复杂背景下的红外弱小目标检测

论文摘要

论文在对国内外弱小目标检测算法研究的基础上,对复杂背景下的低信噪比红外图像特征进行了全面深入的研究,并提出了几种行之有效的红外弱小目标检测算法。方法之一是针对研究中的复杂背景以及对实时性的要求,提出了一种融合拉普拉斯高通滤波和中值滤波的综合背景抑制算法。首先以高通滤波滤除大部分背景,然后利用中值滤波来平滑图像,滤除干扰噪声,最后再利用自适应阈值分割和相应的判决方法检测出目标;方法之二是运用数学形态学滤波来进行背景抑制的改进,此方法主要是对背景采用双重抑制。即首先选取最佳结构元素,对背景进行初步抑制,再对此结果做差分运算,然后进行第二重背景抑制,最后通过相应的阈值分割和判决方法检测出目标;方法之三是针对红外序列图像,利用目标在序列帧之间具有相关性的特性,采用八邻域检测算法检测出目标的坐标位置。大量的实验结果证明,这几种方法对复杂背景下的红外弱小目标检测很有效,并且准确性高、实时性强。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 课题研究的目的及意义
• 1.2 红外弱小目标检测概述及难点
• 1.3 本论文的主要工作
• 第二章 红外弱小目标的特性分析
• 2.1 红外图像模型
• 2.2 实际图像背景分析
• 2.3 噪声分析
• 2.4 红外弱小目标分析
• 第三章 红外图像背景预处理
• 3.1 图像对比度的增强
• 3.1.1 线性对比度增强
• 3.1.2 非线性对比度增强
• 3.2 几种典型的背景抑制方法
• 3.2.1 概述
• 3.2.2 中值滤波
• 3.2.3 空域高通滤波
• 3.2.4 改进的背景抑制方法
• 3.3 数学形态学背景抑制
• 3.3.1 基本定义
• 3.3.2 结构元素的选择
• 3.4 基于形态学滤波的改进
• 3.4.1 图像差分运算
• 3.4.2 几种改进的形态滤波背景抑制方法
• 第四章 红外图像阈值分割
• 4.1 图像分割算法简介
• 4.2 几种常用的阈值分割方法
• 4.2.1 双峰法
• 4.2.2 迭代分割法
• 4.2.3 最大类间方差分割法
• 4.3 自适应阈值分割算法的研究
• 4.3.1 传统的自适应阈值分割法
• 4.3.2 改进的自适应阈值分割算法
• 第五章 基于目标运动特性的序列检测
• 5.1 基于序列图像检测概述
• 5.2 基于序列图像中目标运动连续性的检测
• 5.2.1 基于综合滤波和阈值分割的目标运动轨迹检测
• 5.2.2 基于背景双抑制和阈值分割的目标运动轨迹检测
• 5.2.3 基于自适应双阈值分割的目标轨迹检测
• 第六章 总结与展望
• 6.1 本文工作总结
• 6.2 对研究工作的展望
• 致谢
• 参考文献
• 研究生在读期间的研究成果