红外弱小目标检测技术研究现状与发展趋势

红外检测技术的研究与发展现状摘要：目前，超声、射线、涡流、磁粉、渗透等常规的无损检测方法已在相关行业得到了成熟的应用，但上述方法多用于已形成的宏观缺陷的检测，红外检测（IRT）技术作为一种新的检测方法，通过提取被检测物体的红外特征参数，可实现设备故障的实时监测以及应力集中和疲劳寿命的快速检测。

通过检测此类“危险源”，可以确定构件、设备的服役情况，从而为重要部件的后期寿命和安全评价提供参考和依据。

关键词：红外检测技术；发展现状；应用引言红外检测技术是状态检测技术的重要组成部分，采用非接触方式，在变电设备质量控制和监测、在变电设备故障诊断、在变电设备检修节约人力和物力资源等方面都发挥着重要的作用。

在不停电和不影响供电可靠性的前提下运用红外检测技术高效、精准地判断电气设备的接触不良、绝缘劣化和SF6泄漏等故障。

使检修人员能充分的掌握设备的运行状态，及时制订预控措施和防范措施。

1红外检测技术优势首先，操作安全。

红外检测与传统检测方式的最大区别就在于其无需接触设备即可实现科学检测，这样一来，操作风险将显著降低。

上述优势的存在，使得红外检测技术在各类高风险设备的检测工作中极受欢迎，大大减轻了设备检测工作的危险性。

其次，结果准度高。

红外检测技术在电力线路运行中的应用依赖于先进仪器来实现，此类仪器的特点在于灵敏度高、可实现细微变化的准确识别，所以，红外检测结果的准度要远远高于一般的检测方法。

2红外检测技术发展现状2.1缺陷检测国内对于缺陷检测的研究主要集中在常规、锁相和脉冲相位等不同热成像技术的理论和试验研究中，如缺陷深度测量、相位信息分析等。

在涂层的锁相无损检测中发现当涂层厚度一定时，相位差随着缺陷尺寸的增大会先增大后减小，并通过温度的一阶差分实现了对缺陷的定量识别。

针对金属高温压力管道设计了一系列试验，发现导热率越低的材料，检测灵敏度越高，缺陷显现时间越长，缺陷面积越大，材料厚度越薄，检测缺陷的灵敏度也越高；检测灵敏度还与加热和冷却方式有关，试验中内部加热法的检测灵敏度高于外部冷却法的。

红外图像中弱小目标检测前跟踪算法研究综述概要红外图像在现代战争中发挥着越来越重要的作用，因为其具有隐蔽性和不受光照干扰的特点。

红外图像中的弱小目标检测和跟踪算法是目前研究的热点之一。

本文主要综述红外图像中弱小目标检测前跟踪算法的研究现状，包括传统算法、深度学习算法和集成算法。

传统算法传统的弱小目标跟踪算法主要包括卡尔曼滤波、粒子滤波、均值漂移等。

这些算法主要是针对静态场景下的目标跟踪，对于动态场景下的目标跟踪效果较差。

在红外图像中，目标的纹理和亮度变化较为复杂，所以传统算法在红外图像中跟踪效果不佳。

深度学习算法深度学习算法是近年来应用最广泛的目标跟踪算法之一。

深度学习算法能够自动学习特征，适用于复杂多变的目标跟踪环境。

在红外图像中，深度学习算法也取得了很好的效果。

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）和长短记忆网络（LSTM）等。

由于这些算法的训练需要大量的标注数据，因此数据量不足时需要结合传统算法来进行跟踪。

集成算法集成算法是将多个跟踪算法集成到一起，以得到更好的跟踪效果。

目前常用的跟踪集成算法是基于多特征融合和多分类器融合的方法。

多特征融合包括将颜色、纹理、轮廓等多个特征融合在一起，使得跟踪算法更具鲁棒性。

多分类器融合则是同时使用多种分类器，如SVM、Adaboost等，对目标进行分类和跟踪。

总的来说，弱小目标检测前的跟踪问题是一个非常重要的研究方向。

虽然深度学习算法在红外图像中的跟踪效果良好，但是由于训练需要大量标注数据，因此在数据量不足的情况下需要结合传统算法进行跟踪。

集成算法也是近年来研究的热点之一，对跟踪效果的提高起到了重要作用。

红外小目标的增强与检测红外小目标的增强与检测近年来，随着红外技术的快速发展，红外成像在军事、安防、环境监测等领域得到了广泛应用。

红外成像技术能够侦测到热量辐射，即使在昏暗或复杂环境下，也能准确识别和追踪目标。

然而，在面临红外小目标的增强与检测时，仍然面临一些挑战。

红外小目标增强是为了提高红外图像质量，从而更容易检测和识别目标。

一般来说，红外小目标增强技术主要包括图像去噪、增强对比度以及目标形状和轮廓的提取。

首先，图像去噪是红外图像增强的关键步骤之一。

通过去除噪声，可以更好地保留目标的细节信息。

目前，常用的图像去噪方法包括小波降噪、自适应中值滤波等。

其次，对比度增强也是一项重要任务，可以通过直方图均衡化、伽马变换等方式来提高图像的对比度。

最后，目标形状和轮廓的提取是另一个关键步骤，可以帮助进一步识别和分析目标。

主流的目标形状和轮廓提取算法包括边缘检测、Canny算子以及Sobel算子等。

在红外小目标的检测中，目的是通过图像处理技术来从红外图像中抽取目标信息。

红外小目标检测的挑战在于目标尺寸小、表面温度与周围环境相似、红外图像中噪声较多等因素。

传统的方法主要依靠特征提取和目标识别算法，如边缘检测、模板匹配以及深度学习等。

然而，随着深度学习技术的迅速发展，目标检测算法已经取得了显著的进展。

基于深度学习的目标检测算法通过卷积神经网络提取图像特征，结合目标位置和分类信息，实现了更准确的目标检测和识别。

除了上述增强与检测方法，还可以通过红外图像融合技术来进一步提高红外小目标的检测效果。

红外图像融合是指将多个红外图像融合在一起，以提供更全面和更准确的目标信息。

常见的红外图像融合方法包括加权平均法、小波变换融合法以及卷积神经网络融合法。

这些方法通过综合利用不同红外图像的信息，将目标信息更加鲜明地显示出来，并提高目标检测的准确性。

在实际应用中，红外小目标的增强与检测技术已经得到了广泛应用。

例如，在军事领域中，红外小目标的增强与检测技术可以用于侦查敌方装备和人员，提供实时的情报支持。

《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。

2024年红外技术市场前景分析引言红外技术作为一种无线电波技术，已经广泛应用于军事、安防、医疗、工业等领域。

随着科技的不断进步和市场需求的增加，红外技术市场正呈现出蓬勃发展的前景。

本文旨在对红外技术市场前景进行分析，探讨其市场规模、应用领域以及发展趋势。

市场规模根据市场研究机构的数据，红外技术市场规模在过去几年持续增长。

预计到2025年，全球红外技术市场规模将达到数十亿美元。

这一巨大的市场规模主要得益于红外技术在安防领域的广泛应用，例如夜视仪、红外相机等。

同时，红外技术在军事、医疗、工业等领域的应用也在不断拓展。

应用领域安防领域红外技术在安防领域有着广泛的应用。

夜视仪是其中最常见的应用之一，可以通过红外传感器捕捉到人眼无法察觉的红外光，以增强暗光环境下的监控能力。

此外，红外相机也被广泛应用于安防摄像领域，通过红外热成像技术可以实现对目标温度的检测和识别。

军事领域红外技术在军事领域的应用也非常重要。

红外导引系统可以用于导弹、飞机和舰船等军事装备中，通过红外成像技术实现目标的锁定和跟踪。

此外，红外探测器也可以用于监测敌方目标的热量辐射，实现情报收集和目标识别。

医疗领域红外技术在医疗领域的应用主要集中在体温检测和红外医学成像等方面。

特别是在疫情防控中，红外体温检测仪成为了一种非接触式测温手段，为大规模人群的体温监测提供了便利。

此外，红外医学成像技术也可以用于观察人体内部的温度分布，帮助医生诊断一些疾病。

工业领域在工业领域，红外技术可以应用于热成像检测、物体计数、液位测量等方面。

通过红外热成像技术，可以在设备运行过程中及时发现异常热源，预防潜在的故障。

此外，红外物体计数器也可以通过对红外光信号的检测，实现对物体的计数和监控。

发展趋势红外技术市场未来的发展将会受到多个因素的影响。

首先，随着传感器技术的不断进步，红外探测器的灵敏度和分辨率将得到提高，为红外技术的应用拓展提供更多可能。

其次，随着人工智能和大数据技术的发展，红外技术与其他领域的融合将会加速，形成更加智能化的应用场景。

红外图像中弱小目标检测技术研究红外图像中弱小目标检测技术研究摘要：随着红外图像技术日益发展和应用的广泛，红外图像中弱小目标的检测问题日益引起研究者的关注。

传统的目标检测方法在红外图像中表现出较差的性能，特别是在检测弱小目标时更为困难。

因此，本文对红外图像中弱小目标检测技术进行了深入研究，提出了一种基于深度学习的弱小目标检测方法，并进行了实验验证，证明了该方法的有效性和优越性。

第一章引言1.1 研究背景红外图像具有遥感、夜间监测等领域的广泛应用，然而在红外图像中，弱小目标的检测一直是一个具有挑战性的问题。

传统的目标检测方法在红外图像中无法准确地识别出目标，在弱小目标的检测问题上表现尤为明显。

1.2 研究目的本文旨在探索一种能够有效检测红外图像中弱小目标的技术方法，提高目标检测的准确性和鲁棒性。

第二章相关概念和理论2.1 红外图像红外图像是一种由红外辐射产生的图像，它记录了被物体辐射出的红外能量，常用于军事、医学、环境监测等领域。

2.2 弱小目标弱小目标是指在红外图像中大小较小、明暗度较低、形状不规则等特征明显弱于背景的目标，例如小型无人机、远程火炮等。

第三章弱小目标检测方法研究3.1 传统的目标检测方法传统的目标检测方法主要包括基于特征提取与分类器的方法，如Haar特征和SVM（支持向量机）方法等。

然而，这些方法对于红外图像中的弱小目标检测效果较差。

3.2 基于深度学习的弱小目标检测方法近年来，深度学习技术在图像处理领域取得了巨大的突破。

本文提出了一种基于深度学习的弱小目标检测方法。

该方法采用卷积神经网络（CNN）进行特征提取，并利用目标检测器进行目标的定位和分类。

实验结果表明，该方法在红外图像中检测弱小目标的准确率和鲁棒性较传统方法有明显提高。

第四章实验与结果分析本文在红外图像数据集上进行了实验，比较了传统的目标检测方法和基于深度学习的弱小目标检测方法的性能。

实验结果表明，本文提出的方法在检测弱小目标方面具有明显的优势，能够准确地定位和识别红外图像中的弱小目标。

红外检测发展现状及未来趋势分析引言：红外检测是一种基于红外辐射原理的非接触式检测技术，已经广泛应用于军事、医学、工业、安防等领域。

本文通过分析红外检测的现状及未来趋势，将对该技术的发展做出预测。

一、红外检测的现状1. 红外检测技术的应用领域红外检测技术已在军事领域得到广泛应用，包括导弹制导、夜视设备、无人机目标识别等。

同时，医学领域也使用红外检测技术进行疾病诊断，如乳腺癌早期诊断、体温检测等。

此外，工业应用上的红外检测主要用于辐射计算、材料表征、热成像等。

2. 红外检测技术的发展瓶颈尽管红外检测技术在多个领域表现出良好的应用前景，但仍面临一些挑战。

例如，高分辨率红外成像系统的制造成本较高，导致其在大规模工业应用中存在一定局限性。

另外，红外图像去噪和图像增强算法仍需要进一步改进，以提高图像质量和准确性。

3. 红外检测技术的发展趋势红外检测技术未来的发展趋势将主要聚焦于以下几个方面：- 制造成本下降：随着红外检测技术的进一步发展，制造成本预计将逐渐降低，从而推动该技术在广泛领域的应用。

- 分辨率改进：随着红外检测传感器的不断改进，高分辨率红外图像的产生将成为可能，提高图像质量和清晰度。

- 数据处理技术的突破：通过改进红外图像处理算法和人工智能技术，能够进一步提高红外图像分析的准确性和效率。

- 模块化设计：红外检测设备的模块化设计将使其更加灵活和易于维护，降低维修成本。

二、红外检测的未来趋势1. 军事应用领域红外检测技术在军事领域的应用将进一步扩展。

高分辨率红外传感器的发展将为导弹制导、目标识别等提供更精准的数据。

此外，隐形技术也将得到进一步的提升，使得军事装备的隐蔽性能得到增强。

2. 医学应用领域红外检测技术在医学领域的应用将更加广泛。

随着红外成像设备的进一步普及，乳腺癌早期检测等疾病预防工作将变得更加容易。

同时，红外热成像技术在病理诊断中的应用也将得到加强。

3. 工业应用领域红外检测技术在工业领域的应用前景广阔。

基于粒子滤波的红外弱小目标的检测与跟踪一、弱小目标检测与跟踪的发展1 弱小目标检测与跟踪的背景在现代高科技战争中，为了能尽早地发现敌方卫星、导弹、飞机、坦克、车辆等军事目标，增大作战距离，要求在远距离处就能发现目标，只有及时地发现目标、跟踪目标、捕获和锁定目标，才能实现有效的攻击。

然而，对于获得的远距离图像，目标成像面积小，可检测到的信号相对较弱，特别是在复杂背景干扰下，目标被大量噪声所淹没，导致图像的信噪比(SNR)很低，小目标检测工作变得困难起来。

因此，低信噪比条件下序列图像运动小目标的检测问题成了一个亟待解决的关键问题，探索和研究新的小目标检测理论以及如何将现有的检测理论应用于小目标仍是一项重要的课题，对现代战争以及未来战争具有深远的意义。

2 弱小目标的含义“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，即低对比度的目标，也称灰度小目标；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，即像素点少的目标，也称能量小目标。

3 弱小目标检测与跟踪的难点在低信噪比情况下检测和跟踪未知位置和速度的运动小目标是红外搜索和跟踪系统中的一个重要问题，其主要困难在于：(1) 缺少关于背景的统计先验信息；(2) 目标的信噪比非常低以至于很难从单幅图像中检测出目标；(3) 目标可能会在未知时间点上出现或消失；(4) 无法得到形状、纹理等有用的目标特征；(5) 仅有的检测信息是目标的未知的亮度和移动速度。

4 红外弱小目标的检测与跟踪算法1) 算法分类：♦DBT (Detect before Track) ----跟踪前检测；♦TBD (Track before Detect) ----检测前跟踪。

2) DBT 算法※ DBT 算法检测与跟踪的原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，适应于信噪比较低高的情况下。

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。

红外弱小目标检测技术研究红外弱小目标检测技术研究引言：随着红外技术的发展和应用的广泛，红外弱小目标检测成为了当前热门的研究领域之一。

红外弱小目标主要指的是在红外图像中相对于背景而言灰度值较低且尺寸较小的目标。

红外弱小目标的检测对于军事、安防、无人机等领域具有重要的应用价值。

本文就红外弱小目标检测技术的研究进展进行了探讨。

一、红外弱小目标的特点红外弱小目标的主要特点包括：目标尺寸小、灰度值低、背景复杂等。

相对于可见光图像，红外图像比较模糊，目标的轮廓不够清晰，目标和背景之间往往存在一定的灰度差异。

因此，红外弱小目标的检测面临着许多挑战。

二、红外弱小目标检测技术目前，关于红外弱小目标的检测技术主要包括以下几种：基于特征的方法、目标分割方法、模板匹配方法和深度学习方法等。

1. 基于特征的方法基于特征的方法是最早的红外弱小目标检测方法之一。

该方法通过选取一些有效的特征，如颜色、纹理、形状等对红外图像进行分析和处理，以实现目标的检测。

然而，由于红外图像的模糊性和噪声影响，传统的特征提取方法在红外弱小目标检测中往往效果不佳。

2. 目标分割方法目标分割方法是通过对红外图像进行前景和背景分割，以实现目标的检测和定位。

这种方法首先对图像进行预处理，如灰度变换、滤波等，然后应用阈值分割或其他分割算法将目标从背景中提取出来。

然而，由于红外图像中目标和背景之间的灰度差异较小，目标分割往往困难，容易出现漏检和误检。

3. 模板匹配方法模板匹配方法是将预先得到的目标模板与待检测图像进行匹配，从而实现目标的检测和识别。

该方法通常需要事先收集一些目标的红外图像，并进行预处理提取出目标的模板，然后对新的红外图像进行模板匹配。

然而，模板匹配方法的主要问题是目标在红外图像中的灰度、形态、大小等差异较大，因此模板匹配的效果有限。

4. 深度学习方法近年来，深度学习方法在目标检测领域取得了显著的成果。

使用深度学习方法可以自动学习红外弱小目标的特征，避免了手工设计特征的繁琐过程。

《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技术在军事、安防、交通等领域的应用越来越广泛。

然而，在复杂背景条件下，红外小目标的检测与跟踪仍然面临诸多挑战。

本文旨在研究复杂背景条件下的红外小目标检测与跟踪算法，以提高红外系统的性能和准确性。

二、研究背景及意义红外小目标检测与跟踪是红外系统的重要应用之一，其核心在于从复杂的背景中提取出目标，并实现目标的稳定跟踪。

然而，在实际应用中，由于背景的复杂性、目标的微弱性、噪声的干扰等因素，红外小目标的检测与跟踪仍然存在许多问题。

因此，研究复杂背景条件下的红外小目标检测与跟踪算法具有重要意义。

三、算法研究（一）红外小目标检测算法针对复杂背景条件下的红外小目标检测，本文提出了一种基于动态阈值和形态学滤波的检测算法。

该算法首先通过动态阈值对红外图像进行二值化处理，以去除背景噪声和干扰。

然后，利用形态学滤波对二值化图像进行形态学处理，以提取出目标。

最后，通过连通域分析对目标进行聚类，实现目标的检测。

（二）红外小目标跟踪算法在红外小目标跟踪方面，本文采用了一种基于卡尔曼滤波和均值漂移的跟踪算法。

该算法首先通过卡尔曼滤波对目标进行预测，然后利用均值漂移算法对目标进行定位。

在跟踪过程中，通过不断更新目标和背景模型，实现目标的稳定跟踪。

四、实验与分析为了验证本文提出的算法的有效性，我们进行了大量的实验。

实验结果表明，在复杂背景条件下，本文提出的基于动态阈值和形态学滤波的检测算法能够有效地提取出红外小目标。

同时，基于卡尔曼滤波和均值漂移的跟踪算法能够实现目标的稳定跟踪，具有较高的准确性和鲁棒性。

五、结论本文研究了复杂背景条件下的红外小目标检测与跟踪算法，提出了一种基于动态阈值和形态学滤波的检测算法以及一种基于卡尔曼滤波和均值漂移的跟踪算法。

实验结果表明，本文提出的算法能够有效地提取出红外小目标，并实现目标的稳定跟踪。

红外监控系统中的目标跟踪技术研究随着社会的发展，安全问题越来越受到人们的重视。

因此，各种安防设备得到了广泛应用，红外监控系统是其中之一。

而在红外监控系统中，目标跟踪技术是非常关键的一环。

本文将探讨红外监控系统中的目标跟踪技术的研究现状和发展趋势。

一、红外监控系统的基本构成红外监控系统主要由红外摄像机、信号传输线路、监控显示器以及录像设备等组成。

其中，红外摄像机是核心设备，它能够将红外辐射转化成可见光图像。

此外，信号传输线路和录像设备可以将图像信号传输和存储下来，监控显示器则可以实现实时监控。

二、目标跟踪技术在红外监控系统中的作用在实际应用中，红外监控系统经常需要对目标进行跟踪。

跟踪目标可以实现对目标的精准定位和追踪，进而实现对目标的预警和监控。

而在目标跟踪技术中，自动跟踪技术是一个非常重要的环节。

自动跟踪技术能够通过图像识别和目标追踪算法实现对目标的自动跟踪，解放了操作人员的双手，提高了监控效率。

三、目标跟踪技术的研究现状当前，目标跟踪技术已经取得了很大进展，特别是在算法方面的优化和性能提升。

目前主要的目标跟踪算法包括基于相关滤波算法、粒子滤波算法、卡尔曼滤波算法和支持向量机算法等。

这些算法可以在不同环境下实现目标跟踪，并针对不同的目标特征来进行优化。

四、目标跟踪技术的未来发展趋势未来，随着人工智能和机器学习的不断发展，目标跟踪技术也将会得到进一步提升和优化。

对于智能化红外监控系统而言，其目标跟踪技术将主要集中在以下几个方面：1、多目标跟踪。

将多个目标同时进行跟踪，提高监控效率。

2、跨目标跟踪。

将同一目标在不同视角下的图像进行匹配，实现跨镜头跟踪。

3、目标识别和分类。

通过机器学习技术，实现目标的自动识别和分类，并进行更加精准的跟踪和监控。

结论目标跟踪技术是红外监控系统中的关键技术之一。

目前目标跟踪算法已经获得一定的成果，在应用中也取得了不错的效果。

未来，随着技术的不断进步，我们相信目标跟踪技术也将会得到不断优化和提升，为安全监控工作提供更加精准和可靠的保障。

红外图像弱小目标检测技术研究1、本文概述随着技术的不断进步，红外成像技术已成为现代军事、航空航天、民用安全等领域不可或缺的重要工具。

特别是在夜间或弱光条件下，红外成像技术以其独特的成像方法实现了对目标的清晰观察和识别。

在实际应用中，红外图像往往含有大量的噪声和干扰，使得弱目标的检测异常困难。

研究红外图像弱小目标检测技术具有重要的现实意义和应用价值。

本文旨在探索红外图像弱小目标检测技术的相关理论和方法。

我们将分析红外图像的特征，以了解红外图像中弱小目标的特征和困难。

我们将回顾现有的弱目标检测算法，包括基于滤波的方法、基于背景抑制的方法和基于多帧融合的方法等，并分析其优缺点和适用场景。

接下来，我们将提出一种基于深度学习的弱目标检测算法，该算法通过从红外图像中提取和分类深度特征来实现对弱目标的精确检测。

我们将通过实验验证所提出算法的有效性，并将其与其他算法进行比较，为红外图像弱小目标检测技术的发展提供参考和启示。

2、红外图像弱小目标检测技术综述红外图像弱小目标检测技术是识别、提取和跟踪复杂背景下弱目标的重要技术。

由于红外图像中弱目标的信噪比低、对比度低、体积小、运动轨迹不确定等特点，其检测成为一项极具挑战性的任务。

近年来，随着红外成像技术和信号处理技术的快速发展，红外图像中的弱小目标检测技术也受到了广泛的关注和研究。

红外图像弱小目标检测技术的核心在于如何有效地从复杂背景中提取目标信息。

这通常涉及多个阶段，如图像预处理、对象增强、对象提取和对象跟踪。

在图像预处理阶段，主要目的是去除图像中的噪声，提高图像质量，为后续的目标检测提供良好的基础。

在目标增强阶段，使用直方图均衡和对比度增强等各种算法来提高目标与背景之间的对比度，从而突出目标信息。

在目标提取阶段，采用阈值分割、边缘检测、形态学处理等方法从增强图像中提取目标区域。

在目标跟踪阶段，通过滤波算法、匹配算法等实现对目标的连续跟踪。

目前，在红外图像中微弱小目标的检测方面取得了重大进展。

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。

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。

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。