【摘要】：红外数据为背景复杂、对比度低的红外图像。图4.1 是用全局拉伸和局部拉伸对图像进行操作的结果。图和图中局部拉伸参数分别设置为［0.2，0.7］和［0.2，0.8］，中值滤波选取的模板为3 ×3 模板，Top-Hat 变换定义2 ×5 的结构元素。图4.2 不同算法的增强效果为客观评价红外目标增强效果，本文采用信噪比和对比度指标对比，其结果如表4.1 和4.2 所示。
红外数据为背景复杂、对比度低的红外图像。评价指标为图像的峰值信噪比和局部对比度，信噪比和对比度越高说明图像的噪声越小，图像越清晰。其中局部对比度定义为:
其中ht 为目标的平均灰度值，hb 为目标周围背景的平均灰度值。图4.1 是用全局拉伸和局部拉伸对图像进行操作的结果。局部拉伸后的图像在增强目标的同时使得背景与原图尽力的保持一致，而全局拉伸是整幅图像变得尖锐，背景较突出。
图4.1 红外目标拉伸效果对比
分别采用直方图方法、邻域平均方法和本节新方法对两种不同场景的红外图像进行增强，增强结果如图4.2 所示。图(d1)和图(d2)中局部拉伸参数分别设置为［0.2，0.7］和［0.2，0.8］，中值滤波选取的模板为3 ×3 模板，Top-Hat 变换定义2 ×5 的结构元素。实验结果表明，新方法的图像增强算法对海空背景的红外图像具有良好的增强效果，既可以在提高目标与背景对比度的同时，又较好地保存目标边缘和滤除小于结构元素的噪声点和干扰点，它可以为之后的图像分割提供有利条件。
(www.xing528.com)
图4.2 不同算法的增强效果
为客观评价红外目标增强效果，本文采用信噪比和对比度指标对比，其结果如表4.1 和4.2 所示。
表1 海面目标图像的客观评价指标
表2 空中目标图像的客观评价指标
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
