基于单帧图像的红外弱小目标检测技术研究综述
- 格式:docx
- 大小:36.65 KB
- 文档页数:1
《红外弱小目标识别与追踪算法研究》篇一一、引言随着红外技术的不断发展,红外成像系统在军事、安全、监控等领域得到了广泛应用。
然而,由于红外图像中目标通常呈现弱小特征,如信噪比低、对比度差等,使得红外弱小目标的识别与追踪成为一项具有挑战性的任务。
本文旨在研究红外弱小目标的识别与追踪算法,以提高红外图像中目标的检测和跟踪精度。
二、红外弱小目标的特点红外弱小目标在图像中通常表现为低亮度、小尺寸、信噪比低等特点。
这些特点使得传统目标检测与追踪算法在处理红外图像时面临诸多困难。
此外,由于目标运动的不确定性、背景的复杂性以及各种干扰因素的影响,使得红外弱小目标的识别与追踪更加复杂。
三、红外弱小目标识别算法研究针对红外弱小目标的识别问题,本文提出了一种基于多尺度特征融合的识别算法。
该算法通过融合不同尺度的特征信息,提高目标的表征能力,从而增强对弱小目标的识别效果。
具体而言,该算法首先利用多尺度卷积神经网络提取目标的多尺度特征;然后,通过特征融合技术将不同尺度的特征信息进行融合,形成更加丰富的目标表征;最后,利用分类器对融合后的特征进行分类,实现目标的识别。
四、红外弱小目标追踪算法研究在红外弱小目标的追踪方面,本文提出了一种基于区域协同的追踪算法。
该算法通过将目标区域与周围背景区域进行协同分析,提高对目标的跟踪精度。
具体而言,该算法首先利用红外图像中的局部信息,对目标区域进行初步定位;然后,通过分析目标区域与周围背景区域的关系,实现目标的精确跟踪;最后,利用卡尔曼滤波器对目标轨迹进行平滑处理,提高跟踪的稳定性。
五、实验与分析为了验证本文提出的红外弱小目标识别与追踪算法的有效性,我们进行了大量实验。
实验结果表明,基于多尺度特征融合的识别算法能够有效提高对红外弱小目标的识别率;而基于区域协同的追踪算法则能够在复杂背景下实现对目标的精确跟踪。
此外,我们还对两种算法的性能进行了比较和分析,结果表明本文提出的算法在识别与追踪精度、鲁棒性等方面均具有较好的性能。
硕士研究生学位论文新疆大学论文题目(中文):基于图像融合技术的红外小目标检测论文题目(外文):Infrared Small Target Detection Basedon Image Fusion Technology 研究生姓名:张国峰学科、专业:工学、信息与通信工程研究方向:目标检测与跟踪导师姓名职称:艾斯卡尔·艾木都拉教授论文答辩日期2019年6月3日学位授予日期2019年6月15日摘要红外小目标的捕获与跟踪在红外精确制导、遥感、空间探测和航空导航等领域有着广泛的应用。
然而,应用环境有时会迫使我们将成像系统与目标保持一定的距离,从而导致在摄像机的视野中出现较小的目标。
同时,由于红外成像设备的抖动、成像设备的噪声等因素,微弱目标信号被淹没在复杂的背景中。
还有隐身战斗机等向空中辐射的电磁信号越来越微弱,采用反射目标的回波来搜索和定位的雷达等探测设备已不能满足现实的需求。
这些存在的问题致使红外图像序列中微弱小目标检测与跟踪工作变得更加困难和具有挑战性。
红外热成像技术由于良好的隐蔽性能,全天候昼夜成像的特点、机动性好、配置方便,非常有利于搭载在预警和无人机上。
监视系统要是能在早期识别敌方目标,然后锁定目标并跟踪,这样可以给面目标跟踪识别阶段省去检测这一环节而大大延长己方防空系统的反应时间,亦或在面目标阶段二次检测目标,降低检测的虚警概率,并向防空系统发出报警。
因此,设计一种鲁棒的红外小目标检测算法具有重要的现实意义和实用价值。
本文在前人基础上设计出了两种不同的小目标检测算法:分别是量子遗传算法和局部对比增强的小目标检测和基于双边滤波下局部强度与梯度融合的小目标检测。
一种是利用量子遗传算法优化和获取结构元素,针对不同的背景等起伏边缘构造相应的结构元素进行形态学滤波,然后局部对比增强小目标能量,最后采用阈值分隔技术提取小目标。
另一种检测算法在杂波抑制上选用双边滤波技术,目的是考虑空间邻域信息和灰度相似特性,达到降噪去噪保留边缘的目的。
单帧红外弱小目标检测技术研究现状与展望杨德贵;韩同欢;胡亮;白正阳【期刊名称】《信号处理》【年(卷),期】2024(40)5【摘要】红外探测技术具有探测距离远、抗干扰能力强、隐蔽性强和全天候等优势在天基预警、末敏弹制导等领域得到了广泛应用。
通过红外成像技术能够得到目标图像从而对目标进行预警、识别和跟踪。
在实际场景中,目标图像往往所占像素比例小,信号强度低,容易湮没在背景图像中;背景图像变化剧烈,存在较强的结构信息、边缘和噪声,红外图像信噪比低,目标检测难度较大,一直是目标检测领域的研究难点和热门话题。
为提高红外图像弱小目标检测能力,大量的弱小目标检测算法被提出。
现有的主流的检测手段根据图像数据检测方式分为单帧检测和多帧检测两大类,多帧算法依赖大量的图像数据支撑,响应周期长,应用潜力低,而单帧检测算法凭借复杂度低、时效性强、便于硬件实现等特点,被广泛应用在高速运动目标检测、预警等领域。
因此本文以单帧红外弱小目标检测算法为主体,从技术方向入手,着重阐述了基于滤波、基于对比度与显著性分析、基于数据优化和深度学习四类单帧弱小目标检测算法的原理与近年来的典型应用,通过仿真试验和算法复杂度对比了不同算法的性能、优势和不足,总结了弱小目标检测算法的研究现状并对本领域的发展趋势进行了展望。
本文的工作能帮助读者快速了解本领域的研究现状,为研究人员提供参考。
【总页数】20页(P887-906)【作者】杨德贵;韩同欢;胡亮;白正阳【作者单位】中南大学自动化学院;光电智能测控湖南省重点实验室【正文语种】中文【中图分类】TP391【相关文献】1.红外单帧弱小目标检测算法研究综述2.基于单帧图像的红外弱小目标检测技术研究综述3.基于引导滤波和分块自适应阈值的单帧红外弱小目标检测4.单帧红外图像弱小目标检测研究综述因版权原因,仅展示原文概要,查看原文内容请购买。
复杂背景下红外弱小目标检测算法研究复杂背景下红外弱小目标检测算法研究摘要:红外弱小目标检测在军事、安防、航空航天等领域具有重要应用价值。
然而,由于背景复杂多变、噪声干扰等因素的影响,红外弱小目标的检测成为一个具有挑战性的问题。
本文综述了当前红外弱小目标检测算法的研究进展,并提出了一种基于深度学习的红外弱小目标检测算法。
一、引言红外技术是一种通过检测物体辐射的热能来实现目标探测的非接触性技术。
然而,由于红外图像中目标的能量较小,且通常处于复杂背景中,如林地、建筑物、云层等,红外弱小目标的检测一直是一个具有挑战性的任务。
二、红外弱小目标检测算法的研究进展目前,红外弱小目标检测算法主要包括传统算法和深度学习算法两类。
1. 传统算法传统算法主要通过对红外图像的预处理、特征提取和目标检测三个步骤进行处理。
常用的预处理方法有背景平均法、自适应滤波法等,用于降低图像噪声和背景干扰。
特征提取方法通常包括峰值信噪比、能量、梯度等指标,用于表征目标的形状、纹理等特征。
目标检测方法包括阈值分割、形态学处理、模板匹配等,用于判断目标是否存在于图像中。
2. 深度学习算法近年来,深度学习算法在目标检测领域取得了突破性进展。
深度学习算法通过训练大规模数据集和深层网络模型,能够学习到更加丰富的特征表示。
在红外弱小目标检测中,常用的深度学习算法包括卷积神经网络(CNN)、循环神经网络(RNN)等。
这些算法通过对数据集的训练,能够学习到红外弱小目标的特征,从而提高检测的准确性和稳定性。
三、基于深度学习的红外弱小目标检测算法为了提高红外弱小目标检测的性能,在本文中提出了一种基于深度学习的算法。
该算法主要包括以下几个步骤:1. 数据预处理通过对红外图像进行预处理,如去噪、增强等,以提高图像的质量和目标的可见度。
2. 特征提取引入卷积神经网络(CNN)进行特征提取。
CNN通过多个卷积层和池化层,逐渐提取图像的特征表示,并通过全连接层进行分类和检测。
34DIGITCW2024.011 研究背景红外搜索与跟踪系统被广泛应用于针对飞机、船舶等远距离目标的检测、跟踪及预警。
由于搜索距离较远且容易受到环境干扰,系统进行检测的目标一般表现为尺寸较小且模糊的点状结构,对红外小目标的检测是红外搜索与跟踪系统中的一项难题。
为了精确地检测小目标,现今的研究者们提出了各种各样的检测方法,根据检测弱小目标所需的图像类型的不同,主要分为基于单帧的检测方法和基于序列的检测方法两种类型。
序列检测方法通常一次处理多个图像帧来估计目标,利用小目标的形状、灰度的变化在时间上的连续性,以及运动轨迹的连续性等先验信息,有效地分离红外图像中的背景与小目标。
典型的方法包括匹配滤、序列假设检验、动态规划分析和高阶相关。
基于单帧检测方法按照检测方式的不同,可以进一步分为基于背景估计的方法和基于目标提取的方法。
除只关注单个背景或目标之外,最近的一些方法可以同时分离目标和背景,其中大多数方法是基于红外图像具有目标是稀疏的和背景局部具有一致性的假设,例如,高陈强[1]提出的一种基于红外图像数据的子空间结构的单幅红外小目标检测技术,通过滑动窗口方式,分别处理每个图像块中的稀疏的目标特征,将传统的红外图像推广到新的红外图像块(Infrared Patch Image ,IPI )模型。
基于观察,在IPI 模型中,认为目标图像块矩阵是稀疏矩阵,背景图像块矩阵是低秩矩阵,将小目标检测任务转化为恢复低秩稀疏矩阵的优化问题。
IPI 模型具有假设与现实相符合的优点,几乎在任何情况下都有效,与只关注单个对象的传统方法相比具有明显优势。
但是,IPI 模型也具有局限性,在描述稀疏度时会使目标检测陷入矛盾中,要么使背景图像中的边缘、角或点等较为稀疏的结构也被识别为小目标,导致虚警率升高,分离出的目标图像中留下一些残差,要么使过于弱小的目标图像被错误消除。
此外,在稀疏性不一致的背景图像块和目标图像作者简介:余祉祺(1998-),女,汉族,河南洛阳人,在读硕士,研究方向为电气与电子信息专业通信。
基于深度学习的红外图像目标检测算法研究随着深度学习技术的不断进步和发展,其在计算机视觉领域的应用也越来越广泛。
其中,基于深度学习的红外图像目标检测算法也在近几年迅速发展,并在各种实际应用中展现出了非常出色的效果。
本文将深入探讨基于深度学习的红外图像目标检测算法的研究现状、技术原理、应用前景等相关问题。
一、研究现状在深度学习技术的不断推动下,基于深度学习的红外图像目标检测算法也取得了不少进展。
其中,目前最常用的深度学习模型包括卷积神经网络(Convolutional Neural Networks,CNN)、循环神经网络(Recurrent Neural Networks,RNN)和使用多模态数据的联合深度学习模型(Joint Deep Learning Model)。
其中,卷积神经网络在红外图像目标检测中应用最为广泛,也取得了非常优秀的效果。
在红外图像目标检测中,深度学习算法的应用主要有以下几个方面。
首先,采用深度学习算法对红外图像进行预处理,可以有效地提高图像的质量和分辨率,从而更好地进行后续的目标检测任务。
其次,深度学习算法可以对红外图像中的目标进行分类和识别,实现自动化的检测任务。
此外,深度学习算法还可以对目标进行跟踪和追踪,实现目标在大范围内的准确定位和追踪。
二、技术原理在基于深度学习的红外图像目标检测中,卷积神经网络是最常用的模型。
其基本原理是通过一系列的卷积层、池化层、全连接层等网络层次,将输入图像进行特征提取和转换,最终输出目标的概率和位置信息。
具体来说,卷积层可以对图像进行特征提取和压缩,池化层可以对特征进行降维和抽象,全连接层可以对特征进行分类和回归。
这些网络层次之间的组合和拼接,可以实现高效准确的目标检测任务。
此外,当前流行的基于深度学习的目标检测算法通常还采用了一些优化技术,如非极大值抑制(Non-Maximum Suppression,NMS)、快速多尺度检测(Speedup Multi-scale Detection,SMD)和多标签平滑(Multi-Label Smoothing,MLS)等。
基于深度学习的红外图像目标检测技术研究摘要:红外图像目标检测技术在军事、安防、气象等领域具有重要应用价值。
然而,红外图像的低对比度、噪声干扰等特点给目标检测带来了挑战。
本文针对这一问题,提出了基于深度学习的红外图像目标检测技术,并通过实验验证了其有效性。
首先,本文介绍了红外图像目标检测的背景和相关研究。
接着,详细介绍了深度学习在目标检测中的应用原理。
然后,通过对比实验结果,证明了深度学习在红外图像目标检测中的优越性。
最后,对未来的研究方向进行了展望。
关键词:红外图像、目标检测、深度学习、对比实验、研究方向。
1. 引言红外图像技术已经广泛应用于军事、安防、气象预测等领域。
而红外图像目标检测技术则是其中一个重要的研究方向。
目标检测技术的目标是从图像中准确地识别和定位出目标物体。
然而,红外图像由于其低对比度、噪声干扰等特点,使得目标检测变得更加困难。
因此,如何提高红外图像目标检测的准确性和鲁棒性成为了一个热门的研究课题。
2. 目标检测的背景和相关研究红外图像目标检测的主要挑战包括低对比度、目标尺寸和姿态变化、噪声干扰等。
传统的红外图像目标检测方法包括基于特征提取的方法和基于模型的方法。
然而,传统方法在复杂背景和目标变化较大的情况下效果不佳。
近年来,深度学习的快速发展促进了目标检测技术的进步。
深度学习通过端到端的训练方式,可以自动地从大量的数据中学习到图像的特征表达,进而实现目标检测。
深度学习方法通常包括卷积神经网络(CNN)和循环神经网络(RNN)等。
3. 基于深度学习的红外图像目标检测技术本文提出了一种基于深度学习的红外图像目标检测技术,并通过实验验证了其有效性。
该方法主要包括以下几个步骤:3.1 数据预处理由于红外图像的低对比度和噪声干扰,需要对图像进行预处理,以提高检测的准确性。
常用的预处理方法包括图像增强、噪声去除和对比度增强等。
3.2 网络设计本文采用了一种基于深度学习的目标检测网络,该网络结构包括多个卷积层、池化层和全连接层。
基于红外图像处理技术的目标检测和跟踪技术研究红外图像处理技术在目标检测和跟踪领域中得到了广泛应用。
随着传感器技术的日益成熟和计算机处理性能的不断提高,基于红外图像的目标检测和跟踪技术成为研究热点。
本文主要介绍基于红外图像处理技术的目标检测和跟踪技术研究。
一、红外图像处理技术简介红外辐射是指波长在0.8~1000微米范围内的光辐射,因其在大气中传播损失小,可以穿透雾、烟和夜间的黑暗,所以被广泛应用于夜视、火控、生命体征监测等领域。
红外图像处理技术是把红外图像传感器采集到的红外辐射图像进行数字处理和分析,从中提取目标信息并进行识别、检测和跟踪。
其主要包括图像预处理、目标检测和跟踪、目标识别等主要步骤。
二、基于红外图像处理技术的目标检测目标检测是指在一张图像中找出其中的目标,并给出它们的位置。
基于红外图像处理技术的目标检测技术主要采用特征检测和机器学习算法相结合的方法。
特征检测是指在图像中寻找具有特定特征的区域。
基于红外图像的目标检测主要采用纹理特征、边缘特征、形状特征等多种特征进行检测。
机器学习算法是指通过大量的样本数据进行训练,学习到从图像中提取特征并进行目标检测的方法。
主要包括支持向量机、神经网络、决策树等算法。
三、基于红外图像处理技术的目标跟踪目标跟踪是指在一段视频序列中,持续追踪图像中的目标,以实现目标在时空上的连续跟踪。
基于红外图像处理技术的目标跟踪主要采用模型跟踪和特征点跟踪两种方法。
模型跟踪是指在目标检测的基础上,通过建立目标的状态模型,实现目标在不同帧之间的跟踪,主要包括卡尔曼滤波、粒子滤波、扩展卡尔曼滤波等算法。
特征点跟踪是指在一段视频序列中通过提取目标的特征点,以它们在不同帧之间的运动来实现目标的跟踪。
主要包括SURF、SIFT、FAST等算法。
四、基于红外图像处理技术的应用基于红外图像处理技术的目标检测和跟踪技术已经得到了广泛的应用。
其中,主要包括火灾监测、工业安全、安保监控、精准医疗等领域。
红外弱小目标检测技术研究随着科技的发展,红外弱小目标检测技术在军事、安防等领域的应用愈发重要。
红外弱小目标指的是红外场景中,与背景差异小且信号弱的目标,例如人、车、无人机等。
由于红外场景中的目标往往不容易被肉眼观察到,传统的目标检测方法往往失效,因此红外弱小目标检测技术的研究具有重要的现实意义。
红外弱小目标检测技术的研究需要解决的一个核心问题是目标的检测和跟踪。
目标检测的关键在于通过红外图像中的特征信息,将目标与背景进行分离。
这个过程可以分为两个步骤:特征提取和目标定位。
特征提取是将目标从红外图像中提取出来的关键步骤,目前常用的方法有灰度共生矩阵法、小波变换法、相关滤波法、深度学习法等。
这些方法可以通过对图像的纹理、形状、频谱等特征进行分析,来提取目标的特征信息。
目标定位则是通过特征提取的结果,确定目标在图像中的位置。
红外弱小目标的跟踪是指在目标检测的基础上,通过连续的帧图像进行目标的路径追踪。
目标跟踪的关键问题是如何在连续的帧中找到目标,并且保持目标的标识不变。
目前,常用的目标跟踪方法有帧间相似度法、光流法、粒子滤波法等。
这些方法可以通过对目标的运动轨迹、形状变化等信息进行分析,来实现目标的准确跟踪。
除了目标检测和跟踪之外,红外弱小目标检测技术还需要解决的一个问题是目标的识别。
目标的识别是指在检测出目标之后,通过对目标的特征进行进一步分析,确定目标的类别。
目前,常用的目标识别方法有模板匹配法、特征提取法、深度学习法等。
这些方法可以通过对目标的外形、纹理、颜色等特征进行分析,来提取出目标的特征信息,并将其与预先训练好的模型进行比对,从而确定目标的类别。
总之,红外弱小目标检测技术的研究对于提高红外图像处理的能力,提升军事、安防等领域的监控效果具有重要的意义。
这种技术不仅可以实现对红外弱小目标的准确检测和跟踪,还可以通过目标的识别,对目标的类别进行判断和分析。
未来,随着深度学习等技术的进一步发展,红外弱小目标检测技术还将得到更加广泛和深入的应用。
红外弱小目标检测算法综述红外弱小目标检测算法是一种应用于特定领域的有效的图像处理技术,这种技术可以有效地检测出红外图像中被称为“弱小目标”的图像特征,进而提供重要的信息服务。
在红外图像中,弱小目标是指具有较低热能或光强度、较小视场大小、较低对比度和较低空间分辨率等特性的目标物体。
由于红外弱小目标的特征较为细微,因此,常规的图像处理方法对它们的检测效果较差,而运用红外弱小目标检测算法则可以显著提高识别效果。
红外弱小目标检测算法可以分为基于统计的方法、基于学习的方法和基于模板匹配的方法三大类。
基于统计的方法是利用非线性滤波器、概率密度函数和后验概率等统计分析手段,对红外图像进行处理,以提取其中的弱小目标特征,并将它们进行提取和分类。
基于学习的方法则是利用支持向量机(SVM)、神经网络(NN)和深度学习等机器学习技术,通过与已知的真实目标进行学习,从而实现对弱小目标的检测。
基于模板匹配的方法是利用图像模板匹配算法,将已知的模板图像与待检测的红外图像进行对比,以发现其中的弱小目标。
随着研究者对红外弱小目标检测算法的设计不断深入,许多改进的算法也被提出,如基于特征点的算法、基于多尺度特征的算法、基于深度学习的算法等。
这些算法都是对前面提到的基本算法进行了改进和优化,以提高红外弱小目标检测的准确性和实时性。
基于特征点的算法主要是利用红外图像的细节特征,如纹理、轮廓和光强等,提取出红外图像中的特征点,然后利用这些特征点进行弱小目标的检测。
基于多尺度特征的算法则是利用多尺度的红外特征,构建多尺度的特征模型,并将其与图像进行对比,从而实现弱小目标的检测。
基于深度学习的算法则是利用深度学习技术,构建一个多层次的特征模型,并将其用于红外图像的分类和检测,从而提高弱小目标的检测精度和可靠性。
总之,红外弱小目标检测算法是一种有效的图像处理技术,旨在有效地检测红外图像中的弱小目标特征,为后续应用提供重要信息服务。
在现代研究中,基于统计、基于学习以及基于模板匹配的算法都被提出,而且随着算法的不断改进,许多改进的算法也被提出,以提高红外弱小目标检测的准确性和实时性。
㊀第52卷第2期郑州大学学报(理学版)Vol.52No.2㊀2020年6月J.Zhengzhou Univ.(Nat.Sci.Ed.)Jun.2020收稿日期:2019-12-04基金项目:国家自然科学基金项目(61903340);河南省教育厅重点项目(19A413002);河南省博士后科研项目(001701002);河南省青年人才托举工程项目(2020HYTP028)㊂作者简介:任向阳(1992 ),男,河南漯河人,博士研究生,主要从事图像处理㊁红外弱小目标检测研究,E-mail:xyren199201@;通信作者:马天磊(1989 ),男,河南新乡人,讲师,主要从事图像处理㊁红外弱小目标检测研究,E-mail:tlma@㊂红外弱小目标检测技术综述任向阳,㊀王㊀杰,㊀马天磊,㊀朱晓东,㊀白㊀珂,㊀王佳奇(郑州大学电气工程学院㊀河南郑州450001)摘要:随着红外探测技术的不断发展,对探测距离的要求越来越高,红外弱小目标检测技术已成为国内外红外探测领域的研究重点㊂简介了红外弱小目标检测的背景及意义;重点综述了目前在红外弱小目标检测领域中各类典型方法的研究现状及最新进展;给出了几种不同类型的红外弱小目标检测方法的实验对比;最后对红外弱小目标检测技术的研究进行总结和展望㊂关键词:红外弱小目标;目标检测;红外图像;检测性能中图分类号:TP391.4㊀㊀㊀㊀㊀文献标志码:A㊀㊀㊀㊀㊀文章编号:1671-6841(2020)02-0001-21DOI :10.13705/j.issn.1671-6841.20195570㊀引言自然界中,物体温度高于绝对零度时,都会持续向外界辐射红外波段能量[1-2]㊂物体具有越高的温度,则其向外辐射的红外能量就越大[1,3]㊂红外探测技术就是以红外目标监测系统为载体,利用被检测目标与背景之间红外辐射的差异实现目标检测和识别[4]㊂与传统的主动雷达成像以及可见光成像等探测技术相比,红外探测技术具有一系列的独特优势:1)红外探测技术隐蔽性好㊂主动雷达成像探测需要向外界发射电磁波而容易暴露自身的信息,红外成像探测则属于被动探测,不需要向外界发送信号㊂2)红外探测技术可以全天候工作㊂可见光成像探测器只能在白天进行探测工作,而红外成像探测器不受白天夜晚的限制,可实现昼夜工作㊂3)红外探测技术抗干扰能力强㊂主动雷达成像探测的效率容易受到目标表面隐形吸波材料的吸收而削弱;可见光成像探测很容易被云层㊁烟雾等因素干扰,并且容易被不同的伪装手段欺骗㊂随着雷达隐形技术以及伪装技术的发展,主动雷达成像探测与可见光成像探测往往难以满足一些实际的探测需求,而红外成像探测则可以更好地穿透烟雾㊁云层等干扰,并且有一定识别伪装目标的能力,同时不会被各种雷达隐形吸波材料所影响㊂因此,红外探测技术可以对传统探测手段进行有效补充甚至可以替代传统的探测技术㊂随着红外探测技术的发展,该技术已在不同的领域中得到广泛应用[4-6]㊂在民用领域,已被广泛地应用于火灾预警[7-8]㊁气体泄漏检测[9-10]㊁医学特征识别[11-12]㊁农业生产[13-15]等方面㊂而在更为重要的军事领域,红外探测技术已被广泛应用于侦察㊁制导㊁预警等方面[16-19]㊂例如:美国的天基红外预警系统和国防支援计划导弹预警卫星系统[20]㊁俄罗斯的 凤凰 系统㊁荷兰等国的 天狼星 系统[21]㊁以色列的 云雀 无人侦察机㊁美国的 全球鹰 无人侦察机[22]等均使用到了红外探测技术[23]㊂对于红外探测系统来说,当被检测目标与探测器之间的距离达到十几甚至几十公里时,在大气扰动㊁光学散射和衍射等外界因素的影响下,经过光学系统成像后,红外图像中的目标呈现 弱 和 小 的特征㊂此时红外探测已进入红外弱小目标探测的范围㊂其中 弱 这个特征主要是目标的信噪比以及目标与背景的对比度较低; 小 这个特征则主要是目标在整幅红外图像上所占有的像素数少㊂因此,在检测过程中,由于弱小目标尺寸比较小,不具有相应的形状以及纹理特征,同时在实际场景中,复杂多变的云㊁建筑物㊁海面等郑州大学学报(理学版)第52卷干扰物的面积较大,导致被检测的小目标很容易会被复杂的场景形成的杂波所淹没[3]㊂此外,目前红外弱小目标检测方法的稳健性㊁鲁棒性㊁实时性还不能完全满足不同应用背景的需求㊂因此,红外弱小目标检测技术成为近年来在民用和军事领域里的研究热点之一[4]㊂1㊀红外弱小目标检测技术的研究现状红外弱小目标检测技术是红外探测系统的关键技术之一,是红外探测领域的研究热点[24-26]㊂国内外有许多的相关机构开展了红外弱小目标检测技术的研究工作,并取得了丰硕的研究成果[26-28]㊂同时,有许多国内外的刊物和会议也经常发表和探讨一些弱小目标检测技术的研究成果[27-30]㊂1.1㊀红外弱小目标成像的数学模型在红外成像的过程中,由于受大气散射㊁折射㊁镜头污染㊁光学散焦㊁镜头变形等影响,远距离目标被红外探测器接收时,信号强度表现为弱小的特点[5]㊂根据国际光学工程学会(society of photo-optical instrumenta-tion engineers,SPIE)的定义,把面积不大于9pixelˑ9pixel大小的红外目标称为红外小目标[1,3,4]㊂如图1所示,图1(a)为一幅真实场景的红外图像,该图像的大小为256pixelˑ318pixel㊂为了能够清晰地显示小目标,对该图像中弱小目标的局部区域进行放大,并调节其对比度,图1(b)为弱小目标及其邻域的放大图,其大小为31pixelˑ31pixel㊂图1(c)代表弱小目标及其邻域的三维分布图㊂通过观察可知:图中弱小目标为中心对称㊁向四周辐射的形状,与二维高斯函数非常相似㊂很多学者都使用二维高斯函数对弱小目标进行建模[1,3,4],模型为f T(x,y)=A㊃exp{-12[(x-xcϑx)2+(y-y cϑy)2]},式中:ϑx和ϑy为横向和纵向的尺度参数;A为目标的灰度幅值;fT(x,y)为该弱小目标的空间分布灰度函数;(x c,y c)为红外小目标的空间坐标㊂图1㊀实际红外图像中的弱小目标及其三维强度图Figure1㊀A small target in an infrared image and its3D intensity distribution 在红外弱小目标检测中,根据对小目标检测时进行图像处理所需数据量的差异,可将这些检测方法分为两大类,即基于单帧的检测方法和基于多帧的检测方法[31]㊂基于单帧的弱小目标检测方法通过处理单帧图像来检测目标,并从单帧检测结果中给出目标存在与否的判决;基于多帧的弱小目标检测方法则同时处理多帧图像,将多帧图像全部处理后,给出目标存在与否的判决结果[32-33]㊂本文以这两类方法为主线,介绍其中的代表性检测方法㊂1.2㊀基于单帧图像的弱小目标检测方法基于单帧图像的弱小目标检测方法主要利用单帧图像的空间信息对小目标进行检测㊂现有的基于单帧图像的弱小目标检测方法主要分为三种:第一种是从目标角度出发,根据目标和周围背景在单帧红外图像中的灰度㊁结构等特征差异,设计检测算子,直接提取目标[34];第二种是从图像背景角度出发,采用相应方法抑制图像的背景,从而实现弱小目标的检测[35-36];第三种是基于图像数据结构的方法,这种方法主要是通过查找低维子空间结构以及使用预设的超完整字典来显示数据结构,从而实现小目标的检测[37-38]㊂本文主要针对几种比较有代表性的单帧检测方法进行介绍㊂1.2.1㊀基于目标特征的弱小目标检测方法㊀基于目标特征的弱小目标检测方法是根据目标和其邻域在单帧红外图像中的特征差异,设计不同方法凸显小目标并抑制背景杂波,从而实现弱小目标的检测㊂23㊀第2期任向阳,等:红外弱小目标检测技术综述1)基于视觉对比机制的弱小目标检测方法基于视觉对比机制的弱小目标检测方法是近几年才出现的一种新颖的弱小目标检测方法㊂由于人类的视觉系统(human visual system,HVS)在处理目标检测任务时表现出非常良好的鲁棒性[39-42],所以,有关视觉系统中的一些理论机制也被引入到弱小目标检测中来[43-44]㊂在此类方法中,视觉对比机制较多地被用于研究弱小目标检测[45]㊂对比机制一般被认为是信号在某个局部区域中存在信息差异,如小目标与其邻域之间存在着各种不同的差异㊂在人类视觉系统中,这些差异对于认知外界事物具有非常重要的意义[46]㊂根据小目标灰度强于邻域灰度的特征,Chen等[47]基于视觉对比机制提出了一种局部对比测量方法(local contrast measure,LCM)㊂该方法主要是利用小目标的灰度值一般会比邻域的灰度值更大一些的特点㊂此后,Han等[48]发现LCM存在过增强噪声点的现象,并提出了一种改进的局部对比测量方法(improved LCM,ILCM)㊂该方法采用了HVS大小自适应过程和注意力转移机制,有效地降低了噪声点过增强现象的发生,但该方法容易把小目标变得平滑㊂为了较好地保留小目标的形状,王晓阳等[49]提出一种区域局部对比度方法,该方法利用了图像信息熵和局部相似性等信息,对小目标的原始形状保留效果较好,但在复杂场景中,区域局部对比度方法不是非常有效㊂为了提高在复杂场景的检测率,Qin等[50]提出了一种新颖的局部对比度测量(novel local con-trast measure,NLCM)方法㊂不同于ILCM使用近似于小目标尺寸的滑动窗口,NLCM使用尺寸大于小目标的局部区域作为滑动窗口,这更有利于在复杂场景中增强目标和背景的对比度㊂为了进一步提高方法的检测性能,Du等[51]提出了一种同质加权局部对比度测量方法(homogeneity-weighted local contrast measure, HWLCM)㊂该方法能够充分利用中心和周围区域的局部对比特征以及周围区域的加权均匀性特征㊂这些特征的使用有利于增强目标强度和抑制复杂背景㊂由于LCM方法被提出时间并不是很长,仍有许多学者对该类方法进行研究和改进[52-56],例如:多尺度块的对比测量(multiscale patch-based contrast measure,MPCM)[52]㊁多尺度局部同质测度(multiscale local contrast measure,MLCM)方法[53]㊁相对局部对比测量(relative local contrast measure,RLCM)方法[54]㊁局部差异量度(local difference measure,LDM)[55]㊁改进的LCM[56],等等㊂在计算局部对比度时,LCM及其改进方法大多使用的是比率形式定义㊂这些方法先计算图像中某局部中心与其邻域之间的比率作为增强因子,然后将增强因子与局部中心值的乘积作为局部对比度[54]㊂除了上述使用比率形式定义计算局部对比度的方法之外,许多方法还使用了差异形式定义,即使用图像中的某局部中心以及邻域之间的差异结果作为局部对比度[57-58]㊂这类方法中较为典型的是由Kim等[59]提出的拉普拉斯-高斯算子(Laplacian of Gaussian,LoG)㊂该算子可以有效地提高被检测弱小目标与其周围区域之间的对比度,从而实现目标的检测㊂针对该方法在具有比较复杂的背景杂波时容易产生虚警的问题,一种局部定向LoG算子被提出[60]㊂该方法首先将LoG滤波器分解为具有4个方向的局部LoG滤波器;然后使用局部LoG滤波器生成的内核对图像进行卷积;最后,通过最小滤波器获得最终的空间滤波图像㊂这种方法可以有效地提高检测率并消除云边缘带来的虚警㊂此外Shao等[61]在结合形态学操作的基础上,对LoG算子进行改进,也取得了良好的小目标检测结果㊂2)基于局部强度和梯度的弱小目标检测方法基于局部强度和梯度的弱小目标检测方法是受到小目标在图像分布中呈现高斯形状的启发,从强度和梯度的角度对小目标的局部属性进行描述,以增强目标并抑制图像中的杂波[62]㊂在红外图像中,小目标像素的灰度值大于其局部相邻像素的值;另外,小目标可使用二维高斯函数模拟,二维高斯函数形成标量场,其梯度场表现为梯度向量指向中心的特点,同理,小目标具有灰度标量场,其梯度场也表现为梯度向量指向目标中心的特点㊂这两个属性分别被认为是局部强度属性和局部梯度属性㊂均匀背景可以通过使用局部强度属性来抑制,因为它们的强度值几乎相同;对于具有强边缘的背景,它们的梯度方向通常是一致的,不同于分布中目标的梯度㊂基于这两个属性,通过计算原始红外图像局部强度和梯度(local intensity and gradient, LIG)图,可以实现目标增强和杂波抑制㊂1.2.2㊀基于背景特征的弱小目标检测方法㊀根据背景抑制方式的不同,基于背景特征的弱小目标检测方法主要分为两类:基于空域滤波的方法和基于变换域滤波方法㊂1)基于空域滤波的方法首先通过估计图像的背景信号,然后利用原始图像与估计得到的图像背景进行4郑州大学学报(理学版)第52卷差分运算,最后在差分图像中使用阈值分割方法实现弱小目标的检测㊂其中实现图像背景估计的步骤如下:首先在图像中取每个像素点对应的局部区域,然后利用此局部区域上的灰度信息对该像素点的背景强度值进行估计,最后对图像上所有的像素点进行遍历从而获取图像背景的预测图㊂传统基于空域滤波的方法有最大中值\最大均值(max-mean\max-median)滤波器的方法[63]㊁二维最小均方(two-dimensional least mean square,TDLMS)滤波器的方法[64-67]㊁数学形态学方法[68-71]㊁双边滤波器[72-73]㊁高通模板滤波方法[3-4]㊁中值滤波方法[3-4]等等㊂A)Max-mean\max-median方法是一种非线性的滤波方法,该方法在中值滤波方法的基础上,对图像进行滤波后再进行差分运算[63]㊂在处理过程中,当被处理的像素点在目标上时,使用max-mean\max-median 方法所获得的背景预测值近似于该像素点邻域的平均信号强度值㊂而在图像中目标点的信号强度值和其邻域的平均强度值之间具有较大的差异,于是,在原图和预测的背景图进行差分运算后该像素点会具有较大的响应值㊂当被处理的像素点在平缓变化的背景上时,用max-mean\max-median方法所获得的背景预测值与该像素点的灰度值两者之间非常接近,在原图和预测的背景图进行差分运算后该像素点对应的响应值较小㊂当像素点位于景象边缘时,使用max-mean\max-median方法获得的背景预测值为景象边缘上的平均强度值,所以该像素点的强度值与预测值的差异很小,进行差分运算后该像素点对应的响应值也很小㊂因此,max-mean\max-median方法不仅对被检测图像上起伏的背景信号能够有效进行抑制,还可以有效地抑制图像边缘具有的纹理信息,这些抑制有利于后续的弱小目标检测㊂B)1988年,Hadhoud等将应用于一维信号处理领域的LMS(least mean square)方法扩展到二维信号处理领域,提出TDLMS方法[64],并应用于图像去噪以及图像增强㊂考虑到该方法在图像处理领域具有较好的性能,因此该方法被一些学者引入到弱小目标检测中㊂TDLMS方法是一种自适应迭代的方法,该方法首先根据输入图像的内容对模板参数进行自动计算,在每一次迭代过程中求取预测的背景图像与期望图像两者之间的差异并得到误差函数;然后判断误差函数与设定阈值之间的大小,当误差函数数值小于阈值时,停止迭代,并输出经过该方法预测得到的背景图像㊂很多学者在不同特征区域的选取以及模板更新步长参数的自适应确定等方面对这种方法进行了改进[65],例如Bae等[66]为了在背景和小目标区域中自适应地调整步长,通过使用小目标邻域图像块预测像素的方差,来计算与自适应区域相关的非线性步长,该方法取得了较好的检测效果㊂此外,张世璇等[67]提出了一种由背景去除与目标提取构成的两层TDLMS滤波器,该方法根据图像的统计参数对步长的大小自适应调整,并迭代得到最优的TDLMS滤波器权值㊂C)1964年Matheron和Serra提出数学形态学(mathematical morphology,MM)的方法,并将该方法应用到了图像分析领域[68]㊂数学形态学方法是一种基于集合理论和几何学的非线性滤波方法㊂数学形态学运算基于两个基本操作:腐蚀和膨胀㊂这两个基本的操作在原始图像和结构元素构成的集合上进行㊂最常用的数学形态学方法是顶帽变换(top-hat transformation,Top-hat)方法[69],该方法首先构造合适的结构元素;然后利用形态学开运算滤除小于结构元素的亮奇异点,同时利用形态学闭运算滤除小于结构元素的暗奇异点,最后使用原始图像与预测的背景图像进行差分处理,得到包含残差和弱小目标的图像㊂在经典的Top-hat方法的基础上,有许多改进的方法被提出,Zhou等[70]设计了一种由系列Top-hat滤波器构成的连续Top-hat滤波器方法,该方法中Top-hat滤波器的结构元素逐渐减小㊂之后,Deng等[71]考虑到自适应结构元素对于Top-hat方法的重要性,提出了一种基于量子遗传方法的自适应Top-hat结构元素优化方法,该方法能够实现更稳定的小目标检测性能㊂D)1998年Tomasi等提出双边滤波器(bilateral filter)的方法,并用于图像去噪㊂由于该方法具有良好的红外图像背景估计能力,被学者们广泛地应用于弱小目标检测领域[72]㊂双边滤波器主要由灰度域滤波核和空间域滤波核这两个不同的高斯滤波核构成㊂在空间域中,滤波核根据像素之间的欧氏距离,对离中心像素更近的像素赋予更大的权重;在灰度域中,滤波核根据像素灰度值之差,与中心像素值更接近的像素赋予更大的权重㊂不同于传统的滤波方法仅仅考虑不同像素在空间位置中的分布,双边滤波方法不仅对像素的空间位置分布进行考虑,还对图像中像素的灰度分布特征进行考虑㊂因此,这种方法能够具有很好的红外图像背景估计性能,并且对于图像背景边缘的特点也有很好的保存性能㊂考虑到该类方法的特点,Bae等[73]提出了一种新颖的基于双边滤波器的目标检测方法,该方法首先根据像素四个方向的边缘分量判断是否存在潜在的小目标;如果判断的结果是存在潜在的小目标,则使用双边滤波器方法对小目标进行模糊处理;之5㊀第2期任向阳,等:红外弱小目标检测技术综述后将原始的红外图像与通过双边滤波器方法得到的预测图像进行差分处理,从而实现对小目标信号的提升㊂2)相比于具有较低计算复杂度的空域滤波的方法,变换域方法计算复杂度较高㊂但是近年来随着相关计算设备性能的提升,一些基于变换域滤波的方法也在工程实践中被证明具有良好的背景抑制性能[74]㊂基于变换域滤波的方法首先使用相应的变换方法获取红外图像的变换域信息,然后在变换域中处理获取的信息,最后使用逆变换的方法将变换域中的图像变换至空间域,从而得到相应的结果㊂A)经典的频域滤波方法首先通过傅立叶变换方法[75]将图像变换到频域中,然后在保护目标相关特征的同时,对其进行高通滤波㊂最后,经过逆变换获得背景抑制后的红外图像㊂这种方法可以有效地抑制变化比较缓慢的背景,同时能够保留弱小目标㊁景象边缘以及图像中的随机噪声㊂常见的频域弱小目标检测方法主要有理想高通滤波[76]㊁巴特沃斯高通滤波[77]等㊂B)小波变换滤波方法考虑到红外图像中背景对应的辐射强度小于目标区域对应的辐射强度,同时弱小目标与周围背景灰度不连续㊂因此,在检测小目标的过程中,小目标可以被认为是红外图像的高频部分,而图像的背景则可以被认为是红外图像的低频部分,基于此可以使用小波变换的方法分离红外图像中的高频部分和低频部分,然后分别处理两个不同的部分,从而实现图像信噪比的提升以及对弱小目标的检测[78]㊂常见的小波变换滤波方法主要有基于Countourlet变换的方法㊁基于非下采样轮廓波变换的方法等[4]㊂除了上面几类基于背景特征的检测方法之外㊂随着非局部均值滤波方法(non-local means denoising, NLM)在图像去噪领域取得的优异效果,该方法被引入到了小目标检测领域中[79-80]㊂NLM的主要思想是使用与评估像素具有相似邻域结构的像素加权平均值来替换评估像素[79]㊂基于NLM的方法使用相同的原理来寻找相似的局部块,并对图像背景进行估计㊂在这类方法中,非局部检测(detection by NL-means, D-NLM)是一种典型的方法,该方法首先寻找图像的相似块,并根据分析忽略相似块中两个最不相似的像素来修改距离度量以便在存在小目标的情况下稳健地估计图像背景㊂在D-NLM的基础上,文献[81]提出一种基于块匹配和三维滤波以及高斯混合匹配滤波器(detection by block matching and three-dimensional filtering and Gaussian mixture matched filter,DBM3D+GMMF)的方法,该方法基于块匹配和三维滤波方法的输出值来估计图像背景的均值[82-83],并结合高斯混合匹配滤波器,最终有效地对红外图像的背景进行估计,成功提取了红外弱小目标㊂1.2.3㊀基于图像数据结构的弱小目标检测方法㊀传统的基于单帧图像的弱小目标检测的基本思路是认为被检测的红外图像由小目标㊁背景以及噪声三个部分组成,通过设计不同的方法实现增强目标信号或者抑制背景和噪声,进而实现弱小目标的检测㊂基于图像数据结构的弱小目标检测方法则主要是根据红外图像中目标的稀疏性和背景的低秩性等不同的结构特点,实现目标图像和背景图像的分离㊂近来,这些基于图像数据结构的方法引起了越来越多的关注[84]㊂基于图像数据结构的方法通常利用以下两种方式来对小目标进行检测[85-86]㊂1)在查找低秩子空间结构的方法中,代表性的是基于红外图像块(infrared patch-image,IPI)模型的方法[87]㊂该方法中,小目标被认为是一个稀疏分量,同时背景被认为是一个低秩分量㊂通过分析图像中背景㊁噪声以及小目标的特点,IPI模型可以表示为min B,T B ∗+λ T 1+12μ I-B-T 2F,式中:I代表红外图像对应的矩阵;T代表小目标矩阵;B代表背景矩阵;λ和μ为给定的参数㊂在该方法中,对小目标的检测被转换成从数据矩阵中恢复两个分量的过程㊂但是IPI方法并未考虑当红外图像背景是较复杂的异构背景的情况㊂此时,单独的子空间很难有效地表示图像中复杂的异构背景㊂为此,Wang等[88]设计了一种稳定多子空间学习(stable multi-subspace learning,SMSL)的方法,该方法将图像的异构背景数据看作是一种多子空间的结构,并提出了一种学习多子空间策略的模型,有效地实现了对小目标的检测,该模型可以表示为min D,a,T㊀ a row-1+λ T 1+12μ I-Dα-T 2F,s.t.㊀D T D=I k㊀∀i,式中:D=[D1,D2, ,D k]表示背景数据空间;α=[α1,α2, ,αk]表示系数;λ和μ为给定的参数;k是子空间维度㊂。
基于单帧图像的红外弱小目标检测技术研究综述
何青叶
【期刊名称】《红外》
【年(卷),期】2022(43)4
【摘要】红外探测系统以其隐蔽性好、穿透能力强等优点广泛应用于航空航天、军事侦察等领域。
但该系统的观测距离较远,且目标往往呈现弱小状态,所以针对单帧图像的红外弱小目标检测一直是红外探测领域的难点和研究热点。
基于滤波、视觉显著性、图像数据结构和深度学习四个方面,对当前单帧红外弱小目标检测算法进行了详细综述,最后对红外弱小目标检测技术进行了总结与展望。
【总页数】11页(P9-19)
【作者】何青叶
【作者单位】中国科学院上海技术物理研究所;中国科学院大学
【正文语种】中文
【中图分类】TP391
【相关文献】
1.改进Sobel算子的单帧红外弱小目标检测
2.基于滑窗式单帧红外弱小目标检测方法研究
3.Fuzzy-ART背景抑制的单帧红外弱小目标检测
4.一种单帧图像红外弱小目标检测算法及DSP实现
5.红外单帧弱小目标检测算法研究综述
因版权原因,仅展示原文概要,查看原文内容请购买。