基于小波域滤波和邻域搜索的弱小目标检测
基于SVD背景抑制和粒子滤波的弱小目标检测
收稿日期：２０１０唱１０唱１１；修回日期：２０１０唱１１唱１９ 基金项目：国家自然科学基金资助项目（６０９７００６９）；航天创新基金资助项目；西北工业大学研究生创业种子基金资助项目（Ｚ２０１００６９）作者简介：崔丽洁（１９８６唱），女，陕西澄城人，硕士研究生，主要研究方向为图像处理与计算机视觉（ｃｕｉｌｉｊｉｅｍａｉｌ＠１６３．ｃｏｍ）；郑江滨（１９７１唱），男，陕西西安人，教授，博导，ＣＣＦ高级会员，主要研究方向为计算机视觉、图像视频及多媒体信息处理；李秀秀（１９８２唱），女，山西怀仁人，博士研究生，主要研究方向为图像处理与计算机视觉．基于ＳＶＤ背景抑制和粒子滤波的弱小目标检测倡崔丽洁，郑江滨，李秀秀（西北工业大学计算机学院，西安７１０１２９）摘 要：针对云天背景下红外弱小目标的检测算法中常见的目标漏检和检测错误问题，提出了一种基于奇异值分解背景抑制和粒子滤波联合检测算法。
该算法首先采用奇异值分解滤波抑制红外图像背景，获取候选目标位置；然后采用粒子滤波算法估计目标运动状态，获取目标搜索窗口；最后将单帧检测候选目标与预测的搜索窗口相结合实现小目标检测。
对真实红外图像序列进行实验表明，该方法有效地解决了ＳＶＤ滤波单帧漏检和粒子滤波预测错误导致的目标检测错误问题，从而提高了低信噪比下弱小目标的检测能力。
关键词：奇异值分解；背景抑制；粒子滤波；红外小目标检测中图分类号：ＴＰ３９１ 文献标志码：Ａ 文章编号：１００１唱３６９５（２０１１）０４唱１５５３唱０３ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００１唱３６９５．２０１１．０４．０９９ＤｅｔｅｃｔｉｎｇｓｍａｌｌｔａｒｇｅｔｓｂａｓｅｄｏｎＳＶＤｆｏｒｂａｃｋｇｒｏｕｎｄｓｕｐｐｒｅｓｓｉｏｎａｎｄｐａｒｔｉｃｌｅｆｉｌｔｅｒＣＵＩＬｉ唱ｊｉｅ，ＺＨＥＮＧＪｉａｎｇ唱ｂｉｎ，ＬＩＸｉｕ唱ｘｉｕ（Ｄｅｐｔ．ｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ＆Ｅｎｇｉｎｅｅｒｉｎｇ，ＮｏｒｔｈｗｅｓｔｅｒｎＰｏｌｙｔｅｃｈｎｉｃａｌＵｎｉｖｅｒｓｉｔｙ，Ｘｉ’ａｎ７１０１２９，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｉｎｏｒｄｅｒｔｏｉｍｐｒｏｖｅｔｈｅｄｅｔｅｃｔｉｏｎａｂｉｌｉｔｙｆｏｒｉｎｆｒａｒｅｄｓｍａｌｌｔａｒｇｅｔｓｕｎｄｅｒｃｌｏｕｄｙｓｋｙｂａｃｋｇｒｏｕｎｄ，ｔｈｉｓｐａｐｅｒｐｒｏ唱ｐｏｓｅｄａｎｏｖｅｌｄｅｔｅｃｔｉｏｎａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎＳＶＤｆｉｌｔｅｒａｎｄｐａｒｔｉｃｌｅｆｉｌｔｅｒ．Ｉｎｔｈｉｓａｌｇｏｒｉｔｈｍ，ｆｉｒｓｔｌｙ，ｕｔｉｌｉｚｅｄａＳＶＤｆｉｌｔｅｒｔｏｓｕｐ唱ｐｒｅｓｓｔｈｅｂａｃｋｇｒｏｕｎｄａｎｄｏｂｔａｉｎｓｅｖｅｒａｌｃａｎｄｉｄａｔｅｔａｒｇｅｔｓ．Ｓｅｃｏｎｄｌｙ，ｕｔｉｌｉｚｅｄｐａｒｔｉｃｌｅｆｉｌｔｅｒｔｏｔｒａｃｋｔｈｅｔａｒｇｅｔａｎｄｇｏｔｔｈｅｔａｒｇｅｔｓｅａｒｃｈｗｉｎｄｏｗ．Ｆｉｎａｌｌｙ，ｄｅｔｅｃｔｅｄｔｈｅｔａｒｇｅｔｂｙｃｏｍｂｉｎｉｎｇｔｈｅｃａｎｄｉｄａｔｅｔａｒｇｅｔｓｗｉｔｈｔｈｅｓｅａｒｃｈｗｉｎｄｏｗ．Ｓｅｖｅｒａｌｅｘｐｅｒｉｍｅｎｔｓｓｈｏｗｔｈａｔｔｈｅｐｒｏｐｏｓｅｄａｌｇｏｒｉｔｈｍｃａｎｄｅｔｅｃｔｔｈｅｓｍａｌｌｔａｒｇｅｔｅｆｆｅｃｔｉｖｅｌｙｗｈｅｎｔｈｅｂａｃｋｇｒｏｕｎｄｉｓｃｏｍｐｌｅｘｏｒｎｏｉｓｙ．Ｋｅｙｗｏｒｄｓ：ｓｉｎｇｕｌａｒｖａｌｕｅｄｅｃｏｍｐｏｓｉｔｉｏｎ（ＳＶＤ）；ｂａｃｋｇｒｏｕｎｄｓｕｐｐｒｅｓｓｉｏｎ；ｐａｒｔｉｃｌｅｆｉｌｔｅｒ；ｉｎｆｒａｒｅｄｓｍａｌｌｔａｒｇｅｔｄｅｔｅｃｔｉｏｎ 目前，低信噪比情况下，红外弱小目标的检测是红外监控系统和红外目标成像制导的核心技术和研究热点［１］。
基于小波变换的边缘检测技术(完整)
第一章图像边缘的定义引言在实际的图像处理问题中，图像的边缘作为图像的一种基本特征，被经常用于到较高层次的特征描述，图像识别。
图像分割，图像增强以及图像压缩等的图像处理和分析中，从而可以对图像进行进一步的分析和理解。
由于信号的奇异点或突变点往往表现为相邻像素点处的灰度值发生了剧烈的变化，我们可以通过相邻像素灰度分布的梯度来反映这种变化。
根据这一特点，人们提出了多种边缘检测算子：Roberts算子Prewitt算子Laplace算子等。
经典的边缘检测方法是构造出像素灰度级阶跃变化敏感的微分算子。
这些算子毫无例外地对噪声较为敏感。
由于原始图像往往含有噪声、而边缘和噪声在空间域表现为灰度有大的起落，在频域则反映为同是主频分量，这就给真正的边缘检测到来困难。
于是发展了多尺度分析的边缘检测方法。
小波分析与多尺度分析有着密切的联系，而且在小波变换这一统一理论框架下，可以更深刻地研究多尺度分析的边缘检测方法，Mallat S提出了一小波变换多尺度分析为基础的局部极大模方法进行边缘检测。
小波变换有良好的时频局部转化及多尺度分析能力，因此比其他的边缘检测方法更实用和准确。
小波边缘检测算子的基本思想是取小波函数作为平滑函数的一阶导数或二阶导数。
利用信号的小波变换的模值在信号突变点处取局部极大值或过零点的性质来提取信号的边缘点。
常用的小波算子有Marr 算子Canny算子和Mallat算子等。
§1.1信号边缘特征人类的视觉研究表明，信号知觉不是信号各部分简单的相加，而是各部分有机组成的。
人类的信号识别（这里讨论二维信号即图像）具有以下几个特点：边缘与纹理背景的对比鲜明时,图像知觉比较稳定；图像在空间上比较接近的部分容易形成一个整体；在一个按一定顺序组成的图像中，如果有新的成份加入，则这些新的成份容易被看作是原来图像的继续；在视觉的初级阶段，视觉系统首先会把图像边缘与纹理背景分离出来，然后才能知觉到图像的细节，辨认出图像的轮廓，也就是说，首先识别的是图像的大轮廓；知觉的过程中并不只是被动地接受外界刺激，同时也主动地认识外界事物，复杂图像的识别需要人的先验知识作指导；图像的空间位置、方向角度影响知觉的效果。
基于小波分析的
2.1河道主溜的定义
主溜是居水流动力轴线主导地位的一个流带，是河流中流速最大，流动态势凶猛，并常伴有波浪的水流现象。视觉上，主溜是河道中沿河流方向成条带状分布的湍急水流区域，主溜区位于河道横断面上垂线流速最大、水流动量最大所在的位置，含沙量最高、河床最深，主溜区水面波浪远比非主溜区水流表现的湍急凶猛。在防汛工作中，河道主溜被概化为河道主溜线。主溜线是河流沿程各横断面中最大垂线平均流速所在点的连线[11]，直观地描述了河道主溜变化的综合趋势。
在多光谱Landsat TM遥感图像上，河道主溜有一定的信号表现，文献[5-6]将类间散布矩阵的投影变换与偏度分析相结合，即通过原始数据类间散布矩阵的投影变换，获得类间（主溜与非主溜）差异最大化，得到对分类最有效的信息分量，然后通过主溜区在差异最大化分量上体现出的偏度系数统计特征检测主溜，其结果仅在窄深河段有较好的拟合度；文献[7]通过在高维空间中寻找具有光谱向量几何特征相对“纯净”端元的方式，利用光谱解混技术进行主溜线检测，其结果仅在个别河段上有较好的检测效果。上述几种方法完全从图像识别角度对主溜线检测进行了探索性研究，没有结合水流特性分析，文献[8]则在洋面流流场模拟研究方法的启示下，利用河道水流上下游之间的关系，以逐步演进的方式模拟主溜流经位置，其检测结果较前两种方法取得了一定进展。文献[8-9]在文献[10]的基础上，利用空间连续性理论描述水流的演进特性特征，提出了一种融合光谱特征和空间信息特征的主溜线检测算法。纵观以上所述，河道主溜线检测应用技术仍在探索之中，还需要从更多方面揭示主溜特征和主溜线检测方法。
小波分析是近些年来新发展起来的一种信号处理工具，是继Fourier分析之后的又一有效的时频分析方法，小波变换的时频局部化和多分辨率分析特性，使得它在信号奇异性检测和信号去噪[12]，以及图像处理等[13]方面有着十分深入的研究。
基于小波变换的小目标检测与跟踪技术研究
传 统 的信 号理 论 ，是建 立在Ｆ ｕ ｉｒ ｏ ｒｅ 分析 基础 上 的 ，而Ｆ ｕ ｉｒ 换 作 ｏｒ ｅ变 为 一 种 全 局 性 的变 化 ， 其 有 一 定 的 局 限 性 。在 实 际 应 用 中人 们 开始 对 Ｆ ｕ ｉｒ ｏｒ ｅ 变换 进 行 各种 改 进 ，小 波 分析 由此产 生 了。 小波 分 析 是一 种 新 兴 的数 学 分支 ，它 是泛 函数 、Ｆ ｕ ｉｒ 析 、 调和 分 析 、数 值 分析 的最 完 美 ｏｒ ｅ分
换 ，找 到需 要检测 的 目标 函数 。
导等 领域 中 的关键技 术 ［］ １。
对 于低 信噪 比小 目标 检测 问题 的研 究， 国外 开始 的较早 ，经 过 多年 的 科 研 研究 ，取得 了一 定 的成 果 。有人 为 了得 到 目标运 动 轨迹 ，通 过一 组 时 间上 的高 阶 差分 来抑 制背 景干 扰 ， 同时利用 动 态 规划 和状 态 评估 等技 术 手 段 来 加强 目标 的 可检 测性 。但 是 在低 信 噪比 的情 况下 ，这 种 方法 的性 能 相
信 号和 信 息处 理专 家 认为 ，小 波分 析 是时 间尺 度 分析 和 多分辨 分 析的 一种
新技术，它在信号分析、语音合成 、图像识别 、计算机视觉、数据压缩、
地 震 勘探 、大 气与 海 洋波 分析 等方 面 的研 究都 取 得 了有科 学 意义 和应 用价
值 的成 果 。 信 号分 析 的 主要 目的是 寻 找一 种 简单 有 效 的信 号 变 换方 法 ， 使 信 号 所 包 含 的重 要 信 息 能显 现 出来 。 小波 分 析 属 于信 号时 频 分 析 的 一
种 ，在小 波 分析 出现 之前 ，傅 立 叶变 换是 信 号处 理领 域应 用 最广 泛 、效 果 最 好 的一 种分 析手 段 傅立 叶变 换是 时域 到 频域 互 相转 化 的工具 ，从物 理 意 义 上讲 ，傅立 叶变 换 的实 质 是把这 个波 形 分解 成 不 同频率 的 正弦 波的 叠加 和 。 正是 傅立 叶变 换 的这 种重 要 的物 理意 义 ，决 定 了傅立 叶变 换 在信 号分 析 和信 号 处理 中 的独特 地位 。傅立 叶变 换 用在 两个 方 向 上都无 限 伸展 的 正
使用小波变换进行目标检测与识别的方法与技巧
使用小波变换进行目标检测与识别的方法与技巧引言：目标检测与识别是计算机视觉领域的重要研究方向之一。
随着人工智能技术的不断发展，小波变换作为一种有效的信号处理方法，被广泛应用于目标检测与识别中。
本文将介绍使用小波变换进行目标检测与识别的方法与技巧。
一、小波变换简介小波变换是一种时频分析方法，它能够将信号分解为不同尺度的频率成分。
与傅里叶变换相比，小波变换具有更好的时频局部性，能够更好地捕捉信号的时域和频域特征。
因此，小波变换在目标检测与识别中具有独特的优势。
二、小波变换在目标检测中的应用1. 尺度空间分析小波变换能够将信号分解为不同尺度的频率成分，在目标检测中可以通过分析不同尺度下的信号特征来实现目标的定位与识别。
例如，可以利用小波变换将图像分解为多个尺度的频域图像，然后通过分析不同尺度下的图像特征来进行目标检测。
2. 特征提取小波变换可以将信号分解为不同频率的子带，每个子带都包含了不同频率范围内的信号特征。
在目标检测中，可以利用小波变换将图像分解为多个频域子带，然后提取每个子带的特征，用于目标的检测与识别。
常用的特征提取方法包括小波包变换、小波能量谱等。
三、小波变换在目标识别中的应用1. 模式匹配小波变换可以将信号分解为不同尺度的频率成分，每个尺度都包含了不同频率范围内的信号特征。
在目标识别中，可以利用小波变换将目标信号与模板信号进行匹配，通过计算匹配度来实现目标的识别。
常用的匹配方法包括小波相关匹配、小波距离匹配等。
2. 特征分类小波变换可以将信号分解为不同频率的子带，每个子带都包含了不同频率范围内的信号特征。
在目标识别中，可以利用小波变换将目标信号分解为多个频域子带，然后提取每个子带的特征，用于目标的分类与识别。
常用的分类方法包括小波神经网络、小波支持向量机等。
结论：小波变换作为一种有效的信号处理方法，在目标检测与识别中具有重要的应用价值。
通过尺度空间分析和特征提取，可以利用小波变换实现目标的定位与识别。
复杂背景下红外弱小目标检测算法研究
复杂背景下红外弱小目标检测算法研究复杂背景下红外弱小目标检测算法研究摘要：红外弱小目标检测在军事、安防、航空航天等领域具有重要应用价值。
然而，由于背景复杂多变、噪声干扰等因素的影响，红外弱小目标的检测成为一个具有挑战性的问题。
本文综述了当前红外弱小目标检测算法的研究进展，并提出了一种基于深度学习的红外弱小目标检测算法。
一、引言红外技术是一种通过检测物体辐射的热能来实现目标探测的非接触性技术。
然而，由于红外图像中目标的能量较小，且通常处于复杂背景中，如林地、建筑物、云层等，红外弱小目标的检测一直是一个具有挑战性的任务。
二、红外弱小目标检测算法的研究进展目前，红外弱小目标检测算法主要包括传统算法和深度学习算法两类。
1. 传统算法传统算法主要通过对红外图像的预处理、特征提取和目标检测三个步骤进行处理。
常用的预处理方法有背景平均法、自适应滤波法等，用于降低图像噪声和背景干扰。
特征提取方法通常包括峰值信噪比、能量、梯度等指标，用于表征目标的形状、纹理等特征。
目标检测方法包括阈值分割、形态学处理、模板匹配等，用于判断目标是否存在于图像中。
2. 深度学习算法近年来，深度学习算法在目标检测领域取得了突破性进展。
深度学习算法通过训练大规模数据集和深层网络模型，能够学习到更加丰富的特征表示。
在红外弱小目标检测中，常用的深度学习算法包括卷积神经网络（CNN）、循环神经网络（RNN）等。
这些算法通过对数据集的训练，能够学习到红外弱小目标的特征，从而提高检测的准确性和稳定性。
三、基于深度学习的红外弱小目标检测算法为了提高红外弱小目标检测的性能，在本文中提出了一种基于深度学习的算法。
该算法主要包括以下几个步骤：1. 数据预处理通过对红外图像进行预处理，如去噪、增强等，以提高图像的质量和目标的可见度。
2. 特征提取引入卷积神经网络（CNN）进行特征提取。
CNN通过多个卷积层和池化层，逐渐提取图像的特征表示，并通过全连接层进行分类和检测。
海杂波环境下的弱小目标检测方法研究
海杂波环境下的弱小目标检测方法研究海洋中存在着许多弱小目标，如小型舰船、潜艇、无人机等，它们在海杂波环境下的检测面临着巨大的挑战。
而海洋作为一个复杂的、充满动态波浪和浓密水汽的大气介质，对弱小目标的探测能力提出了更高的要求。
因此，如何有效地在海杂波环境下进行弱小目标的检测成为一个热门的研究方向。
海杂波环境下的弱小目标检测方法可以分为传统方法和深度学习方法两类。
传统方法主要使用基于形状、纹理和颜色等特征的目标检测算法，如Haar特征、HOG特征和SIFT特征等。
这些方法通常需要手动提取特征，对海杂波环境下的目标检测能力有一定的限制。
此外，传统方法对背景干扰的抵抗能力较弱，容易导致误检和漏检。
相比之下，深度学习方法凭借其出色的特征学习和表示能力，在海杂波环境下的弱小目标检测中取得了较好的效果。
卷积神经网络（CNN）作为深度学习的代表方法，在目标检测领域取得了巨大的成功。
目前，基于CNN的弱小目标检测方法主要有两种：基于单尺度的方法和基于多尺度的方法。
基于单尺度的方法主要是通过设计适应于海杂波环境的卷积神经网络结构来进行目标检测。
这种方法一般可以分为两个阶段：候选区域生成和目标检测。
候选区域生成阶段通常使用滑动窗口或选择性搜索等方法提取可能包含目标的候选区域。
目标检测阶段则根据候选区域的特征进行分类和定位。
然而，这种方法常常容易产生较多的误检和漏检，因为单一尺度的检测难以适应复杂的海杂波环境。
为了解决单尺度方法的限制，基于多尺度的方法被提出。
这种方法通过引入多尺度的输入图像或设计具有不同尺度感受野的卷积层来进行目标检测。
多尺度输入图像可以提供更全局的信息，并能够更好地适应不同尺寸的目标。
而具有不同尺度感受野的卷积层则可以对不同大小目标的特征进行提取。
因此，基于多尺度的方法在海杂波环境下的弱小目标检测中具有更好的鲁棒性和性能。
除了传统方法和深度学习方法，还有一些其他的技术也可以用于海杂波环境下的弱小目标检测。
小波滤波方法及应用
小波滤波方法及应用一、本文概述本文旨在深入探讨小波滤波方法的理论基础、实现技术及其在信号处理、图像处理、数据压缩等多个领域的应用。
小波滤波作为一种新兴的信号处理技术，通过利用小波变换的多分辨率分析特性，能够在不同尺度上有效提取信号中的有用信息，实现对信号的高效滤波和去噪。
本文首先介绍小波滤波的基本概念、发展历程和主要特点，然后详细阐述小波滤波的数学原理和实现方法，包括小波变换的基本原理、小波基函数的选择、小波滤波器的设计等。
在此基础上，本文将重点分析小波滤波在信号处理、图像处理、数据压缩等领域的应用实例，探讨其在实际应用中的优势和局限性。
本文还将对小波滤波的未来发展趋势进行展望，以期为该领域的进一步研究提供参考和借鉴。
二、小波理论基础知识小波理论，作为一种现代数学工具，自20世纪80年代以来，已在信号处理、图像处理、数据压缩等众多领域展现出强大的应用潜力。
其核心思想是通过一组被称为“小波”的函数来分解和分析信号或数据。
与傅里叶变换等传统方法相比，小波变换提供了时频局部化的分析能力，意味着它可以在不同的时间和频率上同时提供信号的信息。
小波变换的基础是小波函数，也称为母小波。
这些函数具有有限的持续时间并且振荡，可以在时间和频率两个维度上进行局部化。
通过伸缩和平移操作，母小波可以生成一系列的小波基函数，这些函数能够匹配并适应不同频率的信号部分。
小波变换可以分为连续小波变换（CWT）和离散小波变换（DWT）两种类型。
连续小波变换在时间和频率上都是连续的，能够提供非常精细的分析结果，但计算复杂度较高。
而离散小波变换则对时间和频率进行了离散化，计算效率更高，更适用于实际应用。
小波变换的一个重要特性是多分辨率分析，它允许我们在不同尺度上观察信号。
通过逐层分解信号，我们可以得到从粗糙到精细的一系列逼近和细节分量。
这种特性使得小波变换在信号去噪、图像增强等应用中表现出色。
小波理论还涉及小波包、尺度函数、小波框架等概念，这些构成了小波分析的基础框架。
小波变换在目标识别中的应用
小波变换在目标识别中的应用引言：目标识别是计算机视觉领域的一个重要研究方向，它涉及到图像处理、模式识别等多个学科。
随着计算机技术的不断发展，人们对于目标识别的要求也越来越高。
而小波变换作为一种有效的信号处理方法，近年来在目标识别中得到了广泛的应用。
本文将探讨小波变换在目标识别中的应用，并分析其优势和局限性。
一、小波变换的基本原理小波变换是一种时频分析方法，它能够将信号分解成不同频率的成分，并对每个频率成分进行时域分析。
与傅里叶变换相比，小波变换具有更好的局部性和时频分辨率，能够更好地捕捉信号的时域和频域特征。
二、小波变换在目标识别中的应用1. 目标检测小波变换能够将图像分解成不同频率的子带，通过对子带进行分析，可以提取出目标的时域和频域特征。
这些特征可以用于目标的检测和定位，从而实现目标识别。
例如，在红外图像中，通过小波变换可以提取出目标的热点特征，从而实现目标的检测和跟踪。
2. 目标分类小波变换能够提取出图像的纹理特征和形状特征，这些特征可以用于目标的分类和识别。
通过对图像进行小波变换，可以得到不同频率的小波系数，然后利用这些系数进行特征提取和分类。
例如，在人脸识别中，可以通过小波变换提取出人脸的纹理特征和形状特征，从而实现人脸的分类和识别。
3. 目标跟踪小波变换能够提取出图像的时频特征，这些特征可以用于目标的跟踪。
通过对图像序列进行小波变换，可以得到不同时间和频率的小波系数，然后利用这些系数进行目标的跟踪。
例如，在视频监控中，可以通过小波变换提取出目标的运动轨迹和时域特征，从而实现目标的跟踪和识别。
三、小波变换在目标识别中的优势和局限性1. 优势小波变换具有较好的时频分辨率，能够更好地捕捉信号的时域和频域特征。
同时，小波变换还具有较好的局部性，能够更好地提取出图像的局部特征。
这些优势使得小波变换在目标识别中具有较高的准确性和鲁棒性。
2. 局限性小波变换对于信号的边缘和噪声比较敏感，容易产生伪迹和震荡现象。
红外图像中弱小目标检测技术研究
红外图像弱小目标检测技术研究1、本文概述随着技术的不断进步，红外成像技术已成为现代军事、航空航天、民用安全等领域不可或缺的重要工具。
特别是在夜间或弱光条件下，红外成像技术以其独特的成像方法实现了对目标的清晰观察和识别。
在实际应用中，红外图像往往含有大量的噪声和干扰，使得弱目标的检测异常困难。
研究红外图像弱小目标检测技术具有重要的现实意义和应用价值。
本文旨在探索红外图像弱小目标检测技术的相关理论和方法。
我们将分析红外图像的特征，以了解红外图像中弱小目标的特征和困难。
我们将回顾现有的弱目标检测算法，包括基于滤波的方法、基于背景抑制的方法和基于多帧融合的方法等，并分析其优缺点和适用场景。
接下来，我们将提出一种基于深度学习的弱目标检测算法，该算法通过从红外图像中提取和分类深度特征来实现对弱目标的精确检测。
我们将通过实验验证所提出算法的有效性，并将其与其他算法进行比较，为红外图像弱小目标检测技术的发展提供参考和启示。
2、红外图像弱小目标检测技术综述红外图像弱小目标检测技术是识别、提取和跟踪复杂背景下弱目标的重要技术。
由于红外图像中弱目标的信噪比低、对比度低、体积小、运动轨迹不确定等特点，其检测成为一项极具挑战性的任务。
近年来，随着红外成像技术和信号处理技术的快速发展，红外图像中的弱小目标检测技术也受到了广泛的关注和研究。
红外图像弱小目标检测技术的核心在于如何有效地从复杂背景中提取目标信息。
这通常涉及多个阶段，如图像预处理、对象增强、对象提取和对象跟踪。
在图像预处理阶段，主要目的是去除图像中的噪声，提高图像质量，为后续的目标检测提供良好的基础。
在目标增强阶段，使用直方图均衡和对比度增强等各种算法来提高目标与背景之间的对比度，从而突出目标信息。
在目标提取阶段，采用阈值分割、边缘检测、形态学处理等方法从增强图像中提取目标区域。
在目标跟踪阶段，通过滤波算法、匹配算法等实现对目标的连续跟踪。
目前，在红外图像中微弱小目标的检测方面取得了重大进展。
无人机目标检测量子多模式识别优化算法
无人机目标检测量子多模式识别优化算法侯旋1，2，薛飞3，陈涛41.西北政法大学新闻传播学院，西安7101222.空军工程大学航空工程学院，西安7100383.空军研究院航空兵研究所，北京1000764.电子科技大学电子科学技术学院，成都611731摘要：研究了现阶段无人机雷达探测技术的难点与方法，分析了量子多模式识别网络模型与算法，根据Grover 算法优化理论，提出了基于相位旋转的量子多模式识别算法（PRQMPRA ）。
优化算法避免了在带冗余项的量子多模式识别算法（RQMPRA ）中两个相位旋转均为π会导致搜索成功概率降低的缺陷。
利用三种数据集对误差反向传播算法（EBPA ）、基于交叉熵函数的深层自编码器学习算法（CDAA ）以及RQMPRA 与PRQMPRA 进行模式识别能力分析，结果表明在确定限定误差的情况下PRQMPRA 具有更高的识别率与相对较快的运算速度。
提出了一种基于量子多模式识别算法的雷达目标检测方法，通过模式分类的方法研究目标检测问题。
利用上述四种算法进行无人机目标检测实验，研究结果表明PRQMPRA 具有更高的检测精度，在低信噪比的情况下可保持较高的发现概率。
关键词：目标检测；无人机；量子计算；模式识别文献标志码：A中图分类号：TP183doi ：10.3778/j.issn.1002-8331.2001-0143UAV Target Detection on Quantum Multi-pattern Recognition Optimization AlgorithmHOU Xuan 1，2,XUE Fei 3,CHEN Tao 41.School of Journalism and Communication,Northwest University of Politics and Law,Xi ’an 710122,China2.College of Aeronautics Engineering,Air Force Engineering University,Xi ’an 710038,China3.Aviation Institute,Air Force Research Institute,Beijing 100076,China4.College of Electronic Science and Technology,University of Electronic Science and Technology of China,Chengdu 611731,ChinaAbstract ：The difficulties and methods of unmanned aerial vehicle radar detection technology are studied.It analyzes the model and algorithms of Quantum multi-Pattern Recognition Network （QPRN ）.By Grover introducing algorithm optimi-zation theory,Phase Rotation Quantum Multi-Pattern Recognition Algorithm （PRQMPRA ）is proposed.The optimization algorithm avoids the defect that both phase rotations are πin the Redundancy Quantum Multi-Pattern Recognition Algo-rithm （RQMPRA ）,which will lead to a decrease in the probability of successful search.Three types of data sets are used to analyze the pattern recognition ability of Error Back Propagation Algorithm （EBPA ）,Cross-entropy function-Deep Autoencoder learning Algorithm （CDAA ）,RQMPRA and PRQMPRA.In the case of determining the limit error,the results show that PRQMPRA has higher recognition rate and relatively faster operation speed.A multi-pattern recognition algorithm based radar target detection method is proposed to study the target detection problem by pattern ing the above four algorithms for UAV target detection experiments,the results show that PRQMPRA has higher detection accuracy and can maintain a higher discovery probability in the case of low Signal to Noise Ratio （SNR ）.Key words ：target detection;Unmanned Aerial Vehicle （UAV ）;quantum computing;pattern recognition基金项目：国家自然科学基金（51507186）。
基于DB-YOLO的双基地雷达弱运动目标检测方法
第 22 卷 第 2 期2024 年 2 月太赫兹科学与电子信息学报Journal of Terahertz Science and Electronic Information TechnologyVol.22，No.2Feb.，2024基于DB-YOLO的双基地雷达弱运动目标检测方法陆源，宋杰，熊伟，陈小龙(海军航空大学信息融合研究所，山东烟台264001)摘要：非合作双基地雷达因其特殊的探测方式，致使回波中目标信噪比较低，特别是海上运动目标，在雷达扫描周期的帧与帧之间探测并不稳定，会对后续目标跟踪造成较大困难。
本文首先采用低门限恒虚警率(CFAR)检测器将雷达距离-多普勒维和距离-方位维的检测结果匹配，得到相应掩码图，筛选出潜在的运动目标；然后提出一种融合多维特征信息的双主干YOLO(DB-YOLO)，该网络采用双主干结构，同时提取动目标掩码图和其映射下相同尺度P显图的特征，并采用深度可分离卷积模块降低网络的模型参数。
将该模型与Faster RCNN、YOLOv5及其常见变种YOLOv5-ConvNeXt进行对比，实验表明，DB-YOLO有效提高了目标检测性能并保证了推理速度，为非合作双基地雷达的目标跟踪奠定了基础。
关键词：非合作双基地雷达；目标检测；双主干YOLO；特征融合中图分类号：TN914.42 文献标志码：A doi：10.11805/TKYDA2023170Bistatic radar weak moving target detection method based on DB-YOLOLU Yuan，SONG Jie，XIONG Wei，CHEN Xiaolong(Research Institute of Information Fusion，Naval Aviation University，Yantai Shandong 264001，China) AbstractAbstract：：Non-cooperative bistatic radar has a low signal-to-noise ratio in the echo due to its special detection method. In particular, the detection between frames in the radar scanning cycle formaritime moving targets is not stable, which will bring great difficulties for subsequent target tracking.The low threshold Constant False Alarm Rate(CFAR) detector is employed to match the detection resultsof radar range-Doppler dimension and range-azimuth dimension to obtain the corresponding mask map,and the potential moving targets are found. Then, a Double Backbone-YOLO(DB-YOLO) that fusesmulti-dimensional feature information is proposed. The network adopts a dual-trunk structure, extractsthe features of the moving target mask map and the same-scale P-display map under its mapping, anduses a deep separable convolution module to reduce the model parameters of the network. Finally, thecomparison experiments with Faster RCNN, YOLOv5 and its common variant YOLOv5-ConvNeXt showthat DB-YOLO effectively improves the target detection performance and ensures the inference speed,which lays a foundation for target tracking of noncooperative bistatic radar.KeywordsKeywords：：non-cooperative bistatic radar；target detection；DB-YOLO；feature fusion 随着现代战场的电磁环境日益复杂，传统的有源雷达由于其主动发射电磁波，容易被敌方发现，人们开始研究新体制雷达，即非合作双基地雷达。
基于小波去噪与改进Canny算法的带钢表面缺陷检测
现代电子技术Modern Electronics TechniqueFeb. 2024Vol. 47 No. 42024年2月15日第47卷第4期0 引 言带钢是钢铁工业的主要产品之一，广泛应用于机械制造、航空航天、军事工业、船舶等行业中。
然而在带钢的生产制作过程中，由于受到原材料、生产设备、工艺流程等多种因素的影响，不可避免地会导致带钢表面出现缺陷，例如：氧化、斑块、裂纹、麻点、夹杂、划痕等。
表面缺陷不仅影响带钢的外观，更是损害了产品的耐磨性、抗腐蚀性和疲劳强度等性能，因此需要加强产品的质检，对有表面缺陷的带钢进行检测和筛查。
但传统人工检测方法采用人为判断，随机性较大、检测置信度偏低、实时性较差[1]。
卞桂平等提出一种基于改进Canny 算法的图像边缘检测方法，采用复合形态学滤波代替高斯滤波，并通过最大类间方差法选取高低阈值，最后利用数学形态学对边缘进行细化，提高了抗噪性能[2]。
刘源等提出一种DOI ：10.16652/j.issn.1004⁃373x.2024.04.027引用格式：崔莹，赵磊，李恒，等.基于小波去噪与改进Canny 算法的带钢表面缺陷检测[J].现代电子技术，2024，47（4）：148⁃152.基于小波去噪与改进Canny 算法的带钢表面缺陷检测崔 莹， 赵 磊， 李 恒， 刘 辉（昆明理工大学 信息工程与自动化学院， 云南 昆明 650500）摘 要： 针对带钢表面图像亮度不均匀、对比度低以及缺陷种类多、形式复杂的问题，提出一种基于小波去噪与改进Canny 算法的带钢表面缺陷检测算法。
首先通过小波变换将原始图像分解，对低频分量采用改进的同态滤波提高亮度和对比度，对高频分量采用改进的阈值函数进行去噪，并通过小波重构得到增强图像。
其次对传统Canny 算法进行改进，通过改进的自适应加权中值滤波进行平滑，并增加梯度方向模板；然后采用迭代式最优阈值选择法与最大类间方差法来求取高低阈值，提高算法的自适应性。
红外弱小目标检测技术研究
红外弱小目标检测技术研究随着科技的发展，红外弱小目标检测技术在军事、安防等领域的应用愈发重要。
红外弱小目标指的是红外场景中，与背景差异小且信号弱的目标，例如人、车、无人机等。
由于红外场景中的目标往往不容易被肉眼观察到，传统的目标检测方法往往失效，因此红外弱小目标检测技术的研究具有重要的现实意义。
红外弱小目标检测技术的研究需要解决的一个核心问题是目标的检测和跟踪。
目标检测的关键在于通过红外图像中的特征信息，将目标与背景进行分离。
这个过程可以分为两个步骤：特征提取和目标定位。
特征提取是将目标从红外图像中提取出来的关键步骤，目前常用的方法有灰度共生矩阵法、小波变换法、相关滤波法、深度学习法等。
这些方法可以通过对图像的纹理、形状、频谱等特征进行分析，来提取目标的特征信息。
目标定位则是通过特征提取的结果，确定目标在图像中的位置。
红外弱小目标的跟踪是指在目标检测的基础上，通过连续的帧图像进行目标的路径追踪。
目标跟踪的关键问题是如何在连续的帧中找到目标，并且保持目标的标识不变。
目前，常用的目标跟踪方法有帧间相似度法、光流法、粒子滤波法等。
这些方法可以通过对目标的运动轨迹、形状变化等信息进行分析，来实现目标的准确跟踪。
除了目标检测和跟踪之外，红外弱小目标检测技术还需要解决的一个问题是目标的识别。
目标的识别是指在检测出目标之后，通过对目标的特征进行进一步分析，确定目标的类别。
目前，常用的目标识别方法有模板匹配法、特征提取法、深度学习法等。
这些方法可以通过对目标的外形、纹理、颜色等特征进行分析，来提取出目标的特征信息，并将其与预先训练好的模型进行比对，从而确定目标的类别。
总之，红外弱小目标检测技术的研究对于提高红外图像处理的能力，提升军事、安防等领域的监控效果具有重要的意义。
这种技术不仅可以实现对红外弱小目标的准确检测和跟踪，还可以通过目标的识别，对目标的类别进行判断和分析。
未来，随着深度学习等技术的进一步发展，红外弱小目标检测技术还将得到更加广泛和深入的应用。
人工智能开发技术中的超分辨率和图像增强方法
人工智能开发技术中的超分辨率和图像增强方法随着人工智能技术的不断发展，图像处理领域的超分辨率和图像增强方法逐渐成为了研究的热点和关注的焦点。
超分辨率技术是指通过图像处理算法将低分辨率图像转换为高分辨率图像的过程，而图像增强方法则是通过改善图像质量，使得图像更加清晰、细节更加丰富，从而提升图像的视觉效果。
一、超分辨率技术超分辨率技术主要分为两类，一类是基于插值算法的方法，另一类是基于深度学习的方法。
基于插值算法的超分辨率技术通过使用插值函数来增加图像的像素数量，从而提高图像的分辨率。
常见的插值算法包括最邻近插值、双线性插值和双三次插值等。
最邻近插值算法简单粗暴，直接用目标像素的最近邻像素的灰度值进行补充，但是容易产生锯齿效果。
双线性插值算法则通过目标像素的周围四个像素的灰度值进行加权平均，得到最终像素的灰度值，提高了插值的效果，减少了锯齿现象。
双三次插值算法则在双线性插值的基础上引入了更高阶多项式函数，从而进一步提高图像的插值效果。
而基于深度学习的超分辨率技术则通过训练模型来学习低分辨率图像与高分辨率图像之间的映射关系，并预测目标图像的高分辨率版本。
这种方法借助于深度神经网络的强大学习能力，能够更好地捕捉图像的特征和上下文信息。
例如，SRCNN（Super-Resolution Convolutional Neural Network）是一种经典的基于深度学习的超分辨率算法，它通过多个卷积层和非线性激活函数来提取图像的特征，并重建高分辨率图像。
二、图像增强方法图像增强方法旨在改善图像的质量和视觉效果，使得图像更加清晰、细节更加丰富。
常见的图像增强方法包括对比度增强、锐化、噪声消除等。
对比度增强是通过调整图像中的灰度级别来增加图像的对比度，使得不同区域之间的细节更加突出。
一种常见的对比度增强方法是直方图均衡化，它通过重新分布原始图像的灰度级别，使得图像的整体对比度得到增强。
另外，还有一些基于局部对比度的增强算法，它们根据像素周围邻域的灰度级别来调整像素的灰度值，使得图像在不同区域具有不同的对比度。
遥感数据处理中的特征提取方法与应用技巧
遥感数据处理中的特征提取方法与应用技巧遥感技术是指通过高空或高速传感器获取地球表面信息的一种手段。
它通过光电传感器、雷达传感器等设备获取的数据，经过一系列的处理和分析，可以提取出地球表面的特征信息。
特征提取是遥感数据处理的重要环节，本文将介绍几种常用的特征提取方法和应用技巧。
一、图像预处理在进行特征提取之前，首先需要对遥感图像进行预处理。
预处理的目的是去除图像中的噪声和干扰，使图像更加清晰，提高特征提取的精度和准确性。
常见的预处理方法有去噪、边缘增强和图像增强等。
去噪是指去除图像中的噪声信号，常用的方法有平滑滤波、中值滤波和小波滤波等。
平滑滤波是通过邻域平均值或加权平均值来替代噪声像素值，中值滤波则是通过邻域像素的中值来替代噪声像素值，小波滤波则是通过小波变换的方法来滤除噪声。
边缘增强是用于增强图像中的边缘信息，以提高特征提取的效果。
常用的边缘增强方法有Sobel算子、Canny算子和Laplacian算子等。
这些算子可以从图像中提取出边缘信息，使得特征提取更加准确。
图像增强是通过增加图像的对比度和亮度来使图像更加清晰。
常用的方法有直方图均衡化和伽马校正等。
直方图均衡化是通过对图像的直方图进行变换，使得图像的灰度级在整个灰度范围内均匀分布，从而增加图像的对比度。
伽马校正是通过对图像的像素值进行幂次变换，从而调整图像的亮度。
二、特征提取方法特征提取是指从图像中提取出具有代表性的特征信息，以反映地物或目标的性质和特征。
常用的特征提取方法有灰度共生矩阵法、纹理特征提取法和形状特征提取法等。
灰度共生矩阵法是一种常用的纹理特征提取方法，它通过计算图像中像素之间的灰度值差异来反映图像的纹理信息。
该方法通过构建灰度共生矩阵，计算出不同方向上的纹理特征，如对比度、相关性和能量等。
这些特征可以用于地物分类、目标检测和图像匹配等应用。
纹理特征提取法是一种常用的特征提取方法，它通过提取图像中的纹理信息来表征地物或目标的特征。
遥感卫星图像中噪声干扰的去噪方法研究
遥感卫星图像中噪声干扰的去噪方法研究遥感卫星图像是指通过卫星搭载的遥感设备，对地球表面的环境因素进行观测感知，获得的地球地理信息图像。
然而，由于检测器灵敏度、气候因素等原因，遥感卫星图像中常常带有噪声干扰。
这些噪声干扰对遥感卫星图像的分析和处理产生负面影响。
因此，去除噪声干扰成为了一个重要问题。
本文将介绍几种遥感卫星图像中噪声干扰的去噪方法。
一、基于小波分析的去噪方法小波分析是数学上的一种分析方法，能够将输入信号分解成频率较低的信号和频率较高的信号。
该方法被应用到遥感卫星图像中，可以将噪声信号与图像信号分离，通过滤波器消除噪声信号。
具体实现时，可以将输入的遥感卫星图像进行小波变换得到带噪图像的小波系数。
然后在小波系数上应用阈值去噪方法，将小于阈值的系数直接去掉，对于大于阈值的系数再进行小波反变换还原到图像空间。
这样就能够通过阈值的调节，使噪声信号被无效化，有效地消除了遥感卫星图像中的噪声干扰。
二、基于局部统计学的去噪方法该方法是一种“局部平滑过滤器”，其原理是在输入图像的每个像素点周围选取局部邻域，根据这些像素点构建一个“平均”数值，实现平滑过滤操作。
具体实现时，可以在输入的遥感卫星图像中，对像素点周围的邻域进行统计。
比如，可以选择小窗口，将窗口内的像素点值进行求和。
那么每个像素点的统计结果就是该像素点及其周围像素点值的均值或中值。
这种统计方法可以最大程度地消除噪声干扰，并保留遥感卫星图像的图像信息。
三、基于深度学习的去噪方法深入学习技术是一种新兴的图像处理技术，可实现复杂数据的自动学习和提取。
近年来，由于深度学习在图像分析领域的突破，深度学习技术也逐渐应用到图像去噪。
具体实现时，可以基于深度学习模型中的卷积神经网络，并通过预训练的模型对遥感卫星图像进行去噪。
该方法对于各种噪声干扰都具有很好的效果，并且具有良好的自适应性。
但是，该方法需要大量的样本和计算资源，相对比较复杂。
综上所述，针对遥感卫星图像中的噪声干扰，基于小波分析、局部统计学及深度学习构建了不同的去噪方法。
基于深度学习的小目标检测算法研究
基于深度学习的小目标检测算法研究基于深度学习的小目标检测算法研究深度学习作为人工智能领域的热门技术之一，在图像处理领域中展现出巨大的潜力。
随着计算机视觉的发展，小目标检测成为一项具有挑战性的任务。
如何从图像中准确地检测出小目标，一直是学术界关注的焦点之一。
本文将介绍基于深度学习的小目标检测算法的研究进展。
一、背景介绍目标检测是计算机视觉中的一个重要任务，旨在从图像中确定目标的位置和类别。
传统的目标检测算法通常基于手工设计的特征和分类器来识别目标。
然而，在处理小目标时，传统方法往往表现不佳。
小目标通常具有低分辨率、模糊不清和低对比度等特点，给目标检测带来很大的困难。
二、深度学习在目标检测中的应用随着深度学习的发展，卷积神经网络（Convolutional Neural Network，简称CNN）在图像处理领域取得了重大突破。
CNN通过学习图像的特征表示，能够在大规模数据集上学习到更加复杂、更具代表性的特征。
这使得CNN在目标检测中的应用得到了广泛关注。
三、深度学习算法在小目标检测中的挑战尽管深度学习算法在目标检测中取得了显著的成果，但在处理小目标时仍面临着诸多挑战。
首先，小目标通常具有较低的分辨率，在特征提取过程中容易丢失细节信息。
其次，小目标的目标背景噪声较多，容易受到干扰。
此外，小目标的尺度变化较大，使得其在不同尺度下的特征提取变得复杂。
针对这些挑战，研究者们提出了许多基于深度学习的小目标检测算法。
四、基于深度学习的小目标检测算法1. Single Shot MultiBox Detector（SSD）SSD是一种基于深度学习的小目标检测算法，通过在不同层次的特征图上应用多尺度的卷积滑动窗口来检测目标。
SSD利用多个尺度的特征图提取不同尺度下的目标特征，从而有效地提高了小目标的检测精度。
2. Enhanced Feature Pyramid Networks（FPN）FPN是一种基于深度学习的特征金字塔网络，通过在不同层次的特征图上应用上下文感知的特征融合方法来提高小目标的检测能力。
基于小波变换的目标边缘搜索分割方法
收 稿 日 期 ：2008-04-25 ； 修 订 日 期 ：2008-06-20 基金项目：国家预研基金资助项目 作 者 简 介 ： 李 国 嵩 （1982- ） ， 男 ， 湖 北 武 汉 人 ， 硕 士 生 ， 主 要 从 事 图 像 处 理 与 目 标 识 别 的 研 究 。 Email ：leegousong@ 导 师 简 介 ： 孟 卫 华 （1969- ） ， 男 ， 河 南 郾 城 人 ， 研 究 员 ， 从 事 红 外 成 像 系 统 ， 红 外 成 像 制 导 方 面 的 研 究 。
摘 要：为满足目标识别实时性、抗噪声的要求，提出了利用小波变换的图像边缘搜索分割方法。 用反对称双正交小波算子对图像进行小波变换，对小波变换模极大值进行启发式搜索检测边缘，得到 目标边缘的链码表示。 该搜索方法能较好地克服噪声干扰，边缘丢失时能通过在模值分布图中搜索找 回边缘，增强算法的鲁棒性。 实验结果表明，在同样平台下，使用该方法检测边缘能减少一般小波多尺 度 分 析 的 计 算 量 ，计 算 速 度 与 使 用 Sobel 算 子 的 梯 度 方 法 相 当 ，且 具 有 更 好 的 抗 噪 声 能 力 。 该 方 法 边 缘连接良好率高，特征提取方便，综合提高了图像处理算法效率。
186
红外与激光工程
第 38 卷
0引言
导引头是红外成像制导系统的重要部件，获得目 标及背景的红外图像，通过目标分割、特征提取、特征 识别、锁定并跟踪目标，同时得到目标的各种信息（位 置、运行方向、速度等），引导导弹精确打击目标。 图像 处理算法要求快速实时，并具有一定的抗噪性。
基于小波变换和改进Top－Hat滤波的红外小目标检测
基于小波变换和改进Top－Hat滤波的红外小目标检测张宁;辛云宏【摘要】提出了一种基于小波变换与改进Top－Hat滤波的有效地红外小目标检测算法。
该方法首先对红外图像进行单层小波分解，分别得到近似、水平、垂直和对角四个分量；接着，对近似分量进行改进Top－Hat滤波，并将滤波结果与原近似分量进行差分，得到差分图像，将其再与水平分量进行融合形成新的近似和水平分量。
同时将垂直和对角分量的小波系数置零，进行小波重构。
最后，为了进一步凸显红外小目标，采用了基于直方图的灰度变换方法对重构图像进行增强。
实验结果证明本文所提出的算法能准确地检测出红外小目标，且鲁棒性较好。
%An infrared small target detection algorithm based on wavelet transform and improved Top-Hat filter is pro-posed.Firstly,the images were decomposed by the single level wavelet transform to obtain four sub-band wavelet coef-ficients represented as approximate,horizontal,vertical and diagonal respectively.And then the approximate sub-band was filtered by the improved Top-Hat method,and the difference image was obtained through the difference of filtering results and original approximate sub-band.The filtered approximate sub-band was fused with the horizontal sub-band to obtain new approximate sub-band and horizontal sub-band.The coefficients of vertical sub-band and diagonal sub-band were set to zeros simultaneously.Afterwards,the wavelet transform was reconstructed.To make the targets more prominent,the reconstructed image was enhanced by the grey transformation based on histogram.Theexperimental re-sults indicate that this method can accurately detect the infrared small target and has good robustness.【期刊名称】《激光与红外》【年(卷),期】2016(046)011【总页数】6页(P1431-1436)【关键词】红外小目标;小波变换;改进Top-Hat;融合【作者】张宁;辛云宏【作者单位】陕西师范大学物理学与信息技术学院，陕西西安710062;陕西师范大学物理学与信息技术学院，陕西西安710062【正文语种】中文【中图分类】TP391红外成像具有被动工作、抗干扰性强、目标识别能力强、全天候工作等特点,在很多军用与民用领域都得到了越来越广泛的应用[1]。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
收稿日期：2011－03－24作者简介：王军敏（1982－），男，河南省叶县人，平顶山学院电气信息工程学院助教，硕士，主要研究方向：多媒体通信．基于小波域滤波和邻域搜索的弱小目标检测王军敏，袁书卿（平顶山学院，河南平顶山467000）摘要：提出了一种基于小波变换和邻域搜索的弱小目标检测方法，该方法先利用弱小目标的灰度特征，采用小波变换算法对单帧图像进行预处理，检测出可疑目标集合，然后利用弱小目标的运动特征，采用邻域搜索的方法对多帧序列图像进行后处理，检测出真实目标．关键词：小波变换；小波基；弱小目标检测；邻域搜索中图分类号：TN929．5文献标识码：A文章编号：1673－1670（2011）05－0079－050引言复杂背景下弱小目标的检测在监视和预警系统中有着十分重要的作用，在军事和民用等领域都有重要的意义．弱小运动目标的检测是一类典型的非平稳信号中不确定信号的检测问题．由于目标距离遥远，其成像只有几个到十几个像素，无形状、更无纹理可言，且淹没于背景噪声和各种干扰之中．因此，必须充分利用多帧序列图像的信息，才能实现对弱小运动目标的检测．1小波变换及其在目标检测中的应用简介小波变换（Wavelet Transform ）是20世纪80年代后期在傅立叶分析的基础上发展起来的，具有严格的理论模型．小波变换在时域和频域都具有良好的局部化性质，可以聚焦到对象的任何细节，从这个意义上讲，它被人们誉为“数学显微镜”［1］．对信号进行变换分析时，通常是用一组适当的基函数对信号进行分解，得到信号在变换域的表示方法，然后利用信号在变换域中某些特征趋于集中的特点来提取其特征进行分析．小波变换也是把原始函数分解为另一空间的一组基函数的加权和，其目的是利用基函数更简单并能更直观地表达原始信号某些特征（如目标图像边缘）的特点．小波的定义公式为：Ψa ，b （t ）=|a |－12Ψt －b()a 其中，Ψ（t ）是小波基，a 是小波函数的时间轴尺度伸缩参数，它反映一个特定基函数的尺度（宽度），b 是时间平移参数．由小波函数的表达式可以看出，小波函数Ψa ，b （t ）具有尺度参数a 和平移参数b 2个参数，所以函数一经小波变换，就意味着将一个时间函数投影到二维的时间－频率平面上，这样就有利于提取信号函数的某些本质特征［2］．根据信号域和变换域的不同，小波变换也可分为连续小波变换（CWT ）和离散小波变换（DWT ）．离散小波变换（DWT ）可以采用Mallat 快速算法，易于在计算机上实现，因此，DWT 在实际中得到广泛的应用．图像信号（数据）经过小波变换后可以用小波系数来描述，小波系数体现原始图像信息（数据）的性质，图像信息（数据）的局部特征可以通过处理小波系数而改变［3］．为了使用小波变换处理图像问题，需将一维的小波变换推广到二维的小波变换，如下式所示：WT f （a ；b 1，b 2）=1af （x 1，x 2）Ψ*x1－b 1a ，x 2－b 2()a d x 1d x 2由于目标距离较远或环境等原因，图像中目标与背景的对比度通常比较低，而且目标在成像平面上的像很小，呈现为弱小目标，信杂比很低．由于弱第26卷第5期2011年10月平顶山学院学报Journal of Pingdingshan University Vol．26No．5Oct．2011小目标在图像平面上是较为连续的一块小区域，其频率特性往往集中在一定的频带范围内，利用小波变换实现频率选取和多尺度分解．因为背景处在图像信号的低频部分，目标处在图像的高频部分，通过小波变换将图像进行低频和高频分离，然后对各分量进行分析处理，就可以实现对噪声的抑制和目标的增强，从而提高信噪比，以便将小目标检测出来．2弱小运动目标检测的理论分析在序列图像中，弱小目标与图像背景之间的关系可表示为：f（x，y，k）=fT （x，y，k）+fB（x，y，k）+fη（x，y，k）其中：f（x，y，k）表示图像序列，fT（x，y，k）表示弱小目标，fB（x，y，k）表示图像背景，最后一项为图像噪声，k表示第k帧图像的序号．弱小运动目标的特征可以分为灰度特征和运动特征，二者是弱小运动目标检测的关键，只有充分利用弱小运动目标的灰度信息和运动信息，才能高效地实现对弱小目标的检测．2．1弱小运动目标的灰度特征在序列图像中，弱小目标的出现使背景中出现微小的灰度“凸起”，在灰度分布上存在着相对于图像背景的“奇异性”，属于高频成分，可以通过检测图像中具有“奇异性凸起”的像素集合，来实现单帧图像中弱小目标的检测［4］．图1为一帧图像，并把目标标记出来．图2为弱小目标的灰度凸起特性．2．2弱小运动目标的运动特征在序列图像中，弱小目标的运动具有独立性和连续性，即弱小目标的运动由图像全域运动和目标独立运动构成，目标运动轨迹在图像序列中是连续的．可通过检测目标的独立运动和连续运动轨迹来实现序列图像中弱小运动目标的检测．在本文中，背景是静止的；若背景是运动的，需先进行背景校正．图1原始图像及弱小目标图2弱小目标的灰度凸起3弱小运动目标检测系统的设计3．1弱小运动目标检测系统的结构设计弱小运动目标的检测，需考虑2个阶段：1）单帧图像的预处理阶段，主要任务是利用目标的灰度特征，抑制背景和噪声，检测出可疑目标集合，为后续的目标确认和跟踪做准备；2）多帧图像的后处理阶段，主要任务是利用目标的运动特征，确认真实目标并获取目标的运动轨迹．弱小运动目标检测系统的结构设计如图3所示．图3弱小运动目标检测系统的结构设计·08·平顶山学院学报2011年3．2利用小波变换在单帧图像中检测出可疑目标对复杂背景下的弱小目标进行检测，一个难点就是目标所处区域的信杂比（SCR ）很低，弱小目标几乎淹没在杂波中，因此，有必要对单帧图像进行预处理，利用目标的灰度特征，对目标进行增强，提高目标所在区域的信杂比，以便于有效检测出目标；同时，图像处理的数据量是巨大的，为了提高目标检测的实时性，满足更多场合的应用需要，必须对图像进行预处理，消除背景和大部分噪声等．在本文中，采用小波域滤波的方法，有效地实现了目标的增强和背景的抑制，提取出了可疑目标集合．单帧图像预处理的具体步骤为：1）选择合适的小波基和小波变换级数．笔者选用的是双正交小波，双正交小波具有线性相位，在小波分解和重建时分别使用2组不同的高低通滤波器．如图4和图5所示，为双正交小波bior3．5的小波函数、滤波器组波形：关于小波变换级数的确定，考虑到是对弱小目标图像的滤波，图像中目标的能量很小，为了能在滤掉噪声的同时最大限度地保存小目标的信息，一般选择一级小波变换．2）对目标图像应用小波变换．通过小波变换，实现不同频率成分的分离，得到4个不同子带的图像．图6为一帧原始图像，图中的2个弱小目标已标记出来，对该图像进行小波变换得到图7，从图7中可见，位于左上角处的低频子带（LL ）图像较亮，而高频子带（HL 、LH 、HH ）图像较暗，这说明信号的主要能量集中在低频部分，而弱小目标等细节图像集中在高频部分，其能量较小．为了能够更直观地看到小波变换后的结果，对小波变换的原始结果图像进行了伪彩色编码，如图8所示．图4bior3．5的小波函数图5双正交小波bior3．5的滤波器组图6原始图像图7小波分解结果（原始结果）图8小波分解结果（伪彩色编码）3）小波域图像滤波．因为图像背景处于低频区，而弱小目标处于高频区，所以，小波分解后，背景信息主要处于低频子带部分（LL ），而弱小目标主要处于高频子带部分（LH 、HL 、HH ）．为了抑制背景，笔者采取的方法是将低频子带部分置零，然后再进行小波反变换，得到的图像就是抑制了背景之后的目标增强图像．图9为低频子带置零后再进行小波反变换得到的图像，因为去除了含有主要能量的背景信息，只留下能量很小的弱小目标及细节图像信息，其灰度值很小，所以图像基本为黑色．4）目标图像二值化．为了进一步抑制高频噪声，提取出可疑目标，需对目标图像进行二值化处理．二值化时的阈值可选取为目标图像的均值和方差之和．如图10所示为二值化后的图像．·18·第5期王军敏，袁书卿：基于小波域滤波和邻域搜索的弱小目标检测图9低频子带置零后的图像图10二值化后的图像5）目标图像极限腐蚀．为了进一步减少后续目标检测的计算量，提高检测效率，对抑制背景和二值化后的可疑目标图像进行极限腐蚀，即将各可疑目标体腐蚀成单点．3．3利用邻域搜索在多帧序列图像中确认目标经过预处理后的图像主要为真实目标和类目标干扰，统称为可疑目标集合．所谓类目标干扰，是指在大小、灰度特征等方面和真实目标很相似的干扰点．但是，类目标干扰是图像背景的一部分，它是不运动的，而真实目标是运动的，因此可以利用序列图像中真实目标的运动特征滤除类目标干扰，抑制虚警，最终捕获真实目标，并获得其运动轨迹．由于序列图像中真实目标的运动轨迹具有连续性，可采用邻域搜索［5］的方法抑制虚警、捕获真实目标．具体步骤为：1）对预处理后的各帧图像进行扫描，标记其中的可疑目标点．创建结构体struct，存储可疑目标点的坐标位置和帧内序号，以及所在帧的序号等信息．对第n帧图像内的可疑目标点，可以标记为struct［n］=｛target［1］，…，target［M］｝，其中target［m］包含该可疑目标点的坐标位置等信息．2）各帧可疑目标点对比，消除大量静止的虚警点．对比各帧中序号相同的目标点，如果它们的坐标位置等信息完全相同，说明该点始终是静止的，在所选各帧图像中都没有移动，则该可疑目标点不可能是真实目标点，即为虚警点，从而可以把它消除掉．3）对消除了大量虚警点后的图像，采用邻域搜索的方法获取真实目标及其运动轨迹．根据弱小目标的运动速度和帧间的时间间隔，可以选择不同的邻域范围．若相邻2帧之间，弱小目标运动1个像素，则可以采用8邻域．在搜索邻域的过程中，如果发现邻域内有可疑目标点，就把邻域搜索的计数器加1，并把新搜索到的可疑目标点位置作为当前目标所在位置，继续搜寻新的当前目标点的邻域．当邻域搜索计数器的数值超过某一阈值，就可以认为该可疑目标点就是真实目标点，其路径就是真实目标的运动轨迹．在本文中，选取10帧图像，阈值设为7．最终所得目标运动轨迹如图11所示．3．4系统算法性能分析对弱小目标进行有效检测的关键是单帧图像的预处理，即利用目标的灰度特征，通过预处理，实现对目标的增强，以及对背景和噪声的抑制，提高目标的可检测性．弱小目标的可检测性可以用弱小目标的邻域信杂比SCR来描述，它是衡量目标相对于邻域杂波的一个重要参量．图11检测到的目标运动轨迹弱小目标邻域信杂比SCR的定义如下：SCR=max［fT（x，y）］－μμ其中，max［fT（x，y）］指目标灰度的最大值，当目标某点灰度太高时，取平均值更有代表性；μ表示目标一定邻域内背景灰度的均值．弱小目标的邻域信杂比SCR越高，其检测性能就越好．笔者采用小波变换的算法对弱小目标图像进行预处理，因此，可通过分析预处理前后弱小目标的邻域信杂比SCR来衡量该算法的性能．通过分析计算，得到如表1所示的邻域信杂比SCR对比结果．表1小波变换低频子带置零预处理前后的目标邻域信杂比分析目标原始图像SCR预处理后图像SCR信杂比SCR增益目标17．6%12．00157．89目标28．5%44．90528．24目前，基于小波变换的目标图像预处理算法·28·平顶山学院学报2011年中，使用较多的算法是对原始图像进行小波变换后，在小波域对各个子带（LL 、LH 、HL 、HH ）图像采用不同的核函数进行变换处理，虽然检测效果也较好，但是这些算法的复杂度高，运算量大，不利于目标的快速检测．而笔者所采用的小波变换后低频子带置零的图像预处理算法，数据的计算量小，同时可大大提高弱小目标的邻域信杂比SCR ，提高了复杂背景下弱小目标检测的有效性．4结论笔者提出了基于小波变换和邻域搜索的弱小运动目标检测方法．根据弱小目标的灰度特征，即背景中微小的灰度“凸起”，采用小波变换后低频子带置零的方法，抑制了背景杂波，增强了弱小目标的邻域信杂比，提高了弱小目标的可检测性．同时，根据弱小目标的运动特征，即运动轨迹的连续性，采用邻域搜索的方法，实现了目标运动轨迹的确认，最终实现了弱小目标的检测．参考文献：［1］陈仲英．小波分析［M ］．北京：科学出版社，2007．［2］李建平．小波十讲［M ］．北京：国防工业出版社，2004．［3］孙廷奎．小波分析及其应用［M ］．北京：机械工业出版社，2005．［4］程德杰．弱小运动图像目标形态检测理论与技术研究［D ］．成都：电子科技大学，2006．［5］王新增．空中红外弱小运动目标检测方法研究［D ］．成都：四川大学，2005．Detection of Dim Small Target Based on WaveletFiltering and Neighborhood SearchWANG Jun －min ，YUAN Shu －qing（Pingdingshan University ，Pingdingshan ，Henan 467000，China ）Abstract ：A scheme based on the wavelet transform and neighborhood search is presented to detect a dim small target．In this method ，according to the intensity features of the dim small target ，wavelet transform is adopt-ed to detect the suspicious targets by pre －processing the initial images ，and then neighborhood search is used to detect the true target in terms of the motion features of the dim small target．Key words ：wavelet transform ；base wavelet ；dim small target detection ；neighborhood search·38·第5期王军敏，袁书卿：基于小波域滤波和邻域搜索的弱小目标检测。