摘  要： 提出了一種基于人眼微動(dòng)機(jī)理的邊緣提取算法。通過模擬眼球的微動(dòng)，提取圖像的微動(dòng)邊緣，同時(shí)為了減少偽邊緣的產(chǎn)生，對(duì)其微動(dòng)邊緣圖像進(jìn)行均值濾波處理，最后應(yīng)用非極大值抑制和雙閾值檢測邊緣連接提取圖像的二值化邊緣。實(shí)驗(yàn)結(jié)果顯示，該算法邊緣提取效果較好，達(dá)到了預(yù)期的效果。
關(guān)鍵詞： 人眼微動(dòng)； 紅外圖像； 邊緣提取

　　圖像邊緣是圖像不同屬性區(qū)域之間交接的地方，是區(qū)域?qū)傩园l(fā)生突變的地方。圖像的邊緣包含了圖像大部分的信息，是圖像識(shí)別和分類的重要依據(jù)，也是圖像處理研究的重要內(nèi)容。各國學(xué)者提出了許多圖像邊緣提取算法,如經(jīng)典的Sobel、Prewitt、LOG、Canny等算法[1]。這些算法原理簡單易于實(shí)現(xiàn)，但是由于它們大多都是基于局部窗口的微分梯度算子，對(duì)噪聲敏感，因此不適合處理受噪聲干擾嚴(yán)重的圖像。隨著計(jì)算機(jī)技術(shù)的發(fā)展以及其他學(xué)科理論在圖像處理中的應(yīng)用，學(xué)者們提出了許多基于新理論的邊緣提取算法,如基于形態(tài)學(xué)、模糊數(shù)學(xué)、小波變換、分形學(xué)的邊緣提取算法等[2-4]。各種算法各有特色，同時(shí)都有一定的適用范圍?；诩t外成像機(jī)理的特殊性，紅外圖像普遍存在著對(duì)比度低、邊緣模糊，圖像信噪比低等特點(diǎn)，紅外圖像邊緣提取難度較大。由于人眼微動(dòng)具有超分辨率的特性，對(duì)紅外圖像處理提供了良好的啟示。本文就是根據(jù)人眼微動(dòng)機(jī)理研究紅外圖像邊緣的提取，并通過實(shí)驗(yàn)加以驗(yàn)證。實(shí)驗(yàn)結(jié)果表明,基于人眼微動(dòng)機(jī)理的紅外圖像邊緣提取算法不但能夠精確提取圖像的邊緣，同時(shí)能夠很好地減少圖像中的偽邊緣，具有良好的邊緣提取效果。
1 人眼微動(dòng)成像原理
　　早在1952年,DITCHBURN和GINSBORG等人就注意到人眼在固視狀態(tài)下具有無意識(shí)的微小運(yùn)動(dòng),即人眼微動(dòng)[5,6],它分為三種模式：高頻振顫、飄移運(yùn)動(dòng)和閃動(dòng)。由于前兩種幅度不大，同時(shí)目前的眼球檢測技術(shù)難以精確地測量，因此這里提到的人眼微動(dòng)主要指閃動(dòng)。國外學(xué)者對(duì)眼球微動(dòng)進(jìn)行了大量的實(shí)驗(yàn)研究。實(shí)驗(yàn)表明，人眼在停止眼球所有運(yùn)動(dòng)的時(shí)候，靜止的圖像將突然變模糊繼而消失，眼球微動(dòng)與視覺的產(chǎn)生存在直接的關(guān)系，且雙目微動(dòng)優(yōu)于單目微動(dòng)。近年來，CONDE M等[7]學(xué)者通過測量圖像消失或再現(xiàn)前后微動(dòng)發(fā)生的概率、速率以及振幅的變化，進(jìn)一步揭示了眼球微動(dòng)與圖像消失有著直接關(guān)系,微動(dòng)與固視圖像的清晰度有因果聯(lián)系。
　　人眼微動(dòng)的成像原理[8,9]為：人眼微動(dòng)使感興趣信息更準(zhǔn)確地落入視網(wǎng)膜的中央凹區(qū)，信息越精確地落于中央凹區(qū)，人眼所感受到的圖像銳化程度越強(qiáng)；人眼微動(dòng)會(huì)使近凹區(qū)反應(yīng)增強(qiáng)，它們通過橫向連接具有抑制作用的神經(jīng)網(wǎng)絡(luò)對(duì)中央凹區(qū)的信息進(jìn)行修正，如一次修正不夠理想，人眼微動(dòng)會(huì)使信息重新更精確地回到中央凹區(qū)，同時(shí)隨著信息尺度的大小調(diào)整微動(dòng)幅度，如此反復(fù)直到精確地辨識(shí)出信息為止。信息尺度越小，微動(dòng)幅度就越小，反之亦然。同時(shí)隨著微動(dòng)速率的提高，對(duì)應(yīng)視網(wǎng)膜上感受視野的銳化能力就會(huì)越強(qiáng)。本文通過對(duì)圖像進(jìn)行平移來近似模擬人眼這種微動(dòng)機(jī)制，并將其應(yīng)用于紅外圖像的邊緣提取。
2 算法基本過程
2.1 算法基本原理
　　人眼主要依靠微動(dòng)機(jī)制來分辨圖像的邊緣，眼球微動(dòng)幅度越小，圖像的邊緣越細(xì)致，隨著幅度增大，圖像邊緣線條變粗，但是對(duì)大尺度邊緣突出能力強(qiáng)于小幅度的情形。人眼微動(dòng)理論具有強(qiáng)大的邊緣提取能力。算法的基本原理如圖1所示[10]。結(jié)合視網(wǎng)膜節(jié)細(xì)胞對(duì)方向的敏感性，首先選擇人眼微動(dòng)的方向，然后通過微動(dòng)圖像計(jì)算微動(dòng)方向的邊緣圖像，之后各個(gè)微動(dòng)方向邊緣圖像進(jìn)入競爭環(huán)節(jié)，競爭的結(jié)果則為各個(gè)微動(dòng)方向最優(yōu)的整體灰度邊緣圖像，最后進(jìn)行二值化處理生成二值邊緣圖像。
    設(shè)原始圖像為f(x,y)，則在某一微動(dòng)方向上圖像的微動(dòng)邊緣圖像由下式表示：
    g(x,y)={f(x,y)-f?茲(x+k1·?駐x,y+k2·?駐y)} (1)
式中，?駐x、?駐y分別表示圖像向x、y方向移動(dòng)的距離單元，k1、k2表示移動(dòng)的大小，?茲表示移動(dòng)的方向,計(jì)算公式為：
    ?茲=arctan(k2/k1)  (2)
以r(x,y)表示競爭網(wǎng)絡(luò)的輸出，則競爭灰度邊緣圖像可表示為：
      r(x,y)=max{gi(x,y)|?坌i}  (3)
設(shè)定閾值t，得到二值化邊緣圖像：
    R(x,y)=1 r(x,y)≥t0 r(x,y)<t                            (4)
2.2 計(jì)算步驟
    (1)輸入原始圖像A，通過對(duì)原始圖像A在微動(dòng)方向上平移，生成綜合微動(dòng)圖像F。F=[Ah,Av,Ad]，其中h、v、d分別代表水平、垂直和傾斜方向。本文分別將圖像A向8個(gè)方向平移，移動(dòng)距離為一個(gè)像素單位。
    (2)計(jì)算各微動(dòng)方向的邊緣圖像H：
      Ci=Fi-A， i=h,v,d                       (5)
    (3)計(jì)算競爭灰度邊緣圖像H：
      H=max(Ci)， i=h,v,d                 (6)
    (4)將競爭灰度邊緣圖像H重新量化到[0，255]。
    (5)為了減少偽邊緣的產(chǎn)生，對(duì)競爭邊緣圖像H進(jìn)行均值濾波處理：
    G=mean(H)  (7)
    (6)對(duì)量化濾波后的灰度邊緣圖像，采用非極大值抑制和雙閾值檢測邊緣連接處理，得到二值邊緣圖像。
2.3 非極大值抑制
    直接對(duì)經(jīng)過量化濾波的競爭灰度邊緣圖像進(jìn)行二值化操作并不能準(zhǔn)確地提取出圖像的邊緣，因此需要對(duì)經(jīng)過量化濾波的競爭灰度邊緣圖像的幅值進(jìn)行非極大值抑制來進(jìn)一步確定邊緣點(diǎn)。若圖像G(x,y)上(i,j)像素點(diǎn)的邊緣強(qiáng)度G(i,j)小于沿平移線方向上的兩個(gè)相鄰像素點(diǎn)的邊緣強(qiáng)度，則認(rèn)為該像素點(diǎn)為非邊緣點(diǎn)，將其灰度值設(shè)為0。即保留幅值局部變化最大的點(diǎn)，細(xì)化幅值圖像中的屋脊帶。
2.4 雙閾值檢測及邊緣連接
    由于圖像中噪聲和邊緣都屬于高頻部分，經(jīng)過非極大值抑制處理過的邊緣圖像仍然有很大一部分是屬于噪聲的偽邊緣點(diǎn)，因此必須進(jìn)行去噪處理[7]。本文采用高低雙閾值的方法實(shí)現(xiàn)此去噪過程。設(shè)定高、低兩個(gè)閾值，高閾值處理后的邊緣圖像能去除大部分噪聲，得到尺寸較大的清晰邊緣，但同時(shí)也損失了一些有用的細(xì)節(jié)邊緣信息；低閾值去噪處理后圖像保留了較多的信息，能保留細(xì)微邊緣，但是產(chǎn)生了較多的偽邊緣。經(jīng)過雙閾值化處理之后能夠得到兩幅不同特征二值邊緣圖像。以高閾值邊緣圖像為基礎(chǔ)，以低閾值邊緣圖像為補(bǔ)充進(jìn)行邊緣連接，實(shí)現(xiàn)最終的圖像邊緣提取。
3 實(shí)驗(yàn)結(jié)果
    實(shí)驗(yàn)結(jié)果如圖2所示，其中圖2(a)為一幅大小為405×401的原始紅外圖像，圖像整體灰度值較低，受噪聲影響嚴(yán)重，對(duì)比度不強(qiáng)，邊緣模糊;圖2(b)和圖2(c)分別為Sobel和形態(tài)學(xué)算法邊緣提取的效果,圖2(d)為本文算法的邊緣提取效果。
    由圖2可以看出，Sobel算法邊緣提取效果較差，目標(biāo)邊緣斷裂現(xiàn)象較為嚴(yán)重，且對(duì)噪聲較為敏感;形態(tài)學(xué)邊緣提取雖然提取目標(biāo)的邊緣較為完整，但產(chǎn)生大量了偽邊緣；用本文算法提取邊緣，目標(biāo)邊緣提取效果較為理想，且對(duì)噪聲不敏感，提取的偽邊緣較少（圖像周圍的偽邊緣是由于圖像在平移過程中產(chǎn)生的，不影響圖像的后續(xù)處理）。
    紅外圖像受噪聲污染嚴(yán)重，邊緣模糊，應(yīng)用傳統(tǒng)的邊緣提取算法提取邊緣較為困難。本文根據(jù)人眼微動(dòng)視覺成像的基本原理，結(jié)合紅外圖像的特點(diǎn)進(jìn)行了邊緣提取的研究。實(shí)驗(yàn)結(jié)果顯示，基于人眼微動(dòng)視覺成像機(jī)理的邊緣提取算法能夠快速、準(zhǔn)確地提取紅外圖像的邊緣，且能夠較好地抑制偽邊緣的產(chǎn)生，取得很好的邊緣提取效果。
參考文獻(xiàn)
[1] 張翔,劉媚潔,陳立偉.基于數(shù)學(xué)形態(tài)學(xué)的邊緣提取方法[J].電子科技大學(xué)學(xué)報(bào),2002,31(5):492-495.
[2] 石振剛,陶耀東,高立群.一種模糊增強(qiáng)圖像邊緣提取算法[J]. 小型微型計(jì)算機(jī)系統(tǒng),2008,29(11):2145-2148.
[3] 蒲小勤.基于多重分形的圖像識(shí)別研究[D].西安:西北大學(xué),2009.
[4] DITCHBUM R W.GINSBORG B L.Vision with a stabilized retinal image[J]. Nature，1952,170(4314):36-37.
[5] DOWNTON A,CROOKES D.Parallel architectures for image processing [J]. Electronics& Communication Engineering  Journal,1998,10(3):25-26.
[6] MARTINEZ C，STEPHEN L M. Microsaccades counteract visual fading during fixation[J].Neuron,2006(49):297-305．
[7] 閆金銘,李言俊,張科.基于人眼視覺機(jī)理的紅外圖像邊緣提取[J].火力指揮與控制,2009,34(1):60-62.
[8] 李志軍,賀明.人眼微動(dòng)機(jī)制實(shí)時(shí)紅外圖像邊緣提取[J].光電工程,2008，35(12):117-121.
[9] 王立.視覺機(jī)制研究及其在紅外成像制導(dǎo)中的應(yīng)用[D].西安:西北工業(yè)大學(xué),2003．
[10] GONZALES R C,WOODS R E.數(shù)字圖像處理[M].北京:電子工業(yè)出版社，2005．