不均匀图像（精选7篇）
不均匀图像 篇1
近年来, 随着现代科学技术的发展和战场复杂性的需求, 图像处理系统在军事和民用领域得到了迅猛的发展, 而且随着数字信号处理技术、微电子技术、光电技术、电子计算机的发展, 图像处理系统在监控、自动目标识别、医学图像分析、巡航制导、导弹投射系统的末制导等诸多领域得到广泛应用, 因此在理论和实用上都具有重要价值。
边缘检测作为图像分析领域的基础, 在图像跟踪、目标识别、图像分割等方面占有十分重要的地位, 图像理解和分析的第一步往往就是边缘检测, 因此边缘检测目前已成为机器视觉研究领域最活跃的课题之一[1]。本文针对图像对比度较差的情况下, 应用灰度变换增强后, 配合相应的边缘检测算法, 得到了令人满意的结果。
1 边缘检测定义
边缘检测是图象分析识别前必不可少的环节, 是一种重要的图象预处理技术, 边缘是图象最基本的特征。
定义:边缘检测是根据引起图像灰度变化的物理过程来描述图像中灰度变化的过程。
令f (x) 为输入信号, 假设由于噪声的影响, 使f (x) 发生了一个很小的变动变为f1 (x) :
f1 (x) =f (x) +εsinωx (1)
式 (1) 中ε≪1, 对式 (1) 两边求导数, 则
由式 (2) 可以看到, 若ω足够大, 即噪声为高频噪声时, 会严重影响信号f (x) 的微分输出, 进而影响边缘检测的结果。为了使微分正则化, 则需要先对图像进行平滑。然而图像平滑会引起信息丢失, 并且会使图像平面的主要结构发生移位。另外若使用的微分算子不同, 则同一幅图像会产生不同的边缘, 因此噪声消除与边缘定位是两个相互矛盾的部分, 这就是边缘检测中的“两难”[2,3]。
2 边缘分类
边缘是灰度不连续性的反映, 有方向和幅度两个特性。一般认为沿水平边缘走向灰度变化较为平缓, 沿垂直走向灰度变化较为剧烈, 这种灰度的变化使边缘呈现出各种形状。
图像中的边缘可以分为阶跃边缘、斜坡边缘、三角型屋脊边缘、方波型屋脊边缘、楼梯边缘、双阶跃边缘和双屋脊边缘[4]。实际应用中, 在大部分情况下, 通常将边缘都看成是阶梯型、屋脊型边缘, 然后得到在一定条件下能够检测这种边缘的最优滤波器, 进行边缘检测。
边缘检测的方法有许多种, 即使在同一种方法中所用到的滤波器也是不尽相同的, 边缘检测就是要找到好的边缘检测方法和检测算子。
3 边缘检测的算子法
边缘检测算子是利用边缘求导后所得到的极值点或零交叉点进行检测的。
常用的几种微分检测算子有Roberts、Sobel、Prewitt、LoG (Laplacian-Gauss) 、Canny等算子。其中前三种算子和Canny算子是基于一阶导数的边缘检测算子, LoG算子是基于二阶导数的边缘检测算子。
3.1 Roberts算子
Roberts算子是一种最简单的梯度算子, 是一种利用局部差分算子寻找边缘的算子, 对具有陡峭的低噪声的图像效果较好, 它的定义
G (x, y) ≜|Gx|+|Gy|。
其中
Gx=f (x, y) -f (x+1, y+1) ;
Gy=f (x+1, y) -f (x, y+1) 。
两个2×2模板如图1所示。
3.2 Sobel算子
Sobel算子是滤波算子的形式。它的定义
G (x, y) ≜|Gx|+|Gy|。
其中
Gx=[f (x-1, y+1) +cf (x, y+1) +f (x+1, y+1) ]-[f (x-1, y-1) +cf (x, y-1) +
f (x+1, y-1) ];
Gy=[f (x-1, y-1) +cf (x-1, y) +f (x-1, y+1) ]-[f (x+1, y-1) +cf (x+1, y) +
f (x+1, y+1) ]。
图像中的每个点都用图2所示的两个模板 (c=2) 做卷积, 第一个模板对垂直边缘影响最大;第二个模板对水平边缘影响最大。两个卷积的最大值做为该点的输出, 运算结果是一幅边缘幅度图像。
3.3 Prewitt算子
Prewitt算子与Sobel算子完全一样, 只不过是模板中常系数取值有所不同 (c=1) , 如图3所示。
3.4 LoG (Laplacian-Gauss) 算子
LoG算子是一种线性、时不变的算子, 它通过寻找图像灰度值中二阶微分是零的点来检测边缘点。与Laplacian算子最大的不同之处是图像首先与高斯滤波器进行卷积, 然后再借助Laplacian算子模板进行边缘检测。高斯滤波器的函数形式为
式中r2=x2+y2, σ是标准差, 对其取二阶导数得到的拉普拉斯算子为
常用模板如图4所示。
3.5 Canny算子
Canny算子是1986年Canny在总结了以往的理论和实践的成果, 提出了边缘检测的三个准则的基础上形成的, 三个准则分别是信噪比、定位精度和单边缘响应准则。Canny算子具有良好的边缘检测性能, 不容易受噪声的干扰, 能够在噪声和边缘检测中取得较好的平衡。它的函数形式是首先取高斯函数的一阶方向导数
h (r) n=nᐁh (r) 。
然后将图像与h (r) n卷积, 改变n的方向, 取模的最大值的方向就是梯度方向[5,6,7]:
模:M=|h (r) nf (x, y) |;
方向:A=h (r) nf (x, y) /M。
4 分析及结论
根据上述各种边缘检测算子, 编写相应的代码, 对标准图像进行相应的处理, 其结果如图5所示。
通过上面的检测结果, 我们发现:
(1) Roberts算子对具有陡峭的低噪声的图像处理效果较好, 从图5 (b) 可以看出, 大米的竖直的边缘基本能够检测出来, 而对于水平或者倾斜的边缘检测较差, 并且提取边缘的结果比较粗糙, 定位不是十分准确;
(2) Sobel和Prewitt算子检测结果基本一致, 这与它们的检测模板基本相同有关 (只是常系数有所变化) , 从图5 (c) 和 (d) 的检测结果来看, Sobel和Prewitt算子对灰度渐变和噪声的处理效果较好, 边缘定位比较准确, 只是有个别的大米的边缘未能封闭;
(3) LoG算子由于先进行高斯滤波, 过滤了一部分噪声, 这是它的优点, 但由于经过高斯滤波后, 会把原有的边缘也给平滑了, 所以从图5 (e) 可以看出, 有较多的大米的边缘未能封闭, 检测效果比Sobel和Prewitt算子差, 但比Roberts算子要好一些;
(4) 在以上各边缘算子检测结果中, 我们看到Canny算子检测的效果最好, 大米的边缘均能检测出来并且封闭, 由此说明Canny算子不容易受到噪声的干扰, 能够检测到真正的弱边缘, 究其原因是因为Canny算子使用两种不同的阈值分别检测强边缘和弱边缘, 并且仅当弱边缘与强边缘相连时, 才将弱边缘包含在输出图像中, 因此这种方法不容易被噪声干扰, 更容易检测出真正的弱边缘。
一般情况下, Canny算子边缘检测的结果要优于其他算子。在实际应用中, 应该根据具体情况进行具体分析和应用。如果限定应用在实时条件下, 在硬件一定的情况下, 就需要考虑运算量问题, 通过以上的对比, 我们很容易会优先选择Sobel、Prewitt和Canny算子进行边缘检测, 然而通过对比运算量发现, LoG算子的运算量要小于以上几个算子。如表1所示。
分析图6 (a) 原始图像直方图, 可以看出原始图像的灰度集中在大约50至200之间, 并没有充满整个区间, 这导致了图像的对比度下降, 使得LoG算子的检测性能降低, 通过采用灰度变换的方法增强图像的对比度, 将图像的灰度调整到整个区间, 如图6 (b) 所示, 使图像的对比度得到增强。
经灰度变换增强后的图像如图7 (a) 所示, 与图5 (a) 原始图像对比可以看出图像效果有了明显的改善。
最后使用LoG算子对经灰度变换增强后的图像进行边缘检测, 结果如图7 (b) 所示, 我们把图7 (b) 与图5 (e) LoG算子检测结果和 (f) Canny算子检测结果对比一下, 发现对经灰度变换增强后的图像应用LoG算子进行边缘检测的结果弥补了LoG算子本身的缺陷, 大米的边缘均能完整的检测出来并且封闭, 其检测效果可以和Canny算子检测结果相媲美。
由此可见, 在以上条件下, 将原始图像预先处理后再应用LoG算子, 不仅可以大大减少运算量, 而且可以获得令人满意的检测结果, 因此, 在进行边缘检测的过程中, 应根据不同的具体情况找出适当的检测方法, 以获得较好的检测效果。
5 结束语
图像信息量巨大, 而边缘是图像最基本的特征, 包含着图像中用于识别的有用信息。可以为人们描述或识别目标以及解释图像提供了一个有价值的和重要的特征参数, 所以其算法的优劣直接影响着所研制系统的性能。长期以来, 人们已付出许多努力, 设法利用边界来寻找区域, 进而实现物体的识别和分析, 由于目标边缘、图像纹理甚至噪声都可能成为有意义的边缘, 因此很难找到一种普适性的边缘检测算法, 现有诸多边缘检测的方法各有其特点, 同时也都存在着各自的局限性和不足之处, 因此图像的边缘检测这个领域还有待于进一步的改进和发展。而根据具体应用的要求, 设计新的边缘检测方法或对现有的方法进行改进, 以得到满意的边缘检测结果依然是研究的主流方向[8,9]。
参考文献
[1]薛文格, 邝天福.图像边缘检测方法研究.电脑知识与技术, 2007; (24) :246—248
[2] Bertero M, Poggio TA, Torre V.Ill-posed problems in early vision.Proceeding of the IEEE, 1998;76 (8) :869—889
[3] Poggio T, Torre V.Ill-posed problems and regularization analysis inearly vision.Artificial Intelligence Lab Memo, No.773, Massachu-setts Institute of Technology, 1984
[4] Castlemen K R, 数字图象处理.Prentice HALL.朱志刚, 等译.北京:电子工业出版社, 1998
[5]董长虹, 赖志国, 余啸海.Matlab图像处理与应用.北京:国防工业出版社, 2004
[6]胡小锋, 赵辉.Visual C++/MATLAB图像处理与识别实用案例精选.北京:人民邮电出版社, 2004
[7] Gonzalez R C, Woods R E.数字图像处理 (第二版) .北京:电子工业出版社, 2007
[8]吴炯, 张秀彬, 张峰, 等.数字图像中边缘算法的实验研究.微计算机信息 (测控自动化) , 2004;20 (5) :106—107
[9] Davis L S.Asurvey of edge detection techniques.CGIP, 1975; (4) :248—270
不均匀图像 篇2
1 红外成像系统的非均匀性
一幅红外图像的形成要经过物体热辐射、大气传输、光学系统、探测器的转换和信号传输等过程。红外焦平面阵列非均匀性的产生是所有过程共同作用的结果, 主要有红外探测器、读出电路、半导体特性、放大电路和外部环境等。探测器自身的非均匀性在整个系统的非均匀性中占很大的比例, 它的产生受到制造探测器的半导体质量和加工工艺过程的影响。红外光学系统中的镜头加工精度, 镜头的孔径、焦距、透射率等都对成像效果产生了一定的影响。当探测器的驱动信号或读出电路的驱动信号有所变化时, 焦平面阵列的非均匀性也将受到影响;当红外辐射在大气中传播时, 受到云雾、烟尘等颗粒对红外辐射的散射和大气的吸收、折射等各种不确定因素的影响, 也会导致最终的图像产生非均匀。红外焦平面阵列器件所处环境温度的非均匀性也会影响它的辐射响应非均匀性。假设探测器的像元响应曲线符合线性, 如图1 (a) 所示, 如果探测器的像元响应曲线符合非线性, 则如图1 (b) 所示。图1中, 曲线1, 2, 3分别为探测器的3个不同探测像元响应特性曲线, φ表示红外辐射强度, G表示像元介绍到的能量灰度。
2 两点非均匀性校正算法原理
两点非均匀性校正法是目前应用最广泛的算法之一。从红外成像非均匀性产生的机理来分析, 假设探测器的响应在一定温度范围内的变化是线性的, 其受随机噪声的影响很小, 同时具有时间稳定性, 则焦平面探测器受到外界均匀辐射背景的响应表为:
将 (2) (3) 式分别代入 (1) 式得:
通过计算可得:
在实际工程应用中, 将两点非均匀性校正的参数Gi, j, Oi, j代入式 (1) 中进行非均匀性校正。
3 两点非均匀性校正算法的实现
3.1 红外硬件系统设计
本文红外系统采用640×480焦平面探测器, 硬件平台采用FPGA为图像处理单元。非均匀校正系统主要由五部分组成, 即红外探测器、FPGA、模数转换、外部存储器、终端显示。FPGA中含有大量的加乘法单元, 正好满足非均匀校正需要大量加 (减) 法器和乘法器的要求。整个红外非均匀校正硬件实现的过程如下:红外目标辐射经过红外成像系统, 其能量被红外探测器接收, 相关信息被采集后进行输出和加强, 再送至A/D转换器件完成模数转换, 然后输入含有二点非均匀性校正程序的FPGA中进行校正运算, 之后输出经过红外增强后的图像数据。这些数据经过D/A转换器件完成数模转换, 模拟信号再经过放大器后输入到终端显示设备中, 经过二点非均匀校正过的红外目标图像最终显示在显示器上。红外焦平面成像和校正系统如图2所示。
3.2 校正效果
用调好的系统先后对准80℃面阵黑体和30℃面阵黑体, 分别采集高温和低温红外图像数据, 计算出非均匀性校正系数, 再存入FPGA中参与红外图像实时校正运算, 试验结果如图3所示。图3 (a) 是校正前系统前方均匀物体的红外图像, 图3 (b) 是校正后系统前方均匀物体的红外图像。从校正前的图像中可以看出, 中央部分与边缘部分图像明暗差异比较大, 红外成像系统的非均匀性导致成像存在非均匀性。通过两点非均匀性校正后, 红外图像非均匀性得到了改善。
4 总结
640×480焦平面阵列探测器选择80℃和30℃面阵黑体作为二点定标基准温度, 并在标定实验室常温环境下进行二点非均匀校正试验。结果显示, 红外图像非均匀性有明显改善, 校正效果良好, 能够满足实际工程应用的需要。
摘要：红外焦平面探测器 (IRFPA) 是常用的兼具辐射敏感和信号处理功能的先进红外成像系统探测器件, 但是, 由于其像元红外响应度不一致, 存在非均匀性, 大大降低了成像质量, 所以, 在实际工程应用中, 需采用响应的非均匀性校正技术。介绍了IRFPA非均匀性的产生机理和两点非均匀性校正算法原理, 红外探测成像系统采用640×480焦平面探测器, 选择FPGA硬件平台进行两点非均匀性校正工程实现, 明显改善了图像效果。
关键词：红外焦平面,两点法,非均匀性校正,工程实现
参考文献
[1]李旭, 杨虎.基于两点的红外图像非均匀性校正算法应用[J].红外与激光工程, 2008 (37) .
[2]屈惠明, 陈钱.环境温度补偿的红外焦平面阵列非均匀性校正[J].红外与激光工程, 2011, 40 (12) .
不均匀图像 篇3
然而,由于在热红外面阵探测器、深低温光学制冷等关键技术的限制,此前热红外谱段的高光谱成像系统在国内尚无成熟样机提供数据,因此也少有人从事相关热红外高光谱图像数据的处理工作。
现依托于在科技部863计划支持下研制的国内第一套热红外高光谱成像系统,研究了相关的热红外高光谱图像的非均匀性校正方法,提出了一套处理方法,得到了优良的热红外高光谱数据集。为后续的应用打下了基础。
1 基于光栅分光的热红外高光谱系统
热红外高光谱系统采用Sofradir公司生产的MARS VLW RM4型号探测器芯片[3],自行研制冷屏,杜瓦进行探测器组件封装,该红外高光谱成像仪载荷工程样机主要技术指标如下。
光谱范围:8.0~11.5μm;成像波段数:180;光谱分辨率:42 nm;量化位数:14 bits;瞬时视场:1mrad;总视场:14.5°;NEΔT:≤0.2 K@300 K(平均)。
系统框图如图1所示,实物图如图2所示。
其工作原理如下,目标信号经过成像镜会聚到狭缝处,经过光栅分光后再入射到探测器焦平面。每一列对应一个光谱通道,每个光谱通道的光谱宽度为42 nm,共180通道。由于目标不同的光谱维数据在探测器上成像只有一列,因此需要通过扫描的方式得到目标景物的高光谱图像。通过合并每个光谱通道在时间维上的图像,最终得到高光谱数据集,用以提取目标景物的光谱信息,如图3所示。
2 热红外高光谱图像非均匀性处理方法
由于受热红外探测器制作工艺、工作条件、功耗成本等因素的限制,目前的热红外探测器阵列性能还远比不上可见光探测器,存在较大的噪声和非均匀性。同时考虑到热红外背景噪声等因素的影响,目标信号是十分微弱的。对于热红外高光谱图像,最大可能的去除非均匀性噪声和提高信噪比是十分重要的。为此,经实际检验,提出了一套基于两点校正的处理方法,方法处理流程如图4。
2.1 基于波段的两点校正算法
在进行校正前,应首先剔除以下几种情况的坏点像元:(1)响应率过高或者过低的点;(2)响应波动太大的点;(3)响应不变的点,即盲元。
常规的红外图像两点非均匀性校正算法期望输出采用的是全焦平面像元输出的平均值,但在高光谱图像中,焦平面上的不同列,也就是不同谱段的像元之间的输出是不同的,必须区别对待。为此,采用两点校正算法时应单独对每列图像进行,而不是以整个焦平面为单位进行。在进行非均匀性校正之前,先提取每个通道的光谱图像,由于黑体在每个波段上辐射的能量可以认为是相等的,因此可以基于每个通道的光谱图像进行两点法校正。按如下公式计算[4]。
式(1)中,Vi,s(φ2)和Vi,s(φ1)分别是低温黑体和高温黑体在第i个光谱通道上的平均响应;Vj(φ2)和Vj(φ1)分别为第j个像素点对低温黑体和高温黑体的响应值;ki,j和bi,j分别为第i个光谱通道第j个像素的增益和偏置系数。
2.2 基于傅里叶变换的条纹去除[5]
红外焦平面器件一般有多路信号输出端口,各个输出端口之间存在信号的不一致性,另外,不同位置的红外探测光敏元对相同红外辐射也会产生不同的输出信号,最终使得红外图像内出现一种类似于条纹状的非均匀性高频噪声。经过常规的非均匀性校正,一般仍会在图像中残留较严重的条纹噪声,这种条纹噪声是基于焦平面是4路输出的基础上的。现提出一种新的基于一维傅里叶变换的条纹噪声去除技术。快速傅里叶变化(FFT)表达式如下。
将图像的像元依焦平面1,2,3,4路输出的顺序按时间先后排列成一维数列,之后经过FFT变换,将FFT的谱线中以4为周期和以160,320为周期的谱线置0(这些点的谱线值过高,意味着存在着以这些值为频率的周期信号,这里也可以取其左右相邻谱线幅值的均值),最后得到的数据再反变换即可得到消除条纹的图像。方法简图如图5。
同时,对于实际红外拍摄图像的时候,图像本身可能含有这几个频率的谱线,但实际图像中,不会有如此整数的强烈谱线,这几根特殊谱线的幅值与其相邻谱线的值基本相似。为此可以考虑将原本置0的谱线用左右相邻的谱线强度的平均值代替。
以经过非均匀校正后黑体红外图像为实验数据,对比传统的基于矩匹配[6]的方法。为了更客观地对本文算法进行评价,以图像剩余非均匀性,图像RMS噪声为依据对图像处理效果进行评价,剩余非均匀性,均方差越低,则表示图像的质量越好。实验结果如图6和表1所示。
从处理结果和剩余非均匀性的降低可以看出本文提出的这种条纹噪声去除方法的有效性。
2.3 像元合并
对于一般的机载应用场合,相对于速高比,热红外探测器的帧频是有很大余量的。因此当提取出不同波段的条带图像时,每个波段的图像的像元在时间维上是有重叠的,因此可以通过对这些像元进行叠加来提高性噪比[7]。结合所搭载飞机的速高比,本文所使用的热红外高光谱机载成像系统使用6个像元的合并技术路线。示意图如图7。
3 实验室和飞行试验验证
为综合验证本文提出的针对热红外高光谱成像系统非均匀性处理方法的有效性,在实验室,利用转台和红外波段反射镜来模拟飞机推扫过程,采用热红外制冷型320×256焦平面器件。通过反射镜的转动,扫描远处目标场景,而焦平面本身并不运动,从而得到推扫图像。之后迅速用不同温度的黑体采集定标校正数据,用以后续的处理,同时推扫了一组常温黑体的图像,可以用来计算这幅黑体推扫图像经过最终处理后的剩余非均匀性,来评价方法的有效性。非均匀性校正采用两点法,采集的两个定标温度点为15℃,25℃。所有扫描的原始图像为320×256×1 044帧。
从结果可以看到,在8~11μm的波段上获得了清晰的图像。为量化分析最终的处理结果,以推扫的黑体图像来计算最终的剩余非均匀性,这里剩余非均匀性使用国际定义,计算如下,对于一个M行N列的红外焦平面探测器,其非均匀性UR为
式(4)中,d和h分别为死像元和过热像元个数,R(i,j)为探测器不同像元。
最终得到的处理后的中心波长为10μm的推扫黑体图像的剩余非均匀性为0.001 9,全波段NETD平均低于200 km,结果理想。以此为基础,最终于舟山完成了飞行试验,相关试验参数如下,速高比决定了成像系统的最小帧频数,其计算如表2。
M=V/H,其中V表示飞机的速度(m/s),H表示飞行高度(m),最终M的单位为rad/s。
经过对得到的数据处理,最终处理得到的热红外100谱段的数据以及最终的高光谱数据集如下,可以看到经过本文相关方法处理,在热红外波段得到了清晰均匀的图像(图9),结合地物中布置的光谱定标版,得到了地物的8~11.5μm的高光谱数据集,为后续应用打下了基础。
图9热红外高光谱数据立方体(部分)Fig.9 Thermal infrared hyperspectral data sets
4 结论
针对光栅分光的热红外高光谱系统的特点,提出了结合基于波段的非均匀性校正方法和基于一维傅里叶变换的条纹噪声去除的综合数据处理方法。实验结果表明,该方法能够很好地完成热红外高光谱图像非均匀性校正功能,不具有场景依赖的特点,并且保持了目标信号的原始光谱特性。经过实验室和飞行试验验证,得到了良好的实验结果,为后续热红外高光谱数据的数据处理和应用打下了良好的基础。
摘要：热红外高光谱成像因其被动成像、全天候工作等诸多优点,在军事和民用领域得到了日益广泛的应用,但国内受限于热红外面阵探测器、深低温光学系统等关键技术,少有基于实用样机高光谱数据集的数据处理研究。现以国内首次研制的实用热红外高光谱成像系统为依托,研究了一套相关的高光谱数据处理方法,为进一步光谱数据应用打下了基础。
关键词：热红外高光谱系统,非均匀性校正,条纹噪声
参考文献
[1] Murphy R,Kohin M,Backer B.Recent developments in uncooled IR technology.In SPIE,2000:12—16
[2] 王建宇,李春来,姬弘桢,等.热红外高光谱成像技术的研究现状与展望.红外与毫米波学报,2015;34(1):51—59Wang Jian yu,Li Chunlai,Ji Hongzhen,et al.Status and prospect of thermal infrared hyperspectral imaging technology.Journal of Infrared and Millimeter Waves,2015;34(1):51—59
[3] Corporation S.Technical data package Mars VLW RM4.France:Sofradir Corp,2013
[4] 林颖,徐卫明,袁立银,等.长波红外高光谱非均匀性校正及光谱特征提取.红外与激光工程,2011;40(4):605—610Lin Ying,Xu Weiming,Yuan Liyin,et al.Nonuniformity correction for LW infrared hyperspectral and its spectral feature abstraction.Infrared and Laser Engineering,2011;40(4):605—610
[5] Ji H,Li C,Chen X,et al.Research on spatial noise of high resolution thermal infrared imaging system.Society of Photo-Optical Instrumentation Engineers(SPIE)Conference Series.2014:92632A—92632A—10
[6] 刘正军,王长耀,王成,等.成像光谱仪图像条带噪声去除的改进矩匹配方法.遥感学报,2002;6(4):279—284Liu Zhengjun,Wang Changyao,Wang Cheng,et al.Destriping imaging spectrometer data by an improved moment matching method.Journal of Remote Sensing,2002;6(4):279—284
不均匀图像 篇4
近年来,凝视型红外焦平面成像系统已经成为红外成像系统最有发展前景的探测器件。但由于制造工艺的限制,焦平面阵列探测单元响应度不完全一致,导致了叠加在图像上的空间噪声,即固定图形噪声,严重影响了红外系统的成像质量和辐射测量精度。因此,红外图像的非均匀校正成为目前亟待解决的问题。
已有的非均匀校正技术大致可分为两大类:第一类是基于黑体的非均匀校正技术,其光学和机械结构复杂,达不到实时校正要求;第二类是基于场景的非均匀校正技术,它直接利用场景信息,克服了黑体校正的缺点,成为目前研究的主要方向。比如,Scribner等[1]提出的时域高通滤波算法、神经网络校正算法[2]、Harris等[3]提出的恒定统计算法和Torres等[4]提出的卡尔曼滤波校正算法等均属于此类。然而,这些算法又不可避免的存在一些缺陷:时域高通滤波要求探测单元成像具有较高的时空遍历性,神经网络算法利用噪声图像的四邻域平均作为图像像素灰度的期望值导致算法结果不理想,恒定统计算法和卡尔曼滤波校正算法又要求探测单元接收的辐射量位于同一个范围,即满足恒定范围假设。
文献[5]提出的基于图像配准的非均匀校正算法和文献[6]提出的迭代最小二乘算法也属于基于场景的非均匀校正技术。它们很大程度上克服了这些缺陷,但它们的性能过分依赖于图像配准的精度,且存在算法收敛程度不够和计算量大的缺点。本文依据局部恒定统计假设和递推最小二乘估计原理,提出了基于读出电路结构红外焦平面图像非均匀校正算法。由于算法考虑了读出电路的结构知识,因而使产生的噪声特性更符合实际,具有更广的应用实践性。同时算法依据了递推特性,降低了数据存储量,节省了存储单元。从而有效降低了算法的计算复杂性,提高了实时处理能力,使算法的工程实用成为可能。
2 噪声模型
针对固定图案噪声产生的原因[6]对实际图像影响的大小,基本上可以把噪声归结为两个主要的来源:一类是由红外传感器读出电路生成的,这其中包含乘性噪声和加性噪声。另一类是固定的传感器噪声,这基本上包括了环境影响、像元的非均匀响应特性和光学系统的影响,其中也包含乘性噪声和加性噪声。针对这两种固定图案噪声,分别建立相应的传感器噪声模型和读出电路噪声模型。
2.1 传感器噪声模型
由焦平面阵列探测单元的非均匀特性,给出第k帧图像的数学模型:
式中:(i,j)表示第k帧图像中的像素坐标,ak,2(i,j)和ak1,(i,j)分别表示叠加在原始图像xk(i,j)上的乘性固定噪声和加性固定噪声,yk(i,j)为探测器的输出。
由于算法对每个像素进行相同的运算,为简便起见,以下叙述中省略像素位置(i,j)。即可得到图像xk的估计式为
由于yk是传感器输出图像值,可以直接得到,故校正值xk的求解转化为对噪声参数ak,2和ak,1的求解。
2.2 读出电路噪声模型
红外焦平面一般有很多输出通道来满足红外摄像仪所要求的高带宽需求。传感器的光响应在不同读出电路的输出通道上分组和多路传输。这些传输的电信号要经过参数特性各异的读出电路通道,导致了属于同一组的传感器响应具有一致的乘性和加性偏差。基于这些特性,本文提出了读出电路噪声模型。
特别的,考虑L组输出,其中每一组输出响应值都通过一个相同的读出电路通道。定义每组相应的传感器单元标号集合为M1,M2ML。假设传感器单元标号的集合互相排斥,其具体关系如下:
通道1(M1):;通道2(M2):;通道3(M3):;通道4(M4):
channel 1(M1):;channel 2(M2):;channel 3(M3):;channel 4(M4):
每一帧图像第i组通道的输出像素数目定义为iP,i=,1,L。一帧中的像素总数为
举例如下,图1(a)和图1(b)分别为两种简单的焦平面信道读出电路输出结构图[7],它们的所有像素都分布在四个信道中传输。
所以,每一组读出电路通道输入输出值都满足线性模型。对于从第一帧到第k帧的每一组传感器的输入输出关系都可以表达为
式中:j表示第k帧图像中的像素位置,kb,j和ck,j分别表示叠加在传感器输出yk(j)上的乘性固定噪声和加性固定噪声,Zk(j)为读出电路的输出。
3 算法原理简述
3.1 算法框图
图2为非均匀校正算法结构框图,整个流程分为两部分。第一部分由读出电路非均匀校正构成,作用是去除输出图像中的读出电路噪声,并且为下部分的探测器单元噪声校正提供理想值估计。第二部分由探测器单元理想值估计模块和探测器单元噪声非均匀校正模块构成。利用第一部分计算出的固定噪声参数完成后续输入噪声图像序列的校正,并进行中值滤波,处理后的图像作为理想值参数再依据递归最小二乘加权原理,通过探测器单元非均匀校正,得到最终的校正图像序列。
3.2 读出电路噪声非均匀性校正
利用已知的红外成像系统的读出电路结构图,可以将同一个通道内的像素划分为一组,从而确定出同一个通道内传输的像素集。由于经过的通道相同,故这些像素集具有十分接近的非均匀噪声值。而这些通道内像素点在焦平面上又是循环分布的,所以可以认为通道之间输入场景的均值和方差是相同的。对于每一个像素集而言更好的满足了恒定统计假设,故利用改进的统计算法对每一个像素子集进行局部校正,以滤除通道内的非均匀噪声,为后续的探测器单元噪声校正提供了可信度更高的预校正数据。读出电路噪声非均匀性校正的原理框图如图3所示。
通过迭代的统计计算分别得到噪声图像统计估计µk,j和σk,j以及真实图像统计估计µk,i和σk,i,再利用式(7)的非均匀校正式得到此次校正值,并作为下一步校正的输入值。同时生成的噪声参数kb,j和ck,j在下一帧图像的真实图像统计估计时又被再次利用。
3.3 探测器单元噪声非均匀性校正
步骤一:探测器单元校正理想值估计
为了进行探测器单元噪声非均匀性校正,首先要得到真实辐照度的预估计值。首先,根据式(2)的非均匀校正思想,使用上一帧探测器单元噪声计算值,进一步去除读出电路校正图中的图像噪声,然后使用3×3的中值滤波器来进行预估值处理。中值滤波进一步减少了读出电路噪声校正后图像的空间噪声,但同时也降低了图像的空间分辨率。降低的空间分辨率可以通过下一步骤中的探测器单元的递归加权最小二乘非均匀校正算法来复原。
步骤二:递归加权最小二乘校正算法
将式(1)改写成矢量方程:
其中:Hk=[xk1],θ=[ak,2ak,1]T。设已经处理的图像帧数为k帧,为叙述方便,引入加权矩阵W(k),采用以下记号:
则矢量方程为
由递归加权最小二乘估计原理,引入衰减因子λ≤1,得第k+1次的固定噪声参数递推公式:
其中增益矩阵Kk+1的表达式为
Pk+1的递推公式为
其中Pk=[HT(k)W(k)H(k)]-1。
步骤三:噪声图像的非均匀校正
设由第k步递推得到的固定噪声参数为θ=[ak,2ak,1]T,联立式(2),得到图像kx的估计值。
4 算法仿真结果分析
4.1 仿真数据的产生
本文利用已有的8∼12µm红外序列图像,通过加入图1(a)的模拟固定图案噪声参数,形成测试仿真数据。图像尺寸250像素×160像素,序列中共有250帧。读出电路噪声模拟参数如表1所示。传感器噪声参数中,加性固定噪声为均值0、标准方差25的高斯白噪声,乘性噪声为均值1,标准差0.02的高斯白噪声。
4.2 仿真数据的校正结果
通过对仿真红外图像进行非均匀校正,得到如图4所示的校正图像。与时域高通滤波(THP)方法、神经网络校正方法(NN)、迭代最小二乘算法(ILS)相比较,基于读出电路结构的迭代非均匀校正算法(IRA)具有较好的校正效果。本文的方法不仅较大的保留了图像细节,还减弱了校正图像中的黑影,具有较好的清晰度。为叙述方便,以下英文叙述时都使用其英文缩写形式。
(a)原图像;(b)噪声图像;(c)时域高通滤波校正图像;(d)神经网络校正图像;(e)迭代最小二乘算法校正图像;(f)基于读出电路算法校正图像
(a)Original frame;(b)Noise frame;(c)Corrected images with THP;(d)NN;(e)ILS;(f)IRA
4.3 算法的性能分析
由于ILS算法在收敛速度、计算复杂度和数据存储量方面比其它方法已经有很大改进[6],所以这里只对ILS算法和本文方法在上述方面进行比较。
4.3.1 收敛速度比较
为了比较图像处理效果,图5给出了分别采用两种算法处理后的图像光滑度ρ和均方误差根RMSE(Root Mean Square Error)参量随帧数n变化的曲线,两个参量的定义参见文献[4]。从图中可以看出基于读出电路结构的非均匀校正方法比ILS算法约提前收敛20帧,因此具有更快的收敛速度。
4.3.2 时间和空间复杂度比较
ILS算法分为图像配准和运动补偿平均、噪声参量迭代估计和噪声图像校正两部分,而基于读出电路结构的焦平面非均匀校正算法分为读出电路噪声校正和传感器噪声校正两部分。两种方法在第二部分的计算量相当,但第一部分的计算量后者却远远小于前者。对两种方法第一部分计算量的具体分析如下。图像配准和运动补偿平均模块需要的乘法次数约为10m2+m2(log2m)2+2xy,加法次数约为4m2(log2m)2+4xy,而读出电路噪声校正需要的乘法次数约为13xy/2,加法次数约为9xy/2。其中m为背景配准窗口大小,x和y分别为输入图像的水平和垂直大小,m一般选取值为x或y的一半。可以看出读出电路噪声校正比图像配准的计算量要小两个图像大小量级。这里选择x为250,y为160,m为100,它们的单位都是pixel,则每帧图像校正的计算量减少约200万次。可以看出,基于读出电路的非均匀校正方法同基于图像配准的校正方法相比,大大降低了计算复杂度。
再考虑两种算法的数据存储量,由于两种算法已经是迭代处理算法,故数据存储量比批处理算法已经大为减少。ILS算法所需的存储量空间大约为12帧图像,而基于读出电路结构的非均匀校正方法数据存储量约为14帧图像。这对于硬件电路来说都是较易实现的。
5 结论
本文给出了基于读出电路结构的红外焦平面非均匀校正算法,解决了一般焦平面阵列校正算法中普遍存在的计算复杂度高、实时实现困难等问题,使得该算法更适合于工程化应用。该算法是两种校正算法的综合,如果要进一步减少计算的复杂度,可以单独使用其中的任意一种方法,只是校正精度略有下降。但是,算法是基于读出电路结构的,它要求像素分组要尽量满足成像系统的结构信息,所以将这种理论与硬件结构紧密联系,将是下一步研究的重点和方向。
参考文献
[1]Scribner D A,Sarkay K A,Caldfield J T,et al.Nonuniformity correction for staring focal plane arrays using scene-based techniques[J].SPIE,1990,1308:224-233.
[2]Scribner D A,Sarkay K A,Kruer M K,et al.Adaptive nonuniformity correction for IR focal plane arrays using neural networks[J].SPIE,1991,1541:100-109.
[3]Harris J G,Chiang Y M.Nonuniformity Correction Using Constant Average Statistics Constraint:Analogue and Digital Implementations[J].SPIE,1997,3061:895-905.
[4]Torres S N,Hayat M M.Kalman filtering for adaptive nonuniformity correction in infrared focal plane arrays[J].Applied Optics,2000,4030:196-205.
[5]Hardie R C,Barnard K J,Bognar J G,et al.High-resolution image reconstruction from a sequence of rotated and translated frames and its application to an infrared imaging system[J].Opt.Eng,1998,37(1):247-260.
[6]徐田华,赵亦工.基于递推最小二乘的红外焦平面非均匀校正算法[J].光子学报,2006,35(2):261-264.XU Tian-hua,ZHAO Yi-gong.Iterative Least Square-Based Algorithm for Nonuniformity Correction of Infrared Focal Plane Arrays[J].Acta Photonica Sinica,2006,35(2):261-264.
[7]周建勋,王利平,刘滨.红外图像非均匀性原因分析[J].红外与激光工程,1997,26(3):11-13.ZHOU Jian-xun,WANG Li-ping,LIU Bin.Analysis of the cause for the nonuniformity of infrared image[J].Infrared and Laser Engineering,1997,26(3):11-13.
不均匀图像 篇5
但是, 由于在对织物色纱数进行设计时, 会受到机器的一些限制, 从而给现有的C A D软件提出了新的要求, 不断地改变现有的技术, 加强对图形图像分色功能的研究, 以便能够使其在织物设计中得到更好地应用。
1 均匀颜色空间
彩色图形在进行分色的同时, 就伴随着比较彩图中的一些颜色, 从而能够在最大程度上将不同颜色在视觉上的差别进行量化, 由于不同的色度图上的点代表着不同种类的颜色, 就直接导致颜色在视觉上的差别不是由色度图上两个相邻点之间的距离所代表的, 也就是说, 就算是在色度图上相隔的距离是一样大的两组颜色, 也不能就说他们在视觉上的差别就是一样的。
为了能够使人们更加方便的使用, 由国家专家在上世纪六十年代推出了均匀色度的标准图 (C IE 1860 U C S图) 和均匀颜色的空间, 十几年后, 又陆续退出了C IE 1976 (L*u*v*) 的空间和C IE 1976 (L*a*b*) 的空间。
下面我们以C IE 1976 (L*a*b*) 做下面陈述:
明度我们用L*来表示, 色度就用a*、b*来表示, 用X、Y、Z三个字母分别表示某一种颜色C的三刺激值。
公式1) 为其计算公式:
由此我们得知色差公式就是:
试2) 中:标准照明体照射到白物体后, 再经过完全反射到观察者眼睛中的三刺激值分别用X0、Y0、Z0来表示。
一般情况下D 65用来表示由彩色监视器发射出来的参照白光, 现在规定:
将其带入R G B到X Y Z系统的转换方程中得:
然后将X0、Y0、Z0这三个三刺激值带入试1) 中, 通过计算可以得到彩色监视器的C IE 1976 (L*a*b*) 的均匀颜色空间的计算公式为:
2 图形图像分色算法的研究
2.1 图形图像的分色算法的确定
2.1.1 彩色图形中各颜色值出现的频率
彩色图形在做一些分色处理时, 必须确保原始的彩图中的各个颜色是由哪几种颜色来取代的 (下文就将以选取色来称呼这几种颜色) , 在对颜色进行确定时一个非常重要的依据就是彩色图形中每个颜色值出现的频率 (下文用色频来称呼) 。
因此, 为了能够在最大程度上使原图保持原来的风貌, 选取色时可以选择一些比较高的色频的颜色。
2.1.2 彩色图形中各颜色之间的色差
色差在分色算法中起着非常重要的作用, 这主要表现在以下三个方面:
一是, 作为选取色的第二个重要参考依据, 这主要是由于色差在最大程度上能够将图形的层次感体现出来;
二是, 在选择用哪一种选取色来取代原始彩图中的哪一种像素点时, 必须将选取色与像素点之间的色差计算出来, 从而选择跟像素点最小差值的选取色来取代像素颜色;
三是, 色差可以作为图形的轮廓确定的标准, 也就是能够讲一个阈值确定出来, 这样轮廓点就可以表示为某点跟邻点的色差比阈值大就是轮廓点。
2.2 算法的实现
2.2.1 读取图形的原始数据
对以前图形的数据的读取以及图形颜色的R、G、B的分量, 可以在存储时选择使用二维的一个数组和三维的一个数组进行存储, 其中PIC X{picx (i, j) }为二维数组, P IC IJ{picij (i, j, k) }为三维数组。
原始图形中的横坐标i用Picij (i, j, 0) 来表示, 用j的像素点颜色R的分量来表示纵坐标, 原始图形中横坐标i用picij (i, j, 0) 来表示, 用j的像素点颜色G的分量来表示纵坐标, 原始图形中横坐标i用picij (i, j, 2) 来表示, 用j的像素点颜色B的分量来表示纵坐标, 原始图形中横坐标i用picij (i, j) 来表示, 用j的像素点的颜色值来表示纵坐标。
在这里需要注意的是, 用八位二进制数来表示计算机中R的刺激量, 同理计算机中的另外颜色G、B的刺激量也是用八位二进制数来表示的, 他们三个数值的取值范围是在[0, 255], 其中用一个相对来说非常长的整型数来表示这些颜色的数值, R分量分数值是这三个数值中字节最低的, G分量是分数值是这三个数值中低的中间值, B分量分数值是这三个数值中次高字节, 零是最高的字节。
2.2.2 对图形颜色进行预处理
原始图形在被用户选择时具有非常广的选择范围, 而且颜色数在原始图形中可能会出现的非常多, 也可能会出现的非常少, 这是没有规律可循的, 以24位的真彩色图形为例说明, 总共会有224种可以用来表现色彩的种类, 在这么多种颜色中有相当大的一部分是通过肉眼分辨不出来的, 并且就算是利用色差计算公式来推算, 其推算过程的计算了也是非常大的。
因此我们规定, 在125以下的图形颜色数就可以先预处理一次原始图形, 从而能够确保经过预处理后的原始图形的颜色数能够在125色的以下, 在对原始图形进行预处理时一般的方法就是将R、G、B的分量分别进行划分, 一般是划分成五个档次。
因此, 最多可以有125中颜色的组合, 这样在进行修改时就可以直接修改数组P IC IJ{picij (i, j, k) }, 在算出相对于的颜色数值后就可以存储到picx (i, j) 里面。
2.2.3 计算预处理后的颜色数及色频
原始图形中一共有颜色S多少种是经过预处理计算得出来的, 然后将这些计算出来的颜色S的颜色值跟它对应的数 (下转第59页) 组PIcx{picx (j, j) }中能够出现多少次, 然后将其出现的次数储存在二维数组FLA G{flag (m, t) }中, 其中n∈[1, S], t∈[0, 1], 其中第m中颜色的颜色值就可以用flag (m, 0) 来表示, 而第m中颜色的色频就可以用flag (m, 1) 来表示。
3 结论
计算机技术在织物花型的设计中不断得到广泛应用的同时, 也出现了一些新的问题, 因此, 加强对均匀颜色空间的纺织用图形图像分色算法的研究, 是目前摆在纺织行业一个非常重要的问题, 它对促进纺织图形图像分色的发展起着非常重要的作用。
参考文献
[1]王秀娟, 欧宗英.彩色图像处理中的调色板技术[J].中国纺织大学学报, 1998.
不均匀图像 篇6
1基于数字图像处理的红外成像设备非均匀性检测原理
在理想情况下,红外焦平面阵列受均匀辐射时, 输出幅度应完全一样。而实际上,由于探测器的加工工艺、材料、温度和偏置情况的不均匀性,造成了输出幅度并不相同,即红外焦平面阵列在外界同一均匀辐射场输入时各个光敏元之间响应输出的不一致性,这就是所谓的红外焦平面阵列的非均匀性。 (nonuniformity,NU)。设备非均匀性直接反映到图像上就是噪声和斑点,因此根据图像上噪声和斑点的情况可判断成像设备是否存在非均匀性问题。
在实验室通过判断靶标图像噪声或斑点情况来判断红外成像设备是否存在非均匀性。选择靶标为一可保持恒温状态的,并且温度可调节的方形靶标。其靶标大小应大于成像系统1/4视场。以对靶标所成图像作为目标图像,以图像噪声情况为测试设备要测试的内容,靶标在四个不同温度下,分别捕捉标准成像设备和待测试设备所成图像,按次序分别编成1~4组。通过图像帧频采集卡获取这五组图像,利用计算机对图像进行处理,求出图像差值,把每组图像差值图像进行二值化处理,计算四组差值图像标准差均值。根据这四组图像标准差均值大小可以判断待测设备噪声情况,来判断是否存在非均匀性问题。如果标准差均值较大,则可判断待测试设备非均匀性问题比较严重,应当判定为不合格。
首先把标准设备放置到摄像机底座上,将其所成的图像作为标准图像存储到计算机硬盘中备份, 然后将标准设备换成待测试设备,将图像存储到计算机硬盘备份,如此按次序得到五组图像,按照如图1所示结构图进行组装。
1.1基于数字图像处理的红外成像设备非均匀性检测过程
测试时,将标准红外成像设备所成靶标图像输入计算机,利用数字图像处理方法对图像进行滤波,除去原始图像的噪声后,再进行二值化处理及边缘分割,得出图像的面积和周长。在同样条件下,更换待测试设备,将待测设备所成图像输入计算机,二者进行处理对比结果。流程如图2。
测试过程可分三步:
(1)设定靶标温度,获取标准设备图像和待测设备图像;(2)获取图像差,并进行二值化,保存; (3)计算差值图像标准差和均值,判断图像是否有非均匀问题。
1.1.1设定温度,捕捉不同温度下红外成像设备和待测红外成像设备的图像
靶标温度设定在某一恒定温度,按照图1,把标准红外成像设备固定在摄像机底座上,捕捉其所成灰度图像并储存到计算机上。靶标不变,在温度不变,红外成像设备更换为待测红外成像设备,捕捉所成图像,存储到计算机中。
改变靶标温度,依照以上同样步骤,捕获标准成像设备与待测红外成像设备的图像。每个温度下两幅图像编成一组,捕捉四组图像。
1.1.2计算图像差值,并进行二值化处理,计算差值图像标准差
计算差值图像。与标准红外成像设备相比,待测红外成像设备即被噪声污染过的噪声图像,用待测红外成像设备减去标准红外成像设备,差值图像就是背景为黑色的噪声的图像表现。把差值图像二值化,阈值取为1,这样,所有不为零的噪声都以白色像素形式呈现在图像上。因为在不同温度下, 红外成像设备温度探测器响应是不同的,为排除温度对图像计算结果影响,不应该只取一幅图像,所以要获取不同温度下四组图像,这样可以最大程度判断温度对问题像元的非均匀性影响。
计算二值图像标准差,设图像像素为a = Px× Py,做差后非零像素数为n ,则差值图像均值为xˉ = [ n ×1+(a - n)×0]/ a = n / a 。
图像标准差为
其中,t =n/a,且0 ≤t ≤1 ,易知为增函数,故t越大,n越大(a为常值)。
即标准差越大表示噪声越多,即非均匀性越明显。
综上,计算二值图像标准差,背景为黑色像素的情况下,标准差越大,说明噪声元素越多,表明非均匀性越明显。
1.1.3根据图像标准差大小判定图像非均匀性
按照1.1.1节和1.1.2节所述,先测试一个红外设备,捕捉四组图像,并计算差值,二值化处理,算出二值图像标准差,如图3~图6。标准差分别为0.071 9, 0.070 4,0.069 2,0.071 4。
标准差均值为 σˉ1=(0.071 9+0.070 4+0.069 2+ 0.071 4)/ 4=0.070 7。
以同样方式,对另一个非均匀性较为严重的红外成像设备进行测试,如图7~图9。得出标准差,分别为0.140 9,0.139 7,0.140 1,0.139 8。
标准差均值为 σˉ2=(0.140 9+ 0.139 7+0.140 1+ 0.139 8)/ 4=0.140 1。对比结果 σˉ2和 σˉ1,很明显 σˉ2= 0.140 1> 0.070 7 = σˉ1。
从图像对比看,在相同温度条件下,如图3、图4、图5与图6,每组图像中,即待测设备灰度图像2比待测设备灰度图像1的噪声严重,反映出第二个测试的红外成像设备比第一个图像的红外成像设备的非均匀性更严重。
从四组非均匀性已知设备图像对比看,方法得出的结果是准确的。对于一个一般的红外成像设备,在其非均匀性未知情况下,需要通过统计规律, 得出一般的判定参数,这样才能判定出设备非均匀性程度。
由图3可知,差值图像标准差分别为:待测设备灰度图像1为0.071 9,待测设备灰度图像2为0.140 9。
由图4可知,差值图像标准差分别为:待测设备灰度图像1为0.070 4,待测设备灰度图像2为0.139 7。
由图5可知,差值图像标准差分别为:待测设备灰度图像1为0.069 2,待测设备灰度图像2为0.140 1。
由图6可知,差值图像标准差分别为:待测设备灰度图像1为0.071 4,待测设备灰度图像2为0.139 8。
1.2评价指标与评价准则的建立
用统计规律分析得出评价指标,是通过捕获的大量的图像进行计算,对计算结果进行分析统计。这里用罗曼诺夫斯基准则的思想来确定评价参数。
选取评价指标的是通过罗曼诺夫斯基准则来实现。选择同一批次20个经过检测合格的红外成像设备,每一个设备都含有轻微非均匀性,以理想标准设备(几乎不含有噪声)为标准来对比,按照第1.1.1节和第1.1.2节计算出其每一个设备与标准设备差值图像标准差。共得到20个标准差,根据罗曼诺夫斯基准则,用大误差判别方法求得次数在20时的 σ 值,σ 就是判别准则的值域边界值。
1.2.1罗曼诺夫斯基准则
罗曼诺夫斯基准则是当测量次数较少时,按t分布的实际误差分布范围来判别粗大误差。罗曼诺夫斯基准则又称t检验准则,其特点是首先剔除一个可疑的测得值,然后按t分布检验被剔除的测量值是否含有粗大误差。
当测量次数较少时,按t分布的实际误差分布范围来判别粗大误差较为合理。罗曼诺夫斯基准则又称t检验准则,其特点是首先剔除一个可以的测得值,然后按t分布检验被剔除的测量值是否含有粗大误差。
设对某量作多次等精度独立测量,得
若认为测量值xj为可疑数据,将其剔除后计算平均值为(计算时不包括xj)
并求得测量列的标准差(计算时不包括vj= xj-)
根据测量次数n和选取的显著度 α ,即可由表1查得t分布的检验系数K(n,α) 。
若
则认为测量值xj含有粗大误差,剔除xj是正确的,否则认为xj不含有粗大误差,应予保留。
1.2.2评价参数与判定法则
设对某量作多次等精度独立可靠测量,得
xn + 1为待测设备数据,认为测量值xn + 1为可疑数据,计算前n项平均值为
并求得测量列的标准差为
根据测量次数n和选取的显著度 α ,即可由表1查得t分布的检验系数K(n,α) 。
若
则认为测量值xn + 1含有粗大误差,待测设备为不正常设备,否则认为xn + 1不含有粗大误差,是正常设备,可以使用。
选取20组正常工作设备所成图像数据作为样本,不能正常工作的设备所成图像经过处理后得到的一组数据作为粗大误差来处理。按照以上1.1.1节、1.1.2节和1.1.3节的方法算出20个标准差,求出标准差均值,待测红外成像设备捕获图像经过处理后差值二值图像的标准差设为xn + 1。
由20组正常数据根据罗曼诺夫斯基准则,根据测量次数n和选取的显著度 α 算出的范围Kσ ,其中Kσ 值即为所要求的评价参数。测试时,看待测设备的数值xn + 1是否在|xn + 1- | > Kσ 范围中,如果数值满足不等式,则判定设备数值差异过大,设备不合格。
又因为,这里判定的原则是通过噪声多少来表征红外成像设备非均匀性的,当待测红外成像设备很好,即非均匀性几乎不明显,则相应噪声表现更轻微,故这里|xn + 1- | > Kσ 应该修改为xn + 1- > Kσ 。
具体过程如下
在外界条件不变情况下,选择按照第1.1.1节, 在不同温度条件下,得出8幅图像,如图7,根据1.1.2节和1.1.3节计算得出差值图像的标准差分别为:0.021 6,0.021 2,0.024 5,0.021 6,
均值为
按照同样步骤可计算得出后19组数据,如表2 。
单幅图像的标准差用 σ1,σ2,σ3,σ4表示,标准差均值用 σˉ 表示。
得出20组正常设备差值图像的标准差的均值, 根据1.2.1节,此时差值图像均值就是1.2.1节中的x1,x2,x3,x4,…,x20
那么均值为
下面计算标准差
查表1,当n =20,取置信度 α =0.5时,K =2.16, 得下式
故由xn + 1- > Kσ ,判定xn + 1值,xn + 1- 值大于Kσ =0.001 35时,即xn + 1大于0.024 69时判定该红外成像设备不合格。
对待测试红外成像设备来说,捕捉该设备和标准设备在不同温度下四组红外灰度图像,每组之间做差,然后二值化,求得平均标准差,如果平均标准差大于0.024 69,则可判定该红外成像设备均匀性不达标,该红外成像设备不合格。
2实验验证
下面利用两个待测红外成像设备来对该法则进行验证。
首先按照1.1.1节捕捉两组待测红外成像设备的图像,再按照1.1.2节和1.1.3节计算差值图像二值化以后标准差。过程如下:
第一个红外成像设备如图8。
通过肉眼观察,该红外成像设备中噪声很明显、很密集,与图7相比,其非均匀表现非常明显。
对第二个红外成像设备进行测试,如图9。
通过肉眼观察,第二个红外成像设备中噪声很少,与图7相比,其非均匀表现很轻微。
通过选取两组待测红外成像设备,对其所捕获图像进行分析、计算验证、判定准则可判定出红外成像设备的非均匀性,同时用肉眼观测,可明显看出其差别,因此,证明法则成立,是可行的。
由图8可知,差值图像二值化以后图像标准差分别为:0.085 5,0.086 0,0.086 7,0.085 1,均值为0.085 825,因为0.085 825大于0.024 69,故该设备不合格。
由图9可知,差值图像二值化以后图像标准差分别为:0.016 4,0.015 2,0.013 7,0.015 9,均值为0.015 3,因为0.015 3小于0.024 69,故该设备合格。
3结论
利用数字图像处理方法,通过对红外成像设备的图像进行做差,并进行二值化处理计算出差值图像平均标准差,对比已知判定参数来判断红外成像设备的非均匀性,这种方法简单快捷,也有较高的准确度。当然该种方法也有其局限性,只能初步判定出红外成像设备非均匀性表现,如果设备含有成片盲元、坏点时,还是要结合肉眼观察,有一定的主观性。如果对非均匀性要求更高,并对非均匀性进行校正,则还需要进一步研究。再者,该方法是通过数理统计的方式得出评价参数,不能达到百分百的判断准确度,因此,如果需要更高精度,还需要进一步研究探索。
摘要：提出基于图像处理的图像非均匀性检测方法,作为判断红外成像设备工作正常与否的依据。以标准红外成像设备所成图像为标准图像,在测试条件不变的情况下,利用待测红外成像设备捕获红外图像,与标准图像做差,对差值图像二值化处理,求出设备标准差。根据罗曼诺夫准则思想,建立红外成像设备非均匀性判定准则,利用待测设备标准差来判断设备是否存在着非均匀性。
不均匀图像 篇7
关键词：自动识别,改进的Bernsen算法,非均匀光照,马氏瓶刻度图像
0 引言
液位检测是各个领域需要测量的重要参数之一。目前使用的检测方法主要是利用硬件设备[2]和软件技术。硬件设备主要是自动化检测仪表技术,随着电子科技的不断发展,仪器的检测精度也在不断的改进,但是各种仪器的检测精度对环境都较为敏感,且在潜水面蒸发量观测实验中引进此类的硬件设备无疑增加了实验成本;软件技术主要是利用图像处理技术来处理图像数据,获取液位信息,在实际应用中,由于光源照射不均匀,对后续的液位线定位和刻度识别带来困难。传统的马氏瓶刻度大多采用人工读取,这样必然存在自动化程度低、长期连续观测难度大等缺陷。
针对非均匀光照条件下马氏瓶刻度图像的液位识别问题,提出了一种基于改进的Bernsen算法的二值化方法,同时采用液位标定算法[3],实现了马氏瓶液位的自动识别。实验表明,改进的Bernsen算法一定程度上消除了光照不均匀对马氏瓶刻度图像的干扰,提高了后续的液位线标定精度和效率。与可调焦摄像头结合,可实现潜水面蒸发量及其他类似观测的自动化、连续化和智能化。
1 马氏瓶刻度液位标定方法
马氏瓶刻度液位识别方法[3]具体步骤如下:
Step1对灰色图像利用改进的Bernsen算法进行二值化处理;
Step2对二值化图像进行垂直投影,利用loess对投影曲线进行平滑处理;
Step3求得平滑后曲线的极值点,确定曲线的波峰值和波谷值;
Step4求得相邻极值点的差值,生成差值序列,求得序列中的最大项,最大项中波峰值所对应的列就是液位所在的位置;
Step5提取与液位线相邻的数字,根据模板匹配法对数字进行识别,根据识别的数字和液位线的位置计算出刻度值。
流程图如图1所示。
2 马氏瓶刻度图像二值化
图像二值化的方法主要分为全局阈值法和局部阈值法[4,5]。全局阈值法的基础思想是求取最佳门限阈值,此阈值将原图像分成目标图像和背景图像两部分,当取得最佳阈值时,目标图像应该与背景图像差别最大。Otsu(大律法)[6]就是典型的全局阈值法,该方法对外界环境较为敏感,抗干扰性差,且并未考虑各个像素之间的邻域信息,在室内实验中利用可调焦摄像头下所拍摄的马氏瓶刻度图像存在光照不均匀的影响,因此无法利用全局阈值分割方法。而Bernsen算法[6]等的局部阈值算法对光照均匀和不均匀的图像都具有很好的二值化效果,因此本文采用自适应的Bernsen算法。
2.1 传统的Bernsen算法
局部阈值法根据像素的空间变化来确定二值化的阈值。Bernsen算法是局部阈值方法的一种,传统的Bernsen算法思想是:设h(x,y)是点(x,y)的灰度值,灰度图像的像素中心是(x,y),以该点为中心的(2w+1)×(2w+1)窗口内的所有像素的最大值为max,最小值为min,w是局部阈值的运算窗口,图像中各个像素点的阈值T(x,y)为:
得到灰度图像的阈值后,逐点将中心点的像素值h(x,y)与计算得到的最终阈值T(x,y)进行比较,如果中心点的像素值较大,则阈值为255,即为目标像素;如果中心点的像素值较小,则该点的阈值为0,即为背景像素。
Bernsen算法通过对图像进行分块处理,计算局部窗口中像素的最大值和最小值得到每个像素的阈值。在窗口内灰度差别很小的情况下也会进行二值化处理,然而这种强制处理使得在细节上过于敏感,所以不可避免地出现噪声点,而且容易产生伪影现象,这也是局部阈值法的普遍缺陷。
2.2 改进的Bernsen算法
针对传统Bernsen算法存在的上述问题,采用改进的Bernsen算法来实现图像二值化。改进算法是对原始的马氏瓶刻度图像和经过高斯滤波处理后的马氏瓶刻度图像分别利用原始的Bernsen算法进行处理,求得原图的阈值为TH(x,y),高斯滤波后的阈值为TI(x,y)。求得两种阈值后通过选择合适的参数α,根据两种阈值的线性组合关系来确定最终的阈值T(x,y)。该线性组合可通过改变参数α的值来确定最终阈值。改进的Bernsen算法运算量相对较小,而且有效地解决了非均匀光照对马氏瓶刻度图像的影响,其具体步骤如下:
Step1对原始的马氏瓶刻度图像h(x,y)进行高斯滤波,得到滤波后的图像I(x,y),经过高斯滤波处理后的原始图像更加平滑,且能够有效去除噪声。
Step2利用原始的Bernsen算法求得马氏瓶刻度原图像h(x,y)的阈值,即:
利用原始的Bernsen算法求得经过高斯滤波处理后的马氏瓶刻度图像I(x,y)的阈值,即:
式中:w是局部阈值运算窗口,其取值根据多次实验结果来设置,本文取w=3。
Step3通过对阈值的平滑处理可消去Bernsen算法产生的伪影现象,对马氏瓶刻度原图像的平滑,即:
对经过高斯滤波后的马氏瓶刻度图像的平滑,即:
Step4改进算法充分结合高斯滤波和原始的Bernsen算法的优点和性能,最终各点的二值化阈值由TI(x,y)和TH(x,y)的线性组合关系来确定,即:
当TH(x,y)=0时,若TI(x,y)=0,则T(x,y)=0;若TI(x,y)≠0,则T(x,y)=α·TI(x,y)。
当TH(x,y)≠0时,若TI(x,y)=0,则T(x,y)=(1-α)·TH(x,y);若TI(x,y)≠0,则最终的阈值为二者的线性组合,即:
其中,α取值为0到1范围内,由实验得到,α取值为0.8。
Step5逐点将中心点的像素值h(x,y)与计算得到的最终阈值T(x,y)进行比较,如果中心点的像素值较大,则阈值为255,即为目标像素;如果中心点的像素值较小,则该点的阈值为0,即为背景像素。
图2给出了改进的Bernsen算法与其他二值化方法的效果比较。
可以看出Otsu算法将目标图像和背景较好地分割,但是并没有很好地分割出各个刻度线,Bernsen算法可以识别出马氏瓶刻度线,但是由于光照不均匀的影响,在液位线的分割处出现干扰,采用的改进的Bernsen算法二值化后的图像有效地去除了非均匀光照的干扰,清楚地分割出液位线和各个刻度线。该算法能够在保留Bernsen算法优势的同时,弥补其缺陷,方便后续刻度识别的实现。
3 垂直投影和loess平滑处理
马氏瓶刻度图像液位识别方法的核心在于根据垂直投影曲线的特点分析得到液位线。由二值图像可知,二值化图像由黑白交替的点组成,各点的像素值为0或者1,马氏瓶液位线所在的大部分列在垂直方向上像素的总和值相对较大,而一般的刻度线所在的列在垂直方向上像素的总和值相对较小,因此垂直投影曲线图会产生波峰波谷之间的变化,急剧变化的点所对应的图像的列值,即是马氏瓶液位所在的位置。
3.1 垂直投影
垂直投影法是统计二值图像垂直方向上每列的像素和的分布特征,即每列图像数据中非0像素值的个数,设图像f(x,y)大小为m×n,F(u)为长方形区域[1,m]×[1,n]的垂直投影,即:
垂直投影曲线如图所示,随着二值图像横坐标的增加,每列的像素值会发生变化,一般刻度之间的垂直投影曲线不会产生较大的突变,而刻度线到液位线的垂直投影的曲线会产生较大突变,突变点就是马氏瓶液位线所在的列值。垂直投影图如图3所示,其中横坐标为二值化图像的横坐标,纵坐标为每列的像素值的总和。
图中的毛刺较多,无疑加大了液位识别的难度,因此使用loess平滑算法对其滤波,对图像数据进行处理,使曲线变得平滑,处理之后的图像有利于突变点的识别。
3.2 平滑处理
本实验使用局部加权回归散点平滑法(Loess)[7,8],Loess是一种稳健的非参数回归方法。Loess算法首先拟合局部观测数据,再估计拟合结果。假设计算垂直投影曲线中某一点(xi,yi)的Loess平滑值,其步骤如下:
Step1根据中心xi决定加权线性回归的区间宽度:
式中:q是参加局部回归的观察值的个数;f是参加局部回归的观察值的个数占观察值个数的比例;n是观察值的个数。不同的f值有不同的结果,增大f值,会增加平滑程度,通过实验对比,f取值为0.35。
Step2对于单变量样值(xi,yi)建立如下模型。
式中:αi0,αi1,…,αid是相对xi的未知参数;βi,i=1,2,…,n是随机误差项;d是人为给定的值。
Step3计算xi周围的所有点xj到它的距离,即:
设Δq(x)为Δij(x)(j=1,2,…,n)中第q小的值。
Step4给定一个权函数T(u),任一点(xi,yi)的权数是xi处权数函数曲线的高度。权函数有以下特点:
(1)T(u)>0,对|x|<1;
(2)T(-u)=T(u);
(3)T(u)=0,对|x|≥1。
平滑处理一般采用立方加权函数,即:
Step5对每一个点xi,在窗口内所有的xj,j=1,2,…,n计算权重,即:
Step6参数αik(i=1,2,…,n;k=1,2,…,d)的值由以下准则给出,即:
其中:i=1,2,…,n。
Step7从而得到yi的拟合值,即:
循环遍历曲线的各点,均使用以上步骤进行平滑,最终得到一组平滑点,将这些点用短直线连接起来,就得到Loess回归曲线,如图4所示,其中横坐标为二值化图像的横坐标,纵坐标为每列的像素值的总和值经过Loess处理后的数值。
4 马氏瓶液位标定
对垂直投影曲线求取二阶导数,根据函数极值判定原理标记出曲线对应的波峰值和波谷值,如图5所示,其中横坐标为二值化图像的横坐标,纵坐标为每列的像素值的总和值经过Loess处理后的数值。
波谷值序列为{f(i1),f(i2),…,f(imax)},波峰值序列为{f(j1),f(j2),…,f(jmax)},计算相邻的波峰值与波谷值的差值,即{f(j1)-f(i1),f(j2)-f(i2),…,f(jmax)-f(imax)},所有差值形成一行的数组,求得差值数组中的最大值,最大差值即为刻度线和液位线的过度点,该点即是平滑后的垂直投影曲线产生急剧变化的位置,该位置处所对应的波峰值的横坐标即马氏瓶液位的位置[3,9]。
5 马氏瓶刻度液位值的计算
根据以上得到的马氏瓶液位线的位置,找到和液位线相邻的左右刻度进行识别,根据所识别出的数字和马氏瓶液位线的位置得到液位线的准确数值。得到相邻数字的思想是:以马氏瓶液位线为中心对二值化图像进行垂直方向上的投影,如此液位线的像素值之和是最大的。找到液位线左右两边次大的像素值之和应为相邻数字的位置,最大像素值到左右两侧次大像素值之间间隔为0的数组序列,对数组序列进行处理,计算两侧间隔为0的个数分别为p、q,比较p和q的大小,取较小的一侧进行数字提取和识别。
5.1 数字提取和识别
液位线距离左侧的次大像素值间隔较小,因此对液位线的左侧进行数字提取和识别,如图6所示。
对分割后的图像分别进行水平方向和垂直方向上的投影,将分割的字符提取出来,最后匹配字符与模板,提取出的数值如图7所示。
模板匹配的思想[9]为:设待匹配图像S为方形区域,边长为N,模板图T也是方形区域,边长为M。设模板T叠放在待匹配图像S上平移,模板覆盖下的部分叫作子图Si,j,(i,j)为子图Si,j在搜索图S中的坐标,取值为:1<i,j<N-M+1。
匹配过程如下:假设模板T从待匹配图像S的左下角开始逐点遍历图像,比较两者的内容,如果一致,则差值为零,可以用以下公式来衡量T和Si,j的相似程度,即:
展开后为:
式中第三项指模板的总能量,第一项是子图能量,随(i,j)而改变,T和Si,j匹配时这一项的取值最大,相似性测度如下:
R(i,j)越大,模板T和子图S就越相似,使得R(i,j)取得最大值的位置即为最佳匹配位置,(i,j)即是要搜索的匹配点。
5.2 液位值计算
识别出数字后,计算数字与液位线中间的刻度数,马氏瓶刻度的一个刻度值为0.1,数字与液位线之间的刻度值在垂直方向上的投影为一组间隔为0的数组序列,即{f(x1),0,f(x2),0,…,f(xn),0},经过处理得到数组序列中为0的间隔个数p,即是中间间隔的刻度个数,以下公式求得刻度值:
若识别数字m、n在液位线右方,液位H为:
若识别数字m、n在液位线左方,液位H为:
马氏瓶刻度的最终识别结果如图8所示。
改进的二值化方法也适应于数字模糊以及倾斜的马氏瓶刻度图像的液位检测,如图9、图10所示。
表1是对某一时段马氏瓶刻度的人工识别的液位值与本算法得到的液位值的对比。
(单位:cm)
实验对30幅图像进行识别,其中28幅与人工识别液位线相同,对比可以得出与人工识别的误差在±0.1 cm范围内,图像识别结果精度能够达到实验要求。
6 结语
本文针对室内物理模拟实验中利用可调焦摄像头获取的马氏瓶刻度图像的水位线的识别问题,采用了一种基于图像分析的刻度识别算法,该识别算法在正常的白炽灯照射下得到了较好的识别效果。由于采集到的图像光照不均匀,二值化效果不佳,使得液位识别误差较大,本文以传统Bernsen算法能解决一些非均匀光照问题,结合利用高斯滤波对Bernsen算法加以改进,改进的二值化算法有效地消除了光照不均匀对图像的干扰,弥补了传统Bernsen算法产生伪影的不足。该改进算法较其他常用的去除图像阴影的算法更为简单,图像预处理的效果为后续液位识别提供了很大便利。液位识别方法计算出平滑曲线的每一对相邻波峰值与波谷值的差值序列,序列的最大项即为液位线的列值,根据液位值找到相邻的数字,对数字进行识别,并计算出液位值的准确刻度。该识别方法有较高的精度,误差较小,满足了室内物理实验的需求。将本方法与可调焦摄像头结合,可实现室内物理实验中潜水面蒸发量或类似观测的自动化、连续化和智能化。下一步将实现对马氏瓶刻度的实时自动化识别问题。
参考文献
[1]景少波,王成福,许骥.一种基于马氏瓶的点源入渗湿润锋测试装置:中国,CN203365275U[P].2013-12-25.
[2]陈金丽,张帆,张显.基于卡尔曼滤波的液位检测与跟踪[J].计算机仿真,2009,26(9):317-320.
[3]张占强,朝乐门,孟克其劳.基于图像分析的牛奶液位标定算法研究[J].中国农机化学报,2014,35(1):224-228.
[4]Ying Wen,Yue Lu.An algorithm for license plate recognition applied to in telligent transportation system[J].IEEE Transactions on Intelligent Transportation Systems,2011,12(3):830-845.
[5]陈强,朱立新.结合Canny算子的图像二值化[J].计算机辅助设计与图形学学报,2005,17(6):1302-1306.
[6]Otsu N.A threshold selection method from gray-level histograms[J].IEEE Transactions on Systems,Man,and Cybernetics,1979,9(1):62-66.
[7]张颖.统计学中回归分析及相关内容的教改思考:兼介绍LOESS回归[J].统计与信息论坛,2000(2):35-37.
[8]于卓熙.带有误差变量的自回归模型的回归函数的局部多项式估计[D].吉林:吉林大学,2006.
[9]张忠安.基于模板匹配算法的识别系统[J].数字技术与应用,2013(6):134,136.
[10]刘治峰.基于图像的水位自动检测研究[J].南京:南京理工大学研究生院,2004(10):34-38.
[11]Valentin Bataelj,Jovan Bojkovski,Janko Drnovsek,et al.Automation of Reading Liquid-in-Glass Thermometers[J].IEEE Transactions on Instrumentation and Measurement,2001,50(6):1594-1598.