一種新的熱紅外影像邊緣檢測方法

張振鑫，夏 清，王躍賓，崔言輝，陳亞凱

(1.北京師范大學地理學與遙感科學學院遙感科學國家重點實驗室，北京100875;2.中國礦業大學(北京)地球科學與測繪工程學院北京，100083;3.北京師范大學資源學院，北京100875)

1 引言

近年來，由于利用熱紅外影像進行溫度探測具有高靈敏度、測溫快速、溫度精確的特點，因而它被廣泛地應用在遙感監測、無損探測、電力工業等領域中［1］。邊緣含有影像的重要信息，因此，邊緣檢測是圖像處理領域中的熱點問題之一。傳統的邊緣檢測方法有很多［2］。近些年，又新興出了基于數學形態學、模糊聚類以及遺傳算法等的邊緣檢測算法［3］。由于熱紅外影像因其自身特點，邊緣具有極大的不確定性。利用傳統的經典算法不能很好地將感興趣的目標物體邊緣提取出來，一些細節特征更無法識別。針對上述問題，本文基于模糊理論，提出一種將多層次模糊增強、模糊C均值聚類與經典算法Sobel相結合的邊緣檢測方法，實驗仿真模擬證明，該方法能很好地提取感興趣溫度目標區的邊緣，同時，細節特征表現較好。

2 基本算法概述

2.1多層次模糊增強

模糊增強是針對影像中邊緣的模糊性，將待處理的影像利用映射變換從空間域轉變為模糊特征域，在模糊特征域內進行增強，然后再將影像從模糊特征域經逆映射轉為空間域，完成影像的增強處理［4－5］。經過模糊增強后，不僅增強邊緣兩側的對比度，而且降低邊緣的模糊性及不確定性。通常情況下，針對影像中不同灰度等級層次的邊緣感興趣，因此采用多層次模糊增強算法來增強圖像。

2.2 模糊C均值聚類

模糊C均值聚類(FCM)算法是根據計算樣本點與聚類中心之間的相似性測度，對二次目標函數進行迭代優化，將樣本點的數據集劃分為若干類。目標函數定義為［6］:

其中，n為像素點數;c為聚類中心點數;uik為像素點 xk對第 i類的隸屬度;V= {v1，v2，…，vc}是聚類中心點集;U= { uik}，m∈［1，+∞)為加權指數(xk－vi)=是歐氏距離。

2.3 Sobel算法

經典的Sobel算子能提取出光滑、連續的影像邊緣，同時對噪聲具有較好的平滑作用，邊緣信息定位準確，能產生較好的檢測效果，其水平和豎直方向模板如下:

采用上述模板對影像做卷積運算，從而提取影像的邊緣信息［2］。

3 本文的改進算法及結果分析

3.1 本文的改進算法

紅外熱像儀獲取的熱紅外影像具有區別于常規影像的特性，熱紅外影像中每個像素點的偽彩色值與該點的紅外輻射能量一一對應，表達了該像素點的溫度信息。同時，還能夠獲取相應的可見光影像。但是，熱紅外影像中高、低溫區的過渡帶像素較多，邊緣分界處較模糊，導致了影像中的邊緣信息具有很大的不確定性，不能很好的描述感興趣目標的清晰輪廓。在熱紅外影像的解譯過程中，人們通常對某類物體或某個區域感興趣，而這類區域邊界具有大致相同的灰度級或灰度級分布在某一特定范圍內。因此，在對影像進行邊緣提取之前，增強感興趣目標邊緣的對比度、抑制非目標影像的對比度來達到增強目標物體的目的是很有必要的。本文在2.1節的基礎上，引入多層次梯形模糊增強算法［7］對熱紅外影像X進行預處理，梯形模糊映射變換如下:

完成模糊映射后，利用對比度增強算子進行增強，r次增強算子為:

f(i，j)max和 f(i，j)min為熱紅外影像的最大、最小灰度級;p'ij是 pij經 r次增強后的結果;f(i，j)b和 f(i，j)a是影像中感興趣目標區的準最大、最小灰度級，pc∈[0，1]。

然后，進行模糊映射的逆變換:

最后得到增強后的影像。

上述式中，f(i，j)b和 f(i，j)a是根據現實的需要劃定影像中感興趣區域的準最大、最小灰度級，其值是在熱紅外影像中手動拾取的，由于感興趣目標區域的灰度級歸屬于一定的范圍內，拾取的像素值不要求精確，落在歸屬的灰度級范圍內即可。在式(2)中可以看出，將熱紅外影像溫度值的像素級以感興趣的目標邊緣為界分為三部分，即低于f(i，j)a的區域、感興趣邊緣區域、高于f(i，j)b的區域。可以看出，采用梯形模糊增強是在低于f(i，j)a的區域采用上升型變換，在高于 f(i，j)b的區域采用下降型變換，而感興趣的溫度目標區賦為最大值1。pc值的確定可根據實際情況，通過估計獲取的準最大、最小值分別在多大程度上代表實際感興趣目標區域的最大、最小值來靈活設置。在多層次模糊增強時，每一次增強可根據不同的感興趣溫度區的邊緣灰度級來設置 f(i，j)b、f(i，j)a和pc的值。通過上述的多層次模糊增強預處理，既可增強實際應用中人們感興趣溫度區的邊緣信息，又不致使較多的背景信息誤判為感興趣區域，去除不必要的冗余信息。

將經過多層次梯形模糊增強的熱紅外影像X采用2.1節所述的模糊 C均值聚類算法，將其分為三類:高于 f(i，j)b的類、低于 f(i，j)a的類及感興趣溫度區。然后提取出感興趣的溫度區，賦值為二值影像，感興趣的區域賦值為1(白色)，其他區域賦值為0(黑色)。最后，利用經典的Sobel算法對提取出的感興趣溫度區進行邊緣檢測。

3.2 仿真實驗及結果分析

本文采用的是日本進口非制冷焦平面紅外熱像儀，型號為TH9100MV/WV所獲取的熱紅外影像。熱紅外影像像素為320(H)×240(V)，可見光影像為640(H)×480(V)，可測溫度范圍為－40～120℃。利用的熱紅外影像是電路元件的一個組成部分，實際操作環境溫度是29℃，環境濕度是60%左右，熱紅外影像的溫度范圍為26.9～107.6℃，將影像導入到儀器配套的處理軟件MikroSpec4中，拾取第一次多層次梯形模糊增強的感興趣溫度區邊緣的灰度級 f(i，j)a=90，f(i，j)b=160，同時設定pc=0.8;拾取第二次多層次模糊增強的灰度級 f(i，j)a=65，f(i，j)b=80，基于MATLAB進行仿真實驗，結果如圖1所示，對比性能指標如表1所示。

圖1 仿真結果

表1 仿真結果性能指標對比表

從圖1及表1，可以看出:①利用Sobel算法檢測邊緣，雖然能檢測出物體的大致輪廓，但是邊緣輪廓不連續，不能夠體現目標物體的外部輪廓，定位不精確;而利用本文算法檢測的邊緣，外部輪廓連續性較好且清晰，基本描述了目標物體的形態，提取邊緣百分比比傳統Sobel算法高3.3%，定位精度較好。②峰值信噪比是描述提取的邊緣影像失真程度的大小，值越大說明失真度越小。傳統的Sobel算法檢測出的邊緣有些較粗，而本文算法檢測出的邊緣大部分是單像素的，邊緣較細，與原始影像的邊緣真實程度更接近，邊緣表現特征較好。③Sobel算法只檢測出了部分物體的邊緣信息，遺漏了其他物體的邊緣;而本文算法不僅能檢測出Sobel算法檢測出的邊緣，同時能檢測出Sobel算法遺漏的其他細節邊緣，從信息熵值指標也可看出，熵值越大，說明圖像所包含的平均信息量越多，圖像信息越富集，從而輪廓也越清晰。④由于本文算法是先通過多層次模糊增強，將感興趣溫度區從背景中分離出的，去除不必要的冗余信息，對比Sobel算法與本文算法的運行時間，可見本文算法在一定程度上減小了計算量與運行時間，取得了良好的邊緣檢測效果。

4 結論

本文針對熱紅外影像的特點，提出了一種先對影像進行多層次梯形模糊增強，然后再將模糊C均值聚類與Sobel算法相結合的邊緣檢測方法。結果表明:該算法在一定程度上減小了熱紅外影像邊緣檢測的模糊性及不確定性，檢測的邊緣輪廓連續且清晰，邊緣定位精確，同時能檢測出傳統Sobel算法所不能檢測出的信息，邊緣提取信息量大，是一種檢測效果較好的方法。

［1］ SUN Xiaogang，LI Yunhong.Review of the development of temperature measurement technology with infrared thermal imager［J］.Laser ＆ Infrared，2008，32(8):101 － 104.(in Chinese)孫曉剛，李云紅.紅外熱像儀測溫技術發展綜述［J］.激光與紅外，2008，32(8):101 －104.

［2］ XIA Qing，ZHANG Zhenxin，WANG Tingting.Edge extraction algorithm of infrared thermal image based on improved sobel operator［J］.Laser ＆ Infrared，2012，2013，43(10):1158 －1161.(in Chinese)夏清，張振鑫，王婷婷，等.基于改進Sobel算子的紅外圖像邊緣提取算法［J］.激光與紅外，2013，43(10):1158－1161.

［3］ CHEN Yihu.Summary of image edge detection［J］.Journal of Baoji University of Arts and Science(Natural Science)，2013，33(1):16 －21.(in Chinese)陳一虎.圖像邊緣檢測方法綜述［J］.寶雞文理學院學報:自然科學版，2013，33(1):16 －21.

［4］ LI Gang.Digital imang processing methods based on fuzzy enhancement［D］.Wuhan:Wuhan University of Technology，2005.(in Chinese)李剛.數字圖像的模糊增強方法［D］.武漢:武漢理工大學，2005.

［5］ CHEN Xiangtao，CHEN Yujuan，LI Mingliang.Applied research of improved multi－level fuzzy enhancement algorithm［J］.Computer Engineering and Applications，2010，46(30):195 －198.(in Chinese)陳湘濤，陳玉娟，李明亮.改進的多層次模糊增強算法應用研究［J］.計算機工程與應用，2010，46(30):195－198.

［6］ WANG Guolin，ZHOU Shuren，LI Junqiang.Feature extraction of tire section based on fuzzy clustering and morphology［J］.Journal of Jiangsu University:Natural Science Edition，2012，33(5):513 －517.(in Chinese)王國林，周樹仁，李軍強.基于模糊聚類和形態學的輪胎斷面特征提取［J］.江蘇大學學報:自然科學版，2012，33(5):513 －517.

［7］ XIONG Xinghua，LI Xintao.An object_oriented fuzzy enhancement for remote sensing images［J］.Geomatics and Information Science of Wuhan University，2002，27(5):516 －521.(in Chinese)熊興華，李新濤.面向對象的遙感影像模糊增強［J］.武漢大學學報:信息科學版，2002，27(5):516－521.