了得網工業技術_數字圖像處理之紅外弱目標分割方法研究

內容簡介

本書主要論述了紅外弱小目標的分割和檢測方法。首先介紹了圖像分割的基本知識和紅外成像技術基本原理及應用；其次，針對紅外弱小目標的特點，引出復雜背景下對弱、小目標進行分割時存在的相關問題，並從理論上進行了深入探討；後，分別給出了復雜背景下對弱目標和弱小目標進行分割的改進算法，這些實例可供讀者參考和研討。本書可供從事圖像信息處理的工程技術人員、相關專業研究人員參考。

作者簡介

李濤，女，1971年生，副教授，1995年畢業於電子科技大學，2007年於華中科技大學獲得博士學位。現就職於西南民族大學，主要研究方向為：計算機圖形圖像處理、模式識別、智能信息處理等。已主持和參與了多項科研項目，在國內外科技文獻、期刊雜志上發表學術論文二十餘篇。

目錄
第1章圖像分割的基礎知識 1
1.1 圖像的描述 1
1.2 圖像的存儲 5
1.3 模板卷積 9
1.4 圖像分割的基本概念 16
1.5 圖像分割主要技術概述 18
1.6 圖像分割的評價 36
1.7 小結 37
參考文獻 37
第2章紅外成像技術和紅外圖像 39
2.1 紅外成像技術 39
2.2 紅外熱成像的應用和發展 44
2.3 紅外圖像的特點 47目   錄
第1章圖像分割的基礎知識   1
1.1 圖像的描述   1
1.2 圖像的存儲   5
1.3 模板卷積   9
1.4 圖像分割的基本概念   16
1.5 圖像分割主要技術概述   18
1.6 圖像分割的評價   36
1.7 小結   37
參考文獻   37
第2章紅外成像技術和紅外圖像   39
2.1 紅外成像技術   39
2.2 紅外熱成像的應用和發展   44
2.3 紅外圖像的特點   47
2.4 小結   48
參考文獻   48
第3章局部特征的紅外弱目標分割   50
3.1 概述   50
3.2 紅外弱目標的數學模型   52
3.3 形態學增強的預處理   55
3.4 局部方差和二維熵   62
3.5 實驗結果與分析   69
3.6 小結   73
參考文獻   74
第4章多特征密度聚類的紅外弱目標分割   77
4.1 聚類分割   78
4.2 多特征密度聚類方法   89
4.3 實驗結果   95
4.4 小結   97
參考文獻   97
第5章山峰聚類和區域生長法結合的紅外弱目標分割   100
5.1 山峰聚類方法   102
5.2 山峰聚類和區域生長   105
5.3 實驗結果及分析   108
5.4 小結   113
參考文獻   114
第6章小波分解與多特征結合紅外弱小目標分割   117
6.1 小波分解   117
6.2 圖像的多特征提取   136
6.3 弱小目標檢測算法性能評價指標   140
6.4 小波變換和多特征結合   143
6.5 實驗結果和分析   145
6.6 小結   152
參考文獻   152
附錄分形維數   154
第7章小濾波與小波分解結合紅外弱小目標分割   159
7.1 背景抑制技術   160
7.2 小濾波與小波分解相結合   162
7.3 實驗結果和算法性能分析   165
7.4 小結   172
參考文獻   172

前言

前言
在大量的圖像應用方面，人們往往隻對圖像中的某些目標感興趣，而這些目標在圖像中對應著特定或具有獨特性質的區域，因此，為了識別和分析圖像中感興趣的目標，需要將這些區域從圖像背景中分割出來. 特別是在圖像分析中，需要把圖像分成一繫列有意義、各具特征的目標或區域. 隨著圖像處理技術成功應用於眾多領域，在一些識別技術中，圖像分割成為關鍵技術之一，同時也是進一步理解圖像的基礎. 另外，圖像分割質量的好壞直接影響後續處理效果甚至決定其成敗.
圖像獲取技術使得人類突破了人眼功能的限制，擴展了人眼對不可見輻射的接收能力. 紅外成像技術是利用景物本身各部分的熱輻射差異獲得圖像細節，它突破了人眼在低照度條件下的視覺限制. 紅外成像技術初受軍事領域的需求刺激，得到了極大發展，隨著該技術的日趨成熟，現在在消防、電力、糧庫、醫學和安防等民用領域也得到了十分廣泛的應用.

前言

在大量的圖像應用方面，人們往往隻對圖像中的某些目標感興趣，而這些目標在圖像中對應著特定或具有獨特性質的區域，因此，為了識別和分析圖像中感興趣的目標，需要將這些區域從圖像背景中分割出來. 特別是在圖像分析中，需要把圖像分成一繫列有意義、各具特征的目標或區域. 隨著圖像處理技術成功應用於眾多領域，在一些識別技術中，圖像分割成為關鍵技術之一，同時也是進一步理解圖像的基礎. 另外，圖像分割質量的好壞直接影響後續處理效果甚至決定其成敗.

圖像獲取技術使得人類突破了人眼功能的限制，擴展了人眼對不可見輻射的接收能力. 紅外成像技術是利用景物本身各部分的熱輻射差異獲得圖像細節，它突破了人眼在低照度條件下的視覺限制. 紅外成像技術初受軍事領域的需求刺激，得到了極大發展，隨著該技術的日趨成熟，現在在消防、電力、糧庫、醫學和安防等民用領域也得到了十分廣泛的應用.

紅外弱小目標檢測技術是利用圖像處理算法對處於雜亂背景和強噪聲環境中的目標進行自動檢測，其算法性能的好壞是影響紅外成像繫統作用距離和智能化程度的關鍵. 而將目標從圖像中分割出來是檢測的關鍵步驟，但是復雜背景下的紅外弱小目標和弱目標的檢測一直是一個非常困難卻極具挑戰性的課題，因為復雜背景下的弱小目標通常隻有幾個像素大小，缺乏幾何結構和形狀特征，其灰度特征也不明顯，同時背景雜波的干擾使得檢測變得更為困難. 弱目標盡管有結構特征，但是由於紅外成像本身的特點及背景的復雜和背景中有太多與目標灰度相近的干擾存在，使得傳統的閾值分割和邊緣檢測方法無法檢測到目標.

本書是作者在研究紅外弱小目標分割及檢測算法所取得成果的基礎上，廣泛閱讀國內外相關文獻總結而成的. 全書共分七章，各章內容如下：

章，重點介紹圖像分割的基礎知識，從圖像的基本概念到圖像處理中常用的模板卷積、圖像分割等基本概念及圖像分割的主要技術和評價四個方面展開.

第二章，主要對紅外成像技術的原理及其發展，以及紅外圖像的特點進行簡略說明.

第三章，從分析復雜背景下紅外弱小目標和弱目標分割中存在的問題入手，對紅外弱目標圖像的低對比度、低信噪比的特點，引入形態學的方法對圖像進行增強的預處理；面對背景中含有大量與目標重疊的灰度值的情形，利用直方圖變換法的思想，在對圖像求局部方差後，對目標和背景求二維熵，使之有利於目標的分割.

第四章，將模式識別中的聚類方法的思想與圖像分割方法的思想進行比較，引入具有抗噪聲能力強和能發現任意形狀類的密度聚類算法，該算法能將具有高密度的區域劃分為類. 在提出的改進算法中，采用多種紅外弱目標的特征作為特征向量進行密度聚類. 得到的仿真實驗結果驗證了算法的可行性和有效性.

第五章，針對大多數聚類算法對初始中心狀態比較敏感，對參數有一定的依賴性等存在的問題，采用基於人類視覺上一個數據集形成聚類原理的山峰聚類算法，但該算法存在每一次構造新的山峰函數時計算量隨問題的維數增加而呈指數增長的缺點，由此提出將輸入圖像分別進行x, y方向的投影，以降低維數，在此基礎上分別進行山峰聚類後，再在原圖像上以聚類中心作為種子點進行區域生長實現目標的分割. 實驗對室內和室外紅外弱目標圖像都有良好的檢測效果，證明了所提方法的有效性.

第六章，對弱小目標在空域和頻域中的特點進行分析，引入在時域和頻域都具有良好表現的局部化分析和細化能力，且具有“數學顯微鏡”之稱的小波分析工具，又由於小波變換後代表圖像頂點等特征點的模極大值範數，具有旋轉、平移和伸縮不變性的特點，加之復雜背景下的弱小目標總會在它所在小區域裡具有較突出的變化，提出了利用目標、背景雜波及噪聲在小波分解的各個層次的不同表現，在時、頻域采用多特征迭代的方法進行弱小目標的檢測算法. 實驗結果表明，基於小波分解與多特征結合的檢測算法用於弱小目標的檢測是行之有效的.

第七章，提出了一種基於小濾波背景抑制與小波分解相結合的弱小目標檢測方法. 由於被檢測目標弱且小，對於背景和弱小目標區域而言，在一個小的局部空間中進行-小濾波，背景區別不是很大，但目標的表現則不同. 由此將兩個濾波結果作殘差運算以達到抑制背景、突出目標的效果. 在此基礎上再采用小波分解，進行簡單的分割即可得到目標.

對本書的算法研究，華中科技大學柳健教授給予了指導和鼓勵，在此表示衷心的感謝！本書的出版得到了西南民族大學中央高校基本科研業務費專項基金項目（11NZYQN29）和四川省應用基礎研究計劃項目（2013JY0041）的資助.

鋻於作者水平有限，作為一家之言，不足之處在所難免，懇請讀者提出寶貴的意見和建議.

作者

2016年2月

在線試讀

本書主要討論靜止的二維灰度圖像，其中l為光譜信息. 另外，彩色圖像也可以稱為多光譜圖像，因為它使用了顏色空間中的大量信息，如色度、亮度、飽和度、對比度等. 色彩對於人類來說是非常重要的，利用圖像中的顏色信息將之作為目標特征之一，還可以從場景中提取目標或簡化目標識別. 灰度圖像的像素值隻是光強信息，它用一個矩陣表示，而彩色圖像借此概念則需要三個矩陣表示，而這三個矩陣可以是RGB，即紅綠藍三基色，也可以是色調、飽和度、強度（HIS）三個分量，或者其他諸如Lab、CIE、XYZ或CMY等，視應用場合采用的顏色模型而定.

下面以灰度圖像f (x,y)為例，說明對尺寸相同的同一幅圖像，這三個字母的不同取值對圖像質量的影響. 其中x,y與像素點數相關，像素點數越多，圖像看起來越柔和，圖像質量越好，但當像素點數減少時，圖像的塊狀效應就逐漸明顯，如圖1.1所示. 然而就圖1.1中的(a)和(b)而言，單從人眼視覺效果還看不出多大的差別，這也為目前圖像傳輸提供了一個很好的依據：民用領域，在不影響對圖像信息進行判讀的情況下，將圖像進行降采樣處理，減少其像素點數可以減輕圖像數據對傳輸帶寬和傳輸時間的壓力；f表示灰度級，當圖像的像素點數一定時，灰度級越多，圖像質量越好，然而隨著差灰度級數的減少，圖像質量越差，假輪廓的現像也逐漸呈現出來，如圖1.2所示. 也就是說，無論是像素點數的減少還是灰度級的減少，圖像的數據量都隨之變小.

圖1.1 不同采樣點數對圖像質量的影響

圖1.2 不同灰度級對圖像質量的影響

圖像在獲取、存儲、處理及傳輸過程中，常常會由於受到電氣繫統和外界干擾而存在一定程度的噪聲. 圖像噪聲使得圖像變得模糊，甚至淹沒圖像特征，給分析帶來困難. 噪聲通常是不可預測的，是用概率統計方法來認識的一種隨機誤差；也可以采用隨機過程及其概率密度函數來描述，常用的數字特征有均值、方差等. 圖像的噪聲一般具有以下特點：（1）噪聲在圖像中的分布和大小不規則，具有隨機性；（2）噪聲與圖像之間一般具有相關性，比如圖像內容接近平坦時，量化噪聲呈現偽輪廓；（3）噪聲具有疊加性. 比如圖像在多個設備傳輸中，各個部件引起的噪聲疊加起來會使信噪比下降.

圖像噪聲根據產生的原因分為外部噪聲和內部噪聲；根據統計特性分為平穩噪聲和非平穩噪聲；根據噪聲與圖像的關繫分為加性噪聲和乘性噪聲. 為了分析方便，往往將乘性噪聲近似認為是加性高斯白噪聲，而且總是假設圖像與噪聲是互相獨立的，因而帶噪聲的圖像可表示為：f (x, y)＋n(x, y). 而在紅外弱小目標分割中，噪聲對目標的干擾比較大，因為從頻率特性上看，目標和噪聲都屬於高頻成分，但它們又有各自的特點，即目標在幀間的相關性大，而噪聲在幀間的相關性較小. 因此，在分割或檢測過程中，需要考慮噪聲對圖像的影響.

商品搜索

商品分类

【醫學】

【各大出版社】