夜晚微光圖像中人車目標檢測算法

李翔

摘要：本文針對夜間微光圖像帶噪信號進行了人車檢測，提出了改進的算法。首先采用將Top-hat變換圖像與原始圖像相加再減去Bottom-hat變換圖像的方式增強夜間微光圖像的對比度。其次用開運算算法實現微光圖像的消噪，在保留了圖像的邊緣細節的同時，也擴大了某些特殊微光圖像中的人車目標特征。最后采用適合微光圖像的Sobel算子進行邊緣提取，對邊緣提取后的圖像進行分割，利用輪廓特征進行模板匹配獲取人車目標的檢測和定位。

關鍵詞：微光圖像 邊緣提取 人車檢測

中圖分類號：TP391.41 文獻標識碼：A 文章編號：1007-9416（2014）08-0121-02

1 引言

本文提出了一種改進的新算法針對夜間CCD攝像采集到的微光圖像帶噪信號進行了人車檢測和定位。由于夜間自然光對比度低，周圍光線亮度變化大，輸入CCD成像系統的光信號非常弱，信噪比低，所以得到的微光圖片需要經過消噪和增強等預處理，提高人車輪廓在微光圖像的檢測度。

對于微光圖像處理方面有不少的研究[1-6]。本文主要針對夜間微光圖像里的人車目標進行檢測，將微光圖像的噪聲特點、預處理方法、消噪方法、邊緣提取算法、以及圖像中人車目標檢測算法進行了詳細闡述，并做了相應的實驗。實驗結果表明，我們的方法對人車目標檢測取得了較好的效果。

2 夜晚微光圖像的噪聲特點

如圖1所示的微光圖像由CCD采集獲得，CCD采集微光圖像可以參考文獻[5]。我們的微光成像設備主要由微光光學系統、圖像增強器和微光CCD等部分組成。系統輸出的噪聲主要有光電陰極噪聲、增強管噪聲、熒光屏噪聲和CCD噪聲，它們輸出端的電壓表達式如式（1）所示：

上式中：NK為光電陰極噪聲；NM為像增強管噪聲；NS為熒光屏顆粒噪聲；NP為CCD的光子噪聲；NF為CCD的俘獲態噪聲；ND為CCD的暗電流噪聲。由于大氣本身作為輻射的傳媒，對輻射有吸收和散射作用，造成輻射能的衰減，CCD在晚上所獲得的圖像的分辨率和對比度隨著環境光照度變低而明顯下降。另外在同一環境光照度下，作用距離越長，大氣對圖像的衰減作用越大，圖像的對比度分辨率也就越低。

夜間微光圖像具有自然光對比度低、周圍光線亮度變化大、輸入成像系統的光信號非常弱、信噪比低等特點。針對夜間微光圖像的這些特點，后面將從方法上以及相應的實驗進行分析。

3 夜晚微光圖像預處理

由于微光圖像中的光信號非常弱，所以微光成像系統獲得的圖片需要經過增強等預處理，以提高目標物體在微光圖像的識別度。對于微光圖像的預處理主要有以下幾個方法：1）灰度拉伸，2）直方圖均衡化，3）Top-Hat和Bottom-Hat變換法。

形態學中的Top-hat變換是原始信號減去對其開運算的結果，Bottom-hat是原始信號減去對其閉運算的結果。Top-hat運算增強了對比度，對于增強微光圖像中目標物體的陰影細節效果很好。由于Top-hat圖像變換包含了匹配結構元素的對象，而實際上夜間微光圖像中目標對象間通常比較緊密，因此需要增大目標對象間隙，從而更好的分辨目標物體。我們采用將Top-hat變換圖像與原始圖像相加再減去Bottom-hat變換圖像的方式增強夜間微光圖像的對比度。

4 夜晚微光圖像消噪方法

信噪比低是夜晚微光圖像最主要的特點之一，我們對中值濾波消噪、小波分析消噪、開運算消噪進行對比，對比情況如下：

（1）中值濾波消噪： 中值濾波是一種去除噪聲的非線性處理方法，其基本原理是把數字圖像或數字序列中一點的值用該點的一個領域中各點值的中值代替。中值濾波在衰減噪聲的同時不會使圖像的邊界模糊，因此對于目標邊界非常模糊的夜間微光圖像來說非常實用。

（2）小波變換消噪：小波分析應用于微波圖像在[2][3][4]有詳細的討論。采用小波閾值去噪，其基本思想就是對小波分解后的各層系數模大于和小于某閾值的系數分別進行處理，然后利用處理后的小波系數重構出消噪后的圖像。

（3）開運算消噪：微光圖像成像系統輸出的噪聲在熒光屏上主要表現為細小隨機出現的雪花狀顆粒，即椒鹽噪聲。根據夜間微光圖像的噪聲特點，另外由于開運算不僅對椒鹽噪聲的去處方面有較好效果，同時對易于粘連目標的分離有很大的優勢[1]。我們采用了改進的開運算算法。若A為輸入圖像，B為結構元素，利用B對A做開運算實際是A先被B腐蝕，然后再被B膨脹的結果。開運算通常用來消除小對象物、在纖細點分離物體、平滑較大物體邊界的同時并不明顯改變其面積。由于微光圖像的周圍光強很低，所以當有亮斑時使得圖像識別變得困難，而開運算先腐蝕后膨脹的過程正好消除了亮斑并且使識別對象未受損。用這種改進的開運算消噪法不僅實現了微光圖像的消噪，而且保留了圖像的邊緣細節，同時也擴大了某些特殊微光圖像中的人車檢測。

圖1中，原始圖（a）噪聲比較大，人物模糊，有一個人是蹲下的姿勢并且距離CCD拍攝較遠。處理后如圖（b）（c）（d），對比可見，三種方式都可以完成椒鹽噪聲的消除，但是小波消噪法破壞了圖像本身的邊緣；雖然中值濾波未破壞邊緣，但是若仔細觀察可看到中值濾波后的圖像比開運算后的圖像多一些噪聲，并且影響了最后的檢測結果。因此在我們的系統中，我們最后采用了開運算消噪的方法。

5 夜晚微光圖像中人車目標檢測

人車目標檢測的過程如下：對于CCD圖像傳感器某任意時刻采集到的實時圖像，我們先對它進行預處理，然后進行消噪處理。這以后，我們對測試樣本進行圖像分割，進行邊緣提取，然后對邊緣進行可能目標標記。標定出多個可能的目標后，我們針對測試圖像中所有可能的目標，一一和模板庫中標定的目標進行匹配，給出檢測分數。

對于微光樣本圖像來說，提取首先需要確定合適的圖像邊緣提取算法。圖像處理中有多種圖像分割算法，比如說直接域值分割、Canny算子分割、Sobel算子分割等等。直接閾值分割只能在物體相對光亮強的情況下實現，而利用Sobel算子適用更多的微光圖像。通過實驗，Sobel算子有明顯的優勢。因此在對微光圖像進行前面的圖像處理步驟后，我們采用 Sobel算子進行邊緣提取。并且根據微光圖像中可能目標的特征輪廓和模板庫中的人或車的輪廓特征進行對比，從而確定微光圖像中的可能目標是否是正確的人或車目標，并進一步給出人車目標在夜晚微光圖像中的位置。由圖2可以看出，對微光圖像經過Top-hat和Bottom-hat算法進行預處理，然后進行開運算消噪處理，再進行Sobel算子獲得邊緣輪廓、最后利用輪廓特征對模板進行匹配和評分后，得到了1輛車2個人的目標，獲得了正確的檢測結果。

6 結語

本文針對夜間采集到的微光圖像帶噪信號進行人車檢測。我們對微光圖像嘗試了多種算法。通過比較得出，針對微光圖像：（1）預處理算法中，Top-Hat和Bottom-Hat變換法效果最好；（2）利用開運算消噪法可以取得很好的效果；（3）對于有人或者車輛存在的夜間微光圖像，我們用Sobel算子獲取邊緣輪廓，然后用輪廓特征進行模板匹配，可以獲取了正確的人車的目標檢測和定位。

由于實驗所用的圖像均為CCD夜間采集的真實圖像，更驗證了我們的方法在實際中應用的可行性。值得注意的是，本文的圖像消噪和對比度增強法針對的僅僅是一般微光圖像，對于有惡劣天氣環境，如下雨下雪的情況并未討論。這也是后面可以繼續研究的部分。

參考文獻

[1]Koppen M，Franke K，Unold O. A Survey on Fuzzy Morphology [J].Pattern Recognition and Image Analysis， 2001，11（1）：195-197.

[2]孫崟培，王朝英.小波分析和小波包在圖像消噪中的應用.通信技術[J].2009，Vol.42No.1：285-287.

[3]張闖，柏連發，張毅，陳錢，張保民.小波變換在微光圖像消噪中的應用算法研究，紅外[J].2006（12）.

[4]邸志剛，賈春榮，李印民，小波變換在微光圖像處理中的應用，河北理工大學學報[J]：自然科學版[J]，2007（4）：90-94.

[5]趙登攀，孫建楠，趙娟，張自發，CCD在炮兵觀察所微光圖像采集中的應[J].2010，Vol.30No.8：189-191.

[6]金左輪，韓靜，張毅，柏連發，基于紋理顯著性的微光圖像目標檢測.物理學報[J]，Vol.63，No.6，2014：1-11.endprint

摘要：本文針對夜間微光圖像帶噪信號進行了人車檢測，提出了改進的算法。首先采用將Top-hat變換圖像與原始圖像相加再減去Bottom-hat變換圖像的方式增強夜間微光圖像的對比度。其次用開運算算法實現微光圖像的消噪，在保留了圖像的邊緣細節的同時，也擴大了某些特殊微光圖像中的人車目標特征。最后采用適合微光圖像的Sobel算子進行邊緣提取，對邊緣提取后的圖像進行分割，利用輪廓特征進行模板匹配獲取人車目標的檢測和定位。

關鍵詞：微光圖像 邊緣提取 人車檢測

中圖分類號：TP391.41 文獻標識碼：A 文章編號：1007-9416（2014）08-0121-02

1 引言

本文提出了一種改進的新算法針對夜間CCD攝像采集到的微光圖像帶噪信號進行了人車檢測和定位。由于夜間自然光對比度低，周圍光線亮度變化大，輸入CCD成像系統的光信號非常弱，信噪比低，所以得到的微光圖片需要經過消噪和增強等預處理，提高人車輪廓在微光圖像的檢測度。

對于微光圖像處理方面有不少的研究[1-6]。本文主要針對夜間微光圖像里的人車目標進行檢測，將微光圖像的噪聲特點、預處理方法、消噪方法、邊緣提取算法、以及圖像中人車目標檢測算法進行了詳細闡述，并做了相應的實驗。實驗結果表明，我們的方法對人車目標檢測取得了較好的效果。

2 夜晚微光圖像的噪聲特點

如圖1所示的微光圖像由CCD采集獲得，CCD采集微光圖像可以參考文獻[5]。我們的微光成像設備主要由微光光學系統、圖像增強器和微光CCD等部分組成。系統輸出的噪聲主要有光電陰極噪聲、增強管噪聲、熒光屏噪聲和CCD噪聲，它們輸出端的電壓表達式如式（1）所示：

上式中：NK為光電陰極噪聲；NM為像增強管噪聲；NS為熒光屏顆粒噪聲；NP為CCD的光子噪聲；NF為CCD的俘獲態噪聲；ND為CCD的暗電流噪聲。由于大氣本身作為輻射的傳媒，對輻射有吸收和散射作用，造成輻射能的衰減，CCD在晚上所獲得的圖像的分辨率和對比度隨著環境光照度變低而明顯下降。另外在同一環境光照度下，作用距離越長，大氣對圖像的衰減作用越大，圖像的對比度分辨率也就越低。

夜間微光圖像具有自然光對比度低、周圍光線亮度變化大、輸入成像系統的光信號非常弱、信噪比低等特點。針對夜間微光圖像的這些特點，后面將從方法上以及相應的實驗進行分析。

3 夜晚微光圖像預處理

由于微光圖像中的光信號非常弱，所以微光成像系統獲得的圖片需要經過增強等預處理，以提高目標物體在微光圖像的識別度。對于微光圖像的預處理主要有以下幾個方法：1）灰度拉伸，2）直方圖均衡化，3）Top-Hat和Bottom-Hat變換法。

形態學中的Top-hat變換是原始信號減去對其開運算的結果，Bottom-hat是原始信號減去對其閉運算的結果。Top-hat運算增強了對比度，對于增強微光圖像中目標物體的陰影細節效果很好。由于Top-hat圖像變換包含了匹配結構元素的對象，而實際上夜間微光圖像中目標對象間通常比較緊密，因此需要增大目標對象間隙，從而更好的分辨目標物體。我們采用將Top-hat變換圖像與原始圖像相加再減去Bottom-hat變換圖像的方式增強夜間微光圖像的對比度。

4 夜晚微光圖像消噪方法

信噪比低是夜晚微光圖像最主要的特點之一，我們對中值濾波消噪、小波分析消噪、開運算消噪進行對比，對比情況如下：

（1）中值濾波消噪： 中值濾波是一種去除噪聲的非線性處理方法，其基本原理是把數字圖像或數字序列中一點的值用該點的一個領域中各點值的中值代替。中值濾波在衰減噪聲的同時不會使圖像的邊界模糊，因此對于目標邊界非常模糊的夜間微光圖像來說非常實用。

（2）小波變換消噪：小波分析應用于微波圖像在[2][3][4]有詳細的討論。采用小波閾值去噪，其基本思想就是對小波分解后的各層系數模大于和小于某閾值的系數分別進行處理，然后利用處理后的小波系數重構出消噪后的圖像。

（3）開運算消噪：微光圖像成像系統輸出的噪聲在熒光屏上主要表現為細小隨機出現的雪花狀顆粒，即椒鹽噪聲。根據夜間微光圖像的噪聲特點，另外由于開運算不僅對椒鹽噪聲的去處方面有較好效果，同時對易于粘連目標的分離有很大的優勢[1]。我們采用了改進的開運算算法。若A為輸入圖像，B為結構元素，利用B對A做開運算實際是A先被B腐蝕，然后再被B膨脹的結果。開運算通常用來消除小對象物、在纖細點分離物體、平滑較大物體邊界的同時并不明顯改變其面積。由于微光圖像的周圍光強很低，所以當有亮斑時使得圖像識別變得困難，而開運算先腐蝕后膨脹的過程正好消除了亮斑并且使識別對象未受損。用這種改進的開運算消噪法不僅實現了微光圖像的消噪，而且保留了圖像的邊緣細節，同時也擴大了某些特殊微光圖像中的人車檢測。

圖1中，原始圖（a）噪聲比較大，人物模糊，有一個人是蹲下的姿勢并且距離CCD拍攝較遠。處理后如圖（b）（c）（d），對比可見，三種方式都可以完成椒鹽噪聲的消除，但是小波消噪法破壞了圖像本身的邊緣；雖然中值濾波未破壞邊緣，但是若仔細觀察可看到中值濾波后的圖像比開運算后的圖像多一些噪聲，并且影響了最后的檢測結果。因此在我們的系統中，我們最后采用了開運算消噪的方法。

5 夜晚微光圖像中人車目標檢測

人車目標檢測的過程如下：對于CCD圖像傳感器某任意時刻采集到的實時圖像，我們先對它進行預處理，然后進行消噪處理。這以后，我們對測試樣本進行圖像分割，進行邊緣提取，然后對邊緣進行可能目標標記。標定出多個可能的目標后，我們針對測試圖像中所有可能的目標，一一和模板庫中標定的目標進行匹配，給出檢測分數。

對于微光樣本圖像來說，提取首先需要確定合適的圖像邊緣提取算法。圖像處理中有多種圖像分割算法，比如說直接域值分割、Canny算子分割、Sobel算子分割等等。直接閾值分割只能在物體相對光亮強的情況下實現，而利用Sobel算子適用更多的微光圖像。通過實驗，Sobel算子有明顯的優勢。因此在對微光圖像進行前面的圖像處理步驟后，我們采用 Sobel算子進行邊緣提取。并且根據微光圖像中可能目標的特征輪廓和模板庫中的人或車的輪廓特征進行對比，從而確定微光圖像中的可能目標是否是正確的人或車目標，并進一步給出人車目標在夜晚微光圖像中的位置。由圖2可以看出，對微光圖像經過Top-hat和Bottom-hat算法進行預處理，然后進行開運算消噪處理，再進行Sobel算子獲得邊緣輪廓、最后利用輪廓特征對模板進行匹配和評分后，得到了1輛車2個人的目標，獲得了正確的檢測結果。

6 結語

本文針對夜間采集到的微光圖像帶噪信號進行人車檢測。我們對微光圖像嘗試了多種算法。通過比較得出，針對微光圖像：（1）預處理算法中，Top-Hat和Bottom-Hat變換法效果最好；（2）利用開運算消噪法可以取得很好的效果；（3）對于有人或者車輛存在的夜間微光圖像，我們用Sobel算子獲取邊緣輪廓，然后用輪廓特征進行模板匹配，可以獲取了正確的人車的目標檢測和定位。

由于實驗所用的圖像均為CCD夜間采集的真實圖像，更驗證了我們的方法在實際中應用的可行性。值得注意的是，本文的圖像消噪和對比度增強法針對的僅僅是一般微光圖像，對于有惡劣天氣環境，如下雨下雪的情況并未討論。這也是后面可以繼續研究的部分。

參考文獻

[1]Koppen M，Franke K，Unold O. A Survey on Fuzzy Morphology [J].Pattern Recognition and Image Analysis， 2001，11（1）：195-197.

[2]孫崟培，王朝英.小波分析和小波包在圖像消噪中的應用.通信技術[J].2009，Vol.42No.1：285-287.

[3]張闖，柏連發，張毅，陳錢，張保民.小波變換在微光圖像消噪中的應用算法研究，紅外[J].2006（12）.

[4]邸志剛，賈春榮，李印民，小波變換在微光圖像處理中的應用，河北理工大學學報[J]：自然科學版[J]，2007（4）：90-94.

[5]趙登攀，孫建楠，趙娟，張自發，CCD在炮兵觀察所微光圖像采集中的應[J].2010，Vol.30No.8：189-191.

[6]金左輪，韓靜，張毅，柏連發，基于紋理顯著性的微光圖像目標檢測.物理學報[J]，Vol.63，No.6，2014：1-11.endprint

摘要：本文針對夜間微光圖像帶噪信號進行了人車檢測，提出了改進的算法。首先采用將Top-hat變換圖像與原始圖像相加再減去Bottom-hat變換圖像的方式增強夜間微光圖像的對比度。其次用開運算算法實現微光圖像的消噪，在保留了圖像的邊緣細節的同時，也擴大了某些特殊微光圖像中的人車目標特征。最后采用適合微光圖像的Sobel算子進行邊緣提取，對邊緣提取后的圖像進行分割，利用輪廓特征進行模板匹配獲取人車目標的檢測和定位。

關鍵詞：微光圖像 邊緣提取 人車檢測

中圖分類號：TP391.41 文獻標識碼：A 文章編號：1007-9416（2014）08-0121-02

1 引言

本文提出了一種改進的新算法針對夜間CCD攝像采集到的微光圖像帶噪信號進行了人車檢測和定位。由于夜間自然光對比度低，周圍光線亮度變化大，輸入CCD成像系統的光信號非常弱，信噪比低，所以得到的微光圖片需要經過消噪和增強等預處理，提高人車輪廓在微光圖像的檢測度。

對于微光圖像處理方面有不少的研究[1-6]。本文主要針對夜間微光圖像里的人車目標進行檢測，將微光圖像的噪聲特點、預處理方法、消噪方法、邊緣提取算法、以及圖像中人車目標檢測算法進行了詳細闡述，并做了相應的實驗。實驗結果表明，我們的方法對人車目標檢測取得了較好的效果。

2 夜晚微光圖像的噪聲特點

如圖1所示的微光圖像由CCD采集獲得，CCD采集微光圖像可以參考文獻[5]。我們的微光成像設備主要由微光光學系統、圖像增強器和微光CCD等部分組成。系統輸出的噪聲主要有光電陰極噪聲、增強管噪聲、熒光屏噪聲和CCD噪聲，它們輸出端的電壓表達式如式（1）所示：

上式中：NK為光電陰極噪聲；NM為像增強管噪聲；NS為熒光屏顆粒噪聲；NP為CCD的光子噪聲；NF為CCD的俘獲態噪聲；ND為CCD的暗電流噪聲。由于大氣本身作為輻射的傳媒，對輻射有吸收和散射作用，造成輻射能的衰減，CCD在晚上所獲得的圖像的分辨率和對比度隨著環境光照度變低而明顯下降。另外在同一環境光照度下，作用距離越長，大氣對圖像的衰減作用越大，圖像的對比度分辨率也就越低。

夜間微光圖像具有自然光對比度低、周圍光線亮度變化大、輸入成像系統的光信號非常弱、信噪比低等特點。針對夜間微光圖像的這些特點，后面將從方法上以及相應的實驗進行分析。

3 夜晚微光圖像預處理

由于微光圖像中的光信號非常弱，所以微光成像系統獲得的圖片需要經過增強等預處理，以提高目標物體在微光圖像的識別度。對于微光圖像的預處理主要有以下幾個方法：1）灰度拉伸，2）直方圖均衡化，3）Top-Hat和Bottom-Hat變換法。

形態學中的Top-hat變換是原始信號減去對其開運算的結果，Bottom-hat是原始信號減去對其閉運算的結果。Top-hat運算增強了對比度，對于增強微光圖像中目標物體的陰影細節效果很好。由于Top-hat圖像變換包含了匹配結構元素的對象，而實際上夜間微光圖像中目標對象間通常比較緊密，因此需要增大目標對象間隙，從而更好的分辨目標物體。我們采用將Top-hat變換圖像與原始圖像相加再減去Bottom-hat變換圖像的方式增強夜間微光圖像的對比度。

4 夜晚微光圖像消噪方法

信噪比低是夜晚微光圖像最主要的特點之一，我們對中值濾波消噪、小波分析消噪、開運算消噪進行對比，對比情況如下：

（1）中值濾波消噪： 中值濾波是一種去除噪聲的非線性處理方法，其基本原理是把數字圖像或數字序列中一點的值用該點的一個領域中各點值的中值代替。中值濾波在衰減噪聲的同時不會使圖像的邊界模糊，因此對于目標邊界非常模糊的夜間微光圖像來說非常實用。

（2）小波變換消噪：小波分析應用于微波圖像在[2][3][4]有詳細的討論。采用小波閾值去噪，其基本思想就是對小波分解后的各層系數模大于和小于某閾值的系數分別進行處理，然后利用處理后的小波系數重構出消噪后的圖像。

（3）開運算消噪：微光圖像成像系統輸出的噪聲在熒光屏上主要表現為細小隨機出現的雪花狀顆粒，即椒鹽噪聲。根據夜間微光圖像的噪聲特點，另外由于開運算不僅對椒鹽噪聲的去處方面有較好效果，同時對易于粘連目標的分離有很大的優勢[1]。我們采用了改進的開運算算法。若A為輸入圖像，B為結構元素，利用B對A做開運算實際是A先被B腐蝕，然后再被B膨脹的結果。開運算通常用來消除小對象物、在纖細點分離物體、平滑較大物體邊界的同時并不明顯改變其面積。由于微光圖像的周圍光強很低，所以當有亮斑時使得圖像識別變得困難，而開運算先腐蝕后膨脹的過程正好消除了亮斑并且使識別對象未受損。用這種改進的開運算消噪法不僅實現了微光圖像的消噪，而且保留了圖像的邊緣細節，同時也擴大了某些特殊微光圖像中的人車檢測。

圖1中，原始圖（a）噪聲比較大，人物模糊，有一個人是蹲下的姿勢并且距離CCD拍攝較遠。處理后如圖（b）（c）（d），對比可見，三種方式都可以完成椒鹽噪聲的消除，但是小波消噪法破壞了圖像本身的邊緣；雖然中值濾波未破壞邊緣，但是若仔細觀察可看到中值濾波后的圖像比開運算后的圖像多一些噪聲，并且影響了最后的檢測結果。因此在我們的系統中，我們最后采用了開運算消噪的方法。

5 夜晚微光圖像中人車目標檢測

人車目標檢測的過程如下：對于CCD圖像傳感器某任意時刻采集到的實時圖像，我們先對它進行預處理，然后進行消噪處理。這以后，我們對測試樣本進行圖像分割，進行邊緣提取，然后對邊緣進行可能目標標記。標定出多個可能的目標后，我們針對測試圖像中所有可能的目標，一一和模板庫中標定的目標進行匹配，給出檢測分數。

對于微光樣本圖像來說，提取首先需要確定合適的圖像邊緣提取算法。圖像處理中有多種圖像分割算法，比如說直接域值分割、Canny算子分割、Sobel算子分割等等。直接閾值分割只能在物體相對光亮強的情況下實現，而利用Sobel算子適用更多的微光圖像。通過實驗，Sobel算子有明顯的優勢。因此在對微光圖像進行前面的圖像處理步驟后，我們采用 Sobel算子進行邊緣提取。并且根據微光圖像中可能目標的特征輪廓和模板庫中的人或車的輪廓特征進行對比，從而確定微光圖像中的可能目標是否是正確的人或車目標，并進一步給出人車目標在夜晚微光圖像中的位置。由圖2可以看出，對微光圖像經過Top-hat和Bottom-hat算法進行預處理，然后進行開運算消噪處理，再進行Sobel算子獲得邊緣輪廓、最后利用輪廓特征對模板進行匹配和評分后，得到了1輛車2個人的目標，獲得了正確的檢測結果。

6 結語

本文針對夜間采集到的微光圖像帶噪信號進行人車檢測。我們對微光圖像嘗試了多種算法。通過比較得出，針對微光圖像：（1）預處理算法中，Top-Hat和Bottom-Hat變換法效果最好；（2）利用開運算消噪法可以取得很好的效果；（3）對于有人或者車輛存在的夜間微光圖像，我們用Sobel算子獲取邊緣輪廓，然后用輪廓特征進行模板匹配，可以獲取了正確的人車的目標檢測和定位。

由于實驗所用的圖像均為CCD夜間采集的真實圖像，更驗證了我們的方法在實際中應用的可行性。值得注意的是，本文的圖像消噪和對比度增強法針對的僅僅是一般微光圖像，對于有惡劣天氣環境，如下雨下雪的情況并未討論。這也是后面可以繼續研究的部分。

參考文獻

[1]Koppen M，Franke K，Unold O. A Survey on Fuzzy Morphology [J].Pattern Recognition and Image Analysis， 2001，11（1）：195-197.

[2]孫崟培，王朝英.小波分析和小波包在圖像消噪中的應用.通信技術[J].2009，Vol.42No.1：285-287.

[3]張闖，柏連發，張毅，陳錢，張保民.小波變換在微光圖像消噪中的應用算法研究，紅外[J].2006（12）.

[4]邸志剛，賈春榮，李印民，小波變換在微光圖像處理中的應用，河北理工大學學報[J]：自然科學版[J]，2007（4）：90-94.

[5]趙登攀，孫建楠，趙娟，張自發，CCD在炮兵觀察所微光圖像采集中的應[J].2010，Vol.30No.8：189-191.

[6]金左輪，韓靜，張毅，柏連發，基于紋理顯著性的微光圖像目標檢測.物理學報[J]，Vol.63，No.6，2014：1-11.endprint