论文部分内容阅读
红外成像检测技术在红外搜寻与追踪,精确导航,预警系统,视频监控等方面具有重要作用,广泛应用于军事战略、国家防御、工业生产等领域。红外小目标一般占据像素点数较少,同时受到各种因素的噪声影响。红外小目标检测技术成为一项很有重要和关键作用的技术,并且是一项课题研究的难题,许多科研学者对此进行了研究和关注。将人类视觉特性运用到红外小目标检测过程中,利用人类视觉系统中的注意力选择机制可以取得较好的检测效果。因为红外小目标图像中的目标作为图像中的显著性区域,能够引起人类视觉优先注意选择并被提取出来,而抑制非显著性区域,进而得到红外小目标位置等信息。本文在学习了前人的研究算法和成果基础上,分析了红外图像的构成特征以及在红外小目标图像中的目标特性和背景特征,提出了如下几种基于视觉显著性的红外小目标检测算法,主要内容简述如下:(1)提出了在改进的形态学重构处理基础上,基于视觉对比度机制的局部对比度原理和基于图像变换域显著性信息的两种红外小目标检测算法。运用改进的形态学重构方法,能够对图像的背景噪声进行大部分的抑制,减少图像背景噪声对红外小目标的干扰。在基于视觉对比度机制的局部对比度算法中,首先对感兴趣区域进行快速提取,以减少后续局部对比度度量中的计算量以及误测概率。根据目标像素灰度值与周围背景邻域像素灰度值之间的差异性,定义局部对比度度量算法,构成显著性图,将目标从背景中的分离出来。基于图片变换域显著性算法,结合灰度残差,梯度残差,以及相位谱特征,提取出图片在变换域中显著信息,进而获得小目标位置等信息。实验仿真结果显示,该两种算法都具有较好的检测效果,能够有效的提取出目标分量。(2)提出了一种基于BEMD的检测算法。运用二维模态分解算法对图像进行分解获得各个细节分量信息,根据所获得的细节分量图进行显著性特征提取,分别定义以加权高斯差分核函数和高通梯度核函数对不同的细节分量作分析。由于每个分量中所包含的显著性信息不同,为了完整的获得图片的显著性信息,主要是目标的显著性信息,抑制背景噪声,将每个细节分量的显著性特征图以分配权值的方式加以结合。根据各个细节分量显著性特征图对图像有用信息的显示程度,来确定每个分量的显著性图对最后用红外小目标检测的显著性图的贡献度,以此减弱背景噪声,突显目标信号的强度。仿真实验结果显示该算法对于复杂背景的红外小目标图像具有较好的检测效果,可以比较有效率的增高图像目标信号的信噪比,抑制减弱背景噪声。(3)提出了基于加权多方向梯度信息的检测算法。通过获得图像在不同方向的梯度信息,以达到分析红外小目标图像各个方向上的显著性信息的目的。针对每个方向的梯度信息,由基于Facet模型对相对应方向上的梯度信息作方向求导,获得不同方向的导数图,将图像的细节信息进一步充分显示。以改进的局部信息熵作为构建图像显著性图的权值,由于改进的局部信息熵可以反映图像中灰度信息分布程度并且突出较亮的灰度信息,从信息熵角度来表达图像的显著性信息,以此来指导构建方向梯度导数图,可以达到较好的突出红外小目标的显著性特性的效果。从仿真实验结果分析,该算法可以有效的抑制红外小目标图像的背景噪声,并且增强目标的显著性信息,能够较好的目标与背景进行分离,在实验结果对比分析中能够达到较满意的检测结果。