红外小目标的分类背景预测与图像分块技术
复杂环境下红外小目标检测与跟踪技术研究的开题报告
复杂环境下红外小目标检测与跟踪技术研究的开题报告一、研究背景和意义在军事和民用领域中，红外小目标检测和跟踪技术是非常重要的领域。
红外小目标检测和跟踪技术可以应用在战术、情报、空中监视等方面，让相关领域的工作更加有效和高效。
随着技术的不断发展，红外小目标检测和跟踪技术在军事和民用领域中的应用也越来越多。
但是在复杂环境下，这一技术面临着许多挑战。
随着红外技术的发展，现有的红外小目标检测和跟踪技术可以发现在夜间或低光照度环境下的小目标。
但是，在复杂的场景下，此时的任务更加困难。
例如，在雨天或雾天，或者在有许多干扰物的背景下，红外小目标的检测和跟踪也会面临巨大困难。
因此，需要对红外小目标检测和跟踪技术进行研究，以解决这些问题。
二、研究内容和方法1. 研究内容：本文将重点研究如何在复杂环境下，通过红外小目标检测和跟踪技术，来提高其准确率和效果。
具体研究内容包括：（1）研究各类复杂环境下的红外小目标检测与跟踪算法，在复杂环境下实现小目标检测和跟踪任务。
（2）研究各类复杂环境下的干扰物影响红外小目标检测和跟踪的因素，以期在实践中有更好的应用效果。
（3）研究并对比不同的模型在不同复杂场景中的红外小目标检测和跟踪效果，以选出最优的模型，并分析其优劣。
2. 研究方法：（1）文献综述：通过遍历相关研究领域的专业文献，包括学术期刊、学位论文等，掌握当前红外小目标检测和跟踪技术的研究动态与研究进展，对比不同的算法。
（2）实验验证：通过采用实验室、野外、仿真等方式，对比和验证不同模型算法在不同复杂场景下的效果和应用效果，以此为依据推进技术的实际应用效果。
三、预期成果和应用价值预期成果：本文将在复杂环境下研究红外小目标检测和跟踪技术，提高其在实践中的准确率和效果，最终选出最优的算法模型，并验证其应用效果。
应用价值：本研究将推动红外小目标检测和跟踪技术在复杂环境下的发展，提高其在军事或民用领域中的应用效果，并有助于科技人员深入探索未来的应用方向。
红外小目标检测中的背景预处理技术研究
２ ０ 年５ ２ 订收 到 ０６ 月 ９
国 家高 技 术 “ ６ ” 划 项 目 ８３计
（ ０ ３ ７ ５ ９ ） 助 ２ ０ ＡＡ ７ ０ ３ 资
冈为 背景 的空 间具有很 好 的相关 性 ，所 以只取 滤波 窗 口的对 角线像 素进 行 滤波 ， 以达 到减少 运算 量 ， 同 时尽 可能 不降低 估计 效果 的 目的 ，改进后 的二维 中
ｆ ｘ ） （ ＋ （ ） ｎ Ｙ 。 ＜ ， ，）／ ， ＋ （ ， ） 式 中 ：（ ， ） 场 景 图像 ； （ Ｙ 为 目标 点 灰 度 ； ｆ ｘＹ 为 厂 ， ） Ｔ
．
．
厂（ Ｙ 为背 景 图像 ； （ ， ） Ｂ ， ） ｎ ｘ ｙ 为噪 声 图像 。背景 图像
了分 析 和 对 比。 验 结 果 表 明 ， 实 际 应 用 中 ， 根 据 处理 要 求 进 行 合 理 的选 择 。 且 可 以将 这 些 方 法 组 合 起 来 ， 成 多级 处 理 ， 实 在 要 并 形 取得 理 想 的预 处 理 效 果 。
关键 词
预处理
复 杂背 景
小 目标 Ａ
厂 ， ） 常具 有较 长 的相 关 长度 ， Ｂ Ｙ通 （ 占据 了场 景 图像
ｆｘｙ 空 间 频 率 的低 频部 分 Ｂ ｙ 中也 包 含 部 分 （ ，） 厂（，）
高频分 量 ，主要分 布在 背景 图像各个 同质 区的边缘
后的 图像 。 消除 了背景 ， 出了 目标 。即 ： 突 ｗ（ ，）厂 ＿ （ Ｙ ， 中 ，） 目标 和部 ｘ ＿（ ） ｇ ，）其 （ Ｙ 为 ，
～
ｉ ） Ｍ ｄａ ［（ １ １ ＇ ｉ ） ＋ ， １ ］ ， ＝ ｅ ｉｎ ｆｉ ， ） ， ＇ １ ＋ ） 。 一 一 ／ ／ ２２ 自适应 滤波 ．
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。
红外弱小目标图像增强方法的研究的开题报告
红外弱小目标图像增强方法的研究的开题报告一、选题背景和意义近年来，红外成像技术在军事、安防、医疗等领域得到了广泛应用。
红外成像具有无所不透的优势，能够在低光、黑暗、雾霾等环境下进行成像，对于目标的检测、识别具有重要意义。
然而，红外目标一般特征不明显，且信噪比较低，难以直观地观察和分析。
因此，如何对红外图像进行有效的增强，成为研究热点之一。
本文旨在研究红外弱小目标图像增强方法，提高目标检测和识别的准确度，为红外成像技术的应用提供重要支撑。
二、研究内容和目标本文中，我们将研究和探讨现有的红外图像增强方法，并针对其不足之处进行改进，提出一种新的红外弱小目标图像增强方法。
主要研究内容包括：1.分析红外图像的特点，建立红外弱小目标图像的模型。
2.对比现有的红外图像增强方法，分析其优缺点。
3.提出一种新的基于分形多尺度分解的红外弱小目标图像增强方法，并进行实验测试。
4.评估新方法的表现，验证其优越性。
三、研究方法和技术路线本文中将采用实证研究方法，利用MATLAB进行算法实现和实验测试。
具体技术路线如下：1. 收集和预处理红外弱小目标图像数据集，建立红外目标图像的数学模型。
2. 回顾、分析现有的红外图像增强方法，总结其优缺点。
3. 提出一种新的基于分形多尺度分解的红外弱小目标图像增强方法，包括以下步骤:(1)原图像分形多尺度分解；(2)对分解后的子带进行加权平均；(3)对增强结果进行反变换，得到最终增强图像。
4. 对基于分形多尺度分解的红外弱小目标图像增强方法进行实验测试，利用主观和客观评测方法，评估新方法的性能表现。
四、拟解决的问题红外弱小目标图像增强的方法虽然有很多，但大多数方法存在一定的局限和问题，如噪声抑制不足、边缘保留不够、细节信息丢失等。
本文中提出的基于分形多尺度分解的红外弱小目标图像增强方法，将在已有方法的基础上加以改进，重点解决以下问题：1. 提高信噪比，抑制噪声。
2. 保留图像细节信息，同时不破坏目标轮廓。
红外弱小目标检测中的相邻背景预测算法研究
中图分类号 ：Ｔ ９ ７ Ｎ １．３ １
文 献标 志码 ：Ａ
来预 测 ， 即 它跟 周 围 的 某 些 点 是 属 于 同 一背 景 的 。
０ 引言
红 外 图 像 中弱 小 目标 的 检 测 在 现 代 化 军 事 中起 着 重 要 的 作 用 。当 目标 距 离 红 外 探 测 器 较 远 时 ，目标 在 图 像 中 只 占 几 个 象 素 的 面 积 ，表 现 为 点 状 或 斑 点 状 。由于 象 素 少 ，小 目
３ （ ｌ ２ ３ ｌ ， ， ， ２ 马 ｌ ， ＝ｆ Ｂ １ ， ， ， ３ ， ２ ４Ｂ ５ ， ， ２
， ， 。 ， ， ， ， ，， ， ：， ， ， ，
的预测 值会导致错误的预测 ， 而使 该处的残差值很大从而 从
造成虚 警。 于上述考虑， 基 在估计 出目标区域背景像 素值 后， 并不能直接选用这些像素值作 为背景 的预测 值， 还要进一步
Hale Waihona Puke 确 ，尤其是当 目标处在 复杂 背景区域 时更是如此 。 了解决 为
这个 问题， 本文针对 小 目标检测提 出了一种新 的背景预测方
法 — — 相邻 背 景 预 测 方 法 。
＝
㈤
其中 为 Ｑ（ ， ， ， ， ， ： ， ） ， ： ， 的最终 ，
预测值 。以 代替属于 暗背景边缘 的背 景像素可 以有效
２相 邻 背景预 测方 法
实际 目标呈 现在 红外 图像上 的过程可 以等价为 一个点 源通过一个凸镜的过程。 因此 点 目标在红外 图像上将呈现为
个 斑 点 的 形 状 。 目标 的形 状 特 征 将 成 为 其 区 别 于 背 景 噪 点 声 的 重要 特 征之 一 ， 如 图 １ 示 ： 所
《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、引言随着红外技术的不断发展，红外小目标检测与跟踪在军事、安全监控和智能交通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小目标通常具有尺寸小、亮度低、动态性强等特点，导致其检测与跟踪面临极大的挑战。
因此，研究复杂背景条件下的红外小目标检测与跟踪算法，对于提高红外成像系统的性能和增强目标识别能力具有重要意义。
二、红外小目标检测算法研究2.1 背景抑制与预处理在复杂背景下，通过采用适当的背景抑制算法可以有效地去除噪声干扰和杂波影响，为后续的检测与跟踪提供可靠的图像信息。
常见的背景抑制方法包括空间滤波、时间滤波等。
预处理阶段还包括图像灰度化、直方图均衡化等操作，以增强目标的对比度和清晰度。
2.2 目标检测算法针对红外小目标的特性，常用的检测算法包括基于形态学的方法、基于边缘检测的方法和基于区域生长的方法等。
其中，基于形态学的方法可以有效地提取出目标的形状特征；基于边缘检测的方法可以准确地检测出目标的边缘信息；而基于区域生长的方法则可以自动识别并提取出感兴趣的区域。
在实际应用中，根据不同的场景和需求选择合适的检测算法是关键。
三、红外小目标跟踪算法研究3.1 特征提取与表示在红外小目标跟踪过程中，提取目标的特征信息是实现准确跟踪的关键。
常用的特征包括颜色特征、形状特征和纹理特征等。
此外，为了适应目标的动态变化，还需要对特征进行实时更新和优化。
3.2 跟踪算法选择与实现针对红外小目标的特性，常用的跟踪算法包括基于滤波的方法、基于相关性的方法和基于机器学习的方法等。
其中，基于滤波的方法如卡尔曼滤波器可以有效地估计目标的运动轨迹；基于相关性的方法如均值漂移算法可以快速地找到目标的位置；而基于机器学习的方法如支持向量机、神经网络等则可以自动学习和识别目标的特征信息。
在实际应用中，根据具体需求和场景选择合适的跟踪算法是关键。
四、算法性能评估与优化4.1 评估指标与方法为了评估红外小目标检测与跟踪算法的性能，需要采用合适的评估指标和方法。
《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、引言随着红外技术的不断发展，红外小目标检测与跟踪技术在军事、安防、交通等领域的应用越来越广泛。
然而，在复杂背景条件下，红外小目标的检测与跟踪仍然面临诸多挑战。
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，以提高红外系统的性能和准确性。
二、研究背景及意义红外小目标检测与跟踪是红外系统的重要应用之一，其核心在于从复杂的背景中提取出目标，并实现目标的稳定跟踪。
然而，在实际应用中，由于背景的复杂性、目标的微弱性、噪声的干扰等因素，红外小目标的检测与跟踪仍然存在许多问题。
因此，研究复杂背景条件下的红外小目标检测与跟踪算法具有重要意义。
三、算法研究（一）红外小目标检测算法针对复杂背景条件下的红外小目标检测，本文提出了一种基于动态阈值和形态学滤波的检测算法。
该算法首先通过动态阈值对红外图像进行二值化处理，以去除背景噪声和干扰。
然后，利用形态学滤波对二值化图像进行形态学处理，以提取出目标。
最后，通过连通域分析对目标进行聚类，实现目标的检测。
（二）红外小目标跟踪算法在红外小目标跟踪方面，本文采用了一种基于卡尔曼滤波和均值漂移的跟踪算法。
该算法首先通过卡尔曼滤波对目标进行预测，然后利用均值漂移算法对目标进行定位。
在跟踪过程中，通过不断更新目标和背景模型，实现目标的稳定跟踪。
四、实验与分析为了验证本文提出的算法的有效性，我们进行了大量的实验。
实验结果表明，在复杂背景条件下，本文提出的基于动态阈值和形态学滤波的检测算法能够有效地提取出红外小目标。
同时，基于卡尔曼滤波和均值漂移的跟踪算法能够实现目标的稳定跟踪，具有较高的准确性和鲁棒性。
五、结论本文研究了复杂背景条件下的红外小目标检测与跟踪算法，提出了一种基于动态阈值和形态学滤波的检测算法以及一种基于卡尔曼滤波和均值漂移的跟踪算法。
实验结果表明，本文提出的算法能够有效地提取出红外小目标，并实现目标的稳定跟踪。
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。
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。
红外检测算法
红外检测算法主要是通过分析红外图像来检测和识别目标物体。
常用的红外检测算法包括以下几种：
1. 背景差分法：该方法是通过对背景图像和当前图像进行差分，提取出运动目标。
该方法对于静态目标和缓慢运动目标效果较好。
2. 基于阈值的方法：该方法是通过设定一个阈值，将图像分为目标和背景两部分。
该方法简单易行，但对于光照变化较大的情况效果不佳。
3. 形态学处理法：该方法是通过形态学处理，如腐蚀、膨胀等操作，去除噪声和小的连通域，保留目标物体。
该方法对于噪声较多的情况效果较好。
4. 目标特征法：该方法是通过提取目标的特征，如形状、纹理、颜色等，进行目标识别和分类。
该方法对于复杂场景和多目标情况效果较好。
5. 神经网络算法：该方法是利用深度学习模型，如卷积神经网络（CNN）、循环神经网络（RNN）等，对红外图像进行训练和分类。
该方法对于复杂场景和多目标情况效果较好，但需要大量的训练数据和计算资源。
以上是常用的红外检测算法，具体算法的选择应根据实际应用场景和需求进行选择。
基于区域背景预测的红外小目标检测
基于区域背景预测的红外小目标检测摘要:提出了一种基于变化区域的背景预测算法,用于红外弱小目标检测,来减小背景起伏对背景预测的影响,达到提高弱小目标检测性能的目的。
实验结果表明该算法抗噪能力强,能检测出强对比度云层的空中背景中的红外小目标,是背景预测算法的一个重要扩展。
通过实际红外图像的实验表明,算法是有效的,具有很好的提取能力。
关键词:背景预测弱小目标目标检测引言实际应用中,红外成像都对应某种背景,可将成像背景分为地面背景、天空背景、海天背景以及太空背景,各种背景在通常情况下均可能存在各种干扰。
在天空背景下,干扰主要是天空中的云层杂波等,即所谓的“背景起伏”。
当目标距离红外探测器较远时,目标往往呈现为点或斑点状,面积小、形态特征弱,细节特征大部分丧失,只有灰度信息,因此对红外弱小目标的检测是比较困难的。
为了检测红外图像中的弱小目标,人们从背景出发提出基于背景预测的红外弱小目标的检测方法,这一方法具有较好的检测性能和易实现性等优点,但是当背景起伏较大时,这一算法的检测性能就会受到影响。
因此本文针对这个问题,提出了“变化区域的局部背景预测的检测方法”,来减小背景起伏对背景预测的影响,使基于背景预测的红外弱小目标的检测方法的检测性能大大提高。
1 空中红外目标、背景的特性分析本文研究对象为远距离的空中目标,它主要包括飞机和飞行器。
此时目标在红外图像上呈现为一个小弱亮点或亮团,边缘模糊,只在其邻域内存在较高的对比度和信噪比。
天空与大部分云层构成了天空背景下的红外图像的主体,一般情况下它们的温度较低、亮度弱,有时也有较亮的云团,但其内部分布较为均匀,通常也将云层杂波的大部分归为背景,占据了红外图像的低频部分,但有时云层边缘起伏比较剧烈往往属于高频区域,容易给检测带来干扰,产生虚假目标,提高了虚警概率。
噪声主要与成像系统内部有关,其中主要是探测器产生的噪声,在图像中噪声之间在同一帧内和帧间没有相关性,表现为孤立点,其与背景也往往不相关,但是在单帧内可能与小目标有相似的特征,如高频,较小等。
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。
一种基于背景预测的红外弱小目标检测方法
目前 ，围绕背景 预测 的红外 弱 小 目标 检测技 术得
到 了很 大 的发展 。主 要包 括基本 背 景预测法 【、 自适 ｌ Ｊ
１ 红 外 弱 小 目标 图像 特 性 分析
Ｆｉ ａｌ ａｇｅｓａ ｅ ｄ ｔｃ ｅ ｏ ｇ ｌｍｉ ａ ｉ ｇ ｂａ ｋ ｒ ｕ ｄ． ｎｌ ｔ ｙ ｒ ｔ ｅ ｅ ｔｄ ｔ ｕ ｈ ｅｉ ｎ ｔｎ ｃ ｇ ｏ ｎ Ｅｘｐ ｒｍｅ ｔｌｒ ｓ ｔ ｎｄ ｃ ｔ ａ ｈ ｌ ｒｔ ｍ ｒ ｈｒ ｅ ｉ ｎ ａ ｅ ｕｌｓｉ ｉａ ｅｔ ｔｔ ｅ ａｇｏ ｈ ｈ ｉ ｐ ｒｏ ｍ ｓｂ ｔｅ ｎｉ ｈ ｂｔｎｇｆ ｌｅ ａａ ｍ ａ ｅ ｙ ｔ ｅｃ ｏ ｄ ｅ． ｅ ｆ ｒ ｅｔ ｒｉ ｎ ｉ ｉ ｉ ａ ｓ ｌｒ ｃ ｕｓ ｄ ｂ ｈ ｌ ｕｄｅ ｇ
Ａｂｓ ｒ ｃ ． Ａ ｏｖ ｌ ｔ ｏ ｏ ｄ ｔｃ ｅ ａ ａ ｎｄ ｓ ｌ ｉ ｆａ ｅ ａ ｇ ｔ ｓｐ ｏ ｏｓ ｄ ｉ ｈｉ ａ ｅ ， ｉｈ ｔａ ｔ ｎ ｅ ｈ ｄ ｔ ｅ ｅ ｔａ ｒ ｌｗｅ ｋ ａ ｍａ ｌ ｎ ｒ ｄ ｔｒ ｅ ｓｉ ｒ ｐ ｅ ｎ ｔ ｓｐ ｐ ｒ ｗｈ ｃ ｍｅ ｉ ｒ ａｍｓｔ ｍｐ ｏ ｅ ｔ ｅｐ ｅ ｉｔｏ ｃ ｕ ａ ｙ ｏｆｃ ｍｐ ｉ ａｅ ａ ｋｇ ｏ ｎ ｄ ｄ ｃ ｅ ｓ ｈ ａ ｓ ｌｒ ｐ ｏ ａ ｉ ｔ ｉ ｏ ｉ ｒ ｖ ｈ ｒ ｄ ｃｉ ｎ ａ ｃ ｒ ｃ ｏ ｌｃ ｔ ｄ ｂ ｃ ｒ ｕ ｄ ａ ｅ ｒ ａ ｅｔ ｅ ｆ ｌｅ ａ ａ ｍ ｒ ｂ ｂ ｌ ｙ ｎ ｉ ｃ ｕ ｅ ｈｅ ｃｏｕ ｄ ． ｇ ｉ ｔ ｒ ｒ ｄ ｃ ｅ ｔ ｅ ｄ ｓｒｂ ｔｏｎ ｏｆｂ ｇ ｔａ ｄ ｄ ｍ ｏ ｎ ｓ ｉ ｅｒ ａ ｓ ｄ ｂｙ ｔ ｌ ｄ ｅ ｇｅ Ｅｄ ｅ ｐｏ ｎ ｓａ ｅ ｐ ｅ ｉ ｔｄ ｗｉ ｔ ｉｔ ｕ ｉ ｒ ｈ ｈｈ ｉ ｉ ｎ ｉ ｐ ｉ ｔ ｎ ｔ ｉ ｈ
- 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)。
Ａｂ ｔ ａ ｔ Ｔ ｅ ｐ ｐ ｒｐ ｅ ｅ ｔ ａ ｆ ｃｅ ｔ ａｇ ｒ ｈ ｔ ｅｅ ｔｓ ｌ ｉｆａｅ ａ ｇ ｔｂ ｓ ｄ ｏ ｈ ｒｎ ｉ ｌ ｆｂ ｃ － ｓ ｒ ｃ ： ｈ ａ ｅ ｒ ｓ ｎ ｓ ｎ ｅ ｉｎ ｌ ｏ ｔ ｍ ｏ ｄ ｔｃ ｍａｌ ｎ ｒ ｒｄ ｔ ｅ ａ ｅ ｎ ｔ ｅ ｐ ｃｐ ｅ ｏ ａ ｋ ｉ ｉ ｒ ｉ ｇ ｏ ｎ ｒ ｄ ｃｉｎ ａ ｄ ｉ ｇ ｌｃ ｉｇ ａ ｃ ｒ ｉ ｇ ｔ ｈ ｅ ｔ ｒ ｆｓ ｌ Ｉ ｔ ｇ ｔｉ ｏ ｌｘ ｂ ｃ ｇｏ ｎ ． ｉ ｇ ｔ ｅ ｒ ｕ ｄ ｐ ｅ ｉ ｔ ｎ ｍａ ｅ ｂｏ ｋ ｎ ｃ ｏ ｄ ｎ ｔ ｅ ｆａ ｕ ｅ ｏ ｍａｌ Ｒ ａ ｅ ｎ ａ ｃ ｍｐ ｅ ａ ｋ ｒ ｕ ｄ Ｕｓｎ ｈ ｏ ｏ ｒ ｅ ｇ ｅｅ ｔ ｎ， ｘ ｍｕ ｍｅ ｎ ａ ｇ ｒｔ ｍ ｎ ａ ｔ ｉ ｌｒｍｅｈ ｄ ，ｈ ｓａ ｐ ｏ ｃ ａ ｂａ ｎ ｒ ｃ ｕ ａ ｅｂ ｃ ・ ｄ ｅ ｄ ｔ ｃｉ ｍａ ｉ ｍ ａ ｌｏ ｈ ａ ｄ ｐ ｒ ａ ｓ ｏ ｉ ｉ ｌ ｍｉ ｔ ｏ ｓ ｔ ｉ ｐ ｒ ａ ｈ Ｃ ｌ ｏ ｔｉ ｓａ ｍｏ ｅ ａ ｃ ｒｔ ａ ｋ ａ ｌ ｇ ｏ ｎ ． ｉ ｅａ ｏ ｔ ｎ ｏ ｅ ｓ ｔ ｔ ａ ｅ ｍｅ ｔｔ ｎ ｍｅｈ ｄ ｔｅ ｐ ｐ ｓ ｄ ｍｅｈ ｄ ｃ ｎ ｏ ｔｉ ｒ ｃ ｕ ａｅ ｐ ｓ— ｒ ｕ ｄ Ｗ ｔ ｔ ｄ ｐ ｉ ｆ ｈ ｔ ｉ ｉｌ ｓ ｇ ｎ ａ ｉ ｔ ｏ ，ｈ ｒ ｏ ｅ ｔｏ ａ ｂ ａｎ ａ ｍｏｅ ａ ｃ ｒ ｔ ｉ ｈｈ ｏ ｔ ａ ｓｃ ｏ ｏ ｏ
第４ ２卷 第 ５期
２１ ０ ２年 ５月
激 光 与 红 外
ＬＡＳ ＥＲ ＆ Ｉ ＮＦＲＡＲＥＤ
Ｖｏ ． １４２， ． Ｎｏ ５ Ｍａ ２ ２ ｙ， ０１
文章编号： ０ － ７ （０２０ － ７－ １ １ ０ ８２ １）５ ５２０ ０ ５ ０ ７
・图像 与信 号处 理 ・
原始图像与背景图像的差值构成残差图像 ， ： 即
Ｅ（ ｎ ＝Ｘ（ ｎ ｍ， ） ｍ， ）一Ｙ ｍ， ） （ ｎ ｍ ＝ ， ， 一１ ｎ＝ ， ， ０… ； ０ … Ｎ一１ （） ２
式 中 ， ｍ， ） ｍ＝ … ， 一１ ｎ＝０ … ， Ｅ（ ｎ （ ０， Ｍ ； ， Ⅳ一１ 为 ）
中图分类 号 ： Ｐ ５ Ｔ７１ 文献 标识码 ： Ａ Ｄ ：０ ３ ６ ／．ｓｎ １ ０ － ７ ．０ ２ ０ ．２ ＯＩ １ ． ９ ９ ｊｉ ．０ １ ０ ８ ２ １ ． ５ ０ １ ｓ ５
Ｓ ａ ｌＩ ｔ ｒ ｅ ｅ ｅ ｔｏ ｌ ｏ ｉｈ ａ ｅ ｎ ｃ ａ ｓｆｅ ｍ ｌ Ｒ ａ ｇ ｔｄ ｔ ｃ ｉ ｎ ａ ｇ ｒｔ ｍ ｂ ｓ ｄ ｏ ｌ ｓ ｉ ｄ ｉ ｂ ｃ ｒ ｕ ｄ ｐ ｅ ｉ ｔｏ ｎ ｍ ａ ｅ ｂ ｏ ｋ ｎ ａ ｋｇ ｏ ｎ ｒ ｄ ｃ ｉ ｎ ａ ｄ ｉ ｇ ｌ ｃ ｉ ｇ
残差 图像 的像素 点 ， 即原 始输 入 图像 中像 素 点 与 背 景预测 输 出 的背 景 图像 中 的像 素 点 的灰 度 值 的差 。 背景 预测 的最佳 结果 也就是 获得 噪声 最小 的残差 图 像 ， 而便 于更进 一 步 的检 测 和跟踪 。 从
３ 图像分 块与分 类 背景预 测
ＧＵＯ ａ ｇ ｔ Ｚｈ ｎ ・ｉ ＸＩ Ｙｕ ｈ ｎ ｎｇ， Ｎ ｎ— ｏ ｇ
（ ｏｅｅｏ ｈｓ ｓａｄＩ ｏｍ ｔ ｎＴ ｃｎｌｇ ，ｈａ ｘ Ｎ ｒ ａ Ｕ ｉ ｒ ｔ， ｉ ｎ７０ ６ Ｃ ｉａ Ｃ ｌｇ ｆ ｙｉ ｎ ｎ ｒ ａｉ ｅｈ ｏ ｙＳ ａｎ ｉ ｏｍ ｌ ｎｖ ｓｙ Ｘ １０２，ｈｎ ） ｌ Ｐ ｃ ｆ ｏ ｏ ｅｉ ａ
基金项 目： 国家 自然科学专项基金项 目／ 科学仪器基础研究专款 （ ｏ２ ９ ７０ ） 陕西 省 自然科学基金项 目（ ｏ ２０ Ｆ ７ ； Ｎ ．０ ２ ０ １ ； Ｎ ．０６ ４ ） 陕西师范 大学优 秀科技预研基金项 目（ ｏ２０ ２ ０ ） Ｎ ．０ ９ ０６ 资助。 作者简介 ： 郭张婷 （９ ６一） 女 ， １８ ， 硕士研 究生 ， 主要研究 方 向为 目标跟踪及 图像处理 。Ｅ ｍ ｉ：ｎｅｔ ｇ０ ＠ｙｈｏ ｃｒ ｃ － ａ ａｇｌｎＯ ２ ａ ｏ．ｏ ． ｎ ｌ ｉ ｎ 收 稿 日期 ：０ １Ｄ ８ 修 订 日期 ：０ １１ －１ ２ １ 一９ ； ２ １ －１２
红外 小 目标 的分类 背 景 预测 与 图像 分块 技 术
郭张婷 ， 云宏 辛
（ 陕西师范大学物理学与信息技术学 院， 陕西 西安 ７０ ６ ） １０ ２
摘
要： 基于 复杂天 空背 景下红 外小 目标 的特 性分析 ， 出了一种利用 分 类背景 预测 与 图像 分 提
块技术进行红外小 目标检测的有效算法。该算法以背景预测理论为基础， 通过边缘检测技术、
在天 空 背景 下 ， 外 视频 序 列 的背 景 以 大 片不 红
缘背景 ， 同时利用了图像的帧间相关性信息 ， 从而有 效 地提 高检 测效率 ， 降低 计算 复杂 度 。
２ 背 景预测 算法 图像 背 景预测 的基 本思想 是通 过对 被估计 像 素
ｃ ｍｐ ｔｒｓｍｕ ａｉ ｎ ｈ ｗ ａ ｈ ｒ ｓ ｎ ｅ ｇ ｒ ｈ ｈ ｓｍｏ ｅ ａ ｖ ｎ ａ ｅ ｎ ｔ ｅ ｄ ｔｃｉｎ ａ ｃ ｒｃ ｒ ｂ ｓｎ ｓ ， ｎ ｏ ｕｅ ｉ ｌ ｔ ｓｓ ｏ ｔ ｔ ｅ ｐ ｅ ｅ ｔ ｄ ａ ｏ ｉ ｍ ａ ｒ ｄ ａ ｔ ｓｉ ｅｅ ｔ ｃ ｕ ａ ｙ，ｏ ｕ ｔｅ ｓ ａ ｄ ｏ ｈ ｔ ｌ ｔ ｇ ｈ ｏ ｃ ｃ ｌｔ ｎ ｅ ｃ ｅ ｃ ． ｌ ａ ｕ ａｉ ｆ ｉｎ ｙ ｏ ｉ Ｋｅ ｒ ｓ：ｍａｌ Ｒ ｔ ｇ ｔ ｅ ｇ ｅｅ ｔ ｎ；ｍａ ｅ ｂｏ ｋ； ａ ｋ ｒｕ ｄ ｐ ｄｃ ｉｎ ｙ ｗｏ ｄ ｓ ｌ ａ ｅ ； ｄ ｅ ｄ ｔｃｉ ｉ ｇ ｌ Ｉ ｒ ｏ ｃ ｂ ｃ ｇｏ ｎ ｒ ｉｔ ｅ ｏ
１ 引 言
态 学 的方法 基 于多 级 滤波 的方法 以及 简 单 、 积小 、 体 质量 轻、 抗干 扰 能力 强 等 优 点 ， 目前 已 广 泛 地 应 用 在 遥
波变换 的 方 法 等 。这 些 方 法 ， 不 同程 度 上 ， 在 都 取 得 了一些 积极效 果 。然而 ， 在小 目标 情况 下 ， 由于 目标 图像所 占像 素非 常小 ， 大部 分是 背景 图像 ， 绝 因 而从 背景 出 发 进 行 目标 的 检 测 与 跟 踪 显 得 更 为 合
本 文针对 红外 小 目标 没有 可靠 的形 状 、 构 、 结 纹 理 等信 息 ， 运动 较 为 缓慢 ， 动 性 差 等 特点 ， 出 且 机 提 了一种 基于 分类背 景预 测与 图像分 块技 术 的红 外小 目标检 测算 法 。该 方 法 在 传 统背 景 预 测 的基 础 上 ， 引人 图像分 块机制 ， 将 图像 背 景分 类 为 静 态 与边 并
进行 了大量的研究 ， 取得 了许多重要成果 ， 其中代表
性 的方 法有 ： 于 背 景 预 测 的方 法 ｕ 、 于 数 学 形 基 基 Ｊ
激 光 与红 外
Ｎ ． ２ １ ｏ５ ０ ２
郭张婷等
红外小 目标 的分类背 景预测 与图像分块技术
５３ ７
理 ， 也使 得背景 预测 算法 由于其 在抑 制背 景 ， 强 这 增 目标 等方 面 的显 著成 效而被 大家 广泛 关注 。 当前 ， 普遍 采用 的背景 预测算 法 主要有 ： 固定 权 值背 景预测 算法 Ｊ 自适 应权 值 背 景 预测 算 法 和 ， 区域 背景 预测算 法 三 大 类 。其 中 ， 固定权 值 背 景
ｔ ｎ ｏ ｒ ｅ ｒｍ ｈ ｅ ｉｕ ｍａ ｅ ． ｎ ｔ ｅ ｐ ｃ ｓ ， ｅ ｉ ｇ ｌｃ ｅ ｈ ｉｕ ｓｕ ｅ ｏ ｉ ｒ ｖ ｈ ｆ ｃｅ ｃ ｆ ｉ ｆｔ ｇ ｔ ｏ ｔ ｅ ｒｓｄ ａ ｉ ｇ ｓ Ｉ ｒ ｅ ｓ ｔ ｍａ ｅ ｂｏ ｋ ｔｃ ｎ ｑ ｅ ｉ ｓ ｄ ｔ ｍｐ ｅ ｔ ｅ ｅ ｉ ｎ ｙ ｏ ｏ ａ ｆ ｌ ｈ ｏ ｈ ｏ ｉ ｔ ｅ ａｇ ｒ ｈ Ｆ ｎ ｌ ｔｒ ｅ ｔｐ ｃ ｅ ｅ ｆ Ｉ ｖｄ ｏ ｗ ｒ ｅｅ ｔｄ ｔ ｅ ｆ ｈ ｅｆ ｒ ａ ｃ ｆ ｔ ｅ ａｇ ｒｔｍ． ｈ ｈ ｏ ｉ ｍ． ｉ ａ ｙ， ｅ ｙ ｉａ ｓ Ｎ ｓ ｏ Ｒ ｉｅ ｅ ｅ ｓ ｌｃｅ ｏ ｖ ｒ ｙ ｔ ｅ ｐ ｒ ｍ ｎ ｅ ｏ ｏ ｈ Ｔ ｅ ｌ ｔ ｌ ｈ ｌ ｉ ｏ ｈ ｌ ｉ
ｙ ｍ， ） （ ｎ ：∑∑Ｗ（，） ｍ — ， ） ＺＩ （ ｚｎ一 ｉ ｝
ｆ． Ｅ ｋ
ｍ＝ … ， 一１ 凡＝ … ， ０， ； ０， Ⅳ一ｌ
（） １
式 中 ， ｍ， ） ｍ＝ ， ， 一１ ｎ＝ … ， Ｘ（ ｎ （ ０ … Ｍ ； ０， Ⅳ一１ 是 ）
大小为 Ｍ ×Ｎ 的 原始 图像 （ 即输 入 图像 ） 的 像 素 中
最 大均值 和局部 最 相似分 类背 景预 测技术 获得 较 为准 确 的 图像 背 景 ， 而 采用 统 计分 割算 法 进 从 残差 图像 中提 取 出较 为精确 的 目标 位置 。其 中， 通过 图像 分块 处 理 ， 高 了算 法计 算 效 率 。 提 最 后 ， 取 了三组具 有代表 性 的红 外序列对 算 法 的性 能进行 了检 验 。实验 结果表 明， 提 出预 选 所 测 算法在 检测 准确 性 、 鲁棒 性 以及计 算效 率上都 具有 明 显的优越 性 。 关键 词 ： 外小 目标 ； 红 边缘 检测 ； 图像 分块 ； 背景 预测
仍 然局 限于 背景 中的强 烈 起 伏 。另 外 ， 区域 背景 在 预 测算法 基础 上 ，ｕｏ ． ｅｈａｄ ＳｙｇＤ Ｄ ｓｐｎｅ等人 提 出 了 最 大均值 、 中值 背 景 预 测 算 法 ， 军 提 出 了 区域 徐 最 大化 背景 预测算 法 ， 两类 方法在 去 除背景 、 这 目标