论文部分内容阅读
红外小目标检测是预警、搜索跟踪和红外自动寻的制导等领域的关键问题。如何提高小目标检测的可靠性和准确性,在红外探测成像方面具有重要的研究意义。本文在综述国内外小目标检测技术发展现状的基础上,研究了基于背景预测的红外小目标检测方法,主要工作如下:1、研究了基于双树复数小波变换(DT-CWT)、支持向量回归(SVR)的红外小目标检测方法和基于模糊最小二乘支持向量机(FLS-SVM)的红外小目标检测方法。前者采用了DT-CWT对红外图像进行去噪,并用SVR预测背景;后者利用FLS-SVM实现了红外图像背景的预测。实验结果表明,这两种方法都能较精确的检测出红外小目标,检测概率较高,检测效果均优于现有的红外小目标检测方法。2、提出了基于非下采样Contourlet变换(NSCT)和核模糊聚类(KFCM)多模型LS-SVM的红外小目标检测方法。该方法首先对红外图像进行NSCT去噪,然后通过基于核模糊C均值聚类的多模型LS-SVM预测去噪后红外图像中的背景,最后分割残差图像并利用小目标的运动特性检测出真实小目标。实验结果显示该方法具有更高的检测概率和信噪比增益。3、给出了基于混沌粒子群(CPSO)和最小一乘空时预测的红外小目标检测方法。首先建立基于最小一乘准则的空时背景预测模型,然后根据最小一乘估计的性质,提出应用CPSO解决最小一乘估计中的极值选取问题,最后用该模型预测红外图像中的背景并从残差图像中分割检测出小目标。结果表明该方法优于基于最小二乘背景预测的红外小目标检测方法。4、实现了基于灰色预测的红外小目标检测。应用灰色系统理论中的GM(1.1)模型对红外小目标图像中的背景进行时域预测,最终从残差图像中分割出红外小目标。实验结果表明,该方法可以实现较远距离小目标的检测。5、研究了红外小目标残差图像的阈值分割算法。重点研究了基于模糊Tsallis-Havrda-Charvat熵的阈值选取算法、基于递归最大类间绝对差的阈值选取算法和基于CPSO的二维直方图斜分模糊最大熵阈值选取算法。实验结果表明这些阈值选取算法选取的阈值能从红外小目标残差图像中准确地分割出小目标。