工学硕士学位论文
红外弱小目标检测方法及其性能评估
孙玉宇
哈尔滨工业大学
2007年7月
国内图书分类号：TP751
国际图书分类号：623
工学硕士学位论文
红外弱小目标检测方法及其性能评估
硕士研究生：孙玉宇
导师：张伟 教授
申请学位：工学硕士
学科、专业：光学工程
所在单位：空间光学工程研究中心
答辩日期：2007年7月
授予学位单位：哈尔滨工业大学
Classified Index：TP751
U.D.C：623
Dissertation for the Master Degree in Engineering
THE METHODS
OF DIM TARGET DETECTION AND PERFORMANCE EV ALUATION
Candidate：Sun Yuyu
Supervisor：Prof. Zhang Wei
Academic Degree Applied for：Master of Engineering Specialty：Optical Engineering Affiliation：Research Center of Space
Optical Engineering
Date of Defence：July, 2007
Degree-Conferring-Institution：Harbin Institute of Technology
哈尔滨工业大学工学硕士学位论文
摘要
红外图像中弱小目标的检测问题一直是图像识别领域的研究热点。由于目标在探测器上仅占几个或一个像素，没有形状和结构信息可以利用，一般基于目标结构的检测方法不适用。因而红外弱小目标的检测难度很大。
针对弱小目标和背景的特性，发展了许多检测算法，但由于对各种不同算法在同类背景下表现的性能如何以及在不同背景下其各自的适应程度又如何等问题缺乏一个定量的分析和比较，要克服这些困难就需要研究如何来评估算法。
本文对高斯噪声下低信噪比弱小目标检测算法进行了分析，并对算法检测性能的评估方法展开了研究。
首先以二元假设与极大似然比检验为基础，将虚警概率及检测概率作为检测算法的技术性能指标，找出适合弱小目标的SNR（信噪比）算法和GSNR（广义信噪比）算法。
其次，在单波段检测算法的基础上，研究了多波段SNR和GSNR目标检测算法。
最后，提出以虚警概率和检测概率为性能指标形成的接收机工作特性曲线ROC为性能评价手段，分析了对红外弱小目标检测算法性能进行评估的方法。建立算法检测性能评估框架，以弱小目标的两种检测方法为主要研究对象，通过弱小目标仿真获取测试图像集，对同一目标检测算法的性能进行分析，找出影响算法性能的主要参数，并比较不同算法的检测性能，给出分析比较后的结果，提出了优化设计方案。
关键词目标检测；广义信噪比；性能评估；ROC曲线
- I -
哈尔滨工业大学工学硕士学位论文
Abstract
The detection of small target in infrared image has been the subject of intense investigation in pattern recognition. Normal methods based on the structure of the target are not applicable because there is no information of the shape or the structure as the image of the target is very small in the detector. So the detection of small target is of great difficulty.
There are a lot of algorithms developed to solve this problem. But the question is there is not a method to analyze and compare quantitatively the performances of the methods, in or not in the same background. To solve these problems, the research on the method to evaluate the algorithms is necessary to be carried out.
In this paper, algorithms applicable for the detection of small target in Gaussian noise are researched, and the performances of these algorithms are also evaluated.
First of all, the signal-to-noise ratio (SNR) algorithm and the general signal-to-noise ratio algorithm are presented based on the binary hypothesis and maximum likelihood ratio test, and take the probability of false alarm and detection as the performance index.
Secondly, the multi-band SNR and multi-band GSNR algorithms are researched based on the detection algorithms in single band.
Finally, the framework evaluating the algorithms is built up. Sets of testing images are gained by emulating the imaging of the small target. By comparing the performance of the algorithms applicable for the detection of small target, the results of the analysis are presented, and the optimum design method is also presented.
Keywords Detection of the target; General signal-to-noise ratio; Performance evaluation; ROC curves
- II -
哈尔滨工业大学工学硕士学位论文
目录
摘要...............................................................................................................................I A bstract......................................................................................................................II 第1章绪论. (1)
1.1 课题背景 (1)
1.2 红外弱小目标检测相关概念 (2)
1.2.1 图像中信号分类 (2)
1.2.2 对比度 (3)
1.2.3 信噪比（SNR） (3)
1.2.4 红外弱小目标概念 (3)
1.2.5 检测概率与虚警概率 (4)
1.3 国内外研究现状 (6)
1.3.1 红外图像弱小目标检测研究现状 (6)
1.3.2 红外弱小目标检测算法 (8)
1.3.3 目标检测算法性能评估意义 (9)
1.4 论文的主要研究内容 (10)
第2章红外弱小目标基本检测方法研究 (11)
2.1 目标与背景辐射特性分析 (11)
2.1.1 目标特性分析 (11)
2.1.2 背景特征分析 (13)
2.1.3 噪声分析 (13)
2.1.4 分析结论 (14)
2.2 背景杂波预处理 (15)
2.3 SNR(信噪比)检测方法研究 (16)
2.3.1 算法原理 (17)
2.3.2 检测阈值确定方法及其概率分布 (18)
2.3.3 SNR检测流程 (20)
2.4 GSNR(广义信噪比)检测方法研究 (20)
2.4.1 极大似然比检验 (20)
2.4.2 检测门限r的概率密度 (22)
- III -
哈尔滨工业大学工学硕士学位论文
2.4.3 GSNR检测流程 (24)
2.5 本章小结 (24)
第3章红外多波段弱小目标检测方法研究 (26)
3.1 算法设计思想 (26)
3.2 多波段图像背景杂波的预处理 (27)
3.3 多波段SNR检测方法研究 (28)
3.4 多波段GSNR检测方法研究 (30)
3.5 本章小结 (38)
第4章红外弱小目标检测算法性能评估 (39)
4.1 评估机制分析 (39)
4.2 图像特征指标和算法性能指标 (40)
4.2.1 图像特征指标的选取 (40)
4.2.2 算法性能指标的选取 (41)
4.2.3 算法评估模型 (41)
4.3 ROC曲线评估方法 (41)
4.3.1 ROC分析技术基础理论 (41)
4.3.2 ROC曲线意义 (43)
4.3.3 ROC曲线分析的实际意义 (44)
4.3.4 ROC曲线绘制 (45)
4.4 检测算法性能分析 (46)
4.4.1 待测算法的简单描述 (46)
4.4.2 算法参数关联 (46)
4.4.3 算法参数分析 (47)
4.5 检测算法性能比较 (54)
4.6 算法优化设计 (55)
4.7 本章小结 (57)
结论 (58)
参考文献 (59)
附录 (63)
攻读硕士学位期间发表的学术论文 (66)
哈尔滨工业大学硕士学位论文原创性声明 (67)
哈尔滨工业大学硕士学位论文使用授权书 (67)
致谢 (68)
- IV -
哈尔滨工业大学工学硕士学位论文
第1章绪论
1.1课题背景
随着红外成像技术的发展，红外成像系统已广泛的应用在光学遥感、夜间导航、目标检测以及火控等民用和军事领域。
从二十世纪五十年代开始，红外成像技术被广泛应用于军事领域，尤其是在成像探测和告警方面[1]。
红外成像探测系统一般由目标检测、目标识别、目标捕获、目标高精度跟踪等功能模块组成。其中，目标检测作为系统中最前端的处理环节，也是系统一个重要的组成部分，只有及时地检测到场景中存在的目标，才能保证后续的目标识别、跟踪等一系列处理工作的顺利开展。
为了尽可能早地发现目标，需要目标在很远时就能被检测到并对其进行跟踪，在这种情况下，由于距离远，相对于大面积背景，目标仅几个或一个像素，体现为弱小目标。它没有形状和结构信息可以利用，一般基于目标结构的目标检测、跟踪方法不适用。因此，目前对于红外弱小目标检测方法的研究在红外探测中占有举足轻重的地位。
红外成像探测系统要由实时红外成像器和信息处理器组成。
信息处理器对视频信号进行处理，完成检测、识别、定位等多种功能，并将经过处理后的图像信息输送到显示系统，为操作人员提供清晰的图像以便于操作。
信号处理软件主要用来解决对目标自动识别和跟踪，而要求识别、跟踪软件做到简单、有效、快速、适应性强。其基本特点是要求针对具体目标、背景、干扰、工作时间、体积及质量等限制，设计出计算量少、快速而有效的算法。
因此有关红外图像弱小目标检测技术的研究应包含两个方面:一是从系统方面研究，包括探测器、光学系统和读出电路系统以及器件非均匀性校正方面的研究。主要的目的是为了提高空间分辨率、灵敏度和响应的一致性，以期提高系统作用距离，从而提高系统对弱小目标的检测能力；二是从图像处理方面研究。由于输入的是图像，前端系统的性能可以认为是已知的，弱小目标的检测就是研究合理的算法和理论，利用图像处理算法对处于杂乱背景和强噪声环
- 1 -
哈尔滨工业大学工学硕士学位论文
- 2 -
境中的目标进行自动检测，好的算法的性能对红外成像系统后续工作展开非常关键，从而最大程度的发挥系统性能，使系统的整体性能达到最优。本文是从图像处理方面研究红外弱小目标检测。
针对弱小目标和背景的特性，发展了许多检测算法，但还没有一种适合于所有图像的适用算法，绝大多数算法都是针对具体问题而提出的。另一方面，给定一个实际应用要选择使用的检测算法仍是一个很麻烦的问题，由于缺少通用的理论指导，常常反复进行实验。对各种不同算法在同类背景下表现的性能如何以及在不同背景下其各自的适应程度又如何等问题缺乏一个定量的分析和比较，使得实际应用中系统不能根据当时的目标和背景特性对算法进行选取。要克服这些困难就需要研究如何来评估算法，通过对各种算法性能的研究以达到优化图像处理结果的目的。发展合理的算法性能评估方法，不仅可为算法的选取提供依据，减少盲目性，而且可以提高现有算法的性能，对研究新的技术也具有指导意义。
弱小目标的检测方法的性能评估是当前自动目标检测和识别方法评估的重要的领域。本文以弱小目标的两种检测方法为主要研究对象，以虚警概率和检测概率为性能指标形成的接收机工作特性曲线ROC 曲线为性能评价手段，通过大量的仿真实验，分析影响检测性能的主要因素并比较不同方法的检测性能，给出分析结果，并提出了优化设计方案。
1.2 红外弱小目标检测相关概念
到目前为止，在红外弱小目标检测领域的研究成果已有很多。为了在论文中能够清晰的提出问题与解决问题，现对其中的概念做如下归纳和说明。
1.2.1 图像中信号分类
红外探测器获得的信号经过处理得到图像，在图像中只包括三种信息：
(1)背景信号：比如云、大气、地面辐射等自然或人造辐射源产生的基本平稳的非目标信号，本文中用B G 表示背景信号在图像中的灰度。
(2)噪声信号：固有的，由形成红外图像的各个部件如光学系统、扫描系统、电路处理系统和探测器产生的具有统计分布状态的非目标信号，文中用符号σ表示图像中噪声的标准差。
(3)目标信号：探测对象，文中用T G 表示目标信号在图像中的灰度，也常用μ表示图像中目标信号的灰度均值。
哈尔滨工业大学工学硕士学位论文
- 3 -
用形象的比喻来说明上述概念，电视图像中我们可以确定一块图像作为目标，而其它部分就是背景，而当视频图像中出现雪花时，即图像中被加入了噪声。
1.2.2 对比度
在图形图像学中对比度是亮度的局部变化，定义为物体亮度的平均值与背景亮度的比值。描述的是目标与周围背景之间灰度或亮度的差异。对比度的定义较多，下面列出常用的三种。
B
T B T
G G G G C +?=1 (1-1) B B T G G G C ?=
2 (1-2) min
max 3G G G G C B T +?= (1-3) 上述三式中max G 为系统的最高灰度值，min G 为系统的最低灰度值。式中的1C 和2C 常称为相对对比度，而3C 称为绝对对比度[1,2,3]。
本文涉及的对比度采用2C 的表达方式。
1.2.3 信噪比（SNR ）
信噪比描述的是目标与噪声之间灰度或亮度的差异，指目标强度与噪声强度的比值，表征了目标被噪声淹没的程度，对于图像中的目标探测问题信噪比可以用下式定义：
σ
B T G G SNR ?= (1-4)
在弱小目标检测中可以将信噪比作为目标检测的阈值进行匹配滤波，或者结合其它统计量作为分割阈值提高检测概率。 1.2.4 红外弱小目标概念
到目前为止，红外弱小目标检测这一领域的研究成果已有很多。国外学者于七十年代末期就提出了弱目标概念。
红外弱小目标可以说是一个相对概念，所谓“小”是指在图像中其几何尺寸小，由于红外弱小目标的检测问题由军事需求开始，而且往往是针对较远距
哈尔滨工业大学工学硕士学位论文
- 4 -
离的目标进行的，虽然目标的绝对尺寸实际上并不小，但其所成像的目标强度一般是较弱的，相对尺寸也较小。
这是因为红外成像器随着被测目标距离的改变，同一个目标可视为不同性质的辐射源。当被测目标在某一距离上远小于系统瞬时视场的大小时，只要其辐射能量大到足以激发探测器，使其有一定信噪比，系统就能够探测到目标的存在。这种情况下，对目标来说，成像器已成不了“像”，只是一个亮点或亮斑，此时被探测的目标相对测量系统来说，可视为一个点源，即点目标，因而图像中目标的几何尺寸小到无法提取任何形状信息。当被测目标在红外成像器上成像，那么目标已不是一个点源，而是一个扩展源，可看作面目标。
目前，在实际中，红外成像系统的作用距离一般可达到10公里左右，如果目标为导弹或飞机，可以假设其迎头方向几何尺寸在1米至5米之间，这样目标对于成像系统来说大小为0.1mrad 至0.5mrad 之间，目前，军用的红外成像系统的空间分辨率大致为0.1 mrad ，上述目标就在1个像素至5个像素之间，据此，可以认为所涉及的小目标是指在图像上大小在l ×l 个像素至5×5个像素之间的目标。另外，红外小目标可以认为是几何尺寸小到几乎没有形状信息的目标。从红外成像的一般概念出发，认为一般要对目标的形状进行识别需要6条线以上，所以5×5以下的目标可以认为基本没有形状信息。
下面再讨论“弱”的问题，通俗讲所谓“弱”是指在图像中目标与周围背景相比灰度值较低，也可以说对比度较低:由于我们所谈到的目标基本上位于红外成像系统的极限作用距离上，所以其信号强度是较弱的。实际上，在图像中可以从两方面来描述目标信号的强弱，即信噪比和对比度。
综上所述，红外图像的弱小目标，是指目标在图像平面上占有的像素个数较少且信噪比低的情况。因而根据弱小目标的不同性质可将其分为两类，一类是低对比度目标，即灰度弱目标;一类是像素数少的目标，即能量弱目标(或小目标)。
一般情况下，认为对比度小于15%、信噪比小于6、像素尺寸小于5×5
的目标为弱小目标[4]。
1.2.5 检测概率与虚警概率
设置一个门限T U ，以及输出信号U (U 为通过图像信息计算得到的门限函数，最简单的情况下U 为图像的灰度)，()0|H U f 与()1|H U f 分别是图像中无目标和有目标假设下的U 的条件概率密度函数，如图1-1所示。
哈尔滨工业大学工学硕士学位论文
- 5 -
U T U
()0|H U f ()
1|H U f
图1-1 检测概率与虚警概率示意图
Fig. 1-1 Probability of detection and false alarm
假定如下判定：
???<≥判定无目标判定有目标,,T T U U U U
从而有检测的结果与实际情况有四种检测事件发生：
(1)
实际无目标，但T U U ≥判定为目标，虚警率记为FA P ； (2)
实际无目标，T U U <判定无目标，事件发生，记为FA P ?1； (3)
实际有目标，且T U U ≥判定有目标，事件发生，检测概率记为D P ；
(4) 实际有目标，且T U U <判定无目标，事件漏报，漏警率记为m P 。
当选取的U 的表达式不同时，就会产生出不同的检测算法，最常用的为后验概率检验与极大似然比检测算法[5]。
在自动检测系统中需要提供一个检测阈值，再根据判决准则做出目标是否存在的判决。主要判决准则有后验概率比准则、似然比准则、奈曼-皮尔逊(Neyman-Pearson)最佳检测准则等，这三者之间均有联系。似然比准则实际是后验概率比准则的演变形式，以便于系统的直接应用；奈曼-皮尔逊最佳检测准则实际也是用似然比准则做出判决的，只是其中门限是由给定的虚警概率确定而已，虚警概率低，则门限高；虚警概率高，则门限低。奈曼-皮尔逊最佳检测准则在红外目标检测中应用较广。
在非平稳噪声中，对于固定阈值检测，如果噪声平均功率水平增加，虚警概率将增加。这时即使信噪比很大，也不能做出正确的判决。因此在干扰中提取相对微弱的信号，不仅要求有一定的信噪比，而且要求检测器具有恒虚警性
哈尔滨工业大学工学硕士学位论文
能。因此在评估目标检测算法的性能时，不仅要关心目标的检测概率，同时要把虚警概率也作为评价算法的性能指标。
1.3国内外研究现状
1.3.1红外图像弱小目标检测研究现状
从二十世纪五十年代开始，红外探测技术美国率先开始了红外搜索与跟踪技术的研究，随后法国、德国、俄罗斯、加拿大等国也相继开展了有关红外探测的军事应用研究。
有关红外图像弱小目标的检测研究己有多年的历史，美国早在二十世纪五六十年代就开始了红外搜索跟踪技术研究工作，并广泛应用于军事领域，尤其是在红外成像制导、红外告警和侦察方面。随后法国、德国、俄罗斯、加拿大等国相继开展该研究工作。国际SPIE组织每年举行一次“小目标信号与数据处理(Signal and data processing of small targets )”会议，交流弱小目标检测的新技术。但总的看来，它仍处于发展的初级阶段。随着近年来计算机技术和数字图像处理技术的迅速发展，更加促进了有关红外图像中弱小目标检测的理论、方法和技术方面的研究。各种新的思想、新的算法在不断提出，充实并完善着红外弱小目标检测的理论体系。
我国在这方面的研究相对较晚。近十几年来，我国许多院校，如华中科技大学、北京环境技术研究所等院校和研究机构，对基于红外图像中的运动小目标的检测与跟踪进行了研究，并取得了长足的进展。
通过对国内外文献大量研究，本文总结出红外图像弱小目标检测可以从以下几方面分类：
(1) 按目标像素分类：点目标检测和面目标检测。
由于点目标的特殊性，经典的图像检测算法在信噪比小于3时均失效，因此，低信噪比条件下的红外点目标的实时检测与跟踪在90年代这十年主要处于算法研究阶段，国内外都发表了大量的论文。人们从理论和工程实用的角度提出了大量的点目标检测、识别算法，如匹配滤波器法、序贯假设检验法、Hough变换法、最优投影法、神经网络法、光流法、三维搜索法、管道滤波法、动态规划法等，并根据目标、背景干扰和噪声在红外序列图像中的差异，提出了一种基于空间高通滤波和时间域上最大递归滤波的运动点目标检测方法。该方法可以在低信噪比的情况下消除红外起伏和随机噪声的影响，有效的
- 6 -
哈尔滨工业大学工学硕士学位论文
检测出点目标。
(2) 按图像帧数分类：单帧检测和序列图像检测。
单帧图像目标检测的方法仅仅利用单帧图像内部信息，根据图像平面内目标和背景特征的显著不同，对目标和背景进行分离。主要有基于全局灰度门限的目标分割方法、基于局部门限的目标分割方法，用这种分割方法确定图像中的可能目标是有效的，但是要确定真正的目标还需利用序列图像的信息，而且对于极其复杂图像或图像中的噪声极严重的情况往往会出现分割错误。
(3)按检测方法分类：先检测后跟踪方法(DBT)和先跟踪后检测方法(TBD)。
由于现代传感器技术的发展，成像过程中，影响目标检测的图像质量主要因素不再是传感器的噪声，更重要的是复杂背景图像的干扰，所以“先检测后跟踪”算法通常先对输入图像序列进行背景抑制的预处理操作，提高单帧图像的目标可检测性能，然后，用最佳Bayes判决、最小最大判决或Neyman - Pearson判决等准则，对图像的每一个像素进行判决，判定它是否为潜在目标点，再根据目标图像运动的帧间高相关性的特点，利用多帧图像的时间累积，对单帧检测的结果进行多数表决，形成二次决策，来剔除虚警点，保留最终确认的目标，这就是所谓“单帧检测和多帧确认”的策略。一经确认目标，即可输出它的图像中心坐标与视场中心的角偏差，实现跟踪功能。这种算法相对“先跟踪后检测”方法比较简单，易于实时实现，在目标/背景对比度或SNR 较高时，检测效果良好。先检测后跟踪方法DBT(detect-before-track)，这种算法仅当SNR较高时运行有效。检测前跟踪TBD的算法就是根据多帧检测的思想，采用将空间和时间信息并入多帧处理过程中。在三维图像中对较多的可能轨迹进行跟踪，但起初并不对这些轨迹是否真正代表目标做出判决，而是对每条跟踪的轨迹计算其后验概率函数，如果某条轨迹的后验概率函数值超过某一门限，就认为该条轨迹代表一个目标。将该方法的基本思想可以看作是三维噪声中检测一个已知信号。通过假设噪声的特性，设计出最优的线性滤波器。
(4) 按目标个数分类：单目标和多目标。
由于弱小目标(尤其是点目标)成像距离远，在成像视场有时难以判定是单目标还是多目标。目标灰度或大小常常不同，甚至相差很大，给检测、识别、跟踪带来很大困难。当采用单门限阈值图像时，很容易丢失较弱的目标，或者把背景误认为目标。解决的办法是去除起伏背景分量，设法使背景归一化，同时保留目标信号。处理的方法实验时首先对输入的原始图像序列进行高通滤波。去除背景起伏和噪声干扰：然后进行门限分割处理。提取出少数可能的目
- 7 -
哈尔滨工业大学工学硕士学位论文
- 8 -
标点：最后利用多帧轨迹积累的处理方法从序列图像中检测出随机运动的目标。
目前红外图像弱小目标检测的发展方向是研究运算量小、性能高、便于硬件实时实现的检测算法。
1.3.2 红外弱小目标检测算法
表1-1分别给出了现阶段正在应用以及处于研究中的主要的弱小目标检测算法的简单描述、适用环境以及性能分析。
表1-1 弱小目标检测算法分类比较
Table 1-1 Comparison of several small target detection method 检测算法 简单描述
适用环境 性能分析 空域滤波器 首先假设目标和噪声在
空域符合某种模型，导出
基于这些模型的最优空域
滤波器，如中值滤波器
[6,7]，均值滤波器[8]，匹配
滤波器[9,10] 不同类型的空域滤波器对环境的适应性能不同，目标检测效果也不同
中值滤波器只适用于目标、噪声同时存在的情况；高通滤波器对于背景变化缓慢的含目标图像效果明显；匹配滤波器对于目标图像信噪比要求较高。 数学形态学 研究数字图像形态结构特征与快速并行处理方法的理论，已成为一种新型的图像处理方法和理论 在红外目标检
测中适用于目标
边缘检测、目标
分割等主要针对
于目标形态结构
进行的操作
对小目标检测效果不佳，在处理过程中图像的信息会有较大变化，性能的好坏取决于选取的结构元素的适当与否[11,12] 帧相关 以多帧图像中目标与噪声相关性的不同为基础，经过高阶相关可以确定目标航迹 适用于噪声功
率适度的小目标
检测，并且图像
序列间隔不能太
大
性能良好，但是计算复杂度很高，对目标速率、方向也有不同程度的要求[13,14] 假设检验 一般以二元假设为基础，将有无目标作为两种基本假设，采用统计检验方法进行目标检测。 适用于信噪比
较小、背景抑制
后的目标检测
性能随统计检验方法的不同而不同，常用的方法为极大似然比检验，产生检测概率与虚警概率两个重要概念[15]多级假设检验 不关心噪声与背景之间的关系，对噪声与背景中的目标分不同层次进行图像序列假设检验 适用于噪声与
背景情况较为复
杂的检测过程，
但噪声与背景模
型需要基本已知 理论严谨，而且性能很好，但是其计算复杂并且存储量大，这在一定程度上限制了算法的
工程应用[16]
哈尔滨工业大学工学硕士学位论文
从表1-1中可以看出，不同的算法适用的环境不同，不可能找到一种对所有背景与噪声都适用的红外弱小目标检测算法，因此在确定算法前首先要对目标、背景的红外辐射特性以及噪声的来源、统计分布状态有深刻的认识，然后选择此环境下适用的目标检测算法。
上述方法分别适用于不同的应用背景，但是一个共同的特点是都要求在红外图像中有一定的信噪比，信噪比过低检测概率受到很大限制。又因为对远距离目标检测的军事需求较大，红外低信噪比小目标的检测问题仍然是一项急需突破的技术难点。
1.3.3目标检测算法性能评估意义
前面提到目前有多种弱小目标检测算法[17]和跟踪算法[18]，但由于光电干扰技术的发展和应用环境的要求，使输入图像相当复杂，并且在内容和质量上各不相同，因此几乎没有一个统一的算法来检测和跟踪目标。这就迫切要求在系统论证和研制过程中，能对算法的性能给出准确的评估，以便优化系统的算法参数和算法的组合，使算法能够适应场景和天气变化，传感器的抖动等纷繁变化的环境的要求。
检测算法的性能优劣及其对环境的适应能力是影响到整个探测系统性能指标的核心因素之一，关系到整个系统能否正常工作。因此探测算法的性能评估是一项具有重要意义的工作，其意义如下[19,20]：
(1) 对于新设计出的检测算法，要综合了解其工作性能，必须对其进行正确的评价。特别是一些总体部门，要检验合作单位研制的检测算法是否达到要求的性能指标，必须有一个性能评估平台，给出算法性能的量化指标。
(2) 性能评估有助于对多个算法进行比较分析，从而选择综合性能最高的算法。
(3) 性能评估有助于增加对算法各方面特性的综合了解。
(4) 性能评估有助于设计出新的性能优越的检测算法。
目前对于目标检测算法的评估方法的研究在公开发表的文献中还很少见，如何科学地分析和评价目标检测的算法成为一个急待解决的问题。
本文在建立算法性能评估框架的基础上，根据弱小目标检测算法的评估的特点，通过弱小目标仿真获取测试图像集，并探讨了对弱小目标检测算法的性能评估方法。
- 9 -
哈尔滨工业大学工学硕士学位论文
1.4论文的主要研究内容
本文以远距离红外弱小目标的检测问题为主要研究内容，以虚警概率和检测概率形成的ROC曲线为目标检测方法的性能指标，研究应用于高斯噪声环境下的弱小目标检测方法。
针对弱小目标检测的特点，尝试建立一种算法性能的评价机制和新的评价方法，为算法的改进以及实际应用提供依据。在算法研究的基础上，采用完全仿真的方法对算法结果进行模拟，生成检测概率与虚警概率的关系曲线即ROC曲线，将利用ROC曲线对比分析几种算法的性能优劣，研究影响算法性能的主要因素，确定算法的使用环境与检测概率、虚警概率。并根据算法性能分析结果，提出优化设计方法。
本文各章的主要研究工作如下：
第一章：综述了国内外对红外弱小目标检测方法及其性能评估技术研究状况，并介绍了弱小目标检测的基本概念以及小目标检测的一些常用方法比较。
第二章：主要研究了两种单波段的弱小目标检测算法。
第三章：在单波段检测算法基础上，研究多波段弱小目标检测方法，以期望提高目标的检测概率。为下面的算法评估奠定基础。
第四章：是本章最主要的部分。主要介绍对弱小目标检测算法的性能评估方法，分析影响每种算法的特征参数并比较不同算法，以及每种算法在单波段与多波段检测性能的不同，得出结论，提出优化设计方方案。
- 10 -
哈尔滨工业大学工学硕士学位论文
- 11 -
第2章 红外弱小目标基本检测方法研究
对于目标检测来说，最主要的工作就是找出目标与背景、噪声的差异，这个差异函数就是算法的核心，即检测阈值函数。不同的算法适用的环境不同，不可能找到一种对所有背景与噪声都适用的检测算法，因此在确定算法前首先要对目标、背景的红外辐射特性以及噪声的来源、统计分布状态有深刻的认识，然后选择此环境下适用的目标检测算法。
2.1 目标与背景辐射特性分析
2.1.1 目标特性分析
如果我们把100km 以上目标作为检测对象，如中段飞行的弹道导弹，弹道导弹的红外辐射主要是蒙皮的灰体辐射及蒙皮反射的太阳辐射，红外探测器的最佳工作波段是长波和中波。中段没有空气，导弹表面不存在气动加热效应，蒙皮温度会逐渐下降到300K 左右，此时蒙皮灰体辐射的峰值波长约为μm 10；此外，尽管太阳辐射很强，由于太阳离导弹很远且峰值波长约为μm 5.0，加之蒙皮的吸收率较大、反射率较小，于是蒙皮的灰体辐射远远超过蒙皮反射的太阳辐射。另外，大气层外空间冷背景的红外辐射极其微弱。因此，在弹道中段，导弹蒙皮的灰体辐射是我们主要考虑的因素。
物质的光谱特性是其表面温度的函数，因此对物理变化过程中物质光谱时序的分析可以转化为对物质温度变化的分析。固态物质表面温度取决于其表面与周围环境的能量交换，对于真实目标而言(如飞行器蒙皮)，主要取决于可见光波长上的平均吸收率V α与长波红外波长上的平均发射率IR ε，并且其平衡温度是由IR V εα决定的。达到平衡温度所需时间取决于物体释放时的初始温度、平衡温度、发射率和热质量。固态物质在达到平衡温度前的过渡过程中，光谱曲线的变化符合维恩位移定律。
考虑各种热源对空中目标的加热影响，其热平衡方程可写成
i r sc dr sw es s a tot Q Q Q Q Q Q Q Q Q ??+++++= (2-1)
式中 tot Q ──目标的总热量；
a Q ──气动加热；
哈尔滨工业大学工学硕士学位论文
- 12 -
s Q ──太阳加热；
es Q ──地球和天空辐射加热；
sw Q ──激波加热；
dr Q ──分解或复合加热；
sc Q ──表面组合加热；
r Q ──辐射热传递；
i Q ──目标内部热传递
由式(2-1)可知，对于中段飞行的导弹，sw Q 、dr Q 与sc Q 对tot Q 的贡献可以忽略不计。i Q 与弹头内部结构有关，不能一概而论，这里不作具体讨论。
在确定热平衡方程后，再利用蒙皮温度变化率计算公式
dt
dQ d C dt dT tot p ρ1= (2-2) 得到蒙皮温度方程
()+?
????????????+??????????=?T M r r T v aKx dt dT d C b
b p 2112001μρρ ()()4T H E f H H f IR a IR R s v σεαα?+++ (2-3) 其中，T 为蒙皮温度，p C 、ρ、d 分别为蒙皮的比热、密度和厚度，
K 、0ρ、ν、μ、0T 、r 分别为大气热导率、密度、声速、粘度、温度和绝热指数，IR IR v εαα、、分别为蒙皮材料在可见光和近红外波段上的吸收率、蒙皮材料在红外波段上的吸收率及蒙皮在红外波段上的平均发射率，f 为垂直于太阳光线方向的面积修正因子，s H 为太阳辐照度，R H 为从地球上反射来的太阳辐照度(即所谓返照率通量，一般认为是s H 3.0)，a H 为大气辐照度，E 为地球红外辐照度(约2402W/m )，σ为玻尔兹曼常数，系数a 和b 与边界层气流特性有关，在弹道导弹中段大气稀薄，可以认为0=a 。
导弹蒙皮的灰体辐射是主要考虑的因素，根据辐射定律可通过测量弹头表面温度T 及其变化率dt dT /得出，其中t 代表时间。式(2-3)变为
()4T fE H H f dt
dT d C IR IR R s v p σεααρ?++= (2-4) 其具体过程如图2-1所示。
哈尔滨工业大学工学硕士学位论文
- 13 -
图2-1 平衡温度推导过程
Fig.2-1 Compute method of balance temperature
2.1.2 背景特征分析
图2-2 标准大气温度和高度的关系
Fig.2-2 Relationship between temperature and altitude in standard atmosphere
在100km 以外，我们主要考虑高空大气背景，标准大气温度—高度轮廓线如图2-2所示。由于大气温度在80km 以上温度变化较小，因此我们可认为在100km 时，大气等效黑体温度为190K 。
2.1.3 噪声分析
噪声从广义上讲，是不需要的信号成分，也就是不希望得到的信号成分。它是一种随机信号，对需要获取的信号构成了干扰。
红外成像系统中有几个重要的组成单元，而每个组成单元中都含有噪声
第37卷 第2期 激光与红外 V o.l 37,N o .2 2007年2月 LA SER & I NFRAR ED February ,2007 文章编号:1001 5078(2007)02 0104 04 红外图像中弱小目标检测前跟踪算法研究综述 张长城,杨德贵,王宏强 (国防科技大学电子科学与工程学院,空间电子信息技术研究所,湖南长沙410073) 摘 要:文中分析了低信噪比复杂背景中红外弱小目标检测与跟踪的难点,比较了DB T 与TBD 两种检测与跟踪算法的性能,分析了TBD 的检测机理,总结了典型的TBD 方法,展望了 TBD 的发展。 关键词:红外;弱小目标;低信噪比;复杂背景;检测前跟踪中图分类号:TP751 文献标识码:A A lgorit h m Surveys for Di m Targets Track before detect i n Infrared I m age Z HANG Chang cheng ,YANG D e gu,i WANG H ong qiang (Instit u te of Space E lectron i c T echnology ,Coll ege o f E lectr i c Science and Eng ineer i ng,NUDT,Changsha 410073,Chi na)Ab stract :T he d ifficu lties o f di m targe t de tecti on are ana l y zed i n the paper .T he perfor m ances of DBT and TBD are co m pa red ,and the theo ry o fT BD a re ana l y zed .T he m a i n m ethods of TBD are su mm arized .In the end ,prom i sing di recti on of t he fi e l d of T BD i s predicted . K ey w ords :i nfrared ;d i m ta rget ;l ow SNR;comp licated background ;TBD 1 引 言 现代战争要求红外探测系统能远距离发现、跟踪威胁目标,为指挥系统决策和武器系统赢得时间。红外探测系统采用被动方式工作,具有较强的抗干扰能力,隐蔽性好,但作用距离短。由于光学系统的空间分辨率已做到或接近理论极限水平 [1] ,比较实 际的方法就是通过提高目标检测算法性能,尤其是弱小目标的检测性能,弥补红外探测系统作用距离短的不足。 弱 和 小 指的是目标属性的两个方面,所谓 弱 是指目标红外辐射的强度,反映到图像上是指目标的灰度;所谓 小 是指目标的尺寸,反映到图像上是指目标所占的像素数 [2] 。红外弱 小目标检测识别难点是:对比度较低、边缘模糊、信号强度弱,缺乏纹理、形状、大小等结构信息,目标极易被噪声所淹没,单帧检测虚警率高,多帧处理增加了数据的存储量和计算量,固定的模板和算子很难有效检测弱小目标。因而,红外弱小目标检测与跟 踪问题成为当前研究的一个热点问题。 本文在综合国内外近年来对红外弱小目标检测 与跟踪研究成果基础上,根据检测与跟踪关系,对TBD (track before detect )和DBT (detect be f o re track)两类算法性能进行了比较,分析了检测前跟踪算法机理,重点研究了TBD 技术,并指出TBD 技术的发展方向。2 检测算法机理 经典的小目标检测与跟踪方法是DBT ,即先根据检测概率和虚警概率计算单帧图像的检测门限,然后对每帧图像进行分割,并将目标的单帧检测结果与目标运动轨迹进行关联,最后进行目标跟踪。算法流程如图1所示。 图1 先检测后跟踪算法流程 基金项目:国防预研基金(51401010405KG0170);国防装备预先研究项目(413010701-2)。 作者简介:张长城(1976-),男,国防科技大学硕士研究生,主要研究方向为红外图像采集处理及目标识别等。 收稿日期:2006 05 31;修订日期:2006 07 05
文章编号21005-5 30(Z 005 04-0083-04 红外图像中弱小目标检测算法概述 卓宁1 孙华燕1 张海江Z (1.装备指挥技术学院 北京10141 ; Z. Z 41部队 8分队 辽宁葫芦岛1Z 5001 摘要2在现代战争中 复杂背景下的红外弱目标检测技术是红外制导系统中一个亟待 解决的问题 也是提高武器系统性能的关键O 现基于小目标检测的现状和最新进展 从空间 滤波和时间滤波的角度对现有的小目标检测技术进行了简单的概述 并分析了今后的研究 方向O 关键词2复杂背景;小目标;空间滤波;时间滤波 中图分类号2TP 3 1.4文献标识码2A Algorithm surveys on small target detection in inf rared image ZHUO Nzng 1 SUN Hua -yan 1 ZH NG Haz -jzang Z (1.Institute of eguipment Command and Technology Beijing 10141 China ; Z.PLA Z 41Command and 8Unit ~uludao 1Z 5001 China Abstract 2In the modern War detection of the small target in the condition of complicated background is an urgent problem for infrared control and guide it is also the key of improving Weapon system capability .Part algorithms of infrared small target detection in the Way of spatial filter and time filter are introduced in this paper based on present and recent technology .Finally the direction of the study are analyzed . Key words 2complicated background ;small target ;spatial filter ;time filter 1引言 现代战争中 要求更早地~在更远的距离上发现和捕获敌方的来袭导弹~飞机等目标 以使防御武器有足够的反应时间O 这时目标的图像很小 只有一个或几个像素 缺乏结构信息 此外视场中可能还有云~地物等各种复杂的背景杂波 目标点极易被噪声所淹没O 因此 复杂背景下低信噪比红外弱小目标检测是武器系统中的关键技术之一 是运动目标探测中一个亟待研究与解决的课题O 为了从二维序列图像中检测到低信噪比红外弱小目标 自70年代以来 国内外学者和专家进行了广 泛而深入的研究 提出了许多有实际意义的检测算法O Bauch [1]等人提出 通过采用一组时间上的高阶差分 来抑制背景干扰 并得到目标运动轨迹O 并用动态规则和状态估计技术来增加目标的可检测性O 然而 这种方法在低信噪比的情况下可能呈现较差的性能O 此后 又有人提出了频域中的三维时空匹配滤波技术 并且把其简化为只在空域中进行的二维匹配滤波 其结果在时间序列中进行递推求和O Irani M [Z ]等人用 计算小邻域上灰度的加权平均再用梯度进行归一化 以此作为运动的度量O 还有由Liou S P 和J ian R C 提出的运动目标检测方法是基于时空空间中运动轨迹任一点上切线和法线的正交性 但是为了得到图像 第Z 7卷第4期 Z 005年8月光学仪器O PTICAL I N S T R U M e N T S V ol.Z 7 N o.4 August Z 005 收稿日期2Z 004-11-1 作者简介2卓宁(1 7 - 女 安徽蚌埠人 工程师 硕士生 主要从事图像信号处理方面的研究O
红外图像弱小目标PF-TBD算法源程序 % 将粒子滤波算法应用于红外弱小目标TBD问题，验证其检测、跟踪目标的有效性 clear;clc % 粒子数目 N = 2000; % 采样时间 T = 1; % 仿真结束时间(采样总帧数) T_end = 30; % 假定目标从某一特定帧开始出现，然后在另一特定帧消失 T_ap = 6; T_dp = 24; % 采样时间序列 SimTime = zeros(floor(T_end/T),1); % 分辨单元数目 N_x = 32; % 横向分布单元数目 M_y = 32; % 纵向分布单元数目 % 分辨单元的宽度 Delta_X = 1; Delta_Y = 1; % 传感器的模糊参数值 SIGMA = 0.7; % 目标初始出现概率 mu = 0.05; % 目标速度区间 vmin = 0.2; vmax = 1; % 目标强度(灰度值)区间 Imin = 10; Imax = 30; % 抽样阈值(在大于r_th的区域内均匀分布) r_th = 2.5; % 扩散因子(目标影响相邻分辨单元的程度) p = 3;
% 目标Markov 过程转移概率相关参数 Pb = 0.05; Pd = 0.05; % 转移矩阵的表达式 PI_T = [1-Pb,Pb Pd,1-Pd]; % 转移矩阵PI 的行数(列数) PI_s = size(PI_T,1); % 系统状态转移矩阵 Phi = [1,T,0,0,0 0,1,0,0,0 0,0,1,T,0 0,0,0,1,0 0,0,0,0,1]; % 系统噪声协方差矩阵中的目标状态和灰度幅值噪声强度 q1 = 0.001; % 目标状态变化强度 q2 = 0.01; % 目标灰度值变化强度 % 系统噪声协方差矩阵 Q = [q1*T^3/3,q1*T^2/2,0,0,0 q1*T^2/2,q1*T, 0,0,0 0,0,q1*T^3/3,q1*T^2/2,0 0,0,q1*T^2/2, q1*T, 0 0,0,0,0,q2*T]; % 系统观测噪声 R = 1.5^2; %************************************* % 变量取值初始化过程 %************************************* % 定义滤波初值(假定目标出现时的初值) X = [4.2,0.45,7.2,0.25,20]'; % 整个粒子的集合，其中第6位代表当前时刻E判决标识位，而第7位为上一时刻值 X_PF = zeros(7,N); % 单个粒子状态值 X_PF_i = zeros(7,1); % 初始时假定每个粒子的权值为均匀的 w_i = 1/N*zeros(1,N); % 预测粒子的均值及其协方差
基于多光谱与显著性的红外弱小目标融合检测 摘要：基于多光谱与显著性，提出一种红外弱小目标融合检测算法。该算法旨在将从多光谱探测器获得的同一场景的多光谱图像信息组合到一起，利用它们在时空上的相关性及信息上的互补性，提高系统的检测性能。采用一种新的基于人类视觉注意机制的显著性方法，该方法能够快速准确找到图像中的显著性区域；将目标看作一类，背景和干扰点看作另一类，选取离差平方和准则，使类内距离最小，类间距离最大；训练出融合参数，得到融合后的显著性图像。通过设定的门限值二值化，可以看出该融合方法能很好地将目标与背景分开，从而检测出目标。 关键词：红外弱小目标；多光谱；显著性；图像融合 中图分类号：TP391文献标识码：A文章编号：1673-5048（2016）02-0047-05 0引言 多光谱成像技术不同于传统的单一宽波段成像技术，而是将成像技术和光谱测量技术相结合，获取的信息不仅包括二维空间信息，还包含随波长分布的光谱辐射信息，形成所谓的“数据立方”。丰富的目标光谱信息结合目标空间影响 极大提高了目标探测的准确性、扩展了传统探测技术的功能。
因此，研究如何基于多光谱对红外弱小目标进行检测与识别有着实际的意 义。 在多光谱领域，国内外学者已经取得了一定的进展。Margalit和Reed提出了一种基于相关图像的恒虚警率自适应目标检测算法[1]；Heesung提出了基于滤波的光谱匹配方法[2]；1999年，Richards等提出了光谱角映射算法（SAM）[3]。SAM算法具有结构简单、实时性好等优点，但是，其性能对目标光谱方差十分敏感，当光谱信噪比较低时，其性能变得十分不可靠。2011年，GuYanfeng等将SAM算法与核函数相结合，提出了一种基于核函数的正规化光谱角的光谱匹配算法[4]，提升了SAM算法对于光谱方差变化的鲁棒性。光谱匹配滤波器（SMF）[5]是一种具有代表性的光谱目标检测算法，是典型的光谱匹配算法，基于标准目标光谱模型和背景光谱模型的先验信息已知。 然而在实际系统中，很难得到一个场景的红外全谱段图像，一些红外警戒系统通常采用双波段的工作方式。在双/多波段红外热成像系统中，由于多个传感器工作在不同的电磁波段，探测到的同一场景的多光谱图像在信噪比、对比度、强度等方面存在很大的差异性，利用它们在时空上的相关性及信息上的互补性，对多光谱图像进行融合，可以得到对目标更全面、清晰的描述。现有的融合方法有小波变换模型、
第30卷 第9期航 空 学 报 Vo l 30No 9 2009年 9月ACT A A ERON A U T ICA ET A ST RO N AU T ICA SIN ICA Sept. 2009 收稿日期:2008 08 18;修订日期:2008 12 10基金项目:航空科学基金(20070112001) 通讯作者:毛峡E mail:moukyou@b uaa edu cn 文章编号:1000 6893(2009)09 1754 07复杂背景下红外弱小运动目标检测的新方法 黄康1 ,毛峡1 ,胡海勇1 ,梁晓庚 2 (1 北京航空航天大学电子信息工程学院,北京 100191) (2 中国空空导弹研究院,河南洛阳 417009) Novel Approach to IR Moving Dim Target Detection Against C omplex Background H uang Kang 1 ,M ao Xia 1 ,H u H aiyong 1 ,Liang Xiao geng 2 (1 Scho ol of Electro nic and Informat ion Eng ineering ,Beijing U niver sity o f A er onautics and A stro nautics,Beijing 100191,China) (2 China A ir bo rne M issile Academy,L uoy ang 417009,China ) 摘 要:提出了一种用于检测不同类型复杂背景下红外弱小运动目标的新方法。该方法能够根据图像信息自动选择背景预测算子;同时,针对不同类型复杂背景中目标和背景特性的差异,提出了 局部小目标可辨识度 的概念,并定义了一种有效的方法将其量化。在此基础上,采用蒙特卡罗实验方法构造了一种新的阈值函数,实现了单帧目标的检测,然后采用移动加权管道滤波提取目标的运动轨迹。实验结果表明,该方法对不同类型复杂背景的红外弱小运动目标具有很好的检测性能。 关键词:红外图像;背景预测;弱小运动目标检测;局部小目标可辨识度;蒙特卡罗方法中图分类号:T P391 4 文献标识码:A Abstract:A nov el appro ach is pr oposed to detect moving dim infrar ed targ ets ag ainst different types of complex backgr ound Backg ro und pr edict or is select ed automatically based on imag e infor matio n M eanw hile,a co ncept of differ ent iatio n degr ee of lo cal small targ ets (DDL ST )is pro po sed fo r the discr epancy of char act eristics be tw een the tar get and t he backg ro und in co mplex backgr ound conditio ns,and an effectiv e metho d is defined to quantitize it A new thr esho ld function based on the DD LST is constr ucted by M onte Car lo metho ds to accom plish the targ et detecting algo rithm in a sing le frame T hen,v ariable w eig hted pipeline filter s ar e applied t o ex tr act the t race of mo ving dim tar gets T he exper imental r esults demo nstr ate the g oo d per formance o f this ap pro ach Key words:inf rared imag e;backg ro und pr edict ion;detectio n of mo ving dim tar gets;differentiatio n deg ree o f small local targ ets;M onte Carlo methods 复杂背景下的红外弱小运动目标检测是红外 预警、红外自动寻的系统中关键技术之一,已经成为国内外的研究热点。而近年来,随着雷达隐身技术的飞速发展,使得此项技术在探测远距离隐身运动目标领域发挥着越来越重要的作用。典型的复杂红外背景包括:强起伏云层背景、带有阳光反射的海面背景、海天背景以及复杂低空地面混合背景等。现有的算法一般利用空域、频域、时域或者小波域的信息,针对某一特定的复杂背景进行红外图像序列中的弱小运动目标检测。常见的算法结构可分为 跟踪前检测 和 检测前跟踪 两类,具体的算法有:基于运动能量累计的方法[1] 、基于运动假设的方法[2]、基于管道滤波的方法[3]、 基于背景预测的方法[4]、基于形态学的方法[5] 和基于频域高通滤波器的方法[6]等;而对于不同类型的复杂背景的鲁棒性研究较少。 在当前的实时系统中,基于空间滤波的 跟踪前检测 算法的复杂性和实时性更好,更具有实际应用价值[7 11] ,因此本文基于 跟踪前检测 对上述各种典型复杂背景下的红外弱小运动目标进行研究。背景预测算法结构简单,易于实现,是一种抑制红外复杂背景行之有效的方法,然而以下3个问题限制了它对不同类型复杂背景的鲁棒性:!不同类型背景中目标和背景的相对特性不同;?在残差图像中,真实目标的强度可能小于噪声[12];#红外成像器受到外界环境的干扰会发生随机抖动,某一帧的背景相对于前后帧可能会发生突变,甚至可能丢失目标。本文主要针对上述3个问题进行研究,提出了一种基于局部对数加
本科毕业设计论文 题 目 红外弱小目标检测方法研究 _______________________________________ 专业名称 学生姓名 指导教师 毕业时间 2014年6月
毕业 任务书 一、题目 红外弱小目标检测算法研究 二、指导思想和目的要求 本题目来源于科研，主要研究红外弱小目标的特点，常用的检测算法，进而实现红外弱小目标的检测。希望通过该毕业设计，学生能达到： 1．利用已有的专业知识，培养学生解决实际工程问题的能力； 2．锻炼学生的科研工作能力和培养学生团队合作及攻关能力。 三、主要技术指标 1．掌握红外弱小目标的特点； 2．研究常用的红外弱小目标检测算法； 3．实现红外弱小目标的检测。 四、进度和要求 第01周----第02周： 参考翻译英文文献； 第03周----第04周： 学习红外图像及其弱小目标的特点； 第05周----第08周： 研究红外弱小目标的检测算法； 第09周----第14周： 编写红外弱小目标的检测程序； 第15周----第16周： 撰写毕业设计论文，论文答辩。 五、主要参考书及参考资料 1. 武斌. 红外弱小目标检测技术研究. 西安电子科技大学博士学位论文. 2. 史凌峰. 红外弱小目标检测方法研究. 西安电子科技大学硕士学位论文. 3. 杨丽萍. 空中红外弱小目标检测方法研究. 西北工业大学硕士学位论文. 4. 吴巍. 图像中目标特征的检测与识别. 华中科技大学博士论文。 5. 郑成勇. 小波分析在红外目标检测中的应用. 华中科技大学硕士论文。 6. 蔡智富. 基于自适应背景估计的复杂红外背景抑制技术. 哈尔滨程大学硕士论文。 学生 指导教师 系主任 设计 论文
红外小目标检测方法概述 1110540103 李方舟 1.什么是红外小目标？ 关于小目标”的定义，目前没有统一的定论。一般认为，当红外成像的距离较远时，在成像平面上只占几个或几十个像素的面积，表现为点状或斑点状，对比度和信噪比较低的目标，即可称之为小目标。 2.为什么要进行红外小目标检测？ 红外成像具有距离远，隐蔽性高，抗干扰能力强，穿透烟尘，雾以及阴霾的能力强，可全天候，全时间工作等优点。因此被广泛应用于监视侦察以及导航等军事领域，成为现代精确制导武器的主要技术之一。 在尽可能远的距离上检测并跟踪到敌方目标，以争取在有利的时机发动攻击。是决定现代战争胜负的重要因素。 距离越远，目标成像面积越小，图象质量越差，对目标的检测和跟踪越困难。 因此，研究小目标的检测和跟踪方法，对提高红外成像系统的作用距离，有着非常重要的意义。 目标检测作为寻的制导系统中的前端处理环节，是精确制导中最为关键和核心的组成部分。只有及时检测到目标，才能保证如目标的如目标跟踪等后续工作的正常进行。基于此原因，在红外凝视成像的图像序列中进行目标检测具有相当的难度，几乎所有的小目标检测法都致力于增强图像的信噪比，积累目标能量，以提高目标检测能力。 3.红外小目标检测方法分析 对于红外目标的检测问题，目标的一些先验信息，如目标的形状、大小，目标灰度变化在时间上的连续性，以及目标运动轨迹的连续性等是有效分割目标和噪声的关键。目标检测方法根据这些特性的使用顺序不同，可分为两大类： 先检测后跟踪( D e t e c t B e f o r e T r a c k ，D B T )方法 和先跟踪后检测( T r a c k B e f o r e D e t e c t ，T B D )方法。 3.1 DBT检测方法 基于先检测后跟踪的目标检测技术属于一类经典的红外目标检测。该类方法分为两步:首先根据目标形状，强度等特性，在单帧图像中检测出候选目标，然后根据实际需要，在分割后的二值化图形序列中，通过序列图像投影到目标轨迹。DBT检测方法主要分以下几种：1）阈值检测方法 所谓阈值检测方法，是基于目标在图像中主要为高频分量，而背景对应低频部分这一事实，对淹没在近似正态分布杂波中的已知其响应分布的小目标，寻求其最佳信噪比。 2）小波分析方法
复杂背景下红外弱小目标检测的算法研究综述 汪国有，陈振学，李乔亮 （华中科技大学，图像识别与人工智能研究所，图像信息处理与智能控制教育部重点实验室，湖北武汉 430074） 摘要：复杂背景下低信噪比弱小目标的自动检测是当今目标自动探测研究尚未解决的一个难题。目前，国内外许多学者已经作过大量的检测算法研究，但还没有建立成熟的理论体系和切实可行的实用算法，尤其是在复杂背景干扰的抑制方面，大部分研究工作所处理的还不是真正的复杂背景。本文在分析和总结国内外现有算法研究的基础上，指出了复杂背景下红外弱小目标检测的发展趋势，并提出了检测跟踪的一些有效技术措施。 关键词：复杂背景；弱小目标；信噪比；背景预测 中图分类号：TN911.73 文献标识码：A 文章编号：1001-8891(2006)05-287-06 A Review of Infrared Weak and Small T argets Detection under Complicated Background WANG Gou-you，CHEN Zhen-xue，LI Qiao-liang (Institute of Pattern Recognition & Artificial Intelligence, State education Commission Laboratory for Image Processing & Intelligence Control, Huazhong University of Science and Technology, Hubei Wuhan 430074, China) Abstract：It is an unfathomed and difficult problem that weak and small targets are detected in complicated background and low SNR. Scholars at home and abroad offer many detection algorithms, but these algorithms aren’t mature, especially to complicated background, and these algorithms almost deal with uncomplicated background. This paper summarizes existing algorithms of weak targets detection under complicated background, points out weak targets detection development direction and refers to many efficient technique measures. Keywords：complicated background；weak and small targets；SNR；background forecast 引言 在现代化的高技术战争中，武器系统应具备极快的反应速度和良好的隐身性能，远距离的红外目标探测技术能很好地满足这一条件，它能及时地发现、跟踪目标，实现迅速有效的攻击，是机载武器系统发展的一个趋势[1～3]。对于远距离目标，在视场中是以小目标形态出现的，目标与背景的对比度较低，要保证可靠、稳定、准确地检测并跟踪目标是很困难的。因此，远距离时低对比度红外弱小目标的检测技术是武器系统成败的关键，对于提高新一代精导武器的作战 收稿日期：2005-10-18 作者简介：汪国有(1965―)，男，安徽省休宁县人，教授，博导，主要从事图像建模、匹配制导、计算机视 觉以及目标检测等方面的教学和研究工作。在国 内外学术刊物上发表论文80余篇，获国家教委科 技进步一、二等奖多次。距离及反应速度具有十分重要意义。 从概念上讲，复杂背景是针对简单背景而言的。所谓简单背景是指背景图像灰度的空间分布是平稳的，灰度的统计均值和方差具有空移不变性，如海面、天空和沙漠等单一物理成分构成的区域图像；而复杂背景是指背景图像灰度的空间分布是不平稳的，灰度的统计均值和方差不具有空移不变性，如天海交接处、飞机场和港口等多种物理成分构成的复合图像。小目标是指仅含少量像素的目标，其面积较小，不能反映目标的几何轮廓特征，缺乏有效的形状特征，可利用的有效信息一般有目标灰度的平稳性和目标运动轨迹的连续性。与背景类似，弱小目标是相对强小目标而言的，强小目标是指与背景灰度差异显著地高于背景方差的小目标；对应地，弱小目标是指与背景灰度差异不高于背景方差的小目标，因此，复杂背景下弱小目标检测技术研究就是在背景图像灰度是空间非平稳分布的、目标背景灰度差异小于背景方差情况下，研究和开发小目标检测涉及的目标增强变换、 287