下载文档原格式
基于红外图像的内河船舶目标检测技术研究的开题报告一、课题背景随着全球贸易的发展，内河航运成为了重要的物流运输方式之一。
在内河航运中，船舶的安全问题一直为人们所关注。
因此，如何有效地进行船舶目标检测和识别，成为了内河航运领域中的一个重要问题。
近年来，红外图像技术逐渐应用于船舶目标检测中。
红外图像是一种可以反映物体红外辐射特征的图像。
相对于可见光图像，红外图像具有不受天气、时间、光照等因素影响的优势，因此能够对于严重的船舶目标检测问题提供更好的解决方案。
二、研究目的本研究旨在通过分析红外图像技术在内河船舶目标检测中的应用方法和现有技术的特点，设计并实现一种高效准确的基于红外图像的内河船舶目标检测技术，进一步提升内河航运安全性和运行效率。
三、研究内容和方法1.分析红外图像技术在内河船舶目标检测中的应用方法与特点。
2.设计和实现一种基于红外图像的内河船舶目标检测技术，包括船舶目标检测预处理、特征提取与分类器设计等。
3.实验验证算法的有效性和准确性，通过与现有船舶目标检测技术进行比较，评估其性能与应用价值。
四、预期结果和意义本研究的预期结果是设计并实现一种高效准确的基于红外图像的内河船舶目标检测技术，明确其技术特点和应用价值。
通过实验验证，证明此技术在船舶目标检测中具有优越性能和实用性，进一步提升内河航运的安全和效率。
五、论文结构本文主要分为五个部分：1.引言介绍内河船舶目标检测的意义和本研究的目的和意义。
2.相关技术分析对红外图像技术在船舶目标检测中的应用方法和特点进行分析，综述已有的船舶目标检测技术。
3.基于红外图像的内河船舶目标检测技术设计详细阐述基于红外图像的内河船舶目标检测技术的设计方法和具体实现过程。
4.实验与评估通过实验验证算法的有效性和准确性，与现有技术进行比较，评估此技术的性能和应用价值。
5.总结与展望总结本文对于基于红外图像的内河船舶目标检测技术的研究。
展望未来，进一步拓展此技术的应用场景和发展方向。
基于形态学的红外小目标检测算法郭张婷;辛云宏【摘要】在分析复杂天空背景下红外视频序列特征的基础上，针对红外小目标本身特性及红外序列低信噪比的问题，提出适合该环境的红外小目标检测算法.该滤波方法以形态学滤波理论为基础，首先采用均值滤波和Opening-Tophat运算对红外视频序列进行预处理，然后运用基于均值和方差的统计分割方法提取图像中的运动目标，从而实现了红外小目标的检测.实验结果表明，所提出滤波方法具有良好的检测和分割效果，能够有效地改善跟踪精度.【期刊名称】《渭南师范学院学报》【年(卷),期】2011(026)006【总页数】6页(P35-40)【关键词】红外小目标；形态学；Opening-Tophat；阈值分割【作者】郭张婷;辛云宏【作者单位】陕西师范大学物理学与信息技术学院，西安，710062;陕西师范大学物理学与信息技术学院，西安，710062【正文语种】中文【中图分类】TP751随着信息化时代的到来和航空航天技术的迅猛发展，大量智能化、数字化设备在现代化军事装备中的应用，对红外跟踪系统的研究已经成为必然趋势.在我国，红外搜索探测跟踪系统分析(IRST)已经成为热门研究方向［1］，而与此同时，此类基于红外视频序列的目标检测和跟踪算法的研究也显得尤为重要.近年来，各种红外小目标序列的检测和预处理算法也层出不穷，如去局部均值、中值高通滤波算法、多级滤波算法、梯度倒数加权滤波算法、基于侧抑制的局部对比度增强算法等等［2－4］，这些算法的提出在不同程度上实现了红外小目标的检测和增强，但由于红外小目标的特殊性和视频序列采集时环境因素的影响，单纯的使用某种算法仍然无法达到预期的增强目标和滤除噪声的效果，因此针对红外目标特性的预处理算法的提出能有效地改善预处理效果，从而更容易达到实时跟踪和精确跟踪的最终目的.常温下，物体辐射出的红外线位于中、远红外线的光谱区，易引起物体分子的共振并呈现明显的热效应，红外热成像技术也以此为基础.利用探测仪器测定目标本身和背景之间不同温度点发射的红外线波长和强弱的不同而形成可见图像的方法即红外热成像技术［5］.红外成像中的目标有大目标和小目标之分，针对大小目标也有相应的检测和跟踪算法.红外小目标的目标所占像素数目较少，一般情况下我们认为红外图像中6×6像素以下的目标为红外小目标，它们基本上没有可靠的形状信息，通常呈点状.除此之外，小目标没有明显的尺寸和纹理等信息，图像中目标的边界模糊不清，图像背景复杂，缺少目标和背景的先验知识.而在已捕获的红外视频序列中，红外大目标尺寸在6×6像素以上［6］，当目标从我们的视野中掠过的时候，可以看到它的大致轮廓.通常情况下，红外目标的跟踪系统有两种工作模式［7］，即 DBT(Detect-Before-Tarck)模式和TBD(Track-Before-Detect)模式.文中使用先检测后跟踪的处理模式，过程如图1所示，也就是在跟踪前针对每帧图像的特点采用一系列的预处理方法对图像进行增强和分割，去除或减少图像中的噪声和杂波，最后再选取合适的跟踪算法对目标轨迹进行预测和跟踪.这种模式计算复杂度较低，便于实时处理.实际应用中，红外探测器(热像仪等)与目标距离较远，加之光学系统、电路噪声以及其它干扰的影响，使得红外图像表现出信噪比较低的共性.对于包含小目标的红外单帧图像，通常可表示为:上式中，a(x，y)表示红外热像仪等外围设备接收到的红外序列中的某帧图像，t(x，y)表示目标，b(x，y)表示背景，n(x，y)表示图像中的各种噪声和干扰［8］.本文主要研究天空背景下的红外小目标的检测问题.基于对红外图像的分析我们知道，红外图像的背景多表现为缓慢变化的部分，呈大面积连续状态［9］，同时像素之间呈现出较大的相关性;大片的云层受到太阳光的散射和自身的辐射显得较亮，其灰度非常接近于小目标(飞机等)，是最强的干扰.目标与背景的区别在于它与周围的像素点并无明确的相关性，在其出现的地方，往往会出现灰度上的突变.基于以上分析提出的预处理算法的流程如图2所示:首先对输入图像进行均值滤波.所谓均值滤波即在一幅图像内部，以像素为单位，求出周围相邻像素的均值并赋值给中心像素，从而达到滤波的效果.这种方法中均值模板是一个低通滤波器，运算过程则是对整幅图像从上到下，从左到右的一个卷积过程［10］.因为图像细节主要存在于高频区域，均值滤波在去噪的同时会导致图像的模糊.如果模板过大则会加剧模糊;模板越小则去噪能力越弱.图3所示为本文中选取的3×3均值模板，图4为其频谱特性.在均值滤波的基础上对每帧图像进行Opening-Tophat［11－12］运算.这种Tophat开运算是形态学中的膨胀﹑腐蚀等基本算子的组合.它是一种很好的高通滤波算子，与膨胀和腐蚀算法类似，这种算子滤波效果的优劣与结构单元的选取有很大的关系，选取合适的结构单元可以更容易从复杂的背景中提取目标信息.腐蚀和膨胀都是形态学的基本运算，对于给定的目标x和结构元素s，腐蚀和膨胀运算分别有如下定义:在此基础上，开运算定义为以相同的结构元素先做腐蚀再做膨胀［13］，目的是去掉图像中一些凸角，平滑边界.其形式如下:本文中所使用的Opening-Tophat算子正是依据腐蚀和膨胀，以及开运算定义而来的.原始图像通过Opening-Tophat运算，得到了抑制背景后的信号和部分噪声.此时，结构元素的选择对滤波的结果有很重要的影响.选择合适的结构元素可以得到很好的抑制背景和增强目标的目的.在图像分割方面，常用的方法包括基于边缘的分割和基于区域的分割［14－16］.对于红外小目标而言，由于其所占像素有限，边缘信息并不明确，因此我们采用基于区域的分割算法对预处理后的灰度图像进行分割，通常包括基于平均灰度的分割和统计特性分割.本文中采用的基于均值和方差的统计特性分割也是其中一种.假设a(x，y)为预处理后的灰度图像，其大小为dep×wide像素:上式中aver为整个图像的均值，σ2为其方差，T为分割阈值，k为分割系数，它的选取直接决定分割效果.在跟踪部分我们使用基于最小均方误差的kalman算法对目标位置进行跟踪和预测，由于此算法的优点在于目标此时刻状态仅取决于上一时刻的状态，对目标位置数据的存储和计算量都大大降低.表1中对比了几种常用的跟踪方法的利弊，实际应用中可根据获取的数据的类型和特点选取合适的跟踪算法.通过以上对比［17－19］我们发现，不同的跟踪算法对不同的目标和背景干扰的处理效果不尽相同，因此在实际应用时，选取适合的预处理算法和跟踪算法显得尤为重要.使用本文中提出的基于形态学的红外小目标视频序列预处理算法对目标序列进行预处理，可以取得较满意的分割效果，从而为后续的目标跟踪和进一步处理、分析提供了良好的基础，也起到了一定简化运算和提高精度的作用.本文仿真部分所使用的红外视频序列均使用武汉高德的ThermoproTMTP8系列红外热像仪采集获得.TP8采用最新技术的非制冷微量热型探测器，可分辨细微至0.08℃ 的温度变化，它采用OLED高分辨目镜的显示设备，红外视频序列的分辨率为288×288像素.以下均为算法的仿真结果.首先，我们要对采集来的包含单个或多个小目标的红外视频序列的每帧图像进行3×3的均值滤波，滤去高频噪声.在我们选择的模板下，滤波所造成的图像整体的模糊是非常微弱的.Opening-Tophat运算中结构元素的选取.我们选择了square和diamond两种结构单元，并对它们的滤波效果进行了对比.对比结果如图5所示:图a为未处理前的原始图像，图b和c分别为选取square和diamond两种结构单元时的滤波结果. 通过对比我们发现，使用square结构单元能更好的保持目标的相对轮廓并且基本滤除了周围以云层为主的噪声干扰，同种情况下，diamond结构单元的滤波结果中仍然能看到部分云层干扰.图像分割中分割系数的选择:T=aver+kσ中的分割系数k的选取直接决定分割效果，图6为选取k=10，k=50，k=200时的分割效果.结果表明当k取200左右时，效果最佳，基本滤除了干扰和噪声，同时增强了目标亮度.我们对视频序列中每帧图像使用本文中提出的算法进行预处理，得到一系列预处理前后的对比图像:图7所示为单目标红外视频序列的部分原始图像和滤波结果，我们分别选取了视频序列的第50帧(图a)，第100帧(图b)，第180帧(图c)图像.图8所示为多目标红外视频序列的部分原始图像和滤波结果，我们分别选取了视频序列的第60帧(图a)，第120帧(图b)，第180帧(图c)图像.图7中单目标序列的处理结果我们可以看出，在视频序列的第50帧位置，飞机未经过云层;在第100帧的时候，飞机准备进入云层;在第180帧的时候，飞机完全进入云层时，组合预处理算法均得到了只有目标存在的二值图像.在多目标序列中，三个目标分别拥有不同的航迹和外形特征，同样也获得了只包含目标的二值图像.以上三组数据的处理，我们发现这种顺序的预处理算法在以上几种情况下均取得了较好的结果，除了滤除干扰以外还实现了对弱小红外目标的增强.本文提出的针对复杂天空背景下红外小目标的预处理算法，用级联的方式融合了多个形态学基本算子，在单个和多个弱小目标存在的情况下均获得了较理想的滤波效果.通过以上对包含弱小目标的红外视频序列的分析，结合预处理算法的理论介绍和实验仿真结果，我们发现在像素值非常有限的红外小目标的检测过程中，切实有效的预处理算法可以帮助我们得到只包含目标的二值图像，帮助我们更容易锁定跟踪目标，开展后续的跟踪处理.同时，这种预处理算法也存在一些不足，比如当目标的灰度底于周围环境像素(暗目标)时，算法无法取得理想的滤波效果，这也是本项目下一步研究的重点.【相关文献】［1］周晓玮.复杂背景下红外小目标实时检测与跟踪［D］.武汉:华中科技大学，2007.3－5. ［2］阎敬文.数字图像处理［M］.北京:国防工业出版社，2006.63－70.［3］王苑楠.图像边缘检测方法的比较和研究［J］.计算机与数字工程，2009，37(1):121－127. ［4］李铫.红外多目标跟踪技术研究［D］.西安:中国科学院西安光学精密机械研究所，2008. ［5］Jeremy D.Bailoo，Martin O.Bohlen，Douglas Wahlsten.The precision of video and photocell tracking systems and the elimination of tracking errors with infrared backlighting［J］.Journal of Neuroscience Methods，2010，6(3):253－264.［6］J.Shaik，K.M.Iftekharuddin.Detection and tracking of targets in infrared images using Bayesian techniques［J］.Optics＆Laser Technology，2009，10(6):112－119. ［7］Jain R，Nagel H.On the analysis of accumulative difference of picture from image sequences of real world scenes［J］.IEEE Trans PAMI，1979，9(7):206－214.［8］Charlene EC，Jerry S.Optimization of point target tracking filters［J］.IEEE Transactions on Aerospace and Electronic Systems，2000，36(1):5－25.［9］杨烜，裴继红，谢维信.基于运动特征的远距离红外目标检测方法［J］.电子与信息学报，2007，29(8):1829－1832.［10］贺兴华，周媛媛.matlab 7.x图像处理［M］.北京:人民邮电出版社，2006.［11］颜佳，吴敏渊，陈淑珍.基于Mean Shift算法的伪装目标跟踪［J］.光电工程，2009，36(2):11－15.［12］罗寰.复杂背景下红外弱小多目标跟踪系统［J］.光学学报，2009，26(6):21－23.［13］管志强，陈钱，钱惟贤.一种背景自适应调整的弱点目标探测算法［J］.光学学报，2007，27(12):2163－2168.［14］WANG Xin，TANG Zhen-min.Modified particle filter-based infrared pedestrian tracking［J］.Infrared Physics＆Technology，2010，10(3):122－124.［15］何东健.数字图像处理［M］.西安:西安电子科技大学出版社，2003.［16］温佩芝，史泽林，于海斌.基于形态学的海面背景红外目标检测方法［J］.光电工程，2003，30(6):55－58.［17］ZUO Zhen.Algorithm based on wavelet transform for small target detection on sea surface in infrared image［J］.Infrared and laser Engineering，1998，14(5):155［18］荆文芳.飞机红外图像的检测识别与跟踪技术的研究［D］.西安:西北工业大学，2006. ［19］程建，杨杰.一种基于均值移位的红外目标跟踪新方法［J］.红外与毫米波学报，2005，24(3):231－235.。
基于形态学Top-hat滤波的红外小目标检测张毅刚;曹阳;项学智【摘要】To meet the requirement of real - time infrared small target detection, the algorithm of small target detection based on FPGA is presented. The design includes Top - hat filter, thresholding segmentation and centroid extraction in blocks of parallel calculation using DSP Builder. The hardware simulation results show that the design performs efficiently to detect moving infrared small target in a fast speed, which has provided a reference method for the system of fast moving target detection.%为了满足红外小目标检测任务实时性高的要求,提出了基于FPGA硬件平台设计小目标检测系统的方法;采用模块化的设计思想并充分发挥FPGA并行运算的能力,利用Altera公司DSP Builder工具,按照Top-hat形态学滤波、阈值分割和质心提取的流程实现硬件算法模块;硬件仿真结果表明,该设计可以快速、可靠地检测出动态红外小目标,并具有一定的抗干扰能力,为高速小目标检测系统的研发提供了一种可行的方案.【期刊名称】《计算机测量与控制》【年(卷),期】2011(019)006【总页数】4页(P1269-1272)【关键词】DSP Builder;FPGA;红外小目标检测;Top-hat形态学滤波【作者】张毅刚;曹阳;项学智【作者单位】哈尔滨工程大学信息与通信工程学院,黑龙江哈尔滨,150001;哈尔滨工程大学信息与通信工程学院,黑龙江哈尔滨,150001;哈尔滨工程大学信息与通信工程学院,黑龙江哈尔滨,150001;哈尔滨工业大学电气学院自动化测试与控制系,黑龙江哈尔滨,150001【正文语种】中文【中图分类】TH873.70 引言红外小目标检测技术一直是图像处理应用领域一个热点问题，被广泛地应用在探测、雷达预警、搜索跟踪等系统中，并随着空间防御技术的发展，成为制导武器上一项关键技术。
《复杂背景条件下的红外小目标检测与跟踪算法研究》篇一一、引言随着红外技术的不断发展，红外小目标检测与跟踪在军事、安全监控和智能交通等领域具有越来越广泛的应用。
然而，由于复杂背景条件下的红外小目标通常具有尺寸小、亮度低、动态性强等特点，导致其检测与跟踪面临极大的挑战。
因此，研究复杂背景条件下的红外小目标检测与跟踪算法，对于提高红外成像系统的性能和增强目标识别能力具有重要意义。
二、红外小目标检测算法研究2.1 背景抑制与预处理在复杂背景下，通过采用适当的背景抑制算法可以有效地去除噪声干扰和杂波影响，为后续的检测与跟踪提供可靠的图像信息。
常见的背景抑制方法包括空间滤波、时间滤波等。
预处理阶段还包括图像灰度化、直方图均衡化等操作，以增强目标的对比度和清晰度。
2.2 目标检测算法针对红外小目标的特性，常用的检测算法包括基于形态学的方法、基于边缘检测的方法和基于区域生长的方法等。
其中，基于形态学的方法可以有效地提取出目标的形状特征；基于边缘检测的方法可以准确地检测出目标的边缘信息；而基于区域生长的方法则可以自动识别并提取出感兴趣的区域。
在实际应用中，根据不同的场景和需求选择合适的检测算法是关键。
三、红外小目标跟踪算法研究3.1 特征提取与表示在红外小目标跟踪过程中，提取目标的特征信息是实现准确跟踪的关键。
常用的特征包括颜色特征、形状特征和纹理特征等。
此外，为了适应目标的动态变化，还需要对特征进行实时更新和优化。
3.2 跟踪算法选择与实现针对红外小目标的特性，常用的跟踪算法包括基于滤波的方法、基于相关性的方法和基于机器学习的方法等。
其中，基于滤波的方法如卡尔曼滤波器可以有效地估计目标的运动轨迹；基于相关性的方法如均值漂移算法可以快速地找到目标的位置；而基于机器学习的方法如支持向量机、神经网络等则可以自动学习和识别目标的特征信息。
在实际应用中，根据具体需求和场景选择合适的跟踪算法是关键。
四、算法性能评估与优化4.1 评估指标与方法为了评估红外小目标检测与跟踪算法的性能，需要采用合适的评估指标和方法。
基于形态学重构的内河红外船舶目标检测何乃甩，黄席樾，刘俊，权循宝（重庆大学自动化学院，重庆 400044）摘要：针对内河船舶红外图像的成像特点，提出了基于形态学重构的内河船舶红外图像目标检测算法，该算法先对原图像进行中值滤波，然后取滤波后的图像中亮度值最大的像素作为标记图像；原图像经顶帽变换，并进行迭代阈值分割后的图像作为掩模图像来进行形态学重构，从而实现红外船舶目标检测。
实验结果表明，该算法能较好地检测出内河红外船舶目标。
关键词：形态学重构；红外船舶；目标检测中图分类号：TN911.73 文献标识码：A 文章编号：1001-8891(2007)07-0419-03A Freshwater Infrared Ship Target Detection Base on Morphological ReconstructionHE Nai-shuai，HUANG Xi-yue，LIU Jun，QUAN Xun-bao(College of Automation, Chong Qing University, Chong Qing 400044, China)Abstract：A new detection method for freshwater ship infrared targets which based on morphological reconstruction was presented. Firstly, it operates a source picture with a mid-filter and gets the max pixel as a marker image. Secondly, the algorithm operates the source picture with top-hat transform and segment the picture using global threshold to get a mask image. Finally, the algorithm used the maker image and the mask image to reconstruct the target ship. Experiments based on this method shown good target detection results under complicated background.Key words：morphological reconstruction；infrared ship；target detection引言随着交通事业的发展,大江、大河流域的船舶数量不断增加,船舶也在吨位、航速上不断发展。
船舶间的相撞事故一直在世界各地不断地发生,且事故发生的频率越来越高。
船舶间的相撞所导致的人员伤亡、财产损失以及环境破坏是惊人的。
随着三峡大坝的建成，长江流域船舶数量也在不断增加，如何防止船舶间的互相碰撞，已经成为需要迫切解决的问题。
由于长江流域经常有大雾天气，这为船舶的导航带来了很多麻烦，也为船舶碰撞埋下了隐患。
近年来红外目标检测与识别已成为人们研究的热点[2~6]。
红外图像是根据物体发出或发射的红外光来形成图像，红外光的穿透力很强，可以穿透大雾，大雨。
因而在大雾和大雨等能见度比较低的情况下，如何利用红外来对船舶进行导航，防止船舶间的碰撞，成为人们极为关心的问题。
文献[4]采用一种基于ROI的红外船舶目标检测算法，该方法基于ROI，根据边缘梯度统计特征来进行目标检测，该算法适用于背景不太复杂的情况，文献[5]采用差分和canny算子来实现目标检测，该算法适用于背景固定。
文献[6]则是针对天空弱小目标进行检测。
由于内河流域背景复杂，而且背景不断变换，因而以上算法都不大适合进行内河目标检测。
本文提出了基于形态学重构的目标检测算法，实验证明该算法能排除复杂和多变的背景的干扰，能相对比较好地检测出目标。
1 形态学方法[1]首先，我们先来熟悉一些将要用到的灰度形态学的方法。
以下b(s, t)表示采用的结构元素，f(x, y)表示图像。
灰度膨胀：使用结构元素b(s, t)对图像f(x, y)进行灰度膨胀记为f⊕b，定义为：f⊕b(s, t)＝max{f(s－x, t－y)＋b(x, y)⏐(s－x),(t－y)∈D f；(x, y) ∈D b式中：D f和D b分别是f和b的定义域。
经过膨胀运算后图像的整体亮度会有所提高，一些孤立的微小的暗区域会被削去。
灰度腐蚀：使用结构元素b(s, t)对图像f(x, y)进行灰度腐蚀记为f⊕b，定义为：fΘb(s, t)＝min{f(s＋x, t＋y)－b(x, y)⏐(s＋x),(t＋y)∈D f；(x, y) ∈D b式中：D f和D b分别是f和b的定义域。
经过腐蚀运算后图像的整体亮度会有所下降，一些孤立的微小亮区域会被削去。
开运算：先对图像进行腐蚀，然后再膨胀，表达式为：f○b＝(fΘb) ⊕b闭运算：先对图像进行膨胀，然后再腐蚀，表达式为：f·b＝(f⊕b) Θb迭代阈值分割：迭代阈值分割可以自动地根据图像的灰度分布特征确定一个全局域值，并对图像进行分割，提取出感兴趣的目标区域，算法如下：1）为阈值T选一个初始估计值（如可选最大像素和最小像素值的平均值）2）使用T分割图像，这个会产生两组像素：亮度值≥T的所有像素组成G1，亮度值＜T的所有像素组成G2。
3）计算G1和G2范围内的像素的平均亮度值µ1和µ2。
4）计算下一个新阈值：T＝(µ1＋µ2)/25）重复步骤2到步骤4，直到连续迭代中T的差比预先指定的参数T0小为止。
6）最后拿阈值T来分割图像。
2基于形态学重构的目标检测算法基于形态学重构的内河红外船舶目标检测算法的整个流程如图1所示。
2.1形态学重构重构的思想就是通过对标记图像不断地膨胀来逼近掩模图像，从而恢复掩模图像的某一部份或全部掩模图像，这依赖于标记图像的选取。
重构的特点是通过标记图像的选取，可以提取出掩模图像中自己感兴趣的区域。
由f（标记图像）重构g（掩模图像）由下面的迭代过程定义：1）将h1初始化为标记图像f；2）创建3×3结构元素B，B中每个元素都为1，限定连同法则；3）重复h k＋1＝(h k⊕B)∩g，直到h k＋1＝h k注意：标记f必须是g的一个子集，重构后的图像是掩模图像g的子集。
要利用重构来进行目标检测，标记图像和掩模图像的选取都很重要，标记图像必须只包含目标的点，掩模图像必须有完整的目标存在。
否则将无法正确检测目标。
2.2标记图像的生成因为红外图像是根据景物温度场分布生成的，物体温度越高在图像中形成的像素值越大，所以在内河红外船舶图像中像素值最大的区域是船舶的烟囱或者发动机，也就是我们要检测的目标-船舶的一部份，所以通过选取图像中的像素值最大的像素点作为标记点，在选取之前先进行中值滤波，防止一些随机噪声的干扰。
图2是原始内河红外船舶图像，图3是通过选取图像中像素值最大的区域形成的标记图像。
图1 算法流程图 Fig.1 Algorithm flow chart图2 原始内河红外船舶图像图3 标记图像图4 直接用迭代阈值分割进行检测Fig.2 Source Infrared ship image Fig.3 Marker image Fig.4 Result of global threshold4202007年7月 何乃甩等：基于形态学重构的内河红外船舶目标检测 July 20074212.3 掩模图像的生成内河红外图像的成像特点是背景比较复杂，有很多干扰物，如桥墩，山，水的波纹等，背景亮度分布也不均匀，一般是水面的灰度值比较低，天空和山的灰度值比较高，船体图像很容易和山或天空等融合在一起，造成了检测上的困难。
如果直接用迭代阈值分割进行检测，船体很容易和背景融合在一起。
图4是直接用迭代阈值分割进行检测后的结果，可以看出船体和背景融合在了一起。
为了能把船体从复杂的背景中提取出来，我们必须想办法把背景的干扰排除掉，利用比目标大的结构元素来对图像进行形态学开运算可以很好的估计背景的亮度分布，图5是图2用半径为30的圆形结构元素进行灰度形态开运算后的结果，可以看出很好地估计了背景亮度的分布。
从原图像减去开运算后的图像称为顶帽变换，表达式如下：h ＝f －(f ○b )由于开运算很好地估计了背景亮度的分布，所以顶帽变换后图像的背景亮度分布相对比较均匀，这样再进行迭代阈值分割就可以把目标从背景中分割出来。
图6是顶帽变换后的结果，虽然图像整体亮度有所下降，但对迭代阈值分割没有影响，图7是对图6进行迭代阈值分割后的结果，可以看出船舶已经从背景中分离了出来。
2.4 目标检测前面我们已经生成了标记图像和掩模图像，由标记图像图3重构掩模图像图7的结果如图8所示，对比图2原始图像可以看出，重构结果排除了复杂背景的干扰，准确检测出了目标船体。
3 实验结果实验图片是我们实地采集的长江三峡红外船舶图像数据，图9是原始内河红外船舶图像，图10是直接进行迭代阈值分割后的图像，可以看出船体和背景融合在了一起，根本无法进行目标检测。
图11是用基于形态学重构的目标检测算法的检测结果，结果显示算法准确地找到了目标船体。
图5 开运算后结果 Fig.5 Result of open 图6 顶帽变换 Fig.6 Top-hat transforms图7 顶帽变换再迭代阈值分割 图8 重构后图像 Fig.7 Top-hat and global threshold Fig.8 Reconstruction image（下转第424页）2007年7月 Infrared Technology July 2007424同样大小的温差需要的红外激光器功率越小；当底片两部分的红外透过率差由0.2(τ1＝0.5，τ2＝0.7)增大到0.4(τ1＝0.5，τ2＝0.9)时，产生同样大小的温差需要的红外激光器功率约是原来的1/10。
我们知道二氧化碳激光器功率比较高，例如燃烧式气动二氧化碳激光器的连续输出功率已达到数兆瓦。
所以目前二氧化碳激光器的功率完全能够满足研制红外影像假目标的要求。
3 结束语本文探讨了在包含目标红外辐射信息的红外底片红外透过率差一定的条件下，形成一定的等效辐射温差所需要的二氧化碳激光器功率值。
从理论计算结果看，目前的二氧化碳激光器功率完全满足研制红外影像假目标的要求。
但要制作这种新型的红外影像假目标，还要解决红外扩束透镜的设计和制作、红外底片的设计和制作、红外影像假目标随环境变化等许多技术问题。
