双树复小波和独立分量分析的红外小目标检测
基于小波和高阶累积量的红外弱小目标检测
Ｌ ａ Ｈ ｉ ，Ｓ ｉ． ｕ ＶＹ ｎ ，Ｓ Ｉ ｎ ＵＸ ｎｚ ２ Ｌ ｈ
（． ｈ ｏ ｏＥｅｔ ｎ Ｅ ｇｎ ｅｉ ， ｉｉ ｎｖｒｉ， ｉ ｎ ｈ ｎｘ ７０ ７， ｈ ａ２ Ｔ ｉ ｎ ｎｔ ｔ Ｘｉ ｎ ｈ ｎｘ ７０ ６ ， ｈｎ） １ ｃｏｌｆ ｌ ｒ ｉ ｎ ｉ ｒ ｇＸｄａ Ｕ ｉ ｓｙＸ ＇ Ｓａ ｎｉ １０ １Ｃ ｉ ；． ＥＸ ＂ Ｉｓｔ ｅ ＂ Ｓ ａ ｎ ｉ １５ ８Ｃ ｉ Ｓ ｃｏ ｃ ｅ ｎ ｎ ｅ ｔ ａ ｎ Ｚ ａ ｉ ， ａ ｕ ａ
维普资讯
第 ２ 卷 第 １ 期 ８ ２ ２０ ０ ６年 １ ２月
红 外 技 术
Ｉ ｆａ ｅ ｅ ｈ ｏ ｏ ｙ ｎ ｒ ｒ ｄＴ ｃ ｎ ｌ ｇ
Ｖ １ ８ ＮＯ １ ｂ． ２ ．２ Ｄｅ ． ２ ０ ｃ ０ ６
基－ ，波 和高阶 累积量 的红 外弱小 目标检 测 ＴＩ －，
ａｄ ｈｇ ｅ－ｒｅ ｕ ｌｎ ｌ ｒ ｎ ｉｈ ｒ ｄ ｒｃｍｕａ ｔｆｔ （ ＯＣ ）ｉ ｐｅｅ ｔｄ Ｆｒｔ ，ａｗａ ｅｅ ｆ ｔ ｓｕｅ ｏ ｓｐ ｒｓ ｈ ｏ ｉ ｅ ＷＨ Ｆ ｓ ｒｓｎｅ ． ｉ ｌ ｖ ｌ ｌ ｒｉ ｓｄ ｔ ｕ ｐｅｓｔｅ ｓｙ ｔｉ ｅ ｂ ｃｇｏｍｄｃｕｔｒ ｔｅ ｕ ｌ ｔ ａｅ ｄ ｐｉｅ ｆｔｒ ＢＡＦ ｓｕ ｅ ｈ ｕ ｔｅ ｒｃ ｓｉｇｏ ｅ ａｋ ｒ ￣ ｌｔ ， ｈ ｎ ａｃ ｍｕａ － ｓｄａ ａｔ ｌ （ ｅ ｎｂ ｖ ｉｅＣ ）ｉ ｓｄｉ ｔｅｆｒ ｒ ｏ ｅｓ ｆ ｈ ｎ ｈ ｐ ｎ ｔ
引言
红外弱小 目标 的检测 问题一 直足红外 图像领域 的研 究热点。红外传感器为被动传感器，在现代战争
中具有较强 的生 存 能力 。正 因为有 这些 优 点 ，红 外热
基于双树复数小波和SVR的红外小目标检测
Ａｂｓｒ ｃ ：Ｔｈ ｏ ｇ ｎ ｌｚｎ ｈ ｈ ｒ ｃｅ ｉｔ ｓｏ ｍ ａｌｔ ｒｅ ｎ ａ ｋ ｒ ｕ ｄ ｉ ｎ ｒ ｒ ｄ ｉ ａ ｅ ｔａ ｔ ｒ ｕ ｈ ａ ａｙ ｉ ｇ ｔ ｅ ｃ ａ ａ ｔ ｒｓｉ ｆｓ ｌ ａ ｇ ｔａ ｄ ｂ ｃ ｇ ｏ ｎ ｎ ｉｆａ ｅ ｍ ｇ ｓ，ａ ｄ ｔｃ ｉｎ ｍｅ ｈ ｃ ｅｅ ｔ ｔ— ｏ
Ｃ ） 支 持 向量 回归 （ｕ ｐｒ ｖｃ ｒ ｅｒｓｉ ，Ｖ ） 检测 方法 。首 先 采 用 双 树 复 数 小 波 变 换 抑 制 大 部 分 背 景 噪 声 ； 次 用 ＷＴ 和 ｓｐｏｔ ｅｔ ｇｅｓ ｎ Ｓ Ｒ 的 ｏｒ ｏ 其
Ｓ Ｒ对 去噪后 的红外 图像进行背景预测 ， Ｖ 并用去噪后的实际罔像减去预测 图像得 到残差 网像 ， 大大提 高了冈像 的信 噪 比； 接着 提 了基于模糊 Ｔ ａ ｉ Ｈ ｖ ａＣ ａｖｔ ｓｌｓ ａｒ —ｈｒａ 熵的阈值选取算法 ， ｌ— ｄ 对残差 图像进行 阈值 分割 ； 最后根 据 目标 的连续 性和运动 轨迹 的一
ｂ ｃ ｇ ｏ ｎ ｆｔ ｅ ｎ ｉｅ ｎ ａ ｅ ｍａ ｅ Ｔｈ ｒ ｄ ｃｅ ｍａ ｅ ｉ ｕ ｔａ ｔ ｄ ｆｏ ｔ ｅ ｄｅ ｎ ｉｅ ｏ ｒ ｅ ｉ ｇ ａ ｋ ｒ ｕ ｄ ｏ ｈｅ ｄ — ｏ ｓ ｄ ｉｆ ｒ ｄ ｉ ｇ ． ｒ ｅ ｐ ｅ ｉ ｔｄ ｉ ｇ ｓ ｓ ｂ ｒ ｃｅ ｍ ｈ — ｏｓ ｄ ｓ ｕ ｃ ｍａ ｅ， ｒ
致 性 检 测 出真 实 的小 目标 。实 验 结 果 表 明 ： ｌ 法 可 显 著 提 高 红外 日标 的检 测 概 率 ， 现较 远距 离 弱 小 目标 的检 测 。 亥方 实 关 键 词 ： 外 弱 小 日标 检 测 ； 树 复 数 小 波 变 换 ； 持 向量 回归 （ Ｖ ） Ｔ ａｉ Ｈ ｖｄ —ｈｒａ熵 红 双 支 Ｓ Ｒ ； ｓｌｓ ａｒａＣ ａｖｔ ｌ—
小波-红外目标检测
西安电子科技大学硕士学位论文红外目标检测姓名：刘伟申请学位级别：硕士专业：电路与系统指导教师：杨万海20030101摘要本文在分析了红外图像中背景、小目标和噪声特点的基础上，进行了两方面的研究。
第一个方面是从红外图像中小目标的特性出发，对图像进行高通滤波，得到主要包含小目标和噪声的图像。
然后，采用本文提出的基于小波变换中软阈值去噪原理和相关去噪原理的检测方法检测出小目标。
同时，仿真结果表明基于软阈值去噪原理的算法优于基于相关去噪原理的算法。
第二个方面主要是通过抑制背景来检测小目标。
这～方面又分为两种情况。
第一种情况是针对连续的多帧图像。
分别采用时域中值滤波器算法和最小平方中值滤波器算法抑制背景，得到由小目标引起的变化的部分。
第二种情况是针对单帧图像，采用数学形态学抑制背景，得到保留小目标的图像。
然后，对包含小目标信息的图像进行处理，从而检测出小目标。
同时，仿真结果表明，数学形态学算法最优，时域中值滤波器算法次之，最小平方中值滤波器算法最差。
关键词：小目标红外图像小波变换背景抑制数学形态学ＡｂｓｔｒａｃｔＢａｓｅｄｏｎｔｈｅｄｉｆｆｅｒｅｎｔｃｈａｒａｃｔｅｒｉｓｔｉｅｓｏｆｂａｃｋｇｒｏｕｎｄ，ｓｍａｌｌｔａｒｇｅｔｓａｎｄｎｏｉｓｅｉｎｉｎｆｒａｒｅｄｉｍａｇｅｓ，ｔｈｅｒｅｓｅａｒｃｈｉｓｃｏｎｄｕｃｔｅｄｉｎｔｗｏｄｉｆｆｅｒｅｎｔｗａｙｓｉｎｔｈｉｓｐａｐｅｒ．Ｏｎｅｉｓｂａｓｅｄｏｎｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｏｆｓｍａｌｌｔａｒｇｅｔｓ．Ｆｉｒｓｔ，ｏｎｅｉｍａｇｅｉｓｆｉｌｔｅｒｅｄｂｙａｈｉｇｈｐａｓｓｆｉｌｔｅｒａｎｄｔｈｅｉｍａｇｅｍａｉｎｌｙｉｎｃｌｕｄｉｎｇｔｈｅｓｍａｌｌｔａｒｇｅｔｓａｎｄｎｏｉｓｅａｒｅｏｂｔａｉｎｅｄ．＋Ｆｈｅｎ．ｕｓｉｎｇｔｈｅａｌｇｏｒｉｔｈｍｓｗｉｔｈｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍａｔｉｏｎｐｒｅｓｅｎｔｅｄｉｎｔｈｉｓｐａｐｅｒ，ｗｈｉｃｈａｒｅｂａｓｅｄｏｎｔｈｅｓｏｆｔ－ｔｈｒｅｓｈｏｌｄｄｅｎｏｉｓｉｎｇａｎｄｔｈｅｒｅｌｅｖａｎｔｄｅｎｏｉｓｉｎｇ，ｔｈｅｓｍａｌｌｔａｒｇｅｔｃａｎｂｅｄｅｔｅｃｔｅｄ．Ａｔｔｈｅｓａｍｅｔｉｍｅ．ｔｌｌｅｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓｈｏｗｓｔｈａｔｔｈｅｐｅｒｆｏｒｍａｎｃｅｏｆｔｈｅａｌｇｏｒｉｔｈｍｔｈａｔｉｓｂａｓｅｄｏｎｔｈｅｓｏＲ・ｔｈｒｅｓｈｏｌｄｄｅｎｏｉｓｉｎｇｉｓｂｅｔｔｅｒｔｈａｎｔｈｅａｌｇｏｒｉｔｈｍｔｈａｔｉｓｂａｓｅｄｏｎｔｈｅｒｅｌｅｖａｎｔｄｅｎｏｉｓｉｎｇ．Ｔｈｅｏｔｈｅｒｉｓｍａｉｎｌｙｄｅｐｅｎｄｅｄｏｎｔｈｅｂａｃｋｇｒｏｕｎｄｒｅｊｅｃｔｉｏｎｔｏｄｅｔｅｃｔｔｈｅｓｍａｌｌｔａｒｇｅｔ．Ｔｈｅｒｅａｒｅｔｗｏｄｉｆｆｅｒｅｎｔｓｉｔｕａｔｉｏｎｓｉｎｔｈｉｓｆｉｅｌｄ．Ｏｎｅａｌｍｓａｔｔｈｅｉｍａｇｅｓｅｑｕｅｎｃｅｓ．ＵｓｉｎｇｔｈｅＬＭｅｄＳ（Ｌｅａｓｔｍｅｄｉａｎｏｆｓｑｕａｒｅｓ）ａｎｄｔｈｅｔｅｍｐｏｒａｌｍｅｄｉａｎｆｉｌｔｅｒａｌｇｏｒｉｔｈｍｉｎｄｅｐｅｎｄｅｎｔｌｙ，ｔｈｅｂａｃｋｇｒｏｕｎｄａｌｇｏｒｉｔｈｍｒｅｊｅｃｔｉｏｎＣａｎｂｅｒｅａｌｉｚｅｄ，ａｎｄｔｈｅｃｈａｎｇｅｄｐａｒｔｓｉｎｔｈｅｉｍａｇｅｓｅｑｕｅｎｃｅｓｔｈａｔａｒｅｍａｉｎｌｙｃａｕｓｅｄｂｙｔｈｅｓｍａｌｌｔａｒｇｅｔａｒｅｏｂｔａｉｎｅｄ．Ｔｈｅｏｔｈｅｒａｉｍｓａｔｏｎｅｉｍａｇｅ．Ｕｓｉｎｇｔｈｅｍａｔｈｅｍａｔｉｃｍｏｒｐｈｏｌｏｇｙａｌｇｏｒｉｔｈｍ，ｔｈｅｂａｃｋｇｒｏｕｎｄｒｅｊｅｃｔｉｏｎｃａｎｂｅｒｅａｌｉｚｅｄａｎｄｔｈｅＣａｎｂｅｏｂｔａｉｎｅｄ．Ｔｈｅｎ，ｔｈｅｉｍａｇｅｓｔｈａｔａｒｅｉｍａｇｅｍａｉｎｌｙｉｎｃｌｕｄｉｎｇｔｈｅｓｍａｌｌｔａｒｇｅｔｏｂｔａｉｎｅｄｂｙｔｈｅＬＭｅｄＳａｌｇｏｒｉｔｈｍ，ｔｈｅｔｅｍｐｏｒａｌｍｅｄｉａｎｆｉｌｔｅｒａｌｇｏｒｉｔｈｍａｎｄｔｈｅｍａｔｈｅｍａｔｉｃｍｏｒｐｈｏｌｏｇｙａｌｇｏｒｉｔｈｍａｒｅｐｒｏｃｅｓｓｅｄａｎｄｔｈｅｓｍａｌｌｔａｒｇｅｔｉｓｄｅｔｅｃｔｅｄ．Ａｔｔｈｅｓａｍｅｔｉｍｅ，ｔｈｅｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓｈｏｗｓｔｈａｔｔｈｅｐｅｒｆｏｒｍａｎｃｅｏｆｔｈｅｍａｔｈｅｍａｔｉｃｍｏｒｐｈｏｌｏｇｙａｌｇｏｒｉｔｈｍｉｓｔｈｅｂｅｓｔ，ｔｈｅｐｅｒｆｏｒｍａｎｃｅｏｆｔｈｅｔｅｍｐｏｒａｌｍｅｄｉａｎｆｉｌｔｅｒａｌｇｏｒｉｔｈｍｒｆｌｎｋｓｓｅｃｏｎｄ，ａｎｄｔｈｅｐｅｒｆｏｒｍａｎｃｅｏｆｔｈｅＬＭｅｄＳａｌｇｏｒｉｔｈｍｉｓｔｈｅｗｏｒｓｔ．Ｋｅｙｗｏｒｄｓ：ＳｍａｌｌＴａｒｇｅｔｓＩｎｆｒａｒｅｄＩｍａｇｅＷａｖｅｌｅｔＴｒａｎｓｆｏｒｍａｔｉｏｎＢａｃｋｇｒｏｕｎｄＲｅｊｅｃｔｉｏｎＭａｔｈｅｍａｔｉｃＭｏｒｐｈｏｌｏｇｙ创新性声明ｐ＇占３５７１ｔＪ本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研究成果．尽我所知，除了文中特别加以标注和致谢中所罗列的内容以外，论文中不包含其他人已经发表或撰写过的研究成果：也不包含为获得西安电子科技大学或其它教育机构的学位或证书而使用过的材料。
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。
红外小目标检测 报告
红外小目标检测方法概述1110540103 李方舟1.什么是红外小目标？关于小目标”的定义，目前没有统一的定论。
一般认为，当红外成像的距离较远时，在成像平面上只占几个或几十个像素的面积，表现为点状或斑点状，对比度和信噪比较低的目标，即可称之为小目标。
2.为什么要进行红外小目标检测？红外成像具有距离远，隐蔽性高，抗干扰能力强，穿透烟尘，雾以及阴霾的能力强，可全天候，全时间工作等优点。
因此被广泛应用于监视侦察以及导航等军事领域，成为现代精确制导武器的主要技术之一。
在尽可能远的距离上检测并跟踪到敌方目标，以争取在有利的时机发动攻击。
是决定现代战争胜负的重要因素。
距离越远，目标成像面积越小，图象质量越差，对目标的检测和跟踪越困难。
因此，研究小目标的检测和跟踪方法，对提高红外成像系统的作用距离，有着非常重要的意义。
目标检测作为寻的制导系统中的前端处理环节，是精确制导中最为关键和核心的组成部分。
只有及时检测到目标，才能保证如目标的如目标跟踪等后续工作的正常进行。
基于此原因，在红外凝视成像的图像序列中进行目标检测具有相当的难度，几乎所有的小目标检测法都致力于增强图像的信噪比，积累目标能量，以提高目标检测能力。
3.红外小目标检测方法分析对于红外目标的检测问题，目标的一些先验信息，如目标的形状、大小，目标灰度变化在时间上的连续性，以及目标运动轨迹的连续性等是有效分割目标和噪声的关键。
目标检测方法根据这些特性的使用顺序不同，可分为两大类：先检测后跟踪( D e t e c t B e f o r e T r a c k ，D B T )方法和先跟踪后检测( T r a c k B e f o r e D e t e c t ，T B D )方法。
3.1 DBT检测方法基于先检测后跟踪的目标检测技术属于一类经典的红外目标检测。
该类方法分为两步:首先根据目标形状，强度等特性，在单帧图像中检测出候选目标，然后根据实际需要，在分割后的二值化图形序列中，通过序列图像投影到目标轨迹。
基于复滤波器组的红外弱小目标检测算法
基于复滤波器组的红外弱小目标检测算法基于复滤波器组的红外弱小目标检测算法是一种应用于红外图像处理中的目标检测算法。
该算法利用复滤波器组对红外图像进行滤波处理，并通过图像的频域特征实现对弱小目标的有效检测和提取。
本文将对基于复滤波器组的红外弱小目标检测算法进行详细介绍。
首先，我们需要了解复滤波器组的概念。
复滤波器组是一组互为共轭的滤波器，可以分别应用于图像的实部和虚部。
通过对实部和虚部进行滤波处理，可以提取图像的频域特征，用于检测弱小目标。
1.数据预处理：将红外图像进行预处理，包括图像增强、噪声去除等。
这样可以提高后续的目标检测效果。
2.复滤波器组设计：设计一组合适的复滤波器，使其能够适应不同尺寸、不同形状的弱小目标。
这些滤波器可以通过频域信息的分析和实验结果的验证来确定。
3.滤波处理：将复滤波器组应用于红外图像的实部和虚部，得到滤波后的实部和虚部图像。
这些滤波后的图像可以减弱背景噪声，突出弱小目标。
4.频域特征提取：对滤波后的实部和虚部图像进行频域特征提取，包括幅度谱、相位谱等。
这些频域特征可以反映红外图像中的目标信息。
5.弱小目标检测：基于频域特征，利用一定的阈值和目标检测算法，实现对弱小目标的检测和提取。
可以使用分割算法、聚类算法等方法进行目标检测。
6.目标验证和跟踪：对检测到的目标进行验证和跟踪，可以根据目标的形状、运动特征来判断目标的真实性，并进行目标跟踪，实现对目标的持续跟踪。
7.目标识别和分类：根据目标的特征和上下文信息，对目标进行识别和分类。
可以利用机器学习算法和模式识别技术，实现目标的自动识别和分类。
总之，基于复滤波器组的红外弱小目标检测算法通过复滤波器组的设计和滤波处理，提取图像的频域特征，并实现对弱小目标的提取和检测。
该算法具有较好的检测效果和鲁棒性，在红外图像处理中具有重要的应用前景。
反对称双正交小波在红外图像小目标检测中的应用
摘 要 : 在给出利用反对称双正交小波进行图像多尺度边缘提取的相关理论基 础上 , 针对海空背 景下远距离 小目标的特点 , 提出 了一 种海 空背 景下 红外 图像 小目 标检 测方 法 。首先 应用 反对 称双正交 小波变换的 多尺度边缘 检测方法 , 确定 目标 的潜 在区 域 ,进一步在潜在区域内采用形态学方法提取目标 , 从而实现 了在小波塔 式分解数据 上的图像边缘特征提取和小目标检测 。与采用二进卷积 型小波 的检测方 法相比 ,具 有图像处 理数据 量小 , 实现速 度快的特点 。实验结果表明 ,该方法能够有效抑制杂波干扰 ,准确检测出小目标 。 关键词 : 边缘检测 ; 双正交小波 ; 多尺度 ; 红外图像 ; 小目标检测 中图分类号 : TP391. 41 文献标识码 :A 文章编号 :10002 1328 (2007 ) 05212532 05
j = ψ 2 ,-
j
j
(2 N- 1- k)
( x)
j
( 2)
,k
上式说明 , 对于反对称双正交小波 ψ2 则 Ψ2
j
( x) ∈ Wj ,j,k( x)= ψ 2j,k
( - x ) ∈ Wj ,即 Ψ2
,k
( x ) 同样
基金项目 : 北京教育委员会重点学科贡献项目 ( XK1000 80 537 ) ; 中国博士后基金 (20060400400 )
;这些方法为问题的解决提供
反对称小波函数和偶对称尺度函数。又设反对称双 正交小波 ψ( x ) 的支集为 ( 0 ,2 N - 1) , 其对称中心 一定是 2N - 1 ,则 : 2 ψ 2N - 1 + x = - ψ 2 N - 1 - x 2 2 ( 1)
了新的思路 ,但局限性也是明显的 。文献 [2] [5] 给出 了基于小波多尺度边缘检测的红外小目标检测方法 , 但采用的是二进卷积型小波变换 , 每一尺度小波分解 均具有与原图像相同的数据量 , 计算量较大 。本文首 先推导了反对称双正交小波变换所具有的卷积运算 性质 , 分析了反对称双正交小波变换的微分算子功 能 , 给出了针对图像对尺度边缘提取的小波分解算 法。 在此基础上 ,提出了一种基于反对称双正交小波 的红外图像小目标检测方法 ,在小波塔式分解数据上 检测图像边缘并识别水天线 ,进而找出目标的潜在区 域。 实验结果表明 ,本文提出的方法可以有效抑制红
基于小波变换的红外弱小目标检测新方法
ｔ ａ ｉ ｍ ｅ ｏ ａ ｅ ｅ ｔ ｄ ｌ ｃ ｔ ｍａ ｌ ｖ ｎ ｒ ｅ ａｉ ｌ ｄ ｉ ｒ ｂ ｓ ｓ ｅ ｔ ｏ ｎ ｉ ｔ ｒ ｒ ｎ ｅ ｈ ｔ ｈ ｓ ｔ ｄ Ｃ ｄ ｔ ｃ ａ ｅｓ ｌ ｍｏ ｉｇ ｔ ｇ ｔ ｌ ｙ ａ ｏ ｕ ｔ ｅ ｐ ｃ ｏ ｓ ｉ ｅ ｆ ｅ ｃ ． ｔ ｈ ｎ ｎ ａ ｏ ａ ｖ ｄ ｎ ｓ ｒ ｔ ｅ ｎ ｅ
ｈ ａ ｄｏ ｅ ｓｆ ｒｎ ｉｅ ｒ ｃ ｇ ｚ ｓｔ ａ ｇ ｔ ｎ ｔ ｍａ ｅ ｏ ｚ ｄ ｔ ｅ ｒ ｎ ｍｎ ｓ ｏ ｏ ｓ ｅ ｏ ｎｉｅ ｅ ｔｒ ｅ ｓｉ ｅ ｉ ｇ ｓａ ｅｒ ｃ ｇ ｉｅ ．Ｔｈ ｘｐ ｄｍｅ ｔｒ ｓ ｔｉ ｉ ａｅ ｈ ｈ ｒ ｅ ｎ ｅｅ ｅ ｎ ｕｌ ｅ ｎｄ ｃ ｔ
维普资讯
第２ 卷 第 ７ ８ 期 ２０ ０ ６年 ７月
红 外 技 术
Ｉ ｆａ ｅ ｅ ｈ ｏ ｏ ｙ ｎ ｒ ｒ ｄＴ ｃ ０ ２ ． Ｊ ｌ ２ ０ ｕｙ ０６
基 于 小 波 变换 的红 外 弱 小 目标 检 测 新 方 法
李燕苹 ，谢维信 ，裴继 红
（ 深圳大学信息工程学 院，广东 深圳 ５ ８６ ） １０ ０
摘要 ： 研究 了红外序列图像 中弱小 目 的检测。 标 对图像序列进行小波变换 ， 利用 目 标小波变换的特性 ， 对单帧小波变换后的各高频分量进行 累加 ， 利用门限处理并通过与一个与管道得到包含候选 目 点的 标 图像 ，最后利用 目标运动的连续性，进一步检测，得到 目 点的位置。实验结果表明，该方法能有效 标 地 检 测红 外 弱小 目标 。 关键 词：红外弱小 目 ；小波变换；与管道； 门限 标 中图 分类号 ：Ｔ １ ． 文献 标 识码 ：Ａ Ｎ９ １ ３ ７ 文 章编 号 ： １０ ．８ １２ ０ ）７０ １ ．４ ０ １８ ９ （０ ６０ ．４ ９０
【国家自然科学基金】_红外小目标_基金支持热词逐年推荐_【万方软件创新助手】_20140802
2011年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2009年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34
2008年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35
科研热词 目标检测 自适应滤波 红外图像 复杂噪声 预测算法 集成检测 隐式roi 运动检测 规整化 自适应 红外运动小目标 红外小目标 空域杂波抑制 目标搜索窗口 电视制导 现场可编程门阵列 数字信号处理 微弱目标 微小运动目标 强噪声 弱小目标 小面模型 小目标检测 实时处理 多帧检测 图像增强 双平台直方图均衡化 全域运动 信息处理技术 优化问题 优化截取内嵌块编码 主成分分析 专用的系统集成电路 roi掩模提取 fukunaga-koontz变换
推荐指数 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2010年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52
报告 红外弱小目标检测
一、文章框架 本文采用三种方法，相互结合实现目标输出
图 1 文章框架图
二、小目标检测过程
1、最大中值滤波 本文中采用基于中值滤波的最大中值滤波来消除图像的孤立噪声点。传统的中值 滤波能较好地消除孤立的噪声点，但因为其需要对窗口中所有像素的灰度值进行排序， 故比一般卷积运算速度慢。而最大中值滤波是中值滤波的一个比较有效的改进方法。 它的运算基本原理是: 先选择奇数大小的模板，再求经过中心像素点的行、列和对 角线方向上的像素灰度中值，以该四个值得最大值代替中心像素值。根据实际图像的 背景，本文采取的滤波窗口大小为 3×3，则最大中值滤波获得的输出图像可定义为
f ( x, y) max(M 1, M 2, M 3, M 4)
其中
(1)
M 1 median( f 21, f 22, f 23) M 2 median( f 12, f 22, f 32) M 3 median( f 31, f 22, f 13) M 4 median( f 11, f 22, f 33)
(2)
图 2 最大中值滤波运算结构图 2、Top-hat 背景抑制 灰度形态学腐蚀运算：
( f g )( x, y) min{ f ( x i, y i
(3)
( f g )( x, y) max{ f ( x i, y i) g (i, j)}
图 3 提升小波变换过程 提升小波变换的分解与重构的全过程是一种对偶过程， 这样在算法实现过程中就能通过 同址运算来减少运算时间。图像经过 9 /7 小波分解后的低频部分分辨率高，高频部分细节 突出，便于后续的图像处理。 小波处理图像时需要进行二维离散小波变换。 当采用提升算法时， 可以采用两级一维提 升算法级联进行，即把图像数据的N× N 矩阵先看作一N 行数组，采用提升算法, 进行行变 换，输出的结果仍为N× N 矩阵，再将其看作N 列数组，进行列变换，从而完成二维变换， 得到最终变换结果。其中α= - 1.586134342，β= -0.0529801186，γ=01882911075，δ= 0.443506852，K = 1.230174105 为各部分提升域的变换算子。
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。
红外弱小目标检测算法综述
红外弱小目标检测算法综述红外弱小目标检测算法是一种应用于特定领域的有效的图像处理技术，这种技术可以有效地检测出红外图像中被称为“弱小目标”的图像特征，进而提供重要的信息服务。
在红外图像中，弱小目标是指具有较低热能或光强度、较小视场大小、较低对比度和较低空间分辨率等特性的目标物体。
由于红外弱小目标的特征较为细微，因此，常规的图像处理方法对它们的检测效果较差，而运用红外弱小目标检测算法则可以显著提高识别效果。
红外弱小目标检测算法可以分为基于统计的方法、基于学习的方法和基于模板匹配的方法三大类。
基于统计的方法是利用非线性滤波器、概率密度函数和后验概率等统计分析手段，对红外图像进行处理，以提取其中的弱小目标特征，并将它们进行提取和分类。
基于学习的方法则是利用支持向量机(SVM)、神经网络(NN)和深度学习等机器学习技术，通过与已知的真实目标进行学习，从而实现对弱小目标的检测。
基于模板匹配的方法是利用图像模板匹配算法，将已知的模板图像与待检测的红外图像进行对比，以发现其中的弱小目标。
随着研究者对红外弱小目标检测算法的设计不断深入，许多改进的算法也被提出，如基于特征点的算法、基于多尺度特征的算法、基于深度学习的算法等。
这些算法都是对前面提到的基本算法进行了改进和优化，以提高红外弱小目标检测的准确性和实时性。
基于特征点的算法主要是利用红外图像的细节特征，如纹理、轮廓和光强等，提取出红外图像中的特征点，然后利用这些特征点进行弱小目标的检测。
基于多尺度特征的算法则是利用多尺度的红外特征，构建多尺度的特征模型，并将其与图像进行对比，从而实现弱小目标的检测。
基于深度学习的算法则是利用深度学习技术，构建一个多层次的特征模型，并将其用于红外图像的分类和检测，从而提高弱小目标的检测精度和可靠性。
总之，红外弱小目标检测算法是一种有效的图像处理技术，旨在有效地检测红外图像中的弱小目标特征，为后续应用提供重要信息服务。
在现代研究中，基于统计、基于学习以及基于模板匹配的算法都被提出，而且随着算法的不断改进，许多改进的算法也被提出，以提高红外弱小目标检测的准确性和实时性。
利用小波变换与Gabor滤波检测红外小目标
关 键词 ： 小 目标检 测 ； 红外 图像 ； 局 部 能量 ； 方向性 弱
中 图 分 类 号 ：Ｔ １ １ Ｐ ８ 文 献 标 志 码 ：Ａ 文 章 编 号 ：１ ０ －２ ７ （０ １０ －１ １ － ５ ０ ７ ２ ６２ １）９ ８８ ０
Ｄｅ ｅ ｔｏ ｌ ｏ ｉ ｍ ｏ ｎｆ ａ ｅ ｍ ａ ｌａ ａ ａ ｇ ｔ ａ ｅ ｎ ｔｃｉ ｎ ａｇ ｒｔ ｈ ｆ ｒ ｉ ｒ ｒ ｄ ｓ ｌ ｎｄ ｗｅ ｋ ｔ ｒ ｅ ｓ ｂ ｓ ｄ ｏ ｗａ ｅ ｅ ｒ ｎ ｆ ｒ ｎｄ Ｇ ａ ｒ ｆＩｅ ｖ ｌ ｔ ｔ ａ ｓ ｏ ｍ ａ ｂｏ ｔ ｒ ｉ
第４ Ｏ卷 第 ９期
Ｖｏ ．０ Ｏ９ １４ Ｎ ．
红 外 与 激 光 工 程
Ｉ ｒａ ｅ ｎｄ Ｌａ ｅ ｇｉ ｅ ｉ ｎｆ ｒ ｄ ａ ｓ ｒ Ｅｎ ｎｅ ｒｎｇ
２１ ０ １年 ９ 月 小 波 变 换 与 Ｇａ ｏ 滤 波 检 测 红 外 小 目标 ｂｒ
罗晓 清 ， 小俊 吴
（ 南大 学 信 息工程 学院 ， 苏 无锡 ２ ４ ２ ） 江 江 １ １２
摘 要 ：将 小波变换应 用 于红外 图像 ， 出了一种新 的 弱小 目标检 测 方法 。 提 该算 法首先对 图像进 行 小
波 变换 。为 了获取 图像 的 多方 向性 分解 ， 用 Ｇａｏ 滤 波 器与 高频信 号做 卷积 运 算得 到 ２ 使 ｂｒ ４个方 向的 高频信 息。计 算各点 的局部 能量 以及 方 向 离散 值 ， 以上特 征 融合 ， 到 图像 的 多特征 统计 值。其 次 将 得
ｏ ｖ ｌｔ ｔａ ｆ ｒ ｉ ｔ ｓ ｐ ｐ ｒ ｆｓ ｙ。ｓａｉ ｎ ｒ ｖ ｌｔ ｍｕ ｔ ｓ ａｅ ａ ａ ｙ ｉ ｗａ ｓ ｄ ｆ ｒ ｉｆａ ｅ ｎ ｗａ ｅｅ ｒｎｓｏ ｍ ｎ ｈｉ ａ ｅ ，Ｆ ｄ ｔｔｏ ａｙ ｗａ ｅｅ ｌ ・ｃ ｌ ｎ ｓｓ ｉ ｌ ｓ ｕ ｅ ｏ ｎ ｒ ｄ ｒ ｉ ｇ ．Ｔｏ ｏ ｔｉ ｔｅ ｍｕｔ ｉｅ ｔｏ ａ ｅ ｏ ｏ ｉｉｎ ｏ ｖ ｌ ｔ ｎ ｏ ｅ ａ ｏ ｓ ｐ ｒｏ ｅ ｅｗｅ ｎ Ｇａ ｏ ｍａ ｅ ｂ ａｎ ｈ ｌｄ ｒ ｅｉｎ ｌｄ ｃ ｍｐ ｓｔｏ ，ｃ ｎ ｏ ｕ ｏ ｐ ｒ ｔ ｎ ｗａ ｅ ｆ ｒ ｄ ｂ ｔ ｅ ｂ ｒ ｉ ｉ ｉ ｍ
一种多阶段处理的红外小目标检测方法
一种多阶段处理的红外小目标检测方法
姚迅;李德华;孙贤斌;黄飞
【期刊名称】《武汉理工大学学报（交通科学与工程版）》
【年(卷),期】2008(032)006
【摘要】提出了一种二阶段红外图像序列小目标检测方法.该方法由2个相序的处理阶段组成,即目标的预侦测阶段和目标的确认阶段.在处理的第一阶段,通过快速扫描输入图像,根据视觉特征的显著性抽取潜在的目标集合.这些潜在的目标在第二个处理阶段通过双均值滤波方法被进一步地识别,判断出真目标,剔除假目标.统计分析在理论上证实了这种算法结构的高效和合理性.实验结果表明该方法在运算速度上有显著的优势.
【总页数】4页(P1141-1144)
【作者】姚迅;李德华;孙贤斌;黄飞
【作者单位】华中科技大学图像识别与人工智能研究所,武汉,430074;华中科技大学图像识别与人工智能研究所,武汉,430074;华中科技大学图像识别与人工智能研究所,武汉,430074;华中科技大学图像识别与人工智能研究所,武汉,430074
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.一种近地背景下红外弱小目标检测预处理算法 [J], 杨元庆;张志利;侯传勋
2.一种实用的红外弱小目标检测跟踪处理机研究 [J], 朱梦宇;赵保军;韩月秋
3.一种结合惯导信息的红外弱小目标检测方法 [J], 郭铭嘉; 赵晟; 刘会文; 申涛; 雷昊; 朴宇鹏; 曹耀心; 吴建东
4.一种对空红外弱小目标检测跟踪方法研究 [J], 王曙光; 石胜斌; 胡春生
5.一种结合惯导信息的红外弱小目标检测方法 [J], 郭铭嘉;赵晟;刘会文;申涛;雷昊;朴宇鹏;曹耀心;吴建东
因版权原因，仅展示原文概要，查看原文内容请购买。
复杂背景中红外小目标的检测算法研究的开题报告
复杂背景中红外小目标的检测算法研究的开题报告一、研究背景近年来，随着红外技术的不断发展，红外传感器得到了广泛应用，其中小目标检测一直是红外成像领域的一个热点问题。
在很多应用中，如军事侦察、目标跟踪等方向，红外小目标检测技术已经成为必不可少的一部分。
红外小目标通常指的是在红外图像中，面积较小的目标，由于存在复杂背景和低对比度，因此在红外图像中很难被准确地检测出来。
针对这种情况，研究者们通过对红外图像的数字处理和算法优化，提出了许多解决方案。
但是，在复杂背景中对红外小目标的检测仍然存在一些挑战，如光照变化、噪声干扰、目标姿态变化等。
因此，本研究拟围绕复杂背景条件下的红外小目标检测展开研究。
二、研究目标本研究的主要目标是设计一种适用于复杂背景下的红外小目标检测算法，实现对红外图像中小目标的准确检测。
具体研究目标包括：1. 分析和掌握红外图像的特点，了解红外小目标检测的基本原理和现有技术。
2. 对比分析现有的红外小目标检测算法，优化和改进已有的算法。
3. 设计新的算法，采用深度学习等技术进行处理，提高检测准确率。
4. 验证算法的有效性和鲁棒性，对算法进行实验测试。
三、研究内容1. 红外图像预处理：对于复杂背景中的红外图像，首先需要进行一系列预处理，如去噪、背景抑制，以提高红外小目标的可检测性。
2. 特征提取：在复杂背景下，为了提高检测准确率，需要对目标进行特征提取。
本研究将探讨使用深度学习算法进行目标特征提取的方法。
3. 目标检测算法设计：在特征提取的基础上，本研究将探讨并设计适用于复杂背景下的红外小目标检测算法。
4. 实验验证：对设计的算法进行实验验证，分析算法的效果和性能，并与现有算法进行比较分析。
四、研究意义本研究的意义在于提供一种适用于复杂背景下的红外小目标检测算法，可以用于军事、目标跟踪等领域的应用。
同时，也为红外小目标检测算法的改进和优化提供了新思路。
红外小目标小波多尺度相关检测方法
红外小目标小波多尺度相关检测方法
苏赋;杨文淑;徐智勇
【期刊名称】《半导体光电》
【年(卷),期】2007(28)4
【摘要】提出一种基于小波多尺度相关的目标检测方法。
该方法通过二进小波对图像进行多尺度分析;利用边缘和噪声具有不同的Lipschitz指数造成它们的小波变换模在不同尺度下的不同传播特性,根据小波变换尺度相关性计算相邻大尺度模相关量用来增强信号,抑制噪声,提取粗略边缘图;并结合小尺度检测,具有定位精确的特点,将粗略边缘图与小尺度模图相与,寻找模极大值点,得到最终的检测结果。
实验结果表明,该方法较传统的小波多尺度边缘检测方法能更加有效地进行红外小目标检测。
【总页数】4页(P592-595)
【关键词】目标检测;尺度相关;Lipschitz指数
【作者】苏赋;杨文淑;徐智勇
【作者单位】中国科学院研究生院;中国科学院光电技术研究所
【正文语种】中文
【中图分类】TN216
【相关文献】
1.基于小波互能量交叉的复杂背景中红外小目标检测方法 [J], 史泽林;魏颖;黄莎白
2.基于小波提升框架及小波能量的红外弱目标检测方法 [J], 徐韶华;李红
3.基于向量小波多尺度纹理分析的红外小目标检测 [J], 高景丽;李红;郑成勇
4.基于小波多尺度分析及Fisher分割的红外弱小目标检测 [J], 李红;郑成勇;高景丽
5.基于小波和分形的海面红外小目标自动检测方法 [J], 王立地;黄莎白;史泽林因版权原因，仅展示原文概要，查看原文内容请购买。
基于双树复小波变换与引导滤波的红外与可见光图像融合算法
基于双树复小波变换与引导滤波的红外与可见光图像融合算法齐海生;荣传振;肖力铭;岳振军【摘要】针对传统的红外与可见光图像融合中多尺度融合方法存在图像细节丢失、边缘模糊以及对比度下降等不足,提出了基于双树复小波变换(DTCWT)和引导滤波器的红外与可见光图像融合方法.首先,利用DTCWT分解源图像,获取源图像的低频子带系数和高频子带系数;其次,对分解得到的低频系数基于区域能量加权融合,对高频系数先基于区域能量取大融合,再应用引导滤波进行细节增强;最后,通过DTCWT 逆变换得到融合图像.实验结果表明,融合后的图像能够较好地保留细节信息,同时使边缘更加清晰,具有更好的视觉效果,且信息熵、互信息量、边缘相似度等客观评价指标相对传统方法均有不同程度的提高.【期刊名称】《通信技术》【年(卷),期】2019(052)002【总页数】7页(P330-336)【关键词】图像融合;双树复小波变换;引导滤波;区域能量【作者】齐海生;荣传振;肖力铭;岳振军【作者单位】陆军工程大学,江苏南京210007;陆军工程大学,江苏南京210007;陆军工程大学,江苏南京210007;陆军工程大学,江苏南京210007【正文语种】中文【中图分类】TP391.410 引言图像融合是将多传感器采集的同一场景的图像进行融合，取得信息互补的过程。
其中，红外与可见光的融合近年来受到广泛关注，在军事领域起到了非常重要的作用[1]。
红外图像成像主要是利用红外热像仪成像获得低光照条件下或者有障碍遮挡的物体的图像，具有良好的探测性能，但红外成像对比度低、纹理细节信息缺失。
可见光图像由可见光传感器成像，具有较高的对比度和丰富的纹理细节信息，有利于人眼对场景的认知，但在光照较差或有障碍物遮挡等条件下所成图像效果较差。
把红外图像与可见光图像进行有效融合，既能突出红外目标信息，又可以得到可见光图像的高分辨率细节信息，因此被广泛应用于计算机视觉、航天学及军事等领域。
基于小波分析的红外弱小目标检测算法
基于小波分析的红外弱小目标检测算法
成兰
【期刊名称】《安阳工学院学报》
【年(卷),期】2008(000)004
【摘要】针对红外弱小目标检测需求,根据红外弱小目标图像特性及其小波分析特性,提出了一种基于小波分析的红外弱小目标检测算法.算法首先对红外弱小目标图像进行小波分解;然后置低频小波系数为零去除背景,阈值化高频小波系数滤除噪声,自适应子带增强加强目标能量;最后进行小波逆变换并进行自适应阈值分割.实验结果表明,提出的算法速度快、抑制噪声的能力强.
【总页数】4页(P41-43,128)
【作者】成兰
【作者单位】安阳工学院,河南,安阳,455000
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于小波分析的双色红外弱小目标检测算法 [J], 史晓刚;白晓东;李丽娟;徐振亚;韩宇萌;刘佳鑫
2.基于小波分析的一种红外弱小目标检测新方法 [J], 史凌峰
3.基于全卷积网络的红外弱小目标检测算法 [J], 杨其利;周炳红;郑伟;李明涛
4.基于局部对比度机制的红外弱小目标检测算法 [J], 韩金辉;董兴浩;蒋亚伟;李知
铮;梁琨;张利红
5.一种基于特征组合分类的杂波背景下红外弱小目标检测算法 [J], 缪建成
因版权原因，仅展示原文概要，查看原文内容请购买。
基于双密度双树复小波变换的目标检测和跟踪算法研究的开题报告
基于双密度双树复小波变换的目标检测和跟踪算法研究的开题报告一、选题背景目标检测和跟踪是计算机视觉领域的重要研究方向之一。
在实际应用中，它们广泛应用于智能监控、自动驾驶、无人机、机器人等领域。
目标检测主要是通过对图像或视频进行处理，找出其中的感兴趣目标，而目标跟踪则是跟踪目标在连续帧中的位置和运动轨迹。
传统的目标检测和跟踪方法通常采用特征提取和分类器技术，这些方法已经取得了不错的效果，但是在面对复杂场景、目标形变和遮挡等问题时存在一定的局限性。
为了克服这些问题并提高检测和跟踪的效果，近年来涌现出了一些基于深度学习、卷积神经网络等技术的新方法。
本课题将针对目标检测和跟踪中存在的问题，探讨一种基于双密度双树复小波变换的新方法。
该方法结合了小波变换和复小波变换的优势，可以提高图像处理的精度和速度，同时保持较好的图像局部特征。
二、研究内容本课题的主要研究内容包括以下方面：1.研究双密度双树复小波变换的理论和算法，了解其优势和局限性。
2.基于双密度双树复小波变换构建目标检测和跟踪模型，实现对感兴趣的目标的提取和跟踪。
3.对模型进行优化和测试，对比传统的目标检测和跟踪方法的效果，并对模型的性能进行评估和改进。
4.设计相关实验，验证方法的实用性和效果，并对实验结果进行分析和总结。
三、研究意义本课题采用基于双密度双树复小波变换的目标检测和跟踪方法，有以下研究意义：1.充分发掘小波变换和复小波变换的优势和特点，提高图像处理的精度和速度。
2.优化传统的目标检测和跟踪方法，提高检测和跟踪的成功率和鲁棒性。
3.扩展目标检测和跟踪的应用领域，使其在智能监控、自动驾驶、无人机、机器人等领域更具实用性。
四、研究方法本课题主要采用实验法和分析法进行研究，具体方法如下：1.收集本领域的相关文献和数据集，对相关技术进行深入了解和研究，为构建目标检测和跟踪模型提供理论支持。
2.设计双密度双树复小波变换的目标检测和跟踪模型，并优化模型框架和参数，提高检测和跟踪的准确性和鲁棒性。
- 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)。
ｎ ｌｓｓ Ｉ ａｙ ｉ（ＣＡ） ｉ ｔ ．Ｆｒ ｌ ｈ ｒｇｎ ｌｉ ｇ ａ ｅ ｏｓｄ ｂ ｓ ｇ ｔｅ ｄ ａ— ｅ ｏ ｌｘ ｗａ ｅｅ ｒｎ — ｓ ｙ，ｔｅ ｏｉｉａ ｍａ ｅ ｗ ｓ ｄ ｎ ｉｅ ｙ ｕ ｉ ｈ ｕ ｌｔ ｅ ｃ ｍｐ ｅ ｖ ｌｔｔ ｓ ｎ ｒ ａ
变 换 和 独 立 分 量 分 析 （Ｃ 的 检 测 方 法 。 对 图像 作 预 处 理 ： 用 双 树 复 小 波 对 原 始 图像 进 行 去 噪 ， Ｉ Ａ） 利 再 利 用 Ｔ ｐｈｔ 子 抑 制 背 景 ； 原 始 图 像 减 去 通 过 快 速 独 立 分 量 分 析 （ ａｔ Ａ） 离 出 的 背 景 图 ｏ —ａ 算 从 ＦｓＣ 分 Ｉ
ｆ ｒ ，ａ ｄ ｔ ｅ ｂ ｃ ｇ ｏ ｎ ｓ ｓ ｐ ｒ ｓ ｅ ｙ ｕ ｉ ｇ Ｔ ｐ ｈ ｔｏ ｅ ａ ｏ ． Ｔｈ ａ ｋ ｒ ｕ ｄ ｍａ ｅ ｓ ｐ ｒ ｔｄ ｏｍ ｎ ｈ ａ ｋ ｒ ｕ ｄ ｗａ ｕ ｐ ｅ ｓ ｄ ｂ ｓｎ ｏ — ａ ｐ ｒ ｔｒ ｅ ｂ ｃ ｇ ｏ ｎ ｉ ｇ ｅ ａ ａ ｅ
Ｗ ａ ｅ ｅ ａ ｓ ｏ ｍ ｎｄ Ｉ ｅ ｎ ｎ ｏ ｐ ｎ ｎｔＡ ｎａ ｙ ｉ ｖ ｌ ｔ Ｔｒ ｎ ｆ ｒ ａ ｎｄ ｐｅ ｄｅ ｔ Ｃ ｍ ｏ ｅ ｌ ｓｓ
Ｗ Ｕ — ｕ ｎ 一 ，Ｊ ｈ ｕ ｘ ｎ Ｙｉｑ ａ ＩＳ ｏ — ｉ ，ＹＩ Ｄａ ａ Ｎ ｎ ｙ ｎ
Ｈａｒ ａ Ｃ ａｖ ｔ ｖｄ — ｈ ｒａ 熵
中图分 类号 ： Ｎ １．３ Ｔ ９ １ ７
文 献 标 志 码 ：Ａ
文 章 编 号 ： ０ ０１ ９ （ ０ ０ １ — ３ —７ １ ０ — ３ ２ １ ） １１ １０ ０ ４
Ｉ ｆ ａ ｅ ｍ ａ ｌＴａ ｇ ｔＤｅ ｅ ｔｏ ｓ ｄ ｏ ｎｒ ｒｄ Ｓ ｌ ｒ ｅ ｔ ｃ ｉ ｎ Ｂａ ｅ ｎ Ｄｕａ －ｒ ｅ Ｃｂ ａ ｔ ｎ ｅ ｅ ｄ ｎ ｏ ｏ ｅ ｔ ｎ ｌｓ Ｆ ｓＩ Ａ）ｗａ ｕ ｔ ｃｅ ｒｍ ｔｅｏｉｉ ｒｍ ｈ ｒｇｎ ｌ ｇ ｙｆｓ ｉｄ ｐ ｎ ｅ ｔｃ ｍｐ ｎ ｎ ａｙｉ ｉ ａ ｓ（ ａ ｔ Ｃ ｓｓ ｂｒ ｔｄ ｆ ｈ ｒ ｒ ａ ｏ ｇ
分 量 分 析 的 目标 检 测 方 法 、 于 形 态 滤 波 的 目标 检 测 方 法 进 行 了比 较 。 结 果 表 明 ， 文 方 法 抗 噪 性 基 本
强 ， 有 更 为 优 越 的检 测 性 能 。 具
关 键词 ：信 息处 理 技术 ；红外 弱 小 目标 检 测 ；双 树 复 小波 变换 ；独 立分 量分 析 ；模 糊 Ｔ ａ ｉ ｓｌｓ ｌ—
（ ． ｃ ｏｌｏ ｎｏｍａｉｎＳ ｉｎ ｅａ ｄＴ ｃ ｎ ｌｇ ，Ｎａ ｊ ｇ Ｕ ｉｅｓｔ ｏ ｅｏ ａ ｔ ｓａ ｄ Ａ ｔ ｎ ｕｉｓ １ Ｓ ｈ ｏ ｆＩｆｒ ｔ ｃｅ ｃ ｎ ｅ ｈ ｏｏ ｙ ｏ ｎｉ ｎｖ ｒｉ ｆＡ ｒｎ ｕｉ ｎ ｓｒ ａ ｔ ，Ｎａ ｊ ｇ２ ０ １ ｎ ｙ ｃ ｏ ｃ ｎｉ １ ０ ６， ｎ Ｊａ ｇ ｕ ｉｎ ｓ ，Ｃｈｎ ；． ｔｔ Ｋｅ ａ ｏａｏｙｆｒＮ ｖ ｌＳ ｆ ａｅＴ ｃ ｎ ｌｇ ，Ｎ ｎｉｇＵｎｖｒｉ ， ｉａ ２ Ｓａｅ ｙＬ ｂ ｒｔｒ ｏ ｏ ｅ ｏ ｗ ｒ ｅｈ ｏｏ ｙ ａ ｊｎ ｉｅｓｔ ＂ ｔ ｙ Ｎａｊｎ １ ０ ３，Ｊａ ｇｕ，Ｃｈｎ ） ｎｉｇ２ ０ ９ ｉｎ ｓ ｉａ
像 ， 双树 复小 波 去 噪 ； 述 ２方 面得 到 的 图像 求 和 即 为 预 处 理 图像 。采 用 模 糊 Ｔ ａ ｉ Ｈａｒａ 用 上 ｓｌｓ ｖｄ — ｌ， Ｃ ａｖｔ ｈｒａ 熵选 取 阈值来 分 割预处 理 图像 。 针对 红外 小 目标 图像 进行 了大量 实验 ， 和基 于 快速 独 立 并
第 ３ 卷 第 １ 期 １ １
２ ０ １０年 １ １月
兵
工
学
报
Ｖ０ ． ＮＯ １１ １ ３１ ．
ＮＯ ． Ｖ
ＡＣ３Ａ ＡＲＭ ＡＭ ＥＮＴＡＲＩ Ｉ
２ ０ ０１
双 树 复 小 波 和独 立 分量 分析 的红 外 小 目标检 测
吴 一 全 ，纪 守 新 ，尹 丹 艳
Ａｂ ｔａ ｔ ｓ ｒ ｃ ：Ａｉ ｄ ａ ｈ ｅ ｅ ｔｏ ｆｉｆａ ｅ ｉ ｔ ｒ ｅ ｎ ｂ ｃ ｇ ｏ ｎ ｎ ｅ ｅ ｅ ｃ ｎ ｏｓ ｍｅ ｔｔ ｅ ｄ ｔ ｃｉ ｎ ｏ ｎ ｒｒ ｄ ｄ ｍ ａ ｇ ｔｉ ａ ｋ ｒ ｕ ｄ ｉ ｔｒ ｒ ｎ ｅ ａ ｄ ｎ ｉｅ，ａ ｄ ｔ ｃｉ ｎ ｆ ｅｅ ｔｏ ｍｅ ｈ ｄ ｗａ ｏ ｓ ｄ ｏ ｈ ｓｓｏ ｕ ｌｔｅ ｏ ｔ ｏ ｓｐｒｐｏ ｅ ｎ ｔ ｅ ｂａ ｉ ｆｄ ａ －ｒ ｅ ｃ ｍｐｌｘ ｗａ ｅｅ ｒ ｎ ｆｒ ａ ｄ ｉ ｄ ｐ ｎ ｅ ｔｃ ｍｐ ｎ ｎ ・ － ｅ ｖ ｌｔｔａ ｓｏ ｍ ｎ ｎ ｅ ｅ ｄ ｎ ｏ ｏ ｅ ｔａ－
（ ．南 京 航 空 航 天大 学 信 息 科 学 与 技 术 学 院 ， 苏 南 京 ２０ １ ２ １ 江 １０ ６； ．南 京 大 学 计 算 机 软 件 新 技 术 国 家重 点 实 验 室 ，江苏 南 京 ２０ ９ ） １０ ３
摘要 ： 对存 在 背景 干扰和 噪 声情 况 下 的红 外 弱 小 目标 检 测 问题 ， 出 一种基 于 双 树 复小 波 针 提
ｎ ｌｉ ｇ ａ ｍａ ｅ，ａ ｈ ｅ ｉ ａ ｍａ ｅ ｗａ ｅ ｏ ｓ ｄ ｂ ｓ ｎ ｈｅ ｄ ａ —ｒ ｅ ｃ ｍｐｌ ｘ ｗａ ｅ ｅ ｒ ｎ ｆ ｒ ． Ｔｈ ｎｄ ｔ ｅ ｒ ｓｄｕ ｌ ｉ ｇ ｓ ｄ ｎ ｉｅ ｙ ｕ ｉ ｇ ｔ ｕ ｌ ｔｅ ｏ ｅ ｖ ｌ ｔ ｔａ ｓｏ ｍ ｅ ｓ ｕｍ ｆ ｔ ｅ ｂ ｖ — ｎ ｉ ｎ ｄ ｗｏ ｅ ｕ ｔ ｎ ｍａ ｅ ａ ｅ ｔ ｅ ｐｒ ｐ ｏ ｅ ｓ ｄ ｍａ ｅ Ｓ ｃ ｎｄ ｙ， ｔ ｅ ｐ ｅ ｒ — ｏ ｈ ａ ｏ ｅ ｍｅ ｔｏ ｅ ｔ ｒ ｓ ｌａ ｔ ｉ ｇ ｓ ｇ ｖ ｈ ｅ ｒ ｃ ｓ ｅ ｉ ｇ ． ｅ ｏ ｌ ｈ ｒ ｐ ｏ ｃ ｓ ｅ ｍａ ｅ ｗａ ｓ ｇ ｎ ｅ ｙ ｓ ｎ ｈ ｔ ｒ ｓ ｌ ｓ ｌ ｃ ｅ ｂ ｕ ｚ ａ ｌｓ Ｈａ ｒ ａ Ｃｈ ｒ ａ ｅ ｔ ｏ ｙ ｅ ｓ ｄ ｉ ｇ ｓ ｅ ｍｅ ｔ ｄ ｂ ｕ ｉ ｇ ｔ ｅ ｈ ｅ ｈｏ ｄ ｅ ｅ ｔ ｄ ｙ ｆ ｚ ｙ Ｔｓ ｌｉ — ｖ ｄ — ａ ｖ ｔ ｎ ｒ ｐ ．