紅外探測(cè)技術(shù)具有不受環(huán)境等因素干擾的優(yōu)勢(shì),在紅外制導(dǎo)、預(yù)警等軍事領(lǐng)域的應(yīng)用日益廣泛。隨著對(duì)紅外弱小目標(biāo)檢測(cè)技術(shù)的研究越來(lái)越深入,相應(yīng)的檢測(cè)方法越來(lái)越多樣。本文通過(guò)對(duì)紅外弱小目標(biāo)圖像中目標(biāo)與背景的特性以及紅外弱小目標(biāo)檢測(cè)技術(shù)難點(diǎn)問(wèn)題進(jìn)行分析,根據(jù)當(dāng)前是否利用幀間相關(guān)信息,分別從基于單幀紅外圖像和基于紅外序列兩個(gè)角度,選取了相應(yīng)的紅外弱小目標(biāo)算法進(jìn)行對(duì)比,對(duì)其中典型算法的原理、流程以及特點(diǎn)等進(jìn)行了詳細(xì)綜述,并對(duì)每類檢測(cè)算法的性能進(jìn)行了比較。針對(duì)紅外弱小目標(biāo)圖像信噪比低的特點(diǎn),對(duì)紅外弱小目標(biāo)檢測(cè)算法的難點(diǎn)問(wèn)題進(jìn)行分析,給出了目前各種算法的解決方法和不足,探討紅外弱小目標(biāo)檢測(cè)算法的發(fā)展方向,即研究計(jì)算量小、性能優(yōu)、魯棒性強(qiáng)、實(shí)時(shí)性好和便于硬件實(shí)現(xiàn)的算法。 

【文章來(lái)源】：中國(guó)圖象圖形學(xué)報(bào). 2020,25(09)北大核心CSCD

【文章頁(yè)數(shù)】：15 頁(yè)

【部分圖文】：

低秩稀疏表示算法流程圖(He,2015)

對(duì)于紅外運(yùn)動(dòng)小目標(biāo)的檢測(cè)問(wèn)題，小目標(biāo)的形狀、灰度變化在時(shí)間上的連續(xù)性，以及運(yùn)動(dòng)軌跡的連續(xù)性等先驗(yàn)信息是有效分割紅外圖像中噪聲與小目標(biāo)的關(guān)鍵。目前主流的基于序列的紅外運(yùn)動(dòng)小目標(biāo)檢測(cè)方法根據(jù)這些先驗(yàn)信息使用的先后順序，主要分為兩類:先檢測(cè)再使用運(yùn)動(dòng)信息(detect before motion,DBM)和先使用運(yùn)動(dòng)信息再檢測(cè)(motion before detect,MBD)。本節(jié)主要對(duì)兩類主流的紅外運(yùn)動(dòng)小目標(biāo)檢測(cè)方法的原理、主要步驟以及典型方法的特點(diǎn)進(jìn)行分析。2.1 DBM檢測(cè)方法

該算法在構(gòu)建四元組的過(guò)程中，考慮到小目標(biāo)近似于高斯?fàn)罘植嫉奶匦砸约胺宥确从硺颖痉植寂c標(biāo)準(zhǔn)高斯正態(tài)分布之間的差異，故統(tǒng)計(jì)學(xué)的峰度值實(shí)際也表征的是對(duì)比度特征，在一定程度上反映圖像中具有較高紅外輻射的高亮度區(qū)域;采用運(yùn)動(dòng)累積的方法提取運(yùn)動(dòng)特征，可以在表征小目標(biāo)高速運(yùn)動(dòng)的同時(shí)，保留其運(yùn)動(dòng)軌跡，更好地利用了時(shí)域特征;再通過(guò)QDCT頻域顯著性檢測(cè)方法抑制背景，增強(qiáng)小目標(biāo)，得到的顯著性區(qū)域即為小目標(biāo)所在的區(qū)域，以此來(lái)實(shí)現(xiàn)紅外運(yùn)動(dòng)小目標(biāo)檢測(cè)，具體的算法流程如圖3所示。2.3 序列紅外運(yùn)動(dòng)小目標(biāo)檢測(cè)算法性能比較

【參考文獻(xiàn)】：
期刊論文
[1]條件生成對(duì)抗網(wǎng)絡(luò)的低照度圖像增強(qiáng)方法[J]. 黃鐄,陶海軍,王海峰.  中國(guó)圖象圖形學(xué)報(bào). 2019(12)
[2]紅外單幀圖像弱小目標(biāo)檢測(cè)技術(shù)綜述[J]. 王好賢,董衡,周志權(quán).  激光與光電子學(xué)進(jìn)展. 2019(08)
[3]目標(biāo)跟蹤算法綜述[J]. 盧湖川,李佩霞,王棟.  模式識(shí)別與人工智能. 2018(01)
[4]基于頻譜殘差視覺(jué)顯著計(jì)算的高分辨SAR圖像艦船檢測(cè)算法[J]. 熊偉,徐永力,姚力波,崔亞奇,李岳峰.  電光與控制. 2018(04)
[5]基于自適應(yīng)目標(biāo)圖像恢復(fù)的紅外弱小目標(biāo)檢測(cè)[J]. 熊斌,黃心漢,王敏.  華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(10)
[6]基于多特征的快速紅外弱小目標(biāo)檢測(cè)算法[J]. 易翔,王炳健.  光子學(xué)報(bào). 2017(06)
[7]聯(lián)合NSCT和SVD方法的紅外弱小目標(biāo)復(fù)雜背景抑制[J]. 吳天愛(ài),黃樹(shù)彩,苑智瑋,吳云榮,馮卉.  紅外技術(shù). 2016(09)
[8]采用圖像塊對(duì)比特性的紅外弱小目標(biāo)檢測(cè)[J]. 王剛,陳永光,楊鎖昌,高敏,戴亞平.  光學(xué)精密工程. 2015(05)
[9]長(zhǎng)波紅外連續(xù)變焦光學(xué)系統(tǒng)的設(shè)計(jì)[J]. 張良,劉紅霞.  紅外與激光工程. 2011(07)
[10]低對(duì)比度小目標(biāo)檢測(cè)[J]. 張耀,雍楊,張啟衡,徐智勇,嚴(yán)棚,魏宇星.  強(qiáng)激光與粒子束. 2010(11)

博士論文
[1]基于稀疏動(dòng)態(tài)反演的紅外弱小目標(biāo)檢測(cè)理論及方法研究[D]. 王曉陽(yáng).電子科技大學(xué) 2018
[2]面向局部特征和特征表達(dá)的圖像分類算法研究[D]. 張旭.合肥工業(yè)大學(xué) 2016
[3]基于人類視覺(jué)特性的復(fù)雜背景紅外小目標(biāo)檢測(cè)研究[D]. 韓金輝.華中科技大學(xué) 2016

碩士論文
[1]基于深度學(xué)習(xí)和稀疏表示的圖像分類與檢索方法研究[D]. 焦鵬飛.西安理工大學(xué) 2019



本文編號(hào)：3585968