目标与背景红外特征及对比度研究综述
红外成像系统性能参数测试系统讲诉
红外成像系统性能参数测试系统摘要：经过近几十年的发展，红外成像系统经历数次变革，已经由最初的点源和线阵扫描型发展到现在的第三代红外焦平面凝视型系统，目前国外对红外成像系统实验室测试的性能参数多达十六七项。
本文对其最主要的信号传递函数（SITF）、噪声等效温差（NETD）和三维噪声模型、调制传递函数（MTF）、最小可分辨温差（MRTD）五个参数进行研究，阐述了它们的定义、物理意义和测量方法。
关键字：红外成像系统性能参数定义测量方法1 红外成像系统性能参数测试研究的意义基于光电图像的测量，是以图像的获取及其处理为手段，来确定被测对象的诸如空间、时间、温度、速度以及功能等等有关参数或者特性的一种测量方法。
把图像当作检测和传递的手段或载体加以利用，是一种建立在光学成像技术基础上并融入了计算机技术、光电子学数字图像处理技术以及光机电一体化的综合测量技术，其目的在于从图像中提取有用的信号。
由于其具有非接触、高灵敏度和高准确度等特点，在信息科学、生命科学、工农业生产和制造业、航空航天、国防军事、科学研究以及人们的日常生活等领域中得到了广泛应用，是当代先进测试技术之一[1]~[3]。
自然界中凡是温度高于绝对零度的物体，就会一直向外辐射能量。
通过探测并收集这些辐射能，再现物体的辐射起伏，进而显示出物体的特征信息，这样的成像系统就是红外成像系统。
红外成像系统利用景物本身各部分辐射的差异获取被测对象的细节，可以穿透烟、雾、霾以及雪等不利因素以及识别伪装，具有较强的抗干扰和全天时远距离观察目标的能力，这些特点使红外成像系统广泛应用于军事领域。
现代军事应用中，要求红外系统不仅具有高灵敏度、大视场、高空间分辨率、高帧频、适装性好的特点，为了适应恶劣的环境条件，还同时要求具有很好的结构稳定性和温度特性等。
传统的红外光学系统的结构形式有反射式、折射式和折反式，它们共同的特点是结构简单，这往往不能满足现代军用特殊条件下的高质量的成像要求，需要增加辅助器件，就使得结构变得复杂，更加促使了人们开发新型的结构[4]。
《2024年复杂背景条件下的红外小目标检测与跟踪算法研究》范文
《复杂背景条件下的红外小目标检测与跟踪算法研究》篇一摘要：在红外图像中，小目标的检测与跟踪一直是计算机视觉领域中重要的研究课题。
特别是在复杂背景条件下，红外小目标的检测与跟踪的准确性受到了严重的挑战。
本文旨在研究并探讨在复杂背景条件下红外小目标的检测与跟踪算法，以提高其在现实应用中的准确性和效率。
一、引言红外图像处理技术近年来在军事、安防、自动驾驶等领域中有着广泛的应用。
在复杂的背景条件下，如夜间的城市环境，热噪声和干扰物的存在使得红外小目标的检测和跟踪变得更加困难。
因此，对于该领域的深入研究对于提升系统的整体性能具有重要意义。
二、红外小目标检测算法研究1. 预处理阶段预处理阶段是红外小目标检测的重要环节。
首先，通过滤波技术消除图像中的噪声和干扰物，以增强目标与背景的对比度。
其次，利用图像增强技术，如直方图均衡化等，提高图像的清晰度。
2. 目标检测算法针对红外小目标的特性，本文采用基于区域的方法和基于边缘的方法相结合的检测算法。
首先，通过区域生长法确定可能的目标区域，然后利用Canny算子等边缘检测算法提取目标的边缘信息。
最后，通过形态学操作和阈值分割等方法，将目标从背景中分离出来。
三、红外小目标跟踪算法研究1. 特征提取在跟踪过程中，特征提取是关键的一步。
本文采用基于灰度信息和纹理信息的特征提取方法。
首先，通过灰度直方图等手段提取目标的灰度特征；其次，利用GLCM等纹理分析方法提取目标的纹理特征。
这些特征将用于后续的目标匹配和跟踪。
2. 跟踪算法本文采用基于Mean Shift的跟踪算法。
该算法通过计算目标与周围像素的相似度来定位目标的位置。
在每一帧图像中，通过匹配目标在上一帧的位置和当前帧的特征信息，实现目标的跟踪。
此外，为了解决因遮挡和光照变化等导致的跟踪不准确的问题，本文还引入了基于KCF的跟踪算法进行辅助跟踪。
四、实验与分析本文在多种复杂背景条件下进行了实验，包括低信噪比、多干扰物、动态背景等环境。
目标与背景的红外辐射特性研究及应用
角 方 向 以及 视 场 角 大 小 等 因 素 ， 成 导 引 头 在 视 场 内 生 所 观 察 到 的 图像 ， 体 方 法 如 下 Ｅ 。 具 ｓ ］
地 面 相 邻 两 点 的 温 度 是 空 间 相 关 的 ， 关 函 数 可 相
表示 为 ：
（ （ ＋ ｒ 丁 Ｒ ）＊ 丁（ ＞ 一 （ ） 一 ｅ ｐ（ ｏ Ｒ） ｒ ｘ ～ ｒ） （ ） ３
１ 背 景 与 目标 的 红外 辐 射 特 性 研 究
１ １ 自然 地 表 的 红 外 辐 射 特 性 及 红 外 图 像 生 成 ． 自然 界 的地 表 是 非 常 复 杂 的 ， 响 其 温 度 分 布 和 影 红外辐射 特性 的因素很 多 ， 地 表 的起伏 、 壤类 型 、 如 土
植 被 类 型 、 壤 湿 度 等 ， 精 确 计 算 自然 地 表 的 温 度 和 土 要 红外 辐 射 特 性 ， 须 建 立 考 虑 各 种 影 响 因 素 的 三 维 传 必
热 模 型 ， 工 作 量 是 巨 大 的 ， 常 都 是 采 用 一 维 模 其 通
型 。
ｒ为 两 点 间 的 相 对距 离 ， 为 相 关 长 度 ， 高 度 均 方 Ｏ ｔ 为 根 误 差 。 自然 粗 糙 地 表 的 温 度 服 从 Ｎ 维 正 态 分 布 ， Ｎ
验。
关 键 词 ： 目标 ； 复 杂背 景 ； 红 外特 征 ； 红 外 图像
中 图 分 类 号 ：ＴＮ２ ６ １ 文 献 标 识 码 ：Ａ 文 章 编 号 ：１ ０ — ８ １ ２ ０ ） ４０ １ — ４ ０ １８ ９ （ ０ ２ ０ — ０ ６０
Ｅ ＋ Ｅ ＋ ＋ Ｈ ＋ ＥＬ＋ Ｇ 一 ０ （） ２
别 ， 很 大 程 度 上 取 决 于 以 下 几 个 因素 ： 在 目标 本 身 和 周
机载红外搜索跟踪系统(IRST)综述
I RST 系统9特别是早期的第一代I RST9严格的讲
不是成像系统o一般采用工作在3 !5 "m 的中波器件探 测目标辐射o由于空中背景相对地面背景来说比较简单9
1 )抗干扰\抗隐身能力强9隐蔽性好o
可以把目标作为热点与背景分开9对目标进行搜索和跟
现代各种类型的作战飞机都把发展机载电子战技 踪sFLI R 传感器大都采用工作波长在8 !14 "m 的长波器 术和隐身技术放在突出位置9采用有源探测方式的机 件9探测目标和地面背景的温差成像o飞行员通过图像完
国外战斗机主要I RST 应用情况见附表1 9下面就 国外典型机载I RST 作一介绍G
表1 "国外典型机载红外搜索跟踪系统情况""Tab1e 1 "Typica1 I RST abrOad
型号名称
工作波段及 制造厂商
探测部位
搜索范围
探测距离
配装机种
用途
美国休斯 方位 65
AN AWG-9 3 .5 !4 .8 "m
3 "机载I RST 的发展历程与装备现状
3 .1 "机载I RST 系统的发展历程 机载I RST 的研制始于上世纪50 年代9成熟于80
14
年代9在80 年代末90 年代初大量装机使用o从系统 水平及所采用的技术来看9机载I RST 的发展可大致 划分为3 个阶段:
五六十年代的发展可以归纳为第一阶段o世界上 第一个机载I RST 系统是美国在50 年代中期为F-104 飞机研制的o系统采用单元硫化铅 (PbS )为光敏元 件9只能接受发动机尾喷口的红外辐射o由于探测距 离近9很快就随 F-104 飞机一起退役o在60 年代9美 国麦克 唐纳公司(Mc DOnna1 )为美国海军 F-4B 飞 机研制的 R1137/AAA-4 型 机 载 红 外 搜 索 跟 踪 系 统 (I RSTS)堪称这一阶段的代表o系统安装在机头下 方9工作波段3 !4 .5 "m9系统采用两个光伏型单元锑 化铟 (I nSb )器件9一个矩形探测器用于目标搜索9一 个圆形探测器用于目标跟踪9对发动机尾喷口探测距 离大于30 k m9对高空高速目标具有全方位探测能力o
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。
红外测温技术研究背景意义及现状
红外测温技术研究背景意义及现状红外测温技术研究背景意义及现状1红外测温技术研究背景 (1)2研究意义 (1)3国内外研究现状 (3)1红外测温技术研究背景密集人群中的疾病防治工作是目前公认的难度较大的工作，尤其是在火车站，机场，会场等人口密集，而且流动性有很大的场所，这项工作更是难上艰难。
像之前我们遭遇的“非典”，“H1N1”因为其具有较高的传染性和发病前期较好的隐藏性（除体温偏高），使得这类疾病的防治工作变得十分困难。
因为这类疾病最主要，也是最明显的的的发病特征是体温比正常人偏高。
所以，如果能够在密集人群中快速，准确的把体温偏高者与正常体温者区别出来是防治这类疾病的重要手段。
目前，我们经常使用的传统体温测量的手段有很多，但是都不能满足在密集人群中快速，准确的发现体温偏高者，而且，由于这类疾病的高传染性，使得传统手段需要时测量者与被测量者接触，这就可能造成疾病的互相传染。
红外测温技术作为一种非接触测温技术在测量领域已经发展多年，它与传统测温技术相比具有很多优点：①它的测量不干扰测温场，不影响测温场原有的分布，因此相比传统测温方式它具有不可比拟的测量精度，理论上温度分辨率可达0.01℃。
②红外测温与普通接触式测温计测温的不同之处在于它不需要与测温对象达到热平衡就能读出物体的温度，它的测温速度非常快，可以实时观测，便于快速与动态测量，尤其对于一些测量人员不便于接近的设备或者一些易传染疾病（SARS，H1N1）的测量具有很大的优势。
③可以确定微小目标的温度。
④红外测温可以实现实时观测与自动控制，测量距离可近可远，并且可以夜间作业，具有较强的适应性。
⑤测温范围宽，红外测温的方法在理论上无测量上限。
正是由于上述传统技术无法比拟的优势，目前红外测温技术已经广泛应用在电力工业，航空航天，质量检测及冶金等领域。
2研究意义近年来，我们先后遭遇了“非典”，“H1N1”等流行性疾病的侵扰，这些疾病最大的特点是传染性强，有潜伏性。
红外目标跟踪技术研究
红外目标跟踪技术研究近些年来，红外目标跟踪技术逐渐成为热门的研究方向。
这项技术可以将特定目标从背景中分离出来，对其进行跟踪和观测。
在军事、安防、航空等诸多领域都有着广泛的应用。
本文就着手研究红外目标跟踪技术的原理、应用以及新型技术发展趋势等方面进行探讨。
一、红外目标跟踪技术的原理红外目标跟踪技术是指采用红外传感器进行目标识别、跟踪和观测的技术手段。
红外传感器利用目标发射出来的红外辐射，进行无线通信和数据传输，将图像数据传输到目标跟踪系统中。
在软件分析后，系统可以将目标从背景中自动分离出来，并进行持续跟踪和观测。
二、红外目标跟踪技术的应用1.军事领域在军事领域，红外目标跟踪技术被广泛应用于导弹、飞机、舰船等各种目标的跟踪和识别。
在战场上，掌握敌方目标的位置和动态变化情况，对战争胜利有着至关重要的作用。
2.安防领域在安防领域，红外目标跟踪技术主要用于视频监控。
安装有红外摄像头的监控系统可以及时掌握监控区域内的动态变化情况，为保卫安全提供更加有效的手段。
3.航空领域在航空领域，红外目标跟踪技术可以用于无人机、卫星等飞行器的自动导航和控制，以及地球表面区域的卫星遥感等领域。
有效应用红外目标跟踪技术，可以更好地控制飞行器的运行轨迹，同时可以增强地球表面环境监测的能力。
三、新型红外目标跟踪技术的发展趋势1.深度学习技术的应用目前，深度学习技术被广泛应用于计算机视觉领域。
在红外目标跟踪技术中，深度学习技术可以用于构建更加精准和健壮的目标跟踪系统。
通过不断优化模型的训练和更新，系统的性能和鲁棒性可以得到不断提升。
2.多模态数据融合技术的发展多模态数据融合技术是指将多种数据通过不同方法进行融合，从而得到更加完整、准确的信息。
在红外目标跟踪技术中，可以将红外传感器与其他数据来源进行结合，充分利用不同传感器、各种传感器的优点，提高对目标的跟踪精度和可靠性。
例如，融合雷达数据和红外数据，可以得到更为准确的目标跟踪结果。
红外图像的目标检测研究
34DIGITCW2024.011 研究背景红外搜索与跟踪系统被广泛应用于针对飞机、船舶等远距离目标的检测、跟踪及预警。
由于搜索距离较远且容易受到环境干扰，系统进行检测的目标一般表现为尺寸较小且模糊的点状结构，对红外小目标的检测是红外搜索与跟踪系统中的一项难题。
为了精确地检测小目标，现今的研究者们提出了各种各样的检测方法，根据检测弱小目标所需的图像类型的不同，主要分为基于单帧的检测方法和基于序列的检测方法两种类型。
序列检测方法通常一次处理多个图像帧来估计目标，利用小目标的形状、灰度的变化在时间上的连续性，以及运动轨迹的连续性等先验信息，有效地分离红外图像中的背景与小目标。
典型的方法包括匹配滤、序列假设检验、动态规划分析和高阶相关。
基于单帧检测方法按照检测方式的不同，可以进一步分为基于背景估计的方法和基于目标提取的方法。
除只关注单个背景或目标之外，最近的一些方法可以同时分离目标和背景，其中大多数方法是基于红外图像具有目标是稀疏的和背景局部具有一致性的假设，例如，高陈强[1]提出的一种基于红外图像数据的子空间结构的单幅红外小目标检测技术，通过滑动窗口方式，分别处理每个图像块中的稀疏的目标特征，将传统的红外图像推广到新的红外图像块（Infrared Patch Image ，IPI ）模型。
基于观察，在IPI 模型中，认为目标图像块矩阵是稀疏矩阵，背景图像块矩阵是低秩矩阵，将小目标检测任务转化为恢复低秩稀疏矩阵的优化问题。
IPI 模型具有假设与现实相符合的优点，几乎在任何情况下都有效，与只关注单个对象的传统方法相比具有明显优势。
但是，IPI 模型也具有局限性，在描述稀疏度时会使目标检测陷入矛盾中，要么使背景图像中的边缘、角或点等较为稀疏的结构也被识别为小目标，导致虚警率升高，分离出的目标图像中留下一些残差，要么使过于弱小的目标图像被错误消除。
此外，在稀疏性不一致的背景图像块和目标图像作者简介：余祉祺（1998-），女，汉族，河南洛阳人，在读硕士，研究方向为电气与电子信息专业通信。
红外图像特征提取方法研究
纹理分析在红外图像特征提取中具有广泛应用，因为红外图像中的目标物体常常具 有独特的纹理特征，这些特征有助于区分不同的目标和场景。
区域分割
区域分割是将图像划分为若干个区域或 对象的技术。在红外图像中，区域分割 可以用于提取目标物体并对其进行分类
和识别。
常用的区域分割算法包括阈值分割、区 域生长、聚类分析等，这些算法通过将 像素或子区域划分为不同的组来形成区
域。
区域分割在红外图像特征提取中具有重 要作用，因为通过区域分割可以将复杂 的红外图像划分为简单、易于处理的对 象，从而简化特征提取和目标识别的过
程。
04
特征选择与优化
特征评估
80%
全局直方图均衡化
对整个图像的灰度直方图进行均衡化，增强图像的对比度。
局部直方图均衡化
对图像的每个子区域进行直方图均衡化，突出显示局部特征 。
03
红外图像特征提取方法
边缘检测
边缘检测是图像处理中的基本 技术，用于识别图像中的边缘 和轮廓。在红外图像中，边缘 检测可以用于提取目标物体的 轮廓和结构信息。
红外图像特征提取概述
红外图像特征提取是指从红外图像中提取出有用的 信息，如边缘、纹理、形状等，以便进行后续的分 析和处理。
红外图像特征提取的方法可以分为基于滤波的方法 、基于变换的方法和基于深度学习的方法等。
红外图像特征提取的目的是为了提高图像的清晰度 、对比度和可识别性，以便更好地实现各种应用。
红外图像特征提取技术在军事、安防 、医疗等领域具有广泛的应用前景， 未来可以进一步拓展其在各领域的应 用，为实际问题的解决提供更多帮助 。
《2024年复杂背景条件下的红外小目标检测与跟踪算法研究》范文
《复杂背景条件下的红外小目标检测与跟踪算法研究》篇一一、引言随着红外成像技术的不断发展，红外小目标检测与跟踪技术在军事、安防、自动驾驶等领域具有越来越广泛的应用。
然而，由于复杂背景条件下的红外图像具有多种噪声干扰、动态变化和低信噪比等特点，红外小目标的检测与跟踪一直是一个具有挑战性的问题。
本文旨在研究复杂背景条件下的红外小目标检测与跟踪算法，为实际应用提供理论依据和技术支持。
二、红外小目标检测算法研究2.1 背景建模与噪声抑制在复杂背景下，红外图像中的噪声和背景干扰是影响小目标检测的关键因素。
为了有效地抑制噪声和背景干扰，本文采用基于动态背景建模的方法。
该方法通过建立背景模型，实时更新背景信息，从而实现对动态背景的准确描述。
在此基础上，采用滤波算法对图像进行预处理，以降低噪声对小目标检测的影响。
2.2 小目标检测算法针对红外小目标的特性，本文采用基于形态学和边缘检测的算法进行小目标检测。
首先，通过形态学滤波器对图像进行滤波处理，以增强小目标的特征。
然后，利用边缘检测算法提取出小目标的边缘信息。
最后，通过设定阈值和连通性分析，实现对小目标的准确检测。
三、红外小目标跟踪算法研究3.1 跟踪算法概述红外小目标跟踪是利用检测到的目标信息，在连续帧图像中实现对目标的稳定跟踪。
本文采用基于滤波预测和特征匹配的跟踪算法。
该算法结合了滤波预测和特征匹配的优点，能够在复杂背景下实现对红外小目标的稳定跟踪。
3.2 滤波预测算法滤波预测算法是利用上一帧目标的位置信息，通过滤波器对目标进行预测。
本文采用卡尔曼滤波器进行预测，通过对系统噪声和测量噪声的统计特性进行建模，实现对目标位置的准确预测。
3.3 特征匹配算法特征匹配算法是利用目标的特征信息，在连续帧图像中实现目标的匹配。
本文采用基于灰度特征和形状特征的匹配算法。
首先，提取出目标区域的灰度特征和形状特征。
然后，通过计算特征之间的相似度，实现目标的匹配。
在匹配过程中，采用优化算法对目标位置进行微调，以提高跟踪的准确性。
地面目标与背景的红外辐射对比度特性
ｔ ｒ ｅ ｎ ａ ｋ ｒ ｕ ｄ ａ ｇ ｔａ ｄ ｂ ｃ ｇ ｏ ｎ
Ｌｏ ｌ，Ｌｖ Ｘｉｎ ｙ ｎ，Ｚｈ ｕ Ｙｕ ｎ ｕ，Ｗ ｕ Ｘｉｏ ｉ ｕ Ｈｅｉ ａｇ ｉ ｏ ａｐ ａ ｄ
（ ｅ ａ ｆＩ ｆ ｒｄ ａ ｄ Ｌ ｗ Ｔ ｍｐ ｒｔｒ ｌｓ ｆＡｎ ｕ ｒｖｎ ｅ Ｅ ｅ ｔ ｎｃ Ｅ ｇｎ ｅｉｇ Ｉｓ ｔ ｔ， Ｋ ｙ Ｌ ｂ ｏ ｒ ｅ ｎ ｏ ｅ ｅａｕ ｅ Ｐａ ｍａ ｏ ｈ ｉ ｏ ｉ ｃ ， ｌｃｒ ｉ ｎ ｉｅ ｒ ｎ ｔ ｕｅ ｎ ａ Ｐ ｏ ｎ ｉ
ｃ ａ ｇ ｓ ｉ ｎ ｆｃ ｎｌ ｕ ｄ ｒ ｄｆｅ ｅ ｔ ｃ ｎ ｔ ｎ ．Ｖａ ｉｔ ｎ ｔｅ ｄ ｏ ａ ｉｔ ｎ ｃ ｎ ａ ｔ ｆ ｔ ｅ ａ ｔ ｇ ｔ ｈ ｎ ｅ ｓｇ ｉ ａ ｔｙ ｎ ｅ ｆｒ ｎ ｏ ｄ ｉ ｓ ｉ ｉ ｉ ｏ ｒａｉ ｒ ｎ ｓ ｆ ｒ ｄ ａｉ ｏ ｔ ｓ ｏ ｓ ｍｅ ａ ｅ ｏ ｏ ｒ ｈ ｒ ｎ ａ ｋ ｕ ｄ ｗｈ ｎ ｏ ｓ ｒ ｅ ｎ ｄ ｆ ｒ ｎ ｚｍ ｔ ｌｏ ｐ ｅｅ ｔｄ． ａ ｄ ｂ ｃ ｇ ｏ ｎ ｅ ｂ ｅ ｖ ｄ ｉ ｆｅｅ ｔａ ｉ ｕ ｓ ａ ｅ ａｓ ｒ ｓ ｎ ｅ ｒ ｉ ｈ ｒ
第 ４ 卷 第 ８期 ｌ
Ｖｏ１４ｌ ＮＯ． ． ８
红 外 与 激 光 工 程
Ｉ ｆａ ｅ ｎ ｓ ｒ Ｅｎ ｉ ｅ ｒｎ ｎ ｒ ｒ ｄ ａ ｄ Ｌａ ｅ ｇ ｎ ｅ ｉ ｇ
２１ ０ ２年 ８月
Ａｕｇ．２ ２ ０１
地 面 目标 与 背 景 的 红 外 辐射 对 比度 特 性
Ｐ Ａ． ｆｉ２ ０ ３ ．Ｃ ｉａ Ｌ Ｈｅｅ ３ ０ ７ ｈｎ ）
Ａｂｓｒ ｃ ：Ｉ ｒ ｒ ｄ ｄ ｔｃｉ ｎ ｏ ｈ ｒ ｕ ｄ ｔ ｇｅ ｓｇ ｅ ｔ ｅｅ ｍｉ ｅ ｙ ｔ ｅ ｒ ｄ ａｉｎ ｃ ｎ ｒ ｓ ｅｗｅ ｎ ｔａ ｔ ｎｆａｅ ｅｅ ｔ ｆｔ ｅ ｇ ｏ ｎ ａ ｔｗａ ｒ ａｌ ｄ ｔｒ ｎ ｄ ｂ ａ ｉｔｏ ｏ ｔａ ｔｂ ｔ ｅ ｏ ｒ ｙ ｈ
舰船目标红外图像特性研究
利 用 Ｈｏ ｇ ｕ ｈ变换 提取 海 天线 。结 果表 明 ， 低对 比度 和 有 云 团干扰 的情 况 下 ， 在 该算 法 与 改进 的 直线 拟合 法相 比 ， 能够有 效地 、 准确地提 取舰 船 目标 红 外 图像 中海天线特 征 。
关键词 ： 船 目标 红外 图像 ； 舰 辐射 ； 天线 ； 线拟合 法 海 直
性 ， 知舰船 目标红 外 图像有 一 重要 特 征 一 海 天 线 ， 得 它可 以确 定 目标 的所 在 区域 。为 了舰 船 目 标 的跟 踪 定位 ， 对舰 船 目标 红外 图像 中的 海 天 线特 征 进 行研 究 ， 出一种 基 于预 处 理 和 直 线拟 提 合 法提 取 海天 线特征 的算 法 ， 先对 图像进 行 边缘检 测得 到梯 度 图像 ， 而二值 化 并 细化 ９ 首 进 最后
中 图 分 类 号 ： ２ ＴＮ １ 文献 标 志 码 ： Ａ ｄ ｉ１ ． ７ ８ Ｊ ２ １ ３ ． ５ １ ０ ｏ ： ０ ５ ６ ／ Ａ０ ０ ２ ３ ０ ０ ０ ３ ，
Ｃｈａ ａ ｔ ｒ ｓ ｉ ｆ ｓ ｉ ａ ｇ ｔ Ｉ ｉ ａ ｅ ｒ ｃ ｅ ｉ ｔｃ ｏ ｈ ｐ ｔ ｒ ｅ Ｒ ｍ ｇ
Ｗ ＡＮＧ Ｘｕｅ ｗｅ ，Ｗ ＡＮＧ — ｉ — １ Ｓｈｉｌ，ＬＩＫｅ
（ ｐ ｒ ｍｅ ｔｏ ｏ ｔ ｏ ｇ ｎ ｅ ｉ ｇ， ｖ ｌＡｅ ｏ ａ ｔ ａ ｎ ｔ ｏ ａ ｔ ａ ｉ ｅ ｓ ｔ ， ｎ ａ ２ ４ ０ Ｃｈ ｎ ） Ｄｅ ａ ｔ ｎ ｆＣ ｎ ｒ ｌＥｎ ｉ ｅ ｒ ｎ Ｎａ ａ ｒ ｎ ｕ ｉ ｌａ ｄ Ａｓ ｒ ｎ ｕ ｉ ｌＵｎ ｖ ｒ ｉｙ Ｙａ ｔ ｉ ６ ０ １， ｉａ ｃ ｃ
ｔ ｏ ａ ｅ ｔ ｅｓ ａ ｈ ｒｚ ｎ ｏ ｌ ｃ ｔ ｈ ｅ — ｏ ｉｏ ．Ｔｈ ｘ ｅ ｉ ｎ ｅ ｕ ｔｓ ｏ ｈ ｔｃ ｍｐ ｒ ｄ ｗｉｈ ｔ ｅ ｉ ｒ ｖ ｄ ｌ ｅ ｒ ｅｅ ｐ ｒｍｅ ｔｒ ｓ ｌ ｈ ｗｓｔ ａ ｏ ａ ｅ ｔ ｈ ｍｐ ｏ ｅ ｉ ａ ｎ
红外-可见光模态通用模型,综述
红外-可见光模态通用模型,综述全文共四篇示例，供读者参考第一篇示例：红外-可见光模态通用模型，是一种通过结合红外和可见光两种不同波段的图像数据来实现更准确的目标检测和识别的深度学习模型。
在过去的几年中，随着计算机视觉技术的不断发展，红外-可见光模态通用模型在很多领域都展现出了巨大的潜力和应用前景。
一、红外-可见光模态通用模型的发展历程在过去，可见光图像一直是计算机视觉研究的重点，但是它在某些情况下并不是最理想的选择，比如在夜间或恶劣天气条件下，可见光无法提供足够的信息进行目标检测和识别。
而红外图像在这种情况下表现更好，因为红外波长的特性使其能够穿透一些视觉障碍，比如雾、烟等，从而提供更清晰的信息。
结合红外和可见光两种不同波段的图像数据，可以在不同情况下共同提供更准确的目标检测和识别结果。
红外-可见光模态通用模型主要基于深度学习算法，通过训练模型来学习不同波段图像数据之间的关系，从而实现更准确的目标检测和识别。
一般情况下，模型的输入是同时采集的红外和可见光图像数据，通过网络的卷积层、池化层和全连接层等处理，将两种不同波段的信息融合在一起，最终输出目标检测和识别的结果。
红外-可见光模态通用模型在很多领域都有着广泛的应用。
比如在监控领域，结合红外和可见光图像可以提高监控系统在夜晚或恶劣天气条件下的可靠性；在无人机领域，红外-可见光模态通用模型可以提高无人机的目标检测和识别能力；在军事领域，红外-可见光模态通用模型可以帮助军队在夜间或复杂环境下更准确地识别敌方目标等。
尽管红外-可见光模态通用模型在很多领域都有着广泛的应用，但是仍然面临着一些挑战。
红外和可见光两种波段的数据之间存在很大的差异，如何更好地融合这两种数据仍然是一个难题；模型的训练需要大量的标注数据，这对于一些特定领域来说可能是一个困难。
未来，我们可以通过进一步的研究和技术发展来解决这些问题，进一步提升红外-可见光模态通用模型的性能和应用范围。
基于深度学习的红外图像目标检测技术研究
基于深度学习的红外图像目标检测技术研究摘要：红外图像目标检测技术在军事、安防、气象等领域具有重要应用价值。
然而，红外图像的低对比度、噪声干扰等特点给目标检测带来了挑战。
本文针对这一问题，提出了基于深度学习的红外图像目标检测技术，并通过实验验证了其有效性。
首先，本文介绍了红外图像目标检测的背景和相关研究。
接着，详细介绍了深度学习在目标检测中的应用原理。
然后，通过对比实验结果，证明了深度学习在红外图像目标检测中的优越性。
最后，对未来的研究方向进行了展望。
关键词：红外图像、目标检测、深度学习、对比实验、研究方向。
1. 引言红外图像技术已经广泛应用于军事、安防、气象预测等领域。
而红外图像目标检测技术则是其中一个重要的研究方向。
目标检测技术的目标是从图像中准确地识别和定位出目标物体。
然而，红外图像由于其低对比度、噪声干扰等特点，使得目标检测变得更加困难。
因此，如何提高红外图像目标检测的准确性和鲁棒性成为了一个热门的研究课题。
2. 目标检测的背景和相关研究红外图像目标检测的主要挑战包括低对比度、目标尺寸和姿态变化、噪声干扰等。
传统的红外图像目标检测方法包括基于特征提取的方法和基于模型的方法。
然而，传统方法在复杂背景和目标变化较大的情况下效果不佳。
近年来，深度学习的快速发展促进了目标检测技术的进步。
深度学习通过端到端的训练方式，可以自动地从大量的数据中学习到图像的特征表达，进而实现目标检测。
深度学习方法通常包括卷积神经网络（CNN）和循环神经网络（RNN）等。
3. 基于深度学习的红外图像目标检测技术本文提出了一种基于深度学习的红外图像目标检测技术，并通过实验验证了其有效性。
该方法主要包括以下几个步骤：3.1 数据预处理由于红外图像的低对比度和噪声干扰，需要对图像进行预处理，以提高检测的准确性。
常用的预处理方法包括图像增强、噪声去除和对比度增强等。
3.2 网络设计本文采用了一种基于深度学习的目标检测网络，该网络结构包括多个卷积层、池化层和全连接层。
红外小目标与背景对比度特性研究
２ 对 于 朗伯体来 讲 目标 的辐 射 亮度 ： ）
ｍ ； ｔｏｎ ｎａ ｉ
红外 小 目标 在 目标 的探 测 和 识 别 中 有着 重 要 意义 ， 红外 小 目标 的探测 质 量 的好 坏 主要 和 目 标 与背 景的 对 比度 以及 探 测器 本 身的性 能有关 ，
的辐 射度 为 Ｍ 探测 器接 收 到 的辐照 度 为 Ｅ． ， １ 目标 产 生的 辐射 强度 为 ： ）
分 析 了 目标 与 背 景 的对 比度 与 哪 些 因 素有 关 ， 同时 对 于 涉 及 到 目标 、 景 在探 测 器 上 产 生 的 辐射 照度 进 行 了计 算 ． 背
关 键 词 ： 外 小 目标 ； 景 ； 红 背 目标 与 背 景 的 对 比度 ； 辐射 照度
中 图 分 类 号 ： Ｎ １ Ｔ ２５ 文 献 标 识 码 ： Ａ
文 章 编 号 ：６ ３ ２ ５ ２ ０ ） １ ０ ０ ４ １ ７ —１ ５ （ ０ ６ ０ —０ ２ —０
红 外 小 目标 与 背 景 对 比 度 特 性 研 究
张 雷 ， 杨风 暴 ， 文 杰 ， 郎 李 卉
（ 中北 大学 ， 山西 太 原 ０ ０ ５ ） ３ ０ １
摘
要： 目标 与 背 景 的对 比度 特 征 是 红 外 系统 所 能 探 测到 的最 终 特 征 ， 红 外 小 目标 与 背 景 的对 比 度 进 行 了研 究 ， 对
Ｚ ＨＡＮＧ ｅ ， Ｌ ｉＹＡＮＧ ｅ ｇ ｂ ｏ Ｌ Ｆ ｎ —ａ ， ＡＮＧ ｅ —ｉ， ｉ Ｗ ｎｊ ＬＩＨｕ ｅ
红外图像
红外图像超分辨率的研究1.红外图像和可见光图像的不同，突出的优点，它的缺点是什么与可见光图像各项指标相比，红外图像的优缺点总结如下:优点：（1）红外图像感受和反映的是目标及背景向外辐射能量的差异，或者说它描述的是目标和背景所保持温度的差异，属于被动成像，可以全天候工作。
（2）红外辐射透过霆、雾及大气地的能力比可见光强。
它可以克服部分视觉上的障碍而探测到目标，具有较大的作用距离和较强的抗干扰能力。
（3）红外波段的固有分辨率以及在传输过程中受大气吸收和散射的作用，使得红外图像缺乏较好的对比度和分辨率，很难反映出目标的纹理信息，同时也使得红外图像的像素之间具有良好的空间相关性，图像的灰度均值保持相对稳定，含有较多、较大的同质区。
缺点：（1）像素分辨率低，多采用插值显示。
在红外热像图中，一般H（水平）向和V（垂直）向只有几十到上百个像素。
插值显示的方法，增强了图像的美观性，但从某种程度上丧失了部分数据的真实性质。
（2）对比度较差，过渡较强，物体表面温度差较小的主要原因；另外在测试时所选定的温度区间及伪彩色显示区段也各不相同。
所以在色彩标示上，为了适应图像的可视性要求，采用了较强的过渡彩显示形式，层次性不好。
（3）图像边缘模糊，温度区间界限不明显。
红外探测器的像元数目少，图像的分辨率较低是主要原因，而仪器追求图像美观等商业化的显示模式是另外一种原因。
（4）图像文件格式特殊，不通用。
红外热图像的图像格式是由经营红外热像仪的厂家或商家制定的，它通常是为仪器“量身定做”的，文件格式比较特殊。
这通常于仪器采用的图像采集、传输、存储、显示及处理软件有密切关系，如果没有专门的图像处理软件就无法看到红外热图像，更谈不上数据分析，这势必影响数据流通和传递。
2.红外图像的产生机理及特点自然界中的一切物体，只要它的温度高于绝对零度，总是在不断地发射着红外辐射。
因此，只要收集并探测这些辐射能，就可以形成于景物温度分布相对应的热图像。
红外图像的目标检测与识别技术研究
红外图像的目标检测与识别技术研究LT摘要低信噪比红外图像中目标的检测与识别技术是增加制导武器系统作用距离，加强系统防御能力的关键技术之一。
本文研究了红外序列图像中目标的检测与识别技术，主要包括图像预处理、目标检测、目标识别。
本文首先分析了红外图像的特点，简要介绍了图像增强的一些方法。
然后综合考虑系统的快速性及后续处理的需要，提出一种新的红外图像预处理方法。
该算法充分利用红外图像中噪声的随机性和目标运动的相关性的特点，采用灰度对比值分割出潜在目标图像区域，再对潜在目标区域进行图像增强。
本文遵从最简单的DBT(先检测后跟踪)检测算法的设计思路，提出了一种基于帧间相关光流法的红外目标检测方法。
实现了红外图像预处理与目标检测任务在一个完整的框架下的统一，实验结果证明了提出的目标检测方法兼顾了快速性和稳健性。
在分析红外目标图像的基本特征和不变性特征及典型的红外目标识别方法后，针对红外图像的特点提出了一组新的特征量，并结合局部最亮点轮廓线的不变矩对红外目标进行了分类识别。
关键词: 红外图像，目标检测，识别技术ABSTRACTThe low signal-to-noise ratio in infrared image target detection and recognition technology is one of the key technologies that increase the distance of the role of guided weapons systems, system defense capabilities. This paper studies the infrared image sequences in target detection and recognition technologies, including image preprocessing, target detection, target recognition.This paper first analyzes the characteristics of the infrared image, a brief introduction to some methods of image enhancement. And considering the need of fast and follow-up treatment, raised a new infrared image pre-processing methods. This algorithm takes advantage of the characteristics of the random noise in the infrared image and the correlation of the target motion, using the gradation ratio divided potential target image region, then the potential target area for image enhancement.Design ideas in this article comply with the most simple of the dbt (after the first detection, tracking) detection algorithm, proposed an inter-frame correlation-based optical flow method of infrared target detection method. Infrared image pre-processing and target detection task in the framework of a complete unified, experimental results show that the proposed target detection method both fast and robust.In the analysis of the basic features of the infrared target image and the invariant feature and typical infrared target recognition method for infrared image characteristics of a set amount of new features, combined with local highlight of the contour of the moment invariants of infrared target the classification.Keywords: infrared image, target detection, identification technology目录摘要 (I)ABSTRACT ...................................................................................................................... I I 1 绪论 . (1)1.1 研究背景和意义 (1)1.2 国内外研究现状及发展趋势 (1)1.3 本论文的主要工作 (3)2 红外图像的产生及特征 (4)2.1 红外图像的产生机理及特点 (4)2.2 红外图像直方图 (6)2.2.1 直方图的定义及特点 (7)2.2.2 红外图像直方图 (8)2.3 红外图像的对比度及分辨率 (9)2.4 红外图像的噪声分析 (9)3 红外目标检测技术 (10)3.1 红外序列图像运动目标检测的基本方法 (10)3.1.1连续帧间差分法 (10)3.1.2背景差分法 (11)3.1.3光流法 (12)3.2针对红外序列图像中运动小目标的检测算法 (14)3.2.1利用运动特征检测红外弱小目标的方法 (14)3.2.2基于移动式管道滤波的小目标检测方法 (15)3.2.3基于帧间相关性的红外序列图像弱小目标的检测方法 (15)3.3红外弱小目标检测技术 (16)3.4基于帧间相关光流法的红外目标检测方法 (17)4. 红外图像识别技术研究 (19)4.1红外图像目标识别的研究现状及发展趋势 (19)4.2红外目标特征与分析 (20)4.2.1 图像识别系统 (23)4.3 模式特征识别254.3.1 不变量方法 (26)4.3.2 拓扑法识别 (27)4.4相关匹配法 (28)4.4.1相关匹配跟踪算法 (28)4.4.2特征匹配跟踪算法 (28)4.5 命中点选择研究294.6 决策函数305. 基于胡氏不变矩与几何特征的红外目标识别 (31)5.1 目标识别的概述 (31)5.2 图像特征提取 (33)5.2.1 胡氏不变矩 (33)5.2.2 几何特征 (34)5.3 基于胡氏不变矩与几何特征的红外目标识别 (35)5.4 实验结果及分析 (35)6.总结与展望 (37)6.1 总结 (37)6.2 展望 (38)参考文献 (40)致谢 (44)1 绪论1.1 研究背景和意义红外热成像系统不仅能透过烟、尘、雾等障碍来探测目标，实现昼夜连续被动探测，而且可以观察目标细节，进一步识别、精确定位及跟踪目标。
红外弱小目标检测技术综述
㊀第52卷第2期郑州大学学报(理学版)Vol.52No.2㊀2020年6月J.Zhengzhou Univ.(Nat.Sci.Ed.)Jun.2020收稿日期:2019-12-04基金项目:国家自然科学基金项目(61903340);河南省教育厅重点项目(19A413002);河南省博士后科研项目(001701002);河南省青年人才托举工程项目(2020HYTP028)㊂作者简介:任向阳(1992 ),男,河南漯河人,博士研究生,主要从事图像处理㊁红外弱小目标检测研究,E-mail:xyren199201@;通信作者:马天磊(1989 ),男,河南新乡人,讲师,主要从事图像处理㊁红外弱小目标检测研究,E-mail:tlma@㊂红外弱小目标检测技术综述任向阳,㊀王㊀杰,㊀马天磊,㊀朱晓东,㊀白㊀珂,㊀王佳奇(郑州大学电气工程学院㊀河南郑州450001)摘要:随着红外探测技术的不断发展,对探测距离的要求越来越高,红外弱小目标检测技术已成为国内外红外探测领域的研究重点㊂简介了红外弱小目标检测的背景及意义;重点综述了目前在红外弱小目标检测领域中各类典型方法的研究现状及最新进展;给出了几种不同类型的红外弱小目标检测方法的实验对比;最后对红外弱小目标检测技术的研究进行总结和展望㊂关键词:红外弱小目标;目标检测;红外图像;检测性能中图分类号:TP391.4㊀㊀㊀㊀㊀文献标志码:A㊀㊀㊀㊀㊀文章编号:1671-6841(2020)02-0001-21DOI :10.13705/j.issn.1671-6841.20195570㊀引言自然界中,物体温度高于绝对零度时,都会持续向外界辐射红外波段能量[1-2]㊂物体具有越高的温度,则其向外辐射的红外能量就越大[1,3]㊂红外探测技术就是以红外目标监测系统为载体,利用被检测目标与背景之间红外辐射的差异实现目标检测和识别[4]㊂与传统的主动雷达成像以及可见光成像等探测技术相比,红外探测技术具有一系列的独特优势:1)红外探测技术隐蔽性好㊂主动雷达成像探测需要向外界发射电磁波而容易暴露自身的信息,红外成像探测则属于被动探测,不需要向外界发送信号㊂2)红外探测技术可以全天候工作㊂可见光成像探测器只能在白天进行探测工作,而红外成像探测器不受白天夜晚的限制,可实现昼夜工作㊂3)红外探测技术抗干扰能力强㊂主动雷达成像探测的效率容易受到目标表面隐形吸波材料的吸收而削弱;可见光成像探测很容易被云层㊁烟雾等因素干扰,并且容易被不同的伪装手段欺骗㊂随着雷达隐形技术以及伪装技术的发展,主动雷达成像探测与可见光成像探测往往难以满足一些实际的探测需求,而红外成像探测则可以更好地穿透烟雾㊁云层等干扰,并且有一定识别伪装目标的能力,同时不会被各种雷达隐形吸波材料所影响㊂因此,红外探测技术可以对传统探测手段进行有效补充甚至可以替代传统的探测技术㊂随着红外探测技术的发展,该技术已在不同的领域中得到广泛应用[4-6]㊂在民用领域,已被广泛地应用于火灾预警[7-8]㊁气体泄漏检测[9-10]㊁医学特征识别[11-12]㊁农业生产[13-15]等方面㊂而在更为重要的军事领域,红外探测技术已被广泛应用于侦察㊁制导㊁预警等方面[16-19]㊂例如:美国的天基红外预警系统和国防支援计划导弹预警卫星系统[20]㊁俄罗斯的 凤凰 系统㊁荷兰等国的 天狼星 系统[21]㊁以色列的 云雀 无人侦察机㊁美国的 全球鹰 无人侦察机[22]等均使用到了红外探测技术[23]㊂对于红外探测系统来说,当被检测目标与探测器之间的距离达到十几甚至几十公里时,在大气扰动㊁光学散射和衍射等外界因素的影响下,经过光学系统成像后,红外图像中的目标呈现 弱 和 小 的特征㊂此时红外探测已进入红外弱小目标探测的范围㊂其中 弱 这个特征主要是目标的信噪比以及目标与背景的对比度较低; 小 这个特征则主要是目标在整幅红外图像上所占有的像素数少㊂因此,在检测过程中,由于弱小目标尺寸比较小,不具有相应的形状以及纹理特征,同时在实际场景中,复杂多变的云㊁建筑物㊁海面等郑州大学学报(理学版)第52卷干扰物的面积较大,导致被检测的小目标很容易会被复杂的场景形成的杂波所淹没[3]㊂此外,目前红外弱小目标检测方法的稳健性㊁鲁棒性㊁实时性还不能完全满足不同应用背景的需求㊂因此,红外弱小目标检测技术成为近年来在民用和军事领域里的研究热点之一[4]㊂1㊀红外弱小目标检测技术的研究现状红外弱小目标检测技术是红外探测系统的关键技术之一,是红外探测领域的研究热点[24-26]㊂国内外有许多的相关机构开展了红外弱小目标检测技术的研究工作,并取得了丰硕的研究成果[26-28]㊂同时,有许多国内外的刊物和会议也经常发表和探讨一些弱小目标检测技术的研究成果[27-30]㊂1.1㊀红外弱小目标成像的数学模型在红外成像的过程中,由于受大气散射㊁折射㊁镜头污染㊁光学散焦㊁镜头变形等影响,远距离目标被红外探测器接收时,信号强度表现为弱小的特点[5]㊂根据国际光学工程学会(society of photo-optical instrumenta-tion engineers,SPIE)的定义,把面积不大于9pixelˑ9pixel大小的红外目标称为红外小目标[1,3,4]㊂如图1所示,图1(a)为一幅真实场景的红外图像,该图像的大小为256pixelˑ318pixel㊂为了能够清晰地显示小目标,对该图像中弱小目标的局部区域进行放大,并调节其对比度,图1(b)为弱小目标及其邻域的放大图,其大小为31pixelˑ31pixel㊂图1(c)代表弱小目标及其邻域的三维分布图㊂通过观察可知:图中弱小目标为中心对称㊁向四周辐射的形状,与二维高斯函数非常相似㊂很多学者都使用二维高斯函数对弱小目标进行建模[1,3,4],模型为f T(x,y)=A㊃exp{-12[(x-xcϑx)2+(y-y cϑy)2]},式中:ϑx和ϑy为横向和纵向的尺度参数;A为目标的灰度幅值;fT(x,y)为该弱小目标的空间分布灰度函数;(x c,y c)为红外小目标的空间坐标㊂图1㊀实际红外图像中的弱小目标及其三维强度图Figure1㊀A small target in an infrared image and its3D intensity distribution 在红外弱小目标检测中,根据对小目标检测时进行图像处理所需数据量的差异,可将这些检测方法分为两大类,即基于单帧的检测方法和基于多帧的检测方法[31]㊂基于单帧的弱小目标检测方法通过处理单帧图像来检测目标,并从单帧检测结果中给出目标存在与否的判决;基于多帧的弱小目标检测方法则同时处理多帧图像,将多帧图像全部处理后,给出目标存在与否的判决结果[32-33]㊂本文以这两类方法为主线,介绍其中的代表性检测方法㊂1.2㊀基于单帧图像的弱小目标检测方法基于单帧图像的弱小目标检测方法主要利用单帧图像的空间信息对小目标进行检测㊂现有的基于单帧图像的弱小目标检测方法主要分为三种:第一种是从目标角度出发,根据目标和周围背景在单帧红外图像中的灰度㊁结构等特征差异,设计检测算子,直接提取目标[34];第二种是从图像背景角度出发,采用相应方法抑制图像的背景,从而实现弱小目标的检测[35-36];第三种是基于图像数据结构的方法,这种方法主要是通过查找低维子空间结构以及使用预设的超完整字典来显示数据结构,从而实现小目标的检测[37-38]㊂本文主要针对几种比较有代表性的单帧检测方法进行介绍㊂1.2.1㊀基于目标特征的弱小目标检测方法㊀基于目标特征的弱小目标检测方法是根据目标和其邻域在单帧红外图像中的特征差异,设计不同方法凸显小目标并抑制背景杂波,从而实现弱小目标的检测㊂23㊀第2期任向阳,等:红外弱小目标检测技术综述1)基于视觉对比机制的弱小目标检测方法基于视觉对比机制的弱小目标检测方法是近几年才出现的一种新颖的弱小目标检测方法㊂由于人类的视觉系统(human visual system,HVS)在处理目标检测任务时表现出非常良好的鲁棒性[39-42],所以,有关视觉系统中的一些理论机制也被引入到弱小目标检测中来[43-44]㊂在此类方法中,视觉对比机制较多地被用于研究弱小目标检测[45]㊂对比机制一般被认为是信号在某个局部区域中存在信息差异,如小目标与其邻域之间存在着各种不同的差异㊂在人类视觉系统中,这些差异对于认知外界事物具有非常重要的意义[46]㊂根据小目标灰度强于邻域灰度的特征,Chen等[47]基于视觉对比机制提出了一种局部对比测量方法(local contrast measure,LCM)㊂该方法主要是利用小目标的灰度值一般会比邻域的灰度值更大一些的特点㊂此后,Han等[48]发现LCM存在过增强噪声点的现象,并提出了一种改进的局部对比测量方法(improved LCM,ILCM)㊂该方法采用了HVS大小自适应过程和注意力转移机制,有效地降低了噪声点过增强现象的发生,但该方法容易把小目标变得平滑㊂为了较好地保留小目标的形状,王晓阳等[49]提出一种区域局部对比度方法,该方法利用了图像信息熵和局部相似性等信息,对小目标的原始形状保留效果较好,但在复杂场景中,区域局部对比度方法不是非常有效㊂为了提高在复杂场景的检测率,Qin等[50]提出了一种新颖的局部对比度测量(novel local con-trast measure,NLCM)方法㊂不同于ILCM使用近似于小目标尺寸的滑动窗口,NLCM使用尺寸大于小目标的局部区域作为滑动窗口,这更有利于在复杂场景中增强目标和背景的对比度㊂为了进一步提高方法的检测性能,Du等[51]提出了一种同质加权局部对比度测量方法(homogeneity-weighted local contrast measure, HWLCM)㊂该方法能够充分利用中心和周围区域的局部对比特征以及周围区域的加权均匀性特征㊂这些特征的使用有利于增强目标强度和抑制复杂背景㊂由于LCM方法被提出时间并不是很长,仍有许多学者对该类方法进行研究和改进[52-56],例如:多尺度块的对比测量(multiscale patch-based contrast measure,MPCM)[52]㊁多尺度局部同质测度(multiscale local contrast measure,MLCM)方法[53]㊁相对局部对比测量(relative local contrast measure,RLCM)方法[54]㊁局部差异量度(local difference measure,LDM)[55]㊁改进的LCM[56],等等㊂在计算局部对比度时,LCM及其改进方法大多使用的是比率形式定义㊂这些方法先计算图像中某局部中心与其邻域之间的比率作为增强因子,然后将增强因子与局部中心值的乘积作为局部对比度[54]㊂除了上述使用比率形式定义计算局部对比度的方法之外,许多方法还使用了差异形式定义,即使用图像中的某局部中心以及邻域之间的差异结果作为局部对比度[57-58]㊂这类方法中较为典型的是由Kim等[59]提出的拉普拉斯-高斯算子(Laplacian of Gaussian,LoG)㊂该算子可以有效地提高被检测弱小目标与其周围区域之间的对比度,从而实现目标的检测㊂针对该方法在具有比较复杂的背景杂波时容易产生虚警的问题,一种局部定向LoG算子被提出[60]㊂该方法首先将LoG滤波器分解为具有4个方向的局部LoG滤波器;然后使用局部LoG滤波器生成的内核对图像进行卷积;最后,通过最小滤波器获得最终的空间滤波图像㊂这种方法可以有效地提高检测率并消除云边缘带来的虚警㊂此外Shao等[61]在结合形态学操作的基础上,对LoG算子进行改进,也取得了良好的小目标检测结果㊂2)基于局部强度和梯度的弱小目标检测方法基于局部强度和梯度的弱小目标检测方法是受到小目标在图像分布中呈现高斯形状的启发,从强度和梯度的角度对小目标的局部属性进行描述,以增强目标并抑制图像中的杂波[62]㊂在红外图像中,小目标像素的灰度值大于其局部相邻像素的值;另外,小目标可使用二维高斯函数模拟,二维高斯函数形成标量场,其梯度场表现为梯度向量指向中心的特点,同理,小目标具有灰度标量场,其梯度场也表现为梯度向量指向目标中心的特点㊂这两个属性分别被认为是局部强度属性和局部梯度属性㊂均匀背景可以通过使用局部强度属性来抑制,因为它们的强度值几乎相同;对于具有强边缘的背景,它们的梯度方向通常是一致的,不同于分布中目标的梯度㊂基于这两个属性,通过计算原始红外图像局部强度和梯度(local intensity and gradient, LIG)图,可以实现目标增强和杂波抑制㊂1.2.2㊀基于背景特征的弱小目标检测方法㊀根据背景抑制方式的不同,基于背景特征的弱小目标检测方法主要分为两类:基于空域滤波的方法和基于变换域滤波方法㊂1)基于空域滤波的方法首先通过估计图像的背景信号,然后利用原始图像与估计得到的图像背景进行4郑州大学学报(理学版)第52卷差分运算,最后在差分图像中使用阈值分割方法实现弱小目标的检测㊂其中实现图像背景估计的步骤如下:首先在图像中取每个像素点对应的局部区域,然后利用此局部区域上的灰度信息对该像素点的背景强度值进行估计,最后对图像上所有的像素点进行遍历从而获取图像背景的预测图㊂传统基于空域滤波的方法有最大中值\最大均值(max-mean\max-median)滤波器的方法[63]㊁二维最小均方(two-dimensional least mean square,TDLMS)滤波器的方法[64-67]㊁数学形态学方法[68-71]㊁双边滤波器[72-73]㊁高通模板滤波方法[3-4]㊁中值滤波方法[3-4]等等㊂A)Max-mean\max-median方法是一种非线性的滤波方法,该方法在中值滤波方法的基础上,对图像进行滤波后再进行差分运算[63]㊂在处理过程中,当被处理的像素点在目标上时,使用max-mean\max-median 方法所获得的背景预测值近似于该像素点邻域的平均信号强度值㊂而在图像中目标点的信号强度值和其邻域的平均强度值之间具有较大的差异,于是,在原图和预测的背景图进行差分运算后该像素点会具有较大的响应值㊂当被处理的像素点在平缓变化的背景上时,用max-mean\max-median方法所获得的背景预测值与该像素点的灰度值两者之间非常接近,在原图和预测的背景图进行差分运算后该像素点对应的响应值较小㊂当像素点位于景象边缘时,使用max-mean\max-median方法获得的背景预测值为景象边缘上的平均强度值,所以该像素点的强度值与预测值的差异很小,进行差分运算后该像素点对应的响应值也很小㊂因此,max-mean\max-median方法不仅对被检测图像上起伏的背景信号能够有效进行抑制,还可以有效地抑制图像边缘具有的纹理信息,这些抑制有利于后续的弱小目标检测㊂B)1988年,Hadhoud等将应用于一维信号处理领域的LMS(least mean square)方法扩展到二维信号处理领域,提出TDLMS方法[64],并应用于图像去噪以及图像增强㊂考虑到该方法在图像处理领域具有较好的性能,因此该方法被一些学者引入到弱小目标检测中㊂TDLMS方法是一种自适应迭代的方法,该方法首先根据输入图像的内容对模板参数进行自动计算,在每一次迭代过程中求取预测的背景图像与期望图像两者之间的差异并得到误差函数;然后判断误差函数与设定阈值之间的大小,当误差函数数值小于阈值时,停止迭代,并输出经过该方法预测得到的背景图像㊂很多学者在不同特征区域的选取以及模板更新步长参数的自适应确定等方面对这种方法进行了改进[65],例如Bae等[66]为了在背景和小目标区域中自适应地调整步长,通过使用小目标邻域图像块预测像素的方差,来计算与自适应区域相关的非线性步长,该方法取得了较好的检测效果㊂此外,张世璇等[67]提出了一种由背景去除与目标提取构成的两层TDLMS滤波器,该方法根据图像的统计参数对步长的大小自适应调整,并迭代得到最优的TDLMS滤波器权值㊂C)1964年Matheron和Serra提出数学形态学(mathematical morphology,MM)的方法,并将该方法应用到了图像分析领域[68]㊂数学形态学方法是一种基于集合理论和几何学的非线性滤波方法㊂数学形态学运算基于两个基本操作:腐蚀和膨胀㊂这两个基本的操作在原始图像和结构元素构成的集合上进行㊂最常用的数学形态学方法是顶帽变换(top-hat transformation,Top-hat)方法[69],该方法首先构造合适的结构元素;然后利用形态学开运算滤除小于结构元素的亮奇异点,同时利用形态学闭运算滤除小于结构元素的暗奇异点,最后使用原始图像与预测的背景图像进行差分处理,得到包含残差和弱小目标的图像㊂在经典的Top-hat方法的基础上,有许多改进的方法被提出,Zhou等[70]设计了一种由系列Top-hat滤波器构成的连续Top-hat滤波器方法,该方法中Top-hat滤波器的结构元素逐渐减小㊂之后,Deng等[71]考虑到自适应结构元素对于Top-hat方法的重要性,提出了一种基于量子遗传方法的自适应Top-hat结构元素优化方法,该方法能够实现更稳定的小目标检测性能㊂D)1998年Tomasi等提出双边滤波器(bilateral filter)的方法,并用于图像去噪㊂由于该方法具有良好的红外图像背景估计能力,被学者们广泛地应用于弱小目标检测领域[72]㊂双边滤波器主要由灰度域滤波核和空间域滤波核这两个不同的高斯滤波核构成㊂在空间域中,滤波核根据像素之间的欧氏距离,对离中心像素更近的像素赋予更大的权重;在灰度域中,滤波核根据像素灰度值之差,与中心像素值更接近的像素赋予更大的权重㊂不同于传统的滤波方法仅仅考虑不同像素在空间位置中的分布,双边滤波方法不仅对像素的空间位置分布进行考虑,还对图像中像素的灰度分布特征进行考虑㊂因此,这种方法能够具有很好的红外图像背景估计性能,并且对于图像背景边缘的特点也有很好的保存性能㊂考虑到该类方法的特点,Bae等[73]提出了一种新颖的基于双边滤波器的目标检测方法,该方法首先根据像素四个方向的边缘分量判断是否存在潜在的小目标;如果判断的结果是存在潜在的小目标,则使用双边滤波器方法对小目标进行模糊处理;之5㊀第2期任向阳,等:红外弱小目标检测技术综述后将原始的红外图像与通过双边滤波器方法得到的预测图像进行差分处理,从而实现对小目标信号的提升㊂2)相比于具有较低计算复杂度的空域滤波的方法,变换域方法计算复杂度较高㊂但是近年来随着相关计算设备性能的提升,一些基于变换域滤波的方法也在工程实践中被证明具有良好的背景抑制性能[74]㊂基于变换域滤波的方法首先使用相应的变换方法获取红外图像的变换域信息,然后在变换域中处理获取的信息,最后使用逆变换的方法将变换域中的图像变换至空间域,从而得到相应的结果㊂A)经典的频域滤波方法首先通过傅立叶变换方法[75]将图像变换到频域中,然后在保护目标相关特征的同时,对其进行高通滤波㊂最后,经过逆变换获得背景抑制后的红外图像㊂这种方法可以有效地抑制变化比较缓慢的背景,同时能够保留弱小目标㊁景象边缘以及图像中的随机噪声㊂常见的频域弱小目标检测方法主要有理想高通滤波[76]㊁巴特沃斯高通滤波[77]等㊂B)小波变换滤波方法考虑到红外图像中背景对应的辐射强度小于目标区域对应的辐射强度,同时弱小目标与周围背景灰度不连续㊂因此,在检测小目标的过程中,小目标可以被认为是红外图像的高频部分,而图像的背景则可以被认为是红外图像的低频部分,基于此可以使用小波变换的方法分离红外图像中的高频部分和低频部分,然后分别处理两个不同的部分,从而实现图像信噪比的提升以及对弱小目标的检测[78]㊂常见的小波变换滤波方法主要有基于Countourlet变换的方法㊁基于非下采样轮廓波变换的方法等[4]㊂除了上面几类基于背景特征的检测方法之外㊂随着非局部均值滤波方法(non-local means denoising, NLM)在图像去噪领域取得的优异效果,该方法被引入到了小目标检测领域中[79-80]㊂NLM的主要思想是使用与评估像素具有相似邻域结构的像素加权平均值来替换评估像素[79]㊂基于NLM的方法使用相同的原理来寻找相似的局部块,并对图像背景进行估计㊂在这类方法中,非局部检测(detection by NL-means, D-NLM)是一种典型的方法,该方法首先寻找图像的相似块,并根据分析忽略相似块中两个最不相似的像素来修改距离度量以便在存在小目标的情况下稳健地估计图像背景㊂在D-NLM的基础上,文献[81]提出一种基于块匹配和三维滤波以及高斯混合匹配滤波器(detection by block matching and three-dimensional filtering and Gaussian mixture matched filter,DBM3D+GMMF)的方法,该方法基于块匹配和三维滤波方法的输出值来估计图像背景的均值[82-83],并结合高斯混合匹配滤波器,最终有效地对红外图像的背景进行估计,成功提取了红外弱小目标㊂1.2.3㊀基于图像数据结构的弱小目标检测方法㊀传统的基于单帧图像的弱小目标检测的基本思路是认为被检测的红外图像由小目标㊁背景以及噪声三个部分组成,通过设计不同的方法实现增强目标信号或者抑制背景和噪声,进而实现弱小目标的检测㊂基于图像数据结构的弱小目标检测方法则主要是根据红外图像中目标的稀疏性和背景的低秩性等不同的结构特点,实现目标图像和背景图像的分离㊂近来,这些基于图像数据结构的方法引起了越来越多的关注[84]㊂基于图像数据结构的方法通常利用以下两种方式来对小目标进行检测[85-86]㊂1)在查找低秩子空间结构的方法中,代表性的是基于红外图像块(infrared patch-image,IPI)模型的方法[87]㊂该方法中,小目标被认为是一个稀疏分量,同时背景被认为是一个低秩分量㊂通过分析图像中背景㊁噪声以及小目标的特点,IPI模型可以表示为min B,T B ∗+λ T 1+12μ I-B-T 2F,式中:I代表红外图像对应的矩阵;T代表小目标矩阵;B代表背景矩阵;λ和μ为给定的参数㊂在该方法中,对小目标的检测被转换成从数据矩阵中恢复两个分量的过程㊂但是IPI方法并未考虑当红外图像背景是较复杂的异构背景的情况㊂此时,单独的子空间很难有效地表示图像中复杂的异构背景㊂为此,Wang等[88]设计了一种稳定多子空间学习(stable multi-subspace learning,SMSL)的方法,该方法将图像的异构背景数据看作是一种多子空间的结构,并提出了一种学习多子空间策略的模型,有效地实现了对小目标的检测,该模型可以表示为min D,a,T㊀ a row-1+λ T 1+12μ I-Dα-T 2F,s.t.㊀D T D=I k㊀∀i,式中:D=[D1,D2, ,D k]表示背景数据空间;α=[α1,α2, ,αk]表示系数;λ和μ为给定的参数;k是子空间维度㊂。
- 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)。
３ 国 内外研 究现 状
在 ２ 世纪 ５、Ｏ Ｏ Ｏ６ 年代 ， 国内外就开展 了对 目标与背景红
外 特征 及对 比度 的研 究 。纵观 整个 研究 历程 ， 甲车辆 和飞 机 装
作为典型 目标被各国重点关注 ， 而其涉及到的复杂背景 同样吸 引了广大的科研工作者 。因为 目标识别与红外隐身设计所 依
征是 目标 与背景相互作 用 、 相互影 响 的结果＿ 。它们 之间 ２ ］ 存在的这种相互关 系决定 了在研究 目标与背景 时不 能将它
Ｋ ｙＷｏｄ ｏ ｊｃ，Ｉ ａ ｒｓ ｂｅｔ Ｒ，ｃｎ ｒｓ，ｂ ｃｇｏ ｎ ａｉｔ ｎ ｏ ｔａｔ ａｋ ｒｕ ｄｒｄａｉ ｏ
Ｃｌｓ ｍ ｂ ｒ ＴＮ２１ ａ ｓＮｕ ｅ ］
１ 引 言
近年来 ， 世界各大军事 强 国在 军用 目标红外 辐射抑 制 措施研究 上投入 了大量 的人力 、 物力 ， 以求得 目标 战场生存
ｏ ｙｒｓ ａ ｃ ｒ ｅｅ ｒｈ，ｅ ｐ ｒｍ ｅ ｔｍｅ ｅａ ｅａ ｄｓ ｛ｗａ ｅｄ ｖ ｌｐ ｅ ｔ ｘ ｅｉ ｎ ｔｒ ｇ ｎ ｏ ｔ ｒ ｅ ｅｏ ｍ ｎ ，Ｍ ｏ ｅ ｖ ｒ ｈ ｅｔｇ ｔ ｅｍｅｈ ｄａ ｄｓ ｍｅｐ ｏ ｌｍ ｈ ｔｅ ｉｔｉ ｈ ｒ ｃ ｓ ｒｏ ｅ ，ｔ ｅｉ ｓｉａｉ ｔｏ ｎ ｏ ｒ ｂ ｅ ｔ ａ ｘｓ ｎｔ ｅｐ ｏ ｅ ｓ ｎｖ ｖ ｏ ｅ ｅ ｒｈ’ ｄ ｖ ｌｐ ｎ ａ ｌｏｂｅｎ ｉｃ ｓ ｅ ．Ｆｉａｌ ，ｅ ｕｃ ｏ ｃｕ ｉｎ ｆｒｓ ａ ｃ ｓ ｅ ｅｏ ｍｅ ｔｈ ｓａｓ ｅ ｄｓ ｕ ｓ ｄ ｎ ｌｙ ｄ ｅｃ ｎ ｌ ｓｏ ．
红外特征及对比度才有现实意义［ 。现从理论研究、 ３ ］ 实验测量
和软件 平 台三个 方 面来分 析 国 内外 研究 的 现状 。
３ １ 国 外 研 究 现 状 ．
上世纪 ５ 代期间 ， ０年 比较 有 代 表 性 的 是 Ｃ Ｃ ｘ和 ｗ ． ．ｏ Ｍｕ ｋ对 海 面 的 光 学 特 性 研 究 ＿ 。冷 战 时 期 ， 就 是 上 世 ｎ ４ ］ 也
总第 ２ １ １ 期 ２１ ０ ２年第 １期
舰 船 电 子 工 程
Ｓ ｉ ｅ ｔｏ ｉ Ｅ ｇ ｎ ｅ ｉ ｇ ｈ ｐ Ｅｌｃ ｒ ｎ ｃ ｎ ｉ ｅ ｒｎ
Ｖｏ ． ２ Ｎｏ １ １３ ．
４
目标 与 背 景 红 外 特 征 及 对 比 度 研 究 综 述
王 充 李 源 李晋岭
中 图分 类 号 Ｔ １ Ｎ２ １ｓ ｉ ｓａｃ ｕ ｒ ｆＩ Ｃｈ ｒ ｃ ｅ ｉｔｃ
ａ ｄＣ ｎｒｓ ｂｔ ｅｎＯ ｊｃ ｎ ａ ｋ ｒｕ ｄ ｎ ｏ ｔａｔ ｅｗ ｅ ｂｅｔ ｄＢ ｃ ｇｏ ｎ ａ
Ｗ ＡＮＧ Ｃｈｏ ｇ ＬＩ Ｙｕ ｎ ＬＩＪ ｎ ｉ ｇ Ｗ Ａ ｎ ａ ｉ ｌｎ Ｎ Ｇ ｅ ｈ ａ Ｗ ｉｕ
据 的是 目 与 背景之 间 的红外 特征 差异 ， 时研究 目标 与 背 景 标 同
２ 基 本 理 论
目标与背景的红外特征 主要是指 目标 的辐射特 征与空 间分布特征＿ 。所谓对 比度 ， 的是被 观测 目标 与背 景亮 １ ］ 指 度之差 占背景亮度百分 比的绝对值 。 目标与背景 的红外特
技术的快 速发展 和红外制导武器 的更新换代使得传 统的红 外隐身技术 日显单 薄， 军用 目标 的战场 生存能力 仍然 面临 着巨大的威胁 ， 这对 目标 与背景红 外特 征及对 比度 的研 究 提出了更 高的要求 。开展更 加深入 、 致的 目标 与背景 红 细 外特征及对 比度 的研究 对 于红 外制 导武 器装 备 的更新 换 代、 军用 目标红外对抗技术 的升级 完善 以及仿 真训练 和实
能力 的 提 高 ， 应 未 来 战 场 红 外 对 抗 需 要 。然 而 红 外 探 测 适
反射或散射 ， 与对 方的红外 辐射叠 加在一 起时 就会影 响其
红外辐射特征 ；３ ）目标 的存 在会 改变 背景 一些 原有 的特
性， 如飞机飞过产 生的湍流 ， 以及排放出的尾气会使 周围大 气 特性 发生改变 ， 甲车行 驶过 的路 面 ， 因履带 、 装 会 车轮 的 挤 压而改变 了原有 的地表特性等 。
合肥
汪卫华
２０３） ３ ０ １
（ 陆军军官学院研究生系 摘
要 目标与背景红外特征及对 比度的研究是 红外对抗技术研究 的重要 内容之一 。文章从 理论研究 、 实验测量和软件平 台三个方面
对近年来 国ＮＳ 目标与背景红外特征及对 比度的研究成果做 了综述 ， ｂ 总结了研究方法 ， 探讨了其中存在 的不足 ， 并以此分析未来发展方 向。 关键词 目标 ； 红外辐射 ；对比度 ；背景辐射
（ ｍｙＯｆｉｅ ａ ｅ Ａｒ ｆ ｒＡｃ ｄ ｍｙ，Ｐ ｃ ＬＡ ，Ｈ ｅｅ ２ ０ ３ ） ｆｉ ３ ０ １
Ａ ｓｒｃ Ｔｈ ｅｅｒｈｏ Ｒ ｃ ａａｔｒ ｔ ｎ ｏ ｔａｔ ｅｗ ｅ ｂｅｔ ｎ ａｋ ｒｕ ｄｉｏ ｅｉ ｏｔｎ ａｔ ｆ ｈ ｅｈ ｏｏ ｙａ ｏ ｔ ｂｔ ｔ ａ ｅｒｓａｃ ｆ ｈ ｒｃｅｉ ｉ ａｄｃｎｒｓ ｂ ｔ ｅｎｏ ｊｃ ａ ｄｂｃ ｇｏ ｎ ｎ Ｉ ｓｃ ｓ ｍｐ ｒａｔｐｒ ｅｔｃ ｎｌｇ ｂ ｕ ｏｔ Ｉ ｃｕ ｔｒ ｒ．Ｔｈ ｅｅ ｔｅｅｒｈｐｏ ｕｔ ｎｏ Ｒｃ ａａｔｒ ｔ ｎ ｏ ｔａｔ ｅｗｅｎｏ ｊｃ ａ ｄｂｃ ｇｏ ｎ ａ ｅｎｓｍｍａｉｅ ｅ Ｒ ｏ ｎｅｗｏｋ ｅｒｃｎ ｓａｃ ｒｄ ｃｉ ｆ ｈｒｃｅｉ ｉａ ｄｃｎｒｓ ｂｔ ｅ ｂｅｔ ｎ ａｋ ｒｕ ｄｈ ｓ ｅ ｕ ｒ ｏ Ｉ ｓｃ ｂ ｒ ｄｉ ｔ — ｚ ｎｈ