當(dāng)今軍事科技的發(fā)展已經(jīng)在很大程度上影響到戰(zhàn)爭的格局和走向。紅外小目標(biāo)檢測技術(shù)在紅外遠(yuǎn)距離預(yù)警、紅外成像制導(dǎo)以及紅外搜索跟蹤等方面扮演了一個至關(guān)重要的角色。紅外圖像中雜波干擾較多,導(dǎo)致小目標(biāo)檢測難度較大。因此,在復(fù)雜背景下的紅外小目標(biāo)檢測技術(shù)被視為是一項難攻克、富有挑戰(zhàn)性并且有重大科研意義的課題。隨著紅外小目標(biāo)檢測技術(shù)的不斷革新,對紅外小目標(biāo)檢測系統(tǒng)自身的實效性、功耗有了更加嚴(yán)格的要求。本文從紅外小目標(biāo)灰度信息、邊緣信息、熵信息分析入手,研究紅外小目標(biāo)檢測算法。本文選用Zynq異構(gòu)平臺作為紅外小目標(biāo)檢測系統(tǒng)的處理器。主要內(nèi)容包括:1.分析研究了Zynq平臺的架構(gòu)、設(shè)計優(yōu)勢,并設(shè)計一種基于Zynq的紅外小目標(biāo)檢測系統(tǒng)。2.對紅外小目標(biāo)的進(jìn)行特征分析。研究紅外小目標(biāo)圖像灰度分布、小目標(biāo)邊緣信息、小目標(biāo)圖像信息熵三個方面。研究小目標(biāo)在圖像中的表現(xiàn)形式,突出紅外小目標(biāo)特征結(jié)構(gòu),從特征入手檢測紅外小目標(biāo)。3.提出了一種加權(quán)局部熵與多尺度形態(tài)學(xué)圖像融合的紅外小目標(biāo)檢測實時新算法。該算法通過多特征融合的思想,改善單一特征紅外小目標(biāo)檢測算法的性能。從小目標(biāo)灰度分布特征出發(fā),首先計算多尺度下的改進(jìn)的形態(tài)學(xué)操作,結(jié)合所提的新的差異補(bǔ)償思想,達(dá)到抑制復(fù)雜背景、增強(qiáng)紅外小目標(biāo)顯著性的目的。同時從圖像熵特征出發(fā),提取紅外小目標(biāo)的熵信息,增強(qiáng)小目標(biāo)顯著性。然后利用多特征融合思想,從不同特征入手增強(qiáng)紅外小目標(biāo)。同時,對不同背景下的紅外小目標(biāo)進(jìn)行仿真,并與所研究的其他算法進(jìn)行對比仿真分析,以驗證所提算法的性能的優(yōu)勢。4.將所提出的紅外小目標(biāo)檢測新算法移植到基于Zynq的紅外小目標(biāo)檢測系統(tǒng)中,實現(xiàn)紅外小目標(biāo)檢測任務(wù)。同時結(jié)合Vivado HLS,實現(xiàn)算法快速開發(fā)驗證以及算法的硬件加速。設(shè)計實現(xiàn)本文所提新算法的IP核,對IP核進(jìn)行仿真、測試,并通過硬件平臺驗證。實驗結(jié)果證明了本文檢測系統(tǒng)軟硬件設(shè)計的有效性。
【學(xué)位單位】：西安電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TP391.41;TN21
【部分圖文】：

66(i)輸入圖像 (ii)多尺度差異補(bǔ)償 (iii)改進(jìn)的局部熵 (iv)檢測顯著圖 (v)閾值分割圖4.14 不同場景下 WLEMMF 算法仿真首先給出在圖 4.14 中的各個圖的意義，第一列(i)代表從上至下依次為圖 4.13 中對應(yīng)(a)~(f)的六類輸入的紅外圖像以及其灰度空間圖，第二列(ii)代表多尺度改進(jìn)Top-Hat 算法的差異補(bǔ)償圖以及對應(yīng)的灰度空間圖，第三列(iii)代表輸入圖像的改進(jìn)的局部信息熵以及對應(yīng)的灰度空間圖，第四列(iv)代表本算法處理融合檢測結(jié)果顯著圖以及對應(yīng)的灰度空間圖，第五列(v)代表自適應(yīng)閾值分割檢測結(jié)果。圖 4.14 每一類中對應(yīng)的圖一到圖十具體含義如圖中所示，代表新算法的各個階段的處理結(jié)果及其灰度空間圖。第一類實驗數(shù)據(jù)類型的紅外小目標(biāo)圖。紅外圖像背景是昏暗的天空背景，小目標(biāo)與背景的灰度對比度較強(qiáng)。同時由于云層較少

70(a)輸入圖像 (b)DoG 算法 (c)SVD 算法 (d)MLCM 算法 (e)Top-Hat 算法 (f)所提算法圖4.15 不同算法效果對比從圖 4.15 可以得出如下結(jié)論：1. DoG 算法在對比較較高，且目標(biāo)較為明顯時，能夠有效的抑制背景中的噪聲，突出目標(biāo)邊緣特征，但是如果目標(biāo)對比度下降或者存在大量有棱角邊緣時，檢測效果會大打折扣，有時甚至無法檢測出目標(biāo)信息，該算法的魯棒性不強(qiáng)。2. SVD 奇異值分解算法，將圖像中的信息以少量特征值所表示，保留了絕大部分圖像中的內(nèi)容，這里選擇保留前0.025 Rank ( F)個特征來作為圖像重建的模型特征基礎(chǔ)，這里的選取根據(jù) 4.1.3 小節(jié)中的內(nèi)容來定。在該算法中，旨在重建無目標(biāo)圖像

Solution設(shè)置（1）IP接口部分
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王鐸;;尺度空間理論在紅外小目標(biāo)檢測中的應(yīng)用研究[J];光電技術(shù)應(yīng)用;2017年02期

2 秦曉燕;袁廣林;薛模根;;嶺回歸協(xié)助稀疏表示紅外小目標(biāo)檢測[J];光電工程;2014年02期

3 杜鵬;;基于形態(tài)學(xué)及小面核濾波的紅外小目標(biāo)檢測方法[J];喀什大學(xué)學(xué)報;2019年06期

4 方義強(qiáng);樊祥;程正東;陳衛(wèi);胡濤濤;;基于數(shù)學(xué)形態(tài)學(xué)的紅外小目標(biāo)跟蹤研究[J];彈箭與制導(dǎo)學(xué)報;2012年02期

5 張長城;楊德貴;王宏強(qiáng);李智明;;基于粒子濾波的紅外小目標(biāo)跟蹤方法[J];現(xiàn)代防御技術(shù);2008年02期

6 王俊林,張劍云;紅外小目標(biāo)識別的新方法[J];紅外技術(shù);2005年05期

7 李鵬;陳錢;鄭海鷗;何寶福;;紅外小目標(biāo)圖像的預(yù)處理方法[J];紅外與激光工程;2011年04期

8 陳玉丹;周冰;;紅外小目標(biāo)檢測中的背景預(yù)處理技術(shù)研究[J];科學(xué)技術(shù)與工程;2006年18期

9 李震;鄭建寶;朱振馳;林耀聰;;基于紅外小目標(biāo)識別的空中鼠標(biāo)解決方案[J];電腦知識與技術(shù);2014年05期

10 馬俊;吳玉雯;;基于海天線提取的紅外小目標(biāo)檢測方法[J];電子設(shè)計工程;2012年06期

相關(guān)博士學(xué)位論文 前8條

1 楊磊;復(fù)雜背景條件下的紅外小目標(biāo)檢測與跟蹤算法研究[D];上海交通大學(xué);2006年

2 趙坤;復(fù)雜環(huán)境下紅外小目標(biāo)檢測與跟蹤技術(shù)研究[D];哈爾濱工程大學(xué);2006年

3 錢惟賢;復(fù)雜背景下紅外小目標(biāo)探測與跟蹤若干關(guān)鍵技術(shù)研究[D];南京理工大學(xué);2010年

4 劉源;空中平臺大視場紅外小目標(biāo)實時探測技術(shù)研究[D];中國科學(xué)院大學(xué)(中國科學(xué)院上海技術(shù)物理研究所);2017年

5 韓金輝;基于人類視覺特性的復(fù)雜背景紅外小目標(biāo)檢測研究[D];華中科技大學(xué);2016年

6 劉云鶴;基于注意機(jī)制的紅外小目標(biāo)檢測與跟蹤算法研究[D];哈爾濱工程大學(xué);2009年

7 魏長安;紅外小目標(biāo)檢測與跟蹤算法研究[D];哈爾濱工業(yè)大學(xué);2009年

8 孫繼剛;序列圖像紅外小目標(biāo)檢測與跟蹤算法研究[D];中國科學(xué)院研究生院(長春光學(xué)精密機(jī)械與物理研究所);2014年

相關(guān)碩士學(xué)位論文 前10條

1 王沖;線陣掃描對空紅外小目標(biāo)捕獲模塊研制[D];哈爾濱工業(yè)大學(xué);2019年

2 王曉鵬;基于Zynq的紅外小目標(biāo)檢測系統(tǒng)設(shè)計與實現(xiàn)[D];西安電子科技大學(xué);2019年

3 王博洋;基于多方向環(huán)形梯度法的紅外小目標(biāo)檢測技術(shù)研究[D];西安電子科技大學(xué);2019年

4 劉偉;紅外小目標(biāo)跟蹤算法研究與實現(xiàn)[D];西安電子科技大學(xué);2019年

5 張曉敏;天空背景下紅外小目標(biāo)檢測與跟蹤算法研究[D];南京理工大學(xué);2018年

6 王博雅;對空紅外小目標(biāo)跟蹤系統(tǒng)研制[D];哈爾濱工業(yè)大學(xué);2018年

7 薛國姣;紅外小目標(biāo)顯著性特征提取方法研究[D];西安電子科技大學(xué);2018年

8 徐文晴;紅外小目標(biāo)檢測與跟蹤算法研究[D];華中科技大學(xué);2017年

9 張世鋒;基于背景抑制的紅外小目標(biāo)檢測與跟蹤[D];華中科技大學(xué);2017年

10 柳娜;應(yīng)用于紅外小目標(biāo)檢測的貝葉斯框架下魯棒張量分解模型[D];華中科技大學(xué);2017年

本文編號：2860360