NO.01
认证: 论文检测

掌柜:论文查重第一家

点击这里给我发消息

支付宝个人认证

2011-03-24

消费者保障协议

该店铺已签署消费者保障协议
已缴纳1000元保证金

店铺动态评分

描述相符5.0

服务态度5.0

物流服务5.0

与同行业相比

高于1.23%

持平0.45%

高于4.31%

开店时长5年老店

弱小目标检测前跟踪算法研究

红外低信噪比小目标检测问题是军用武器系统中的关键技术之一。如何利用红外技术来实现弱小目标的检测与跟踪将是未来军事发展的主要技术和重要方向,同时也将是光学和图像领域的研究热点。由于受大气热辐射、探测器噪声等因素的影响,低信噪比的弱小目标很容易被背景噪声所淹没。弱小目标的低信噪比、纹理信息少、背景复杂等因素是目前弱小目标检测与跟踪的主要难点。为了提高红外图像的信噪比,抑制背景噪声的影响,本文详细分析了红外成像的原理以及各种噪声呈现的特征,并介绍了目前几种常用的图像预处理滤波方法,且在仿真实验的基础上分析了各种滤波的处理效果,总结了各种预处理方法的优缺点,实际应用中应根据现实场景以及检测需求来选择相应的预处理方法。 本文研究了利用多帧图像检测弱小目标的方法,多级假设检验算法是一种序列检测方法,其主要是利用根据检测要求计算出的两个检测门限阀值在检测的过程中不断的删除虚假目标轨迹点,并将检测的轨迹点以“树“型结构存储起来,本文详细分析了多级假设检验算法。针对“树”型结构呈指数级增加的存储量,仿真过程中通过多级假设检验原理与单帧图像低门限处理相结合的方法来减少树的存储量,实验证明该算法是一种性能优越的弱小目标检测前跟踪算法。针对弱小目标的检测,本文研究了另一种弱小目标检测前跟踪算法。动态规划算法把最优化原理同弹道积分原理结合起来,将小目标检测问题转化为一系列轨迹中寻找能量累积值最大的线路问题,本文在仿真实验的基础上提出点轨迹共享原理,并结合小目标运动的特性,通过实验验证了改进动态规划的弱小目标检测前跟踪算法的优越性能。此外,针对多假设检验和动态规划两种算法的存储量和计算量大的缺点,本文在动态规划算法的基础上融合多级假设检验原理,通过实验仿真比较验证改进算法在存储量和计算量等方面优于前两种算法,实验证明改进算法可以较好的实现对弱小目标的检测跟踪。最后,基于 Visual C++6.0 语言开发了弱小目标检测前跟踪软件,实现了几种基本图像预处理的方法以及改进算法,同时也验证了新算法的正确性。 2(2)弱小目标检测的另一个难点在于复杂的背景噪声,特别是实际云层中分布复杂的粒子辐射对红外成像的干扰;(3)红外辐射的强度和探测的距离成反比,所以当成像距离较远时,目标极其容易淹没与背景噪声中,并且成像的图像信噪比一般较低。仅通过单帧检测将很难得到理想的检测效果;(4)系统检测概率与算法存储量、计算量之间的矛盾,针对弱小目标检测,系统要求的检测概率越高,其处理的图像帧数也越多,进而算法需要存储以及计算的数据量也将增大;(5)当检测方法的存储量和计算量较大时,将很难保证算法的实时性检测要求。 1.3 红外弱小目标检测的国内外现状近年来国内外对红外弱小目标检测主要可分为先检测后跟踪(detect-before-track)和检测前跟踪(track-before-detect)两大类。传统的小目标检测与跟踪方法是DBT,其基本思路是通过阀值分割原理对单帧数据处理得到若干检测结果,然后根据目标的运动特性将单帧的检测结果进行关联而得到检测的目标运动轨迹。算法的流程图如下图所示。图 1.1 先检测后跟踪(DBT)算法框图红外弱小目标检测后跟踪主要有以下两个步骤:首先对每一帧的图像进行处理得到检测的候选目标点;其次,在序列图像中结合目标的运动特性确定真实的目标轨迹,由于随机噪声的影响,对于信噪比较低的单帧图像检测存在较多的虚假目标点,所以需要利用序列图像检测来确定目标轨迹,这也是弱小目标检测后跟踪(DBT)方法的基本思想。由于红外探测技术的迅速发展,红外探测技术的内部噪声已经得到了一定程度的抑制,弱小目标检测困难的主要因素来自于背景噪声的干扰。单帧红外图像的目标检测的一般方法是选择合适的图像预处理滤波方法去除大部分的背景噪声,增加图像信噪比,使目标突出,然后根据最佳贝叶斯判断等原理,对每个预处理后的像素点进行判决;其次利用目标运动的特性,累积多帧序列图像,依据相关性的特点,对单帧检测的结果进行判断,从而形成二次检测,剔除虚假轨迹目标点,得到检测结果。常见的先检测后跟踪的算法主要有形态学法[3]、纹理分析法[4]、阀值分割法、最大似然比估计、小波变换法、频域转换[5]处理等。先检测后跟踪方法检测原理简单,便于硬件实现,在信噪比较高的情况下可以有效的检测出目标。但是针对弱小目标,先检测后跟踪的方法将失去其目标检测的特性,并且会具有较高的虚警概率。 3通过单帧图像处理得到候选目标点迹,然后利用序列图像的相关特性得到目标轨迹是这一问题重要的手段,在红外成像系统中,特别是在军事领域,当扫描图像的频率较高时,在一定的时间内可以得到比较多的序列图像供以检测处理,这无疑会将会提高算法的检测概率同时也减小了虚警概率。帧积分和管道滤波是序列图像检测目标的最直接最简单的方法。文献[6]采用五帧累加运算进行帧积分的方法,同时也给出了累积不同帧数的检测效果;考虑到算法的检测性能以及实时性,文献[7]结合了目标轨迹和累积的能量,并得到较好的检测效果。对于抑制背景噪声的影响,提高图像的信噪比,帧积分是其中一种有效的方法。管道滤波是一种比较经典的时空滤波器,文献[8-9]详细分析了管道滤波的滤波原理及其算法步骤。在进行红外弱小目标检测的图像中,绝大部分是背景噪声,目标在红外图像中只占几个像素点甚至是一个,所以从背景出发来进行弱小目标的检测是一种合理的检测方法。Narayanan[10]首先提出了将全局信息的局部化的方法,当目标运动到某一局部像素点时,会引起局部熵发生较大的变化,所以可以利用此变化特性来检测目标,虽然其针对的是平滑图像,但对目标检测的模型也有一定的启发作用;Bello[11]提出的随机场模型以及空域处理技术等方法都是基于背景预测模型的思想。 目前,基于背景预测的红外弱小目标检测方法已经逐渐被国内外学者所认可,Denney[12]等人成功的将一种自适应自动递归的背景预测的方法应用于点目标检测上;Philip等人将随机模型背景预测算法应用于红外图像和合成孔径雷达(SAR)图像的目标检测,并且取得了较好的检测效果;另外,一种基于卡尔曼滤波理论的背景预测算法被应用于复杂背景条件下的红外运动小目标的检测上。目前针对低信噪比条件下弱小目标的检测主要采用的是TBD检测方法,TBD检测方法不对单帧图像中有无目标进行检测,而是通过对多帧序列图像进行处理,并根据检测概率、虚警概率和信噪比计算出能量累积的检测门限,通过阀值分割检测出弱小目标,在给出检测结果的同时给出目标的跟踪轨迹。算法的流程图如图1.2所示:图 1.2 检测前跟踪(TBD)算法框图首先介绍几种常用的DBT检测方法:先检测后跟踪(DBT)算法主要分为单帧检测和多帧关联两部分,其中单帧检测主要由背景抑制和目标提取两部分构成,目前虽然出现了各种各样的单帧检测方法,但整个DBT检测算法就是这些不同方法的排列组合。1.背景抑制的方法(a)数学形态学的方法数学形态学的主要思想是通过设计一套运算算子来描述图像中各个像素点之间的关系,4如常用的开运算、腐蚀、膨胀操作等。数学形态学方法作为一种数字图像处理和识别方法,其对高频噪声和背景边缘的高频部分有较好的抑制效果。对于红外图像中的弱小目标,数学形态学的方法可以通过对序列图像进行膨胀来增强目标的能量,使用Top-hat算子[13-15]也能够达到较好的背景抑制效果。(b)滤波预处理方法到目前为止,针对红外图像处理,人们已经发展了一系列比较成熟的滤波预处理方法用来抑制背景。 这些方法原理简单,易于实现,因而得到了较为广泛的应用。其中,高通滤波[16-19]和最小均方误差滤波[20]两种方法发展较早且在工程上应用较多,中值滤波对脉冲噪声具有较好的抑制效果,为此中值滤波在处理红外图像中应用很频繁,对于红外图像中的弱小目标检测采用中值滤波作为预处理比较合适。当目标较小时,目标很可能会被当成噪声而被滤除,所以滤波的模版选择尤为重要,除了四联通和八联通的滤波模版外,带保护带的滤波模版[21]以及改进的中值滤波模版[22]目前都可以达到很好的滤波效果。(c)小波分析法[23-26]小波分析方法通过构造具有特殊性质的小波函数,并分析待检测图像在此小波基上分解系数的规律,然后先在大尺度上识别出边缘点,其后在小的尺度上对边缘进行真正的定位,从而提取出图像中的目标。近年来方向小波分析法逐渐成为研究的热点问题,在多方向、多尺度下进行的方向小波目标检测,不仅能够保持传统小波变换的时域局部化的分析能力,而且具有良好的方向分析能力,并且能够反映出图像在不同频域上沿任意方向的变化情形,更符合图像纹理、方向等特征。(d)残差图像法[27-31]残差图像法的主要思路是将弱小目标等同于噪声,并结合神经网络方法,利用其神经网络函数逼近特性实现对红外图像的背景估计,然后将估计图像同原图像相减,在残差图像上检测出弱小目标。在背景较为复杂,且弱小目标成像的尺寸较小甚至接近点目标的情况下,图像残差法能够获得理想的检测效果。(e)基于遗传算法的方法遗传算法的思想主要来源于自然界中物竞天择、适者生存的演化规律和生物进化原理,并结合随机统计理论而形成的。 遗传算法具有并行全局优化搜索能力,可以有效的解决参数的优化和组合优化等难题,而且能够在复杂背景条件下有效的检测和识别弱小目标。近年来出现了很多基于遗传方法的弱小目标检测方法,其主要是根据环境以及目标呈现的特征,利用自适应优化训练使形态滤波结构元素具有目标的形态结构特征,进而使结构元素具有表征目标特征的知识,实现对变化复杂图像的滤波功能。另外,将多假设检验和遗传算法结合起来,能够得到一种低信噪比条件下点目标的快速检测和跟踪的方法2. 目标提取方法目标的提取主要由阀值分割和信息融合两种方法组成。阀值分割主要是利用自适应阀值分割的原理,直接将目标和背景噪声分离开来,从而得到检测结果,但是当图像背景复杂、1 第 1 章 绪论 1.1 引言在现代高科技战争中,随着精确制导武器的飞速发展,要求现代检测系统能在更远的距离、更早的时间发现并捕获、锁定敌方来袭的导弹、飞机、坦克等军事目标,才能实施有效的攻击并为防御武器争取足够的反应时间。目前红外制导技术被广泛的应用于战略导弹、巡航导弹等军事领域,并凭借其侦测范围广、目标精确度高、作用距离较远、自身隐蔽性强等优势,迅速的成为第二代武器系统中制导的关键技术,在未来的作战中起到举足轻重的作用。伴随着红外成像器件的飞速更新,红外成像技术在目标识别、检测跟踪等领域所发挥的作用将日益重要,而高性能的红外弱小目标检测算法的支持,对于实现红外远距离目标探测和预警具有重要的意义。由于受到大气辐射的影响,弱小目标在红外检测的图像中将呈现为点目标的状态,其在图像中仅仅占几个像素点,甚至一个,导致目标的纹理信息、大小尺寸以及形状等信息将丢失。在作用距离较远的情况下,图像的信噪比将会很低,弱小目标将很难从背景、噪声以及杂波中凸出,目标极其容易淹没于噪声中。几十年来,如何有效的抑制背景噪声、利用算法有效的对弱小目标进行检测跟踪,以及如何保证算法的检测性能已成为弱小目标红外图像领域的研究热点。对低信噪比的小目标的检测与跟踪算法的研究,在提高现代科技武器的作战距离与反应时间具有非常重要的意义。特别是在较为复杂背景条件下,对弱小目标进行有效的检测前跟踪的问题成为亟待解决的关键问题之一,因此,红外弱小目标检测与跟踪是一项难度大、具有重要战略价值的课题。1.2 弱小目标检测的若干问题由国际光学工程学会组织举行的“弱小目标的信号与数据处理(Signal and Data Processingof Small Targets)”是一次以讨论交流弱小目标检测新技术为主题的会议。 国际光学工程学会规定成像尺寸小于80个像素点(即小于图像大小的0.12%)的目标为弱小目标。另外弱小目标的成像距离较远、信噪比低、背景噪声复杂,同时这类红外弱小目标检测与跟踪要求算法具有较高的检测概率和较低的虚警概率,并且要有一定的实时性能,这给弱小目标的检测与跟踪带来了很大的困难,但总结来说,红外弱小目标检测的技术难点主要体现在以下几个方面[1-2]:(1)由于弱小目标成像较小,导致其尺寸大小、形状以及纹理结构等信息丢失,利用传统的先检测后跟踪的处理技术很难检测出目标;5目标较小的条件下,阀值分割的方法很难达到理想的效果。针对单个传感器所提供的目标信息过少,信息融合的方法通过关联不同的传感器的判断结果,在融合多个传感器所提供信息的基础上提高检测和判决的准确性,且其检测的精确性随着传感器证据的不断累积而不断的得到提高,信息融合的方法不仅克服了单个传感器目标识别可靠性差的缺点,而且能够有效的从图像序列中提取出弱小目标。3. 多帧关联的方法经过单帧图像预处理后,图像中主要包含弱小目标以及少量的噪声,当系统扫描的周期较小时,目标在相邻图像之间不会有较大范围的移动,且目标的信号强度不会发生较大的变化,而背景噪声因其随机性不具备上述特性,多帧关联方法主要采用“流水线”的处理方法。根据上述弱小目标的特性,可以通过流水线检测对多帧待检测的序列图像进行处理,来检测出弱小目标。 下面主要介绍几种常用的 TBD 弱小目标检测算法: (1)三维匹配滤波器方法[32]作为一种应用比较广泛的检测方法,三维匹配滤波方法将把运动目标检测的问题变换为在三维空间寻找匹配滤波器的问题。针对目标所有可能的运动情况,三维匹配滤波器通过设计相应的三维匹配滤波器,并统计各个滤波器的输出,选择其中输出信噪比最大的滤波器,并通过该滤波器所对应的运动状态来确定目标在图像中的位置,从而实现弱小目标的检测。另外,由于一条轨迹对应一个滤波器,因此三维匹配滤波器的方法可以同时检测多条运动轨迹。速度滤波器是三维匹配滤波器的典型例子,该方法在已知目标速度和方向的条件下可以获得较好的目标检测效果,然而在速度和方向未知情况下,其检测性能将明显下降。文献[33]利用一组参数不同的滤波器组实现了目标的检测,其中每个滤波器对应着空间一条可能的轨迹,通过参数匹配滤波检测出直线航迹。三维匹配滤波方法的优点是检测性能高,但是其需要大量的匹配滤波器对目标进行检测,并可能会导致无法实现的穷尽式搜索。 (2)多级假设检验方法(Multistage Hypothesis Testing)[34]多级假设检验(MSHT)算法的基本思想是将众多可能的目标轨迹以树型的形式存储起来,在检测的过程中利用多级假设检验的原理不断的剔除没有通过检验的结点,随时对树的结构进行修正,并达到减少计算量和存储量的目的。多级假设检验的基本原理是:沿着轨迹上的像素点进行能量累积,并将之同假设检验的门限阀值比较,超过上门限的判定为目标的运动轨迹,而低于下门限的判定为噪声,介于上下门限之间的轨迹将之保存至树型结构中,且在下一帧进行同样的检测判断。作为一种高效的检测算法,多级假设检验方法存储量少、计算量小,并且可以同时检测出多个作不同方向直线运动的小目标。但是在背景噪声较为复杂的情况下,为减小检测算法的虚警概率,需要降低起始的检测门限,这将导致候选目标轨迹的起始点非常多,进而使后面的树结点急剧增加,同时算法的计算量、存储量也将迅速的增大。 (3)动态规划方法[35]利用分段优化的原理,动态规划将目标的检测跟踪问题转化成分级优化的问题,其最早6由 Barniv 将之应用于目标的轨迹搜索中,并根据贝叶斯理论,利用概率密度函数构造优化了决策过程的值函数。基于动态规划弱小目标的检测方法首先通过最大概率准则构造一个评价函数,然后分段优化该评价函数,在检测过程中找出所有可能的片段,然后逆向反推,得到可能的候选目标轨迹,最后利用后处理的方法(如直线拟合原理等)从候选轨迹中检测出目标的航迹。评价函数的选择是动态规划算法的关键,其将会直接影响算法对目标的检测性能。动态规划算法将小目标的轨迹搜索问题转换为多阶段的最优寻迹问题,由于该算法是基于像素级的运算,易于实现且操作简单。但是在未知目标速度的情况下,无法确定算法的速度窗口,为了提高检测概率,需要扩大搜索窗口,但这将会导致算法的计算量急剧增加,进而使算法的整体性能下降。 (4)投影变换方法[36]投影变换的方法在分析投影变换或某种形式的逻辑运算的基础上,将空间的弱小目标的检测跟踪问题转换成平面轨迹检测的问题。投影变换方法首先对每一帧红外图像进行阀值分割处理,然后将三维空间投影到二维平面上,得到投影在同一平面内的检测点,再在投影平面上进行门限阀值处理,其次采用类似 Hough 变换的后处理方法来检测出目标的运动轨迹,最后依据投影原理确定目标在空间的大致位置,然后通过空间匹配滤波精确目标的真实轨迹。相比于其它检测方法,投影方法大大减少了检测过程的存储量和运算量,实时性较强,便于算法的工程应用,但是在噪声较强和目标帧间位移较大情况下,投影检测方法的性能将会急剧下降。 (5) 时域滤波方法[37]目标、背景噪声以及杂波在时间呈现不同的特性,时域滤波算法正是在分析上述特性的基础上并利用此特性不同来检测弱小目标的。检测的主要依据是当弱小目标向某一个像素点运动时,当接近该像素点时会呈现能量幅值升高,相反,当离开此像素点时则会呈现下降的特性,所以该像素点的能量会呈现先升后降的特性,背景噪声则无此特性,时域滤波就是利用目标和背景在此特性上的差别进行目标检测的。小目标与背景在空间上的特征也有差别,但是时域滤波方法并没有考虑并利用此特性。该滤波算法对图像的帧速有一定的要求,否则目标在某像素点会引起能量幅值的突跳,故而无法有效的将目标与噪声区分开来。 (6)粒子滤波方法[38]粒子滤波是一种通过蒙特卡罗积分模拟来实现对贝叶斯滤波递推的方法,又称为序列重要采样法。该检测方法的状态估计值是利用一系列随机样本的加权和后验概率密度所得到的。获得后验概率分布的样本是粒子滤波的关键步骤,其主要方法是选取一个重要性概率密度得到后验概率分布的带有相关权值的随机样本,并结合实际测量的结果,不断的调整权值的大小与粒子的位置,当粒子数很大的时候,认为概率的估算等于后验概率密度,从而得到状态的估计值。粒子滤波算法可以很好的处理强线性、非高斯问题,能够解决传统的卡尔曼滤波器的非线性误差积累问题,且便于在计算机上实现。由于粒子滤波的方法需要大量的粒子来模拟概率分布,因此该方法运算量较大。如何减小运算量以及如何优化粒子滤波算法将会是今后研究的重要方向。近年来,国内外学者在弱小目标检测理论和工程应用中取得了卓有成效的成果,并且积累了很多宝贵的经验。但是弱小目标的检测跟踪问题尚未得到彻底的解决,很多理论有待在实践中进行验证,仍然有许多关键性技术需要进一步的探索研究。 1.4 本论文的研究内容和安排本文主要研究复杂背景下弱小目标的检测与跟踪技术,论文的工作安排如下:第一章绪论,主要阐明弱小目标检测与跟踪的研究背景和意义,总结了弱小目标的检测难点以及近几年来国内外的主要研究方法。第二章研究了红外图图像特性,着重介绍了预处理方法、背景抑制的基本思想,以及点目标分割的方法;分析了几种常用的图像预处理算法,并通过实验仿真,比较了各种图像预处理方法的效果。第三章详细分析了弱小目标检测 TBD 方法中的多级假设检验算法,并通过仿真验证该算法的有效性,多级假设检算法能够对弱小目标进行有效的检测前跟踪。第四章研究了基于动态规划的弱小目标检测算法,并在实验仿真的基础上,提出轨迹共享原理,并以此改进动态规划算法;最后,针对多级假设检验和动态规划两种算法的计算量和存储量大的缺点,本文在动态规划的基础上融合多级假设检验算法,并通过仿真对比验证该改进算法可以有效的实现弱小目标的检测前跟踪。第五章主要介绍了基于 Visual C++ 6.0 平台下弱小目标检测前跟踪的软件开发。第六章对本文所作的工作进行了总结,指出了不足之处并对未来研究的方向进行了展望。 11抑制噪声,其主要是利用已经定义好的模版在频域对图像进行邻域处理,滤波后的图像中的每个像素点的灰度值是通过对输入图像对应邻域像素点的灰度值加权累加而得到的。用低通模板进行频率域卷积相当于对原图像作低频分量的估计,即:F ( x, y )=f ( x, y ) ? h( x, y)(2.3)式(2-3)中 F ( x, y )为输出信号, f ( x, y )为输入信号, h( x, y )为滤波器脉冲响应函数。低通滤波模版一般根据采用的不同类型的频分量估计方法而得到,对于离散的数字图像,其脉冲响应函数一般选用卷积模版,并用矩阵 H 表示。 2.3.2 均值滤波方法均值滤波是典型的线性滤波算法,它是指在图像上对目标像素给一个模板,该模板包括了其周围的临近像素(以目标象素为中心的周围 8 个象素,构成一个滤波模板,即去掉目标象素本身)。再用模板中的全体像素的平均值来代替原来像素值。均值滤波也称为线性滤波,其采用的主要方法为领域平均法。线性滤波的基本原理是用均值代替原图像中的各个像素值,即对待处理的当前像素点( x , y ),选择一个模板,该模板由其近邻的若干像素组成,求模板中所有像素的均值,再把该均值赋予当前像素点( x , y ),作为处理后图像在该点上的灰度 g ( x , y ),即:g ( x, y )=1/ m∑ f ( x, y)(2.4)式中 m 为该模板中包含当前像素在内的像素总个数。2.3.3 Wiener 滤波方法Wiener 滤波方法将信号与噪声视为随机信号。假设输入信号为 f ( x , y ),经过滤波后的信号记为 F ( x , y ), Wiener 滤波器是在对信号和噪声信号进行分析统计的基础上,设计一个最佳滤波器,使滤波前后信号之间的均方误差达到最小,其误差信号的定义如下:e=E ( f ( x , y ) ?F ( x , y))(2-5)设计出的最佳 Wiener 滤波器需要使均方误差度量达到最小,即:co n e ( t )d t∞2?∞=∫ (2.6)最小。首先,需要估计出输入图像像素的局部均值和方差:,1( , )x yS x yM Nμ∈Ω=∑(2.7)2 2 2,1( , )x yS x yM Nσ μ∈ Ω=∑?(2.8)10 2.3 图像预处理算法研究在检测小目标之前,往往需要对图像进行预处理来抑制目标图像中夹杂的噪声和杂波,以此来获得更好的效果。图像预处理的主要目的是提高图像的质量和信噪比 SNR,尽量抑制背景杂波和噪声,并且预处理效果的好坏将直接影响整个算法的检测概率和实时性。目前的图像预处理去噪的方法主要可以分为两类:一类是空间域方法,主要是采用各种图像模版对图像进行卷积处理,达到消除噪声的目的;另一类是频率域方法,通过对图像进行变换以后,选用适当的频率滤波器进行滤波处理,然后利用反变换获得去噪的图像。点目标检测的滤波预处理算法主要有形态学滤波法[40]、中值滤波法[41]、小波变换法[42]、高通滤波法[43]、均值滤波法[44]、Wener 滤波法[45]等。目标模型:F ( x , y )=T ( x , y ) + B ( x , y ) + v ( x , y)(2.1)其中, T ( x , y )为目标信号, B ( x, y )为背景图像(杂波的空间分布), v ( x, y )为噪声。对图像进行背景抑制预处理的关键是估计出图像的背景,令 H ( x, y )为背景图像的估计,则预处理后得到的图像为:F ( x , y )=f ( x , y ) ? H ( x , y)(2.2)背景杂波图像预处理主要解决的问题是:将输入图像变换成大部分背景被消除了的新图像,其中只剩下目标和少量的噪声,下图即为图像预处理示意图:图 2.1 图像预处理示意图2.3.1 高通滤波与低通滤波方法高通滤波器和低通滤波器是目前小目标检测过程中最常用的图像预处理方法。图像的大部分背景噪声处于图像中变化缓慢的低频部分,而弱小目标处于图像中的高频突变部分。高通滤波器允许高频信号通过,对低频信号起抑制作用,与高通滤波相反,低通滤波器则只允许低频信号通过。低通滤波和高通滤波具有一定的相对性,下面以低通滤波方法为例,介绍它们的滤波原理。一般而言,由于图像中背景部分的变化较为平缓,其像素之间的相关性也比较强,所以其往往处于图像的低频部分。基于上述图像特性,利用背景像素之间灰度的相关性,目标与背景灰度的无关性,通过低通滤波方法实现对红外图像的预处理。低通滤波方法可以有效的 2.2.2 红外图像背景特性分析红外图像背景主要是由大面积变化缓慢的低频部分构成。由于受到物理规律的制约,自然背景中的云层和海浪在空间上往往呈现大面积的连续分布,在红外辐射的强度上也呈渐变过渡状态,从而使得图像在灰度空间分布上具有较大的行惯性,相邻像素点间的相关系数可达0.8以上。另外,由于场景与传感器内热分布的不均匀,图像的局部灰度均值可能有较大的变化,背景图像为一个非平稳过程。另外,背景中也包含可部分空间频率中的高频分量,它们主要分布在背景中同质区的边缘。从广义上看,自然场景的图像灰度值分布的概率密度是正态的。总结而言,红外背景图像具有以下的特性:(1)由于场景以及探测器内部热噪声的影响,背景图像往往呈现为一个非平稳的过程,且其局部灰度的分布会出现一些波动,其中的一些可以通过背景抑制来消除,有些则必须通过滤波算法进行消除;(2)由于受到各种自然规律的制约,背景噪声表现出缓慢变化的特征,且往往呈现大面积的连续状态,相邻像素之间有较强的相关性;(3)背景图像中的边缘部分属于非平稳过程,特别是在自然地形和云团的边缘,一般很难消除,而且这些边缘属于高频部分,与弱小目标呈现相同的特性,所以边缘噪声也是弱小目标检测的主要干扰。 2.2.3 红外图像中噪声的特性分析从某中意义上,可以认为噪声是叠加在信号上的随机过程,并对信号起阻碍作用的其它信号成分。另外,一方面由于红外系统的内部噪声远远大于可见光成像噪声,另一方方面一般红外系统成像的分辨率较低,导致红外成像的质量远远低于可见光的质量。由于红外成像的各个单元都存在噪声,所以噪声的分布复杂多样。例如光学噪声是由于成像系统中的透镜材料对辐射的吸收能力不一样而导致的,即使使用相同的入射辐射,所成图像也不可避免的存在不同程度的污点。对于光学噪声,可以通过改善光学器件的工艺和完善光学的设计来解决,同理,电路处理系统也可以通过低噪声的器材部件和良好的设计,以此来减小噪声对红外成像系统的影响。红外成像系统中系统的噪声主要来源于红外探测器,其也是影响红外成像质量的主要因素。一般而言,它所产生的噪声强度要远远大于其它环节产生的噪声,同时也是最难克服的。由于线性扫描系统的噪声具有很强的规律性,所以可以通过各种校正以及图像处理的方法来消除,而对于非线性、非均匀的凝视系统噪声则需要通过红外探测器非均匀校正的方法来克服。探测器噪声的产生机理非常复杂,按其产生机理通常可以划分为热噪声、产生复合噪声、散粒噪声、光子噪声以及1/f噪声[39]。探测器本身的噪声是无法避免的,可以说红外成像系统的发展主要受器件发展的制约。 第 2 章 红外弱小目标特性及图像预处理方法研究2.1 概述红外系统中得到的原始红外图像主要包含三个基本要素:目标、背景、噪声。当背景复杂而目标信号微弱时,如何提高图像信噪比、压制背景、突出目标以便于后续算法处理,这就需要选择合理的处理方案。本章将介绍红外图像成像特性并分析一些常用的预处理算法的基本原理,并通过理论分析和仿真研究对其中的几种算法的效果进行比较。 2.2 红外图像特性分析红外成像技术主要是通过红外探测器接收空间场景事物的红外热辐射成像的。其二维图像主要是将探测器接收到的辐射能量转换成有时间顺序的电信号并经过放大处理而得到的。利用红外技术所得到的图像主要由红外小目标、大面积的背景杂波以及噪声所构成。基于红外成像的弱小目标检测跟踪,存在着信息量少、信噪比低、背景复杂以及计算量大等问题。红外弱小目标的检测已成为一个亟待解决的难题。 2.2.1 红外弱小目标的成像特性红外图像中的弱小目标,“弱”和“小”构成了目标的主要属性,所谓的“小”是指缺少目标的大小和尺寸信息,在成像的红外图像中其只占几个像素点甚至呈点目标状态;所谓的“弱”主要指目标的信噪比较低,目标的亮度不够强,极易淹没于噪声当中。目前红外成像要求的作用距离越来越远,所成图像的信噪比一般都较低,总结来说,红外弱小目标具有以下的特性:(1)目标的大小、纹理、结构等信息丢失;(2)在成像的图像中目标所占的像素点较少,导致获得目标的其它信息较少;(3)红外弱小目标在图像中呈现为一些灰度奇异的点,且其处于高频部分,而大部分的背景噪声处于图像的低频区域;(4)目标的信噪比较低,目标极易淹没于噪声中,同噪声很难分离。由于点目标在实际探测器中的成像并不是规则的几何点,而是在图像的空间域分布特性上呈现为一些小“凸包”,由于红外成像过程中引入的噪声,均匀变化的云层背景上会出现许多小突起,且一般而言背景噪声的灰度值不会出现较大的波动,然而在目标出现的地方,其能量幅值都会出现较大的起伏,在红外图像上呈现为“尖包”状态。尖包的出现符合红外成像原理,它是由点目标在成像平面扩散形成的形态,即最高的尖点处是目标的位置。基于红外系统中目标、背景噪声所呈现的不同特征,通常可以采用滤波方法来提高信噪比。其中,Ω 是图像中每个像素的 M*N 邻域,利用 Wiener 滤波估算出其灰度值:Wiener 滤波器是一种自适应滤波器,其输出的效果可以通过图像的局部方差来调整,当局部方差比较小时,滤波的效果较好,相反滤波的效果较差。Wiener 滤波能够很好抑制高斯白噪声,同时能够保存好图像的边缘信息和高频细节部分。在大多数情况下 Wiener 能够取得较好的滤波效果,尤其是在高斯白噪声的情况下,然而当图像的信噪比较低时,往往很难达到理想的滤波效果。另外,Wiener 滤波器同人的视觉效果不一定相匹配。 2.3.4 中值滤波方法中值滤波(Median Filtering)是由TurkyD在1971年提出的,其早期主要用于处理一维信号,后来才被用于二维数值图像的平滑中,是一种有效去除噪声的非线性信号处理技术。由于背景噪声信号之间的强相关性,图像中的每一个背景像素点都可以通过其周围背景点的预测而得到。在中值滤波估计背景过程中,任何一点灰度的背景预测值都是用它周围区域的一些点的灰度值经过计算非线性中值估计产生,将所有点的实际灰度值与预测值相减,得到目标和部分残存噪声。然后利用适当的阈值进行图像分割,即可达到抑制背景检测目标的目的。其算法实现为:假设数集{ }ijx表示某一数据图像,这里( i ,j )取遍2Z 或者2Z 的某子集。一个具有滤波器窗口 A,其尺寸为 N=(2k + 1)(2k + 1),对于图像{ ( )}2, ,ijx i j ∈Z的二维中值滤波器的定义如下:,( ,( , ) )ij i r j sy med x r s A+ +=∈(2.9)上述的二维窗口 A 可以有取不同的形状,如线状、圆形、方形、十字形、圆环形等。作为一种非线性运算方法,当输入随机性质的噪声时,其数学分析会变得比较复杂。对于零均值正态分布的噪声,大量的实验证明,中值滤波的输出与输入噪声的密度分布有关,输出噪声方差与输入噪声密度函数的平方成反比。由此可知,滤波时选择的子窗口是影响二维中值滤波器保存边缘和消除噪声特性的主要因素。中值滤波能够较好的抑制高斯白噪声和椒盐噪声,而且其运算简单、速度快且便于实现。中值滤波能够使具有不同灰度的点看上去更加接近其邻近的值,但该方法同时会改变那些没受噪声影响的点的灰度,使目标点变得模糊,进而使整幅图像变得模糊,通过上述的实验分析,中值滤波并不适应于对那些细节信息较为丰富的红外图像的处理。综上所述,带有噪声检测的中值滤波方法提供了一种保留细节信息同时有效滤除脉冲噪声的有效途径。此外,为取得理想的滤波效果需要根据实际情况选择合适的邻域窗口。

◎欢迎参与讨论,请在这里发表您的看法、交流您的观点。

论文查重:

论文检测,论文查重第一家,是一家以检测抄袭与剽窃、伪造、篡改、不当署名、一稿多投等学术不端文献的论文检测平台,目前主要推荐的知名、权威检测产品包括中国知网的AMLC系统、VIP、TMLC2系统,万方数据库的万方相似比检测系统,维普文检测系统、gaperpass检测系统,等等常见检测软件

推荐软件知网期刊检测AMLC 知网本科检测 知网硕博检测 万方论文相似比检测 维普论文检测

检测须知:

1.此系统一旦提交,开始检测后,概不退款!2.在淘宝中购买宝贝后,可以在“我已购买宝贝”中看到有“订单编号”,知网系统检测需要输入订单编号才能使用。3.Word文档大小请不要超过15MB ,否则将无法上传;请把不必要的图片删除即可(系统不检测图片);4.上传检测的文档格式为Word的docx,doc格式,请勿上传其他格式的文档。

检测入口返回顶部
知网期刊检测
知网本科检测
知网硕博检测
万方论文检测
维普论文检测
paperpass
返回顶部