弱小點(diǎn)目標(biāo)的檢測(cè).pdf

1、復(fù)雜背景下遠(yuǎn)距離紅外弱小目標(biāo)的檢測(cè)，是紅外搜索與跟蹤系統(tǒng)、精確制導(dǎo)系統(tǒng)、紅外預(yù)警系統(tǒng)、大視場(chǎng)目標(biāo)監(jiān)視系統(tǒng)、衛(wèi)星遙感系統(tǒng)等的一項(xiàng)核心技術(shù)，在軍事領(lǐng)域和民用領(lǐng)域中都有十分廣泛的應(yīng)用。研究低信噪比圖像中小目標(biāo)的實(shí)時(shí)檢測(cè)算法，對(duì)于增大作戰(zhàn)距離和增加反應(yīng)時(shí)間、監(jiān)測(cè)飛機(jī)或船只的運(yùn)行、提高檢測(cè)概率等方面具有重要的意義。 就國(guó)內(nèi)外目前對(duì)弱小點(diǎn)目標(biāo)檢測(cè)的研究而言，主要存在著以下問題: (1) 弱小點(diǎn)目標(biāo)檢測(cè)的首要問題就是圖像預(yù)處理和背景抑

2、制。目前大多數(shù)研究者只采用一種固定的背景抑制方法，或者是空域?yàn)V波或者是頻域?yàn)V波。而針對(duì)復(fù)雜多變的特定背景，尤其是天空背景和海面背景這兩種典型的情況，單一的方法難以同時(shí)滿足檢測(cè)要求。 (2) 空域?yàn)V波方法中，形態(tài)學(xué)是一種被廣泛研究和應(yīng)用的算法。大多論著選用固定結(jié)構(gòu)元素的形態(tài)學(xué)濾波器進(jìn)行濾波。這些濾波器僅僅在所對(duì)應(yīng)的某類圖像模型中具有較好的濾波性能。但通常情況下圖像信號(hào)極為復(fù)雜且處于不斷變化之中。因此固定結(jié)構(gòu)元素的濾波檢測(cè)方法不能很

3、好的檢測(cè)遠(yuǎn)距離紅外弱小目標(biāo)，從而導(dǎo)致漏檢及虛警。 (3) 對(duì)于門限分割，大多數(shù)檢測(cè)技術(shù)采用固定門限。固定門限對(duì)于簡(jiǎn)單、一致背景下的紅外圖像是方便和有效的，但對(duì)于復(fù)雜多變的對(duì)空或海面目標(biāo)檢測(cè)，很有可能目標(biāo)點(diǎn)的灰度值低于統(tǒng)一的固定門限。所以應(yīng)該根據(jù)局部灰度值分布設(shè)定與之相對(duì)的門限，可以應(yīng)用自適應(yīng)門限技術(shù)。而整幅圖像的自適應(yīng)門限技術(shù)又會(huì)帶來巨大的計(jì)算量。 (4) 利用小波變換技術(shù)進(jìn)行圖像處理是近年來的熱點(diǎn)。傳統(tǒng)和經(jīng)典的小波變換

4、方法大多以正交小波為小波基，并且多采用已有的小波,如Harr小波和Daubechies小波等。雖然這些小波基被廣泛應(yīng)用，但針對(duì)復(fù)雜背景下的紅外圖像，缺少適應(yīng)性、線性相位等目標(biāo)檢測(cè)領(lǐng)域需要的特點(diǎn)。 本文對(duì)低信噪比的紅外序列圖像中弱小目標(biāo)檢測(cè)問題，以復(fù)雜背景分別是空域和海域的情況，進(jìn)行了不同的算法研究，具有針對(duì)性強(qiáng)、實(shí)時(shí)性和檢測(cè)概率高的特點(diǎn)，并從單幀檢測(cè)到多幀關(guān)聯(lián)檢測(cè)進(jìn)行了深入、系統(tǒng)的研究，主要研究成果如下： (1) 針對(duì)紅

5、外圖像的復(fù)雜背景，把單幀檢測(cè)問題分為空中點(diǎn)目標(biāo)檢測(cè)和海面點(diǎn)目標(biāo)檢測(cè)兩種情況?？罩悬c(diǎn)目標(biāo)檢測(cè)的難點(diǎn)是大量云層的灰度值接近或高于目標(biāo)點(diǎn)，并且背景受大氣和云層的復(fù)雜多變而波動(dòng)很大。對(duì)此，本論文利用目標(biāo)點(diǎn)和云塊在空間結(jié)構(gòu)上的差異采用空域?yàn)V波技術(shù)——數(shù)學(xué)形態(tài)學(xué)——進(jìn)行背景抑制。海面點(diǎn)目標(biāo)檢測(cè)的難點(diǎn)是波浪延綿起伏，海面雜波和陸地沙丘的強(qiáng)度接近或高于目標(biāo)點(diǎn)。對(duì)此，本文利用目標(biāo)點(diǎn)和海面波浪在頻域分布上的差異采用頻域?yàn)V波技術(shù)——小波變換——進(jìn)行背景抑制。

6、 (2) 針對(duì)空中點(diǎn)目標(biāo)的檢測(cè)，將數(shù)學(xué)形態(tài)學(xué)濾波器與神經(jīng)網(wǎng)絡(luò)相結(jié)合，利用神經(jīng)網(wǎng)絡(luò)優(yōu)化訓(xùn)練形態(tài)學(xué)濾波器的結(jié)構(gòu)元素及形態(tài)學(xué)算法。使形態(tài)學(xué)濾波過程融入特有的智能，以實(shí)現(xiàn)對(duì)復(fù)雜背景條件下的弱小點(diǎn)目標(biāo)的最優(yōu)化處理。同時(shí)，對(duì)單幀濾波的結(jié)果采用固定門限和自適應(yīng)門限相結(jié)合的多次門限分割技術(shù)進(jìn)行圖像分割和目標(biāo)檢測(cè)，以提高檢測(cè)概率和效率。最后，利用神經(jīng)網(wǎng)絡(luò)的非線性學(xué)習(xí)和處理能力，設(shè)計(jì)出基于目標(biāo)點(diǎn)和虛假點(diǎn)之間微弱差別的神經(jīng)網(wǎng)絡(luò)分類器，進(jìn)一步提高檢測(cè)性

7、能。 (3) 針對(duì)海面點(diǎn)目標(biāo)的檢測(cè)，首先研究了淹沒于海面的目標(biāo)特點(diǎn)，并建立了目標(biāo)模型的解析表達(dá)式。然后，將正交小波變換推廣到雙正交小波變換，利用雙正交小波的對(duì)稱性和線性相位等優(yōu)點(diǎn)，再結(jié)合目標(biāo)模型的特點(diǎn)，構(gòu)造出與目標(biāo)相匹配的B-樣條雙正交小波。圖像經(jīng)過雙正交小波變換后，目標(biāo)和海面雜波被分解到不同的子帶上，為圖像分割提供了可能。最后，采用經(jīng)典門限分割方法檢測(cè)到目標(biāo)。 (4) 在單幀檢測(cè)的基礎(chǔ)上，引入檢測(cè)前跟蹤和關(guān)聯(lián)檢測(cè)的思想