红外图像滤波范文

红外图像滤波范文（精选9篇）

红外图像滤波 第1篇

现有红外图像预处理方法可分为两类: 基于空域的滤波技术和基于频域的滤波技术。频域滤波技术将原图像转化到频域空间,从而可以利用频域空间的特殊性质进行处理,主要包括低通滤波、小波变换等。小波变换在时域和频域均具有较好的局部特性以及方向选择性,是此类方法中具有代表性的一种[3]。但场景中的边缘细节与噪声同属高频分量,所以使用频域滤波进行噪声抑制的同时, 会造成边缘细节的遗失。基于空域的平滑技术以一定的模板为基础,直接对各像素及其邻域进行平滑处理以达到抑制噪声的目的,但会造成场景中边缘的模糊,主要包括均值滤波、中值滤波。该类滤波技术由于采用静态滤波核,处理过程中滤波核大小无法改变,具有较弱的边缘保持能力。 各向异性扩散[4],双边滤波[5],引导滤波[6]则可以根据邻域像素的强度或颜色相似度,动态构建邻域像素贡献度权值分布,在图像的不同位置构建不同的滤波核,且相关实验证明,动态滤波核在平滑局部场景的同时具有更好的边缘保存特性。文献[4]所使用的各向异性扩散方法可以在滤除噪声的同时保存边缘特征,但各向异性扩散需要进行迭代计算,从而使得计算量较大。文献[1]将双边滤波算法应用于红外图像预处理问题中,较好地解决了噪声抑制和边缘保存之间的矛盾。但就双边滤波算法的本身来说,其算法复杂度会随着所选取的滤波窗口半径的增大而增大,在处理大尺寸图像时,选取较小的滤波窗口得不到明显的处理效果,而增大邻域的尺寸则会产生较大的时间开销,从而降低了算法的适用性。

针对传统预处理方法难以完整保存边缘细节和算法时间开销较大的问题,提出一种基于引导滤波的红外图像预处理算法。该算法利用引导图像建立动态滤波核,在滤除噪声的同时保持和突出场景强边缘。此外,利用引导滤波算法复杂度不随滤波半径增加而改变的性质,提高算法效率。

1本文算法

引导滤波是一种边缘保持平滑滤波器,可以在平滑背景的同时保持场景的边缘细节。它以一副引导图来指导输入图像的滤波,使得输出图像在保留输入图像整体特征的同时,充分获取引导图像的变化细节。

将输入待处理红外图像记为p,引导图像记为I, 输出图像记为q 。假设k为某像素,ωk是以k为中心,r为半径的正方形窗口,则在 ωk中存在如下线性关系

式( 1) 中,ak,bk为常数,在 ωk中固定不变。从上式可以发现,由于在窗口 ωk中,存在 ▽q = a ▽I ,故只有当引导图像I中存在边缘时,输出图像q才会产生相应的边缘,故其能较好地保留引导图像的边缘和细节信息。引导滤波的核心即在于,计算出常数ak,bk的最优解,使得输入红外图像p和输出图像q之间的差值达到最小。在窗口 ωk中,代价函数可以表示为:

式( 2) 中,ε 的作用是防止ak过大,以保持数据稳定性。根据线性回归分析,ak,bk的最优解表达式可以表示为

式( 4) 中,| ω |为窗口内的像素个数; μk和 σ2k是引导图像I在窗口内的均值和方差,k为窗口中p的均值。由于i位置像素可以被多个窗口所包含,而窗口中心不同,ak,bk取值也不同,所以需要计算以点i为中心的窗口内ak,bk的平均值,以此为基础对qi进行求解

由于式( 2) 的输入输出差异最小化的条件限制,输出图像保留了源红外图像的总体特征,同时由于式( 1) 建立的线性模型,滤波结果能够充分获取引导图像的变化细节。

2实验结果及分析

2.1实验比较

为了验证本文算法的有效性,对多种预处理算法进行对比实验,本文算法将原图像作引导图像。 图1分别为各算法预处理结果、各预处理结果的边缘检测效果以及对应的直方图信息。其中,中值滤波的窗宽为4 × 4,引导滤波半径r = 2 ,ε = 0. 01 ; 双边滤波窗口半径为rb= 2 ,空域滤波核的均方差 σs= rb/2 ,强度域滤波核的均方差 σr= 0. 1 ; 边缘检测均使用Canny算子,高阈值为0. 2,低阈值为高阈值的0. 4倍。

由图1和图2可以看出,中值滤波处理对噪声的滤除不明显,边缘检测结果与原图边缘几乎一致; 而低通滤波对噪声有明显的平滑作用,但由于场景边缘与噪声同属高频信息,所以在滤除噪声的同时失去了部分场景边缘,使目标轮廓变得模糊; 双边滤波算法对图像噪声的平滑作用较为明显,且对于场景中的强边缘也有较好的保存作用,目标轮廓清晰可见; 引导滤波的处理结果与双边滤波相似,在滤除噪声的同时保存了场景中的强边缘,且由边缘检测结果可见,其对地面区域的平滑作用要优于双边滤波,场景结构得到更好的简化。

图3展示了各预处理结果的灰度直方图。中值滤波的灰度直方图与原图相似,分布较为分散,表明该方法对噪声的滤除效果有限; 低通滤波结果直方图分布较为集中,但灰度值高于240的点的数量较原图像明显减少,说明该方法在平滑噪声的同时造成了目标区域( 高灰度区域) 的丢失; 双边滤波在改善灰度分布非均匀性的情况下,对目标所在的高灰度区域保存效果良好; 引导滤波的处理结果与双边滤波相近。图3的结果证明了引导滤波可以改善灰度分布非均匀性,大量分散的灰度峰值得到有效的平均,且部分孤立灰度级处的像素得到了滤除。

对比实验证明了引导滤波能够取得与双边滤波类似的效果,在噪声滤除的同时具有边缘保存的性能,且对红外图像的灰度分布非均匀性具有较好的改善作用。但作为一种预处理算法,时间开销是考量此类算法性能的重要标志之一。对引导滤波和双边滤波的处理速度进行了比较,表1给出了不同滤波半径下双边滤波和引导滤波的处理时间,滤波半径单位为像素,其中采用了与上文相同的实验图像。 实验发现,双边滤波的计算复杂度会随着滤波半径的增大而增大,当滤波半径达到8像素时,其对单幅图像的处理时间将超过1 s; 而引导滤波处理方法则可以在保持良好处理效果的同时,将算法运算时间控制在较小的程度以内,且算法复杂度与滤波半径没有关系,所以引导滤波在处理较大尺寸的红外图像时仍然是适用的。处理时间的比较证明了引导滤波相较于双边滤波的优越性。

2.2算法应用示例

以几种常用的红外图像应用场合为基础,对引导滤波预处理的性能进行探讨。

2.2.1图像融合中的应用

微光与红外图像的融合可以充分利用不同传感器的优势,得到自然感彩色夜视融合图像,从而更有效地辅助侦查人员获取场景中的目标信息[6]。在文献[6]的融合方法中,使用了局部直方图均衡化 ( local histogram equalization,LHE) 和中值滤波操作来滤除红外图像的噪声,提高其信噪比。但局部直方图均衡化在提高信噪比的同时,也扩大了噪声的存在,中值滤波虽能滤除部分噪声,但也会破坏目标边缘的完整性。

图4展示了引导滤波预处理在图像融合中的处理效果。其中图4( a) ~ 图4( c) 分别为红外图像、 微光图像和融合所使用的参考图像。由图4( d) 所示的LHE预处理融合结果来看,目标及其轮廓清晰可见,但左上角处出现了与目标颜色相近的噪声区域,其原因在于,预处理方法对原图像中此区域的噪声不能完全去除。由图4( e) 引导滤波融合结果来看,目标清晰可见且轮廓完整,同时图像左上方的噪声区域也未在融合图像中出现,说明引导滤波较好地滤除了此区域的噪声。图4( f) 和图4( g) 是融合图像的局部放大图。

2.2.2目标跟踪的应用

目标跟踪是智能视频监视领域的关键技术,可以实现对目标连续定位以及运动状态的全面感知, 如速度、加速度、方向等[8]。红外图像中固有噪声的存在使得目标和背景的主要边缘细节变得模糊、 不明显,而边缘特征是目标检测和跟踪过程中极为重要的目标特征之一。为了突出目标,降低噪声和非均匀性的影响,提高跟踪算法的定位准确性,故需要对红外图像进行预处理。

图5展示了引导滤波在跟踪环境的处理效果, 所使用的红外序列共200帧,跟踪算法使用一种常用的Mean-Shift算法[8],该方法目标模型以基于核函数的颜色特征直方图表示,特征稳定性好、鲁棒性强,区域匹配的速度快,算法效率较高。由图5( a) 可见,在没有预处理算法的情况下,算法在120帧时已出现定位漂移情况,跟踪框没有包含目标头部在内,在190帧,定位漂移现象更为明显,跟踪框仅能包含目标的腿部区域。由图5( b) 可见,在加入引导滤波预处理算法后,定位准确性有了一定提高,在120、190帧时能够较为准确地定位目标。

使用位置误差对两种算法的处理效果进行定量分析。位置误差的定义为算法预测目标位置与真实目标位置之间的欧式距离,其数学表示为

式( 6) 中,err( xobj,yobj) 表示当前图像帧中目标的位置误差,( xobj,yobj) 是当前计算得到的位置中心; ( xtrue,ytrue) 是手工标定的真实位置中心。

将上文的跟踪结果进行位置误差比较。序列共200帧,每10帧对目标真实中心进行标定和比较。 根据式( 6) 计算得到的位置误差曲线如图6所示, 其中绿色虚线表示Mean-Shift跟踪,红色实现表示含引导滤波预处理算法的Mean-Shift跟踪。由图可见,不做预处理的Mean-Shift算法的跟踪误差呈持续上升趋势,且在200帧序列结束时达到了35像素。而含引导滤波预处理的Mean-Shift算法的位置误差一直保持在10像素以下,且均小于不含预处理的Mean-Shift算法的位置误差,反映了引导滤波算法对于噪声的滤除是有效的,明显提高了跟踪算法的定位精度。

2.2.3图像增强的应用

增强红外图像对比度和细节纹理可以实现对红外图像内部信息更好地理解,是红外预处理的应用之一。为了说明不同预处理算法的图像增强性能, 采用全局直方图均衡化( global histogram equalization,GHE ) ,双边滤波增强 ( bilateral enhancement, BE) 以及引导滤波算法进行增强对比实验。其中, 双边滤波与引导滤波均选取5 × 5的滤波模板。

图7给出了红外图像增强效果比较。由图7 ( b) 可见,GHE处理增强了原图像的对比度,但出现较明显的刷白效应,细节纹理可辨性较差。图7( c) 中的BE方法较好地提取了场景的细节特征,场景的纹理信息清晰可见,但对场景中的强边缘抑制能力不足,以致结果中出现了明显的伪边缘,如图7( e) 行人的轮廓边缘所示。图7 ( d) 的引导滤波方法处理结果表现出了丰富的场景细节特征和目标轮廓信息,同时有效避免了伪边缘的产生,处理结果更为自然。图7( f) 的局部放大图验证了引导滤波在避免伪边缘方面的良好性能。

3结语

分析了传统红外图像预处理方法在边缘保存效果和处理速度上的不足,提出以引导滤波来解决红外图像预处理问题的新思路。该方法以一幅引导图像的局部梯度信息为基础,在不同的图像位置动态生成不同的滤波模板,从而可以在滤除噪声的同时具有良好边缘保存性能。此外,该算法的时间复杂度不随滤波半径的增大而增大,从而具有较小的时间开销,在处理尺寸较大的图像时具有较快的处理速度。仿真实验表明,基于引导滤波的红外图像预处理算法在滤除噪声、边缘保存方面优于中值滤波、 双边滤波,处理速度较快。应用实验表明,该方法可以提高图像融合的视觉效果,可以改善目标跟踪的定位精度,在图像增强的应用中能够有效避免伪边缘的产生。

摘要：针对红外图像固有噪声和灰度分布非均匀性影响图像质量的问题,提出一种基于引导滤波的红外图像预处理方法。根据引导图的局部信息,在红外图像的不同位置动态生成滤波核函数,从而可以在平滑场景的同时保持甚至增强边缘细节。实验表明,该方法可以有效滤除噪声,保持场景强边缘,改善灰度分布非均匀性;且由于引导滤波算法复杂度与滤波半径无关,处理速度快。此外,应用实验表明该方法可以提高融合图像视觉效果,增强目标跟踪的定位精度,在图像增强中能够有效避免伪边缘的产生。

关键词：红外图像去噪,引导滤波,图像增强,图像融合

参考文献

[1] 余博,郭雷,赵天云,等.红外图像的自适应混合双边滤波算法.红外与激光工程,2012;41(11):3102—3107Yu B,Guo L,Zhao T Y,et al.Adaptive hybrid bilateral filtering algorithm for infrared image.Infrared and Laser Engineering,2012;41(11):3102—3107

[2] 刘兆英,周付根,白相志.基于相位保持的红外图像预处理方法.红外技术,2012;33(11):635—638Liu Z Y,Zhou F G,Bai X Z.Phase preserving based infrared image preprocessing method.Infrared Technology,2012;33(11):635 —638

[3] 冯贞,马齐爽.基于小波分析的红外图像非线性增强算法.激光与红外,2010;40(3):315—318Feng Z,Ma Q S.Research on infrared image nonlinear enhancement algorithm based on wavelet analysis.Laser&Infrared,2010;40(3):315 —318

[4] Yu J,Wang Y,Shen Y.Noise reduction and edge detection via kernel anisotropic diffusion.Pattern Recognition Letters,2008;29(10):1496—1503

[5] Tomasi C,Manduchi R.Bilateral filtering for gray and color images.Proceedings of the 6th International Conference on Computer Vision.Bombay:IEEE Computer Society,1998:839—846

[6] He K,Sun J,Tang X.Guided image filtering.IEEE Transactions on Pattern Analysis and Machine Intelligence,2013;35(6):1397—1409

[7] 钱小燕,韩磊,王帮峰.红外与可见光图像快速融合算法.计算机辅助设计与图形学学报,2011;23(7):1211—1216Qian X Y,Han L,Wang B F.A fast fusion algorithm of visible and infrared images.Journal of Computer-Aided Design&Computer Graphics,2011;23(7):1211—1216

图像滤波总结 第2篇

一、基本的灰度变换函数 1.1.图像反转

适用场景：增强嵌入在一幅图像的暗区域中的白色或灰色细节，特别是当黑色的面积在尺寸上占主导地位的时候。

1.2.对数变换（反对数变换与其相反）

过程：将输入中范围较窄的低灰度值映射为输出中较宽范围的灰度值。用处：用来扩展图像中暗像素的值，同时压缩更高灰度级的值。特征：压缩像素值变化较大的图像的动态范围。

举例：处理傅里叶频谱，频谱中的低值往往观察不到，对数变换之后细节更加丰富。

1.3.幂律变换（又名：伽马变换）

过程：将窄范围的暗色输入值映射为较宽范围的输出值。

用处：伽马校正可以校正幂律响应现象，常用于在计算机屏幕上精确地显示图像，可进行对比度和可辨细节的加强。

1.4.分段线性变换函数

缺点：技术说明需要用户输入。优点：形式可以是任意复杂的。

1.4.1.对比度拉伸：扩展图像的动态范围。

1.4.2.灰度级分层：可以产生二值图像，研究造影剂的流动。1.4.3.比特平面分层：原图像中任意一个像素的值，都可以类似的由这些比特平面对应的二进制像素值来重建，可用于压缩图片。

1.5.直方图处理

1.5.1直方图均衡：增强对比度，补偿图像在视觉上难以区分灰度级的差别。作为自适应对比度增强工具，功能强大。

1.5.2直方图匹配（直方图规定化）：希望处理后的图像具有规定的直方图形状。在直方图均衡的基础上规定化，有利于解决像素集中于灰度级暗端的图像。

1.5.3局部直方图处理：用于增强小区域的细节，方法是以图像中的每个像素邻域中的灰度分布为基础设计变换函数，可用于显示全局直方图均衡化不足以影响的细节的显示。1.5.4直方图统计：可用于图像增强，能够增强暗色区域同时尽可能的保留明亮区域不变，灵活性好。

二、基本的空间滤波器 2.1.平滑空间滤波器

2.1.1平滑线性滤波器（均值滤波器）

输出：包含在滤波器模板邻域内的像素的简单平均值，用邻域内的平均灰度替代了图像中每个像素的值，是一种低通滤波器。结果：降低图像灰度的尖锐变化。

应用：降低噪声，去除图像中的不相关细节。负面效应：边缘模糊。

2.1.2统计排序滤波器（非线性滤波器）举例：中值滤波器。过程：以滤波器包围的图像区域中所包含图像的排序为基础，然后使用统计排序结果决定的值取代中心区域的值。

用处：中值滤波器可以很好的解决椒盐噪声，也就是脉冲噪声。

2.2.锐化空间滤波器

2.2.1拉普拉斯算子（二阶微分）

作用：强调灰度的突变，可以增强图像的细节。

2.2.2非锐化掩蔽和高提升滤波

原理：原图像中减去一幅非锐化（平滑处理）的版本。背景：印刷和出版界使用多年的图像锐化处理。

高提升滤波：原图减去模糊图的结果为模板，输出图像等于原图加上加权后的模板，当权重为1得到非锐化掩蔽，当权重大于1成为高提升滤波。

2.2.3梯度锐化（一阶微分对）

含义：梯度指出了在该位置的最大变化率的方向。

用处：工业检测，辅助人工检测产品的缺陷，自动检测的预处理。

三、基本的频率滤波器 3.1.1理想低（高）通滤波器 特性：振铃现象，实际无法实现。

用处：并不实用，但是研究滤波器的特性很有用。

3.1.2布特沃斯低（高）通滤波器

特点：没有振铃现象，归功于在低频和高频之间的平滑过渡，二阶的布特沃斯低通滤波器是很好的选择。

效果：比理想低（高）通滤波器更平滑，边缘失真小。截止频率越大，失真越平滑。

3.1.3高斯低（高）通滤波器 特点：没有振铃。

用处：任何类型的人工缺陷都不可接受的情况（医学成像）。

3.1.4钝化模板，高提升滤波，高频强调滤波 用处：X射线，先高频强调，然后直方图均衡。

3.1.5同态滤波

原理：图像分为照射分量和反射分量的乘积。

用处：增强图像，锐化图像的反射分量（边缘信息），例如PET扫描。

3.1.6选择性滤波

3.1.6.1带阻滤波器和带通滤波器。作用：处理制定频段和矩形区域的小区域。

3.1.6.2陷阱滤波器

原理：拒绝或通过事先定义的关于频率矩形中心的一邻域。应用：选择性的修改离散傅里叶变换的局部区域。

优点：直接对DFT处理，而不需要填充。交互式的处理，不会导致缠绕错误。用途：解决莫尔波纹。

四、重要的噪声概率密度函数 4.1.高斯噪声

特点：在数学上的易处理性。

4.2瑞利噪声

特点：基本形状向右变形，适用于近似歪斜的直方图。

4.3爱尔兰（伽马）噪声

特点：密度分布函数的分母为伽马函数。

4.4指数噪声

特点：密度分布遵循指数函数。

4.5均匀噪声 特点：密度均匀。

4.6脉冲噪声（双极脉冲噪声又名椒盐噪声）

特点：唯一一种引起退化，视觉上可以区分的噪声类型。

五、空间滤波器还原噪声 5.1均值滤波器 5.1.1算术均值滤波器

结果：模糊了结果，降低了噪声。适用：高斯或均匀随机噪声。5.1.2几何均值滤波器

结果：和算术均值滤波器相比，丢失的图像细节更少。适用：更适用高斯或均匀随机噪声。

5.1.3谐波均值滤波器

结果：对于盐粒噪声（白色）效果较好，但不适用于胡椒噪声（黑色），善于处理高斯噪声那样的其他噪声。

5.1.4逆谐波均值滤波器

结果：适合减少或在实际中消除椒盐噪声的影响，当Q值为正的时候消除胡椒噪声，当Q值为负的时候该滤波器消除盐粒噪声。但不能同时消除这两种噪声。适用：脉冲噪声。

缺点：必须知道噪声是明噪声还是暗噪声。

5.2统计排序滤波器 5.2.1中值滤波器

适用：存在单极或双极脉冲噪声的情况。

5.2.2最大值滤波器

作用：发现图像中的最亮点，可以降低胡椒噪声。

5.2.2最小值滤波器

作用：对最暗点有用，可以降低盐粒噪声。

5.2.3中点滤波器

作用：结合统计排序和求平均，对于随机分布噪声工作的很好，如高斯噪声或均匀噪声。5.2.4修正的阿尔法均值滤波器

作用：在包括多种噪声的情况下很有用，例如高斯噪声和椒盐噪声混合。

5.3自适应滤波器

5.3.1自适应局部降低噪声滤波器

作用：防止由于缺乏图像噪声方差知识而产生的无意义结果，适用均值和方差确定的加性高斯噪声。

5.3.1自适应中值滤波器

作用：处理更大概率的脉冲噪声，同时平滑非脉冲噪声时保留细节，减少诸如物体边界粗化或细化等失真。

5.4频率域滤波器消除周期噪声 5.4.1带阻滤波器

应用：在频率域噪声分量的一般位置近似已知的应用中消除噪声

5.4.2带通滤波器

注意：不能直接在一张图片上使用带通滤波器，那样会消除太多的图像细节。用处：屏蔽选中频段导致的结果，帮助屏蔽噪声模式。

5.4.3陷阱滤波器

原理：阻止事先定义的中心频率的邻域内的频率。作用：消除周期性噪声。

5.4.4最佳陷阱滤波

一种红外图像小目标滤波算法研究 第3篇

在实际测取的信号中不可避免的存在一些与分析目的无关的成分噪声,在信号分析和处理中,为获取信号中反映其特征的有用成分,常采用滤波方法消除这些干扰成分[2].传统的预处理方法体现了图像信噪比与空间分辨率的折衷,缺点是低通滤波在平滑噪声的同时模糊了边缘,而高通滤波虽增强了边缘但也放大了噪声.采用基于小波变换的去噪方法对噪声有很好的抑制能力,而不损害图像的边缘特征,达到较好的图像视觉效果.作为一种数学工具,小波变换[3]对已熟知的傅里叶变换与短时(窗口)傅里叶变换的一个重大突破,为信号分析、图像处理、量子物理及其他非线形科学的研究领域带来革命性的影响.

1 小波变化去噪

采用式(1)作为对图像滤波的模型

f(x,y)=s(x,y)+n(x,y) (1)

其中,s(x,y)是真实图像信号;n(x,y)是独立分布的高斯白噪声;f(x,y)表示含噪信号.小目标图像滤波的目的就是要尽可能的将n(x,y)从f(x,y)中平滑掉,同时保持s(x,y)的特征.记离散小波变换的变换矩阵为W,则对式(1)进行小波变换得到

这里,undefined

由小波变换的特性可知,高斯白噪声的小波变换仍然是高斯分布,它均匀分布在频域的各个部分上.而真实的小目标图像由于其带限性,它的小波变换仅仅集中在频域上的某个区间内[4].根据小波分析的理论,小波变换具有带通滤波的特性,可将信号分解到不同的频带,不同的参数决定了不同的滤波频带或小波子空间,且正交小波变换确定的各小波子空间无交集[5],因而对含有确定性噪声的信号,即信号中的有用成分和噪声在频域上呈现分离状态时,可以通过小波变换将信号分解到不同的频带上,将有用信号和噪声分离开,将某一和某些频带信号置零,由重构算法重构除噪后的信号.

小波系数阈值去噪方法分为硬阈值法和软阈值法[6]2种.阈值滤波主要根据Gauss白噪声在小波变换域的能量主要集中于幅值较小的小波系数这一特点来设置阈值,并使低于该阈值的小波系数置为零,从而使信号中的噪声得到有效的抑制.

2 小波去噪的具体算法实现

(1)对一幅含有噪声的图像进行一次小波变换,得到4个分量,即

LLundefined=W0yjm,(k,l)

HLundefined=W1yj,(k,l)

LHundefined=W2yj,(k,l)

HHundefined=W2yj,(k,l)

其中,(k,l)表示小波变换系数为二维,j=1,2,,Jm为分解层次.

(2)对小波系数进行非线性阈值处理

为保持信号的整体形状不变,保留所有的低频变换系数对每个小波系数,采用软阈值和硬阈值方法进行处理,如图1所示.

对图像而言,软阈值:

undefined

其中,j=1,2,,Jm为分解层次.

硬阈值:

undefined

软阈值法获得的重构信号具有更好的光滑性,但误差相对较大.硬阈值法获得的重构信号具有更好的逼近性,但有附加振荡.在去噪中软阈值的使用会更多一些.

(3)进行小波逆变换由所有低频尺度系数,以及经由阈值处理后的小波系数作逆小波变换进行重构,得到原始信号的估计值.

3 小波方法预处理仿真实验与分析

对外场实拍图像加上均值为0,方差为0.002的高斯噪声进行去噪处理.用小波函数sym4对图像进行二层分解,首先提取小波分解中第一层的低频图像,即将高频系数全部置0,实现了低通滤波.然后再提取小波分解中第二层的低频图像,即将二层高频系数置0,相当于把第一层的低频图像经过再一次的低频滤波处理.图2给出去噪结果.

对图像加上均值为0,方差为0.005的高斯噪声,选用coif2小波进行分解,分别采用硬阈值法和软阈值法进行图像消噪,阈值的计算按熵标准,为了对比给出中值滤波的结果如图3.

以上均是在MATLAB环境下进行仿真的.从仿真结果可看出,利用小波的特性对高频系数置零的去噪方法,由于将部分高频系数强制置零后,再重构信号,这样必使信号丢失一些细节,使图像变得模糊;小波系数阈值的去噪方法的仿真结果较对高频系数置零的去噪方法要好些,硬阈值处理后得到的结果一般较软阈值得到的粗糙,引起的原因主要是硬阈值在y=±T处不连续,而软阈值在y=±T处是连续的,且软阈值是硬阈值的扩展,它首先令绝对值小于阈值的元素等于零,然后将其余非零的元素向零进行缩小.由于小波系数阈值去噪方法是利用阈值来去噪的,因此它要求信号与噪声谱的幅度是尽可能不同,所以它难以恢复信噪比较低的信号,这是很易理解的,信噪比较低的信号,噪声的幅度和信号的幅度差不多,因而基于小波系数阈值去噪的方法就难以把它们区分开来,但是在同一信噪比的条件下它的去噪效果还是要比其他方法的去噪效果好.

4 结 束 语

研究了小波分析理论、小波阈值法去噪算法,并且仿真试验了小波去噪的效果及和传统方法的比较.基于小波变换的去噪方法,对非平稳信号的去噪声,要比传统的滤波去噪声得到的效果好,主要是由于传统的滤波器都具有低通性,对需要分析在每个时刻含有频率成份的非平稳信号来说,是很难对它进行匹配分析.而小波变换具有多分辨率,时频域都具有局部性,因此很适合用来分析非平稳信号,在用小波分析来进行去噪的关键在于阈值的选取,如果阈值选得太高.会使信号失去太多细节,使信号失真,如果阈值选得太低,又不能达到去噪的目的.具体的选用根据实际情况选定.

参考文献

[1]杨丽.红外图像目标识别跟踪技术及其DSP实现[J].红外技术,2001,7(21),36-37.

[2]程正兴.小波分析算法与应用[M].西安:西安交通大学出版社,1997.

[3]靳济芳.Visual C++小波变换技术与工程实践[M].北京:人民邮电出版社,2004.

[4]陈武凡.小波分析及其在图像处理中的应用[M].北京:科学出版社,2003.

[5]Daubechies I.Ten Lectures on Wavelets[M].CapitalCity Press,1992.

红外图像滤波 第4篇

首先提出了基于模型表示的红外图像增强算法,然后用遗传算法实现该增强算法并进行了计算机仿真实验.实验表明,该算法是可行的和有效的.,并且优于Wiener滤波的效果.

作 者：李宏贵 李兴国 李国桢 罗正发 Li Honggui Li Xingguo Li Guozhen Luo Zhengfa 作者单位：李宏贵,李兴国,Li Honggui,Li Xingguo(南京理工大学电子工程系,210094)

李国桢,罗正发,Li Guozhen,Luo Zhengfa(昆明物理研究所,650223)

红外图像滤波 第5篇

受材料、制造工艺等因素限制,红外图像存在信噪比低、对比度差的问题,在目标辐射强度低、距离远以及恶劣天气状况下尤为严重[1]。红外图像噪声分为时域和空域两大类:时域噪声在图像的采集、信号的传输过程中产生;空域噪声是由于红外探测器的探测单元响应度不一致而产生,在图像中表现为固定图案噪声。因此,为提高红外探测器性能,改善图像质量,必须对其噪声进行抑制。

常用的图像噪声抑制方法主要包括空间域和变换域[2,3,4,5,6,7,8]。空间域去噪方法是对原始图像直接进行噪声抑制运算,如均值滤波、中值滤波以及维纳滤波等。变换域去噪方法需要对原始图像进行变换,将其转换到特定的变换域,通过对变换域的系数进行处理再反变换回空间域,从而达到去除噪声的目的,如傅里叶变换滤波、沃尔什-哈达玛变换滤波、小波变换滤波等。基于最小均方误差(MMSE)理论的维纳滤波是经典的空间域滤波方法之一,具有较强的去噪能力。维纳滤波要求未退化图像和噪声的功率谱必须是已知的,然而在实际应用中很难获得真实图像的相关信息。

为解决维纳滤波中未退化图像和噪声的功率谱必须已知的问题,本文提出一种红外图像中的自适应维纳滤波噪声抑制技术。算法利用Canny边缘算子将图像划分为平滑区域和边缘区域,通过在平滑区域构建噪声方差的邻域估计准则,并利用像素邻域信息估计全局噪声方差,从而完成红外图像噪声的自适应抑制。

1 维纳滤波理论

维纳滤波[9]认为图像和噪声建立在随机过程的基础上,寻找一个理想图像f的估计值fˆ,使两者之间的均方误差最小,表达式如下所示:

其中E{}表示期望值运算。假设图像和噪声不相关,其中有一个有零均值,且估计的灰度图像是退化图像的线性函数,则式(1)中误差函数最小值的频域表达式如下所示:

其中:H(u,v)表示退化函数,H*(u,v)是H(u,v)的复共轭,Sη(u,v)=|N(u,v)|2表示噪声的功率谱,Sf(u,v)=|F(u,v)|2表示未退化图像的功率谱。

2 自适应维纳滤波噪声抑制

维纳滤波理论(式(2))中,要求未退化图像和噪声的功率谱是已知的。然而,实际未退化图像和噪声的功率谱往往未知或不能估计。

维纳滤波的频域表达式如下所示:

其中K=Sη(u,v)Sf(u,v)为达到最佳的噪声抑制效果,需要对K值进行调整。

维纳滤波的空间域表达式如下所示:

其中:表示坐标(x,y)处滤波估计值,表示(x,y)处的邻域均值,s2表示坐标(x,y)处的邻域方差,v2表示图像噪声方差。式(4)中f(x,y)、以及2或已知,或可计算,唯独v2需要估计或设置特定值。

基于维纳滤波空间域框架(式(4)),提出一种噪声方差v2自适应调整的图像滤波算法。在阐述噪声方差v2的估计方法之前,首先分析原始图像和噪声图像的像素邻域方差特征,如图1和图2所示。图1表示原始Woman图像及像素邻域方差的三维显示图,图2表示Woman噪声图像及像素邻域方差的三维显示图,图2(a)表示向原始Woman添加均值0,方差0.001的高斯噪声的噪声图像,图2(b)表示图2(a)像素邻域方差的三维显示图,图2(c)表示2(a)平滑区域像素邻域方差的三维显示图,图2(e)~2(g)与图2(a)~2(c)相似。

分别对比图2(b)与图1(b),图2(f)与图1(b)可知,原始图像和噪声图像的像素邻域方差数值相差小,说明图像信号(目标边缘、图像纹理)起主要作用,如果直接利用噪声图像的像素邻域估计噪声方差v2,则会导致噪声方差v2估计不准确。图2(c)和2(g)分别表示噪声图像的平滑区域像素邻域方差的三维显示图,对比图2(c)与图1(b),图2(g)与图1(b),图像信号(目标边缘、图像纹理)对噪声方差的影响明显减小,说明利用图像平滑区域估计噪声方差v2能有效提高噪声方差的准确度。

噪声方差v2计算步骤:首先,利用Canny边缘检测将噪声图像划分为平滑区域和边缘区域;其次,构建噪声方差的邻域估计准则,计算平滑区域像素的局部方差σ2PH(x,y);最后,噪声方差v2等于所有局部方差σ2PH(x,y)的平均值,表达式如下所示:

其中:η表示平滑区域,size(η)表示平滑区域像素点个数。

平滑区域坐标(x,y)处的局部方差σ2PH(x,y)的计算步骤如下所示:

1)利用Canny边缘算子检测噪声图像边缘,并设定标志位tab(x,y);

2)设定σ2PH(x,y)的邻域范围,如坐标(x,y)处的33和55邻域分别如图3和4所示;

3)构建噪声方差的邻域估计准则,计算σ2PH(x,y);

在坐标(x,y)处33邻域中,若tab(x,y)=1,表明坐标(x,y)处的像素点是边缘点,σ2PH(x,y)=0;若tab(x,y)=0,表明坐标(x,y)处的像素点在平滑区域,分别沿水平、垂直、对角线和反对角线方向查看标志位tab大小,如果tab=0,将当前坐标像素点放入集合R中,如果tab=1,舍弃当前坐标像素点。

在坐标(x,y)处55邻域中,若tab(x,y)=1,表明坐标(x,y)处的像素点是边缘点,σ2PH(x,y)=0;若tab(x,y)=0,表明坐标(x,y)处的像素点在平滑区域,分别沿水平、垂直、对角线和反对角线方向查看标志位tab大小。以水平方向坐标(x,y-2)、(x,y-1)、(x,y)、(x,y+1)和(x,y+2)像素点为例:如果tab(x,y-1)=0,将坐标(x,y-1)像素点放入集合R中,继续查看tab(x,y-2)是否为0,0则放入集合R,否则舍弃;如果tab(x,y-1)=1,由于坐标(x,y)和(x,y-2)像素点在不同的平滑区域,所以需同时舍弃坐标(x,y-1)和(x,y-2)像素点;如果tab(x,y+1)=0,将坐标(x,y+1)像素点放入集合R中,继续查看tab(x,y+2)是否为0,0则放入集合R,否则舍弃;如果tab(x,y+1)=1,则同时舍弃坐标(x,y+1)和(x,y+2)像素点。

利用集合R,坐标(x,y)处的局部方差σ2PH(x,y)表达式如下所示:

其中size(R)表示集合R的像素点个数。根据上述分析,自适应维纳滤波算法流程图如图5所示。

3 实验仿真和数值分析

实验分别用传统和自适应维纳滤波对仿真的Lena噪声图像和实际的红外噪声图像进行滤波,并利用峰值信噪比(PSNR)和边缘保护指数(EPE)定量衡量不同算法的滤波性能。算法仿真软件环境是:Windows XP系统、Intel双核处理器(3.2 GHz)和4 G内存。仿真软件选用Matlab 8.0。硬件环境是:FPGA+DSP硬件平台。FPGA选用Altera公司StratixⅤ5SGXA9芯片,DSP选用TI公司DM642芯片。Lena噪声图像通过向原始Lena图像添加均值0,方差0.005高斯噪声获得。红外噪声图像由ULIS公司UL01011型320240非制冷探测器获得,工作波段是814m,工作帧频是25帧每秒。

3.1 评价参数

3.1.1 峰值信噪比PSNR

峰值信噪比PSNR(d B)和均方误差函数RMSE表达式分别如下所示:

其中:I表示原始图像,表示处理后的图像,N和M分别表示行数和列数。

3.1.2 边缘保护指数EPE[10]

为了衡量图像边缘的保护程度,利用边缘保护指数EPE(d B)进行评价,表达式如下所示:

其中:I表示原始不含噪图像,表示去噪后图像,edge(I)是图像I边缘点的集合,card(edge(I))是图像I边缘点的个数,EPE值越大反映边缘保护能力越强。

3.2 仿真Lena图像滤波结果

图6(a)(c)分别为Lena原始图像,Lena含噪图像(均值0,方差0.005的高斯噪声,图像PSNR=84.491 4)以及利用Canny算子对含噪图像的边缘提取。图7(a)(c)分别表示邻域范围取33,噪声方差v2取固定值和自适应估计的维纳滤波结果:图7(a)中v2取值过小,图像噪声抑制不明显;图7(b)中v2取值过大,图像的边缘细节受到损失,引起图像模糊,对头发丝的分辨力下降,帽沿不清楚;图7(c)中v2根据图像平滑区域局部方差和均值自适应估计,与图7(a)和图7(b)相比,自适应维纳滤波算法在去除噪声的同时保持的边缘细节信息。图8(a)(c)分别表示邻域范围取55,噪声方差v2取固定值和自适应估计的维纳滤波结果,图8(a)(c)之间的滤波效果对比与图7(a)(c)相同。图9(a)(c)分别表示邻域范围取77,噪声方差v2取固定值和自适应估计的维纳滤波结果,图9(a)(c)之间的滤波效果对比与图7(a)(c)相同。

对比图7、图8和图9可知,随着邻域范围增加,维纳滤波算法的噪声抑制能力增强,处理后的图像更加平滑,与图7(b)相比,图9(b)更加平滑,与图7(c)相比,图9(c)更加平滑。然而,随着邻域范围增加,图像的边缘细节同时被模糊。因此,选择邻域范围时,应权衡图像的噪声抑制和边缘保持水平。

表1给出了噪声方差v2固定和自适应估计的维纳滤波处理图像的峰值信噪比PSNR对比结果。33邻域范围,自适应维纳滤波图像的PSNR最多可提高1.735 3 d B;55邻域范围,自适应维纳滤波图像的PSNR最多可提高1.948 8 d B;77邻域范围,自适应维纳滤波图像的PSNR最多可提高3.120 9 d B。PSNR数据表明自适应维纳滤波算法能有效提高图像信噪比。

表2给出了噪声方差固定和自适应估计的维纳滤波处理图像的边缘保护指数EPE对比结果。在33、55和77邻域中,分别比较噪声方差取固定值100、1 000和自适应估计时的边缘保护指数EPE可知,噪声方差自适应估计时的边缘保护指数最大。EPE数据表明自适应维纳滤波算法具有良好的边缘保护能力。

3.3 实际红外图像滤波结果

本节利用不同维纳滤波算法对真实红外噪声图像序列(200帧)进行处理。权衡图像的噪声抑制和边缘保持水平,这里选用55邻域。由于没有原始无噪声图像,所以不能利用峰值信噪比PSNR和边缘保护指数EPE定量评价图像滤波和边缘保护的效果。图10(a)是第100帧红外噪声图像,图像存在严重的“点状”噪声和垂直方向的“竖条”噪声。图10(b)是利用Canny算子对噪声图像(图10(a))进行边缘检测的边缘图。图10(c)表示噪声方差取100维纳滤波的图像处理结果,“点状”和“竖条”噪声得到一定程度抑制。图10(d)表示噪声方差取1 500维纳滤波的图像处理结果,图像中目标边缘被损失,例如楼房边缘,图像整体模糊。图10(e)表示噪声方差自适应估计的维纳滤波处理结果,“点状”和“竖条”噪声得到有效抑制的同时,保持了图像的边缘细节信息。

图11给出了200帧实际红外图像序列的噪声方差的计算结果。该图表明:本文提出的自适应维纳滤波算法能稳定有效的估计图像的噪声方差。

结束语

维纳滤波作为一种快速有效的图像复原算法在日常生活中得到广泛的应用。针对传统维纳滤波要求未退化图像和噪声的功率谱必须已知的不足,本文提出一种红外图像中的自适应维纳滤波噪声抑制技术。实验结果表明:该算法能根据噪声水平自适应调整滤波参数,有效抑制图像噪声的同时保持了边缘细节信息,使维纳滤波算法更适用于实时图像处理系统中。

参考文献

[1]钱惟贤,陈钱,顾国华,等.一种具有噪声抑制功能的红外图像锐化算法[J].光学学报,2009,29(7):1807-1811.QIAN Wei-xian,CHEN Qian,GU Guo-hua,et al.Infrared image sharpening algorithm with noise inhibition[J].ACTAOPTICASINICA,2009,29(7):1807-1811.

[2]肖泉,丁兴号,王守觉,等.有效保持细节特征的图像椒盐噪声滤除方法[J].电子学报,2010,38(10):2273-2278.XIAO Quan,DING Xing-hao,WANG Shou-jue,et al.A novel detail preserving algorithm for removing salt-and-pepper noise[J].ACTA ELECTRONICA SINICA,2010,38(10):2273-2278.

[3]Eom I K,Kim Y S.Wavelet-based denosing with nearly arbitrarily shaped windows[J].IEEE Signal Processing Letters(S1070-9908),2004,11(12):937-940.

[4]Ercelebi E,Koc S.Lifting-based Wavelet domain adaptive Wiener filter for image enhancement[J].IEEE Proceedings on Vision,Image and Signal Processing(S1350-245X),2006,153(1):31-36.

[5]王秋平,周原,康顺.光电跟踪的非线性卡尔曼滤波算法[J].光电工程,2009,36(12):7-10.WANG Qiu-ping,ZHOU Yuan,KANG Shun.Nonlinear kalman filter method for electro-optical tracking[J].Opto-Electronic Engineering,2009,36(12):7-10.

[6]陈燊,侯榆青,杨旭朗,等.基于偏微分方程与维纳滤波的混合去噪方法[J].计算机工程,2010,36(10):193-198.CHEN Shen,HOU Yu-qing,YANG Xu-lang,et al.Mixed Denoising Method Based on Partial Differential Equation and Wiener Filtering[J].Computer Engineering,2010,36(10):193-198.

[7]赵双萍,邢敬宏.一种图像自适应Wiener组合滤波方法[J].计算机工程与应用,2010,46(31):169-171.ZHAO Shuang-ping,XING Jing-hong.Composite method for image adaptive Wiener filtering[J].Computer Engineering and Applications,2010,46(31):169-171.

[8]刘世军,彭真明,赵书斌,等.基于混沌粒子滤波的视频目标跟踪[J].光电工程,2010,37(7):16-23.LIU Shi-jun,PENG Zhen-min,ZHAO Shu-bin,et al.Tracking Target in video sequences based on chaos particle filter[J].Opto-Electronic Engineering,2010,37(7):16-23.

[9]冈萨雷斯.数字图像处理[M].北京:电子工业出版社,2003.Rafael C Gonzalez.Digital Image Processing[M].Beijing:Publishing House of Electronics Industry,2003.

红外图像滤波 第6篇

1 感受野模型理论

在处理视觉信息时, 根据各种形式的感受野对视觉信息进行分级抽取, 滤除输入信息的冗余部分, 而只保留有用部分的信息。1953年, 提出了猫的神经节细胞在感受野的中心和外围, 呈同心圆拮据形式分布。与刺激对细胞的影响完全相反。最常见的类型有on-中心型和off-中心型两种。

处于中间的兴奋区和处于外部的一直去构成了on-中心型细胞的感受野。如果兴奋区被单独的小光点所刺激, 会显著增强细胞的响应强度。如果逐渐增加光源的面积, 抑制区也被覆盖, 会显著降低细胞的响应强度。Off-中心型细胞呈现出截然相反的特性。

1965年, Rodieck提出神经节细胞感受野的剖线可用两个高斯型函数的差 (Difference of Gaussian, 也称为DOG函数) 来表示, 感受野极坐标形式的表达式为

式中, r为感受野上某点到中心点的距离。如图4.13所示, 当A>B且δA<δB时, on-中心型感受野可用式1来表示;当AδB时, 式1用来表示off-中心型感受野。

2 基于感受野模拟的红外图像滤波器设计

感受野理论认为, 可以用空间频率滤波器来描述视网膜神经节细胞。图像的高频噪声可以通过感受野中心区域来滤除。红外图像中的目标与其周围的背景区域存在一定的灰度差异, 对比强烈, 而背景在局部区域具有很强的相关性, 对比较弱, 因此采用灰度形态学模拟抑制型非经典感受野具有生理学上的合理性, 通过选取模拟非经典感受野模型的结构元素, 利用灰度形态学对图像进行空间滤波, 实现对背景杂波以及噪点的抑制, 突出图像中的目标区域。

设bB、bT、bN表示三个尺寸不同的圆形结构元素, 且bB>bT>bN, Δb=bB-bT表示bB比bT多出的环状区域, I (x, y) 为原输入图像。

首先, 考虑到目标区域与其周围背景间的差异, 先用I⊕Δb将目标区域用目标周围区域替代, 接下来用结构元素bT对背景进行腐蚀操作, 实现对图像背景的预测。

然后, 通过将原图像与背景预测图像实施差减操作, 实现对图像的背景背景抑制。

最后, 利用结构元素bN对背景抑制后的图像进行开运算, 实现对图像中孤立噪点的去除。

将上述过程整理得出形态学模拟抑制型非经典感受野滤波的公式如下:

式中 (I⊕b) (x, y) = (f (x-u, y-v) ) 为膨胀运算, (IΘb) (x, y) = (f (x+u, y+v) ) 为腐蚀运算, (I b) (x, y) = (I⊕b) b (x, y) 为开运算。通过结构元素Δb模拟感受野大外周, 检测相邻区域的灰度差异, 体现目标与其周围背景间的差异, bT模拟感受野周边区, 体现目标与其周围背景局部相关性以及背景间局部相关性的区别, bN模拟感受野中心区, 滤除图像中的噪点。利用不同结构元素对图像进行形态学滤波处理, 有效抑制了起伏背景中对比强烈的噪点和杂波, 使图像信噪比显著增强。

3 仿真分析

本文所选的实验对象为复杂背景的红外图像, 该图是一幅海洋背景下的帆船图像, 图片大小为240240, 目标尺寸约为66, 如图1 (a) 所示所示。如图1 (b) 为其空间分布图。

对红外图像分别采用高通滤波;理想滤波;Butterworth滤波;高斯滤波;中值滤波;局部标准差滤波;Top-hat滤波, 以及本文所提算法滤波。由于红外图像中的目标区域在整幅图像中所占的区域较小, 滤波后效果图像不明显, 难以辨别出各滤波效果的差异性, 因此, 通过观察各滤波效果的空间分布图来对各滤波器对红外图像的滤波效果加以说明, 各滤波结果空间分布图如图2所示。

过对各滤波算法背景抑制结果图以及滤波后图像的信噪比比较可知, 采用本文所提滤波算法, 不仅实现了对图像背景区域的有效抑制, 而且有效的去除了图像中的残留噪声, 滤波效果比较理想。本文算法对不同类型的红外图像滤波后, 图像的信噪比均有不同程度的提高, 算法具有较强的鲁棒性。

4 结论

本文根据生物视觉感受野经典模型进行模拟, 提出新的适用于红外图像预处理的滤波算法, 仿真结果表明, 本文算法在红外图像预处理中取得了较为理想的结果, 算法鲁棒性较强。

摘要：利用传统滤波算法对图像进行滤波预处理时, 在对噪声等区域进行滤除的同时也使得图像的目标区域的的边缘变得模糊, 令目标区域图像的特征发生退化, 不利于图像的进一步检测。针对红外图像的特点, 研究既能有效滤除影戏图像检测的噪声又不改变目标区域特性的滤波算法对红外图像处理具有重要意义。

关键词：感受野,红外图像,滤波

参考文献

[1]Barlow H B, Fitzhugh R, Kuffler S W.Change of organization in the receptive fields of the cat&apos;s retina during dark adaptation[J].The Journal of physiology, 1957, 137 (3) :338-354.

红外图像滤波 第7篇

关键词：红外图像,小波变换,中值滤波,去噪

0 引 言

红外成像技术已广泛应用于军事、工业、医学的各个领域,但由于红外焦平面阵列的非均匀性以及数字量化噪声和传输信道扰动干扰等,图像信号在产生、传输和显示过程中都会产生各种噪声,造成红外图像模糊、噪声较大,直接影响后续的红外目标检测、识别和分析。因此对红外图像去噪的研究具有重要的意义。

红外图像的噪声受到很多因素的影响,但主要表现为高斯噪声和脉冲噪声。传统的中值滤波以及小波变换在红外图像去噪时,在一定程度上平滑掉了热差形成的图像细节。为了较好保护红外图像,本文提出了一种小波变换和改进中值滤波结合的去噪方法,在较好保护图像热差细节的同时,运用仿真分析并验证了本文算法优越性。

1 小波变换的基本思想

小波变换由于在实域和频域同时具有良好的局部化性质、多分辨率特性、低熵性、去相关性以及选基灵活的特点,使得小波变换在图像去噪中得到了广泛研究。

二维离散小波变换在分析上可由一维的离散小波变换推导得到,而二维双正交小波变换可以分解为2个一维小波变换,即先进行x方向变换然后进行y方向变换,就可以完成二维正交变换。 假设ψ(x)是一个一维的尺度函数,φ(x)是相应的小波函数,则可以得到二维小波变换的基础函数。

首先定义二维尺度函数:

$\phi (x,y)=\phi (x)\phi (y)(1)$

则二维小波函数为:

$\begin{array}{l}\psi {}_1(x,y)=\phi (x)\psi (y)\\ \psi {}_2(x,y)=\psi (x)\phi (y)\\ \psi {}_3(x,y)=\psi (x)\psi (y)\end{array}(2)$

式中:ψ(x)和φ(x)分别为沿着x和y方向的一维小波函数。

由多分辨分析理论可知第i级尺度的平滑函数fi(x,y)与涨落函数gi(x,y)的叠加,可以构成第i+1级尺度上的二维平滑函数fi+1(x,y):

$f{}_{i+1}(x,y)=f{}_i(x,y)+g{}_i(x,y)(3)$

通过反复使用式(3)的可得:

$f{}_{i+1}(x,y)=f{}_i(x,y)+{\displaystyle \sum _{t=j}^{n}g}{}_t(x,y)‚jn(4)$

对图像往往可以把它看成是二维矩阵,假设图像矩阵的大小为NN,且N=2n(n为非负整数),式(3),(4)表明任何平方可积的二维函数都能够分解成低分辨尺度上的平滑函数和更高尺度上的细节函数,各层各个分辨率上的近似分量,水平方向细节分量,垂直方向细节分量和对角线方向细节分量。而重构过程和分解过程刚好是相反的。

2 中值滤波原理

中值滤波(Median filtering)是一种非线性平滑技术,是典型的空域低通滤波器。它是把数字图像或数字序列中一点的值用该点的一个邻域中各点的中值代替,让周围的像素值接近的真实值,从而消除孤立的噪声点。

二维中值滤波由下式表示:

${\rm Z}{}_{i,j}=\underset{S}{{\displaystyle \text{Μ}\text{e}\text{d}}}\{Y{}_{i,j}\}(5)$

式中:S为滤波模板;{Yi,j}为二维数据序列;{Zi,j}为滤波输出。

可见中值滤波器能够有效的消除孤立的噪声点,但对热差分布较复杂的图像经过滤波处理后不可避免丢失图像的部分细节,造成图像失真。因此对传统中值滤波算法需进行改进。

3 改进的中值滤波算法

取33像素模板窗口,窗口范围内对应中心像素为Yi,j。

算法描述为:

(1) 求出窗口内像素的方差δ:

$\delta =\sqrt{\frac{1}{9}{\displaystyle \sum _{n=-1}^1}{\displaystyle \sum _{m=-1}^1[}Y(i-n,j-m)-{\rm M}]{}^2}(6)$

式中:M为均值,计算如下:

${\rm M}=\frac{1}{9}{\displaystyle \sum _{n=-1}^1}{\displaystyle \sum _{m=-1}^{1}Y}(i-n,j-m)(7)$

(2) 设定阈值α与β, 其中 α= 2δ,在窗口范围内邻近像素值与中心像素值之差为H,当H < α时,β 自加1,β为邻近像素与中心像素灰度相似个数。

(3) 如果β≥5 ,可不进行任何变换直接将该像素Yi,j输出。

(4) 如果1<β<5, 判断Yi,j-Med(Y1,Y2,,Yk)>α是否成立,若成立则输出像素值Yi,j=Med(Y1,Y2,,Yk),否则直接输出Yi,j像素值。

(5) 如果β =0,即邻域内没有相似相似灰度,即该点为孤立噪点。直接将Yi,j=Med(Y1,Y2,,Yk)替代输出像素灰度值。

为了进一步提高滤波效率,可通过模板的变化来选取最优的窗口大小。

4 改进的中值滤波与小波结合的图像去噪

对于未经除噪的红外热图,可以通过仿真来模拟噪声情况,由于小波具有多分辨率、低熵性、去相关性以及选基灵活的特点,在红外热图去噪时,小波变换算法能达到最大均方误差最小意义上的较好效果。而中值滤波能够很好的去除脉冲噪声,但对热差形成的细节保

持能力较差,因此本文对中值滤波进行了改进,结合小波变换有效的对高斯噪声和脉冲噪声进行了抑制,为后期进一步分析创造了条件。具体算法步骤流程如图1所示。

5 仿真实验及结果分析

实验仿真平台PC机得配置为主频3.0 GHz,内存2 GHz,采用软件Matlab 7.1版本。对采集图像加入方差为0.02的高斯噪声和强度为0.02的脉冲噪声的混合噪声。图2为采集的原始图像,图3为混入混合噪声后的效果,图4是采用中值滤波的效果,图5是采用改进了的中值滤,图6是单纯的小波阈值滤波的效果图,图7是采用本文方法得到的效果图,图3～图7中图像与原始图像的峰值信噪比(ξPNSE)如表1所示。

从实验结果可以看出图4采用中值滤波处理的图像较为模糊,对脉冲噪声抑制效果明显,而对高斯噪声效果较差,去噪图像峰值信噪比ξPNSE=23.549 7在4种方法中最小;图5对比于图4,热像温差所带来的细节保持明显较好;图7从视觉角度来看,去噪效果明显优于前几种方法,不但很好保持热差所形成图像细节,同时图像的峰值信噪比ξPNSE=27.553 6在几种方法中也是最大,达到了对噪声有效抑制的理想效果。

6 结 语

本文是针对于红外图像去噪提出了一种小波变换结合改进中值滤波的研究方法,经过实验仿真,该方法在保持热差图像细节的同时对类似高斯和脉冲混合噪声的抑制是一种比较理想的方法。

红外图像滤波 第8篇

作为计算机视觉领域最活跃的研究课题之一,目标跟踪技术已经广泛运用于智能监控、人机交互、运动分析等各个民用领域,另外在军事领域,尤其是制导和导航方面,也具有广泛的应用前景。目标跟踪的本质可以理解为利用图像处理等相关技术对视频信号进行处理,并在序列图像中决定目标的位置。根据从被跟踪目标提取特征的不同,可以将运动目标跟踪算法分为基于颜色[1]、基于形状[2]、基于区域[3]、基于视图[4]、基于点特征[5]的目标跟踪等。根据视频场景中运动目标类型不同,可以将目标跟踪算法分为对刚体的跟踪和对非刚体的跟踪。也可以根据图像序列的性质,将目标跟踪分为可见光图像跟踪和红外图像跟踪。红外目标跟踪是动态实时地确定红外图像序列中的目标位置或目标特征。稳健有效的红外目标跟踪算法在红外制导、战场侦察、海洋监视等军事应用中具有极大的研究价值。红外目标跟踪的难点主要在于,红外图像是灰度图像,没有可见光图像具有的色彩信息、纹理细节等诸多特征,可利用特征值较少。

笔者在传统粒子滤波的算法基础上,选择2个简单且互补的灰度特征和边缘特征进行目标建模,进而捕捉场景的动态变化。相比于基于单个特征建立的模型,两个特征的融合弥补了单个特征的缺陷,加强了目标跟踪的稳健性。

2 粒子滤波

众所周知,卡尔曼滤波(Kalman Filter)[6]是线性高斯情况下的最优滤波,然而对红外图像序列中红外图像的估计恰恰是非线性和非高斯的。为了解决非线性滤波问题,人们提出了扩展卡尔曼滤波(Extended Kalman Filter)[7],但是此方法只能适用于弱非线性系统,对于强非线性系统,容易引起发散等问题。近年来,人们又提出了粒子滤波(Particle Filter)[8],又称为蒙特卡罗滤波(Monte Carlo Filter)或重要性采样重采样(Sampling Importance Resampling,SIR)[9]滤波。这种算法在非线性非高斯系统中表现理想。粒子滤波的基本思想是用一组带有权值的粒子集合来表示解决问题时需要的后验概率密度,然后用这一近似的表示来计算系统的状态估计。

如前所述,粒子滤波又称为蒙特卡罗滤波,它是一种蒙特卡罗方法,即通过蒙特卡罗积分模拟来实现对贝叶斯滤波器近似的递推技术。粒子滤波的核心思想是利用一系列随机样本(粒子)的加权和来表征所需的状态后验概率密度函数(PDF),根据贝叶斯滤波理论,通过贝叶斯迭代推理过程时间预测和测量更新的反复迭代,最优地估计出p(xk|y1∶k)的精确解。现考虑一个非线性动态系统,其系统模型如下

式中:xk为系统状态;yk为系统观测输出;vk为系统噪声;nk为测量噪声;f(*,*)为系统状态模型;h(*,*)为系统观测模型。状态模型和观测模型均为已知,且其中至少有一个为非线性。

假设用于表征系统后验概率密度函数的样本集合为Xk={xki,ωki}Nsi=1,其中,{xki,i=1,2,,N}是样本集,{ωki,i=1,2,,N}是与其对应的权值,并且满足。因此,后验概率密度近似为离散加权形式

因此,对于该后验概率密度函数的均值估计形式就可以由复杂的积分运算转换为较为简单的求和运算,即

对于式(3)中权值ωki的确定,都是根据重要性采样(Importance Sampling,IS)来确定的。IS的基本思想就是避开较难采样的后验概率密度函数p(xk|y1∶k),转而从另一利于采样的密度函数q(xk|y1∶k)中对粒子进行采样,进而确定各个粒子对应的权值。该密度函数称为重要性密度(Importance Density)或提议分布(Proposal Distribution)[10]。如果根据提议分布来采样粒子,那么可以将粒子权值定义为

式中:ωki为非归一化重要性权(Unnormalized ImportanceWeights);为归一化重要性权,重要性比(Importance Ratio),也可称为重要性权或真重要性权(True Importance Weights)。

根据序贯重要性采样(Sequential Importance Sampling,SIS)理论,可以推导出粒子权值更新公式如下

归一化后便得到粒子集xk,之后便可将后验概率密度估计为式(4)的形式。

粒子滤波所要面临的一大问题就是粒子退化问题,即经过几次反复迭代运算之后,仅有少数粒子的重要权值趋于1,而其他粒子的权重趋于0,几乎可以忽略不计。这样显而易见的后果就是,绝大部分的粒子计算因为权值过小而失去了意义,粒子也无法集中。

为了解决粒子退化的问题,人们又引入了重采样(Resampling)技术。重采样技术的基本思想是剔除权值较小的粒子,对于权值较大的粒子,按权值大小进行复制,从而把资源按照粒子权值大小进行分配。

综上所述,粒子滤波结合了重要性采样、序贯重要性采样以及重采样等多种技术,所以粒子滤波也称为重要性采样重采样(SIR)滤波。SIR算法的步骤为:

1)初始化,即在k=0时刻,对i=1,2,,N,依照先验概率p(x0)进行采样;

2)重要性采样,即根据观测值确定重要性函数q(xk|y1∶k),然后进行重要性采样;

4)权值归一化,即

5)重采样,即剔除或抑制较小权值粒子,复制较大权值的粒子;

6)结果输出,即算法的输出是一系列服从以下后验分布的样本,如

3 基于灰度直方图、边缘直方图的粒子滤波算法

3.1 目标特征的选取

对于目标跟踪,本质就是在连续的图像序列中,提取位置、速度、形状、轮廓、纹理、颜色等各种特征,在两帧之间创建对应的匹配问题。已经有研究人员针对粒子滤波器提出多种观测模型,比如基于颜色的观测模型、基于轮廓的观测模型、基于运动特征的观测模型、基于纹理的观测模型等。然而,基于单独特征建立起来的观测模型都会存在一定的缺陷。比如,基于颜色特征的观测模型,在背景和目标颜色相近时,对目标的识别不敏感;基于轮廓特征的观测模型,在目标变形或者遮挡时,跟踪会不准确、不稳定;基于运动特征的观测模型,由于涉及到运动姿态的理解,需要大量先验知识,计算量较大。因此,为了更准确地表示目标,观测模型可以是几种特征的组合。笔者采用灰度特征和边缘特征两种特征相融合对目标进行建模。

3.2 观测模型的建立

观测模型是使用观测量对系统状态转移的结果进行验证,实际上是相似性度量的过程。由于每个粒子都代表目标状态的一个可能性,系统观测的目的就是给与实际情况相近的粒子分配较大一些的权值,与实际情况相差较大的粒子分配较小一些的权值。这里选取的观测量即是t时刻红外图像的灰度特征及边缘特征。

对于灰度特征,可以通过比较目标样本和观测目标的目标分布来建立观测模型。描述灰度分布的一种有效方法是用直方图函数估计概率密度分布。将目标图像的每个像素从RGB空间转换到HSV空间,统计H向量,将H向量分为16个等级,用直方图表示为:Ph={Ph(u)}u=1,2,,16,c∈{H}。

同理,对于边缘特征,同样可以通过边缘直方图来估计概率密度分布,并且建立观测模型。笔者利用Canny算子检测边缘,计算出梯度的幅值和方向,选取一定范围内的梯度幅值方向,将其量化为8个等级,用直方图表示为:Pe={Pe(u)}u=1,2,,8。

采用Bhattacharyya系数评价各个目标特征与背景的可区分度,以及目标模板和粒子区域加权特征分布相似程度。

Bhattacharyya系数表示为:。其中,p和q分别表示目标直方图和背景直方图。

4 实验结果

4.1 实验流程

基于灰度直方图、边缘直方图的粒子滤波红外目标跟踪算法的流程框图如图1所示,具体步骤为:1)将红外视频一帧一帧地依次读入;2)针对每一帧红外图像序列,分别变换为灰度图像以及Canny边缘检测图像;3)根据灰度图像和Canny边缘检测图像,分别生成灰度直方图和边缘直方图;4)根据灰度直方图以及边缘直方图建立目标的观测模型;5)进入粒子滤波的主程序进行跟踪。

4.2 实验结果

按照上述方法,在1.8 GHz CPU,512 Mbyte内存的计算机上,利用VC++6.0平台上测试算法的有效性。使用的测试视频来自于You Tube网站,网址为http://www.youtube.com/watch?v=9fx7_D0E7zg。此段视频中,人体目标有匍匐、爬行、半蹲、站立等多种运动状态,并且还有遮挡目标的情况出现。将此段视频分解为210帧的图像序列,用于本文算法的检测。目标在视频第1帧手工选定,如图1所示。现抓取视频图像的第1,30,80,110,130,200帧跟踪结果呈现如图2所示。每帧中第1幅图为灰度图像,第2幅为Canny边缘检测图像,第3幅为跟踪效果图。

从图2中可以看出,虽然目标的运动状态较为复杂,但是该算法在各个时刻均可以进行稳健有效的跟踪。

4.3 本文算法与基于单特征建模粒子滤波跟踪算法的比较

图3为本文算法与基于单特征建模的粒子滤波算法的跟踪效果比较,对于两种算法采用相同的视频进行测试。其中对于基于单特征的粒子滤波跟踪算法,仅提取边缘特征,采用基于边缘特征建模的粒子滤波跟踪算法。图3a为本文算法在第113帧、126帧和195帧的跟踪效果图,图3b为基于边缘特征粒子滤波算法在对应各帧的跟踪结果。

从图3中可以看出,相比于基于单特征建模的粒子滤波跟踪算法,本文算法对于运动目标的跟踪更加稳定有效。特别是在运动目标产生遮挡现象时,即运动目标隐藏于树干之后的情况下,基于边缘特征建模的粒子滤波跟踪算法,由于其单特征建模的局限性,不能完整地提取跟踪目标的边缘特征,产生了较大的偏差;而对于本文的算法,由于采取了灰度特征和边缘特征相融合进行建模,当目标边缘特征不完整时,可以提取其灰度特征进行弥补,由于待跟踪目标与树干的灰度特征差异明显,所以本文算法仍可以区分出目标与背景,以实现稳健的跟踪。因此,融合灰度特征和边缘特征进行建模的粒子滤波跟踪算法可以适当改善基于单特征建模粒子滤波算法的一些不足,比如遮挡现象。

5 小结

根据红外图像的特点,选取具有弱相关性、强互补性的两种特征灰度特征以及边缘特征,分别建立灰度直方图、边缘直方图来表征红外图像的灰度概率密度分布和边缘概率密度分布。针对单独采用灰度特征建模时,在背景和目标颜色相近时,对目标的识别不敏感的问题,利用边缘特征进行有效的补充;同理,针对单独采用边缘特征进行建模所遇到的目标变形、遮挡情况下无法稳定跟踪的情况,利用灰度特征进行改进。实验证明,本文的算法可以准确地实现目标跟踪,在目标产生遮挡的情况下,仍然可以进行有效的跟踪。在本文的基础上,可以融合更多的特征进行目标建模,另外可以将多特征建模引入粒子滤波权值更新的步骤中,实现对本文算法的改进。

参考文献

[1]COMANICIU D,RAMESH V,MEER P.Kernel-based object tracking[J].IEEE Trans.Pattern Analysis and Machine Intelligence,2003,25(5):564-577.

[2]LI P,ZHANG T,ARTHUR E C P.Visual contour tracking based on particle filters[J].Image and Vision Computing,2003,21(1):111-123.

[3]LIPTON A,FUJIYOSHI H,PATIL R.Moving target classification and tracking from real-time video[C]//Proc.the Workshop on Application of Computer Vision.Washington,DC,USA:IEEE Press,1998:47-58.

[4]BLACK M J,JEPSON A D.Eigentracking:robust matching and tracking of articulated objects using a view-based representation[EB/OL].[2009-09-20].http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.18.5663.

[5]TISSAINAYAGAM P,SUTER D.Object tracking in image sequences using point features[J].Pattern Recognition,2005,38(1):105-113.

[6]ANDERSON B D O,MOORE J B.Optimal filtering[M].Englewood Cliffs,New Jersey:Prentice-Hall,1979.

[7]HAYKIN S.Kalman filtering and neural networks[M].New York,USA:John Wiley&Sons,2001.

[8]DOUCET A,GORDON N,KRISHNAMURTHY V.Particle filters for state estimation of jump Markov linear systems[J].IEEE Trans.Signal Processing,2001,49(3):613-624.

[9]GORDON N J,SALMOND D J,SMITH A F M.Novel approach to nonlin-ear/non-Gaussian Bayesian state estimation[EB/OL].[2009-10-20].http://www.citeulike.org/user/maxp/article/1815463.

红外林火图像采集系统设计 第9篇

森林火灾具有时空突发性、短时间内能造成巨大损失的特点。林火探测已成为越来越多的有林国家进行林火管理的重要研究工作。但是对林火图像采集却没有给予足够的重视, 现有的林火图像采集系统采集的图像模糊, 精确率不高, 并且价格昂贵[1,2], 虽然也能够起到一定的作用, 但是缺少对林火的进一步分析、火焰的蔓延速度、火焰的高度等信息。为解决上述问题, 本文采用FPGA嵌入式技术应用于CZ45135非制冷型热像仪, 可有效地实现LVDS数据的实时采集功能。

1 红外林火探测仪的结构

红外林火探测仪从结构上说, 由非制冷IRFPA热像仪、FPGA模块、DSP处理器、RS422数据传输线、云台和电源六大部分组成。本文主要介绍由非制冷IRFPA热像仪、FPGA模块和RS422数据传输线三部分组成的图像数据采集功能模块。

1.1 非制冷IRFPA热像仪

采用的非制冷IRFPA热像仪型号是CZ45135, 其主要特点是启动时间短, 功耗低, 温度灵敏度高。其环境指标为:工作温度在-40℃～+60℃, 其它的一般为-25℃～+45℃, 比较知其工作环境的约束降低了许多, 同时也降低了环境对本系统的工作要求, 技术指标与其他的改进之处为:镜头焦距为45 mm～135 mm连续变化, 其它一般为60 mm～120 mm, 从而增大了视场变化范围;温度灵敏度 (NETD) 60 mK, 其它一般为100 mK, 提高了采集到的灰度图像的对比度, 因为热像仪输出的灰度图像的灰度等级就是根据温度差来判断的, 温度灵敏度越高, 输出灰度图像的对比度就要高。

1.2 FPGA模块

FPGA模块能将传出的串行数据写入SRAM存储器或将数据从SRAM读出数据;并将读出的数据通过Nios处理器打包, 存入SDRAM存储器中。此部分从功能上主要由以下几个模块组成:图像数据接收逻辑、图像数据采集模块、数据打包和数据传输。原理框图见图1;各个模块的功能介绍如下:

(1) 图像数据接收逻辑:根据探测器输出的数字视频信号的场同步, 行同步以及时钟信号, 发送控制信号接收图像数据;

(2) 图像数据采集模块:利用verilog硬件描述语言控制FPGA主芯片完成对热像仪中的灰度图像信号的采集;

(3) 数据打包:运用Nios处理器将存储的数据打包存储到16M的SDRAM中等待传输;

(4) 数据传输:通过无线监控系统把SDRAM中的数据传输到图像处理设备中等待伪彩色处理。

1.3 其他部分

DSP处理器主要控制云台的转角速度及转动的方位如仰角的大小;RS422通过两对双绞线可以全双工工作收发互不影响, 提高了系统的实时性;电源采用太阳能, 一方面符合现代社会能源要求节约了能源需求, 另一方面太阳能来自天然容易获得, 源源不竭可以给设备持续提供电源, 避免因电源不足导致失效所带来的后果。

2 系统硬件设计

林火图像采集是林火探测技术中的一项重要研究内容, 采集图像的质量直接影响林火探测的结果。系统结合林火图像的特点[3], 采用Altera公司的Cyclone系列FPGA (型号为EP1C12Q240C8N) 作为核心器件实现采集功能;采用FPGA作为核心芯片的最大优点为可以改进FPGA内部程序, 使用更高的时钟频率, 能更快准确地对图像进行采集, 并使它在不同分辨率下的自适应能力更强。

2.1 FPGA整体模块结构

FPGA模块中采用从左到右, 自上而下的设计原则, 重点在于模块的划分。本系统根据接口和功能的不同, 大致分为四个模块:主控制模块、SRAM模块、Nios处理器模块和SDRAM模块。结构框图见图2。

系统通过云台获得图像信号, 经过非制冷热像仪将图像信号转化为数字信号传输到FPGA中, FPGA将接收到的数据送入扩充的存储器SRAM中作为暂存, 同时还从SRAM中读出数据送入Nios处理器中进行数据打包, 打包结束, 将数据存入SDRAM中准备通过无线设备进行传输。

2.2 SRAM与SDRAM

存储一帧图像需要的容量太大, 不可能存放在芯片内部的RAM中, 所以必须使用外部存储器来解决这个问题。SRAM外扩存储器实现图像数据帧缓存功能, 操作简单, 高速访问时间为10.12 ns, 减少延时, 提高数据传输速率, 并且实时性高; SDRAM存储器容量大, 专门为CPU服务并用来存储Nios处理器处理好的数据。采用一片SRAM与SDRAM相结合, 同时利用FPGA内部存储单元的特性, 大大提高了系统运行的性能, 实现了对图像信号的无损传输。

FPGA通过18根地址线和5根控制线实现对SRAM的控制。SRAM与FPGA接口电路原理图如图3。

2.3 Nios处理器

Nios CPU采用五级流水线设计, 采用了Harvard结构, 使用指令和数据存储器分离的存储器结构, 具有灵活的结构可修改性, 可以支持自定制指令。Nios CPU通过Avalon总线与FPGA、SDRAM通信。此系统的Nios处理器主要完成对FPGA从SRAM中读出的数据进行打包功能。

3 系统软件设计

本系统的软件部分主要包括数据的采集、SRAM存储器的读写与数据的打包三大部分。本设计采用QuartusII开发软件, Verilog HDL硬件描述语言, 此语言具有简捷、高效、功能强, 可满足各个层次设计人员的需要等特点。具体的采集流程图见图4。

4 试验结果与分析

图5-1是热像仪扫描到的现场图像。

图5-2是此系统采集热像仪的320240的红外灰度图像。

图5-3, 图5-4分别为图5-1, 图5-2的直方图, 通过观察直方图数据对比可知:只有在灰度值为80与175左右两幅图像有点差别, 经试验分析得知, 这两部分灰度值对林火图像的分析几乎没影响, 其余部分两幅图像几乎是一样的, 即运用本系统获得的红外林火图像与实际图像数据拟合好, 图像边缘清晰, 对比度高, 几乎无错位, 有利于进一步伪彩色处理。

5 结论

本系统充分利用了FPGA和NiosII处理器的强大功能。通过实验表明, 此系统与已有系统比较最大改进之处为:可以改变FPGA内部程序, 使用更高的时钟频率, 使采集的图像更快速准确;同时采用最先进的热像仪, 使输出的红外灰度图像对比度高;能获得清晰的林火图像, 采集的图像具有高分辨率、低误码率等特点;并且响应速度快, 实时性高, 延迟最小、程序可移植性强等优势。

摘要：林火是一种破坏性极强的灾害, 林火探测已成为林火研究中重要的研究内容之一。给出了利用FPGA嵌入式技术实现林火图像信号的采集、数据打包和传输等功能的系统。该系统稳定可靠, 通用性强, 提高了火灾探测的实时性、准确性, 并已在林火探测系统中得到实际应用。

关键词：林火图像,FPGA,图像采集,红外图像

参考文献

[1] Chi Jiannan.A detection method of infrared image small targetbased on order morphology transformation and image entropydiffer-ence.Guangzhou:Proceedings of the Fourth International Confer-ence on Machine Learning and Cybernetics, EEE, 2005

[2] Micorn Techonology.Synchronous DRAM MT48LCM16A2 Datashe-et, 2003