复杂背景下红外小目标检测算法研究.pptVIP

各位老师大家好，我的研究课题是基于复杂背景下的红外小目标检测算法研究。 以下是我的主要研究内容,首先介绍下红外小目标检测的研究背景以及发展现状，然后对红外小目标图像的特性以及特征进行分析，接着针对红外小目标单帧检测和序列图像检测问题，分别提出了基于图像复杂度的红外小目标单帧检测和基于三维小波变换的红外序列图像检测算法。 红外检测技术在遥感，跟踪，制导等领域都都十分广泛的应用，由于红外弱小目标具有距离远、成像面积小，形状特征微弱，细节特征丢失，信噪比低等特点，因此红外弱小目标的检测技术一直是红外制导系统中的关键技术难题。 目前的红外小目标检测算法可以分为两大类：即先检测后跟踪算法 DBT 和先跟踪后检测算法 TBD ，其中DBT方法的一般步骤是是先按照一定的特征模型对目标进行检测，再多帧确认检测目标。TBD方法的一般步骤是首先根据目标的运动特性，跟踪目标所有可能的轨迹，然后求出每个可能轨迹的后验概率，对目标点做出最终判决。 由于红外成像图像和可见光图像不同，因此，在研究红外小目标的检测问题之前，需要对红外小目标图像的特性进行分析。红外小目标图像，每个像素可以看成由目标，背景，以及噪声的灰度集合。由此我们给出红外小目标图像的数学模型，小目标特点：相对尺寸小，几乎没有形状信息，灰度不一定是整幅图像最高的，但是局部对比度一定是最大的，可用的特征为：局部对比度特征，运动特征以及灰度特征。背景特点：大面积平缓分布，灰度分布比较均匀。噪声：主要包括电路噪声，红外探测器噪声，视场内的背景噪声。噪声的分布具有随机性，并且都可以近似可做高斯白噪声。 基于上面对红外小目标的分析，常见的红外小目标检测算法，都是围绕抑制背景和噪声的思想提出的。下面是常见的红外小目标检测算法对于背景不是很复杂，图像的信噪比较高时，这些方法都能够很好的实现对红外小目标的检测。但是对于复杂背景以及低信噪比图像，这些算法都具有局限性。本文基于图像的复杂度特征，提出了一种基于图像复杂度的检测算法。 下面我从一幅红外图像中分别划分为净空区域，目标区域，云层区域以及云边缘区域四个部分，我将其称为图像的区域复杂度。 图像的信息熵，加权信息熵以及方差加权信息熵，均可以定量表示图像的复杂度。其中加权信息熵和方差加权信息熵分别是与信息熵进行灰度加权和方差加权而得出的。对于弱小目标的检测问题，研究图像整体的复杂度是没有意义的，因此我们有必要对图像分区域进行复杂度的讨论。 然后分别计算四个区域的信息熵，加权信息熵，以及方差加权信息熵的值。从图中我们可以看出。四个区域图像的信息熵值相差很小，而云边缘区域和目标区域的加权信息熵和方差加权信息熵远远大于净空区域和云区域。而方差加权信息熵相比加权信息熵，加大了平缓区域和复杂区域之间的类间距，因此我选择方差加权信息熵的值，来作为图像复杂度的定量表示方法。然而，这种复杂度计算结果虽然符合视觉判断，单不利于小目标的检测。通过对方差加权信息熵的，计算，云边缘区域具有比目标区域更大的复杂度。 为了有效地区分云边缘区域和目标区域，本文在方差加权信息熵的基础上，增加了两个特征模型，来定量地表示图像的复杂度，我将它们分别命名为方向梯度特征和领域对比度特征.右图将红外小目标区域和云边缘区域近似为以下两个模型。从图中可以看出，云边缘的梯度变换有方向性，并且单一方向的梯度值相近，而小目标的梯度分布是发散的，基于小目标和云边缘的以下不同特性，我们分别求取区域内各点的梯度向量，并分别求出两个区域梯度向量的方差。我将它命名为方向梯度特征。很显然，小目标较云边缘有更大的方向梯度特征值。从右图可以看出，对于包含点目标的整个区域内的任意像素都得到同样的特征值，这样将导致最后检测的小目标均为方形区域。为了剔除非目标像素的误判定，我们在前面算法的基础上，对每个区域内的点分别计算它在邻域中的灰度分布大小，并取模运算,将该值作为图像复杂度的权值。我将它定义为领域对比度特征。 通过方差加权信息熵，方向梯度特征以及领域对比度特征融合算法。多特征融合特征提取结果。 通过方差加权信息熵，方向梯度特征以及领域对比度特征融合算法。多特征融合特征提取结果。 通过方差加权信息熵，方向梯度特征以及领域对比度特征融合算法。多特征融合特征提取结果。 实验结果表明，该算法有很好地抑制了背景和噪声，提高了图像的信噪比。 上一章我们的阈值分割算法仅应用于单幅图像，而针对与多帧图像，由于目标的灰度均值的变换在一定范围内，所以分割阈值也不应该有突变，为了避免目标短暂丢失等情况，我们在上一章的分割算法上保留一定裕量K+1，当T k+1 -T k 超过或小于裕量时，我们则认为产生虚警，予以排除。 学生：田维 tw415087321@163.com 指导教师：吴成东教授 陈东岳副教授 研究内容 基于三维小波的