表明这两个小类在图像技术研究应用的热点和焦点，研究文献总数是其他各类文献总数高出一倍，如实反映了20世纪最后五年图像分割在图像工程中的地位和影响[3]。

表1. 1 图像分割文献统计
对图像的分割可基于相邻像素（pixel）之间在像素值之间的两方面的性质：相似性和不连续性。

在区域内部的像素之间通常具有某种相似性，而在区域之间的边界之上一般具有某种不连续性。

据此，图像分割算法可分为
1）基于区域的分割方法；
2）基于边界的分割方法；
3）基于区域和边界技术相结合的分割方法；
4）基于特定理论的分割方法。

基于区域的分割方法是利用区域内特征的相似性把图像划分成一系列有意义区域
的处理方法包括阈值法、区域生长和分裂合并法以及聚类分割法[5]。

阈值是用于区分不同目标的灰度值，将某一区域的所有像素值和阈值比较并将其分为两类。

阈值法分割的结果依赖于阈值的选取，因此确定阈值是阈值法的关键，阈值分割的实质就是按照某个准则求出最佳阈值的过程。

阈值法具有速度快、运算简单、效率高的特点。

区域生长的基本思想是将具有相似特性的像素集合起来构成区域，主要解决的问题是区域生长准则的设计和算法的高效性。

其优点是计算简单，对于较均匀的连通目标有较好的分割效果。

缺点是需要人为确定种子点，对噪声敏感。

另外它是一种串行算法，当目标较大时分割速度较慢。

分裂合并法的基本思想是从整幅图像开始通过不断分裂合并得到各个区域，分裂合并法的关键是分裂合并准则的设计。

这种方法对复杂图像的分割效果较好，但算法脚复杂，计算量大，分裂还可能破坏区域的边界。

聚类分割法是将图像空间中的像素用对应的特征空间点表示，根据他们在特征空间的聚集对特征空间进行分割，然后将它们映射回原图像空间，得到分割结果。

基于边界的分割方法是利用不同区域像素灰度值不连续的特点检测出区域间的边缘，从而实现图像分割[6]。

边缘检测是所有基于边界分割方法的第一步，根据处理的顺
序，边缘检测可分为并行边缘检测和串行边缘检测。

并行边缘检测主要是微分算子法，常用的一阶微分算子有Roberts、Prewitt和Sobel算子、二阶微分算子有Laplace和Kirsh算子。

但是这些算子对噪声敏感，只适合于噪声较小不太复杂的图像。

串行边界查找法是先检测边缘在串行连接成闭合边界的方法，这种方法在很大程度上受起始点的影响。

在实际应用中，为发挥各种方法的优势，克服它们的缺陷以获得更好的分割效果，经常把各种方法结合起来使用[7]。

而随着各学科许多新理论和方法的提出，出现了许多与一些特定理论方法相结合的分割技术，比如基于分水岭算法、分形理论和神经网络、人工蚁群、和形态学梯度等的图像分割算法[8-11]。

但是由于各种需要进行分割的图像自身的特点，因此没有哪一种算法是普适的，进而对图像分割质量如何评价也就没有明确的统一的标准。

但是图像分割作为图像处理和分析的关键技术，对其进行深入研究不断改进原有方法，提出新方法具有重要意义。

图像分割将向更快速、更精确的方向发展。

1.3本文主要内容和安排
本文着重对红外图像分割算法进行研究，所选红外图像是基于CCD探头拍摄的人、车两类图像。

在对图像进行预处理（图像增强、去噪）之后进行分割，并通过MATLAB 编程实现。

全文工分四章，现简要介绍如下：
第一章主要对红外图像分割算法的研究意义以及发展状况进行了叙述。

第二章对红外图像的预处理进行仿真。

包括直方图均衡化、图像去噪、锐化处理，为了更好的说明图像预处理的以上几个方面，均附实验仿真图。

因为和第三章的图像分割原理类似，特别着墨介绍锐化处理。

第三章是全文的重点，将目前主流的一些图像分割算法详细叙述并通过编程实现其功能，最后进行对比，总结各自优劣。

第四章对本次毕业论文进行总结。

2红外图像的预处理
由于红外图像成像原理是对物体向外界的辐射强度进行探测来获取信息，因此红外图像相对于普通彩色图像具有目标与背景对比度差、图像边缘模糊、噪声较大等缺点。

在对红外图像进行处理的时候首先必须进行预处理来去除或者减少噪声、增强边缘，提高图像的质量。

图像预处理也通常被称为图像增强，主要分为两大类：空间域方法和频域方法。

“空间域”一词是指图像平面本身，这类方法是以对图像像素的直接处理为基础的。

“频域”处理技术是以修改图像的傅立叶变化为基础的。

本章接下来介绍和使用的直方图均衡化、去噪、锐化属于空间域方法。

2.1灰度变换增强
灰度变换增强是把对比度弱的图像变成对比度强的图像。

由于各种拍摄条件的限制，导致图像的对比度比较差，图像的直方图分布不够均衡，主要的元素集中在几个像素值附近，通过直方图均衡化，使得图像中各个像素值尽可能均匀分布或者服从一定形式的分布，从而提高图像的对比度。

2.1.1红外图像直方图特性
任何一副数字图像（包括红外图像）都是通过取样和量化而得到一个实际的矩阵。

以来表示图像中坐标为（x，y）的点的像素值，也就是通常所说的灰度值。

灰度也叫灰度级通常用来描述单色光强度，因为它的范围从黑到灰，最后到白，取值一般为2的整数次幂，即L=2k。

灰度级为[0，L-1]范围的数字图像的直方图是离散函数，其中是第k级灰度，是图像中灰度级为的像素个数。

经常以图像中像素的总数（用n表示）来除它的每个值，以得到归一化的直方图。

因此，一个归一化的直方图由P()=/n给出，其中k=0，1，…，L-1[12]。

由于红外图像成像的不同，其直方图必定有着一定规律。

为了说明其特点，图2.1是可见光图像（左）和红外图像（右）的对比，图2.2是其对应的直方图的对比。

图2. 1可见光图像和红外图像对比
图2. 2可见光图像和红外图像直方图对比根据众多的理论分析，以及上述两副图的例证，可以得出如下几个结论：
1)红外图像的细节不如可见光图像明显；
2)红外图像的灰度范围没有可见光图像的广，可将光图像往往充满整个灰度空间，
而红外图像的灰度范围要小很多，这也就决定了其对比度差的特点。

3)红外图像直方图中有明显的峰存在，大多具有双峰（分为主峰和次峰），而可
见光图像则没有红外图像的峰明显，往往是多峰的。

以上结论大致说明了红外图像和普通可见光图像的区别，但是在实际中由于拍摄条件的影响，各种图像还具有各自的特点，需要具体分析。

正如上述两幅图的可见光部分，图像的细节越明显，其直方图中的分布越均匀，而且所占的灰度空间越广阔。

因此在图像预处理的过程中，扩展图像的动态范围是一个很重要而且简单的思路。

目前，扩展动态范围的方法主要是直方图均衡化。

2.1.2 红外图像直方图均衡化
考虑连续函数并用变量r 代表带增强图像的灰度级。

假设r 被归一化到区间[0，1]，且r=0表示黑色及r=1表示白色。

然后考虑一个离散公式并允许像素值在区间[0，L-1]内。

对于任一满足上述条件的r ，我们将注意力集中在变换形式上：
在原始图像中，对于每个像素值r 产生一个灰度值s 。

显然，可以假设变换函数T(r)满足以下条件：
1) T(r)在区间
中为单值且单调递增 2) 当时，
条件1)中要求T(r)为单值是为了保证反变换存在，单调条件保持输出图像从黑到白的顺序。

变换函数不单调增加将导致至少有一部分亮度范围被颠倒，从而在输出图像中产生一些反转灰度及。

最后，条件2)保证输出灰度级与入有同样的范围。

图2.3给出了满足这两个条件的一个变换函数的例子。

由s 到r 的反变换可以表示为
一副图像的灰度级可被视为区间[0，1]的随机变量。

随机变量的一个最重要的基本描述是其概率密度函数（PDF ）。

令p r （r ）和p s （s ）分别代表随机变量r 和s 的概率
T(
s k =T(r k s
1 1
r 图2. 3单值单调递增的灰度级变换函数
密度函数。

此处带有下标的p r和p s用于表示不同的函数。

由基本概率理论得到一个基本结果：如果p r（r）和T（r）已知，且T-1（s）满足条件1），那么变化变量s的概率密度函数p s（s）可由一下简单公式得到：
因此，变换变量s的概率密度函数由输入图像的灰度级PDF和所选择的变换函数决定。

在图像处理中一个尤为重要的变换函数如下所示：
其中w是积分变量。

式（2.4）的右部为随机变量r的累计分布函数（CDF）。

因为概率密度函数永远为正，并且函数积分是一个函数曲线下的面积，所以它遵循改变换函数是单值单调增加的条件，因此满足条件1）。

类似地，区间上变量的概率密度函数的积分也在区间上，因此也满足条件2）。

对于离散值，我们只处理其概率与求和，而不是概率密度函数与积分。

一副图像中灰度级r k出现的概率近似为
其中，n是图像中像素的总和，n k是灰度级为r k的像素个数，L为图像中可能的灰度级总数。

是（2.4）中变换函数的离散形式为
因此，已处理的图像由式（2.5），将输入图像中灰度级为r k的各像素映射到输出图像中灰度级为s k的对应像素得到。

图2.4是红外图像与其均衡化后对比
图2. 4 原始图像及均衡化对比
通过以上的理论分析和对具体红外图像的处理，可以得出关于直方图均衡的几个结论：
（1）直方图均衡实质上是减少灰度等级以换取对比度的加大。

直方图均衡化的处理过程中出现了相邻灰度级合并的现象，即原来直方图上频数较小的灰度级
被归入很少几个或一个灰度级内，并且可能不在原来的灰度级上。

（2）如红外图像11直方图均衡结果，当图像灰度级数较少且分布集中在低灰度值区域、存在大量像素灰度接近于零时，其均衡结果容易出现“过亮”现象。

（3）均衡后的直方图并非完全平坦，这是因为在离散灰度下，直方图只是近似的概率密度。

（4）当被合并掉的灰度级构成的是重要细节，则均衡后细节信息损失较大，因此可采用局部直方图均衡法来处理。

（5）在对比度增强处理中，直方图均衡比灰度线性变换、指数、对数变换的运算速度慢，但比空间域处理和变换域处理的速度快。

因此在实时处理中，直方
图均衡是一种常用的方法。

（6）直方图均衡虽然增大了图像的对比度，但往往处理后的图像视觉效果生硬、不够柔和，有时甚至会造成图像质量的恶化。

另外，均衡后的噪声比处理前明显，这是因为均衡没有区分有用信号和噪声，当原图像中噪声较多时，噪声被增强。

2.2图像的平滑去噪处理
一般来说，图像由于受到噪声干扰，图像的质量有所下降。

为了抑制噪声需要进行图像平滑处理，以利于抽取图像特征。

如果不对噪声进行及时处理，就会对后续的处理过程乃至输出结果产生影响，甚至可能得到错误的结论。

因此，图像噪声滤除成为红外图像预处理中重要的组成部分。

图像平滑的思想是，通过一点和周围几个点的运算来去除突然变化的点，从而滤除噪声，但图像会有一定程度的模糊。

由前面的分析可知，红外热图像的噪声主要由颗粒噪声和一些随机噪声组成。

对此类噪声，一般可采用均值滤波或中值滤波等局部平滑算法加以去除。

2.2.1空间滤波基础
某些邻域处理工作是操作邻域的图像像素值以及相应的与邻域有相同维数的子图
像的值。

这些子图像可称为滤波器、掩模、核、模板或窗口，其中前三个词是更普遍的术语。

在滤波器子图像中的值是系数值，而不是像素值。

空间滤波的机理是在待处理图像中逐点地移动掩模。

在每个点（x，y）处，滤波器在该点的响应通过事先定义的关系来计算。

例如当我们的兴趣在于对图像中任一点（x，y）进行m*n掩模处理得到的响应R，而不是模板卷积的机理时，实践中通常用如下形式简化表达形式：
其中，w为掩模系数，z为与该系数对应的灰度值，mn为掩模中包含的像素点总数
2.2.2均值滤波
所谓的均值滤波是指在图像上对待处理的像素给一个模板，该模板包括了其周围的邻近像素。

将模板中的全体像素的均值来替代原来的像素值的方法。

设输入图像f(x，y)为M*N矩阵，低通滤波器冲击响应h(x，y)为L*L的二维矩阵，经过卷积运算，则低通滤波器的输出结果为M*N矩阵：
均值滤波抑制噪声增强图像算法简单，计算速度快，且噪声部分被弱化到周围像素点上。

但是经过均值处理之后，在降低噪声的同时使得图像产生模糊，特别是目标的边缘和细节，邻域越大，模糊越厉害。

2.2.3中值滤波
中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，可用来抑制图像中的噪声而不使边缘模糊。

中值滤波的优点是：
1)有效消除尖峰脉冲(脉冲长度小于滤波器宽度)，可消除高频噪音；
2)有效消除阶跃和斜坡，有利于保证图像的横向分辨率；
3)对于对称子波，中值滤波器不会引起相应畸变；
4)中值滤波能平滑三角波、矩形波。

其原理如下：
设有一个一维序列f1，f2，…，fn，取窗口长度为m(m是奇数)，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f i-v，f i-v+1，…，f i，…，f i+v-1，f i+v，其中，f i 为窗口的中心值，v=，再将这m个点按其数值大小排列，取其序号为正中间的那个数作为滤波输出。

用数学公式表示为
即以Y i取代窗口中心像素值作为中值滤波输出。

因为数字图像是以二维数据来描述的，因此要将一维中值滤波的概念推广到二维。

取其中结构的二维滑动模板，将模板内像素按照像素值的大小进行排序，生成单调上升
(或下降)的二维数据序列。

二维中值滤波输出为：
式中，f(x，y)，g(x，y)分别为原图像和处理后图像。

W为二维模板，这种二维窗口可以有各种不同的形状，如线状、方状、圆形、十字形等，其维数也有常用的3*3、5*5、7*7几种
图2.5为一副加入椒盐噪声的红外图像后，采用3*3模板分别进行中值滤波和均值滤波的对比
与均值滤波相比，中值滤波在抑制噪声的同时，物体的边缘得到保护，因此，中值滤波是比较理想的滤波平滑算法。

缺点是随着滤波器模板尺寸的增加，某些细节的模糊程度有所增加。

图2. 5中值滤波均值滤波对比
2.3 图像锐化
锐化处理的主要目的是突出图像中的细节或者增强被模糊了的细节。

图像锐化处理的方法多种多样，总的说来分为空域锐化和频域锐化两种见图2.6。

本节主要针对空域锐化滤波进行介绍
2.3.1 空域锐化滤波 数学函数的微分可以用不同的术语定义，也有各种方法定义这些差别，然而对于一阶微分的任何定义，都必须保证以下几点：（1）在平坦段（灰度不变的区域）微分值为零；（2）在灰度阶梯或斜坡的起始点处微分值非零；（3）沿着斜坡的微分值非零。

任何二阶微分的定义也类似：（1）在平坦区微分值为零；（2）在灰度阶梯或斜坡的起始点处微分值非零；（3）沿着斜坡的微分值非零。

因为我们处理的是数字量，其值是有限的，故最大灰度级的变化也是有限的，变化发生的最短距离是在两相邻元素之间。

对于一元函数f(x)，表达一阶微分的定义是一个差值
这里，为了与对二元图像函数f （x ，y ）求微分时的表达式保持一致，使用了偏导数符巴特沃斯理想高基于一基于二图
像
空
域频
域
高斯型图2. 6图像锐化分类。