基于模糊神经网络的红外图像边缘提取算法

第４ ２卷 第 ９期
２１ ０ ２年 ９月
激 光 与 红 外
ＬＡＳ ＥＲ ＆ Ｉ ＮＦＲＡＲＥＤ
Ｖｏ ． １４２， ． Ｎｏ ９ Ｓｅ ｅ ｐｔｍｂｅ ， ０１ ｒ２ ２
文章编号： ０ － ７ （０２ ０－ ６－ １ １ ０８２ １）９１ ３ ５ ０ ５ ０ ０
・图像 与信 号处理 ・
第４ ２卷
性强 、 目标 和 背 景 对 比度 差 ， 觉 效 果 模 糊 等 特 视
准确地 得 到红 外 图像 边 缘 。例 如 像 素 点 ｆ ， ） （ Ｙ 在
ｄ 向的基 本 梯 度 和 左 右 关联 梯 度 值 均 为 正 值 且 方
点
， 使得 这些 常用 的 图像 边 缘 提取 方 法无 Fra Baidu bibliotek 准 模 糊 神经 网络是 模糊 理论 与神 经 网络 的有 效结
图像边 缘包 含 图像 的轮廓 、 位置 等 主要特 征 ， 为 进行 目标识 别 、 特征 描述 、 图像 复原 等 图像 分 析与 处 理提供 了有价值 的 特征 参 数 。 因此 ， 图像 边 缘 提 取 在机器 视 觉领域 和其 他 图像分 析与 处理 领域 中起 着 重要 的作 用 。传 统 的 图 像 边 缘 提 取 方 法 有 Ｐｅ ｉ ｒｗｔ ｔ 算子 、Ｏ 算 子 、 ａｎ 子 和零 交 叉 方 法 等 ¨ ， ＬＧ Ｃｎ ｙ算 Ｊ现 代 的图像 边缘 提取方 法有 基 于形态 学 的边缘 提取 方
确地 提取 出红 外 图像 的边 缘 。 合 ， 分考 虑 了两者 的互补 性 ， 有学 习 、 别 、 充 具 识 自适 应和模 糊 处 理 等 功 能 。为 了克 服 已有 边 缘 提 取
都大 ， 则认 为该点 是边 缘点 的可 能性大 ， 且边 缘方 向 与 ｄ 方 向垂 直 ； ． 若像 素 点－ ＸＹ 的基本 梯度 的绝 对 厂 ，） （
１ 引 言
法 和基 于模糊 理论 的边 缘 提 取方 法 等 ， 这 些 方法 但 均存 在 噪声平 滑 能力 和边 缘 精 确定 位 之 间 的矛 盾 。 加 之红外 图像 具 有 噪声 成 分 复 杂且 较 大 、 间相关 空
基 金 项 目 ： 家 自 然 科 学 基 金 项 目 （ ｏ ６ ８４ ０ ； （ ０ 国 Ｎ ． ０ ７ １６） Ｎ． ５ １５ ７ ） 助 。 １７ ３ ７ 资
摘
要 ： 对现有 图像边 缘 提取 算法存 在 的噪 声平滑 能力 与边 缘精 确定位 之 间的矛 盾 ， 针 以及 红
外 图像 自身信 噪 比低 、 觉效果模 糊 和对 比度 差 等缺 陷， 用模 糊 神 经 网络 的 学 习 、 视 利 自适 应和 模 糊处 理 等优 点 ， 出了一种基 于模 糊 神经 网络 的红 外 图像 边 缘提 取 方 法 。计 算各 像 素 点 ８ 提
个方 向的基本梯 度 、 左关联 梯度 和右 关联 梯度 ， 将其 组 成 梯度 数 组 ， ８个 方 向的梯 度 数 组 并 把 作为模 糊 神经 网络 的输入 信 号 ， 过 学 习和模 糊 处 理 最 终 可获 得 相 对 精 确 的红 外 图像 边 缘 。 通
实验 结果 表 明 ， 方 法抗 噪能 力 强， 缘保 留完整 且 为单 像 素 宽 ， 处 理 红 外 图像边 缘提 取 上 该 边 在
值 大且 左右关 联梯 度 的绝 对 值小 ， 该 点 的噪 声 可 则
能性 大 。 ３ 模糊 神经 网络 结构
算 法 中难 以克服 的 噪声 平 滑和边 缘准 确定位 之 间的 矛盾 ， 模糊 神经 网络 引入 到红外 图像 边缘 提取 中 。 将 首 先计 算各 个像 素点 ８个 方 向的基本 梯度 和左 右
要优 于其 他算 法。
关键 词 ： 缘提 取 ； 外 图像 ； 边 红 关联梯 度 ； 模糊 神经 网络 ； 隶属 度
中 图分类 号 ：Ｐ ９ ． １ Ｔ ３ １ ４ 文献标 识码 ： Ａ Ｄ ：０ ３ ６ ／ ． ｓ ．０ １５ ７ ． ０ ２ ０ ．２ ＯＩ １ ． ９ ９ ｊｉ ｎ １０ —０ ８ ２ １ ． ９ ０ ２ ｓ
ｗｈｉｈ ｃ ｎｓｉ ｅ ｒ ｄ ｅ ｔａ ｒｙ． ｅ ｇ ａ ｉ ｎ ｒａ ｓ ｉ ｇ ｔｄｒ ｃ ｉｎ ｒ ｈ ｎ ｓ ｔａ ｎｐ ｔｏ ｕ ｚ ｅ ｒ ｌｎ ｔ ｒ ｃ ｏ ｔｔ ｓ ｇａ ｉ ｎ ｒａ Ｔｈ ｒ ｄ ｅ ｔａｒ ｙ ｎ ｅｉｈ ｉｅ ｔｏ ｓ ａ ｅ ｔｅ ｅ ｓｉ ｕ ｆｆ ｚ ｙ ｎ ｕ ａ ｅｗｏｋ． ｕｔ Ｆｉ ｌｙ ｔ ｅ ｒ ｌｔｖ ｌ ｅ ｉｅ ｉ ｆａｅ ｍａ ｅ ｅ ｇ ｓ ｏ ｔ ｉ ｄ ｂｙ ｌ ｒ ｎ ｎ ｂ ｕ ｃ ｔｏ Ｅｘｐ ｒｍｅ ｔ ｌｒ ｓ ｌｓ ｈ ｗ ｎａｌ ｈ ｅａ ｉｅｙ ｐｒ ｃｓ ｎ ｒｒ ｄ ｉ ｇ ｄ ｅ ｉ ｂ ａｎｅ ｅａｎｉｇ ａ ｄ ｏ ｆ ｓ ａ ｉｎ． ｅ ｉ ｎ ａ ｅ ｕ ｔ ｓ ｏ ｔ ｔｔ ｓｍｅ ｈ ｄ ｈ ｓｐｏ ｒｕｌｄ ｎ ｉｉ ｇｃ ｐａ ｌｔ Ｉ ａ ｅａｎ ｉｔ ｃ ｄ ｅｗｈ ｓ ｄ ｅｗｉ ｈ ｉ ｉ ｌ— ｉ ｅ ｅ ｅ ． ａ ｈａ ｈｉ ｔ ｏ ａ ｗｅ ｆ ｅ ｏ ｓｎ ａ ｂｉｉ ｙ． ｔｃ ｎ ｒ ｔｉ ｎ ａ ｔｅ ｇ ｏ ｅ ｅ ｇ ｄｔ ｓｓｎｇｅ ｐ ｘ ｌｌｖ １ Ｔｈ ｔ ｉ ｉ ａｅ ｈ ｔ ｏ ｓ ｓ ｐｅｉ ｒｔ ｔ ｅ ｌｏ ｔ ｍ ｓｉ ｅ ｌｎ ｔ ｎｒ ｒ ｄ ｉ ｇ ｄ ｅ ｎｄ ｃ ｔ ｓｔ ｅ ｍｅ ｈ ｄ ｉ ｕ ｒｏ ｏ ｏ ｈ ｒａｇ ｒ ｈ ｎ ｄ ａ ｉｇ ｗｉｈ ｉ ｆａ ｅ ｍａ ｅ ｅ ｇ ． ｉ
（ ．ｔｔ Ｋ ｙＬ ｂｒｔ ｙｏ ｒｃｓ ｎＭｅｓｒ ｇ ｅｈ ｏ ｇ ｎ ｎｔ ｍｅｔ，ｉ ｊ ｎｖｒｉ ，ｉ ｊ ０ ０２，ｈｎ ； １Ｓａ ｅ ａｏａ ｒ ｆ ｅｉｏ ａｕ ｎ ｃ ｎｌ ｙａｄＩｓ ｕ ｎ Ｔａ ｉ Ｕ ｉ ｓｙＴａ ｉ ３０ ７ Ｃ ｉａ ｅ ｏ Ｐ ｉ ｉ Ｔ ｏ ｒ ｓ ｎｎ ｅ ｔ ｎｎ ２ Ｅ ｇ ｅｒ ｇＴａｎｎ ｅ ｔ ，ｉｎｉ Ｕ ｉ ｒｔ ｏ ｅｈ ｏ ｇ ｎ ｄ ｃｔｎ Ｔａｊ ０ ２２，ｈｎ ） ． ｎ ｉ ｅ ｎ ｒｉ ｇＣ ｎｅ Ｔａｊ ｎｖ ｓｙ ｆ ｃｎ ｌ ａｄＥ ｕ ａｏ ，ｉ ｉ ３０ ２ Ｃ ｉａ ｎ ｉ ｉ ｒ ｎ ｅ ｉ Ｔ ｏ ｙ ｉ ｎｎ
关 联梯 度 ， 将每 个 方 向 的 ３个 梯 度组 合 成 梯 度数 并
模 糊 神 经 网络 一 般 可 划 分 为 逻 辑 模 糊 神 经 网 络 、 术模 糊 神 经 网 络 和 混 合 模 糊 神 经 网 络 等 。 算 目前 应用 和研究 最 多的一 类模糊 神 经 网络 是结 构上 类似 神经 网络 ， 功能 上是模 糊 系统 的模 糊 神经 网络 。 本文 采用 五层 式模 糊 神 经 网络 系 统 ， 体 的拓 扑结 具 构如 图 ２所示 。
Ａｂ ｔ ａ ｔ Ｗ ｉ ｅ ａ ｄ ｔ ｈ ｏ ｔ ｄ ｃ ｉｎ ｂ ｔ ｅ ｎ ｎ ｉｅ ｓ ｏ ｈ ｎ ａ ａ ｉ ｔ ｓ ａ ｄ ａ ｃ ｒ ｔ ｏ ｉ ｏ ｉ ｇ ｏ ｍａ ｅ ｓｒ ｃ ： ｔ ｒ ｇ ｒ ｏ ｔ ｅ ｃ ｎ ｒ ｉｔ ｅｗ ｅ ｏ ｓ —ｍｏ ｔ ｉ ｇ ｃ ｐ ｂ ｌ ｉ ｎ ｃ ｕ ａｅ ｐ ｓ ｉｎ ｎ ｆ ｉ ｇ ｈ ａ ｏ ｉｅ ｔ ｅ ｇ ， ｉｈ ｒ ｓ ｌ ｒ ｍ ｈ ｘ ｓｉ ｇ ｉ ｇ ｄ ｅ ｄ ｔｃ ｉｎ ａ ｇ ｒ ｈ ， ｅ ｉｆａ ｅ ｍａ ｅ ｅ ｇ ｅｅ ｔ ｎ ｍｅｈ ｄ ｄ ｅ ｗｈ ｃ ｅ ｕ ｔ ｆ ｓ ｏ ｔ ｅ ｅ ｉ ｎ ｍａ ｅ ｅ ｇ ｅｅ ｔ ｌｏ ｔ ｍｓ ａ ｎ ｗ ｎ ｒ ｒ ｄ ｉ ｇ ｄ ｅ ｄ ｔｃｉ ｔ ｏ ｔ ｏ ｉ ｏ ｂ ｓ ｄ ｏ ｚ ｙｎ ｕ ａ ｅ ｗ ｒ ｒ ｐ ｓ ｄ ｕ ｉ ｚｎ ｈ ｕ ｚ ｅ ｒｌｎ ｔ ｒ ｅ ｒ ｉｇ， ｄ ｐ ｉｅ ａ ｄ ｆ ｚ ｙｐ ｏ ｅ ｓ ｇ ａ ｅ ｎ ｆ ｚ ｅ ｒ ｌ ｔ ｏ ｋ ｉ ｐ ｏ ｏ ｅ ｔ ｉｉ ｇｔ ｅ ｆ ｚｙ ｎ ｕ ａ ｅｗｏ ｋ Ｓｌａ ｎ ａ ａ ｔ ｎ ｕ ｚ ｒ ｃ ｓ ｉ ． ｕ ｎ ｓ ｌ ｎ ｖ ｎ Ｗ ｅ ｃ ｃ ｌｔ ａ ｉ ｒ ｄ ｅ ｔ ｌｆ ａ ｓ ｃ ａｅ ｒ ｄｅ ｔａ ｄ ｒｇ ｔ ａ ｓ ｃａｅ ｒｄ ｅ ｔ ｏ ａ ｈ ｐｘ ｌｉ ｉｈ ｉｅ ｔ ｎ ， ａ ｕ ａｅ ｂ ｓｃ ｇ ａ ｉ ｎ ，ｅ ｓｏ ｉ ｔｄ ｇ ａ ｉｎ ｎ ｉｈ ｓ ｏ ｉｔ ｄ ｇａ ｉｎ ｆ ｅ ｃ ｉｅ ｎ ｅｇ ｔ ｄ ｒｃ ｉ ｓ ｌ ｔ ｏ
组 ， ８个方 向梯 度数组 作为 神经 网络 的输入 信号 ， 将 通 过学 习 、 自适应 和 模糊 信 息 处 理 最终 可 准 确 提 取
到红外 图像 的边 缘 。
２ 基本 梯度 和关 联梯 度
对 于二维 红外 图像 中的任 意一 像 素 点 ． ，） 厂 Ｙ， （ 每个 邻域 对应 一 个 方 向【 ， 别 记 为 ｄ ， ｄ ， ６分 Ｊ ｄ ， ｄ ， ｄ ， ｄ ， 图 １为 ｄ 方 向 的示 意 图 ， 基 本梯 度 ｄ ， ｄ ， 。 其 为 以 ，）＝ｌ Ｙ 一１Ｙ一１ ｆ ，）ｌ则左 关联 ， ）－ （ Ｙ ，
作者简介 ： 崔素梅（ ９ ７一） 女 ， １８ ， 在读硕士 ， 主要从 事光电传感 ，
视觉检测 ， 三维 尺 寸 测 量 等 方 面 的 研 究 。 Ｅ ｍ ｉ：ｕｓｍｅ ０ ＠ １３ — ａｌｃ ｉ ｉ １ ６ ． ｕ ０
ＣＯ ｍ
收 稿 日期 ：０ １１ －９ ２ １ － ２ ２
激 光 与 红 外
梯度 为 。 Ｘ＋ １ Ｙ 一 １ ＝ ｌ ， 一 ）一 ｆ（ ， ） Ｙ ２ ｌ 厂 （ １Ｙ １ ｌ ＋ ， 一 ） ， 右关联梯度为 ｄ （ 一１Ｙ＋ ）＝ ／ ， １ １ Ｘ ２） － （ １Ｙ １ Ｉ ． 一 ，） ｆ 一 ， ＋ ） 。表 １ 出 了像 素点 厂 （ ， 列
Ｋｅ ｒ ｓ ｅ ｇ ｘｒ ｃｉ ｎ ｉｆａｅ ｍａ ｅ； ｓ ｏ ｉ ｔｄ ｇａ ｉｎ ；ｕ ｚ ｅ ｒｌｎ ｔ ｏ ｋ； ｍｂ ｒ ｈ ｐ ｙ ｗｏ ｄ ： ｄ ｅ ｅ ｔ ｔ ；ｎ ｒ ｒｄ ｉ ｇ ａ ｓ ｃａｅ ｄ ｅ ｔ ｆ ｚ ｙ ｎ ｕ ａ ｅ ｗ ｒ ｍｅ ｅ ｓ ｉ ａ ｏ ｒ
基 于模 糊 神 经 网络 的红 外 图像 边缘 提取 算 法
崔 素梅 赵 美蓉 宋 乐 王 力强 陈炎 华 ， ， ， ，
（． １天津大学精密测试 技术及仪器 国家重点实验室 ， 天津 ３０ ７ ２ 天津 职业技术师范大学工程实训中心 ， ０ ０２；． 天津 ３０ ２ ） ０ ２ ２
Ｉ ｆ ａ ｅ ｍ ａ ｅ ｅ ｇ ｘ ｒ ｃ ｉ ｎ ｂ ｓ ｄ ｏ ｕ ｚ ｅ ｒ ｌｎ ｔ ｒ ｎ ｒ ｒ ｄ ｉ ｇ ｄ ｅ ｅ ｔ ａ ｔｏ ａ ｅ ｎ ｆ ｚ ｙ ｎ ｕ ａ ｅ ｗｏ ｋ
ＣＵＩ Ｓ — ｉ ＺＨＡＯ ｉｒ ｎ ， ＯＮＧ ｅ Ｗ ＡＮＧ ｉｑ ａ ｇ ＣＨＥＮ ｎ－ ｕ ｕ ｍｅ ， Ｍｅ —ｏ ｇ Ｓ Ｌ ， Ｌ — ｉｎ ， Ｙａ ｈ ａ