Print

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

    • 相关论文文献

    本文来源: https://www.lw50.cn/article/56d7fc4681d52d7f8cb80b6e.html