热红外图像的局部粗糙度提取算法matlab仿真

1.前言

热红外图像通过捕捉物体表面的热辐射强度分布，反映目标的温度场特征，在遥感监测、医疗诊断等领域具有不可替代的作用。局部粗糙度作为热红外图像的关键纹理特征，不仅与物体表面的物理粗糙程度直接相关（如地表土壤颗粒度、工业构件表面平整度），还间接反映了温度场的空间异质性（如植被覆盖区的热辐射差异）。

2.算法运行效果图预览

(完整程序运行后无水印)

3.算法运行软件版本

Matlab2024b(推荐)或者matlab2022a

4.部分核心程序

（完整版代码包含中文注释和操作步骤视频）

 
%局部粗糙度的分布规律
%数据拟合
 
load A.mat
p=polyfit([1:16],Fccd,9);
ti=1:0.1:16;
Fccd1=Fccd;
 
 
 
load B.mat
p=polyfit([1:16],Fccd,9);
ti=1:0.1:16;
Fccd2=Fccd;
 
 
 
 
load normal.mat
p=polyfit([1:16],Fccd,9);
ti=1:0.1:16;
Fccd4=Fccd;
 
 
 
figure;
plot([1:16],Fccd1,'-bs',...
    'LineWidth',1,...
    'MarkerSize',6,...
    'MarkerEdgeColor','k',...
    'MarkerFaceColor',[0.9,0.9,0.0]);
 
hold on
plot([1:16],Fccd2,'-mo',...
    'LineWidth',1,...
    'MarkerSize',6,...
    'MarkerEdgeColor','k',...
    'MarkerFaceColor',[0.5,0.9,0.0]);
 
 
 
hold on
plot([1:16],Fccd4,'-k<',...
    'LineWidth',1,...
    'MarkerSize',6,...
    'MarkerEdgeColor','k',...
    'MarkerFaceColor',[0.9,0.3,0.3]);
 
hold on
legend('测试1分布值','测试2分布值','测试3分布值(正常图像)');
grid on
xlabel('图像编号');
ylabel('局部粗糙度');
ylim([40,55]);
009_060m

5.算法理论概述

与可见光 图像不同，热红外图像的灰度值（记为I(x,y)）直接对应物体表面的辐射亮度L(x,y)，其物理意义由普朗克辐射定律和斯特藩-玻尔兹曼定律决定：

物体的辐射出射度M(T)=εσT4（ε为发射率，σ为斯特藩-玻尔兹曼常数，T为物体绝对温度），而辐射亮度L(x,y)与M(T)成正比，因此热红外图像灰度I(x,y)可近似表示为：

I(x,y)=k⋅ε(x,y)⋅T4(x,y)

其中，k为成像系统的增益系数，ε(x,y)和T(x,y)均具有空间异质性——这种异质性的局部波动程度，即为热红外图像的局部粗糙度。

从信号处理角度，局部粗糙度可定义为：在指定的局部窗口内，热红外图像灰度值偏离其局部均值的程度，本质是对局部区域内灰度分布 “不规则性” 的量化描述。与传统可见光图像的纹理粗糙度相比，热红外图像的局部粗糙度更易受温度梯度、发射率差异的影响，因此提取算法需兼顾物理意义与数学量化的一致性。