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(guò)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(cè)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。

　　傳統(tǒng)算法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。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(guò)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(wú)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(cè)技術(shù)難以精確地測(cè)量，因此這里提到的人眼微動(dòng)主要指閃動(dòng)。國(guó)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(jué)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(lái)，CONDE M等[7]學(xué)者通過(guò)測(cè)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(guò)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(guò)對(duì)圖像進(jìn)行平移來(lái)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(guò)程

　　2.1 算法基本原理

　　算法可以理解為有基本運(yùn)算及規(guī)定的運(yùn)算順序所構(gòu)成的完整的解題步驟。或者看成按照要求設(shè)計(jì)好的有限的確切的計(jì)算序列，并且這樣的步驟和序列可以解決一類問(wèn)題。

　　人眼主要依靠微動(dòng)機(jī)制來(lái)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。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(guò)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(jìng)爭(zhēng)環(huán)節(jié)，競(jìng)爭(zhēng)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(jìng)爭(zhēng)網(wǎng)絡(luò)的輸出，則競(jìng)爭(zhēng)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）

　　2.2 計(jì)算步驟

　　（1）輸入原始圖像A，通過(guò)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(jìng)爭(zhēng)灰度邊緣圖像H：

　　H=max（Ci）， i=h,v,d???????????????? （6）

　　（4）將競(jìng)爭(zhēng)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(jìng)爭(zhēng)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(cè)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(guò)量化濾波的競(jìng)爭(zhēng)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(guò)量化濾波的競(jìng)爭(zhēng)灰度邊緣圖像的幅值進(jìn)行非極大值抑制來(lái)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(cè)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(guò)非極大值抑制處理過(guò)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(guò)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(guò)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

　　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(guò)程中產(chǎn)生的，不影響圖像的后續(xù)處理）。

　　實(shí)驗(yàn)結(jié)果顯示，基于人眼微動(dòng)視覺(jué)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。

?