【摘要】：紅外技術(shù)在軍事和民用領(lǐng)域都占據(jù)著非常重要的地位,各國(guó)政府及大型科研機(jī)構(gòu)都致力于該項(xiàng)熱門研究課題的研究�，F(xiàn)在戰(zhàn)爭(zhēng)要求武器系統(tǒng)能夠具有克服距離障礙遠(yuǎn)程檢測(cè)目標(biāo)的能力,而且距離越遠(yuǎn),其優(yōu)勢(shì)就越明顯。目前,針對(duì)不同背景下的紅外目標(biāo)圖像,各國(guó)學(xué)者相繼提出了不同的目標(biāo)檢測(cè)算法。這些算法主要基于高通濾波或低通濾波以及形態(tài)學(xué)濾波等技術(shù)。上述算法一般只有針對(duì)特定的背景才會(huì)有較高的檢測(cè)率,而普遍適用于各種背景下的紅外目標(biāo)檢測(cè)算法一直是一個(gè)研究難點(diǎn)。伴隨著模式識(shí)別技術(shù)的發(fā)展,紅外小目標(biāo)檢測(cè)問(wèn)題正在逐漸發(fā)展為一個(gè)新的研究熱點(diǎn)。本文致力于普遍適用于各種復(fù)雜背景下的紅外小目標(biāo)檢測(cè)算法研究,提出了基于傅立葉相位譜(PFT)的紅外小目標(biāo)檢測(cè)算法,在此基礎(chǔ)上又提出了支持向量描述(SVDD)的紅外小目標(biāo)檢測(cè)算法。在基于PFT的紅外小目標(biāo)檢測(cè)算法中,為了克服單通道的紅外圖像信息匱乏、目標(biāo)特性弱等缺點(diǎn),本文綜合利用多通道圖像的信息。將多通道的圖像通過(guò)圖像融合的方式合成最終的顯著圖像。為了克服基于PFT的紅外小目標(biāo)檢測(cè)算法對(duì)目標(biāo)區(qū)域易造成漏檢的不足,在PFT算法的基礎(chǔ)上,本文進(jìn)一步把目標(biāo)檢測(cè)問(wèn)題視為一類分類問(wèn)題。包含目標(biāo)的紅外圖像可以看作目標(biāo)數(shù)據(jù)和非目標(biāo)數(shù)據(jù)的數(shù)據(jù)集,目標(biāo)檢測(cè)的任務(wù)是從數(shù)據(jù)集中判斷出哪些數(shù)據(jù)為目標(biāo)數(shù)據(jù)。本文利用SVDD理論進(jìn)行訓(xùn)練,獲得包含盡可能多的目標(biāo)樣本的超球體。然后通過(guò)判斷待測(cè)試圖像對(duì)應(yīng)于超球體的位置,來(lái)完成目標(biāo)的檢測(cè)。此外如何縮小目標(biāo)檢測(cè)的搜索區(qū)域也是本文的研究重點(diǎn)。依據(jù)PFT算法獲取的顯著圖只包括可能存在目標(biāo)的可疑區(qū)域。在該區(qū)域內(nèi),利用SVDD分類器進(jìn)行紅外目標(biāo)檢測(cè),會(huì)大大縮小了目標(biāo)檢測(cè)的搜索區(qū)域,節(jié)約計(jì)算時(shí)間。為了更好地還原真實(shí)目標(biāo)的尺寸,本文把可疑區(qū)域的外接矩形映射回原圖,并把測(cè)試樣本的尺寸規(guī)定為可疑區(qū)域外接矩形的2倍。然后通過(guò)同比例的窗口縮放,使最終的測(cè)試樣本與訓(xùn)練樣本尺寸相同。最后通過(guò)判斷測(cè)試圖像是否在超球體的內(nèi)部,來(lái)實(shí)現(xiàn)可疑區(qū)域內(nèi)的目標(biāo)檢測(cè)。總的來(lái)說(shuō),本文有以下幾點(diǎn)創(chuàng)新之處:1.PFT算法實(shí)際上是把小目標(biāo)檢測(cè)問(wèn)題轉(zhuǎn)化為顯著性區(qū)域檢測(cè)問(wèn)題,顯著性區(qū)域檢測(cè)算法的性能對(duì)識(shí)別率的影響非常大。為了使目標(biāo)和背景具有更大的可區(qū)分性,利用了多通道的圖像信息。選取合適的圖像融合方法也是決定顯著性檢測(cè)算法優(yōu)劣的關(guān)鍵。本文依據(jù)紅外目標(biāo)呈現(xiàn)各向同性的高斯?fàn)钸@一特性,采用的的融合方法只保存紅外圖像中多個(gè)通道上像素值都不為零的目標(biāo)區(qū)域,抑制只在個(gè)別通道灰度值不為零的背景干擾區(qū)域。通過(guò)上述的融合算法,能夠大大提高該算法的檢測(cè)性能。2.本文創(chuàng)新性地把目標(biāo)檢測(cè)問(wèn)題視為一類分類問(wèn)題,提出了基于SVDD的紅外小目標(biāo)檢測(cè)算法來(lái)完成目標(biāo)的檢測(cè)。利用SVDD算法對(duì)仿真的目標(biāo)樣本進(jìn)行訓(xùn)練,獲得包含盡可能多的目標(biāo)樣本的超球體,然后通過(guò)判斷待檢測(cè)樣本是否在超球體的內(nèi)部,最終實(shí)現(xiàn)目標(biāo)的檢測(cè)。此方法效果優(yōu)異,檢測(cè)精度高。3.為了減少計(jì)算量和提高目標(biāo)的檢測(cè)精度,本文首先采用PFT算法獲取紅外圖像的顯著性區(qū)域,然后在顯著性區(qū)域內(nèi)提取可疑區(qū)域的輪廓和外接矩形,并把這些外接矩形到原圖上,實(shí)現(xiàn)測(cè)試窗口的自適應(yīng)選取。最后采用SVDD算法對(duì)子圖像進(jìn)行判別,實(shí)現(xiàn)目標(biāo)的最終檢測(cè)。該方法相對(duì)SVDD算法來(lái)說(shuō)減少了計(jì)算,相對(duì)于PFT算法來(lái)說(shuō)提高了精度。因此,在顯著性區(qū)域內(nèi)采用SVDD算法檢測(cè)目標(biāo)具有更好地檢測(cè)性能。
【圖文】：

吉林大學(xué)碩士學(xué)位論文修正。本文在修正圖中把大于零的值設(shè)置為零，小于零的像素值取反，這樣更加符合人類的視覺(jué)效果和思維方式。原始圖像（圖 2.5(a)所示）是包括代表雜波的斜坡和代表小目標(biāo)的高斯隆起組成的二維信號(hào)。圖 2.5(b)是圖 2.5(a) 在某一個(gè)方向上的 SODD 的濾波結(jié)果，，把斜坡和高斯隆起轉(zhuǎn)化為帶狀紋理和高斯點(diǎn)狀的 SODD 圖。圖 2.5(c)是圖 2.5(b)的修正圖。

一維波形傅里葉相位譜重構(gòu)示意圖
【學(xué)位授予單位】：吉林大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：TP391.41;TN21

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王剛;陳永光;楊鎖昌;高敏;戴亞平;;采用圖像塊對(duì)比特性的紅外弱小目標(biāo)檢測(cè)[J];光學(xué)精密工程;2015年05期

2 侯旺;孫曉亮;尚洋;于起峰;;紅外弱小目標(biāo)檢測(cè)技術(shù)研究現(xiàn)狀與發(fā)展趨勢(shì)[J];紅外技術(shù);2015年01期

3 付冬梅;唐升波;;基于改進(jìn)的混合高斯模型的紅外運(yùn)動(dòng)目標(biāo)檢測(cè)[J];紅外技術(shù);2014年08期

4 侯潔;辛云宏;;基于高通濾波和圖像增強(qiáng)的紅外小目標(biāo)檢測(cè)方法[J];紅外技術(shù);2013年05期

5 汪廷華;陳峻婷;;核函數(shù)的選擇研究綜述[J];計(jì)算機(jī)工程與設(shè)計(jì);2012年03期

6 吳定海;張培林;任國(guó)全;陳非;;基于支持向量的單類分類方法綜述[J];計(jì)算機(jī)工程;2011年05期

7 劉娟妮;彭進(jìn)業(yè);李大湘;王平;;基于譜殘差和多分辨率分析的顯著目標(biāo)檢測(cè)[J];中國(guó)圖象圖形學(xué)報(bào);2011年02期

8 謝迎新;陳祥光;余向明;岳彬;郭靜;;基于快速SVDD的無(wú)線傳感器網(wǎng)絡(luò)Outlier檢測(cè)[J];儀器儀表學(xué)報(bào);2011年01期

9 周奇;;對(duì)支持向量機(jī)幾種常用核函數(shù)和參數(shù)選擇的比較研究[J];福建電腦;2009年06期

10 謝磊;劉雪芹;張建明;王樹(shù)青;;基于NGPP-SVDD的非高斯過(guò)程監(jiān)控及其應(yīng)用研究[J];自動(dòng)化學(xué)報(bào);2009年01期

相關(guān)博士學(xué)位論文 前1條

1 劉瑞明;復(fù)雜環(huán)境下紅外目標(biāo)檢測(cè)及跟蹤技術(shù)研究[D];上海交通大學(xué);2008年

相關(guān)碩士學(xué)位論文 前10條

1 鄒咪;海面紅外序列圖像的預(yù)處理與目標(biāo)檢測(cè)方法研究[D];深圳大學(xué);2017年

2 范競(jìng)丹;基于形態(tài)分量分析的紅外目標(biāo)檢測(cè)[D];電子科技大學(xué);2017年

3 田兵兵;基于核函數(shù)的SAR圖像目標(biāo)識(shí)別研究[D];電子科技大學(xué);2015年

4 王韜;INS/GPS復(fù)合制導(dǎo)技術(shù)及其在火箭彈中的應(yīng)用研究[D];哈爾濱工業(yè)大學(xué);2014年

5 林曉;紅外小目標(biāo)檢測(cè)與跟蹤技術(shù)研究[D];南京航空航天大學(xué);2013年

6 徐杰;基于SVDD的支持向量搜索的研究與應(yīng)用[D];武漢科技大學(xué);2012年

7 武婷婷;分類器性能評(píng)價(jià)研究[D];北京交通大學(xué);2010年

8 林華;數(shù)據(jù)挖掘技術(shù)在卷煙配方優(yōu)化中的應(yīng)用[D];中國(guó)海洋大學(xué);2008年

9 曹原;紅外圖像中弱小目標(biāo)的檢測(cè)技術(shù)研究[D];上海交通大學(xué);2007年

10 顧靜良;低對(duì)比度弱小目標(biāo)檢測(cè)算法研究[D];中國(guó)工程物理研究院;2005年

本文編號(hào)：2694336