红外运动目标检测算法研究+文献综述(5)
figure,imshow(K1)
title('默认的3×3的邻域窗的中值滤波图像')
K2=medfilt2(J,[5 5]); %在5×5的邻域窗中进行中值滤波
figure,imshow(K2)
title('5×5的邻域窗的中值滤波图像')
仿真结果如下：
图3.5 原图 图3.6 加盐椒后图
图3.7 3×3中值滤波 图3.8 5×5中值滤波
3.2.3 结果分析
中值滤波可以保留目标边缘，这是中值滤波器相对于均值滤波器的最大优势。中值滤波具有去噪的性能，可以消除孤立的噪声点，可以用来减弱随机干扰和脉冲干扰，但是边缘不模糊。
3.3 空域高通滤波器算法分析
对于小目标而言，缺乏形状和结构信息，因此用来检测点目标的可用信息，除了目标本身的灰度信息外，必须利用点目标周围的灰度分布和灰度起伏特征。背景中的细节成分比较少，在大部分情况下，背景是大面积平缓变化的场景，像素之间有强相关性，占据图像空间频域的低频分量，利用背景像素之间灰度的相关性和目标灰度与背景灰度的无关性，可以利用高通滤波器从图像中提取可能的目标点，去除一般像素点，尽量减少背景和其它噪声对目标检测过程的影响.
在空域高通滤波中，用高通模板进行空间卷积相当于对原图像做低频分量估计，即f(m,n). (m,n)= (m,n)+ (m,n)其中， (m,n)主要是背景图像，高频部分包括目标关 (m,n)，背景中的高频成分以及图像中的噪声fn(m，n)。对于离散图像，一般选用卷积模板表示滤波器的脉冲响应函数，根据所采用的低频分量估计方法类型的不同，可以得选用不同的高通模板:
3.4 自适应门限滤波算法分析
红外图像为热辐射图像，目标通常灰度值较高，而且小目标的面积小，亮度变化较小，选用基于图像均值的自适应门限背景抑制方法进行图像处理。首先用平均灰度作为门限，对灰度小于等于门限的背景像素进行均值化处理，分割出高、低灰度的目标像素和背景像素。该方法自适应地统计背景特性，用作抑制红外背景的依据，从而能有效地去除背景，分割出若干高灰度的孤立噪声和目标，为小目标检测创造了良好条件。此方法计算简单，满足实时的要求。设图像的灰度矩阵为f(x，y)，矩阵大小为N=m、n，对图像做扫描后得到图像的样本均值为E= ，假定目标比背景亮度高，小目标主要位于图像高灰度区，灰度远大于均值E，灰度低于均值的像素必属背景。
故首先取E作为门限，并循环地利用均值来调整图像的背景灰度:
f(x,y)= (3.5)
随着灰度值为E的像素数目的增加，对待求的新均值产生越来越大的影响，最终大部分背景的灰度为均值E，背景变得较均匀，可置零将背景清除。自适应门限背景抑制滤波算法的特点是结构简单、速度快，因而是一种普遍采用的预处理技术，它的不足之处在于，该算法可能会导致信噪比的降低。[5]
4 基于阈值灰度的图像分割算法研究
阈值法的优点是计算简单，速度快，易于实现。尤其是对于不同类的物体灰度值或其他特征值相差很大时，能很有效地对图像进行分割。 阈值法的缺点是当图像中不存在明显的灰度差异或灰度值范围有较大的重叠时，分割效果不理想。并且阈值法仅仅考虑图像的灰度信息而没有考虑图像的空间信息，致使阈值法对噪声和灰度不均匀十分地敏感。在实际应用中，阈值法通常与其他方法结合使用。 阈值分割法是简单地用一个或几个阈值将图像的直方图分成几类, 图像中灰度值在同一个灰度类内的象素属干同一个类。其过程是决定一个灰 度值, 用以区分不同的类, 这个灰度值就叫做“阈值”。它可以分为全局阈值分割和局部阈值分割。所谓全局阈值分割是利用利用整幅图像的信息来得到分割用的阈值, 并根据该阈值对整幅图像进行分割而局部阈值分割是根据图像中的不同区域获得对应的不同区域的阈值, 利用这些阈值对各个区域进行分割, 即一个阈值对应相应的一个子区域, 这种方法也称适应阈值分割。[6]