MATLAB环境下红外图像增强处理算法研究和仿真

基于小波变换的一种红外图像增强算法常宏韬;孟庆虎【摘要】图像增强处理是红外图像预处理的必要和关键环节，但目标物体信号弱造成红外图像的对比度差，外界噪声干扰严重造成图像质量差。

基于此，提出了一种基于小波变换与奇异值分解和阈值滤波相结合的增强算法。

本文用小波分解将红外图像的高频与低频系数分开，低频域用奇异值分解处理方法来增强对比度和图像质量，高频域用阈值滤波处理来消除噪声突出细节；最后，经过小波逆变换和小波重构得到最终的增强图像。

实验结果表明：此方法对比传统的红外增强算法，可以将红外图像的对比度提高，增强红外图像细节，在直观上更符合人的感官感应，是一种有效的红外图像增强方法。

【期刊名称】《河南科技大学学报（自然科学版）》【年(卷),期】2015(000)001【总页数】4页(P48-51)【关键词】红外图像;奇异值分解;小波变换;阈值滤波【作者】常宏韬;孟庆虎【作者单位】河南科技大学信息工程学院，河南洛阳 471023;香港中文大学电子工程学院，香港 999077【正文语种】中文【中图分类】TP317.4目前，红外图像增强算法研究是红外图像处理中的重要组成部分。

由于红外成像技术具有隐蔽性好、对高温目标较为敏感、具有一定的穿透和抗干扰能力且可在夜间工作等特点，所以在军民领域都有着广泛的应用[1]。

但由于本身受器件的影响和环境的干扰，图像的质量往往不高，具体表现为视觉效果模糊、分辨率和对比度等都比较低，大大影响了图像质量，因此，红外图像的后期增强处理显得尤为重要。

目前，红外图像增强处理是以提高图像分辨率、增强图像细节特征和改善图像清晰度为目的，以达到后续处理的需要。

主要方法：在空间域处理上，通常有线性拉伸、直方图均衡、反锐化掩膜等传统方法[2]；在频域处理上，一般对变换系数进行处理，如高通滤波，同态滤波等，并逆变换得到增强后的红外图像。

目前的传统增强算法如直方图均衡化法[2]，在处理信噪比较低的图像时将会导致红外图像的背景和噪声占用的灰度级偏多，而目标的灰度级偏少，这相当于提高了背景和噪声的对比度，反而降低了图像质量；而同态滤波算法[3-4]在处理对比度低、亮度暗的图像时，存在视觉效果往往不太令人满意，图像细节处理后不太明显等缺点；而文献[5-6]中单纯的小波变换的阈值滤波处理结果或单纯的奇异值分解处理造成图像对比度太差，不太符合人们视觉感官观察，但由于其各自加入了自适应性算法等使得结果相对折中。

红外图像增强技术
主要内容

红外图像特征及人眼视觉特性 直方图增强技术 图像锐化处理 图像平滑处理 伪彩色处理 其他处理方法
红外图像特征



红外热图像表征景物的温度分布，是灰度图像，没彩 色或阴影(立体感觉)，故对人眼而言，分辨率低。 由于景物热平衡、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。 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。 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。 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。
其他处理方法——小波变换
这种方法有三个优点： 由于采用小波变换而带来的高计算效率； 图像的梯度提供了比直方图更直接、更多空间信息； 由于是在多个尺度下进行的，所以可有选择地增强 某种尺度的图像特征，从而有效地控制噪声。
总结
综合地利用以上多种红外图像的增强方法，结合硬 件，提高数据处理速度，对于不同的红外图像场景 特征，自适应地选取适当增强办法，结合人眼的视 觉特征，使得图像处理效果更有利于人眼识别。 化增强的缺点。 近些年来，一些学者提出了具有针对性的方法，如 基于局部统计特性的自适应图像增强法；应用遗传 算法对图像进行增强；基于模糊逻辑的红外图像的 增强算法；
伪彩色处理
其他处理方法——遗传算法
对于一幅给定的红外灰度图像，首先统计出该图像 的灰度级分布范围及其分布情况，将输出图像与输 入图像的灰度对应关系进行编码，产生一组随机的 灰度对应关系(即第 1 代个体)，然后根据一定的图 像质量评价标准构造出遗传算法的适应度函数，利 用遗传算法反复进行遗传操作，直到满足规定好的 优化准则，在所有的进化代中找到一种最优或者近 似最优的灰度变换关系，从而达到对红外图像的增 强处理。适应度函数的计算是遗传算法计算中的瓶 颈，如何克服种群数目大造成的计算耗时量大，运 算效率低的问题，是值得研究的。

基于MATLAB的数字图像课程设计-图像频域增强高通滤波器算法设计目录1 设计任务及目的 (2)1.1 设计任务 (2)1.2 设计目的 (2)2 课程设计相关知识 (3)2.1 数字图像处理简介 (3)2.1.1 数字图像发展概述 (3)2.1.2 数字图像处理内容 (3)2.1.3 数字图像处理技术 (4)2.2 MATLAB简介 (5)2.2.1 MATLAB基本功能 (5)2.2.2 MATLAB产品应用 (6)2.2.3 MATLAB特点 (6)2.2.4 MATLAB系列工具优势 (6)3 图像频域高通滤波原理 (7)3.1 频域滤波增强步骤及流程框图 (7)3.2 傅立叶变换原理 (8)3.3 高通滤波器原理 (9)3.3.1 理想高通滤波 (9)3.3.2 巴特沃斯高通滤波 (9)3.3.3 指数高通滤波 (10)3.3.4 梯形高通滤波 (10)3.3.5 高斯高通滤波 (10)4 MATLAB程序代码 (10)5 仿真结果与分析 (15)5.1 仿真结果 (15)5.2 结果分析 (19)结论 (20)参考文献 (21)图像频域增强算法设计——高通滤波1设计任务及目的1.1设计任务利用所学的数字图像处理技术，建立实现某一个主题处理的系统，利用MATLAB软件系统来实现图像的频域滤波技术，要求：（1）学习和熟悉MATLAB软件的使用方法；（2）熟悉和掌握MATLAB 程序设计过程；（3）利用所学数字图像处理技术知识和MATLAB软件对图像进行高通滤波处理；（4）能对图.jpg、.bmp、.png格式进行打开、保存、另存、退出等一系列功能操作；（5）在程序开发时，必须清楚主要实现函数目的和作用，需要在程序书写时做适当注释说明，理解每一句函数的具体意义和使用范围；（6）比较几种高通滤波器对图像数字化处理效果的异同。

1.2 设计目的本次课程设计的目的在于提高发现问题、分析问题、解决问题的能力，进一步巩固数字图像处理系统中的基本原理与方法。

使用Matlab进行光学图像处理和计算机视觉在当今数字化时代，光学图像处理和计算机视觉已成为科学研究和工程应用中不可或缺的重要领域。

随着现代科技的快速发展，计算机视觉在人们的日常生活中发挥着越来越重要的作用。

而Matlab作为一种强大的科学计算软件，具备优秀的图像处理和计算机视觉功能，被广泛应用于这一领域。

光学图像处理是指通过光学器件、传感器或电子设备等将外界的光信号转换为数字图像，并对该图像进行各种处理和分析。

首先，在图像处理的前期工作中，我们需要对图像进行预处理。

在Matlab中，可以利用图像增强、滤波和去噪等技术对图像的质量进行提升。

例如，可以通过对比度增强、直方图均衡化和锐化等方法提高图像的清晰度和视觉效果。

同时，利用滤波器对图像进行去噪处理，可以有效消除由于图像采集和传输过程中引入的噪声，提高图像的信噪比。

接下来，在图像处理的中期工作中，我们可以利用Matlab提供的函数和工具箱进行图像分割和特征提取。

图像分割是将图像分解为多个具有相似特征的区域的过程，常用的方法包括阈值分割、边缘检测和区域生长等。

通过图像分割，我们可以将图像中的目标物体从背景中提取出来，为后续的目标检测、跟踪和识别等任务提供支持。

而图像特征提取则是从图像中提取出具有区分度的特征信息，通常包括颜色、纹理、形状和边缘等。

利用这些特征，可以实现对图像中目标物体的识别和分类。

最后，在图像处理的后期工作中，我们可以利用Matlab提供的函数和工具箱进行图像重建和图像合成。

图像重建是指通过一系列的数学和物理模型，对已知图像进行恢复或重建的过程。

例如，通过利用MATLAB中提供的反卷积算法，可以对由于传感器或光学系统等原因引起的图像模糊进行修复。

同时，图像合成是将不同来源的图像进行融合和合成的过程。

例如，通过融合可见光图像和热红外图像，可以实现对夜间目标的检测和识别。

除了光学图像处理，计算机视觉也是一个快速发展的研究领域。

计算机视觉通过模仿人类的视觉系统，利用计算机对数字图像和视频进行分析和理解。