安防视频监控图像处理的技术与方法

　　对比度拉伸

　　一幅图像的对比度与该图像中亮的部分和暗的部分的分布情况有关。当一幅图像大部分区域都很亮或大部分区域都很暗时，该图像显示出对比度低的特点;而当一幅图像中较亮的部分与较暗的部分所占比重相当时，该图像显示出对比度高的特点，连续色调图像只有充分利用所有灰度色调范围，才能显现出对比度高的特点。

　　直方图是检查图像对比度的一个理想工具，因此通常将直方图与对比度拉伸点处理算法配套使用，以增强图像的对比度。进行对比度拉伸时，需要先用直方图来判定低对比度图像中像素值的分布主要集中在哪个区域。一般，这个区域周围往往有像素值没有用的区。为了拉伸对比度，需分别从直方图的左端向右(即0～63)和右端(最大像素处)向左(即63～0)扫描直方图，分别找到超过给定阈值的第一个像素。像素值小于较低的那个阈值的像素，其像素值置0，像素值大于较高的那个阈值的像素其像素值置63。像素值介于两个阈值之间的像素，按比例放大，使其填满0到63区间，经过上述处理后的图像较好地利用了整个灰度范围，视觉效果亦明显改善。

　　伪彩色处理

　　它是用色度来代替像素灰度值的一种技术，即将黑白图像变为彩色图像，并用不同的色彩来代替黑白图像的不同灰度等级，以达到图像增强的目的。这样做基于人眼对彩色的分辨率远远高于对灰度的分辨率，因为人对于黑白的图像只能觉察出几十种灰度变化，但却能分辨出几百种甚至上千种不同光强的色彩，所以将黑白图像用彩色显示的图像进行处理，是非常有效且实用的。例如，有一幅电灯灯丝图像，已知像素与温度有一定的关系，可利用伪彩色技术来区分不同的温度。如最高温度可用红色表示，较低一些的温度可用绿色表示，最低温度用蓝色表示。经过伪彩色处理后的图像总的信息量保持不变，但是其温度信息对人眼就变得更加直观了。

　　伪彩色处理技术有：密度分割法、灰度级到彩色的变换法、滤波法。后两种处理技术实现起来要困难一些，但效果要好得多。由于这些方法介绍较多，这里就不再赘述。

　　视频图像的区域处理的技术与方法

　　所谓区域处理(简称区处理)，是指对成组的多个像素进行处理，经过某种变换处理后，得到图像中某一点的像素值。区处理变换中采用的像素组称为邻域，邻域一般是由像素组成的二维矩阵，该矩阵每一维的大小均为奇数。中心像素(即感兴趣的像素)位于邻域的正中央，变换后中心像素的值将被经过一定算法计算得到的新值所代替。邻域中心像素周围的那些像素值在二维方向上提供了图像的亮度变化趋势信息，在大多数区处理中要用到这些信息。这种亮度变化的趋势信息就是空间频率。空间频率定义为像素的亮度在一定距离上的变化速率。一幅图像空间频率具有垂直和水平两个分量。一幅具有高空间频率的图像通常是在很短的距离内其像素值有急剧变化，如一幅黑白相间的棋盘图像其空间频率就很高，棋盘的方格越小，图像的空间频率就越高。一幅具有低空间频率的图像的像素值通常保持不变或者变化缓慢，如云的图像，其空间频率通常很低。由于区处理能对空间频率信息进行处理，所以区处理可用来减缓或增强图像中某些特定的频率分量。正因为如此，大多数区处理都属于空间滤波器。空间滤波在图像处理中有很多应用，例如，可提取图像特征(边界增强和检测)、进行图像锐化、图像平滑、图像模糊及去除图像中的随机噪声等。

　　区域处理使用输入像素中的每个像素值产生输出像素值，典型应用包括离散卷积运算、图像变换、图像滤波、边缘检测等。下面介绍三个区处理算法：卷积、中值滤波和Sobel边缘检测。

　　卷积处理

　　卷积是一种用途很广的算法，可用卷积来完成各种区处理变换，如低通空间滤波、高通空间滤波、边缘增强、图像模糊等。

　　理解卷积的一种最好的方法是将它看做加权求和的过程。邻域中的每个像素(假定邻域为3×3)大小，其卷积核大小与邻域相同(见图2)，它分别与卷积核每个元素相乘，乘积求和所得结果为中心像素的新值。卷积核中的元素称为加权系数(亦称为卷积系数)，卷积核中的卷积系数的大小及排列顺序决定了对图像数据进行区处理的类型。改变卷积核中的加权系数，会影响到总和的数值与符号，从而影响到所求像素的新值。图2给出了几种不同卷积核及其代表的各种变换，从图中可看出，大多数常用的卷积核都是3×3的，所有卷积核的行数和列数均为奇数，这些格式的卷积核已经成为工业标准，加大卷积核可使卷积处理更为灵活。从应用角度可不考虑构成这些卷积核背后的复杂数学理论，而直接使用这些卷积核，来解决所面临的实际问题。

　　低通空间滤波器：低通空间滤波器是一种保留图像低频成分，减少图像高频成分的处理算法。低通空间滤波器可以用来降低图像中的视觉噪声，也可以用来除去图像中的高频成分，以便更好地观察图像的低频成分。这是因为除去图像的高频成分后，图像中的那些不明显的低频变化就更容易识别了。低通空间滤波器的频率截止点由卷积核的大小及卷积系数决定。图3给出了三种不同的低通空间滤波器卷积核。

　　应该注意到，所有的低通滤波卷积核，其卷积系数之和均为1，这一点对于理解低通滤波器的工作原理很重要。对图像中没有高频成分的区域来说，这个区域中的像素值应该保持不变或者变化缓慢。当于用一个低通滤波器对这个区域进行卷积时，加权系数与邻域像素分别相乘并求和，即可得到邻域中心像素的新值。如果邻域中所有像素的值都相同(保持恒定不变)，则中心像素的新值与原值相同。这就是为什么加权系数和为1的原因，即卷积处理后保留了图像的低频部分。当卷积核移到图像的高频区域时，像素值的任何快速变化经过卷积计算，与邻域中其他像素取平均，这样就降低了高频成分。从视觉效果来看，图像经过低通滤波器处理后，显得有些模糊。这种现象的出现，是由于削弱了图像的高频成分，像素值的突变被平均值所代替的缘故。

　　高通空间滤波器：当需要观察图像中具有高频成分的目标时，可采用高通空间滤波器对图像进行处理，处理后的图像中，频率较高的部分更突出了，而频率较低的部分被削弱了。图3给出了3个高频滤波器的卷积核。在高频滤波器中卷积核中心点的值最大的那个卷积系数起着关键的作用。当这个卷积系数经过图像中的高频部分(即灰度值有突变部分)时，由于卷积核中心点卷积系数很大，所以与像素值相乘后，在卷积结果中占了很大的比重(卷积核中除中心点以外其余各负的卷积系数值只是对上述放大效应起一些削弱作用)，卷积结果使已有的灰度突变变得更突出。也就是说，经过处理后，图像中像素值间的灰度差得到增强，而对像素值较恒定的区域则保持不变。也就是说，图像中像素值变化不大的区域(低频成分区域)不受此变换的影响。

　　拉普拉斯边缘增强：采用卷积方法的另一种区处理就是边缘增强。在对图像进行特征提取之前，一般要进行边缘增强，然后再进行二值化处理，以提取图像特征。边缘增强算法处理的目的是要突出图像的边缘。常用的边缘增强算法之一是拉普拉斯边缘增强算法。

　　拉普拉斯边缘增强算法是一种各向同性的增强算法，即其边缘的增强程度与边缘的方向无关。不论图像灰度梯度是正的还是负的，拉普拉斯边缘增强方法都能使边缘得到增强。

　　函数f (x,y)拉普拉斯变换的数学表达式为式中，d2f/dx2是f相对于x的二次偏导数，d2f/dy2是f相对于y的二次偏导数。对于离散函数来讲，二次偏导数可近似地用差分表示为

　　因此，拉普拉斯变换可近似地表示为

　　L{ f(x,y)}=f (x+1,y)+f (x-1,y)+f (x,y+1)+f (x,y-1) -4f (x,y) 5)式(5)等效于一个与f(x,y)进行卷积运算的卷积核。卷积核可写成

　　图3中给出了如上所述的卷积核LAP1。

声明:

凡文章来源标注为"CPS中安网"的文章版权均为本站所有，如需转载请务必注明出处为"CPS中安网"，违反者本网将追究相关法律责任。非本网作品均来自互联网，转载目的在于传递更多信息，并不代表本网赞同其观点和对其真实性负责。