红外弱小目标检测算法综述

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。     

基于小波滤波背景预测的红外弱小目标检测方法

红外弱小目标检测是红外图像研究领域的热点与难点。有效地从背景中检测出弱小目标对于后续的跟踪、识别工作具有十分重要的意义。针对现有检测方法的不足,提出了一种基于小波滤波背景预测的红外弱小目标检测方法。该方法利用小波滤波去噪的优良特性将目标作为噪声滤除,然后构建近似的前景分布图与背景分布图,最后基于连通体筛选与对比度门限完成弱小目标的提取。采用实测光电图像对该方法进行了验证,结果表明,提出的方法能够有效抑制噪声,完成背景预测以及红外弱小目标的检测。     

基于LBP的红外弱小目标检测系统设计

分析了一种基于局部二元模式（LBP）算子的红外弱小目标检测方法,并根据实际应用背景设计实现了一种红外弱小目标检测系统。介绍了该系统的总体结构以及程序模块的设计方法。试验对比表明,该方法在保证LBP算法实时性的前提下可节约大量硬件资源。     

应用多特征的红外弱小目标检测

红外弱小点目标的检测是红外搜索与跟踪的关键技术之一。融合小目标在空域和频域中的各种属性,将更有利于目标的检测。红外图像中主要分为背景、边缘以及目标三类信息,目标在空域中局部能量较大。将图像小波变换,获取图像的多方向性分解。研究发现目标在高频中具有方向不敏感性。为了更好地检测目标,计算各点的局部能量比以及方向离散值,将以上特征融合,得到图像的多特征统计值。采用Renyi信息熵分割达到检测目标的目的。利用序列图像中目标运动的连续性和轨迹的一致性以及目标的方差增长性,提出一种加权的方差增长方法过滤目标集,实现候选目标的准确定位。该算法有较好的自适应性,并且对背景变化敏感性较小。通过真实红外图像弱小目标的检测,检验了算法的有效性。     

一种新的背景预测方法在红外弱小目标检测中的应用

针对空中红外弱小目标的检测,提出了一种新的背景预测方法。该方法对云层边缘区域的点采用亮暗点分类,寻求最相似点的方法进行预测;对非边缘区域的点采用基本背景预测法进行预测;最后经过背景对消和阈值分割,将弱小目标检测出来。实验结果表明,该方法能够提高对起伏背景预测的准确性,减小由于云层边缘预测不准确而引起的虚警,从而能够更加有效地检测到弱小目标。     

红外弱小目标的匹配方法研究与仿真

研究红外图像中的目标匹配问题。针对传统的红外图像中目标匹配效果不理想,匹配不准确。当红外图像中是弱小目标时,背景灰度值与目标灰度值非常相近,灰度直方图均衡化无法实现目标与背景的完整分离,导致漏匹配率较高的问题。为提高目标的匹配精度,提出一种形态学预处理的红外目标匹配方法,通过形态学算法提取出图像中的形状信息,利用形状信息将红外图像中的目标与背景完整分离,避免了只依靠灰度图像信息造成的不能完整分离目标与背景带来的漏匹配问题。进行仿真的结果证明,采用的形态学与处理的匹配方法能够完整将目标与背景分离,成功完成目标匹配,取得了满意的结果。     

红外弱小目标预处理及检测方法研究

本文针对红外弱小目标检测问题，通过分析研究多种红外小目标检测的预处理方法。提出了一种能有效检测出低信噪比条件下运动小目标的算法，并给出了相应的实验结果。     

基于三维滤波的红外弱小目标检测技术研究

为了提升帧差法在复杂环境中低信噪比目标的检测效果,基于运动 目标在时间上具有连续性的原理,利用检测前跟踪的算法,通过三维滤波预处理和目标轨迹性判断相结合的设计准确筛选出 目标,达到在保持高检测率的前提下降低虚警的效果,对弱小 目标检测具有显著意义.     

基于SIFT流红外弱小目标的检测和跟踪

相邻帧图像的流场表现了有关目标物体和背景的运动特性。该文通过使用稠密SIFT局部特征描述子描述相邻帧图像像素,并以流的角度来处理,获得包含目标和背景的混合流场。由于红外弱小目标与其邻域背景具有明显的运动特性差异,而这必然会表现在求得的小目标和背景的混合流场中。根据该流场的平台-阶梯特性采用特定算法分割得到弱小目标的具体位置。实验表明,SIFT流方法克服了经典的使用光流实现弱小目标检测和跟踪的缺点,鲁棒性强,不失为一种新的处理红外弱小目标的思路。     

一种多深度特征连接的红外弱小目标检测方法

针对红外弱小目标像元数量少、图像背景复杂、检测精度低且耗时较长的问题，文中提出了一种多深度特征连接的红外弱小目标检测模型(MFCNet)。首先，提出了多深度交叉连接主干形式以增加不同层间的特征传递，增强特征提取能力；其次，设计了注意力引导的金字塔结构对深层特征进行目标增强，分离背景与目标；提出非对称融合解码结构加强解码中纹理信息与位置信息保留；最后，引入点回归损失得到中心坐标。所提网络模型在SIRST公开数据集与自建长波红外弱小目标数据集上进行训练并测试，实验结果表明，与现有数据驱动和模型驱动算法相比，所提算法在复杂场景下具有更高的检测精度及更快的速度，模型的平均精度相比次优模型提升了5.41%,检测速度达到100.8 FPS。     

复杂背景条件下的红外快速运动小目标检测方法

针对复杂背景下红外快速运动小目标检测问题,提出一种将时域特性分析、小波包变换和管道滤波多帧检测相结合的方法。该方法首先对图像进行时域特性分析确定目标所在帧图像序列,再利用小波包变换对目标所在帧图像进行多尺度分解,提取候选目标,然后通过管道滤波从候选目标中确定小目标的位置,完成对小目标的检测。对实测数据进行仿真实验,结果表明该方法能有效检测红外快速运动小目标。     

新型Top-hat变换及其在红外小目标检测中的应用

为了简单有效地提高Top-hat变换的目标检测能力,降低噪声及复杂背景对其性能的影响,提出了一类新的Top-hat变换.首先分析了经典Top-hat变换的缺点,然后用两个不同但互相关联的结构元素重新组织经典Top-hat变换的运算形成新型Top-hat变换.接着分析了新型Top-hat变换和经典Top-hat变换的不同,并详细分析了由此产生的新特性.由于新型Top-hat变换中的两个结构元素充分考虑了目标区域与其周围区域的差异,使得新型Top-hat变换不仅能抑制经典Top-hat变换的缺点,而且能增强其目标检测能力.实验结果表明,新型Top-hat变换较经典Top-hat变换和其他常用算法能更好地检测复杂背景下的红外弱小目标.     

基于加权融合特征与Ostu分割的红外弱小目标检测算法

为提高红外弱小目标在复杂背景干扰与低信噪比条件下的检测精度与效率,基于局部加权融合特征与分类二维Ostu分割,提出红外弱小目标检测算法。利用红外弱小目标与背景的灰度差异,基于Top-Hat算子设计红外背景过滤机制,使弱小目标从背景中凸显出来,使用图像的熵值定义局部加权融合特征,完成弱小目标的粗定位。采用分形理论计算粗定位区域内所有像素的分维值,构建像素分维像模型完成弱小目标的细定位,并通过特征分类二维Ostu分割机制实现红外弱小目标的精确检测。测试结果表明,与现有红外弱小目标检测算法相比,该算法具有更高的检测精度与更短的检测耗时。     

基于多阈值分类与逆向求证的红外序列图像弱小目标检测方法

弱小点目标检测是红外探测技术中的一个关键问题。针对目前序列红外图像目标检测中单阈值分割时弱小目标易丢失及快速移动目标的能量欠积累问题,提出了一种基于多阈值分类与逆向求证的弱小红外目标检测方法。在背景抑制的基础上,首先采用自适应多阈值分类的方法提取多类候选目标,强化了各类弱小候选目标的检测能力。在当前帧候选目标点的真伪无法判定时,根据目标在相邻帧间的位置变化信息构造相应的时空管道,沿时空管道逆向寻找可能出现的各类候选目标,并将其能量与当前帧候选目标点的能量进行加权求和后再进行门限判决,较好地解决了弱小目标及快速移动目标的能量积累问题。最后,通过若干实际红外数据验证了上述方法的有效性。     

复杂背景下红外图像弱小点目标自动识别仿真

传统识别方法受到低信噪比、低对比度、缺乏弱小点目标的形状及纹理信息等因素影响,尤其在复杂背景下,弱小点目标自动识别准确率较低,针对此问题,提出一种基于BEMD(二维经验模态分解算法)的红外图像弱小点目标自动识别方法,根据待识别图像的频谱特性,并结合分频段处理方式。对比了不同滤波器的性能,并建立了图像滤波器组,采用滤波器组将弱小点目标图像分解到不同子频域中;对子频段图像进行罗宾逊滤波处理,提取弱小点目标。采用多层经验模态分解算法对原始弱小点目标图像输入函数分解为二维本征模态函数,通过微分计算来获取原始图像与背景区域之间的差,分割出弱小点目标区域。通过局部逆熵分割弱小点目标区域的高频信息来获取各个模态函数的弱小点目标识别结果。实验结果表明,所提方法能够高效且准确地提取出弱小点目标,更好地抑制复杂背景。     

基于图像融合的红外弱小目标增强方法研究*

提出了一种使用图像融合进行红外弱小目标增强的算法,该算法采用两次融合结构。在一次融合中,使用简单图像融合方法将连续多帧图像进行融合以减少数据量并抑制噪声;在二次融合中,将一次融合的结果进行多尺度分解并对分解所得低频和各高频部分分别进行融合。对比了二次融合中使用小波变换、轮廓波变换、非下采样轮廓波变换等多尺度分解方法的融合效果。仿真实验结果表明了该方法的正确性,实现了对红外弱小目标的有效增强。     

红外弱小目标检测中的相邻背景预测算法研究

红外弱小目标检测的关键问题是背景预测,背景预测的好坏直接关系到红外目标的提取。考虑背景预测过程中,待预测像素仅仅和相邻像素相关,提出了一种相邻背景预测的算法,并针对背景起伏和平缓情况进行详细的分析。实验结果表明无论是在背景起伏较小的图像,还是在背景起伏较大的图像,该算法都具有良好的目标检测性能。     

基于矢量小波的红外弱小目标检测算法研究

针对标量小波用于红外弱小目标检测,检测精度较低的缺点,设计并实现了一种基于矢量小波的红外弱小目标检测算法.算法首先对红外弱小目标图像进行矢量小波分解;然后时水平及垂直方向上不同子带的小渡系数进行去噪和增强处理,并舍弃低频小波系数;最后进行矢量小波重构并进行自适应阈值分割.对算法进行了实验,实验表明算法具有检测精度高和易于实时实现的优点.     

基于小波包变换的红外弱小目标检测

针对复杂背景下红外弱小目标的检测问题,提出一种基于小波包变换的红外弱小目标检测算法。该算法首先采用小波包变换对含有弱小目标的红外图像进行多尺度分解,得到不同尺度下的高低频节点系数;其次根据不同节点系数重构时对目标能量贡献的不同,选取高频频带中能量分布居中的频带节点系数对图像进行重构完成背景抑制;最后对重构后的目标图像采用自适应阈值分割方法进行目标分割,得到目标检测结果。实验采用多组红外序列图像进行验证,仿真结果表明：该算法可以很好地抑制背景和云层边缘,精确地检测出目标信号,同时提高了目标的信杂比和对比度等参数。     

基于聚类分析的红外弱小目标检测

针对深空背景下的红外弱小目标检测,提出了一种基于聚类分析的目标检测方法,该方法将经过背景抑制的连续几帧图像构造组合帧,基于目标的运动特性,对分割后的组合帧进行聚类分析,从而检测到弱小目标并同时获得目标运动轨迹,再对检测结果进行聚类检验,从而去除虚假目标,降低虚警率。实验结果表明该算法对多目标的检测有较高的鲁棒性,且相对于传统的小目标检测算法有更高的检测率和较好的实时性。