红外小目标的增强与检测

合集下载

红外系列图像运动小目标检测

再利用目标运动特征，采用邻域判决法最终检测出目标．模拟实验表明谊方法能够准确高效地检测出运动小目标。关键词：红外系列图像’小目标检测：形态学滤波；图像预处理；图像分割；邻域判决１
中图分类号：Ｔ３ｌ文献标识码：ＡＰ９
ＳｌＭｏｉｇＴｒｅｔｃｉｎｉｎｒｒｄＩｇｅｕｎｅｍａｌｖｎａｇｔＤｅｅｔｎＩｆａｅｍａｅＳｑｅｃｓｏ
ａｑｉｅｈｏｇｈｅｆａａｔｖｈｅｈｌ．ａｔｎｉｈｏｎｅｉｎｖｒｉｔｗａｒｕｈｏｗａｄｔｅｅｔｔｒｅａｅｃｕｒｄｔｒｕｈｔｅｓｌ－ｄｐｉｅｔｒｓｏｄＡｔｌｓｅｇｂｒｇｒｇｏｅｄｃｓｂｏｇｔｒｒｏｄｔｃａｇｔｂｓｄｉｆｏａｇｔｍｏｅｅｔｃａａｔｒｉｌｔｏｅｕｔｉｄｃｔｄｔａｈｌｏｉｈｃｕｄｄｔｃｍａｌｍｏｉｇｔｒｅｓｗｉｈｈｇｎｔｒｅｖｍｎｈｒｃｅ．Ｓｍｕａｉｎｒｓｌｎｉａｅｈｔｔｅａｇｒｔｍｏｌｅｅｔｓｌｖｎａｇｔｔｉｈｅｃｅｃ．ｉｆｉｎｙＫｅｗｏｄ：ＩｆａｅｉｇｓｑｅｃｓＳｌａｇｔｅｅｔｏ；Ｍｏｐｏｏｉｆｌｒｎ；ＩｇｐｅｒｃｓｉｇＩｇｙｒｓｎｒｒｄｍａｅｅｕｎｅ；ｍａｌｒｅｄｔｃｉｎｔｒｈｌｇｃｉｔｉｇｍａｅｒｐｏｅｓｎ；ｍａｅｅｓｇｎａｉｎＮｅｇｂｒｎｅｏｅｄｃｅｍｅｔｔ；ｉｈｏｉｇｒｇｉｎｖｒｉｔｏ

《红外弱小目标识别与追踪算法研究》范文

《红外弱小目标识别与追踪算法研究》篇一一、引言随着红外技术的不断发展，红外成像系统在军事、安全、监控等领域得到了广泛应用。

然而，由于红外图像中目标通常呈现弱小特征，如信噪比低、对比度差等，使得红外弱小目标的识别与追踪成为一项具有挑战性的任务。

本文旨在研究红外弱小目标的识别与追踪算法，以提高红外图像中目标的检测和跟踪精度。

二、红外弱小目标的特点红外弱小目标在图像中通常表现为低亮度、小尺寸、信噪比低等特点。

这些特点使得传统目标检测与追踪算法在处理红外图像时面临诸多困难。

此外，由于目标运动的不确定性、背景的复杂性以及各种干扰因素的影响，使得红外弱小目标的识别与追踪更加复杂。

三、红外弱小目标识别算法研究针对红外弱小目标的识别问题，本文提出了一种基于多尺度特征融合的识别算法。

该算法通过融合不同尺度的特征信息，提高目标的表征能力，从而增强对弱小目标的识别效果。

具体而言，该算法首先利用多尺度卷积神经网络提取目标的多尺度特征；然后，通过特征融合技术将不同尺度的特征信息进行融合，形成更加丰富的目标表征；最后，利用分类器对融合后的特征进行分类，实现目标的识别。

四、红外弱小目标追踪算法研究在红外弱小目标的追踪方面，本文提出了一种基于区域协同的追踪算法。

该算法通过将目标区域与周围背景区域进行协同分析，提高对目标的跟踪精度。

具体而言，该算法首先利用红外图像中的局部信息，对目标区域进行初步定位；然后，通过分析目标区域与周围背景区域的关系，实现目标的精确跟踪；最后，利用卡尔曼滤波器对目标轨迹进行平滑处理，提高跟踪的稳定性。

五、实验与分析为了验证本文提出的红外弱小目标识别与追踪算法的有效性，我们进行了大量实验。

实验结果表明，基于多尺度特征融合的识别算法能够有效提高对红外弱小目标的识别率；而基于区域协同的追踪算法则能够在复杂背景下实现对目标的精确跟踪。

此外，我们还对两种算法的性能进行了比较和分析，结果表明本文提出的算法在识别与追踪精度、鲁棒性等方面均具有较好的性能。

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。

红外图像序列小目标的特性分析与检测

ｔｃｉｎＡｅｈｄｏｅｅｔｏｓｎｈｐｈｔｏｅａｏｆｍｏｐｏｏｙｉｐｏｏｅ．Ｉｓｍａｎｅｔ．ｏｍｔｏｆｄｔｃｉｎｕｉｇｔｅＴｏ — ａｐｒｔｒｏｒｈｌｇｓｒｐｓｄｔｉｐｏｅｕｅｒｉｅｉｇｔｅｉｆａｅａｅｓｑｅｃｓｎｈｎｄｔｃｉｇｔｅｔｒｅｓｄｐｎｉｇｏｒｃｄｒｓａｅｆｔｒｎｈｎｒｒｄｉｇｅｕｎｅ，ａｄｔｅｅｅｔｎｈａｇｔｅｅｄｎｎｌｍｔｅｃｎｉｕｔｆｈｖｍｅｔｏｈａｇｔ．Ｓｍｅｆａｕｅｆｅｅｔｄｔｒｅｒｎｌｚｄｈｏｔｎｉｙｏｅｍｏｅｎｆｅｔｒｅｓｏｅｔｒｓｏｔｃｅａｇｔａｅａａｙｅ．Ｔｈｔｔｄｅｅｆｃｆｈｅｅｔｎｍｅｈｄｉｖｒｆｅｙｔｅｒｓｌｓｏｘｅｉｅｔ．Ｔｈｈｒｃｅｉｔｃｆｔｅｆｅｔｏｅｄｔｃｉｔｏｓｅｉｉｄｂｈｅｕｔｆｅｐｒｔｏｍｎｓｅｃａａｔｒｓｉｓｏｈｇａｎｅｔｏｄｏｍａｌａｇｔｉｎｒｒｄｉａｅｓｑｅｃｓａｅａｓｏｎｒｙａｄｃｎｒｉｆｓｌｔｒｅｎｉｆａｅｇｅｕｎｅｒｌｏｆｕｄ，ｗｈｃｓｓｇｉｃｎｍｉｈｉｉｎｆａｔｉ
ｏｅａｏｐｒｔｒ
收稿日期：０１７１ｌ修订日期：０１∞ 一２２０— —２＇０２０－Ｏ基金项目：防科拄大学Ａ国ＴＲ重点实验室基金资助课题（ｏＳ３２１Ｊ０ｌ）ｏＪ９．．Ｗ５Ｓ作者俺介：巍（９１）男．北黄石市人，士研究生，吴１７一，湖博主要从事图像处理、目标检测与识别等工作．表论文２篇发

基于图像融合技术的红外小目标检测

硕士研究生学位论文新疆大学论文题目(中文)：基于图像融合技术的红外小目标检测论文题目(外文)：Infrared Small Target Detection Basedon Image Fusion Technology 研究生姓名：张国峰学科、专业：工学、信息与通信工程研究方向：目标检测与跟踪导师姓名职称：艾斯卡尔·艾木都拉教授论文答辩日期2019年6月3日学位授予日期2019年6月15日摘要红外小目标的捕获与跟踪在红外精确制导、遥感、空间探测和航空导航等领域有着广泛的应用。

然而，应用环境有时会迫使我们将成像系统与目标保持一定的距离，从而导致在摄像机的视野中出现较小的目标。

同时，由于红外成像设备的抖动、成像设备的噪声等因素，微弱目标信号被淹没在复杂的背景中。

还有隐身战斗机等向空中辐射的电磁信号越来越微弱，采用反射目标的回波来搜索和定位的雷达等探测设备已不能满足现实的需求。

这些存在的问题致使红外图像序列中微弱小目标检测与跟踪工作变得更加困难和具有挑战性。

红外热成像技术由于良好的隐蔽性能，全天候昼夜成像的特点、机动性好、配置方便，非常有利于搭载在预警和无人机上。

监视系统要是能在早期识别敌方目标，然后锁定目标并跟踪，这样可以给面目标跟踪识别阶段省去检测这一环节而大大延长己方防空系统的反应时间，亦或在面目标阶段二次检测目标，降低检测的虚警概率，并向防空系统发出报警。

因此，设计一种鲁棒的红外小目标检测算法具有重要的现实意义和实用价值。

本文在前人基础上设计出了两种不同的小目标检测算法：分别是量子遗传算法和局部对比增强的小目标检测和基于双边滤波下局部强度与梯度融合的小目标检测。

一种是利用量子遗传算法优化和获取结构元素，针对不同的背景等起伏边缘构造相应的结构元素进行形态学滤波，然后局部对比增强小目标能量，最后采用阈值分隔技术提取小目标。

另一种检测算法在杂波抑制上选用双边滤波技术，目的是考虑空间邻域信息和灰度相似特性，达到降噪去噪保留边缘的目的。

红外小目标检测与跟踪算法研究共3篇

红外小目标检测与跟踪算法研究共3篇红外小目标检测与跟踪算法研究1红外小目标检测与跟踪算法研究红外小目标检测和跟踪是指根据红外图像信息，识别出图像中的小目标，并跟踪其运动轨迹。

这一领域与军事、安防等方面有着重要的应用价值。

针对这一问题，目前已经涌现出了很多相关的研究成果。

红外小目标检测与跟踪技术的研究主要面临着两个关键难题：一是如何从复杂的背景中准确提取出目标；二是如何在目标运动轨迹复杂多变的情况下，实现对目标的快速、准确跟踪。

在红外小目标检测方面，常用的方法主要有基于像素的方法和基于特征的方法。

基于像素的方法是指利用像素的灰度信息进行目标提取，例如常用的背景差分法和帧间差分法。

这些方法简单易于实现，但是对目标和背景的分离要求较高，在存在强烈噪声和变化的情况下效果可能不佳。

相比之下，基于特征的方法则能更好地克服这些问题。

其中，既有基于几何形状特征的方法，如Hough变换、连通区域分析等；也有基于局部纹理、颜色特征的方法，如基于Gabor滤波器、小波变换等方法。

利用人工神经网络可以对进一步的信息抽取，从而提高检测性能。

这些方法对目标的提取效果较好，但是对搜索速度和目标方向变化较快的情况下稳定性还有待进一步提高。

针对红外小目标跟踪问题，目前常用的方法主要有基于模型预测的方法和基于特征匹配的方法。

基于模型预测的方法即通过先验知识，构建出目标的运动模型，再通过运动模型预测目标在下一帧中的位置，从而实现对目标的跟踪。

该方法具有较强的鲁棒性和准确性，但是需要较多的先验知识和手工定义。

基于特征匹配的方法则是利用图像中不同区域之间的共性特征，如颜色、纹理等信息，实现对目标的跟踪。

该方法容易实现，但对目标的选择、特征提取等方面存在较大的挑战。

除此之外，还有一些新兴的算法应用在红外小目标检测和跟踪中，如卷积神经网络（CNN）和深度学习等技术。

这些方法通过检测和跟踪的联合优化，实现了对目标的更加准确和稳定的跟踪。

在将红外小目标检测和跟踪技术广泛应用于实际工程中时，我们需要考虑实际应用中的问题，如复杂场景下的干扰、恶劣的天气条件等。

红外小目标

红外小目标红外小目标是一种能够通过红外线技术来探测和跟踪物体的设备。

红外小目标主要由红外传感器、信号处理器和显示器等组成，可以在夜间和低光环境下实现目标的观测和定位。

红外小目标的应用十分广泛，可以用于军事侦察、消防救援、安防监控、天文观测等领域。

在军事侦察中，红外小目标可以通过探测敌方装备和人员的热辐射来实现目标的远距离监视和跟踪，其隐蔽性和精准性远远超过了传统的光学设备。

在消防救援中，红外小目标可以通过探测火灾现场的热辐射来快速定位和救援被困人员，大大提高了救援效率和成功率。

在安防监控中，红外小目标可以通过探测入侵者的体温来发出警报，并实时监控目标的位置和行动。

红外小目标的原理是利用物体发出的红外辐射来探测目标。

物体的温度越高，红外辐射的强度越大。

红外传感器可以将红外辐射转化为电信号，然后传递给信号处理器进行处理和分析，最后将目标信息显示在显示器上。

信号处理器通常采用数字信号处理技术，可以对红外图像进行增强、滤波和目标识别等处理，从而提高目标的清晰度和识别性能。

红外小目标的优点是具有高灵敏度、大动态范围和快速响应的特点。

由于红外辐射可以穿透烟雾、雾霾等大气污染物，因此红外小目标可以在恶劣环境下工作。

另外，红外小目标还可以实现对多个目标的同时监测和跟踪，具有实时性和高效率的特点。

然而，红外小目标也存在一些局限性。

首先，红外传感器对大气的温度和湿度敏感，环境条件的变化可能会对目标的探测和跟踪产生影响。

其次，由于红外传感器的成本较高，红外小目标的价格也较昂贵，不适合大规模推广应用。

综上所述，红外小目标是一种具有广泛应用前景的技术设备，可以在夜间和低光环境下实现目标的观测和定位。

随着红外技术的不断发展，红外小目标的性能将进一步提高，其在军事、消防、安防等领域的应用也将更加广泛。

红外图像中运动小目标的检测

２３背景复杂．
在实际探测中，小目标总是处于一定的背
景之下，：管探测背景是天空、气背景，大或是地面背景，其红外辐射背景相当强且复杂。此外，背景通常不断变化，一帧图像中的背景是变化的，相邻两帧的背景也是变化的。２４具有～定的运动性．虽然单帧图像不能体现目标的运动信息，
诸如中值滤波等手段来提取目标；３）目标为点源目标，目标与噪声特性相似更增加了检测的难度。但是，低信噪比情况下，目标的运在动图像序列比目标静止时提供更多的信息，使我们有可能利用目标的运动图像序列检测出单帧图像中很难检测出的小目标。由运动目标形成的图像序列一般可分为两种情况：静止背景中的运动目标和运动背景中的运动目标。从目标检测的方法看来，都是采用突出目标或消除
标的检测。１板匹配方法也不能用常规
维普资讯
第４期
（红
外》月刊
７
的图像检测方法｛２）由于背景复杂，不能用
式中，Ｓａｌｉａ指信号，Ｃｕｔ指背景杂波，Ｎｉｇｌｅｔｒｏｅｓ指噪声。在背景杂波有较大起伏时，常规的阐
使用。
卫星遥测、防空预警、确制导等领域。精随着科
学技术的发展，红外探测系统已经从点源探涮系统、线列器件扫描系统发展到凝视焦平面成

《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。

第六章红外小目标检测

数学形态学的基本思想是通过物体和结构元素相互作用的某些运算，得到物体更本质的形态，以达到对图像分析和识别的目的。数学形态学分为二值形态学和灰度形态学两种。基本的运算包括腐蚀、膨胀、开运算和闭运算。腐蚀膨胀开运算闭运算
( fΘg )( x, y ) = min{ f ( x − i, y − j ) − g (−i,− j )}
6.1.2 TBD方法 (track before detect) 在三维空间中对可能的目标轨迹进行跟踪，对每条跟踪的轨迹计算其后验概率函数，若结果超过某一门限，则认定该轨迹代表某一目标，然后对已标记了目标的帧进行空间局部处理，判断是否为真实目标。目前主要方法: (1).三维匹配滤波器方法 (2).动态规划方法 (3).多级假设检验方法 (4).高阶相关方法
A）原始图象
B)滤波结果
基于管道滤波的序列图像中运动小目标的检测在进行多帧处理时采用管道滤波的方法,利用序列图像中目标运动的连续性和轨迹的一致性得到目标的预测运动轨迹,再通过在后续帧中预测轨迹周围一定范围内进行搜索就可以得到目标信号.,管道滤波实际上是一个时空滤波器,他是在序列图像的空间位置上以目标为中心建立的一个空间管道,管道的诗经代表空间的作用尺寸,管道长度代表检测的时间长度. 具体步骤为,对抑制背景后的图象进行扫描,若一个候选点不属于现在有的任何一个管道,则开辟一个新管道;在每一帧图像中判断每一个管道在管径规定的范围内是否存在目标;在规定的检测帧数中计算每个管道目标出现的帧数,根据制定的准则判断真是的目标并确定其位置。在一次检测中管道可以有多条，假设检测时间对应图像的帧数为n，在n 帧图像中同一个管道有m帧检测到目标，则认为此管道中存在目标。在检测算法中，定义管径为10像素，检测帧数为5f，当同一管道中图像序列中有3f检测到目标，则认定为真实目标，否则为虚假。同时为了提高精确度和检测实时性，我们队原始图像先进行数学形态滤波，以减少管道数。

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。

红外序列图像的小目标检测

第２９卷第２期
２１０２年２月
计算机应用与软件
ＣｏｐｔｒＡｐｌｃｔｏｓａｄＳｆｗａｅｍｕｅｐｉａｉｎｎｏｔｒ
Ｖｏ＿９Ｎｏ．ｌ２２
Ｆｂ０１ｅ．２２红外序列图像的小目标检测
霍建亮曾翎王德胜曾军
Ａｓｒｃｂｔａｔ
ＴａｉｏａＴｐｈｔａｏｔｍｉａｃｍｍｎｍｔｏｆａｇｔｅｃｏｏｃｇｉｎｍｌｏｊｔｗｔｅｕａｃａｇｓｉｒｄｔｎｏ —ａｌｒｈｓｏｏｅｄｏｒｅｄｔｔｎｆｒｏｎｓｇｓａｂｃｓｉｒｇｌｈｎｅｎｉｌｇｉｈｔｅｉｒｅｉｌｅｈｒ
Ｓｃｎｌｔｅｍｏｉｅｏ－ａｌｏｔｍｓｕｅｒｄｔｃｉｇｓｌｌｔｒｅｓｉｏｉａｉｎｏｉｇｅｆａｍａｅ，ｎｈｅｅｔｄｏｅｒｅｏｄｙ，ｈｄｆｄＴｐｈｔａｇｒｈｉｓｄｆｅｅｔｍａａｇｔｎｃｍｂｎｔｆｓｌｌｍｅｉｇａｄｔｅｄｔｃｅｎｓａｅｉｉｏｎｏｎｒ
ａｃｒｔｌ，ｅｅｔｎａｇｒｈｆｒｓｌｔｒｅｓｗｔｅｌｒｃａｇｓｉｎｒｅｍａｅｓｑｅｃｓｐｅｅｔｄＦｒｔｔｅＳＦＦａｇｒｈｉｃｕａｅｙａｄｔｃｉｏｔｍｍａｌａｇｔｉｒｇａｈｎｅｎｉｆａｄｉｇｅｕｎｅｉｒｓｎｅ．ｉｓｈＩｏｉｍｓｏｌｉｏｈｕｙｌｔｅｌｙｄｔｘｒｃｈｅｔｒｏｎｓａｄｔｅＲＡＮＡＣａｇｒｔｍｓｕｅｏｍａｃｈｅｔｒｓｔｅａｏａｃｉｇｏｌｅｓｔｈｄｍｐｏｅｏｅｔａｔｔｅｆａｕｅｐｉｔ，ｎｈＳｏｈｉｓｄｔｔｈｔｅｆａｕｅ，ｈｎａｐｎｒｍｉｍａｅｃｕｄｂｔｃｅ．ｌｉｉ

红外小目标检测预处理

红外小目标检测预处理红外小目标检测预处理是红外成像技术中一项非常关键的处理过程。

这个过程被用来处理和准备输入数据，以便在后续处理任务中进行有效分析。

在本文中，我们将分步骤介绍红外小目标检测预处理的过程。

第一步是设定预处理参数。

在这个步骤中，我们需要根据不同的应用场景，设置适当的预处理参数，以达到最好的检测效果。

这些参数包括：背景平滑处理、目标平滑处理、背景平均值、目标平均值、背景标准差以及目标标准差等。

第二步是实施背景估计。

背景估计是指从红外图像中提取背景信息的过程。

这个过程的目标是消除由环境因素引起的噪声和干扰。

在这个步骤中，图像被分成几个固定大小的区域，计算每个区域的平均亮度值和标准差。

通过背景估计，我们可以得到一幅与原始红外图像相同大小并消除背景噪声的图像。

第三步是目标增强。

这个步骤的目的是使目标在图像中更加明显。

目标增强处理可以提高目标的识别度，有助于在后续处理任务中获得更好的检测结果。

目标增强处理方法包括：直方图拉伸、中值滤波、高斯滤波、Wiener滤波等。

第四步是噪声抑制。

噪声抑制的目的是消除来自传感器、电子系统、以及其他环境干扰源可能引起的噪声。

在这个步骤中，我们通常通过热噪声消除和背景噪声消除来降低噪声干扰。

第五步是图像分割。

图像分割是指将原始红外图像分割成不同的区域，以便进行后续的目标检测。

图像分割方法包括：基于阈值的分割、基于纹理的分割、基于边缘的分割等。

红外小目标检测预处理对于红外成像技术的应用非常重要。

只有经过预处理后的红外图像，才能更准确地提取目标信息，并开展后续的处理工作。

在实际应用中，我们需要根据场景的不同，灵活应用预处理技术，以获得最好的红外小目标检测效果。

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。

红外增强算法

红外增强算法
红外增强算法是一种用于提升红外图像质量和增强红外目标信息的技术。

红外图像通常在低光条件下获取，并且与可见光图像相比，其具有较低的对比度和分辨率。

红外增强算法的目标是通过处理和改进红外图像，使得人眼或计算机系统更容易识别和分析其中的目标和细节。

以下是几种常见的红外增强算法：
1. 直方图均衡化：这是最简单和最常用的红外图像增强方法之一。

它通过重新分布图像的灰度级来增强对比度，使得图像中的目标更加突出。

2. 空间滤波：空间滤波算法可以通过对图像进行平滑或增强高频细节来改善图像质量。

其中，常用的滤波器包括中值滤波器、高斯滤波器和锐化滤波器等。

3. 多尺度分解：这种方法利用图像的多个尺度表示来提取和增强不同尺度下的目标信息。

常见的多尺度分解方法包括小波变换和金字塔变换。

4. 基于统计的方法：这些方法利用图像中的统计特征来进行增强处理。

例如，自适应直方图均衡化可以根据图像局部区域的统计信息进行对比度增强，以适应不同区域的灰度分布差异。

5. 图像增强算法的深度学习方法：近年来，深度学习技术在图像增强领域取得了显著的进展。

通过使用深度神经网络，可以学习到图像增强的映射函数，从而实现更加准确和高效的红外图像增强。

这些红外增强算法可以单独应用或者组合使用，以根据具体应用需求提升红外图像的质量和目标识别能力。

值得注意的是，不同的算法适用于不同的图像和应用场景，因此选择适当的算法是十分重要的。

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。