刘云潺, 毕立恒

(黄河水利职业技术学院 自动化工程系,河南 开封 475004)

0 引 言

红外图像的边缘中蕴含着重要的信息，通过图像边缘检测能够减少无关的数据量，将红外图像中的重要信息保留下来，例如目标、缺陷的轮廓边缘，从而区别出目标与背景或者识别出缺陷轮廓的特征[1]。

经典算法中Roberts算法和Laplace算法检测精度较高[2-3]，但对噪声较为敏感；Sobel算法和Prewitt 算法对噪声具有较好的平滑作用，但检测精度不高。目前对红外图像边缘检测的智能算法有：细胞神经网络(Back Propagation，BP)具有并行性、运算速度快等特点[4]，但是参数模板的求解对边缘检测存在不稳定情况；小波变换(Wavelet Transform，WT)的边缘检测算法具有良好的局域化特性[5]，但是有噪声时，该算法依然存在着边缘清晰度与抗干扰能力的不足问题；云模型算法(Cloud Model，CM)具有模糊性和随机性，检测红外图像其结果更加合理[6]，但是云滴优化程度对检测结果影响较大；二维最小均方误差算法(Two-Dimensional Minimum Mean Square Error Algorithm，TDLMS)通过最小误差预测目标[7]，但计算量很大，难以实时处理图像序列，时效性差；粒子群算法(Particle Swarm Optimization，PSO)实现简单[8]，但是为了最大限度检测目标边缘，需要较多的粒子数。

为了提高红外图像边缘检测的效果，采用量子行为云模型(Quantum-Behaved Cloud Model，QBCM)算法，通过sigmond函数建立吸收扩张因子对云模型操作，使云滴范围扩大；接着自适应策略调整量子旋转门的方向和角度，量子云镜像门、云纠缠操作使得云模型快速进化；然后多向梯度搜索红外图像边缘，对横、纵坐标梯度极值求解检测边缘；……