基于Matlab的红外图像处理算法研究

目录

摘要................................................................................................................................. I Abstract ......................................................................................................................... II

第1章 绪论.................................................................................................................. 1

1.1研究背景和意义............................................................................................... 1

1.2国内外研究现状及发展趋势........................................................................... 2

1.3论文的主要内容安排....................................................................................... 4

第2章 红外图像的介绍.............................................................................................. 6

2.1红外热成像技术的介绍及其特征................................................................... 6

2.2红外图像产生原理以及红外图像的特点....................................................... 6

2.3红外图像的直方图介绍................................................................................... 7

2.4红外图像的性质分析（对比度、分辨率、噪声）....................................... 8

2.5本章小结........................................................................................................... 9

第3章 红外图像增强算法研究................................................................................ 10

3.1红外图像增强处理总体介绍......................................................................... 10

3.2空间域增强..................................................................................................... 11

3.2.1空域变换、对比度增强....................................................................... 12

3.2.1.1分段线性变换............................................................................. 12

3.2.1.2图像反转..................................................................................... 15

3.2.1.3对数变换..................................................................................... 16

3.2.1.4直方图均衡化............................................................................. 17

3.2.1.5直方图规定化............................................................................. 20

3.2.2空域滤波增强....................................................................................... 22

3.2.2.1均值平滑滤波............................................................................. 22

3.2.2.2中值平滑滤波............................................................................. 24

3.2.2.3 线性锐化滤波............................................................................ 25

3.2.2.4 非线性锐化滤波........................................................................ 27

3.3频域增强......................................................................................................... 29

3.3.1低通滤波............................................................................................... 29

3.3.2 高通滤波.............................................................................................. 30

3.4其他常用的及改进后的红外图像增强处理算法......................................... 31

3.5本章小结......................................................................................................... 32

第4章 结论................................................................................................................ 33

参考文献...................................................................................................................... 34

致 谢...................................................................................................................... 35

摘要

随着现代红外技术的快速发展，民用红外监控系统及军用红外探测系统得到了广泛的应用。由于红外摄像器件本身及探测环境影响，成像效果并不理想。在实际应用中，需要对获得的红外图像进行必要的增强处理，使其更适于人眼观察。同时利用对红外目标的检测、分割来确定不易辨认的目标物，为后续的识别与智能控制等奠定基础。

本文首先介绍了红外成像机理，在分析了红外图像特点的基础上，比较了几种经典红外图像增强算法。根据红外成像具有图像模糊、噪声大等特点，提出了用直方图均衡增强灰度、用中值平滑滤波消除噪声的红外图像处理算法。实验结果表明，该算法能够增强图像目标、有效的抑制噪声，具有较好的视觉效果。

数字图像处理是指将图像信号转换成数5字格式并利用计算机对其进行处理的过程。图像增强是数字图像处理的过程中经常采用的一种方法，它对提高图像质量起着重要的作用。本文先对图像增强的原理进行概述，然后对图像增强的方法分类并给出直方图增强、对比度增强、平滑和锐化等几种常用的增强方法的理论基础，通过Matlab 实验得出的实际处理效果来对比各种算法的优缺点，讨论不同的增强算法的技术要点，并对其图像增强方法进行性能评价。

关 键 词：红外图像；直方图增强；对比度增强；平滑；锐化

Abstract

With the fast development of the infrared technology, infrared monitor system is widely used in civil and military fields. Because of the limitations of infrared monitor and the affection of the environment, the quality of infrared imaging is not such satisfactory. In practical application, image enhancement technology is benefit to view of the obtained image. Meanwhile, undistinguished target can be confirmed by detection and segmentation, providing foundations for the following identification and intelligent control.

Firstly, infrared imaging mechanism is introduced. Based on analyzing the

characteristics of infrared image, some classic infrared image enhancing algorithms are compared. According to such characteristics as blurred image and high noise, a new algorithm combining platform histogram equalization with enhanced high-pass filtering is proposed. The results show that the algorithm can enhance the object and restrain noise of infrared image, achieving better visual effect.

Digital image processing is the procedures of converting image signal into digital format, then using the computer to process it. Image enhancement is digital image processing process often use a method to improve image quality, it plays an important role. This article first introduces the principle of image enhancement and

classification ，and then focus on several methods to study such as and histogram enhancement, contrast enhancement, smoothing and sharpening, and other commonly used in learning the basic digital image With the approach, through Matlab

experiment that the actual effect of various algorithms to compare the advantages and disadvantages to discuss the different enhancement algorithm. The application of occasions, and its image enhancement method of performance evaluation.

Key Words: Infrared imge; histogram enhancement; contrast enhancement; smoothing; sharpenin

第1章 绪论

1.1研究背景和意义

把景物反射或自身辐射的红外辐射图样转换成人眼可以观察的图像技术称为红外成像技术。红外成像技术可分为两类：一类是以红外辐射源照射物体，利用被反射的红外辐射摄照物体的像，称为主动式红外成像；另一类是不用人工照明源，只依靠目标和背景的不同辐射成像，称为被动式红外成像。被动式红外成像反映了被摄影景物中不同辐射的温度差别，它包含了被摄景物的温度信息，因此被动式红外成像通常称为热像。热像不需要红外辐射源，它是红外探测技术的发展趋势。

红外热成像是一种通过红外传感器接受位于一定距离的被测目标所发出的红外辐射，再由信号处理系统转变称为目标的视频热图像的技术，它将物体的热分布转换为可视图像，并在监视器上以灰度级或伪彩色显示出来，从而得到被测目标的温度分布场。

过去红外成像的高成本及复杂性使得该技术仅使用于一些高精端的防御和科学应用，在民用领域很少涉及。随着红外技术的发展，非制冷焦平面阵列的诞生，即使红外成像系统的成本大大降低，又保证了红外成像系统的高性能。此外，红外技术还有如下优点：

（1）在设备发生故障和失去控制前发现问题，从而可降低贵重设备的损坏程度，延长了设备的使用寿命。

（2）减少了因故障导致的非计划停机。

（3）监测那些不要立即停机采取措施的问题，并预先作好维修计划。

（4）有效管理能耗，节约能源。

（5）节约维修时间，大大降低维修费用。

（6）增强系统的安全性和可靠性，用户满意。

（7）可快速、有效地收回投资。

因此，红外技术已经广泛应用于电力设备监测、医疗诊断、无损探伤、故障探测、产品检验、污染监测、森林防火以及公安消防等领域。

由于红外图像的成像机理以及红外成像系统自身的原因，红外图像与可见光图像相比，大多有图像较模糊、噪声大等特点。这对后续的处理极为不利，因此增强红外图像目标，降低噪声等操作是必不可少的；而且经过增强处理后，突出红外图像中的某些信息，削弱或出去某些不需要的信息，同时再对红外图像进行合适的分割处理，使目标和背景图像分离。因此，对红外图像处理算法的研究是很有必要的。

1.2国内外研究现状及发展趋势

自20世纪70年代以来，由于数字技术和微机技术的迅猛发展给数字图像处理技术提供了先进的技术手段，图像处理技术也脱颖而出成为一个崭新的领域，主要从事对图像、图片的信息处理，广泛应用于各种领域。采用图像处理技术，可以获取所需要的、有用的图像信息。运用图像处理技术对红外成像设备所拍摄的红外图像进行处理具有非常重要的意义，它可以改善红外图像的质量、降低图像的噪声干扰、使图像的有用信息更便于人们接收，同时还能帮助工作人员分析和诊断设备的状态及故障。

红外热图像表征景物的温度分布，是灰度图像，没有彩色或阴影，故对人眼而言，分辨率低、分辨潜力差、没有立体感；由于景物热平衡、光波波长长、传输距离远、大气气衰减等原因，造成红外图像空间相关性强、视觉效果模糊；外界环境的随机干扰和热成像系统的不完善，给红外图像带来多种多样的噪声，这些分布复杂的噪声使得红外图像的信噪比比普通电视图像低。

由于红外热成像系统突出的性能优点还远没有得到充分发挥。因此，国际上在开展红外热成像系统性能研究的同时，也在极力进行图像处理技术的研究。

传统的图像增强算法如灰度变换、直方图均衡等，概念简单，数学上处理方便、编程简便，所以在一些要求不高的场合己经取得了很好的图像增强效果。但是存在一些缺陷，对于图像中不同位置、具有相同灰度等级的像素经常会表现出不同的图像结构，在确定变换或转移函数时常是基于整个图像的统计量，则很有可能达不到预期的处理效果，此外对于全局直方图均衡还存在意想不到加强噪声效应。

早期的一种线性滤波器是非加权邻域平均滤波器，对上述算法稍加改进，可

得到另一种称为超像素平滑滤波器，这种方法对抑制椒盐噪声有特效。修改均值滤波的权值，可以得到不同的加权平均滤波器。有人提出 K 个邻点平均滤波器，它是用与中心点最接近的K 个邻点的平均灰度来代替中心像素的灰度。Wang. Vagnucci 和C.C.Li 等人提出梯度倒数加权平滑滤波器。

线性滤波器的最大优点是算法比较简单且速度比较快，缺点是容易造成细节和边缘模糊。

非线性滤波器能够在很好地保持信号细节的同时，去除信号中噪声。在数字图像处理中，非线性滤波器己经得到了广泛的应用与重视。现在有很多种非线性滤波器，而在图像处理中用到的非线性滤波器大多数是次序统计滤波器。非线性滤波器主要包括中值滤波器、形态滤波器、小波滤波器、多项式滤波器以及利用人工神经网络构成的非线性滤波器等。红外图像中的噪声可以分为两类：散粒噪声和高斯噪声。消除散粒噪声的有效方法是帧内中值滤波。非线性的中值滤波器是边沿保护器。为了使中值滤波能更好的保护边缘，目前更多地使用加权中值滤波器与其改进形式。

近年来，许多学者提出了一些图像局部增强的新方法，充分利用了邻域信息，形成了局部灰度调整算法。如自适应直方图均衡(AHE)、自适应对比度增强(ACE)、保形对比度增强方法、一种带有约束条件的一种自适应邻域扩展对比度增强算法、局部直方图均衡方法，该类增强能够根据图像的像素邻域的灰度分布特性，采用相应的直方图均衡方法处理图像，取得了较好的增强效果，但要求计算量大，而且处理不当会带来噪声干扰。

目前，红外图像中的目标分割方法中引入了遗传算法、小波变换、纹理分析及对背景建立数学模型进行预测等。近年来，人们仍然对阈值分割方法投入较多的注意力。阀值法是一种简单而有效的图像分割技术，与其它分割方法相比，它的最大特点是计算简单。因此，在把计算速度作为重要考虑内容的应用场合，阈值法己成为图像分割中被广泛采用的方法。要从复杂的景物中分辨出目标并将其形状完整地提取出来，阈值的选取是灰度阈值分割的关键。若阈值选的过高，则过多的目标点将被误归为背景。反之，则会出现相反情况，这将影响分割后二值图像中目标的大小与形状，甚至会使目标丢失。迄今为止，国内外学者们针对阈值选取这一课题进行了广泛深入的研究，提出了约50多种阈值选取的方法。根

据对多种目标图像的研究，通常情况下使用以下几种阈值分割方法：（1）类间方差法；（2）最小误差法；（3）最大熵法；（4）模糊阈值法。

有不少学者对图像分割的阈值法作了分析比较，普遍认为：在像素分类错误率、被分区域的均匀性等方面，最大类间方差法(Otsu)是较为经典的图像分割方法，性能较优。但是当目标变小时，包括Otsu 法在内的传统阈值法的性能会迅速下降；最小误差方法由于于要用目标在整幅图像中所占比例来指导分割，因而限制了它应用于自动目标识别与跟踪系统的分割算法中，而且在算法性能分析中也极少考虑它；最大熵法是根据最大熵原理求取阈值的方法，这种方法使得利用阈值分割出的图像两部分一阶灰度统计的信息量最大。目前又可将此方法推广到二维熵，使门限的选择更加合理，二维熵方法不仅利用了点像元信息，而且利用了周围像元的平均灰度信息，求出每一像元灰度值和该像元与周围像元平均灰度值的联合概率，从而决定分割的熵平面，但二维熵方法计算较为复杂；模糊阈值法则多与其它几种算法结合使用，把模糊性指数、模糊熵概念应用到图像分割中，结合基于图像直方图等的模糊最大熵阈值图像分割方法，给出了模糊最大熵的值对图像进行分割。

随着图像信息处理技术的发展，红外图像处理的方法也层出不穷。归纳起来，呈现出以下特点和趋势：

（1）多种数学工具。诸如人工神经网络、小波理论、遗传算法。以及模糊理论、数学形态学等。人们将这些新型理论工具应用到图像处理中，起到了改善图像效果、扩展适用范围、提高运算速度等作用。

（2）多特征的利用和多方法的融合。为了使图像处理方法取得更好的效果，不能仅仅局限于单一特征的分析，而是综合利用整体信息和局部信息，融合多种方法的优势进行。

1.3论文的主要内容安排

本文的主要工作是对非制冷红外热像仪输出的红外图像进行研究。首先采用常用的图像增强算法如直方图均衡化、灰度变换算法、图像的平滑降噪以及锐化方法对红外图像进行增强处理，并且分析比较各种增强算法的图像效果。然后针对获得的红外图像较模糊、噪声大等特点，提出了用直方图均衡增强灰度、用中

值平滑滤波消除噪声的红外图像处理算法。

全文共分为四章，各章节的内容安排如下：

第1章对全文进行概述，说明了本文的研究背景和意义以及红外图像处理技术的国内外研究现状和发展趋势。

第2章介绍了红外图像的产生机理，总结了红外图像的特点，对红外图像的直方图特征、噪声特性、对比度和分辨率进行了研究。

第3章研究了几种经典的图像增强算法对红外图像的处理效果，针对红外图像的特点，分别从不同的角度选用不同的增强算法进行大量的仿真实验，分析比较各种算法的图像效果。

第4章对本文做了总结，分析了本课题的研究成果，然后就本文中存在的不足做分析，对后续的研究工作做了说明和展望。

第2章 红外图像的介绍

2.1红外热成像技术的介绍及其特征

红外图像是伴随着红外成像技术的出现而诞生的。红外热成像技术，又称热成像技术，是一种辐射信息探测技术，热成像系统能够把物体表面自然发射的红外辐射分布转变为可见图像。因为不同物体或同一物体的不同部位具有不同的红外辐射特性，所以系统可以直观的显示其差异而将他们区分开来，转换成可见图像，从而将人类的视觉感知范围由传统的可见光谱扩展到裸眼看不到的红外辐射光谱区。支撑红外成像技术的理论与技术基础包括红外物理学、光电子学、现代信息处理技术、材料科学、精密光学机械和特种红外工艺等。

红外热成像技术的特征是：

（1）红外辐射能够穿过雾霭烟尘而且系统工作波段宽，系统作用距离远。

（2）采用被动工作方式，不易被发现或受干扰。

（3）可在昼夜或恶劣气候下工作，接近全天候。

（4）适合高精度跟踪瞄准。

（5）不易受射击、爆炸和照明闪光等强光影响。

上述这些特点使红外热成像系统特别适合军事应用，因此，各国都已巨额投资竞相开展这一领域的研究工作。近年来，随着红外热成像系统成本的降低，红外热成像系统在国民经济中也有越来越多的应用。

2.2红外图像产生原理以及红外图像的特点

自然界中的一切物体，只要它的温度高于绝对零度，总是在不断地发射红外辐射。因此，只要收集并探测这些辐射能，就可以形成与景物温度分布相对应的热图像。这种热图像再现了景物各部分温度和辐射发射率差异，因而能显示出物体的特征，形成可见的热图像，即红外图像。能生成红外图像的系统就是红外成像系统，也可称为红外热像仪。

红外成像系统必须具有把红外光变成可见光的功能，其转换分为两步：第一步是通过光学系统，由红外探测器把红外热辐射变为电信号，该信号的大小反映

出红外辐射的强弱；第二步是通过电视显像系统，经过电子学处理，将反映目标红外辐射分布的电子视频信号在监视器上显示出来，实现从电到光的转换，得到反映目标热像的可见图像。

在红外成像系统中，实现上述转换功能的部件主要有光学系统、红外探测器、信号图处理器、信号处理电路和显示记录装置等几部分。

根据上述相关的理论，结合实际热成像系统的输出结果，可以总结出红外热图像具有以下的特点：

（1）由于景物热平衡、光波波长长、传输距离远、大气衰减等原因，造成红外图像空间相关性强、对比度低、视觉效果模糊。

（2）红外热图像表征景物的温度分布，是灰度图像，没有彩色或阴影，故对人眼而言，分辨率低、分辨潜力差。

（3）热成像系统的探测能力和空间分辨率低于可见光 CCD 阵列，使得红外图像的清晰度低于可见光图像。

（4）外界环境的随机干扰和热成像系统的不完善，给红外图像带来多种多样的噪声，比如热噪声、散粒噪声、光子电子涨落噪声等等。这些分布复杂的噪声使得红外图像的信噪比比普通电视图像低。

（5）由于红外探测器各探测单元的响应特性不一致、光机扫描系统缺陷等原因，造成红外图像的非均匀性，体现为图像的固定图案噪声、串扰、畸变等。

从上面的分析中可知，红外图像一般较暗，目标图像与背景对比度低，边缘比较模糊，噪声大等。

2.3红外图像的直方图介绍

在对图像进行处理前，了解图像整体或局部的灰度分布情况是非常必要的，对图像的灰度级分布进行分析的重要手段就是建立灰度直方图(Density Histogram) 。灰度级的直方图描述了一幅图像的概貌，通过图像灰度直方图，可以直观的看出图像中各灰度级的分布情况, 用修改直方图的方法增强图像是实用而有效的处理方法之一。

简单地说，灰度级的直方图就是反映一幅图像中的灰度级与出现这种灰度的概率之间的关系的图形。灰度直方图的横坐标是灰度级，纵坐标是该灰度级出现

的频度，它是图像最基本的统计特性。直方图给出一个直观的指标，用以分析一幅数字图像是否合理地利用全部允许的灰度信息，在图像处理程序中察看直方图信息是进行图像处理前必不可少的步骤，因此研究直方图的特性对整个处理过程极其重要。

2.4红外图像的性质分析（对比度、分辨率、噪声）

（1）红外图像对比度。红外热像仪是一种利用目标与背景之间的温差来成像的成像装置。由于一般景物的温差比较小，再加上经过大气传输、热像仪中光学部分和电子处理部分过程中损失的灰度级，所以红外图像的对比度比较低，不利于人眼的观察。通常可以在灰度直方图中看出此特征，往往表现为绝大部分灰度集中于某些相邻的灰度级范围内。

（2）红外图像分辨率。红外成像系统由于探测器阵列数目有限及探测单元尺寸的限制，空间采样频率无法满足采样定理，图像空间分辨率低，混频现象有时很严重。而制造密集的红外焦平面阵列，工艺复杂，费用昂贵，按照傅立叶光学的观点，光学成像系统是一个低通滤波器，由于受到光学衍射的影响，其传递函数在由衍射极限分辨率所决定的某个截止频率上，其值全为0。而大多数自然景物空间频率较丰富，包括各种高频信息，红外成像系统由于光学衍射和有限的探测器尺寸，成像过程中图像信号的高频部分（细节）会有所丢失，造成图像的模糊和变形。所以目前的红外热像仪输出的红外图像分辨率较低。

（3）红外图像的噪声分析。对非致冷红外热成像系统而言，虽然存在诸多优点，但由于固有的本质特性，红外热释电探测器的分辨率还不能做的很高，导致图像的对比度、信噪比较低。图像噪声主要来源于温度噪声、热噪声、放大器噪声，而温度噪声和热噪声是一种白噪声源(WHITENOISE)，而放大器噪声通常只需要考虑沟道热噪声，而无需考虑复合噪声等。因此在红外成像成像系统中，占主导地位的是白噪声源。红外图像噪声的情况非常复杂，因此要完全滤除图像的噪声几乎不可能，因为每一种图像滤波算法只适合滤除一种或几种噪声。目前滤除噪声的方法分成两类：全局处理，它必须知道统计模型，如Wiener 滤波、Kalman 滤波等方法；采用局部算子，如中值滤波、梯度倒数加权滤波等典型算法。

2.5本章小结

本章首先介绍了红外图像的成像系统和产生机理，通过对红外热像仪基本原理的研究，总结了红外图像的特点以及直方图的特征，并分析了红外热像仪成像过程中的噪声、对比度和分辨率，为下文研究红外图像增强算法奠定了理论基础。

第3章 红外图像增强算法研究

3.1红外图像增强处理总体介绍

图像增强技术就是利用不同的图像处理方法改善图像的质量，也就是针对原始图像的模糊状况以及它的不同应用场合，有目的的增强图像整体和局部特性。图像增强的最终目的就是提高观察者对红外图像的视觉效果和增强图像中的有用信息、抑制无用信息，来突出观察者感兴趣的区域和目标特征信息。

红外图像信号的增强处理就是要在原始红外信号受噪声影响及非线性偏移信号影响的情况下，还原出红外图像信号的本来面目，并对其做相应的线性处理，使其更符合原始红外图像信号的性质并适合于人眼对红外图像进行观察。

采用图像增强技术后，红外图像的清晰度得到极大的提高，一些隐蔽的细节特征得以显现，这样处理后有如下优点：

（1）图像增强是一种拓宽灰度等级的过程，它能够展宽图像的显示动态范围，充分的提高图像的清晰度。

（2）图像增强是一种抑制噪声的过程，噪声的存在是系统不可回避的现象，它可以降低图像的分辨率，而图像增强后噪声可以得到一定程度的降低，因此使用的图像的信噪比得到提高。

（3）图像增强有利于将目标与背景区别开来，从而可以提取目标的轮廓，方便对目标的识别。

需要注意的是，增强技术不能增加图像数据本身包含的信息，但是可以凸显特定特征，尤其对红外图像，因为红外传感器本身固有的特性，红外图像普遍存在着目标与背景对比度较差、边缘模糊等缺点，在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，更是需要对红外图像进行增强处理。

图像增强技术可分为两大类:频域处理法和空域处理法。

频域处理法采用修改图像傅立叶变换的方法实现对图像的增强处理，使得变换后的图像在某些特性方面更鲜明、突出，因而更易于识别、分类；

空域处理法是直接对图像中的像素进行处理，基本上是以灰度映射变换为基础的。在图像增强技术的应用中，要根据增强的目的，选择不同的实现算法。

图3.1 经典的红外图像处理算法

3.2空间域增强

空间域增强是指增强构成图像的像素。空间域方法是直接对这些像素操作的过程。空间域处理可由下式定义：

g (x , y )=T [f (x , y )] （3.1） 其中f （x,f ）是输入图像，g(x,y)是处理后的图像，T 是对f 的一种操作，其定义在（x,y ）的邻域。另外，T 能对输入图像集进行操作，例如，为减少噪音而对K 幅图像进行逐像素的求和操作。

通过变换，达到对比度增强的效果，要注意在变换的过程中，对每一个像素点都经过了同样的处理，因此，以上的方法又叫做点处理。

更大的邻域会有更多灵活性。一般方法是，利用（x,y ）事先定义领域里的一个f 值的函数来决定g 在（x,y ）的值，其公式化的一个主要方法是以利用所谓的模版为基础的。从根本上说，模版是一个小的二维阵列，模版系数值决定处理的性质，如图像锐化等。以这种方法为基础的增强技术通常是指模版处理或滤波。

3.2.1空域变换、对比度增强

灰度级修正

灰度修正是对红外图像在空域进行预处理的简单而有效的方法。它利用点运算修改图像像素的灰度，用于扩展对比度。

点运算是把一帧输入图像 f ( x, y ) 修改成输出图像 g ( x, y ) 。 g ( x, y ) 上每一点像素与f ( x, y ) 上对应位置像素坐标相同，像素灰度依函数法则T 映射。函数T 有线性、分段线性、非线性等几种形式。

如图3.2所示，f 和g 分别表示输入和输出图像的灰度。灰度变换函数为： g (f )=af +b （3.2） 是线性的，a 为直线的斜率，b 为直线在g 轴上的截距。显然，如果a =1，b =0，输出图像复制输入图像；a > 1，b =0，具有将输入图像对比度扩展增强作用；a

图3.2

3.2.1.1分段线性变换

最简单的分段性函数之一是对比拉伸变换。低对比度图像由于照明不足、成像传感器动态范围太小，甚至在图像获取过程中透镜光圈设置错误引起。对比拉伸的思想是提高图像处理时灰度的动态范围。

为了突出感兴趣的目标或灰度区间，相对抑制那些不感兴趣的灰度区域，可采用分线段线性变换，常用的三段线性变换如图 3.3 所示，其数学表达式为:

⎧c ⎪f (x , y ), 0≤f (x , y ) ≤a ⎪a

⎪d -c [f (x , y ) -a ]+c , a ≤f (x , y ) ≤b g (x , y ) ⎨b -a ⎪⎪M g -d [f (x , y ) -b ]+d , b ≤f (x , y ) ≤M f ⎪⎩M f -b （3.3）

式中对灰度区间[0, a ]和[ b , Mf ]加以压缩，对灰度区间[ a , b ]进行扩展。

通过细心调整折线拐点的位置及控制分段直线的斜率，可对任一灰度去进行扩展或压缩，这种变换使用于在黑色或白色附近有噪声干扰的情况。

图3.3

线性变换和分段线性变换都可以用在增强图像对比度，增强对比度实际是增强原图的各部分的反差。

实际中往往是通过增加原图中某两个灰度值之间的动态范围来实现的。原图像和典型的增强对比度的变换曲线如图3.4所示。

图3.4 原始图像及典型的线性变换曲线

图3.5增强对比度所得图像及变换曲线

图3.5是在所选参数模式下所得的图像和变换曲线。在处理过的图片上可以看出，小孩衣服上的图标和衣服之间的对比度增强了，更容易辨认了。通常在进行特定任务的模式识别工作之前，要对所要识别的图像进行增强对比度处理，一边辨识工作更容易，辨识结果更准确。对于不同图像，根据不同的情况，所选参数可能有所不同，要根据实际情况而定。

运用Matlab 软件，还可以利用其工具箱中的函数imadjust （）增强对比度。增加后图如3.6图所示。代码为：

X1=imread('pout.tif');

figure,imshow(X1)

J=imadjust(X1,[0.25,0.6],[],1.2322)

figure,imshow(J)

其中，J=imadjust(I,[low,high],[bottom,top],gamma)表示返回图像I 经调整后的图像J 。[low,high]为原图像中要变换的灰度范围，[bottom,top]指定了变换后的灰度范围，其中low 、high 、bottom 、top 的取值范围都是0-1，并且low

图3.6 用函数imadjust （）增强对比度

3.2.1.2图像反转

图像反转也是线性变换的一种，就是对图像的灰度值翻转。简单的说，就是黑变白，白变黑，普通的黑白底片和照片就是这样的关系。具体变换就是将图像中的每个像素的灰度值根据变换曲线进行映射。灰度级范围为[0,L-1]的图像反转由下式变换获得：

s=L-1-r （3.4）

图3.7为图像求反的变换曲线和运行结果

图3.7 图像求反

3.2.1.3对数变换

对数变换一般实现在对图像的动态范围压缩，这种方法与增强对比度相反。当原图的动态范围太大，超出了某些显示设备所允许的动态范围时，如果直接使用原图，则有一部分信息可能丢失。解决的办法是对原图进行灰度压缩。对数变换的一般表达式为：

s =c *l o ( g 1+f ) （3.5）其中，c 是比例尺常数，见图3.8中所示的变换曲线。

c=255/log(256)时的对数变换处理结果如图3.9所示，

根据所处理图像情况不同，可选取不同的c 值，处理结果会有所不同。

图3.8 对数变换曲线

图3.9 对数变换

利用Matlab 工具箱中函数imadjust()变换图像，代码如下：

X1=imread('circuit.tif');

figure,imshow(X1)

J=imadjust(X1,[],[0.1 0.8],0.35287)

figure,imshow(J)

采用以上参数处理结果如图3.10所示。

图3.10

直方图变换

直方图变换是由灰度变换演绎得出的又一种增强图像对比度的技术，它以概率理论做基础，运用灰度点运算来实现直方图的变换。

直方图是对图像中每一灰度值出现频率的统计，是一个一维离散函数： p (s k )=n k k=0,1,2,...L-1 （3.6） n

式中，sk 是图像f(x,y)的第k 级灰度值；nk 是f(x,y)中具有灰度值Sk 的像素的个数；N 是图像中像素的总数。由定义式可知，P(Sk)给出了对Sk 出现概率的一个估计，所以直方图表明了图像中灰度值的分布情况。因此，可以通过改变直方图的形状来达到增强图像对比度的效果。这种方法是以概率论为基础的，常用号的方法有直方图均衡化和直方图规定化。

3.2.1.4直方图均衡化

直方图均衡化(Histogram Equalization，HE) 是将原始图像的直方图通过变换函数T (r)调整为一个新的均衡的直方图，然后按均衡后的直方图修正原图像，从而有利于从大的背景中提取有用信息。HE 算法的灰度级调整策略是像素多的灰度被扩展得到更多的灰度级，像素少的灰度被压缩得到很少的灰度级。从信息论

的观点来看，经过均衡化处理的图像，其所有灰度级出现的概率相同，此时图像的熵最大，图像所包含的信息量最大。

直方图均衡化是把原始图的灰度统计直方图变换为均匀分布的形式，这样就增加了像素灰度值的动态范围，从而达到增强图像整体对比度的效果。它所采用的方法是利用累积分布函数作为图像灰度值的变换曲线。用sk 表示第 k 级灰度值，t 表示增强图像中像素的灰度值，tk 表示第k 级，并对sk 和tk 作归一化处理，则直方图均衡化可表示为：

k n 1 t k =EH (s k )=∑=∑p s (s i ) 0≤s k ≤1;k=0,1,2,...,L-1 （3.7） n i =0i =0k

EH 代表增强操作Ps 为灰度统计直方图。可以证明累积分布函数能将s 的灰度分布近似转换为t 的分布。

直方图均衡化的基本步骤如下：

（1）计算出原始图像的所有灰度级sk ，k=0,1,2，... ，L-1；

（2）统计原始图像各灰度级的像素数nk ；

（3）用式（3.6）计算原始图像的直方图；

（4）计算原始图像的累计直方图，即式（3.7）

（5）取整计算：

k ⎤⎡ t k =i n ⎢t (N -1)t k +⎥ (3.8) N ⎦⎣

（6）定义映射关系： s k →t k ；

（7）统计新直方图各灰度级的像素数n k ；

（8）计算新的直方图：

p 1(t k )=n k （3.9） n

图3.11的动态范围较小，而且较暗，反映在直方图上，就是其直方图所占据的灰度值范围比较窄，而且集中在低灰度值一边。为了使图像更清晰，我们采用直方图均衡化的方法来增强图像灰度动态范围，增强对比度。在Matlab 中，可以直接调用J=histeq（I,n ）函数来完成这项工作，其中I 是原始图像矩阵，J 是变换后所得的图像矩阵。这里指定均衡化后的灰度级数n ，缺省值为64。

Matlab 代码如下：

I=imread('tire.tif');

J=histeq(I);

imshow(I)

figure,imshow(J)

figure,imhist(J,64)

figure,imhist(I,64)

图3.11 tire.tif原图及其直方图

图3.12 经直方图均衡处理后的图像

原始图像、原始图像直方图如图3.11所示，处理后图像、处理后图像直方图如图3.12所示。从处理前后效果可以看出，许多在原始图像中看不清的细节在直方图均衡化处理所得的图像中都十分清晰。比较处理前的图像和处理后的图像可知，处理前直方图比较窄，集中在某些区域，处理后直方图充满整个动态范

围，图像对比度得到了较大的提高。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。

（2）直方图均衡将直方图峰值区域的灰度级拉开，实际上提高了图像主要内容的对比度。灰度重组使得均衡后的直方图等间距分布，故相对于均衡而言，图像主要内容的对比度降低，次要内容的对比度提高。

（3）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。此时可采用局部直方图均衡法来处理。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）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。

对比度增强处理中，直方图均衡比灰度线性变换、指数或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。而且由于红外图像的灰度大多集中在灰度值较高或灰度值较低的部分，致使图像的灰度级数少，层次感很差，而直方图均衡化法[25-26]是非常典型的空域增强算法，它可以大大改善图像灰度分布的动态范围，增加图像的整体对比度，有效地把信号从背景中取出，这种处理技术对红外图像效果非常明显，使人眼获得更好的观看效果，该算法因其简单高效得到了广泛的应用。

3.2.1.5直方图规定化

直方图均衡化的优点是能自动增强整个图像的对比度，但它的具体增强效果不易控制，处理结果总是得到全局均衡化的直方图。实际中有时需要换换直方图，使之成为某个特定的形状，从而有选择地增强某个灰度值范围的对比度。这时可采用比较灵活的直方图规定化。直方图规定化方法主要有三个步骤：

（1）对原始图像的直方图进行灰度均衡化；

（2）规定所需要的直方图，并计算能使规定的直方图均衡化的变换：

1

v 1=EH u (u j )=∑p u (u j )

j =0 （3.10）

（3）将第一步所得到的变换翻转过来，也就是将原始图像对应映射到规定的直方图上，将所有的ps （si ）对应到pu （uj ）中去。对应规则可选用组映射规则（Group Mapping Law，GML ）。设有一个整数函数I （l ），l=0,1,...,N-1，满足0≤I(0)≤... ≤I(1)≤... ≤I(N-1)≤M-1。现在要确定能使下式达到最小的I(1)。 ∑p (s ) -∑p (u ) | l=1，=0,1,...,N-1 (3.11) s i j j

i =0j =0I (l ) l

如果l=0，则将其i 从0到I （0）的ps （si) 对应到pu （u0）中去；如果l ≧1，则将其I 从I （l-1）+1到I （l ）的ps （si ）对应到pu （uj ）中去。

在Matlab 中调用函数J=histeq（I ，hgram ）可以实现直方图规定化，其中hgram 是由用户指定的向量，规定将原始图像I 的直方图近似变换成hgram ，hgram 中每一个元素都在[0,1]中。运行代码如下：

I=imread('tire.tif');

hgram=0:255

J=histeq(I,hgram);

imshow(I)

figure,imshow(J)

figure,imhist(I,64)

figure,imhist(J,64)

图3.13 直方图规定化处理后的图像

直方图规定化所得的图像及其直方图如图3.13。比较图3.12可知，使用直

方图均衡化得到的结果在一些较暗的区域有些细节仍不清楚；采用直方图规定化对同一幅图像进行处理，所得的结果比均衡化更亮，对应于均衡化图像中较暗区域的一些细节更清晰。从直方图上看，灰度值高的一边更为密集。

3.2.2空域滤波增强

平滑空间滤波

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。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。平滑噪声可以再空间域中进行，基本方法是求像素灰度的平均值或中值。

3.2.2.1均值平滑滤波

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：

g (x , y ) =∑∑f (x +m -

m =0n =0L L L L , y +n -) *h (m , n ) (3.12) 22

线性低通滤波器是最常用的线性平滑滤波器。这种滤波器的所有系数都是正的，对3x3的模板来说，最简单的就是所有系数为1. 为保证输出图像仍在原来的灰度范围，在计算出R 后要将其除以9再进行赋值。这种称为邻域平均法。

以moon.tif 为例，加入椒盐噪声，并在Matlab 中调用B=filter2(h,A)实现均值过滤器，代码如下：

I=imread('moon.tif');

J=imnoise(I,'salt',0.02);

imshow(I)

figure,imshow(J)

K1=filter2(fspecial('average',3),J)/255;

K2=filter2(fspecial('average',5),J)/255;

K3=filter2(fspecial('average',7),J)/255;

figure,imshow(K1)

figure,imshow(K2)

figure,imshow(K3)

加入椒盐噪声的图像和3x3均值滤波器的图像如图3.14所示，5x5的均值滤波器图像和7x7的均值滤波器图像如图3.15所示。

比较以上采用不同尺寸的均值滤波器进行低通滤波处理的结果可知，当所用

的平滑模板的尺寸增大时，消除噪声的效果增强，但同时所得到的图像变得模糊，细节锐化程度逐步减弱。

图

3.14 加入椒盐噪声的图像和3x3均值滤波处理后图像

图3.15 5x5和7x7的均值滤波处理后的图像

3.2.2.2中值平滑滤波

中值滤波器是最常用的非线性平滑滤波器。它是一种邻域运算，类似卷积，但计算的不是加权求和，而是把邻域中的像素按灰度级进行排序，然后选择该组的中间值作为输出像素值具体步骤是：

（1）将模板在图像中漫游，并将模板中心与图像中的某个像素位置重合；

（2）读取模板下各对应像素的灰度值；

（3）将这些灰度值从小到大排成一列；

（4）找出这些值里排在中间的一个；

（5）将这个中间值赋给对应模板中心位置的像素。

由此看出，中值滤波器的主要功能就是让与周围像素灰度值的差比较大的像素改取与周围像素值接近的值，从而可以消除孤立的噪声点。

在Matlab 中可以调用B=medfilt2(A,[m,n])来实现中值滤波器。以moon.tif 为例，加入椒盐噪声，并采用中值滤波器，代码如下：

I=imread('moon.tif');

J=imnoise(I,'salt',0.02);

imshow(I)

K1=medfilt2(J,[3,3]);

figure,imshow(K1)

运行结果如图3.16所示

图3.16 medfilt2(A,[m,n])处理结果

中值滤波还可以调用B=ordfilt2(A,order,domain)函数来实现，代码如下：

I=imread('moon.tif');

J=imnoise(I,'salt',0.02);

K1=ordfilt2(J,5,ones(3,3));

figure,imshow(K1)

以上所采用的滤波器也是

3x3的中值滤波器，运行结果如图3.17所示：

图3.17 B=ordfilt2(A,order,domain)处理结果

由以上处理结可以看出，中值滤波器不像均值滤波器那样，它在衰减噪声的同时不会使图像边界模糊，这也是中值滤波器受欢迎的主要原因。中值滤波器去噪声的效果依赖于两个要素：邻域的空间范围和中值计算中所涉及的像素数。一般来说，小于中值滤波器面积一半的亮或暗的物体基本上会被滤掉，而较大的物体则几乎会原封不动的保存下来。因此，中值滤波器的空间尺寸必须根据现有的问题来进行调整。

3.2.2.3 线性锐化滤波

图像增强的另一方面还有突出边缘，有利于识别和处理。图像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。要注意的是，能够进行锐

化处理的图像必须要求有较高的信噪比，否则，图像锐化后，信噪比更低。因为锐化将使噪声受到比信号还强的增强，故必须小心处理。

微分运算是求信号的变化率，有加强高频分量的作用，从而使图像轮廓清晰。为了把图像中间任何方向伸展的边缘和轮廓的模糊变清晰，希望对图像的某种导数运算是各向同性的，可以证明偏导数的平方和运算具有各向同性特性，梯度和拉普拉斯运算也符合上述条件。

锐化处理强度与图像在该点的突变程度有关。这样图像微分增强了边缘和其他突变（如噪声）的信息，并削弱了灰度变化缓慢的信息。可以看出不同的微分算子在具体的实现过程中的复杂程度是不一样的，因此在使用这些微分算子进行图像锐化处理时，要根据不同的要求和实际情况选用合适的算法增强处理。

在Matlab 中可以通过调用filter2函数和fspecial 函数来实现边缘锐化效果，代码如下：

I=imread('saturn.tif');

h=fspecial('laplacian');

I2=filter2(h,I);

imshow(I)

figure,imshow(I2)

原始图像及经过拉氏变换处理后的效果图如图3.18所示：

图3.18 拉氏变换算子处理的效果

在Matlab 中还可以用'unsharp' 算子实现对比度增强滤波器，代码如下： I=imread('saturn.tif');

h=fspecial('unsharp',0.5);

I2=filter2(h,I)/255;

imshow(I)

figure,imshow(I2)

用对比度增强锐化滤波器处理结果如图3.19所示：

图3.19 对比度增强滤波器处理的效果

3.2.2.4 非线性锐化滤波

邻域平均可以模糊图像，因为平均对应积分，所以利用微分可以锐化图像。图像处理中最常用的微分方法是利用梯度。对一个二维连续函数f （x,y), 其梯度是一个矢量，即：

⎡∂f ∂f ⎤ ∇f =⎢, ⎥ （3.13） ⎣∂x ∂y ⎦

其模为：

22⎡⎤⎛⎫∂f ∂f ⎛⎫⎪ ∇ (f mag ∇f )⎢⎥ （3.14）⎪+(2) =⎪∂x ∂y ⎝⎭⎝⎢⎭⎥⎣⎦1/2T

在使用中为了计算简便，也可以不用上述对应欧式距离的以2为模的方法组合两个模板的输出。一种简单的方法是利用城区距离（以1为模），即

∇f (1) =∂f ∂f + （3.15） ∂x ∂y

另一种简单的方法是利用棋盘距离，即：

⎧∂f ∂f ⎫ ∇f (∞)=m a ⎨ , ⎬ （3.16）

⎩∂x ∂y ⎭

上述这些组合方法本身都是非线性的。常用的空域微分算子有sobel 算子、prewitt 算子、高斯—拉普拉斯算子等。

用Matlab 对集中边缘增强算子的效果进行比较，处理结果如下图，图3.20为原始图像，图3.21为soble 卷积和滤波，图3.22为

prewitt 滤波和log 滤波：

图3.20 原始图像

图

3.21 sobel卷积和sobel 滤波

图3.22 prewitt滤波和log 滤波

3.3 频域增强

卷积理论是频率域技术的基础。设函数f(x,y)与线性位不变算子h （x,y) 的卷积结果是g(x,y),即：

g (x , y )=h (x , y )*f (x , y ) （3.17） 那么，根据卷积定理在频域有

G (u , v )=H (u , v )F (u , v ) （3.18） 其中G (u , v )、H (u , v )、F (u , v )分别是g (x , y )、h (x , y )、f (x , y )的傅里叶变换。 频域增强的主要步骤：

（1）计算所需增强的傅里叶变换

（2）将其与一个转换函数相乘。

（3）再将结果进行傅里叶反变换已得到增强的图

频域增强方法有两个关键：

（1）将图像从空域转换到频率域所需要的变换，以及将图像从频率域空间转换回空域所需要的变换

（2）在频域空间对图像进行增强加工操作，此时对应的增强可表示为： g (x , y ) =T -1{EH [T (f (x , y ) )]} （3.19） 常用的频率域增强方法有低通滤波和高通滤波。

3.3.1低通滤波

图像的能量大部分集中在幅度谱的低频和中频度，而图像的边缘和噪声对应于高频部分。因此能降低高频成分幅度的滤波器就能减弱噪声的影响。

Butterworth 低通滤波器是一种物理上可以实现的低通滤波器。他的转移函数为：

H (u , v ) =1 （3.20） 2n 1+d u , v /d 0在Matlab 中实现Butterworth 低通滤波器，对saturn.tif 处理结果如图3.23所示：

图3.23 加噪图像及Butterworth 低通滤波器去噪图像

3.3.2 高通滤波

高通滤波也称高频滤波，它的频值在0频率处为单位1，随着频率的增长，传递函数的值逐渐增加；当频率增加到一定值之后，传递函数的值通常又回到0值或者降低到某个大于1值。在一种情况下，高频增强滤波器实际上是一种带通滤波器，只不过规定0频率处的增益为单位1。

在实际应用中，为了减少图像中面积大且缓慢变化的成分的对比度，有时让0频率处的增益小于单位1更合适，如果传递函数通过原点，则可以称为laplacian 滤波器。

n 阶截断频率为d0的Butterwroth 高通滤波器的转换函数为：

H (u , v ) =1 （3.21） 2n 1+d 0/d u , v 在Matlab 中实现Butterworth 高通滤波器，对

liftingbody.png 处理结果如图3.24所示：

图3.24 原始图像及Butterworth 高通滤波后的图像

从图3.23可以看出，图像很暗，很多细节都看不清了，这时由于图像的大部分能量集中在低频区域，而高通滤波使得图中各区域的边界得到较明显增强的同时滤掉了低频分量，使得图中原来比较平滑区域内部的灰度动态范围被压缩，因而整幅图比较昏暗。

3.4 其他常用的及改进后的红外图像增强处理算法

在对红外图像增强的处理中，目前常见的增强处理方法还有形态学锐化图像增强、多种算法融合增强图像、小波变换、遗传算法等。

形态学锐化方法基本原理为结合形态学腐蚀与膨胀两种运算，选取一定尺度，先对图像每点分别作腐蚀与膨胀运算，然后在得到的灰度中选取离原灰度最近者，若距离相等，则保持图像灰度不变。但是基本的形态学锐化方法由于没有区分边缘与平坦区，没有对噪声采取措施进行抑制，虽然能锐化边缘，但视觉效果不佳，而且其形态学结构不能根据边缘自动调整。

数字图像融合技术的红外图像增强方法是针对红外图像传输过程中经常出现的噪声类型所提出的一种有效算法。在图像处理过程中，多数滤波器虽然可以滤掉一定类型的噪声，但却不能增加原始图像的有用背景信息和目标信息。实际的目标检测或跟踪系统迫切要求突出目标或背景灰度，增加图像匹配的有用信息，因而对图像的预处理算法提出了更高的要求。图像融合的目的是综合同一个场景的多个算法结果图像的信息，使其更适合图像匹配处理。图像数据融合的方法分为像素层融合、特征层融合、符号层融合。融合算法有效地滤除高斯噪声和脉冲噪声，同时强调了目标和背景中的边缘成分。这种算法基于不同类型噪声，是影响红外图像匹配概率和匹配精度的主要原因，因而可以设计不同的滤波器滤除不同类型的噪声，然后将不同算法处理后的图像按一定的融合规则重新合并为一幅图像。

近些年来，小波变换倍受科学技术界的重视， 它不仅在数学上已形成一个新的分支，而且在应用上，如信号处理、图像处理、模式识别、量子物理以及众多非线性科学领域，被认为是近年在分析工具及方法上的突破。小波分析方法最早是在1910年Harr 提出的小波规范正交的概念，真正的小波热开始于1986年，在1987年Mallat 将计算机视觉领域内的多尺度分析的思路引入到小波分析中，小

波函数的构造以及信号按小波变换的分解与重构，其相应的算法有效地应用于图像分析与重构，这样初步建立了小波分析的系统理论，为此小波分析无论在理论和应用上都得到了广泛的研究，取得了很多重要应用和成果。

除上述几种常用红外图像增强算法外，遗传算法等也被引入了红外图像增强处理的实际应用中，在对红外图像的增强处理中，处理效果各有利弊，本文中对这些算法不做过多介绍。

3.5本章小结

本章在对红外图像的研究中，首先介绍了红外图像增强的必要性和优点，然后介绍了几种常见图像增强的方法，重点对直方均衡化算法和平滑滤波算法进行了研究，并进行了仿真实验，取得了较好的增强效果。

值得注意的是增强后的图像质量好坏主要靠人的视觉来评定，而视觉的评定是一种高度的主观处理。因此，为了一种特定的用途采用的一种特定的处理方法，得到一幅特定的图像，对其质量的评价方法和准则也是特定的，所以，很难对各种处理定出一个通用的标准。由此可知，图像增强没有通用的理论，只是看其是否适合实际的应用。

第4章 结论

红外热成像技术在国民经济的各个领域都有广阔的应用前景。但是由于红外成像仪核心器件自身的限制以及环境等外界条件的影响，使获得的红外图像存在图像模糊、对比度比较低、噪声严重等问题，不便于人眼观测，影响后续工作，甚至可能引起误判，造成不必要的损失。为此人们除了继续提高红外热像仪性能外，还积极寻求通过软件对红外图像进行增强和分割处理操作。本文主要从图像增强方面，研究如何改善和提高红外图像处理效果，主要工作有：

（1）从红外图像的产生机理入手，通过实验对比分析了红外图像与可见光图像的直方图，得到了红外图像的特点和直方图特征。同时分析了红外图像在成像过程中的噪声以及图像的对比度和分辨率等特性。

（2）针对红外图像特征，对几种经典的图像增强算法进行了分析，并重点对灰度变换、直方图均衡化法和高通滤波等增强算法的优缺点做了较深入的探讨。仿真结果证明，红外图像经过本文算法处理后，处理后图像目标边缘和轮廓比较清晰、细节得到增强，图像的整体视觉效果有明显改善，有利于后续的分割和识别处理。

尽管本文在红外图像处理算法的研究方面做了一些探索，但是由于时间等客观因素及作者的水平所限，仍然有如下几个方面需要进一步加强：

（1）图像增强算法只能改进红外图像的增强效果，对图像中本身存在的固有噪声也同时有一定的放大作用，下一步应加强对增强后图像噪声的消除研究。

（2）本文对红外图像灰度方面作了比较多的讨论和研究，但是对小波理论在红外像处理方面涉及较少，对数学形态在图像的分割方面也很少涉及，缺少相关的研究。

（3）研究红外图像增强的目的还是为了便于人眼的观测及为后续的识别和分类等处理操作奠定基础，而本文较少涉及对分割出的具体目标进行识别和智能控制等处理，在以后的研究中要加强。

参考文献

[1] Rafael C.Gonzalez,Richard E. Woods.Digital Image Processing Second Edition.Publishing House of Electronics Industry.2003.

[2] 郝文化, 田蕾, 董秀芳.Matlab 图形图像处理应用教程. 中国水利水电出版社.2003.

[3] 张琨, 毕靖, 丛滨.Matlab7.6从入门到精通. 电子工业出版社.2009.5.

[4] 陈杨, 陈荣娟, 郭颖辉.Matlab6.X 图像编程与图像处理. 西安电子科技大学出版社2002.10.

[4]杨帆等. 数字图像处理与分析. 北京:北京航空航天大学出版社.2007.10

[5]伯晓晨.MATLAB 工具箱应用指南[M].北京:电子工业出版社.2003

[6]王家文, 曹宇.Matlab6.5图形图像处理[M].国防工业出版社.2004.5

[7]张新平.Matlab 图形图像处理在材料研究中的应用[J].铸造术.2003

[8]余成波. 数字图像处理及matlab 实现[M].重庆:重庆大学出版社.2003.6

[9]孙兆林.MATLAB6.x 图像处理[M].北京:清华大学出版社.2002

[10]王远超. 红外图像锐化实用算法的研究与实现．南京理工大学．硕士学位论文.2004

[11]蔡毅等. 对红外成像技术发展的几点看法. 红外技术．2000(3):1-6

[12]彭焕良. 热成像技术发展综述. 激光与红外.1997.27(3):131-136

[13]周建勋, 王利平, 刘斌. 红外图像产生原因分析. 红外与激光工程.1997.26(3)

[14]朱虹等. 数字图像处理基础. 北京:科学出版社,2005

[15]陈杨, 陈荣娟, 郭颖辉.MATLAB6．X 图形编程与图像处理. 西安:西安电子科技大学出版社.2002

[16]陈钱, 柏连发, 张保民. 红外图像直方图双向均衡技术研究. 红外与毫米波报.2003.

致 谢

本论文的研究工作自始至终得到了导师X 老师的悉心指导，值此论文完成之际，谨向我的导师致以最崇高的敬意和最衷心的感谢。X 老师以其严谨的治学作风、渊博的知识和丰富的实践经验使我在整个毕业设计过程中受益匪浅，学到了许多专业知识和科学研究方法。在我设计论文期间，不管在学习还是生活方面，始终得到X 老师的淳淳教诲和卓有成效的指导与帮助。感谢X 老师给我创造了一个良好的学习环境和论文创作平台，使我在学习中不但提高了理论知识，而且能将理论知识应用于实际中。我所取得的每一点成绩都与X 老师的耐心指导分不开，X 老师永远是我工作和生活中的榜样。

同时，要特别感谢我的家人在学习和生活上给予我多方面的关心，他们的勉励与支持，是我前进的动力。

四年的学习生涯即将结束，但这又是我踏上漫漫人生征途的新的起点，我将以饱满的热情去迎接未来的挑战。

最后，借此机会我向所有关心、帮助、支持过我的老师、朋友和同学表示衷心的感谢！感谢他们在我四年的学习及生活中对我的鼓励和帮助，这些都将是我以后工作和生活中一笔宝贵的精神财富。