论文摘要
序列图像中的运动点目标检测一直是目标检测与识别中的重点和难点。为了解决红外序列图像中弱小目标的检测问题,本文首先根据不同背景类型时域廓线产生的机理,引入图像序列中背景像素、目标像素以及杂波像素的时域统一模型。以此为基础给出了一种基于时域廓线分析的红外弱小目标检测方法。本文算法分为背景抑制和目标脉冲检测两步。背景抑制是整个算法的关键和基础,通过研究像素的时域特性,在原有时域中值滤波的基础上,结合时域形态学滤波对序列图像进行了有效的背景抑制。仿真结果表明噪声及大部分平稳背景几乎完全被检测门限所抑制,只有极少数背景像素、小部分杂波像素和全部目标像素可以通过。有利于下一步的脉冲目标的检测,相对时域中值滤波和空域形态学滤波效果更明显;经过背景抑制后的序列图像,根据目标和背景时域模型,采用时域廓线的包络线作为冲击信号检测的基线,讨论并分析时域廓线偏离包络线的分布特性,通过选择合适的目标检测量度,进而检测出脉冲目标。结果表明该方法能够进一步抑制噪声和杂波,提高了检测性能。理论分析和实验结果表明本文给出的像素时域廓线的弱小目标检测方法,具有对不同背景杂波的广泛适应性,在低信噪比情况下的目标的检测也很有效,抗干扰能力强,有很好的探测性能。
论文目录
摘要ABSTRACT目录第一章 绪论1.1 课题背景及研究意义1.2 红外弱小目标检测研究现状1.3 本文研究内容及结构安排1.3.1 研究内容1.3.2 论文结构第二章 红外图像序列像素时域模型2.1 引言2.2 基于高斯白噪声过程的背景像素时域模型2.3 基于费米(Fermi)函数导数的目标像素时域模型2.4 基于Markov模型的杂波像素时域模型2.5 本文研究图像时域模型分类2.6 本章小结第三章 基于时域形态学滤波的背景抑制预处理3.1 引言3.2 时域中值滤波算法3.3 基于时域的数学形态学滤波和中值滤波预处理3.3.1 数学形态学基础3.3.2 时域形态学滤波与中值滤波相结合的背景估计3.4 试验结果分析3.5 本章小结第四章 云杂波背景下目标的检测4.1 引言4.2 典型的时域目标检测算法4.2.1 红外弱小目标检测两大类算法比较4.2.2 检测前跟踪方法(TBD)的典型检测方法4.3 基于时域廓线分析的目标检测算法4.4 性能分析与实验结果4.5 本章小结第五章 结束语5.1 本文所取得成果5.2 下一步工作致谢参考文献研究成果
相关论文文献
标签:红外图像序列论文; 弱小目标检测论文; 时域廓线论文; 背景抑制论文; 包络线论文;