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。