基于背景低秩与目标稀疏特性的红外弱小目标检测方法研究

发布时间：2024-06-10 21:05

　　随着红外成像技术的不断发展以及现代战争的需要,红外弱小目标检测与跟踪技术在军事领域已成为成像制导、告警系统的核心技术。由于大气辐射、成像距离远等因素的影响,红外目标通常为点状或斑状的小目标,缺乏形状和结构信息,且信噪比较低,使得复杂背景下红外弱小目标检测变得非常困难。因此,实现复杂背景中红外弱小目标的稳定检测与跟踪具有非常重要的实际意义。本文对现有红外弱小目标检测算法的优缺点及其适用范围进行分析和总结。针对不同场景下的红外弱小目标检测问题,本文重点研究了红外背景和目标的特点,基于背景的低秩特性和目标的稀疏特性,对低秩背景的有效恢复及稀疏目标增强算法进行了深入并系统的研究,从而提高算法在不同场景下的鲁棒性和准确性,具体包括:(1)本文提出一种基于加权核范数最小化(WNNM)的红外弱小目标检测方法。在红外块图像(IPI)模型上,以鲁棒主成分分析(RPCA)为基础,将图像数据矩阵分解为一个低秩矩阵和一个稀疏矩阵;针对RPCA模型对复杂背景描述能力弱的不足,引入了加权核范数来更好地描述背景的低秩特性,并给出了相应的优化求解算法。同时,给出了一种自适应阈值分割方法准确地从稀疏目标图像中提取出弱小...

【文章页数】：70 页

【学位级别】：硕士

【部分图文】：

图１．１章节模型关系示意图??

从前两者到结构张量为从二维的主成分分析问题扩展至三维的张量分解问??题。三种算法又各有特点，适用于不同的红外图像的小目标检测问题。本文提出算法??的关系如图１．１所示。??红外分块图像模型（ＩＰＩ）??ＷＮＮＭ－ＩＰＩ?多线性子空间?ＷＮＮＭ－ＬＲＲ?三维张量?ＬＴＥＨＲＩＰＴ?....

图２．１最大中值滤波算法??

ｚ４?＝?ｍｅｄｉａｎ（ｘ（ｗ?－?ｊＶ，?？?－?？），．？？，＋?ＴＶ，？?＋?ｊＶ））??图２．１更加直观地表示最大中值滤波操作。对一幅输入图像，用５ｘ５的窗口从左??至右、从上至下滑动，每一个窗口内有２５个元素，分别从水平、垂直、对角四个方??向计算得到Ｚ，，Ｚ２，?Ｚ３....

图２．２三种空域滤波算法效果??２．４频率域算法??频率域算法是将图像利用傅里叶变换、小波变换等数学变换，从空域转化到频域??

ｚ４?＝?ｍｅｄｉａｎ（ｘ（ｗ?－?ｊＶ，?？?－?？），．？？，＋?ＴＶ，？?＋?ｊＶ））??图２．１更加直观地表示最大中值滤波操作。对一幅输入图像，用５ｘ５的窗口从左??至右、从上至下滑动，每一个窗口内有２５个元素，分别从水平、垂直、对角四个方??向计算得到Ｚ，，Ｚ２，?Ｚ３....

图２．３巴特沃斯高通滤波器效果??（２）小波变换??

图像与传递函数作卷积运算。然后再通过傅里叶反变换，得到归一化的图像，最后进??行阈值分割得到小目标。我们在一幅红外图像上进行了?２阶Ｂｕｔｔｅｒｗｏｔｈ高通滤波，效??果如图２．３所示。??ｍｍ??■ＨＨＢＩＩ?ＢＨＢＨ??（ａ）原图?（ｂ）高通滤波图??（ｃ）目标检测结果??图....

本文编号：3991900