《红外图像的增强算法研究》文献综述
一、引言
红外图像不同于可见光图像，它能够反映场景的温度场信息。近年来，随着红外成像平台与传感器的发展，红外成像已经广泛应用于森林防火、医疗诊断、行车辅助、电力检修和夜视等领域，极大地推动了红外图像处理方法和应用的研究。由于红外热成像仪成像原理的局限性和大气环境的干扰，一般红外图像质量较低，具体表现为：空间分辨率低、对比度低、边缘模糊、细节缺失和易受噪声干扰等。所以，需要对图像进行适当的处理，以得到适合人眼观察或机器识别的图像，从红外图像中正确地识别、检测出目标。
二、国内外研究现状
当前红外图像的增强方法可分为空间域方法和频率域方法。空间域方法是直接对图像的像素进行处理, 基本上是以灰度映射变换为基础的，所用的映射变换取决于图像的特点和增强的目的。频率域方法是在图像的某种变换域内, 对变换后的系数进行运算, 然后再反变换到原来的空域得到增强的图像这是一种间接处理方法。
从算法发展的角度，提升红外图像质量算法包括非锐化掩模、基于直方图处理、高动态范围处理和同态滤波算法等传统处理算法，以及Retinex算法、伪彩色化算法、基于小波变换、后小波变换、形态学滤波和深度学习算法等新型处理算法。[1]频率红外图像增强的算法很多，最常用的是直方图均衡化算法，基于视觉特性的图像处理技术越来越受到人们的关注，主要是因为传统的图像处理方法考虑了图像像素的统计特性，利用像素灰度分布达到图像增强的目的。[2]红外图像降噪与增强对于提高红外成像系统的性能具有显著作用。经典的降噪与增强算法往往计算复杂度低，算法简单易于实现，但是对于图像的降噪与增强效果有限，且往往会带来细节模糊、过增强等副作用。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；居于粗糙集分类的图像增强方法等等。其中包括很多自适应的增强算法；如对小波系数取阈值处理，并结合图像自身特征对噪声和信号加以区分，通过调整因子的设置进行自适应图像边缘增强方法等；基于模型的自适应红外图像序列增强算法；基于平台直方图的红外图像自适应增强，通过自适应的选择平台阈值，对红外图像进行增强处理。
1、增强细节和边缘
红外图像的细节和边缘增强是针对红外图像细节丢失和边缘模糊的问题，采取低层图像处理技术以增强细节和锐化目标边缘。分析图像灰度值的变化情况，细节和边缘分布在图像邻域内灰度值变化较明显的区域，属于图像频域较高的成分。增强图像细节和边缘算法的核心是保持或抑制图像低频成分同时放大图像高频成分，主要包括高频增强滤波器方法、广义非锐化掩模算法和Retinex算法。其中一类典型代表Retinex算法处理红外图像时具有很强的实际价值，作为模拟人类视觉系统机制的数学模型，Retinex模型认为人眼感知物体的亮度取决于物体的绝对亮度和场景的背景亮度，三者之间的关系定义如下：
I(x，y)=L(x，y)times;R(x，y)
式中：L(x，y)为照度分量且对应图像的低频成分；R(x，y)为目标表面的本质信息；I(x，y)为人眼感知的灰度图像。为求解目标表面的本质信息R(x，y)，对上式两边取对数，变乘号为加号。[3]由于照度分量具有灰度变化缓慢的特性，采用低通滤波器估计对数域的照度分量，经过指数运算返回至空间域得到目标表面的本质信息。在处理彩色图像时，它分别对每个颜色通道进行处理，然后再合成，对于红外灰度图像，可以认为只有一个颜色通道，因此Retinex算法也适于对灰度图像进行处理。[4]
2、提升图像对比度
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
