發(fā)布時(shí)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(biāo)檢測與跟蹤技術(shù)在軍事領(lǐng)域已成為成像制導(dǎo)、告警系統(tǒng)的核心技術(shù)。由于大氣輻射、成像距離遠(yuǎn)等因素的影響,紅外目標(biāo)通常為點(diǎn)狀或斑狀的小目標(biāo),缺乏形狀和結(jié)構(gòu)信息,且信噪比較低,使得復(fù)雜背景下紅外弱小目標(biāo)檢測變得非常困難。因此,實(shí)現(xiàn)復(fù)雜背景中紅外弱小目標(biāo)的穩(wěn)定檢測與跟蹤具有非常重要的實(shí)際意義。本文對(duì)現(xiàn)有紅外弱小目標(biāo)檢測算法的優(yōu)缺點(diǎn)及其適用范圍進(jìn)行分析和總結(jié)。針對(duì)不同場景下的紅外弱小目標(biāo)檢測問題,本文重點(diǎn)研究了紅外背景和目標(biāo)的特點(diǎn),基于背景的低秩特性和目標(biāo)的稀疏特性,對(duì)低秩背景的有效恢復(fù)及稀疏目標(biāo)增強(qiáng)算法進(jìn)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(zhǔn)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(biāo)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(chǔ),將圖像數(shù)據(jù)矩陣分解為一個(gè)低秩矩陣和一個(gè)稀疏矩陣;針對(duì)RPCA模型對(duì)復(fù)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(yīng)的優(yōu)化求解算法。同時(shí),給出了一種自適應(yīng)閾值分割方法準(zhǔn)確地從稀疏目標(biāo)圖像中提取出弱小...

【文章頁數(shù)】：70 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１．１章節(jié)模型關(guān)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(kuò)展至三維的張量分解問??題。三種算法又各有特點(diǎn)，適用于不同的紅外圖像的小目標(biāo)檢測問題。本文提出算法??的關(guān)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(duì)一幅輸入圖像，用５ｘ５的窗口從左??至右、從上至下滑動(dòng)，每一個(gè)窗口內(nèi)有２５個(gè)元素，分別從水平、垂直、對(duì)角四個(gè)方??向計(jì)算得到Ｚ，，Ｚ２，?Ｚ３....

圖２．２三種空域?yàn)V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(xué)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(duì)一幅輸入圖像，用５ｘ５的窗口從左??至右、從上至下滑動(dòng)，每一個(gè)窗口內(nèi)有２５個(gè)元素，分別從水平、垂直、對(duì)角四個(gè)方??向計(jì)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(yùn)算。然后再通過傅里葉反變換，得到歸一化的圖像，最后進(jìn)??行閾值分割得到小目標(biāo)。我們?cè)谝环�紅外圖像上進(jìn)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(biāo)檢測結(jié)果??圖....

本文編號(hào)：3991900