红外弱小目标检测算法综述

发布时间：2022-01-13 03:22

　　红外探测技术具有不受环境等因素干扰的优势,在红外制导、预警等军事领域的应用日益广泛。随着对红外弱小目标检测技术的研究越来越深入,相应的检测方法越来越多样。本文通过对红外弱小目标图像中目标与背景的特性以及红外弱小目标检测技术难点问题进行分析,根据当前是否利用帧间相关信息,分别从基于单帧红外图像和基于红外序列两个角度,选取了相应的红外弱小目标算法进行对比,对其中典型算法的原理、流程以及特点等进行了详细综述,并对每类检测算法的性能进行了比较。针对红外弱小目标图像信噪比低的特点,对红外弱小目标检测算法的难点问题进行分析,给出了目前各种算法的解决方法和不足,探讨红外弱小目标检测算法的发展方向,即研究计算量小、性能优、鲁棒性强、实时性好和便于硬件实现的算法。 

【文章来源】：中国图象图形学报. 2020,25(09)北大核心CSCD

【文章页数】：15 页

【部分图文】：

低秩稀疏表示算法流程图(He,2015)

对于红外运动小目标的检测问题，小目标的形状、灰度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是有效分割红外图像中噪声与小目标的关键。目前主流的基于序列的红外运动小目标检测方法根据这些先验信息使用的先后顺序，主要分为两类:先检测再使用运动信息(detect before motion,DBM)和先使用运动信息再检测(motion before detect,MBD)。本节主要对两类主流的红外运动小目标检测方法的原理、主要步骤以及典型方法的特点进行分析。2.1 DBM检测方法

该算法在构建四元组的过程中，考虑到小目标近似于高斯状分布的特性以及峰度反映样本分布与标准高斯正态分布之间的差异，故统计学的峰度值实际也表征的是对比度特征，在一定程度上反映图像中具有较高红外辐射的高亮度区域;采用运动累积的方法提取运动特征，可以在表征小目标高速运动的同时，保留其运动轨迹，更好地利用了时域特征;再通过QDCT频域显著性检测方法抑制背景，增强小目标，得到的显著性区域即为小目标所在的区域，以此来实现红外运动小目标检测，具体的算法流程如图3所示。2.3 序列红外运动小目标检测算法性能比较

【参考文献】：
期刊论文
[1]条件生成对抗网络的低照度图像增强方法[J]. 黄鐄,陶海军,王海峰.  中国图象图形学报. 2019(12)
[2]红外单帧图像弱小目标检测技术综述[J]. 王好贤,董衡,周志权.  激光与光电子学进展. 2019(08)
[3]目标跟踪算法综述[J]. 卢湖川,李佩霞,王栋.  模式识别与人工智能. 2018(01)
[4]基于频谱残差视觉显著计算的高分辨SAR图像舰船检测算法[J]. 熊伟,徐永力,姚力波,崔亚奇,李岳峰.  电光与控制. 2018(04)
[5]基于自适应目标图像恢复的红外弱小目标检测[J]. 熊斌,黄心汉,王敏.  华中科技大学学报(自然科学版). 2017(10)
[6]基于多特征的快速红外弱小目标检测算法[J]. 易翔,王炳健.  光子学报. 2017(06)
[7]联合NSCT和SVD方法的红外弱小目标复杂背景抑制[J]. 吴天爱,黄树彩,苑智玮,吴云荣,冯卉.  红外技术. 2016(09)
[8]采用图像块对比特性的红外弱小目标检测[J]. 王刚,陈永光,杨锁昌,高敏,戴亚平.  光学精密工程. 2015(05)
[9]长波红外连续变焦光学系统的设计[J]. 张良,刘红霞.  红外与激光工程. 2011(07)
[10]低对比度小目标检测[J]. 张耀,雍杨,张启衡,徐智勇,严棚,魏宇星.  强激光与粒子束. 2010(11)

博士论文
[1]基于稀疏动态反演的红外弱小目标检测理论及方法研究[D]. 王晓阳.电子科技大学 2018
[2]面向局部特征和特征表达的图像分类算法研究[D]. 张旭.合肥工业大学 2016
[3]基于人类视觉特性的复杂背景红外小目标检测研究[D]. 韩金辉.华中科技大学 2016

硕士论文
[1]基于深度学习和稀疏表示的图像分类与检索方法研究[D]. 焦鹏飞.西安理工大学 2019



本文编号：3585968