紅外圖像邊緣檢測算法綜述

何 謙，劉伯運

〈綜述與評論〉

紅外圖像邊緣檢測算法綜述

何 謙，劉伯運

（海軍工程大學 動力工程學院，湖北 武漢 430033）

為填補紅外圖像邊緣檢測算法綜述性研究的空白，使更多研究者較為全面地了解目前成果，并為后續研究提供有價值的參考，遴選了近十年國內外紅外圖像邊緣檢測技術研究的相關文獻。首先概述了紅外成像與邊緣檢測技術，進而闡述了紅外圖像邊緣檢測技術的難點與挑戰，接著總結了主要的紅外圖像邊緣檢測算法，將相關算法分為了4類——基于經典邊緣檢測算子改進的、基于蟻群算法的、基于數學形態學的和基于網絡模型的，對其涉及的關鍵技術分別進行了分析。研究認為，在傳統紅外圖像邊緣檢測技術中，形態學方法因簡單易用而具有一定潛力；對于非傳統紅外圖像邊緣檢測技術，基于深度學習的方法對目標邊緣的針對性更強、魯棒性更好、不需要設計復雜的算法步驟，給紅外圖像邊緣檢測帶來了新的發展機遇。

紅外圖像；邊緣檢測；數學形態學；深度學習

0 引言

邊緣檢測是通過尋找圖像中灰度顯著變化的區域來提取圖像邊緣，在圖像分割、圖像融合、模式識別和計算機視覺中，常常作為一種基礎性的圖像預處理步驟而得到廣泛使用。

紅外成像技術是根據輻射原理成像而得到紅外圖像，紅外圖像的像素亮度表征了物體表面的溫度。由于具有隱蔽性好、可全天候工作、可穿透煙霧等優良特性，紅外成像技術在各領域都得到了廣泛應用。受制于紅外圖像的成像機理、成像系統特性和各種外界噪聲（如熱噪聲、光子電子漲落噪聲、散粒噪聲等）的影響，紅外圖像通常具有信噪比低、分辨率低、對比度差和邊緣模糊的特點，為滿足人們對紅外圖像進一步分析和識別的需求，紅外圖像邊緣檢測技術體現了較大難度和重要意義。

目前，可見光圖像邊緣檢測技術已較為成熟，但仍不斷有新的研究涌現。對紅外圖像邊緣檢測的專門性研究明顯少于可見光圖像，紅外圖像邊緣檢測算法的綜述性研究也幾乎是空白。由于紅外圖像與可見光圖像存在很多區別，各類可見光圖像邊緣檢測算法，只能在一定程度上給紅外圖像邊緣檢測研究提供參考，無法完全適用于紅外圖像的邊緣檢測。因此，有必要對目前紅外圖像邊緣檢測技術的各類研究成果進行綜合與分析，對技術尚存的問題進行總結與展望，使研究者較為全面地了解目前相關研究的成果，為后續研究提供有價值的參考。

為此，本文遴選了近十年國內外關于紅外圖像邊緣檢測技術研究的相關文獻，在深入綜合分析和分類比較的基礎上，首先概述紅外成像和邊緣檢測，進而闡述了紅外圖像邊緣檢測技術的難點與挑戰，接著對近年來紅外圖像邊緣檢測的各類算法進行了分析與梳理。基于此，對當前算法存在的問題和未來發展方向提出了總結與展望。

1 紅外成像與邊緣檢測概述

1.1 紅外成像

紅外線與可見光、無線電波一樣都屬于電磁波，其輻射波長為0.75～1000mm，介于微波與可見光之間。溫度在絕對零度以上的物體，其分子和原子都會產生無規則運動，由此不停地向外輻射紅外熱能，熱輻射的能量大小和物體表面溫度有關。溫度越高，無規則運動愈劇烈，熱輻射能量愈大，反之則愈小[1]。

紅外成像系統就是根據上述輻射原理，利用目標與背景之間的紅外輻射差來形成紅外圖像。典型紅外成像系統由光學成像掃描系統、紅外探測器、信號處理轉換電路和顯示模塊4個部分組成[2]，如圖1所示。其中，光學系統在紅外探測器的感光面上對景物熱輻射進行掃描成像，紅外探測器將紅外光信號轉換為數字信號，再經過信號處理并轉換成圖像進行顯示。

由于紅外成像屬于被動成像，因而具有良好的隱蔽性；利用紅外輻射，幾乎可以完成全天候地監測；紅外成像不受電磁干擾，能夠精確跟蹤目標；此外，紅外熱成像技術的探測能力強、作用距離遠。基于以上特性，紅外成像技術在軍事、工業、農業、醫療和安防領域得到了廣泛應用。

圖1 紅外成像系統原理

1.2 邊緣檢測

邊緣是圖像最本質的特征，包含了圖像的絕大部分信息，反映了圖像局部特性不連續（灰度突變）的地方，即圖像中灰度變化比較劇烈的地方。在圖像中，一個區域的結束與另一個區域的起始就是邊緣在圖像中的反映[3]。根據圖像灰度變化特點，可將邊緣分為階躍型、屋頂型、階梯型等。

邊緣檢測可分為4步，如圖2所示。首先通過濾波平滑噪聲，再通過圖像增強提升對比度、突出邊緣，接著需要通過各種方法確定邊緣點、提取邊緣。最后，如果是要在特定鄰域內尋找邊緣位置，可以通過子像素的分辨率進行估測。

圖2 邊緣檢測步驟

邊緣檢測的方法可以歸為3類[4]：一是經典檢測方法，如各種微分算子——Roberts、Sobel、Prewitt、Laplacian，和基于這些微分算子的Log算子、Canny算子等；二是基于能量最小化準則的全局提取方法，從全局最優出發實現邊緣提取；三是以各種新型理論技術為基礎的算法，如基于小波變換、數學形態學、遺傳算法、模糊數學、組合優化理論、深度學習等各類方法的邊緣檢測算法。

2 紅外圖像邊緣檢測的難點與挑戰

根據對紅外成像系統的組成和成像原理的分析，可知紅外圖像具有以下缺點：

1）無立體感。紅外圖像表征了背景與目標的溫度分布，屬于灰度圖像，缺少透視、色彩、陰影等產生現實空間的假象。

2）空間分辨率低。由于紅外光波長大于可見光波長，自然條件下，可見光能量大于紅外光，紅外成像系統接收到的能量小于可見光成像系統。因此，系統設計時會折中考慮圖像的空間分辨率和輻射分辨率，導致紅外圖像的空間分辨率一般低于可見光圖像。

3）對比度低和邊緣模糊。紅外成像受大氣傳輸衰減影響，相鄰像素相似度高，區域變化不劇烈[5]。

4）噪聲復雜多樣。紅外輻射經大氣傳輸到成像的過程中，會受到隨機熱噪聲、散粒噪聲、1/噪聲等的影響[6]，造成紅外圖像中的噪聲來源和分布復雜、不可預測。

5）非均勻性。由于紅外探測器中，各探測單元的響應特征無法完全一致，造成了紅外圖像中存在固定圖形噪聲、畸變和串擾等。

6）信噪比低。紅外成像系統分辨率低，像元受噪聲影響的幾率更大；紅外成像系統內部噪聲比可見光成像系統更復雜多樣，紅外輻射的大氣傳輸還會受到自然輻射源造成的背景輻射干擾。因此，紅外圖像的信噪比往往弱于可見光圖像。

基于以上對紅外圖像缺陷的分析，可總結出紅外圖像邊緣檢測中存在的難點與挑戰：一是由于紅外圖像的噪聲復雜多樣，導致邊緣檢測時對去噪的要求較高；二是由于紅外圖像對比度低和邊緣模糊，導致確定邊緣點時的難度增大，需要對圖像進行合適的對比度增強；三是由于紅外圖像的空間分辨率低，造成其紋理細節不明顯，邊緣檢測得到的結果信息匱乏，直觀視覺感受較差，需要對圖像進行一定的細節增強處理；四是提取的邊緣往往較粗，需要進行合適的細化處理；五是提取的邊緣極有可能斷斷續續，需要進行邊緣連接；六是邊緣提取結果在一些情況下應該保證人眼視覺效果，因此有時需要結合人眼視覺模型對邊緣檢測算法進行相應改進。

總的來說，紅外圖像邊緣檢測中具有很多在可見光圖像邊緣檢測時很少遇到的難點與挑戰，大量較為成熟的可見光圖像邊緣檢測方法不能很好地適用于紅外圖像，需要針對紅外圖像的特點，進行專門性的邊緣檢測算法研究與改進。

3 紅外圖像邊緣檢測算法

本文遴選并研究了近十年國內外紅外圖像邊緣檢測算法的相關文獻，將主要算法分為4類，分別是基于經典邊緣檢測算子改進的、基于蟻群算法的、基于數學形態學的、基于網絡模型的紅外圖像邊緣檢測。此外，還對其他研究相對較少的方法單獨進行了闡述和分析。

3.1 基于經典邊緣檢測算子改進

經典邊緣檢測算子可分為3類：一是通過一階導數計算圖像梯度值，如Roberts、Sobel、Prewitt算子；二是通過二階導數搜索零交叉點，如Laplacian、Log算子；三是復合算子，如Canny算子。這些經典算子在大量圖像處理的相關研究中都有分析介紹，因此本文不再贅述。

在改進經典算子以提高其對紅外圖像的適用性之前，有學者先探索了經典邊緣檢測算子對紅外圖像的實際應用效果。文獻[7-8]對Roberts、Sobel、Prewitt、Log和Canny五種算子進行了實驗與分析，并指出：①一階梯度算子在背景單一的情況下能夠完成邊緣提取，但缺乏對目標細節邊緣檢測的能力，同時提取的邊緣存在不連續的現象，對于信息復雜的圖像提取效率將大大降低。其中Roberts算子對具有陡峭的低噪聲圖像效果最好，但提取邊緣較粗，且受噪聲影響最大；Sobel算子可平滑噪聲，但檢出邊緣較為粗糙、定位精度低；Prewitt算子通過對圖像低通濾波來抑制噪聲，對邊緣的定位精度不高。②以Log為代表的二階算子相比于一階算子能檢出更多邊緣，采用高斯濾波抑噪，適用于屋頂型邊緣檢測，但易出現偽邊緣、計算量較大；③Canny算子效果最理想，其關鍵是選取適當的高斯濾波參數和適當的閾值，但對噪聲過分敏感，最好與一些去噪預處理手段結合使用。

文獻[9-26]采用了各種方法對經典邊緣檢測算子進行改進，使之對紅外圖像邊緣檢測效果更加完善。

3.1.1 基于Sobel算子的改進

Sobel算子在處理紅外圖像時具有一定的抗噪能力，提取的邊緣較為粗糙。文獻[9-10]針對Sobel算子定位精度低的問題進行了改進，文獻[9]側重于預處理步驟，在Sobel算子處理之前先對圖像進行了閾值分割和分段對比度拉伸，有利于去噪和突出邊緣，但在進行分段灰度拉伸時需要人為指定兩個灰度值的控制點，導致其自適應性不強。文獻[10]則直接改造Sobel算子，將其檢測方向拓展為八方向，提高了準確性，并對Sobel的邊緣檢測結果基于模糊理論進行了進一步的處理，起到了一定的優化作用，但計算較為復雜。

3.1.2 基于Prewitt算子的改進

針對傳統Prewitt算子應用于紅外圖像處理時，存在人為選取閾值造成邊緣結構缺失、產生偽邊緣、定位不準等缺點，文獻[11]在Prewitt算子內增加了兩個對角方向的模板，并通過圖像的遍歷情況動態更新Prewitt算子的閾值，提高了算法的自適應性，并使得偽邊緣明顯減少，但其抗噪性能和處理效率還有待于進一步研究。

3.1.3 基于Laplacian算子的改進

文獻[12]提出了一種基于Laplacian算子和灰色關聯度相結合的邊緣檢測方法，將Laplacian算子的八鄰域模板作為參考序列提取系統序列，根據灰度關聯度原理分割圖像并提取邊緣。相比與Sobel、Roberts和Log算子，該算法去除椒鹽噪聲和提取圖像邊緣的效果明顯更好。不足之處是只針對了椒鹽噪聲的去除，沒有考慮到紅外圖像中其他噪聲及其影響，且閾值需要人為選取、計算量較大。

3.1.4 基于融合算子的改進

除了對單個算子進行改進，還有研究者通過融合多個算子的處理結果來改善紅外圖像邊緣檢測的效果：文獻[13]利用Roberts算子和改進8方向的Sobel算子分別對圖像進行處理得到兩幅梯度幅值圖像，將二者相乘后進行閾值分割提取邊緣；文獻[14]則融合了Log算子與Roberts算子，提取的邊緣較為清晰連續，內部細節較為豐富。

融合不同算子進行處理，通常都是因為二者存在某些方面的互補，得到的結果也能綜合不同算子的優點，而其難點往往在于如何將不同算子有機地結合起來。

3.1.5 基于Canny算子的改進

相對于一階和二階算子，復合的Canny算子功能更為強大，具有更好的應用潛力。因此，在紅外圖像邊緣檢測中，有很多基于Canny算子改進的算法研究[15-17,20-26]。

一方面是不改動Canny的內部結構，只增加預處理或后續處理步驟。如文獻[15]既使用變窗口中值濾波進行去噪保邊預處理，又在Canny算子提取邊緣后使用基于最小邊緣比的方法對邊緣進行連接；文獻[16]主要針對預處理過程，對紅外圖像進行整體灰度變換后，采用基于模糊C均值聚類的方法突出邊緣；文獻[17]的處理過程類似于文獻[15]，但處理方法更為先進、有效，預處理時采用了BM3D（Block-Matching and 3D filtering）[18]去噪，對Canny算子的處理結果采用基于GLCPD（Global and Local Curvature Properties Detector）[19]的方法進行輪廓提取和邊緣連接，采用該方法提取邊緣清晰、連續，但計算量較大。

另一方面是主要對Canny算子的內部處理步驟進行合理優化。如圖3所示，Canny算子包括4個處理步驟：一是對圖像高斯濾波去噪，二是計算去噪圖像的梯度幅值和方向，三是對梯度幅值在鄰域內進行非極大值抑制，四是設定高低閾值檢測和連接邊緣。對不同步驟都存在研究改進：①針對步驟一高斯濾波需要人為設定方差，文獻[20]通過采用局部最大標準差為設定方差提供參考實現自適應；文獻[21-23]采用數學形態學方法替換高斯濾波進行自適應去噪，其關鍵在于形態學結構元素的選取去噪效果的好壞具有決定性影響；文獻[24-25]采用自適應中值濾波代替高斯濾波。這三種方式在去噪上沒有絕對的效果優劣，具體哪種更加完善還是需要針對具體問題而定。②針對步驟二梯度計算中采用單一微分算子導致的局限性，文獻[24]使用改進的八方向鄰域梯度幅值法計算梯度，文獻[26]采用主成分分析法對Sobel、Prewitt和Krisch算子進行融合并提取主算子后再計算梯度。兩種方法在一定程度上都能夠優化梯度計算。③針對步驟三，文獻[25]提出了基于二階偏導的非極大值抑制方法，使得結果更加準確。④針對步驟四中高低閾值的設定，文獻[20, 22-23, 25]均采用最大類間方差法自適應獲取閾值。總的來說，在具體應用到紅外圖像邊緣檢測時，并不一定需要對每個步驟都進行優化，而是需要結合圖像的特征對方法的選擇進行考慮。

圖3 Canny算子邊緣檢測流程圖

3.2 基于蟻群算法

螞蟻通過蟻群的共同行為尋找最優路徑。在此過程中，螞蟻會在其經過的地方留下信息素，而后來者將根據信息素強弱選擇路徑。螞蟻走到一未曾經過的路口時，會隨機選擇并釋放信息素。隨時間推移，較短路徑上的信息素將不斷增加，其他較長路徑的信息素將慢慢減少或消失，最終蟻群會找到一條最優路徑[27]。這就是蟻群算法的基本原理。

蟻群算法具有較強的魯棒性、優良的分布式計算，且易于與其他算法結合[28]。因此，有學者對其進行適用性改進后，用于紅外圖像的邊緣檢測：文獻[29]將Sobel算子與蟻群算法相結合，通過Sobel算子的預處理引導人工螞蟻的初始釋放，從而簡化了螞蟻向邊緣區域集結的過程；文獻[30]在文獻[29]的基礎上，自適應地給出螞蟻在一次迭代中行進的步長和禁忌列表長度，抑制結果過快收斂；文獻[31-32]在文獻[30]基礎上，選取了Canny算子作為啟發信息，采用局部和全局更新規則相結合的方法更新信息素，并對信息素揮發率作了自適應調整，閾值的選取也采用了自適應的K-means方法，大大提高了算法的自適應性。此外，文獻[33]重點改進了決策過程的閾值自適應問題；文獻[34-35]則將小波變換預處理與蟻群算法相結合，旨在提高算法的去噪能力、改進提取邊緣的清晰度。

總的來說，將蟻群算法用于紅外圖像邊緣檢測是有效的，然而，受制于蟻群算法本身計算量大、收斂速度慢、易過早陷入局部最優和參數設置帶有明顯經驗性的特點，此類算法在處理效率和自適應性上還有待于后續研究的不斷改進。

3.3 基于數學形態學

在圖像處理中，數學形態學是一種以形態為基礎的分析工具，其基本思想是使用具有一定形態的結構元素來度量和提取圖像信息[36]。數學形態學包含4種基本運算：腐蝕、膨脹、開運算和閉運算，可以解決平滑抑噪、圖像融合、邊緣檢測等問題，去噪時可最大程度保留邊緣信息[37]。

數學形態學方法的應用，在紅外圖像邊緣檢測中是一條必經之路，而其效果好壞的關鍵在于結構元素的構造和運算方法的設計。在大多數相關研究中，形態學方法都不是單獨使用的，而是作為邊緣檢測步驟中的其中之一：一些研究將其作為去噪預處理步驟[12,14,21,23,38]，另一些將其作為最終邊緣提取的步驟[24,39-40]，其中一般都采用較為通用的結構元素與運算方法。

這里重點討論將形態學方法作為紅外圖像邊緣檢測算法主體的相關研究，其中對形態學方法用于紅外圖像的探索更為深入。文獻[41]針對紅外圖像邊緣提取，構造了兩種尺度、4個方向的結構元素，在每個方向上利用兩種尺度的結構元素分別對圖像進行膨脹和腐蝕運算，將所得結果作差，最后對4個方向的結果加權求和得到邊緣，實驗表明該算法具有良好的抑制椒鹽與高斯噪聲能力，提取的邊緣清晰連續。文獻[42]提出了一種新的基于雙奇偶性形態學梯度的邊緣檢測算子DPMG（Dual Parity Morphological Gradients）：先構建兩個奇偶形態學結構元素B、C，利用C結構元素分別對紅外圖像作膨脹、腐蝕運算得到結果G、H，接著將G、H相乘并與B結構元素作腐蝕運算得到結果D，計算D中元素的均值得到最終結果，該算法保邊性能好，能有效地解決紅外圖像邊緣模糊的問題。

總的來說，基于形態學的紅外圖像邊緣檢測算法計算較為簡單、能夠較好地保持圖像邊緣信息，對于精心設計的結構元素和運算方法，在抑噪和檢測精度之間能夠達到良好的平衡，具有一定的潛力。

3.4 基于網絡模型

在基于網絡模型的紅外圖像邊緣檢測相關算法的研究中，主要涉及到細胞神經網絡（Cellular Neural Network，CNN）和深度神經網絡（Deep Neural Network，DNN）。

3.4.1 基于CNN的紅外圖像邊緣檢測

1998年，Chua和Yang[43]提出了CNN。在解決圖像處理、人工智能和模式識別等問題時，CNN由于體現了高速的并行處理能力而備受關注。CNN用于圖像處理時，其關鍵在于算法中模板的設計，在其狀態方程中加入相應局部約束條件，讓網絡在樣本和理想值之間進行學習，得到解決與樣本類似問題的模板[44]：文獻[41]直接設定一組固定模板，文獻[45]則采用分布式遺傳算法訓練CNN模板，文獻[46]在考慮對應鄰域窗口內各像素同中心像素相對距離的基礎上，結合遺傳算法訓練CNN模板。總的來說，通過遺傳算法訓練出的模板存在著對樣本過擬合的問題，而固定的單一模板難以識別邊緣。因此，在模板設計中需要考慮CNN局部鄰域空間關系的影響，設計一種閾值自適應的模板才能顯著提升紅外圖像邊緣檢測效果。

3.4.2 基于DNN的紅外圖像邊緣檢測

深度模型具有高效的特征表達能力和強大的學習能力，能從像素級原始數據到抽象的語義概念逐層提取信息，使其在提取上下文信息和圖像特征方面具有突出的優勢，為解決傳統的邊緣檢測問題創造了新思路[47]。

目前，基于深度學習的邊緣檢測算法有全監督學習邊緣檢測和弱監督或無監督邊緣檢測兩類，近年來，前者中出現了很多代表性算法，如HED[48]（Holistically-Nested Network）、RCF[49]（Richer Convolutional Features）、CEDN[50]（Convolutional Encoder-Decoder Network）等等。以HED模型為例，它以VGG（Visual Geometry Group）模型為基礎結構，利用多層級的特征融合方式，實現二值邊緣檢測，其結構如圖4所示。

文獻[51]提出了一種基于改進HED網絡的紅外圖像邊緣檢測方法，在原網絡結構基礎上減少兩個池化層以提高輸出精度，并將網絡輸出結果與匹配濾波結果融合。改進HED網絡可以輸出目標的顯著性抽象化邊緣圖像，表征了圖像的高層語義信息，將其與其他方法得到的底層特征信息結合起來，可以有效提高邊緣檢測的精度和穩定性。

圖4 HED結構

總的來說，將深度網絡用于紅外圖像邊緣檢測的研究目前較少，但由于基于深度學習的邊緣檢測方法對目標邊緣的針對性更強、魯棒性更好，且現有的深度模型基本實現端到端學習，不需要設計復雜的算法步驟，因此，進一步的研究是十分有意義的。

3.5 其他研究較少的方法

除了基于經典邊緣檢測算子改進的、基于蟻群算法的、基于數學形態學的、基于網絡模型的紅外圖像邊緣檢測方法，還有其他一些研究相對較少的方法，如：文獻[40]引入了相位一致性方法；文獻[52]通過計算子空間Tsallis熵來選取最佳閾值分割紅外圖像；文獻[53]融合線調頻小波變換和分形幾何的思想，建立了線調頻小波分維數對圖像進行閾值分割；文獻[54]采用了Hough變換；文獻[55]探究了局部標準差算子的邊緣檢測效果；文獻[56]引入了組合優化理論；文獻[57]應用了量子行為云模型；文獻[58]根據人眼和紅外圖像特性，構造了描述紅外圖像的3個基本特征以量化邊緣特征數據集，采用K-means聚類提取邊緣。

4 總結

本文主要分析了紅外圖像邊緣檢測中存在的難點和挑戰，并對近十年紅外圖像邊緣檢測的相關研究進行了較為詳細的分類、梳理和總結，還對各類方法進行了研究、分析和評價。

總的來說，關于紅外圖像邊緣檢測的研究始終是以問題為導向的。可以說，目前還不存在一種普適性的方法，可以在所有類型的紅外圖像邊緣檢測問題上都達到優良效果。紅外圖像邊緣檢測算法的抗噪性、精確度、清晰度、連續性、實時性、自適應性，以及算法處理結果的人眼視覺效果等，都是需要針對具體問題來進行權衡的因素。一般來說，復雜算法的實時性和自適應性往往較差，但在其他方面表現較好，結構簡單的算法則反之。

就傳統邊緣檢測技術來說，形態學方法簡單易用，對于精心設計的結構元素和運算方法，在抑噪和檢測精度之間能夠達到良好的平衡，具有一定的潛力。相對于傳統方法而言，基于深度學習的邊緣檢測方法對目標邊緣的針對性更強、魯棒性更好，且現有的深度模型基本實現端到端學習，不需要設計復雜的算法步驟。未來，基于深度學習的紅外圖像邊緣檢測算法將具有更大的研究價值。

[1] 唐艷秋. 非制冷型紅外成像系統關鍵技術研究[D]. 長春: 中國科學院研究生院(長春光學精密機械與物理研究所), 2016.

TANG Yanqiu. Research on The Key Techniques of Uncooled Infrared Thermal Imaging System[D]. Changchun: Graduate School of Chinese Academy of Sciences (Changchun Institute of optics, precision machinery and Physics), 2016.

[2] 柳鑫. 紅外圖像去噪算法研究[D]. 西安: 西安電子科技大學,2019.

LIU Xin. Research on Infrared Image Denoising Algorithm[D]. Xi'an: Xidian University, 2019.

[3] 劉麗霞, 李寶文, 王陽萍, 等. 改進Canny邊緣檢測的遙感影像分割[J]. 計算機工程與應用, 2019, 55(12): 54-58,180.

LIU Lixia, LI Baowen, WANG Yangping, et al. Remote Sensing Image Segmentation Based on Improved Canny Edge Detection[J]., 2019, 55(12): 54-58, 180.

[4] 黃海龍. 數學形態學在圖像邊緣檢測和機器視覺中的應用研究[D].沈陽: 東北大學,2013.

HUANG Hailong. The Research and Application of Mathematical Morphology in Image Edge Detection and Machine Vision[D]. Shenyang: Northeastern University, 2013.

[5] 李毅. 基于視覺模型的紅外圖像增強技術研究[D]. 長春: 中國科學院研究生院(長春光學精密機械與物理研究所), 2016.

LI Yi. Research on Technology of Infrared Image Enhancement Based on Human and Visual Model[D]. Changchun: Graduate School of Chinese Academy of Sciences (Changchun Institute of optics, precision machinery and Physics), 2016.

[6] 尚磊. 紅外成像系統關鍵技術研究與實現[D]. 西安: 西安電子科技大學, 2013.

SHANG Lei. The Key Technology Research and Implementation of Infrared Imaging System[D]. Xi'an: Xidian University, 2019.

[7] 岳改麗, 王棟, 楊蕊. 幾種邊緣檢測算子在紅外圖像處理方面應用研究[J]. 西安科技大學學報, 2012, 32(4): 500-504, 513.

YUE Gaili, WANG Dong, YANG Rui. Application of several edge detection operatorin infrared images processing[J]., 2012, 32(4): 500-504, 513.

[8] 周小軍, 郭佳, 姜玉泉, 等. 紅外圖像幾種邊緣檢測算法對比分析[J].工業儀表與自動化裝置, 2015(4): 58-61, 64.

ZHOU Xiaojun, GUO Jia, JIANG Yuquan, et al. Comparative study on several kinds of edge detection algorithm in infrared image[J]., 2015(4): 58-61, 64.

[9] 潘東杰, 鄧濤. 一種基于閾值分割的紅外圖像邊緣檢測方法[J]. 電子科技, 2010, 23(6): 52-54, 58.

PANG Dongjie, DENG Tao. A Method of Infrared Image Edge Detection Based on Threshold Selection[J]., 2010, 23(6): 52-54, 58.

[10] 閆富榮, 魏臻, 樊秀梅, 等. 基于模糊聯合誤差的紅外圖像邊緣檢測方法[J]. 天津理工大學學報, 2011, 27(1): 33-37.

YAN Furong, WEI Zhen, FAN Xiumei, et al. Edge detection of infrared image based on fuzzy association error[J]., 2011, 27(1): 33-37.

[11] 安建堯, 李金新, 孫雙平. 基于Prewitt算子的紅外圖像邊緣檢測改進算法[J]. 杭州電子科技大學學報: 自然科學版, 2018, 38(5): 18-23, 39.

AN Jianyao, LI Jinxin, SUN Shuangping. Improved Algorithm of Infrared Image Edge Dection Based on Prewitt Operator[J].:, 2018, 38(5): 18-23, 39.

[12] 夏清, 陳亞凱, 張振鑫, 等. 基于Laplace算子和灰色理論的熱紅外影像邊緣檢測[J]. 紅外技術, 2014, 36(5): 377-380, 388.

XIA Qing, CHEN Yakai, ZHANG Zhenxin, et al. Edge Extraction Algorithm of Infrared Thermal Image Based on Laplace Operator and Gray Theory[J]., 2014, 36(5): 377-380, 388.

[13] 夏清, 張振鑫, 王婷婷, 等. 基于改進Sobel算子的紅外圖像邊緣提取算法[J]. 激光與紅外, 2013, 43(10): 1158-1161.

XIA Qing, ZHANG Zhenxin, WANG Tingting, et al. Edge extraction algorithm of infrared thermal image basedon improved sobel operator[J]., 2013, 43(10): 1158-1161.

[14] 夏清, 胡振琪, 位蓓蕾, 等. 一種新的紅外熱像儀圖像邊緣檢測方法[J]. 紅外與激光工程, 2014, 43(1): 318-322.

XIA Qing, HU Zhenqi, WEI Beilei, et al. New edge detection method for images of infrared thermal imager[J]., 2014, 43(1): 318-322.

[15] 王新偉. 基于區域與邊界結合的紅外目標檢測[D]. 武漢: 華中科技大學, 2012.

WANG Xinwei. Infrared target detection based on combination of region and edge[D]. Wuhan: Huazhong University of Science and Technology, 2012.

[16] 唐慶菊, 劉俊巖, 王揚, 等. 基于模糊C均值聚類和Canny算子的紅外圖像邊緣識別與缺陷定量檢測[J]. 紅外與激光工程, 2016, 45(9): 281-285.

TANG Qingju, LIU Junyan, WANG Yang, et al. Infrared image edge recognition and defect quantitativedetermination based on the algorithm of fuzzy C-meansclustering and Canny operator[J]., 2016, 45(9): 281-285.

[17] Minh V H, Aleef T A, Pervaiz U, et al. Smoothness-based Edge Detection using Low-SNR Camera for Robot Navigation[J/OL]. arXiv preprint arXiv: 1710.01416, 2017.

[18] Kostadin, Dabov, Alessandro, et al. Image denoising by sparse 3-D transform-domain collaborative filtering[J]., 2007, 16(8): 2080-95.

[19] HE Xiaochen, Nelson H C Yung. Corner detector based on global and local curvature properties[J]., 2008, 47(5): 057008.

[20] 馬新星, 徐健, 張健. 一種基于自適應Canny算子的艦船紅外圖像邊緣檢測方法[J]. 紅外, 2013, 34(7): 25-30.

MA Xinxing, XU Jian, ZHANG Jian. An Adaptive Canny Operator Based Edge Detection Algorithm for Infrared Image of Ship[J]., 2013, 34(7): 25-30.

[21] 郭慧鑫, 牛竹云, 郭會兵, 等. 一種基于Canny算子的紅外圖像邊緣檢測算法[J]. 火力與指揮控制, 2014, 39(S1): 95-97.

GUO Huixin, NIU Zhuyun, GUO Huibing, et al. Infrared Image Edge Detection Algorithm Based on Improved Canny Algorithm[J]., 2014, 39(S1): 95-97.

[22] LIU Lisang, LIANG Fenqiang, ZHENG Jishi, et al. Ship infrared image edge detection based on an improved adaptive Canny algorithm[J]., 2018, 14(3): 1-6.

[23] 李寶磊, 李清英, 秦乾坤, 等. 一種改進Canny的熱紅外邊緣檢測方法[J]. 計算機時代, 2019(1): 63-66.

LI Baolei, LI Qingying, QIN Qiankun, et al. An improved Canny thermal infrared image edge detection method[J]., 2019(1): 63-66.

[24] TANG Qingju, LIU Yuanlin, BU Chiwu, et al. Infrared Image Edge Detection Based on Morphology-Canny Fusion Algorithm[J]., 2016(9): 259-268.

[25] 孫硯飛, 常曉剛, 李東興, 等. 基于自適應Canny的紅外圖像邊緣檢測算法[J]. 山東理工大學學報: 自然科學版, 2017, 31(6): 18-21.

SUN Yanfei, CHANG Xiaogang, LI Dongxing, et al. Infrared image edge detection algorithm based on adaptive Canny[J].:, 2017, 31(6): 18-21.

[26] 葉德周, 楊風健, 貌程浩, 等. 基于Canny算子的紅外影像邊緣檢測算法[J]. 激光與紅外, 2015, 45(9): 1129-1132.

YE Dezhou, YANG Fengjian, MAO Chenhao, et al. Edge detection algorithm of infrared image based on canny operator[J]., 2015, 45(9): 1129-1132.

[27] 史恩秀, 陳敏敏, 李俊, 等. 基于蟻群算法的移動機器人全局路徑規劃方法研究[J].農業機械學報, 2014, 45(6): 53-57.

SHI Enxiu, CHEN Minmin, LI Jun, et al. Research on Method of Global Path-planning for Mobile RobotBased on Ant-colony Algorithm[J]., 2014, 45(6): 53-57.

[28] 潘杰, 王雪松, 程玉虎. 基于改進蟻群算法的移動機器人路徑規劃[J]. 中國礦業大學學報, 2012, 41(1): 108-113.

PAN Jie, WANG Xuesong, CHENG Yuhu. Improved ant colony algorithm for mobile robot path planning[J]., 2012, 41(1): 108-113.

[29] 王棟, 張涇周. 結合Sobel算子的蟻群紅外圖像邊緣檢測[J]. 河南科技大學學報: 自然科學版, 2011, 32(6): 38-41, 67.

WANG Dong, ZHANG Jingzhou. Edge detection of infrared image based on ant colony algorithm combined with Sobel operator[J].:, 2011, 32(6): 38-41, 67.

[30] 王棟, 尚堃. 基于改進蟻群算法的紅外圖像邊緣檢測方法[J]. 四川兵工學報, 2014, 35(7): 87-90.

WANG Dong, SHANG Kun. Edge Detection Algorithm of Image Based on ImprovedAnt Colony Optimization[J]., 2014, 35(7): 87-90.

[31] 李莎. 改進的蟻群算法及其在圖像邊緣檢測中的應用研究[D]. 西安: 西安科技大學, 2016.

LI Sha. Improved Ant Colony Algorithm and its Application in Image Edge Detection[D]. Xi'an: Xi'an University of Science and Technology, 2016.

[32] QIAO B M, LI S, XIAO Y. Infrared image edge detection applied research based on improved ant colony algorithm[C]//2015, 2015: 31.

[33] 陳浩, 方勇, 朱大洲, 等. 基于蟻群算法的玉米植株熱紅外圖像邊緣檢測[J]. 農機化研究, 2015, 37(6): 49-52.

CHEN Hao, FANG Yong, ZHU Dazhou, et al. Thermal Infrared Image Edge Detection Method Based onAnt Colony Algorithm for Corn Plant[J]., 2015, 37(6): 49-52.

[34] 王鳳. 結合蟻群搜索與邊緣檢測的紅外輪廓提取算法[J]. 激光與紅外, 2015, 45(6): 722-727.

WANG Feng. Infrared contour extraction algorithmbased on ants search and edge detection[J]., 2015, 45(6): 722-727.

[35] 張琳梅, 趙喜玲. 基于組合優化理論的紅外圖像邊緣檢測[J]. 激光雜志, 2016, 37(4): 80-83.

ZHANG Linmei, ZHAO Xiling. Infrared image edge detection based on combinatorial optimization theory[J]., 2016, 37(4): 80-83.

[36] 彭智浩, 楊風暴, 王志社, 等. 基于數學形態學和自動區域生長的紅外目標提取[J]. 紅外技術, 2014, 36(1): 47-52.

PENG Zhihao, YANG Fengbao, WANG Zhishe, et al. Infrared Target Extraction Based on Mathematical Morphology and Automatic Region Growing[J]., 2014, 36(1): 47-52.

[37] 潘鋒, 閆貝貝, 肖文, 等. 基于數學形態學的數字全息再現像融合方法[J]. 中國光學, 2015, 8(1): 60-67.

PAN Feng, YAN Beibei, XIAO Wen, et al. Digital holographic reconstruction image fusionbased on mathematical morphology[J]., 2015, 8(1): 60-67.

[38] ZHANG X, HAN R. The Application of Mathematical Morphology and Sobel Operator in Infrared Image Edge Detection[C]//, 2015: 6.

[39] 孫玉勝, 白克. 一種基于改進的形態學紅外圖像邊緣檢測算法[J]. 計算機與數字工程, 2010, 38(2): 127-129.

SUN Yusheng, BAI Ke. An Edge Detection Algorithm of Infrared Image Based on Improved Morphology[J]., 2010, 38(2): 127-129.

[40] 郭龍源, 張國云, 歐先鋒, 等. 基于相位一致性的紅外圖像邊緣檢測方法[J]. 紅外, 2016, 37(9): 25-29, 36.

GUO Longyuan, ZHANG Guoyun, OU Xianfeng, et al. Edge Detection Method of Infrared Images Based on Phase Consistency[J]., 2016, 37(9): 25-29, 36.

[41] 張曉康. 基于DM3730平臺的紅外圖像邊緣檢測技術研究[D]. 北京: 北京服裝學院, 2016.

ZHANG Xiaokang. Research on Infrared Image Edge Detection Technique Based on The DM370 Platform[D]. Beijing: Beijing Institute of Fashion, 2016.

[42] YIN J, LU Y, GONG Z, et al. Edge Detection of High-Voltage Porcelain Insulators in Infrared Image Using Dual Parity Morphological Gradients[J]., 2019(99): 1-1.

[43] CHUA L O, YANG L. Cellular neural networks: theory[C]//, 1988: 10.

[44] 楊婷, 段書凱, 王麗丹, 等. 基于改進憶阻細胞神經網絡的彩色圖像邊緣提取[J]. 中國科學: 信息科學, 2017, 47(7): 863-877.

YANG Ting, DUAN Shukai, WANG Lidan, et al. Color image edge extraction using memristor-based CNN[J]., 2017, 47(7): 863-877.

[45] WANG Wei, YANG Lijun, XIE Yuting, et al. Edge detection of infrared image with CNN_DGA algorithm[J]., 2014, 125(1): 464-467.

[46] 胡剛毅, 秦明明, 榮劍. 一種用于森林紅外圖像動物邊緣檢測算法[J]. 紅外技術, 2016, 38(8): 709-713.

HU Gangyi, QIN Mingming, RONG Jian. An Algorithm for Animal Edge Detection in Forest Infrared Image[J]., 2016, 38(8): 709-713.

[47] 李翠錦, 瞿中. 基于深度學習的圖像邊緣檢測算法綜述[J]. 計算機應用, 2020, 40(11): 3280-3288.

LI Cuijin, QU Zhong. Review of image edge detection algorithms based on deep learning[J]., 2020, 40(11): 3280-3288.

[48] XIE S, TU Z. Holistically-Nested Edge Detection[J]., 2017, 125(5): 3-18.

[49] LIU Yun, CHENG Mingming, HU Xiaowei, et al. Richer Convolutional Features for Edge Detection[C]//(CVPR),, 2017: 21-26 .

[50] YANG J, Price B, Cohen S, et al. Object Contour Detection with a Fully Convolutional Encoder-Decoder Network[C]//(CVPR)., 2016: 28.

[51] 焦安波, 何淼, 羅海波. 一種改進的HED網絡及其在邊緣檢測中的應用[J]. 紅外技術, 2019, 41(1): 72-77.

JIAO Anbo, HE Miao, LUO Haibo. Research on Significant Edge Detection of Infrared Image Based on Deep Learning[J]., 2019, 41(1): 72-77.

[52] 劉巖俊. 基于Tsallis熵的自適應紅外圖像邊緣檢測方法[J]. 微電子學與計算機, 2011, 28(7): 21-23.

LIU Yanjun. Adaptive Edge Detection Method Based on Tsallis Entropy of Infrared Image[J]., 2011, 28(7): 21-23.

[53] 惠阿麗. 基于線調頻小波分維的紅外圖像邊緣檢測[J]. 紅外技術, 2011, 33(7): 424-428.

HUI Ali. Edge Detection of Infrared Image using Chirplet Dimension[J]., 2011, 33(7): 424-428.

[54] 王曉涓, 魏雪峰. 基于閾值三方向改進Hough變換的紅外圖像邊緣檢測[J]. 激光與紅外, 2011, 41(3): 319-323.

WANG Xiaojuan, WEI Xuefeng. Infrared imagery edge examination based on threshold and three-direction improves the Hough transformation[J]., 2011, 41(3): 319-323.

[55] 張瑩瑩, 韓潤萍. 局部標準差算子在紅外圖像去噪及邊緣檢測中的應用[J]. 制造業自動化, 2013, 35(22): 18-20.

ZHANG Yingying, HAN Runping. Application of local standard deviation operator in infrared image de-noising and edge detection[J]., 2013, 35(22): 18-20.

[56] 陳陽. 組合優化理論的紅外圖像邊緣檢測[J]. 激光雜志, 2017, 38(4): 105-108.

CHEN Yang. Infrared image edge detection based on combinatorial optimization theory[J]., 2017, 38(4): 105-108.

[57] 劉云潺, 畢立恒. 基于量子行為云模型的紅外圖像邊緣檢測[J]. 實驗室研究與探索, 2018, 37(3): 46-50.

LIU Yunchan, BI Liheng. Infrared Image Edge Detection Based on Quantum-Behaved Cloud Model[J]., 2018, 37(3): 46-50.

[58] 蘇洪超, 胡英, 洪少壯. 基于紅外圖像特征與K-means的邊緣檢測[J].紅外技術, 2020, 42(1): 81-85.

SU Hongchao, HU Ying, HONG Shaozhuang. Edge Detection Based on Characteristics of Infrared Image and K-means[J]., 2020, 42(1): 81-85.

Review of Infrared Image Edge Detection Algorithms

HE Qian，LIU Boyun

(College of Power Engineering, Naval University of Engineering, Wuhan 430033, China)

To ensure that researchers are well-informed regarding infrared image edge detection algorithms and to provide a valuable reference for follow-up investigations, we review relevant research conducted on infrared image edge detection algorithms in the past ten years. First, infrared imaging and edge detection technology are summarized, and then, the difficulties and challenges of infrared image edge detection algorithms are described. Finally, the main infrared image edge detection algorithms are summarized, and the related algorithms are divided into four categories: improved classic edge detection operator-based algorithms, ant colony algorithm-based algorithms, mathematical morphology-based algorithms, and network model-based algorithms. Considering traditional infrared image edge detection algorithms, the morphological method has potential because of its simplicity and ease of use; for non-traditional infrared image edge detection algorithms, the method based on deep learning has stronger pertinence, better robustness, and no requirement of designing complex algorithm steps, which brings new development opportunities to infrared image edge detection.

infrared image, edge detection, mathematical morphology, deep learning

TN219

A

1001-8891(2021)03-0199-09

2020-10-21；

2020-12-11.

何謙（1998-），男，碩士研究生，研究方向為圖像處理，E-mail：1072633933@qq.com。