基于红外图像的边缘特征提取

摘 要：对红外图像的边缘特征进行提取时需进行预处理，其作用是将获取的

红外图像进行加工恢复增强图像中有用的信息，弱化去除图像中没有用的干扰信息，提高红外图像质量为图像特征的提取做准备，提高特征提取的精度。红外图像的特征提取是指采用人工或自动的方法检测图像中的不变特征。根据不同的特征用不同的算子进行图像特征的提取。本文对现有代表性的各种图像边缘提取方法进行了介绍，对比、分析了各自的优缺点。

关键词：红外图像；边缘特征，特征提取；算子

Based on the Edge of Infrared Image Feature Extraction

Shen Dong-sheng,College of Physics and Electronic Information

Abstract:The edge feature of infrared images were extracted when the need for

pretreatment, and its role is to infrared image will obtain the image enhancement processing recovery of useful information,weakening the removal of no interference with the information in the image,improve the quality of the infrared images to extract the image features for prepare, improve the accuracy of feature extraction. Feature extraction of infrared image refers to the use of the method of manual or automatic detection of invariant features in the image. Extraction according to the different characters with different operators for image feature. This paper introduces the extraction method for existing representative of various image edge, contrast,analyzes their advantages and disadvantages.

Key words:infrared image; edge feature, feature extraction; operator

1

引言

图像最基本的特征是边缘，边缘是图像性区域和另一个属性区域的交接处，

是区域属性发生突变的地方，是图像中不确定性最大的地方，也是图像信息最集中的地方，图像的边缘包含着丰富的信息。因此，图像的边缘提取在计算机视觉系统的初级处理中具有关键作用，但目前仍是“瓶颈”问题。边缘检测技术对于数字图像是非常重要的，提取出边缘才能将目标和背景区分开来。对几种最常用的图像边缘提取算法给出实验结果，并进行结果对比与分析。

1 边缘特征提取算法

微分边缘提取算子就是利用微分提取图像的梯度特征从而检测出图像的边缘,可以分为一阶微分边缘检测算子和二阶微分边缘检测算子.有代表性的一阶微分边缘检测算子包括Roberts算子、Sobel算子、Prewitt算子、Canny算子等，其中：因为Sobel算子计算简单，Canny算子定位精确、抗噪声能力强，所以广泛应用于红外图像的边缘特征提取[1]。有代表性的二阶微分边缘检测算子包括Laplacian算子、LOG算子等，LOG算子的性能优于Laplacian算子。

1.1 一阶微分算子法

图像边缘是指图像灰度发生空间突变或者在梯度方向上发生突变的像素的集合。图像边缘特征提取方法大致可分为:基于经典微分边缘检测算子的提取方法、多尺度边缘检测方法、模糊增强边缘检测方法等.边缘的检测可借助空域微分算子通过卷积完成，导数算子具有突出灰度变化的作用，对图像运用导数算子，灰度变化较大的点处算得的值较高，因此可将这些导数值作为相应点的边界强度，通过设置门限的方法[2]，提取边界点集

一阶导数与是最简单的导数算子，一个连续函数在位置处方向导数的最大值=，称为梯度模，相应的，取得最大值的方向为。

利用梯度模算子来检测边缘是一种很好的方法，它不仅具有位移不变性，还具有各向同性。在实际中，对于一幅数字图像采用了梯度模的近似形式，如常用的罗伯特交叉算子（Roberts Cross）和索贝尔算子（Sobel）的表达式分别为：

2 边缘检测算子检查每个象素的领域并对灰度变化率进行量化,也包含方向的确定。这里我使用的是Roberts边缘检测算子法。 Roberts边缘检测算子是一种利用局部差分算子寻找边缘的算子。它在实际应用中可用如下公式表示

1）Roberts算子表达式为：

=max（，）

和使用Sobel算子和算子的方法一样，类似地也可以得到Prewitt算子和Krisch算子卷积核形式，只不过这里Prewitt算子是使用了另两个不同的卷积核，而Krisch算子则是使用8个卷积核[3]，分别代表8个特定的边缘方向。由于边缘的图像灰度变化并不十分陡峭，图像中存在噪声，直接利用微分算子提取边界后，还需作某些处理（如连接及细化）才能形成一条有意义的边界。

2）Prewitt算子是一种一阶微分算子的边缘检测，利用像素点上下、左右邻

点的灰度差。其原理是在图像空间利用两个方向模板与图

像模板一个检测水平边缘，一个检测垂直边缘。对数字图像f(x，y)，Prewitt算子的定义如下：

G(i)=|[f(i-1,j-1)+f(i-1,j)+f(i-1，j+1)]-[f(i+1,j-1)+f(i+1，j)+f(i+1，

j+1)]|

G(j)=|[f(i-1,j+1)+f(i,j+1)+f(i+1，j+1)]-[f(i-1,j-1)+f(i,j-1)+f(i+1，

j-1)]|

则 P(i,j)=max[G(i),G(j)]或 P(i,j)=G(i)+G(j)

经典Prewitt算子认为：凡灰度新值大于或等于阈值的像素点都是边缘点。即选择适当的阈值T，若P(i,j)≥T，则(i,j)为边缘点，P(i,j)为边缘图像。这种判定是欠合理的，会造成边缘点的误判，因为许多噪声点的灰度值也很大，而且对于幅值较小的边缘点，其边缘反而丢失了。

3）Sobel算法Sobel边缘检测算子。Sobel算子包含2个 3 * 3模板，l个用

于检测水平边缘，一个用于检测，得到每个像素的水平和垂直方向的近似梯度值， 然后结合2个梯度值得到图像的梯度值和梯度方向。

3 -1 -2 2 -1 -2 -1 -1 1 图 1.1Sobel1 边缘检测算子 Sobel算子表达式为 由于Sobel算子是滤波算子的形式，可以利用 快速卷积函数，简单有效，所以应用广泛。但是Sobel算子只能检测水平和垂直2个方向的边缘，一般 用于精度要求不高的情况。 4）Canny边缘检测算子

Canny算子求边缘点具体算法步骤如下：

⑴用高斯滤波器平滑图像. ⑵

⑶用一阶偏导有限差分计算梯度幅值和方向.

Gx=[f(x+1,y)-f(x,y)+f(x+1,y+1)-f(x,y+1)]2 Gy=[f(x,y+1)-f(x,y)+f(x+1,y+1)-f(x+1,y)]2

⑷对梯度幅值进行非极大值抑制 ．

仅得到全局的梯度并不足以确定边缘，为确定边缘，必须保留局部梯度最大的点，而抑制非极大值。

4