發(fā)布時間：2024-06-10 21:05

　　隨著紅外成像技術(shù)的不斷發(fā)展以及現(xiàn)代戰(zhàn)爭的需要,紅外弱小目標檢測與跟蹤技術(shù)在軍事領域已成為成像制導、告警系統(tǒng)的核心技術(shù)。由于大氣輻射、成像距離遠等因素的影響,紅外目標通常為點狀或斑狀的小目標,缺乏形狀和結(jié)構(gòu)信息,且信噪比較低,使得復雜背景下紅外弱小目標檢測變得非常困難。因此,實現(xiàn)復雜背景中紅外弱小目標的穩(wěn)定檢測與跟蹤具有非常重要的實際意義。本文對現(xiàn)有紅外弱小目標檢測算法的優(yōu)缺點及其適用范圍進行分析和總結(jié)。針對不同場景下的紅外弱小目標檢測問題,本文重點研究了紅外背景和目標的特點,基于背景的低秩特性和目標的稀疏特性,對低秩背景的有效恢復及稀疏目標增強算法進行了深入并系統(tǒng)的研究,從而提高算法在不同場景下的魯棒性和準確性,具體包括:(1)本文提出一種基于加權(quán)核范數(shù)最小化(WNNM)的紅外弱小目標檢測方法。在紅外塊圖像(IPI)模型上,以魯棒主成分分析(RPCA)為基礎,將圖像數(shù)據(jù)矩陣分解為一個低秩矩陣和一個稀疏矩陣;針對RPCA模型對復雜背景描述能力弱的不足,引入了加權(quán)核范數(shù)來更好地描述背景的低秩特性,并給出了相應的優(yōu)化求解算法。同時,給出了一種自適應閾值分割方法準確地從稀疏目標圖像中提取出弱小...

【文章頁數(shù)】：70 頁

【學位級別】：碩士

【部分圖文】：

圖１．１章節(jié)模型關系示意圖??

從前兩者到結(jié)構(gòu)張量為從二維的主成分分析問題擴展至三維的張量分解問??題。三種算法又各有特點，適用于不同的紅外圖像的小目標檢測問題。本文提出算法??的關系如圖１．１所示。??紅外分塊圖像模型（ＩＰＩ）??ＷＮＮＭ－ＩＰＩ?多線性子空間?ＷＮＮＭ－ＬＲＲ?三維張量?ＬＴＥＨＲＩＰＴ?....

圖２．１最大中值濾波算法??

ｚ４?＝?ｍｅｄｉａｎ（ｘ（ｗ?－?ｊＶ，?？?－?？），．？？，＋?ＴＶ，？?＋?ｊＶ））??圖２．１更加直觀地表示最大中值濾波操作。對一幅輸入圖像，用５ｘ５的窗口從左??至右、從上至下滑動，每一個窗口內(nèi)有２５個元素，分別從水平、垂直、對角四個方??向計算得到Ｚ，，Ｚ２，?Ｚ３....

圖２．２三種空域濾波算法效果??２．４頻率域算法??頻率域算法是將圖像利用傅里葉變換、小波變換等數(shù)學變換，從空域轉(zhuǎn)化到頻域??

ｚ４?＝?ｍｅｄｉａｎ（ｘ（ｗ?－?ｊＶ，?？?－?？），．？？，＋?ＴＶ，？?＋?ｊＶ））??圖２．１更加直觀地表示最大中值濾波操作。對一幅輸入圖像，用５ｘ５的窗口從左??至右、從上至下滑動，每一個窗口內(nèi)有２５個元素，分別從水平、垂直、對角四個方??向計算得到Ｚ，，Ｚ２，?Ｚ３....

圖２．３巴特沃斯高通濾波器效果??（２）小波變換??

圖像與傳遞函數(shù)作卷積運算。然后再通過傅里葉反變換，得到歸一化的圖像，最后進??行閾值分割得到小目標。我們在一幅紅外圖像上進行了?２階Ｂｕｔｔｅｒｗｏｔｈ高通濾波，效??果如圖２．３所示。??ｍｍ??■ＨＨＢＩＩ?ＢＨＢＨ??（ａ）原圖?（ｂ）高通濾波圖??（ｃ）目標檢測結(jié)果??圖....

本文編號：3991900