李翔

摘要：本文針對夜間微光圖像帶噪信號進(jìn)行了人車檢測，提出了改進(jìn)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(qiáng)夜間微光圖像的對比度。其次用開運(yùn)算算法實(shí)現(xiàn)微光圖像的消噪，在保留了圖像的邊緣細(xì)節(jié)的同時(shí)，也擴(kuò)大了某些特殊微光圖像中的人車目標(biāo)特征。最后采用適合微光圖像的Sobel算子進(jìn)行邊緣提取，對邊緣提取后的圖像進(jìn)行分割，利用輪廓特征進(jìn)行模板匹配獲取人車目標(biāo)的檢測和定位。

關(guān)鍵詞：微光圖像 邊緣提取 人車檢測

中圖分類號：TP391.41 文獻(xiàn)標(biāo)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(jìn)的新算法針對夜間CCD攝像采集到的微光圖像帶噪信號進(jìn)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(tǒng)的光信號非常弱，信噪比低，所以得到的微光圖片需要經(jīng)過消噪和增強(qiáng)等預(yù)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(biāo)進(jìn)行檢測，將微光圖像的噪聲特點(diǎn)、預(yù)處理方法、消噪方法、邊緣提取算法、以及圖像中人車目標(biāo)檢測算法進(jìn)行了詳細(xì)闡述，并做了相應(yīng)的實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，我們的方法對人車目標(biāo)檢測取得了較好的效果。

2 夜晚微光圖像的噪聲特點(diǎn)

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(xiàn)[5]。我們的微光成像設(shè)備主要由微光光學(xué)系統(tǒng)、圖像增強(qiáng)器和微光CCD等部分組成。系統(tǒng)輸出的噪聲主要有光電陰極噪聲、增強(qiáng)管噪聲、熒光屏噪聲和CCD噪聲，它們輸出端的電壓表達(dá)式如式（1）所示：

上式中：NK為光電陰極噪聲；NM為像增強(qiáng)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(tài)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(huán)境光照度變低而明顯下降。另外在同一環(huán)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(tǒng)的光信號非常弱、信噪比低等特點(diǎn)。針對夜間微光圖像的這些特點(diǎn)，后面將從方法上以及相應(yīng)的實(shí)驗(yàn)進(jìn)行分析。

3 夜晚微光圖像預(yù)處理

由于微光圖像中的光信號非常弱，所以微光成像系統(tǒng)獲得的圖片需要經(jīng)過增強(qiáng)等預(yù)處理，以提高目標(biāo)物體在微光圖像的識別度。對于微光圖像的預(yù)處理主要有以下幾個(gè)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(tài)學(xué)中的Top-hat變換是原始信號減去對其開運(yùn)算的結(jié)果，Bottom-hat是原始信號減去對其閉運(yùn)算的結(jié)果。Top-hat運(yùn)算增強(qiáng)了對比度，對于增強(qiáng)微光圖像中目標(biāo)物體的陰影細(xì)節(jié)效果很好。由于Top-hat圖像變換包含了匹配結(jié)構(gòu)元素的對象，而實(shí)際上夜間微光圖像中目標(biāo)對象間通常比較緊密，因此需要增大目標(biāo)對象間隙，從而更好的分辨目標(biāo)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(qiáng)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(diǎn)之一，我們對中值濾波消噪、小波分析消噪、開運(yùn)算消噪進(jìn)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(shù)字圖像或數(shù)字序列中一點(diǎn)的值用該點(diǎn)的一個(gè)領(lǐng)域中各點(diǎn)值的中值代替。中值濾波在衰減噪聲的同時(shí)不會使圖像的邊界模糊，因此對于目標(biāo)邊界非常模糊的夜間微光圖像來說非常實(shí)用。

（2）小波變換消噪：小波分析應(yīng)用于微波圖像在[2][3][4]有詳細(xì)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(shù)模大于和小于某閾值的系數(shù)分別進(jìn)行處理，然后利用處理后的小波系數(shù)重構(gòu)出消噪后的圖像。

（3）開運(yùn)算消噪：微光圖像成像系統(tǒng)輸出的噪聲在熒光屏上主要表現(xiàn)為細(xì)小隨機(jī)出現(xiàn)的雪花狀顆粒，即椒鹽噪聲。根據(jù)夜間微光圖像的噪聲特點(diǎn)，另外由于開運(yùn)算不僅對椒鹽噪聲的去處方面有較好效果，同時(shí)對易于粘連目標(biāo)的分離有很大的優(yōu)勢[1]。我們采用了改進(jìn)的開運(yùn)算算法。若A為輸入圖像，B為結(jié)構(gòu)元素，利用B對A做開運(yùn)算實(shí)際是A先被B腐蝕，然后再被B膨脹的結(jié)果。開運(yùn)算通常用來消除小對象物、在纖細(xì)點(diǎn)分離物體、平滑較大物體邊界的同時(shí)并不明顯改變其面積。由于微光圖像的周圍光強(qiáng)很低，所以當(dāng)有亮斑時(shí)使得圖像識別變得困難，而開運(yùn)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(jìn)的開運(yùn)算消噪法不僅實(shí)現(xiàn)了微光圖像的消噪，而且保留了圖像的邊緣細(xì)節(jié)，同時(shí)也擴(kuò)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(gè)人是蹲下的姿勢并且距離CCD拍攝較遠(yuǎn)。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(xì)觀察可看到中值濾波后的圖像比開運(yùn)算后的圖像多一些噪聲，并且影響了最后的檢測結(jié)果。因此在我們的系統(tǒng)中，我們最后采用了開運(yùn)算消噪的方法。

5 夜晚微光圖像中人車目標(biāo)檢測

人車目標(biāo)檢測的過程如下：對于CCD圖像傳感器某任意時(shí)刻采集到的實(shí)時(shí)圖像，我們先對它進(jìn)行預(yù)處理，然后進(jìn)行消噪處理。這以后，我們對測試樣本進(jìn)行圖像分割，進(jìn)行邊緣提取，然后對邊緣進(jìn)行可能目標(biāo)標(biāo)記。標(biāo)定出多個(gè)可能的目標(biāo)后，我們針對測試圖像中所有可能的目標(biāo)，一一和模板庫中標(biāo)定的目標(biāo)進(jìn)行匹配，給出檢測分?jǐn)?shù)。

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(qiáng)的情況下實(shí)現(xiàn)，而利用Sobel算子適用更多的微光圖像。通過實(shí)驗(yàn)，Sobel算子有明顯的優(yōu)勢。因此在對微光圖像進(jìn)行前面的圖像處理步驟后，我們采用 Sobel算子進(jìn)行邊緣提取。并且根據(jù)微光圖像中可能目標(biāo)的特征輪廓和模板庫中的人或車的輪廓特征進(jìn)行對比，從而確定微光圖像中的可能目標(biāo)是否是正確的人或車目標(biāo)，并進(jìn)一步給出人車目標(biāo)在夜晚微光圖像中的位置。由圖2可以看出，對微光圖像經(jīng)過Top-hat和Bottom-hat算法進(jìn)行預(yù)處理，然后進(jìn)行開運(yùn)算消噪處理，再進(jìn)行Sobel算子獲得邊緣輪廓、最后利用輪廓特征對模板進(jìn)行匹配和評分后，得到了1輛車2個(gè)人的目標(biāo)，獲得了正確的檢測結(jié)果。

6 結(jié)語

本文針對夜間采集到的微光圖像帶噪信號進(jìn)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(yù)處理算法中，Top-Hat和Bottom-Hat變換法效果最好；（2）利用開運(yùn)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(jìn)行模板匹配，可以獲取了正確的人車的目標(biāo)檢測和定位。

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

參考文獻(xiàn)

[1]Koppen M，F(xiàn)ranke 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(yīng)用.通信技術(shù)[J].2009，Vol.42No.1：285-287.

[3]張闖，柏連發(fā)，張毅，陳錢，張保民.小波變換在微光圖像消噪中的應(yīng)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(yīng)用，河北理工大學(xué)學(xué)報(bào)[J]：自然科學(xué)版[J]，2007（4）：90-94.

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

[6]金左輪，韓靜，張毅，柏連發(fā)，基于紋理顯著性的微光圖像目標(biāo)檢測.物理學(xué)報(bào)[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(jìn)行了人車檢測，提出了改進(jìn)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(qiáng)夜間微光圖像的對比度。其次用開運(yùn)算算法實(shí)現(xiàn)微光圖像的消噪，在保留了圖像的邊緣細(xì)節(jié)的同時(shí)，也擴(kuò)大了某些特殊微光圖像中的人車目標(biāo)特征。最后采用適合微光圖像的Sobel算子進(jìn)行邊緣提取，對邊緣提取后的圖像進(jìn)行分割，利用輪廓特征進(jìn)行模板匹配獲取人車目標(biāo)的檢測和定位。

關(guān)鍵詞：微光圖像 邊緣提取 人車檢測

中圖分類號：TP391.41 文獻(xiàn)標(biāo)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(jìn)的新算法針對夜間CCD攝像采集到的微光圖像帶噪信號進(jìn)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(tǒng)的光信號非常弱，信噪比低，所以得到的微光圖片需要經(jīng)過消噪和增強(qiáng)等預(yù)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(biāo)進(jìn)行檢測，將微光圖像的噪聲特點(diǎn)、預(yù)處理方法、消噪方法、邊緣提取算法、以及圖像中人車目標(biāo)檢測算法進(jìn)行了詳細(xì)闡述，并做了相應(yīng)的實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，我們的方法對人車目標(biāo)檢測取得了較好的效果。

2 夜晚微光圖像的噪聲特點(diǎn)

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(xiàn)[5]。我們的微光成像設(shè)備主要由微光光學(xué)系統(tǒng)、圖像增強(qiáng)器和微光CCD等部分組成。系統(tǒng)輸出的噪聲主要有光電陰極噪聲、增強(qiáng)管噪聲、熒光屏噪聲和CCD噪聲，它們輸出端的電壓表達(dá)式如式（1）所示：

上式中：NK為光電陰極噪聲；NM為像增強(qiáng)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(tài)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(huán)境光照度變低而明顯下降。另外在同一環(huán)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(tǒng)的光信號非常弱、信噪比低等特點(diǎn)。針對夜間微光圖像的這些特點(diǎn)，后面將從方法上以及相應(yīng)的實(shí)驗(yàn)進(jìn)行分析。

3 夜晚微光圖像預(yù)處理

由于微光圖像中的光信號非常弱，所以微光成像系統(tǒng)獲得的圖片需要經(jīng)過增強(qiáng)等預(yù)處理，以提高目標(biāo)物體在微光圖像的識別度。對于微光圖像的預(yù)處理主要有以下幾個(gè)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(tài)學(xué)中的Top-hat變換是原始信號減去對其開運(yùn)算的結(jié)果，Bottom-hat是原始信號減去對其閉運(yùn)算的結(jié)果。Top-hat運(yùn)算增強(qiáng)了對比度，對于增強(qiáng)微光圖像中目標(biāo)物體的陰影細(xì)節(jié)效果很好。由于Top-hat圖像變換包含了匹配結(jié)構(gòu)元素的對象，而實(shí)際上夜間微光圖像中目標(biāo)對象間通常比較緊密，因此需要增大目標(biāo)對象間隙，從而更好的分辨目標(biāo)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(qiáng)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(diǎn)之一，我們對中值濾波消噪、小波分析消噪、開運(yùn)算消噪進(jìn)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(shù)字圖像或數(shù)字序列中一點(diǎn)的值用該點(diǎn)的一個(gè)領(lǐng)域中各點(diǎn)值的中值代替。中值濾波在衰減噪聲的同時(shí)不會使圖像的邊界模糊，因此對于目標(biāo)邊界非常模糊的夜間微光圖像來說非常實(shí)用。

（2）小波變換消噪：小波分析應(yīng)用于微波圖像在[2][3][4]有詳細(xì)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(shù)模大于和小于某閾值的系數(shù)分別進(jìn)行處理，然后利用處理后的小波系數(shù)重構(gòu)出消噪后的圖像。

（3）開運(yùn)算消噪：微光圖像成像系統(tǒng)輸出的噪聲在熒光屏上主要表現(xiàn)為細(xì)小隨機(jī)出現(xiàn)的雪花狀顆粒，即椒鹽噪聲。根據(jù)夜間微光圖像的噪聲特點(diǎn)，另外由于開運(yùn)算不僅對椒鹽噪聲的去處方面有較好效果，同時(shí)對易于粘連目標(biāo)的分離有很大的優(yōu)勢[1]。我們采用了改進(jìn)的開運(yùn)算算法。若A為輸入圖像，B為結(jié)構(gòu)元素，利用B對A做開運(yùn)算實(shí)際是A先被B腐蝕，然后再被B膨脹的結(jié)果。開運(yùn)算通常用來消除小對象物、在纖細(xì)點(diǎn)分離物體、平滑較大物體邊界的同時(shí)并不明顯改變其面積。由于微光圖像的周圍光強(qiáng)很低，所以當(dāng)有亮斑時(shí)使得圖像識別變得困難，而開運(yùn)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(jìn)的開運(yùn)算消噪法不僅實(shí)現(xiàn)了微光圖像的消噪，而且保留了圖像的邊緣細(xì)節(jié)，同時(shí)也擴(kuò)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(gè)人是蹲下的姿勢并且距離CCD拍攝較遠(yuǎn)。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(xì)觀察可看到中值濾波后的圖像比開運(yùn)算后的圖像多一些噪聲，并且影響了最后的檢測結(jié)果。因此在我們的系統(tǒng)中，我們最后采用了開運(yùn)算消噪的方法。

5 夜晚微光圖像中人車目標(biāo)檢測

人車目標(biāo)檢測的過程如下：對于CCD圖像傳感器某任意時(shí)刻采集到的實(shí)時(shí)圖像，我們先對它進(jìn)行預(yù)處理，然后進(jìn)行消噪處理。這以后，我們對測試樣本進(jìn)行圖像分割，進(jìn)行邊緣提取，然后對邊緣進(jìn)行可能目標(biāo)標(biāo)記。標(biāo)定出多個(gè)可能的目標(biāo)后，我們針對測試圖像中所有可能的目標(biāo)，一一和模板庫中標(biāo)定的目標(biāo)進(jìn)行匹配，給出檢測分?jǐn)?shù)。

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(qiáng)的情況下實(shí)現(xiàn)，而利用Sobel算子適用更多的微光圖像。通過實(shí)驗(yàn)，Sobel算子有明顯的優(yōu)勢。因此在對微光圖像進(jìn)行前面的圖像處理步驟后，我們采用 Sobel算子進(jìn)行邊緣提取。并且根據(jù)微光圖像中可能目標(biāo)的特征輪廓和模板庫中的人或車的輪廓特征進(jìn)行對比，從而確定微光圖像中的可能目標(biāo)是否是正確的人或車目標(biāo)，并進(jìn)一步給出人車目標(biāo)在夜晚微光圖像中的位置。由圖2可以看出，對微光圖像經(jīng)過Top-hat和Bottom-hat算法進(jìn)行預(yù)處理，然后進(jìn)行開運(yùn)算消噪處理，再進(jìn)行Sobel算子獲得邊緣輪廓、最后利用輪廓特征對模板進(jìn)行匹配和評分后，得到了1輛車2個(gè)人的目標(biāo)，獲得了正確的檢測結(jié)果。

6 結(jié)語

本文針對夜間采集到的微光圖像帶噪信號進(jìn)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(yù)處理算法中，Top-Hat和Bottom-Hat變換法效果最好；（2）利用開運(yùn)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(jìn)行模板匹配，可以獲取了正確的人車的目標(biāo)檢測和定位。

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

參考文獻(xiàn)

[1]Koppen M，F(xiàn)ranke 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(yīng)用.通信技術(shù)[J].2009，Vol.42No.1：285-287.

[3]張闖，柏連發(fā)，張毅，陳錢，張保民.小波變換在微光圖像消噪中的應(yīng)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(yīng)用，河北理工大學(xué)學(xué)報(bào)[J]：自然科學(xué)版[J]，2007（4）：90-94.

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

[6]金左輪，韓靜，張毅，柏連發(fā)，基于紋理顯著性的微光圖像目標(biāo)檢測.物理學(xué)報(bào)[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(jìn)行了人車檢測，提出了改進(jìn)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(qiáng)夜間微光圖像的對比度。其次用開運(yùn)算算法實(shí)現(xiàn)微光圖像的消噪，在保留了圖像的邊緣細(xì)節(jié)的同時(shí)，也擴(kuò)大了某些特殊微光圖像中的人車目標(biāo)特征。最后采用適合微光圖像的Sobel算子進(jìn)行邊緣提取，對邊緣提取后的圖像進(jìn)行分割，利用輪廓特征進(jìn)行模板匹配獲取人車目標(biāo)的檢測和定位。

關(guān)鍵詞：微光圖像 邊緣提取 人車檢測

中圖分類號：TP391.41 文獻(xiàn)標(biāo)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(jìn)的新算法針對夜間CCD攝像采集到的微光圖像帶噪信號進(jìn)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(tǒng)的光信號非常弱，信噪比低，所以得到的微光圖片需要經(jīng)過消噪和增強(qiáng)等預(yù)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(biāo)進(jìn)行檢測，將微光圖像的噪聲特點(diǎn)、預(yù)處理方法、消噪方法、邊緣提取算法、以及圖像中人車目標(biāo)檢測算法進(jìn)行了詳細(xì)闡述，并做了相應(yīng)的實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，我們的方法對人車目標(biāo)檢測取得了較好的效果。

2 夜晚微光圖像的噪聲特點(diǎn)

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(xiàn)[5]。我們的微光成像設(shè)備主要由微光光學(xué)系統(tǒng)、圖像增強(qiáng)器和微光CCD等部分組成。系統(tǒng)輸出的噪聲主要有光電陰極噪聲、增強(qiáng)管噪聲、熒光屏噪聲和CCD噪聲，它們輸出端的電壓表達(dá)式如式（1）所示：

上式中：NK為光電陰極噪聲；NM為像增強(qiáng)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(tài)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(huán)境光照度變低而明顯下降。另外在同一環(huán)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(tǒng)的光信號非常弱、信噪比低等特點(diǎn)。針對夜間微光圖像的這些特點(diǎn)，后面將從方法上以及相應(yīng)的實(shí)驗(yàn)進(jìn)行分析。

3 夜晚微光圖像預(yù)處理

由于微光圖像中的光信號非常弱，所以微光成像系統(tǒng)獲得的圖片需要經(jīng)過增強(qiáng)等預(yù)處理，以提高目標(biāo)物體在微光圖像的識別度。對于微光圖像的預(yù)處理主要有以下幾個(gè)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(tài)學(xué)中的Top-hat變換是原始信號減去對其開運(yùn)算的結(jié)果，Bottom-hat是原始信號減去對其閉運(yùn)算的結(jié)果。Top-hat運(yùn)算增強(qiáng)了對比度，對于增強(qiáng)微光圖像中目標(biāo)物體的陰影細(xì)節(jié)效果很好。由于Top-hat圖像變換包含了匹配結(jié)構(gòu)元素的對象，而實(shí)際上夜間微光圖像中目標(biāo)對象間通常比較緊密，因此需要增大目標(biāo)對象間隙，從而更好的分辨目標(biāo)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(qiáng)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(diǎn)之一，我們對中值濾波消噪、小波分析消噪、開運(yùn)算消噪進(jìn)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(shù)字圖像或數(shù)字序列中一點(diǎn)的值用該點(diǎn)的一個(gè)領(lǐng)域中各點(diǎn)值的中值代替。中值濾波在衰減噪聲的同時(shí)不會使圖像的邊界模糊，因此對于目標(biāo)邊界非常模糊的夜間微光圖像來說非常實(shí)用。

（2）小波變換消噪：小波分析應(yīng)用于微波圖像在[2][3][4]有詳細(xì)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(shù)模大于和小于某閾值的系數(shù)分別進(jìn)行處理，然后利用處理后的小波系數(shù)重構(gòu)出消噪后的圖像。

（3）開運(yùn)算消噪：微光圖像成像系統(tǒng)輸出的噪聲在熒光屏上主要表現(xiàn)為細(xì)小隨機(jī)出現(xiàn)的雪花狀顆粒，即椒鹽噪聲。根據(jù)夜間微光圖像的噪聲特點(diǎn)，另外由于開運(yùn)算不僅對椒鹽噪聲的去處方面有較好效果，同時(shí)對易于粘連目標(biāo)的分離有很大的優(yōu)勢[1]。我們采用了改進(jìn)的開運(yùn)算算法。若A為輸入圖像，B為結(jié)構(gòu)元素，利用B對A做開運(yùn)算實(shí)際是A先被B腐蝕，然后再被B膨脹的結(jié)果。開運(yùn)算通常用來消除小對象物、在纖細(xì)點(diǎn)分離物體、平滑較大物體邊界的同時(shí)并不明顯改變其面積。由于微光圖像的周圍光強(qiáng)很低，所以當(dāng)有亮斑時(shí)使得圖像識別變得困難，而開運(yùn)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(jìn)的開運(yùn)算消噪法不僅實(shí)現(xiàn)了微光圖像的消噪，而且保留了圖像的邊緣細(xì)節(jié)，同時(shí)也擴(kuò)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(gè)人是蹲下的姿勢并且距離CCD拍攝較遠(yuǎn)。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(xì)觀察可看到中值濾波后的圖像比開運(yùn)算后的圖像多一些噪聲，并且影響了最后的檢測結(jié)果。因此在我們的系統(tǒng)中，我們最后采用了開運(yùn)算消噪的方法。

5 夜晚微光圖像中人車目標(biāo)檢測

人車目標(biāo)檢測的過程如下：對于CCD圖像傳感器某任意時(shí)刻采集到的實(shí)時(shí)圖像，我們先對它進(jìn)行預(yù)處理，然后進(jìn)行消噪處理。這以后，我們對測試樣本進(jìn)行圖像分割，進(jìn)行邊緣提取，然后對邊緣進(jìn)行可能目標(biāo)標(biāo)記。標(biāo)定出多個(gè)可能的目標(biāo)后，我們針對測試圖像中所有可能的目標(biāo)，一一和模板庫中標(biāo)定的目標(biāo)進(jìn)行匹配，給出檢測分?jǐn)?shù)。

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(qiáng)的情況下實(shí)現(xiàn)，而利用Sobel算子適用更多的微光圖像。通過實(shí)驗(yàn)，Sobel算子有明顯的優(yōu)勢。因此在對微光圖像進(jìn)行前面的圖像處理步驟后，我們采用 Sobel算子進(jìn)行邊緣提取。并且根據(jù)微光圖像中可能目標(biāo)的特征輪廓和模板庫中的人或車的輪廓特征進(jìn)行對比，從而確定微光圖像中的可能目標(biāo)是否是正確的人或車目標(biāo)，并進(jìn)一步給出人車目標(biāo)在夜晚微光圖像中的位置。由圖2可以看出，對微光圖像經(jīng)過Top-hat和Bottom-hat算法進(jìn)行預(yù)處理，然后進(jìn)行開運(yùn)算消噪處理，再進(jìn)行Sobel算子獲得邊緣輪廓、最后利用輪廓特征對模板進(jìn)行匹配和評分后，得到了1輛車2個(gè)人的目標(biāo)，獲得了正確的檢測結(jié)果。

6 結(jié)語

本文針對夜間采集到的微光圖像帶噪信號進(jìn)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(yù)處理算法中，Top-Hat和Bottom-Hat變換法效果最好；（2）利用開運(yùn)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(jìn)行模板匹配，可以獲取了正確的人車的目標(biāo)檢測和定位。

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

參考文獻(xiàn)

[1]Koppen M，F(xiàn)ranke 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(yīng)用.通信技術(shù)[J].2009，Vol.42No.1：285-287.

[3]張闖，柏連發(fā)，張毅，陳錢，張保民.小波變換在微光圖像消噪中的應(yīng)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(yīng)用，河北理工大學(xué)學(xué)報(bào)[J]：自然科學(xué)版[J]，2007（4）：90-94.

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

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