夜晚微光图像中人车目标检测算法

李翔

摘要：本文针对夜间微光图像带噪信号进行了人车检测，提出了改进的算法。首先采用将Top-hat变换图像与原始图像相加再减去Bottom-hat变换图像的方式增强夜间微光图像的对比度。其次用开运算算法实现微光图像的消噪，在保留了图像的边缘细节的同时，也扩大了某些特殊微光图像中的人车目标特征。最后采用适合微光图像的Sobel算子进行边缘提取，对边缘提取后的图像进行分割，利用轮廓特征进行模板匹配获取人车目标的检测和定位。

关键词：微光图像 边缘提取 人车检测

中图分类号：TP391.41 文献标识码：A 文章编号：1007-9416（2014）08-0121-02

1 引言

本文提出了一种改进的新算法针对夜间CCD摄像采集到的微光图像带噪信号进行了人车检测和定位。由于夜间自然光对比度低，周围光线亮度变化大，输入CCD成像系统的光信号非常弱，信噪比低，所以得到的微光图片需要经过消噪和增强等预处理，提高人车轮廓在微光图像的检测度。

对于微光图像处理方面有不少的研究[1-6]。本文主要针对夜间微光图像里的人车目标进行检测，将微光图像的噪声特点、预处理方法、消噪方法、边缘提取算法、以及图像中人车目标检测算法进行了详细阐述，并做了相应的实验。实验结果表明，我们的方法对人车目标检测取得了较好的效果。

2 夜晚微光图像的噪声特点

如图1所示的微光图像由CCD采集获得，CCD采集微光图像可以参考文献[5]。我们的微光成像设备主要由微光光学系统、图像增强器和微光CCD等部分组成。系统输出的噪声主要有光电阴极噪声、增强管噪声、荧光屏噪声和CCD噪声，它们输出端的电压表达式如式（1）所示：

上式中：NK为光电阴极噪声；NM为像增强管噪声；NS为荧光屏颗粒噪声；NP为CCD的光子噪声；NF为CCD的俘获态噪声；ND为CCD的暗电流噪声。由于大气本身作为辐射的传媒，对辐射有吸收和散射作用，造成辐射能的衰减，CCD在晚上所获得的图像的分辨率和对比度随着环境光照度变低而明显下降。另外在同一环境光照度下，作用距离越长，大气对图像的衰减作用越大，图像的对比度分辨率也就越低。

夜间微光图像具有自然光对比度低、周围光线亮度变化大、输入成像系统的光信号非常弱、信噪比低等特点。针对夜间微光图像的这些特点，后面将从方法上以及相应的实验进行分析。

3 夜晚微光图像预处理

由于微光图像中的光信号非常弱，所以微光成像系统获得的图片需要经过增强等预处理，以提高目标物体在微光图像的识别度。对于微光图像的预处理主要有以下几个方法：1）灰度拉伸，2）直方图均衡化，3）Top-Hat和Bottom-Hat变换法。

形态学中的Top-hat变换是原始信号减去对其开运算的结果，Bottom-hat是原始信号减去对其闭运算的结果。Top-hat运算增强了对比度，对于增强微光图像中目标物体的阴影细节效果很好。由于Top-hat图像变换包含了匹配结构元素的对象，而实际上夜间微光图像中目标对象间通常比较紧密，因此需要增大目标对象间隙，从而更好的分辨目标物体。我们采用将Top-hat变换图像与原始图像相加再减去Bottom-hat变换图像的方式增强夜间微光图像的对比度。

4 夜晚微光图像消噪方法

信噪比低是夜晚微光图像最主要的特点之一，我们对中值滤波消噪、小波分析消噪、开运算消噪进行对比，对比情况如下：

（1）中值滤波消噪： 中值滤波是一种去除噪声的非线性处理方法，其基本原理是把数字图像或数字序列中一点的值用该点的一个领域中各点值的中值代替。中值滤波在衰减噪声的同时不会使图像的边界模糊，因此对于目标边界非常模糊的夜间微光图像来说非常实用。

（2）小波变换消噪：小波分析应用于微波图像在[2][3][4]有详细的讨论。采用小波阈值去噪，其基本思想就是对小波分解后的各层系数模大于和小于某阈值的系数分别进行处理，然后利用处理后的小波系数重构出消噪后的图像。

（3）开运算消噪：微光图像成像系统输出的噪声在荧光屏上主要表现为细小随机出现的雪花状颗粒，即椒盐噪声。根据夜间微光图像的噪声特点，另外由于开运算不仅对椒盐噪声的去处方面有较好效果，同时对易于粘连目标的分离有很大的优势[1]。我们采用了改进的开运算算法。若A为输入图像，B为结构元素，利用B对A做开运算实际是A先被B腐蚀，然后再被B膨胀的结果。开运算通常用来消除小对象物、在纤细点分离物体、平滑较大物体边界的同时并不明显改变其面积。由于微光图像的周围光强很低，所以当有亮斑时使得图像识别变得困难，而开运算先腐蚀后膨胀的过程正好消除了亮斑并且使识别对象未受损。用这种改进的开运算消噪法不仅实现了微光图像的消噪，而且保留了图像的边缘细节，同时也扩大了某些特殊微光图像中的人车检测。

图1中，原始图（a）噪声比较大，人物模糊，有一个人是蹲下的姿势并且距离CCD拍摄较远。处理后如图（b）（c）（d），对比可见，三种方式都可以完成椒盐噪声的消除，但是小波消噪法破坏了图像本身的边缘；虽然中值滤波未破坏边缘，但是若仔细观察可看到中值滤波后的图像比开运算后的图像多一些噪声，并且影响了最后的检测结果。因此在我们的系统中，我们最后采用了开运算消噪的方法。

5 夜晚微光图像中人车目标检测

人车目标检测的过程如下：对于CCD图像传感器某任意时刻采集到的实时图像，我们先对它进行预处理，然后进行消噪处理。这以后，我们对测试样本进行图像分割，进行边缘提取，然后对边缘进行可能目标标记。标定出多个可能的目标后，我们针对测试图像中所有可能的目标，一一和模板库中标定的目标进行匹配，给出检测分数。

对于微光样本图像来说，提取首先需要确定合适的图像边缘提取算法。图像处理中有多种图像分割算法，比如说直接域值分割、Canny算子分割、Sobel算子分割等等。直接阈值分割只能在物体相对光亮强的情况下实现，而利用Sobel算子适用更多的微光图像。通过实验，Sobel算子有明显的优势。因此在对微光图像进行前面的图像处理步骤后，我们采用 Sobel算子进行边缘提取。并且根据微光图像中可能目标的特征轮廓和模板库中的人或车的轮廓特征进行对比，从而确定微光图像中的可能目标是否是正确的人或车目标，并进一步给出人车目标在夜晚微光图像中的位置。由图2可以看出，对微光图像经过Top-hat和Bottom-hat算法进行预处理，然后进行开运算消噪处理，再进行Sobel算子获得边缘轮廓、最后利用轮廓特征对模板进行匹配和评分后，得到了1辆车2个人的目标，获得了正确的检测结果。

6 结语

本文针对夜间采集到的微光图像带噪信号进行人车检测。我们对微光图像尝试了多种算法。通过比较得出，针对微光图像：（1）预处理算法中，Top-Hat和Bottom-Hat变换法效果最好；（2）利用开运算消噪法可以取得很好的效果；（3）对于有人或者车辆存在的夜间微光图像，我们用Sobel算子获取边缘轮廓，然后用轮廓特征进行模板匹配，可以获取了正确的人车的目标检测和定位。

由于实验所用的图像均为CCD夜间采集的真实图像，更验证了我们的方法在实际中应用的可行性。值得注意的是，本文的图像消噪和对比度增强法针对的仅仅是一般微光图像，对于有恶劣天气环境，如下雨下雪的情况并未讨论。这也是后面可以继续研究的部分。

参考文献

[1]Koppen M，Franke K，Unold O. A Survey on Fuzzy Morphology [J].Pattern Recognition and Image Analysis， 2001，11（1）：195-197.

[2]孙崟培，王朝英.小波分析和小波包在图像消噪中的应用.通信技术[J].2009，Vol.42No.1：285-287.

[3]张闯，柏连发，张毅，陈钱，张保民.小波变换在微光图像消噪中的应用算法研究，红外[J].2006（12）.

[4]邸志刚，贾春荣，李印民，小波变换在微光图像处理中的应用，河北理工大学学报[J]：自然科学版[J]，2007（4）：90-94.

[5]赵登攀，孙建楠，赵娟，张自发，CCD在炮兵观察所微光图像采集中的应[J].2010，Vol.30No.8：189-191.

[6]金左轮，韩静，张毅，柏连发，基于纹理显著性的微光图像目标检测.物理学报[J]，Vol.63，No.6，2014：1-11.endprint

摘要：本文针对夜间微光图像带噪信号进行了人车检测，提出了改进的算法。首先采用将Top-hat变换图像与原始图像相加再减去Bottom-hat变换图像的方式增强夜间微光图像的对比度。其次用开运算算法实现微光图像的消噪，在保留了图像的边缘细节的同时，也扩大了某些特殊微光图像中的人车目标特征。最后采用适合微光图像的Sobel算子进行边缘提取，对边缘提取后的图像进行分割，利用轮廓特征进行模板匹配获取人车目标的检测和定位。

关键词：微光图像 边缘提取 人车检测

中图分类号：TP391.41 文献标识码：A 文章编号：1007-9416（2014）08-0121-02

1 引言

本文提出了一种改进的新算法针对夜间CCD摄像采集到的微光图像带噪信号进行了人车检测和定位。由于夜间自然光对比度低，周围光线亮度变化大，输入CCD成像系统的光信号非常弱，信噪比低，所以得到的微光图片需要经过消噪和增强等预处理，提高人车轮廓在微光图像的检测度。

对于微光图像处理方面有不少的研究[1-6]。本文主要针对夜间微光图像里的人车目标进行检测，将微光图像的噪声特点、预处理方法、消噪方法、边缘提取算法、以及图像中人车目标检测算法进行了详细阐述，并做了相应的实验。实验结果表明，我们的方法对人车目标检测取得了较好的效果。

2 夜晚微光图像的噪声特点

如图1所示的微光图像由CCD采集获得，CCD采集微光图像可以参考文献[5]。我们的微光成像设备主要由微光光学系统、图像增强器和微光CCD等部分组成。系统输出的噪声主要有光电阴极噪声、增强管噪声、荧光屏噪声和CCD噪声，它们输出端的电压表达式如式（1）所示：

上式中：NK为光电阴极噪声；NM为像增强管噪声；NS为荧光屏颗粒噪声；NP为CCD的光子噪声；NF为CCD的俘获态噪声；ND为CCD的暗电流噪声。由于大气本身作为辐射的传媒，对辐射有吸收和散射作用，造成辐射能的衰减，CCD在晚上所获得的图像的分辨率和对比度随着环境光照度变低而明显下降。另外在同一环境光照度下，作用距离越长，大气对图像的衰减作用越大，图像的对比度分辨率也就越低。

夜间微光图像具有自然光对比度低、周围光线亮度变化大、输入成像系统的光信号非常弱、信噪比低等特点。针对夜间微光图像的这些特点，后面将从方法上以及相应的实验进行分析。

3 夜晚微光图像预处理

由于微光图像中的光信号非常弱，所以微光成像系统获得的图片需要经过增强等预处理，以提高目标物体在微光图像的识别度。对于微光图像的预处理主要有以下几个方法：1）灰度拉伸，2）直方图均衡化，3）Top-Hat和Bottom-Hat变换法。

形态学中的Top-hat变换是原始信号减去对其开运算的结果，Bottom-hat是原始信号减去对其闭运算的结果。Top-hat运算增强了对比度，对于增强微光图像中目标物体的阴影细节效果很好。由于Top-hat图像变换包含了匹配结构元素的对象，而实际上夜间微光图像中目标对象间通常比较紧密，因此需要增大目标对象间隙，从而更好的分辨目标物体。我们采用将Top-hat变换图像与原始图像相加再减去Bottom-hat变换图像的方式增强夜间微光图像的对比度。

4 夜晚微光图像消噪方法

信噪比低是夜晚微光图像最主要的特点之一，我们对中值滤波消噪、小波分析消噪、开运算消噪进行对比，对比情况如下：

（1）中值滤波消噪： 中值滤波是一种去除噪声的非线性处理方法，其基本原理是把数字图像或数字序列中一点的值用该点的一个领域中各点值的中值代替。中值滤波在衰减噪声的同时不会使图像的边界模糊，因此对于目标边界非常模糊的夜间微光图像来说非常实用。

（2）小波变换消噪：小波分析应用于微波图像在[2][3][4]有详细的讨论。采用小波阈值去噪，其基本思想就是对小波分解后的各层系数模大于和小于某阈值的系数分别进行处理，然后利用处理后的小波系数重构出消噪后的图像。

（3）开运算消噪：微光图像成像系统输出的噪声在荧光屏上主要表现为细小随机出现的雪花状颗粒，即椒盐噪声。根据夜间微光图像的噪声特点，另外由于开运算不仅对椒盐噪声的去处方面有较好效果，同时对易于粘连目标的分离有很大的优势[1]。我们采用了改进的开运算算法。若A为输入图像，B为结构元素，利用B对A做开运算实际是A先被B腐蚀，然后再被B膨胀的结果。开运算通常用来消除小对象物、在纤细点分离物体、平滑较大物体边界的同时并不明显改变其面积。由于微光图像的周围光强很低，所以当有亮斑时使得图像识别变得困难，而开运算先腐蚀后膨胀的过程正好消除了亮斑并且使识别对象未受损。用这种改进的开运算消噪法不仅实现了微光图像的消噪，而且保留了图像的边缘细节，同时也扩大了某些特殊微光图像中的人车检测。

图1中，原始图（a）噪声比较大，人物模糊，有一个人是蹲下的姿势并且距离CCD拍摄较远。处理后如图（b）（c）（d），对比可见，三种方式都可以完成椒盐噪声的消除，但是小波消噪法破坏了图像本身的边缘；虽然中值滤波未破坏边缘，但是若仔细观察可看到中值滤波后的图像比开运算后的图像多一些噪声，并且影响了最后的检测结果。因此在我们的系统中，我们最后采用了开运算消噪的方法。

5 夜晚微光图像中人车目标检测

人车目标检测的过程如下：对于CCD图像传感器某任意时刻采集到的实时图像，我们先对它进行预处理，然后进行消噪处理。这以后，我们对测试样本进行图像分割，进行边缘提取，然后对边缘进行可能目标标记。标定出多个可能的目标后，我们针对测试图像中所有可能的目标，一一和模板库中标定的目标进行匹配，给出检测分数。

对于微光样本图像来说，提取首先需要确定合适的图像边缘提取算法。图像处理中有多种图像分割算法，比如说直接域值分割、Canny算子分割、Sobel算子分割等等。直接阈值分割只能在物体相对光亮强的情况下实现，而利用Sobel算子适用更多的微光图像。通过实验，Sobel算子有明显的优势。因此在对微光图像进行前面的图像处理步骤后，我们采用 Sobel算子进行边缘提取。并且根据微光图像中可能目标的特征轮廓和模板库中的人或车的轮廓特征进行对比，从而确定微光图像中的可能目标是否是正确的人或车目标，并进一步给出人车目标在夜晚微光图像中的位置。由图2可以看出，对微光图像经过Top-hat和Bottom-hat算法进行预处理，然后进行开运算消噪处理，再进行Sobel算子获得边缘轮廓、最后利用轮廓特征对模板进行匹配和评分后，得到了1辆车2个人的目标，获得了正确的检测结果。

6 结语

本文针对夜间采集到的微光图像带噪信号进行人车检测。我们对微光图像尝试了多种算法。通过比较得出，针对微光图像：（1）预处理算法中，Top-Hat和Bottom-Hat变换法效果最好；（2）利用开运算消噪法可以取得很好的效果；（3）对于有人或者车辆存在的夜间微光图像，我们用Sobel算子获取边缘轮廓，然后用轮廓特征进行模板匹配，可以获取了正确的人车的目标检测和定位。

由于实验所用的图像均为CCD夜间采集的真实图像，更验证了我们的方法在实际中应用的可行性。值得注意的是，本文的图像消噪和对比度增强法针对的仅仅是一般微光图像，对于有恶劣天气环境，如下雨下雪的情况并未讨论。这也是后面可以继续研究的部分。

参考文献

[1]Koppen M，Franke K，Unold O. A Survey on Fuzzy Morphology [J].Pattern Recognition and Image Analysis， 2001，11（1）：195-197.

[2]孙崟培，王朝英.小波分析和小波包在图像消噪中的应用.通信技术[J].2009，Vol.42No.1：285-287.

[3]张闯，柏连发，张毅，陈钱，张保民.小波变换在微光图像消噪中的应用算法研究，红外[J].2006（12）.

[4]邸志刚，贾春荣，李印民，小波变换在微光图像处理中的应用，河北理工大学学报[J]：自然科学版[J]，2007（4）：90-94.

[5]赵登攀，孙建楠，赵娟，张自发，CCD在炮兵观察所微光图像采集中的应[J].2010，Vol.30No.8：189-191.

[6]金左轮，韩静，张毅，柏连发，基于纹理显著性的微光图像目标检测.物理学报[J]，Vol.63，No.6，2014：1-11.endprint

摘要：本文针对夜间微光图像带噪信号进行了人车检测，提出了改进的算法。首先采用将Top-hat变换图像与原始图像相加再减去Bottom-hat变换图像的方式增强夜间微光图像的对比度。其次用开运算算法实现微光图像的消噪，在保留了图像的边缘细节的同时，也扩大了某些特殊微光图像中的人车目标特征。最后采用适合微光图像的Sobel算子进行边缘提取，对边缘提取后的图像进行分割，利用轮廓特征进行模板匹配获取人车目标的检测和定位。

关键词：微光图像 边缘提取 人车检测

中图分类号：TP391.41 文献标识码：A 文章编号：1007-9416（2014）08-0121-02

1 引言

本文提出了一种改进的新算法针对夜间CCD摄像采集到的微光图像带噪信号进行了人车检测和定位。由于夜间自然光对比度低，周围光线亮度变化大，输入CCD成像系统的光信号非常弱，信噪比低，所以得到的微光图片需要经过消噪和增强等预处理，提高人车轮廓在微光图像的检测度。

对于微光图像处理方面有不少的研究[1-6]。本文主要针对夜间微光图像里的人车目标进行检测，将微光图像的噪声特点、预处理方法、消噪方法、边缘提取算法、以及图像中人车目标检测算法进行了详细阐述，并做了相应的实验。实验结果表明，我们的方法对人车目标检测取得了较好的效果。

2 夜晚微光图像的噪声特点

如图1所示的微光图像由CCD采集获得，CCD采集微光图像可以参考文献[5]。我们的微光成像设备主要由微光光学系统、图像增强器和微光CCD等部分组成。系统输出的噪声主要有光电阴极噪声、增强管噪声、荧光屏噪声和CCD噪声，它们输出端的电压表达式如式（1）所示：

上式中：NK为光电阴极噪声；NM为像增强管噪声；NS为荧光屏颗粒噪声；NP为CCD的光子噪声；NF为CCD的俘获态噪声；ND为CCD的暗电流噪声。由于大气本身作为辐射的传媒，对辐射有吸收和散射作用，造成辐射能的衰减，CCD在晚上所获得的图像的分辨率和对比度随着环境光照度变低而明显下降。另外在同一环境光照度下，作用距离越长，大气对图像的衰减作用越大，图像的对比度分辨率也就越低。

夜间微光图像具有自然光对比度低、周围光线亮度变化大、输入成像系统的光信号非常弱、信噪比低等特点。针对夜间微光图像的这些特点，后面将从方法上以及相应的实验进行分析。

3 夜晚微光图像预处理

由于微光图像中的光信号非常弱，所以微光成像系统获得的图片需要经过增强等预处理，以提高目标物体在微光图像的识别度。对于微光图像的预处理主要有以下几个方法：1）灰度拉伸，2）直方图均衡化，3）Top-Hat和Bottom-Hat变换法。

形态学中的Top-hat变换是原始信号减去对其开运算的结果，Bottom-hat是原始信号减去对其闭运算的结果。Top-hat运算增强了对比度，对于增强微光图像中目标物体的阴影细节效果很好。由于Top-hat图像变换包含了匹配结构元素的对象，而实际上夜间微光图像中目标对象间通常比较紧密，因此需要增大目标对象间隙，从而更好的分辨目标物体。我们采用将Top-hat变换图像与原始图像相加再减去Bottom-hat变换图像的方式增强夜间微光图像的对比度。

4 夜晚微光图像消噪方法

信噪比低是夜晚微光图像最主要的特点之一，我们对中值滤波消噪、小波分析消噪、开运算消噪进行对比，对比情况如下：

（1）中值滤波消噪： 中值滤波是一种去除噪声的非线性处理方法，其基本原理是把数字图像或数字序列中一点的值用该点的一个领域中各点值的中值代替。中值滤波在衰减噪声的同时不会使图像的边界模糊，因此对于目标边界非常模糊的夜间微光图像来说非常实用。

（2）小波变换消噪：小波分析应用于微波图像在[2][3][4]有详细的讨论。采用小波阈值去噪，其基本思想就是对小波分解后的各层系数模大于和小于某阈值的系数分别进行处理，然后利用处理后的小波系数重构出消噪后的图像。

（3）开运算消噪：微光图像成像系统输出的噪声在荧光屏上主要表现为细小随机出现的雪花状颗粒，即椒盐噪声。根据夜间微光图像的噪声特点，另外由于开运算不仅对椒盐噪声的去处方面有较好效果，同时对易于粘连目标的分离有很大的优势[1]。我们采用了改进的开运算算法。若A为输入图像，B为结构元素，利用B对A做开运算实际是A先被B腐蚀，然后再被B膨胀的结果。开运算通常用来消除小对象物、在纤细点分离物体、平滑较大物体边界的同时并不明显改变其面积。由于微光图像的周围光强很低，所以当有亮斑时使得图像识别变得困难，而开运算先腐蚀后膨胀的过程正好消除了亮斑并且使识别对象未受损。用这种改进的开运算消噪法不仅实现了微光图像的消噪，而且保留了图像的边缘细节，同时也扩大了某些特殊微光图像中的人车检测。

图1中，原始图（a）噪声比较大，人物模糊，有一个人是蹲下的姿势并且距离CCD拍摄较远。处理后如图（b）（c）（d），对比可见，三种方式都可以完成椒盐噪声的消除，但是小波消噪法破坏了图像本身的边缘；虽然中值滤波未破坏边缘，但是若仔细观察可看到中值滤波后的图像比开运算后的图像多一些噪声，并且影响了最后的检测结果。因此在我们的系统中，我们最后采用了开运算消噪的方法。

5 夜晚微光图像中人车目标检测

人车目标检测的过程如下：对于CCD图像传感器某任意时刻采集到的实时图像，我们先对它进行预处理，然后进行消噪处理。这以后，我们对测试样本进行图像分割，进行边缘提取，然后对边缘进行可能目标标记。标定出多个可能的目标后，我们针对测试图像中所有可能的目标，一一和模板库中标定的目标进行匹配，给出检测分数。

对于微光样本图像来说，提取首先需要确定合适的图像边缘提取算法。图像处理中有多种图像分割算法，比如说直接域值分割、Canny算子分割、Sobel算子分割等等。直接阈值分割只能在物体相对光亮强的情况下实现，而利用Sobel算子适用更多的微光图像。通过实验，Sobel算子有明显的优势。因此在对微光图像进行前面的图像处理步骤后，我们采用 Sobel算子进行边缘提取。并且根据微光图像中可能目标的特征轮廓和模板库中的人或车的轮廓特征进行对比，从而确定微光图像中的可能目标是否是正确的人或车目标，并进一步给出人车目标在夜晚微光图像中的位置。由图2可以看出，对微光图像经过Top-hat和Bottom-hat算法进行预处理，然后进行开运算消噪处理，再进行Sobel算子获得边缘轮廓、最后利用轮廓特征对模板进行匹配和评分后，得到了1辆车2个人的目标，获得了正确的检测结果。

6 结语

本文针对夜间采集到的微光图像带噪信号进行人车检测。我们对微光图像尝试了多种算法。通过比较得出，针对微光图像：（1）预处理算法中，Top-Hat和Bottom-Hat变换法效果最好；（2）利用开运算消噪法可以取得很好的效果；（3）对于有人或者车辆存在的夜间微光图像，我们用Sobel算子获取边缘轮廓，然后用轮廓特征进行模板匹配，可以获取了正确的人车的目标检测和定位。

由于实验所用的图像均为CCD夜间采集的真实图像，更验证了我们的方法在实际中应用的可行性。值得注意的是，本文的图像消噪和对比度增强法针对的仅仅是一般微光图像，对于有恶劣天气环境，如下雨下雪的情况并未讨论。这也是后面可以继续研究的部分。

参考文献

[1]Koppen M，Franke K，Unold O. A Survey on Fuzzy Morphology [J].Pattern Recognition and Image Analysis， 2001，11（1）：195-197.

[2]孙崟培，王朝英.小波分析和小波包在图像消噪中的应用.通信技术[J].2009，Vol.42No.1：285-287.

[3]张闯，柏连发，张毅，陈钱，张保民.小波变换在微光图像消噪中的应用算法研究，红外[J].2006（12）.

[4]邸志刚，贾春荣，李印民，小波变换在微光图像处理中的应用，河北理工大学学报[J]：自然科学版[J]，2007（4）：90-94.

[5]赵登攀，孙建楠，赵娟，张自发，CCD在炮兵观察所微光图像采集中的应[J].2010，Vol.30No.8：189-191.

[6]金左轮，韩静，张毅，柏连发，基于纹理显著性的微光图像目标检测.物理学报[J]，Vol.63，No.6，2014：1-11.endprint