形心跟踪算法因为简单、执行速度快而得到广泛采用.然而常规形心跟踪算法因激光雷达图像受到散斑噪声影响而变得不适合.改进算法结合了图像的滤波处理,提高了适用范围.但是这种基于图像灰度均值分割的形心跟踪算法对于小目标图像都会跟踪失败.分析了大目标图像和小目标图像的直方图,指出其均由一个背景的尖峰和目标的拖尾组成,理想的分割阈值点应为尖峰和拖尾的临界点.据此提出了基于累积直方图的形心跟踪算法.此算法以图像的累积直方图拐点为分割阈值,不受目标区面积大小的影响.处理结果表明,对于大目标图像和小目标图像均有较好的效果,并且保持了常规形心跟踪算法执行速度快的特点.

对于滤波算法,噪声抑制能力和边缘保持能力一直是考核其性能的两个重要指标。对于前者,通常都有相应的参数进行表征,而对于后者,通常却只能依靠人眼进行主观评判。根据标准边缘图像和待测边缘图像边缘点位置的相似性,定义了边缘相似度参数,用来表征滤波算法的边缘保持能力。将此参数应用于高斯噪声图像和椒盐噪声图像滤波算法的比较中,取得了预期的效果：此参数值准确地反映了各滤波算法的边缘保持能力。对激光雷达图像而言,散斑噪声滤波算法的边缘保持能力具有非常重要的意义,为此,将边缘相似度用于散斑噪声滤波算法的边缘保持能力比较,结果表明Lee滤波算法和增强Lee滤波算法具有较强的边缘保持能力,而常规的均值滤波和中值滤波边缘保持能力较差。

分析了距离像的噪声作用机理

相干激光成像雷达距离像处理的一个重要内容就是进行背景抑制。利用原始强度像的均值信息进行距离像的背景抑制因为强度像受到噪声影响而效果不佳,改进算法加入了强度像的噪声滤除,大大提高了背景抑制能力。但是这种利用强度像均值的背景抑制算法要求目标区占有较大的面积,对于小目标图像其抑制效果变差。分析了强度像的直方图特征,提出了一种熵阈值分割抑制距离像背景算法,此算法将强度像的直方图划分为描述目标区像素和背景像素的两个概率分布,而将使这些概率分布熵最大的灰度值作为分割阈值。将此算法应用于实际图像处理,结果表明对于大目标图像和小目标图像都有较好的抑制效果。

激光主动成像系统具有分辨率高、抗干扰能力强、能成三维像等特点.为了满足成像系统对扫描速度的要求,行扫描器采用了正弦扫描方式,但激光器等时发射经过扫描器后将形成扫描方向上光点的空间分布不均匀,从而造成系统所成图像的几何失真.分析了几何失真的形成机理,并根据此机理提出了两种校正算法.将这两种算法应用于仿真图像和实际的激光图像,取得了满意的效果.比较两种算法表明:采用算法2进行激光成像系统图像几何失真的校正更为合适.

激光雷达能同时成距离像和强度像,较其他的成像体制给出更多的有用信息。距离像的去噪是激光雷达图像处理的关键步骤,去噪的好坏直接关系激光雷达在跟踪、定位等方面的精确性。根据距离像噪声来源,采用结合强度像的多级中值滤波对实际的雷达图像进行了去噪处理。首先利用强度像3×3邻域均值和图像平均值消除失落信息影响,然后采用多级中值滤波消除逸出值。分别给出了各步处理结果,最终获得了较清晰的距离像。研究结果表明运用结合强度像的多级中值滤波方法能够有效地抑制相干激光雷达距离像的噪声。

分析研究了不同中值滤波窗口对激光雷达图像的去噪效果,并通过计算给出了不同情况下的散斑指数.同时,用Matlab语言编写了激光雷达系统仿真图像处理模块,此模块不仅能用于仿真系统,也能用于对实际雷达图像数据的处理.

激光主动成像系统具有分辨率高、抗干扰能力强、能成三维像等一系列优点,因而应用越来越广泛,但它的图像同时受到散斑噪声和其他一些高斯噪声的影响。散斑噪声为一种乘性噪声,高斯噪声则为一种加性噪声,这两种噪声哪种占据主要地位对于图像噪声抑制噪声模型的建立具有重要的意义,分析了受到散斑噪声和高斯噪声污染图像的概率曲线及灰度均值方差比等统计特性,找出在两种噪声分别作用下的不同统计特性,以此为判别标准,对激光主动成像系统图像进行分析,得出了此图像所受噪声的主要成分为散斑噪声的结论。同时,算出了此图像的散斑噪声方差。

对经典的算法(Prewitt算子,Sobel算子,Kirsch算子)和参数检验算法进行了分析比较,实验结果表明，参数检验算法是一种适用于激光雷达图像的方法。

分析了激光成像雷达系统中所成的散斑像的乘法模型，并在此基础上利用一基于小波的同态滤波器对被散斑污染的图像进行了消噪处理。计算机仿真结果表明此方法能有效地抑制散斑噪声并较好地保留图像的边缘信息，证明了乘法模型能对散斑像起到较好的近似作用。