摘  要： 提出了一種基于人眼微動機理的邊緣提取算法。通過模擬眼球的微動，提取圖像的微動邊緣，同時為了減少偽邊緣的產生，對其微動邊緣圖像進行均值濾波處理，最后應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。實驗結果顯示，該算法邊緣提取效果較好，達到了預期的效果。
關鍵詞： 人眼微動； 紅外圖像； 邊緣提取

　　圖像邊緣是圖像不同屬性區域之間交接的地方，是區域屬性發生突變的地方。圖像的邊緣包含了圖像大部分的信息，是圖像識別和分類的重要依據，也是圖像處理研究的重要內容。各國學者提出了許多圖像邊緣提取算法,如經典的Sobel、Prewitt、LOG、Canny等算法[1]。這些算法原理簡單易于實現，但是由于它們大多都是基于局部窗口的微分梯度算子，對噪聲敏感，因此不適合處理受噪聲干擾嚴重的圖像。隨著計算機技術的發展以及其他學科理論在圖像處理中的應用，學者們提出了許多基于新理論的邊緣提取算法,如基于形態學、模糊數學、小波變換、分形學的邊緣提取算法等[2-4]。各種算法各有特色，同時都有一定的適用范圍。基于紅外成像機理的特殊性，紅外圖像普遍存在著對比度低、邊緣模糊，圖像信噪比低等特點，紅外圖像邊緣提取難度較大。由于人眼微動具有超分辨率的特性，對紅外圖像處理提供了良好的啟示。本文就是根據人眼微動機理研究紅外圖像邊緣的提取，并通過實驗加以驗證。實驗結果表明,基于人眼微動機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 人眼微動成像原理
　　早在1952年,DITCHBURN和GINSBORG等人就注意到人眼在固視狀態下具有無意識的微小運動,即人眼微動[5,6],它分為三種模式：高頻振顫、飄移運動和閃動。由于前兩種幅度不大，同時目前的眼球檢測技術難以精確地測量，因此這里提到的人眼微動主要指閃動。國外學者對眼球微動進行了大量的實驗研究。實驗表明，人眼在停止眼球所有運動的時候，靜止的圖像將突然變模糊繼而消失，眼球微動與視覺的產生存在直接的關系，且雙目微動優于單目微動。近年來，CONDE M等[7]學者通過測量圖像消失或再現前后微動發生的概率、速率以及振幅的變化，進一步揭示了眼球微動與圖像消失有著直接關系,微動與固視圖像的清晰度有因果聯系。
　　人眼微動的成像原理[8,9]為：人眼微動使感興趣信息更準確地落入視網膜的中央凹區，信息越精確地落于中央凹區，人眼所感受到的圖像銳化程度越強；人眼微動會使近凹區反應增強，它們通過橫向連接具有抑制作用的神經網絡對中央凹區的信息進行修正，如一次修正不夠理想，人眼微動會使信息重新更精確地回到中央凹區，同時隨著信息尺度的大小調整微動幅度，如此反復直到精確地辨識出信息為止。信息尺度越小，微動幅度就越小，反之亦然。同時隨著微動速率的提高，對應視網膜上感受視野的銳化能力就會越強。本文通過對圖像進行平移來近似模擬人眼這種微動機制，并將其應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
　　人眼主要依靠微動機制來分辨圖像的邊緣，眼球微動幅度越小，圖像的邊緣越細致，隨著幅度增大，圖像邊緣線條變粗，但是對大尺度邊緣突出能力強于小幅度的情形。人眼微動理論具有強大的邊緣提取能力。算法的基本原理如圖1所示[10]。結合視網膜節細胞對方向的敏感性，首先選擇人眼微動的方向，然后通過微動圖像計算微動方向的邊緣圖像，之后各個微動方向邊緣圖像進入競爭環節，競爭的結果則為各個微動方向最優的整體灰度邊緣圖像，最后進行二值化處理生成二值邊緣圖像。
    設原始圖像為f(x,y)，則在某一微動方向上圖像的微動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方向移動的距離單元，k1、k2表示移動的大小，?茲表示移動的方向,計算公式為：
    ?茲=arctan(k2/k1)  (2)
以r(x,y)表示競爭網絡的輸出，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 計算步驟
    (1)輸入原始圖像A，通過對原始圖像A在微動方向上平移，生成綜合微動圖像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個方向平移，移動距離為一個像素單位。
    (2)計算各微動方向的邊緣圖像H：
      Ci=Fi-A， i=h,v,d                       (5)
    (3)計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生，對競爭邊緣圖像H進行均值濾波處理：
    G=mean(H)  (7)
    (6)對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
    直接對經過量化濾波的競爭灰度邊緣圖像進行二值化操作并不能準確地提取出圖像的邊緣，因此需要對經過量化濾波的競爭灰度邊緣圖像的幅值進行非極大值抑制來進一步確定邊緣點。若圖像G(x,y)上(i,j)像素點的邊緣強度G(i,j)小于沿平移線方向上的兩個相鄰像素點的邊緣強度，則認為該像素點為非邊緣點，將其灰度值設為0。即保留幅值局部變化最大的點，細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，因此必須進行去噪處理[7]。本文采用高低雙閾值的方法實現此去噪過程。設定高、低兩個閾值，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，但同時也損失了一些有用的細節邊緣信息；低閾值去噪處理后圖像保留了較多的信息，能保留細微邊緣，但是產生了較多的偽邊緣。經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，以低閾值邊緣圖像為補充進行邊緣連接，實現最終的圖像邊緣提取。
3 實驗結果
    實驗結果如圖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，受噪聲影響嚴重，對比度不強，邊緣模糊;圖2(b)和圖2(c)分別為Sobel和形態學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，目標邊緣斷裂現象較為嚴重，且對噪聲較為敏感;形態學邊緣提取雖然提取目標的邊緣較為完整，但產生大量了偽邊緣；用本文算法提取邊緣，目標邊緣提取效果較為理想，且對噪聲不敏感，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生的，不影響圖像的后續處理）。
    紅外圖像受噪聲污染嚴重，邊緣模糊，應用傳統的邊緣提取算法提取邊緣較為困難。本文根據人眼微動視覺成像的基本原理，結合紅外圖像的特點進行了邊緣提取的研究。實驗結果顯示，基于人眼微動視覺成像機理的邊緣提取算法能夠快速、準確地提取紅外圖像的邊緣，且能夠較好地抑制偽邊緣的產生，取得很好的邊緣提取效果。
參考文獻
[1] 張翔,劉媚潔,陳立偉.基于數學形態學的邊緣提取方法[J].電子科技大學學報,2002,31(5):492-495.
[2] 石振剛,陶耀東,高立群.一種模糊增強圖像邊緣提取算法[J]. 小型微型計算機系統,2008,29(11):2145-2148.
[3] 蒲小勤.基于多重分形的圖像識別研究[D].西安:西北大學,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.人眼微動機制實時紅外圖像邊緣提取[J].光電工程,2008，35(12):117-121.
[9] 王立.視覺機制研究及其在紅外成像制導中的應用[D].西安:西北工業大學,2003．
[10] GONZALES R C,WOODS R E.數字圖像處理[M].北京:電子工業出版社，2005．