張振鑫，夏 清，王躍賓，崔言輝，陳亞凱

(1.北京師范大學(xué)地理學(xué)與遙感科學(xué)學(xué)院遙感科學(xué)國家重點實驗室，北京100875;2.中國礦業(yè)大學(xué)(北京)地球科學(xué)與測繪工程學(xué)院北京，100083;3.北京師范大學(xué)資源學(xué)院，北京100875)

1 引言

近年來，由于利用熱紅外影像進(jìn)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(yīng)用在遙感監(jiān)測、無損探測、電力工業(yè)等領(lǐng)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(lǐng)域中的熱點問題之一。傳統(tǒng)的邊緣檢測方法有很多［2］。近些年，又新興出了基于數(shù)學(xué)形態(tài)學(xué)、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(tǒng)的經(jīng)典算法不能很好地將感興趣的目標(biāo)物體邊緣提取出來，一些細(xì)節(jié)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(qiáng)、模糊C均值聚類與經(jīng)典算法Sobel相結(jié)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(biāo)區(qū)的邊緣，同時，細(xì)節(jié)特征表現(xiàn)較好。

2 基本算法概述

2.1多層次模糊增強(qiáng)

模糊增強(qiáng)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(zhuǎn)變?yōu)槟：卣饔?，在模糊特征域?nèi)進(jìn)行增強(qiáng)，然后再將影像從模糊特征域經(jīng)逆映射轉(zhuǎn)為空間域，完成影像的增強(qiáng)處理［4－5］。經(jīng)過模糊增強(qiáng)后，不僅增強(qiáng)邊緣兩側(cè)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(qiáng)算法來增強(qiáng)圖像。

2.2 模糊C均值聚類

模糊C均值聚類(FCM)算法是根據(jù)計算樣本點與聚類中心之間的相似性測度，對二次目標(biāo)函數(shù)進(jìn)行迭代優(yōu)化，將樣本點的數(shù)據(jù)集劃分為若干類。目標(biāo)函數(shù)定義為［6］:

其中，n為像素點數(shù);c為聚類中心點數(shù);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(quán)指數(shù)(xk－vi)=是歐氏距離。

2.3 Sobel算法

經(jīng)典的Sobel算子能提取出光滑、連續(xù)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(zhǔn)確，能產(chǎn)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(jìn)算法及結(jié)果分析

3.1 本文的改進(jìn)算法

紅外熱像儀獲取的熱紅外影像具有區(qū)別于常規(guī)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(yīng)，表達(dá)了該像素點的溫度信息。同時，還能夠獲取相應(yīng)的可見光影像。但是，熱紅外影像中高、低溫區(qū)的過渡帶像素較多，邊緣分界處較模糊，導(dǎo)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(biāo)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(qū)域感興趣，而這類區(qū)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(nèi)。因此，在對影像進(jìn)行邊緣提取之前，增強(qiáng)感興趣目標(biāo)邊緣的對比度、抑制非目標(biāo)影像的對比度來達(dá)到增強(qiáng)目標(biāo)物體的目的是很有必要的。本文在2.1節(jié)的基礎(chǔ)上，引入多層次梯形模糊增強(qiáng)算法［7］對熱紅外影像X進(jìn)行預(yù)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(qiáng)算子進(jìn)行增強(qiáng)，r次增強(qiáng)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(jīng) r次增強(qiáng)后的結(jié)果;f(i，j)b和 f(i，j)a是影像中感興趣目標(biāo)區(qū)的準(zhǔn)最大、最小灰度級，pc∈[0，1]。

然后，進(jìn)行模糊映射的逆變換:

最后得到增強(qiáng)后的影像。

上述式中，f(i，j)b和 f(i，j)a是根據(jù)現(xiàn)實的需要劃定影像中感興趣區(qū)域的準(zhǔn)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(biāo)區(qū)域的灰度級歸屬于一定的范圍內(nèi)，拾取的像素值不要求精確，落在歸屬的灰度級范圍內(nèi)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(biāo)邊緣為界分為三部分，即低于f(i，j)a的區(qū)域、感興趣邊緣區(qū)域、高于f(i，j)b的區(qū)域?？梢钥闯觯捎锰菪文：鰪?qiáng)是在低于f(i，j)a的區(qū)域采用上升型變換，在高于 f(i，j)b的區(qū)域采用下降型變換，而感興趣的溫度目標(biāo)區(qū)賦為最大值1。pc值的確定可根據(jù)實際情況，通過估計獲取的準(zhǔn)最大、最小值分別在多大程度上代表實際感興趣目標(biāo)區(qū)域的最大、最小值來靈活設(shè)置。在多層次模糊增強(qiáng)時，每一次增強(qiáng)可根據(jù)不同的感興趣溫度區(qū)的邊緣灰度級來設(shè)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(qiáng)預(yù)處理，既可增強(qiáng)實際應(yīng)用中人們感興趣溫度區(qū)的邊緣信息，又不致使較多的背景信息誤判為感興趣區(qū)域，去除不必要的冗余信息。

將經(jīng)過多層次梯形模糊增強(qiáng)的熱紅外影像X采用2.1節(jié)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(qū)。然后提取出感興趣的溫度區(qū)，賦值為二值影像，感興趣的區(qū)域賦值為1(白色)，其他區(qū)域賦值為0(黑色)。最后，利用經(jīng)典的Sobel算法對提取出的感興趣溫度區(qū)進(jìn)行邊緣檢測。

3.2 仿真實驗及結(jié)果分析

本文采用的是日本進(jìn)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(huán)境溫度是29℃，環(huán)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(dǎo)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(qiáng)的感興趣溫度區(qū)邊緣的灰度級 f(i，j)a=90，f(i，j)b=160，同時設(shè)定pc=0.8;拾取第二次多層次模糊增強(qiáng)的灰度級 f(i，j)a=65，f(i，j)b=80，基于MATLAB進(jìn)行仿真實驗，結(jié)果如圖1所示，對比性能指標(biāo)如表1所示。

圖1 仿真結(jié)果

表1 仿真結(jié)果性能指標(biāo)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(xù)，不能夠體現(xiàn)目標(biāo)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(xù)性較好且清晰，基本描述了目標(biāo)物體的形態(tài)，提取邊緣百分比比傳統(tǒng)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(tǒng)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(xì)，與原始影像的邊緣真實程度更接近，邊緣表現(xiàn)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(xì)節(jié)邊緣，從信息熵值指標(biāo)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(qiáng)，將感興趣溫度區(qū)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(jié)論

本文針對熱紅外影像的特點，提出了一種先對影像進(jìn)行多層次梯形模糊增強(qiáng)，然后再將模糊C均值聚類與Sobel算法相結(jié)合的邊緣檢測方法。結(jié)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(xù)且清晰，邊緣定位精確，同時能檢測出傳統(tǒng)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(shù)發(fā)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(jìn)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(xué)院學(xué)報:自然科學(xué)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(shù)字圖像的模糊增強(qiáng)方法［D］.武漢:武漢理工大學(xué)，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(jìn)的多層次模糊增強(qiáng)算法應(yīng)用研究［J］.計算機(jī)工程與應(yīng)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(qiáng).基于模糊聚類和形態(tài)學(xué)的輪胎斷面特征提?。跩］.江蘇大學(xué)學(xué)報:自然科學(xué)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?qū)ο蟮倪b感影像模糊增強(qiáng)［J］.武漢大學(xué)學(xué)報:信息科學(xué)版，2002，27(5):516－521.