红外动态目标热图像物理生成装置

红外图像序列生成

红外图像序列生成源程序 % 利用点扩散模型，生成红外图像序列，以供后继TBD检测使用% 采样时间 T = 1； % 仿真结束时间(采样总帧数) T_end = 30； % 假定目标从某一特定帧开始出现，然后在另一特定帧消失 T_ap = 7； T_dp = 23； % 分辨单元数目 N_x = 256；% 横向分布单元数目 M_y = 256；% 纵向分布单元数目 % 分辨单元的宽度 Delta_X = 1； Delta_Y = 1； % 传感器的模糊参数值 SIGMA = 0.7； % 系统状态转移矩阵 Phi = [1,T,0,0,0 0,1,0,0,0 0,0,1,T,0 0,0,0,1,0 0,0,0,0,1]； % 系统噪声协方差矩阵中的目标状态和灰度幅值噪声强度 q1 = 0.001；% 目标状态 q2 = 0.01；% 目标灰度值 % 系统噪声协方差矩阵 Q = [q1*T^3/3,q1*T^2/2,0,0,0 q1*T^2/2, q1*T, 0,0,0 0,0,q1*T^3/3,q1*T^2/2,0 0,0,q1*T^2/2, q1*T, 0 0,0,0,0,q2*T]； % 系统观测噪声 R = 3^2； %************************************* % 变量取值初始化过程 %************************************* % 定义滤波初值 X = [4.2,0.45,7.2,0.25,20]'；

% 观测值矩阵(以每个像素点为基准) Measure_i = zeros(N_x,M_y)； % 保存全部帧的观测值 Measure = zeros(N_x,M_y,floor(T_end/T))； % 对状态进行迭代，并进行灰度图像显示 for k=1：T：T_end % 初始化随机数发生器 randn('state',sum(100*clock))； %***************************************** % 在T_ap之前，由于没有目标出现 %***************************************** if (k < T_ap) % 系统状态不发生变化，仅进行观测的更新 for i=1：N_x for j = 1：M_y Measure_i(i,j) = sqrt(R)*randn； end end %***************************************** % 在T_ap之后，目标已经出现 %***************************************** else if (k < T_dp) % 目标尚未消失，观测中将带有目标信息，观测采用点扩散模型 % 1. 首先更新当前时刻的目标状态 w = sqrt(Q)*randn(5,1)； X = Phi*X + w； % 2. 生成每个分辨单元中的观测值 for i=1：N_x for j = 1：M_y % 首先计算目标的点扩散效应 h = Delta_X*Delta_Y*X(5)/(2*pi*SIGMA^2)… *exp(-((X(1)-i*Delta_X)^2+(X(3)-j*Delta_Y)^2)/(2*SIGMA^2))； % 叠加观测噪声 Measure_i(i,j) = h + sqrt(R)*randn； end end

红外图像的处理及其MATLAB实现

红外图像的处理及其MATLAB 函数实现 0.引言 随着红外技术日新月异的发展，红外技术在军事及人们日常生活中有着越来越广泛的应用。但由于红外探照灯及红外探测器件的限制，红外成像系统的成像效果仍然不够理想。在民用监测应用中，主要表现为夜视距离近，图像背景与被监测目标之间对比度模糊，被监测目标细节难以辨认，图像特征信息不明确等方面。为使图像更适于人眼观测、适用于图像后续目标识别及跟踪处理，有必要在红外图像采集和处理上做进一步的研究，来增强红外图像视觉效果。 1. 红外图像的获取及其特点 1.1 红外图像的获取 红外图像主要是由红外热像仪采集的。红外热像仪是一种二维热图像成像装置。热成像系统是一个光学一电子系统，可用于接收波长在m 100~75.0之间的电磁辐射，它的基本功能是将接收到的红外辐射转换成电信号，再将电信号的大小用灰度等级的形式表示，最后在显示器上显示出来。图1.1就是一张采集到的红外图像。 图1.1 输入的红外图像

1.2 红外图像的特点 红外图像反映了目标和背景不可见红外辐射的空间分布，其辐射亮度分布主要由被观测景物的温度和发射率决定，因此红外图像近似反映了景物温度差或辐射差。 根据其成像原理，总结红外图像特点如下： (1)红外热图像表征景物的温度分布，是灰度图像，没有彩色或阴影(立体感觉)，故对人眼而言，分辨率低、分辨潜力差； (2)由于景物热平衡、光波波长、传输距离远、大气衰减等原因，造成红外图像空间相关性强、对比度低、视觉效果模糊； (3)热成像系统的探测能力和空间分辨率低于可见光CCD阵列，使得红外图像的清晰度低于可见光图像； (4)外界环境的随机干扰和热成像系统的不完善，给红外图像带来多种多样的噪声，比如热噪声、散粒噪声、f 1噪声、光子电子涨落噪声等等。噪声来源多样，噪声类型繁多，这些都造成红外热图像噪声的不可预测的分布复杂性。这些分布复杂的噪声使得红外图像的信噪比比普通电视图像低； (5)由于红外探测器各探测单元的响应特性不一致等原因，造成红外图像的非均匀性，体现为图像的固定图案噪声、串扰、畸变等。 由以上五点可知，红外图像一般较暗，且目标与背景对比度低，边缘模糊，视觉效果差。 通过以上比较分析，可以总结：可见光图像与红外图像的成像机理虽然不同(可见光图像是利用物体对光线的反射来获得的，而红外图像是靠物体自身的红外辐射获取的)，但在低照度情况下，可见光图像与红外图像的视觉效果和直方图特征均相同，因此可以采用低照度可见光图像的处理方法来处理红外图像。 2. 红外图像的增强 2.1 图像增强 图像增强是指对图像的某些特征，如边缘、轮廓、对比度等进行强调或突显，以便于观察或做进一步的分析与处理。图像增强不意味着能增加原始的信息，有时甚至会损失一些信息，但图像增强的结果却能加强对特定信息的识别能力，便图像中感兴趣的特征得以加强，从而使这些特征的检测和识别变得更加容易。 图像增强方法的分类如图2.1所示：

红外图像弱小目标

红外图像弱小目标PF-TBD算法源程序 % 将粒子滤波算法应用于红外弱小目标TBD问题，验证其检测、跟踪目标的有效性 clear;clc % 粒子数目 N = 2000; % 采样时间 T = 1; % 仿真结束时间(采样总帧数) T_end = 30; % 假定目标从某一特定帧开始出现，然后在另一特定帧消失 T_ap = 6; T_dp = 24; % 采样时间序列 SimTime = zeros(floor(T_end/T),1); % 分辨单元数目 N_x = 32; % 横向分布单元数目 M_y = 32; % 纵向分布单元数目 % 分辨单元的宽度 Delta_X = 1; Delta_Y = 1; % 传感器的模糊参数值 SIGMA = 0.7; % 目标初始出现概率 mu = 0.05; % 目标速度区间 vmin = 0.2; vmax = 1; % 目标强度(灰度值)区间 Imin = 10; Imax = 30; % 抽样阈值(在大于r_th的区域内均匀分布) r_th = 2.5; % 扩散因子(目标影响相邻分辨单元的程度) p = 3;

% 目标Markov 过程转移概率相关参数 Pb = 0.05; Pd = 0.05; % 转移矩阵的表达式 PI_T = [1-Pb,Pb Pd,1-Pd]; % 转移矩阵PI 的行数(列数) PI_s = size(PI_T,1); % 系统状态转移矩阵 Phi = [1,T,0,0,0 0,1,0,0,0 0,0,1,T,0 0,0,0,1,0 0,0,0,0,1]; % 系统噪声协方差矩阵中的目标状态和灰度幅值噪声强度 q1 = 0.001; % 目标状态变化强度 q2 = 0.01; % 目标灰度值变化强度 % 系统噪声协方差矩阵 Q = [q1*T^3/3,q1*T^2/2,0,0,0 q1*T^2/2,q1*T, 0,0,0 0,0,q1*T^3/3,q1*T^2/2,0 0,0,q1*T^2/2, q1*T, 0 0,0,0,0,q2*T]; % 系统观测噪声 R = 1.5^2; %************************************* % 变量取值初始化过程 %************************************* % 定义滤波初值(假定目标出现时的初值) X = [4.2,0.45,7.2,0.25,20]'; % 整个粒子的集合，其中第6位代表当前时刻E判决标识位，而第7位为上一时刻值 X_PF = zeros(7,N); % 单个粒子状态值 X_PF_i = zeros(7,1); % 初始时假定每个粒子的权值为均匀的 w_i = 1/N*zeros(1,N); % 预测粒子的均值及其协方差

红外图像中弱小目标检测算法概述

文章编号21005-5 30(Z 005 04-0083-04 红外图像中弱小目标检测算法概述 卓宁1 孙华燕1 张海江Z (1.装备指挥技术学院 北京10141 ; Z. Z 41部队 8分队 辽宁葫芦岛1Z 5001 摘要2在现代战争中 复杂背景下的红外弱目标检测技术是红外制导系统中一个亟待 解决的问题 也是提高武器系统性能的关键O 现基于小目标检测的现状和最新进展 从空间 滤波和时间滤波的角度对现有的小目标检测技术进行了简单的概述 并分析了今后的研究 方向O 关键词2复杂背景;小目标;空间滤波;时间滤波 中图分类号2TP 3 1.4文献标识码2A Algorithm surveys on small target detection in inf rared image ZHUO Nzng 1 SUN Hua -yan 1 ZH NG Haz -jzang Z (1.Institute of eguipment Command and Technology Beijing 10141 China ; Z.PLA Z 41Command and 8Unit ~uludao 1Z 5001 China Abstract 2In the modern War detection of the small target in the condition of complicated background is an urgent problem for infrared control and guide it is also the key of improving Weapon system capability .Part algorithms of infrared small target detection in the Way of spatial filter and time filter are introduced in this paper based on present and recent technology .Finally the direction of the study are analyzed . Key words 2complicated background ;small target ;spatial filter ;time filter 1引言 现代战争中 要求更早地~在更远的距离上发现和捕获敌方的来袭导弹~飞机等目标 以使防御武器有足够的反应时间O 这时目标的图像很小 只有一个或几个像素 缺乏结构信息 此外视场中可能还有云~地物等各种复杂的背景杂波 目标点极易被噪声所淹没O 因此 复杂背景下低信噪比红外弱小目标检测是武器系统中的关键技术之一 是运动目标探测中一个亟待研究与解决的课题O 为了从二维序列图像中检测到低信噪比红外弱小目标 自70年代以来 国内外学者和专家进行了广 泛而深入的研究 提出了许多有实际意义的检测算法O Bauch [1]等人提出 通过采用一组时间上的高阶差分 来抑制背景干扰 并得到目标运动轨迹O 并用动态规则和状态估计技术来增加目标的可检测性O 然而 这种方法在低信噪比的情况下可能呈现较差的性能O 此后 又有人提出了频域中的三维时空匹配滤波技术 并且把其简化为只在空域中进行的二维匹配滤波 其结果在时间序列中进行递推求和O Irani M [Z ]等人用 计算小邻域上灰度的加权平均再用梯度进行归一化 以此作为运动的度量O 还有由Liou S P 和J ian R C 提出的运动目标检测方法是基于时空空间中运动轨迹任一点上切线和法线的正交性 但是为了得到图像 第Z 7卷第4期 Z 005年8月光学仪器O PTICAL I N S T R U M e N T S V ol.Z 7 N o.4 August Z 005 收稿日期2Z 004-11-1 作者简介2卓宁(1 7 - 女 安徽蚌埠人 工程师 硕士生 主要从事图像信号处理方面的研究O

卫星红外图像序列仿真技术的研究与实现

卫星红外图像序列仿真技术的研究与实现 杨政军1赵龙1李志军2 （1 长沙国防科技大学计算机学院 410073；2 长沙国防科技大学电子科学与工程学院 410073） 摘要：为了降低实际获取卫星红外图像序列所需的代价，针对探测器的特点，提出一种结合星空背景仿真卫星红外图像的方法。该方法采用红外图像仿真技术建立了卫星和星空背景的几何模型、运动模型和红外辐射模型，并生成了与星空背景结合的卫星红外图像序列。结果表明，仿真生成的卫星红外图像序列效果逼真，为目标检测、跟踪算法研究及评估提供了实验验证的仿真环境。 关键词：红外图像仿真；卫星红外图像序列 Study and Implementation of Infrared Images Simulation Technology of a Satellite Yang Zhengjun1 Zhao Long1 Li Zhijun2 （1 School of Computer, National University of Defense Technology, Changsha 410073, China; 2 School of Electrical Science and Engineering, National University of Defense Technology, Changsha 410073, China） Abstract：According to the characteristics of detectors, we propose a solution which simulates the infrared images of a satellite in the star sky to cut the cost of getting the infrared images. We establish the 3D models, motion models and infrared radiation models of the satellite and stars. At the same time, the infrared images of a satellite combined with the star sky are generated. Simulation results illustrate that our method which supplies a simulation condition is suitable to the study of targets detection and targets track. Keywords：Infrared Images Simulation Technology; Infrared Images of a Satellite 1 引言 在目标检测、跟踪等算法研究中，需要通过探测器列阵面接收的目标辐射或反射能量形成红外图像信号，这些信号经过预处理和目标提取等环节后最终以红外图像序列的形式输入到控制系统中。如果直接通过实验来获得太空场景中天体的真实红外图像序列，虽然符合实际情况，但需要耗费巨大的人力、财力和物力。 红外图像仿真是通过建立空间物体的几何模型、运动模型以及红外辐射模型，以计算机仿真生成目标的近似二值图像序列的一种技术。采用这一技术可以对复杂多样的红外仿真目标及其环境任意地进行重复试验，且所需的代价小、所受的客观制约少。 本文针对探测器的特点，以星空背景中的典型卫星为目标，建立了卫星和星空背景的几何模型、运动模型和红外辐射模型，并生成了与星空背景结合的卫星红外图像序列。 本文的结构如下：第二节介绍了国内外红外场景仿真相关研究的进展情况；第三节采用红外图像仿真技术对卫星和星空背景分别建模，最终建立了其合成模型；第四节根据第三节的模型生成了以星空为背景的卫星红外图像序列，并对此结果进行了分析；第五节总结全文，并对在红外图像仿真过程中还需解决的问题进行了展望。

云背景下红外弱小目标检测算法研究

电子设计工程 Electronic Design Engineering 第26卷Vol.26第18期No.182018年9月Sep.2018 收稿日期：2017-11-19 稿件编号：201711110 作者简介：张高峰（1980—），男，山西寿阳人，高级工程师。研究方向：红外跟踪与光电对抗。 在当前的红外搜索跟踪设备中，红外弱小目标检测已经成为一种重要的研究技术[1-2]。如果是远距离成像，红外成像系统视场内的飞机等物体往往呈现出小目标的特点，其像素少、清晰度低、强度小。尤其是当目标使用了相关的隐身技术之后，使得目标红外辐射强度进一步降低，而背景却更加复杂[3]。包含大面积云背景的天空背景是红外背景的典型情况，由于缺乏云背景的先验信息，目标信噪比很低，且极易淹没在强噪声云背景中，使得目标检测变得十分困难，图像识别、分类精度难以保证。因此，研究云背景下的红外成像特性及目标检测算法具有重要的意义[4]。由于目标与背景存在较为明确的特性差异，所以可以采用相关的图像处理方式，来减弱背景影响并突出目标。文中提出了一种红外小目标检测方法，即兼有高通滤波和中值滤波算法优点的综合滤波算法，可抑制图像中大面积的云背景和强噪声，进而实现弱小目标的检测。 1背景抑制 红外图像是运用光电技术，采用专门的红外探测器检测目标物热辐射的红外线特定波段信号，将该信号转换成可供人类视觉分辨的图像和图形[5]。通过红外探测器能够对红外辐射进行转换，并得到 云背景下红外弱小目标检测算法研究 张高峰，孙致月 （中国人民解放军91336部队95分队，河北秦皇岛066326） 摘要：针对红外搜索跟踪设备对云背景下红外弱小目标的检测问题，提出了一种新的综合滤波算法。在对图像进行对比度增强的基础上，采用高通滤波去除大面积云背景，并利用中值滤波孤立图像点噪声，而后使用全局阈值分割法分割目标和残余噪点，从而实现小目标的检测。通过图像质量评价方法对原图像和处理后图像进行计算分析表明，背景抑制图像的信噪比和对比度得到有效提高，能够清晰检测出云背景下的红外弱小目标。实验数据有效证明了综合滤波算法的合理性和可行性。 关键词：目标检测；红外弱小目标；云背景；高通滤波；中值滤波中图分类号：TN215 文献标识码：A 文章编号：1674-6236（2018）18-0049-05 Research on detection algorithm of infrared dim small targets in cloud background ZHANG Gao-feng ，SUN Zhi-yue （Branch 95，Unit 91336of PLA ，Qinhuangdao 066326，China ） Abstract:Aiming at the problem of infrared search and tracking equipment detecting infrared dim small targets in cloud background ，a new integrated filtering algorithm is proposed.On the basis of image contrast enhancement ，high-pass filtering is used to remove large area cloud background ，and median filtering is used to isolate image point noise ，and then the global threshold segmentation method is used to segment the target and residual noise ，so as to realize the detection of the small https://www.360docs.net/doc/965692530.html,paring the original image with the processed image by the method of image quality evaluation ，the signal-to-noise ratio and contrast of the background suppressed image are effectively improved ，and the infrared dim small targets in cloud background can be clearly detected.The experimental data effectively proved the rationality and feasibility of the integrated filtering algorithm. Key words:targets detection ；infrared dim small targets ；cloud background ；high-pass filtering ； median filtering - -49万方数据

基于多光谱与显著性的红外弱小目标融合检测

基于多光谱与显著性的红外弱小目标融合检测 摘要：基于多光谱与显著性，提出一种红外弱小目标融合检测算法。该算法旨在将从多光谱探测器获得的同一场景的多光谱图像信息组合到一起，利用它们在时空上的相关性及信息上的互补性，提高系统的检测性能。采用一种新的基于人类视觉注意机制的显著性方法，该方法能够快速准确找到图像中的显著性区域；将目标看作一类，背景和干扰点看作另一类，选取离差平方和准则，使类内距离最小，类间距离最大；训练出融合参数，得到融合后的显著性图像。通过设定的门限值二值化，可以看出该融合方法能很好地将目标与背景分开，从而检测出目标。 关键词：红外弱小目标；多光谱；显著性；图像融合 中图分类号：TP391文献标识码：A文章编号：1673-5048（2016）02-0047-05 0引言 多光谱成像技术不同于传统的单一宽波段成像技术，而是将成像技术和光谱测量技术相结合，获取的信息不仅包括二维空间信息，还包含随波长分布的光谱辐射信息，形成所谓的“数据立方”。丰富的目标光谱信息结合目标空间影响 极大提高了目标探测的准确性、扩展了传统探测技术的功能。

因此，研究如何基于多光谱对红外弱小目标进行检测与识别有着实际的意 义。 在多光谱领域，国内外学者已经取得了一定的进展。Margalit和Reed提出了一种基于相关图像的恒虚警率自适应目标检测算法[1]；Heesung提出了基于滤波的光谱匹配方法[2]；1999年，Richards等提出了光谱角映射算法（SAM）[3]。SAM算法具有结构简单、实时性好等优点，但是，其性能对目标光谱方差十分敏感，当光谱信噪比较低时，其性能变得十分不可靠。2011年，GuYanfeng等将SAM算法与核函数相结合，提出了一种基于核函数的正规化光谱角的光谱匹配算法[4]，提升了SAM算法对于光谱方差变化的鲁棒性。光谱匹配滤波器（SMF）[5]是一种具有代表性的光谱目标检测算法，是典型的光谱匹配算法，基于标准目标光谱模型和背景光谱模型的先验信息已知。 然而在实际系统中，很难得到一个场景的红外全谱段图像，一些红外警戒系统通常采用双波段的工作方式。在双/多波段红外热成像系统中，由于多个传感器工作在不同的电磁波段，探测到的同一场景的多光谱图像在信噪比、对比度、强度等方面存在很大的差异性，利用它们在时空上的相关性及信息上的互补性，对多光谱图像进行融合，可以得到对目标更全面、清晰的描述。现有的融合方法有小波变换模型、

红外图像中弱小目标检测前跟踪算法研究综述

第37卷 第2期 激光与红外 V o.l 37,N o .2 2007年2月 LA SER & I NFRAR ED February ,2007 文章编号:1001 5078(2007)02 0104 04 红外图像中弱小目标检测前跟踪算法研究综述 张长城,杨德贵,王宏强 (国防科技大学电子科学与工程学院,空间电子信息技术研究所,湖南长沙410073) 摘 要:文中分析了低信噪比复杂背景中红外弱小目标检测与跟踪的难点,比较了DB T 与TBD 两种检测与跟踪算法的性能,分析了TBD 的检测机理,总结了典型的TBD 方法,展望了 TBD 的发展。 关键词:红外;弱小目标;低信噪比;复杂背景;检测前跟踪中图分类号:TP751 文献标识码:A A lgorit h m Surveys for Di m Targets Track before detect i n Infrared I m age Z HANG Chang cheng ,YANG D e gu,i WANG H ong qiang (Instit u te of Space E lectron i c T echnology ,Coll ege o f E lectr i c Science and Eng ineer i ng,NUDT,Changsha 410073,Chi na)Ab stract :T he d ifficu lties o f di m targe t de tecti on are ana l y zed i n the paper .T he perfor m ances of DBT and TBD are co m pa red ,and the theo ry o fT BD a re ana l y zed .T he m a i n m ethods of TBD are su mm arized .In the end ,prom i sing di recti on of t he fi e l d of T BD i s predicted . K ey w ords :i nfrared ;d i m ta rget ;l ow SNR;comp licated background ;TBD 1 引 言 现代战争要求红外探测系统能远距离发现、跟踪威胁目标,为指挥系统决策和武器系统赢得时间。红外探测系统采用被动方式工作,具有较强的抗干扰能力,隐蔽性好,但作用距离短。由于光学系统的空间分辨率已做到或接近理论极限水平 [1] ,比较实 际的方法就是通过提高目标检测算法性能,尤其是弱小目标的检测性能,弥补红外探测系统作用距离短的不足。 弱 和 小 指的是目标属性的两个方面,所谓 弱 是指目标红外辐射的强度,反映到图像上是指目标的灰度;所谓 小 是指目标的尺寸,反映到图像上是指目标所占的像素数 [2] 。红外弱 小目标检测识别难点是:对比度较低、边缘模糊、信号强度弱,缺乏纹理、形状、大小等结构信息,目标极易被噪声所淹没,单帧检测虚警率高,多帧处理增加了数据的存储量和计算量,固定的模板和算子很难有效检测弱小目标。因而,红外弱小目标检测与跟 踪问题成为当前研究的一个热点问题。 本文在综合国内外近年来对红外弱小目标检测 与跟踪研究成果基础上,根据检测与跟踪关系,对TBD (track before detect )和DBT (detect be f o re track)两类算法性能进行了比较,分析了检测前跟踪算法机理,重点研究了TBD 技术,并指出TBD 技术的发展方向。2 检测算法机理 经典的小目标检测与跟踪方法是DBT ,即先根据检测概率和虚警概率计算单帧图像的检测门限,然后对每帧图像进行分割,并将目标的单帧检测结果与目标运动轨迹进行关联,最后进行目标跟踪。算法流程如图1所示。 图1 先检测后跟踪算法流程 基金项目:国防预研基金(51401010405KG0170);国防装备预先研究项目(413010701-2)。 作者简介:张长城(1976-),男,国防科技大学硕士研究生,主要研究方向为红外图像采集处理及目标识别等。 收稿日期:2006 05 31;修订日期:2006 07 05

红外弱小目标检测方法研究

本科毕业设计论文 题 目 红外弱小目标检测方法研究 _______________________________________ 专业名称 学生姓名 指导教师 毕业时间 2014年6月

毕业 任务书 一、题目 红外弱小目标检测算法研究 二、指导思想和目的要求 本题目来源于科研，主要研究红外弱小目标的特点，常用的检测算法，进而实现红外弱小目标的检测。希望通过该毕业设计，学生能达到： 1．利用已有的专业知识，培养学生解决实际工程问题的能力； 2．锻炼学生的科研工作能力和培养学生团队合作及攻关能力。 三、主要技术指标 1．掌握红外弱小目标的特点； 2．研究常用的红外弱小目标检测算法； 3．实现红外弱小目标的检测。 四、进度和要求 第01周----第02周： 参考翻译英文文献； 第03周----第04周： 学习红外图像及其弱小目标的特点； 第05周----第08周： 研究红外弱小目标的检测算法； 第09周----第14周： 编写红外弱小目标的检测程序； 第15周----第16周： 撰写毕业设计论文，论文答辩。 五、主要参考书及参考资料 1. 武斌. 红外弱小目标检测技术研究. 西安电子科技大学博士学位论文. 2. 史凌峰. 红外弱小目标检测方法研究. 西安电子科技大学硕士学位论文. 3. 杨丽萍. 空中红外弱小目标检测方法研究. 西北工业大学硕士学位论文. 4. 吴巍. 图像中目标特征的检测与识别. 华中科技大学博士论文。 5. 郑成勇. 小波分析在红外目标检测中的应用. 华中科技大学硕士论文。 6. 蔡智富. 基于自适应背景估计的复杂红外背景抑制技术. 哈尔滨程大学硕士论文。 学生 指导教师 系主任 设计 论文

红外小目标检测 报告

红外小目标检测方法概述 1110540103 李方舟 1.什么是红外小目标？ 关于小目标”的定义，目前没有统一的定论。一般认为，当红外成像的距离较远时，在成像平面上只占几个或几十个像素的面积，表现为点状或斑点状，对比度和信噪比较低的目标，即可称之为小目标。 2.为什么要进行红外小目标检测？ 红外成像具有距离远，隐蔽性高，抗干扰能力强，穿透烟尘，雾以及阴霾的能力强，可全天候，全时间工作等优点。因此被广泛应用于监视侦察以及导航等军事领域，成为现代精确制导武器的主要技术之一。 在尽可能远的距离上检测并跟踪到敌方目标，以争取在有利的时机发动攻击。是决定现代战争胜负的重要因素。 距离越远，目标成像面积越小，图象质量越差，对目标的检测和跟踪越困难。 因此，研究小目标的检测和跟踪方法，对提高红外成像系统的作用距离，有着非常重要的意义。 目标检测作为寻的制导系统中的前端处理环节，是精确制导中最为关键和核心的组成部分。只有及时检测到目标，才能保证如目标的如目标跟踪等后续工作的正常进行。基于此原因，在红外凝视成像的图像序列中进行目标检测具有相当的难度，几乎所有的小目标检测法都致力于增强图像的信噪比，积累目标能量，以提高目标检测能力。 3.红外小目标检测方法分析 对于红外目标的检测问题，目标的一些先验信息，如目标的形状、大小，目标灰度变化在时间上的连续性，以及目标运动轨迹的连续性等是有效分割目标和噪声的关键。目标检测方法根据这些特性的使用顺序不同，可分为两大类： 先检测后跟踪( D e t e c t B e f o r e T r a c k ，D B T )方法 和先跟踪后检测( T r a c k B e f o r e D e t e c t ，T B D )方法。 3.1 DBT检测方法 基于先检测后跟踪的目标检测技术属于一类经典的红外目标检测。该类方法分为两步:首先根据目标形状，强度等特性，在单帧图像中检测出候选目标，然后根据实际需要，在分割后的二值化图形序列中，通过序列图像投影到目标轨迹。DBT检测方法主要分以下几种：1）阈值检测方法 所谓阈值检测方法，是基于目标在图像中主要为高频分量，而背景对应低频部分这一事实，对淹没在近似正态分布杂波中的已知其响应分布的小目标，寻求其最佳信噪比。 2）小波分析方法

红外图像数据处理方法研究开题报告

中北大学 毕业设计(论文)开题报告 学生姓名：孔祥吉学号：0705034133 学院、系：信息与通信工程学院电子工程系 专业：测控技术与仪器 设计(论文)题目：红外图像数据处理方法研究 指导教师:郑宾 2011 年 3 月 30 日

毕业设计（论文）开题报告 1．结合毕业设计（论文）课题情况，根据所查阅的文献资料，撰写2000字左右的文献综述： 文献综述 一、课题的研究背景及意义 红外图像是伴随着红外成像技术的出现而诞生的。红外热成像技术，又称为热成像技术，是一种辐射信息探测技术，红外热成像系统能够把物体表面自然发射的红外辐射分布转变为可见图像。因为不同物体或同一物体的不同部位具有不同的红外辐射特性(如温度和发射率)，所以系统可直观地显示其差异并将它们区分开来，转换成可见图像，从而将人类的视觉感知范围由传统的可见光谱扩展到裸眼看不到的红外辐射光谱区。支撑红外成像技术的理论与技术基础包括红外物理学、光电子学、现代信息处理技术、材料科学、精密光学机械和特种红外工艺等。 由于红外传感器本身固有的特性，红外图像普遍存在着目标与背景对比度较差、边缘模糊等缺点，再加上目标距传感器较远，受到大气热辐射等因素影响，使红外图像信噪比和对比度较低，图像中的目标形状和纹理信息不足。因此必须对红外图像进行增强处理，以提高信噪比和对比度。传统的增强方法都有不同程度的局限性，必须寻找新的处理思想和手段，以能够最大限度地降低红外图像的噪声，突出图像中的有用信息并提高视觉效果。因此，本课题的研究既有一定的理论价值又有相当的实际应用前景。 可见光图像感受和反映的是目标及背景反射来自太阳或其它物体光线强弱的差异，而红外图像感受和反映的是目标与背景自身向外辐射能量的差异，这两者都与构成目标及背景的材料、颜色及表面光亮度有关。由于红外图像和可见光图像存在着上述本质上的差异，这就决定了红外图像与可见光图像具有各自不同的特点。由于红外波段的辐射波长比可见光长，因而红外图像的空间分辨力比可见光低；红外辐射透过雾的能力比可见光强，所以红外成像可以克服部分视觉上的障碍而探测到目标，具有比可见光更强的穿透能力；红外成像系统的主要工作波段是在3-5 um和8-14 um两个被称为红外窗口红外波段，在这两个波段内，红外辐射的透射能力很强，其作用距离是可见光的3-5倍；由于红外成像和可见光成像方式和本质的不同，红外成像系统可以全天候工作，而可见光成像传感器则不能。另外，目标的可见光图像可能受到阴影的影响，而目标的红外图像则受阴影的影响较小。可见光图像传感器利用物体的不同部分对可见光不同的反射成

深空背景点目标红外序列图像生成

第１７卷第１２期光学精密工程Ｖ０１．１７Ｎｏ．１２２００９年１２月ＯｐｔｉｃｓａｎｄＰｒｅｃｉｓｉｏｎ，ＥｎｇｉｎｅｅｒｉｎｇＤｅｃ．２００９ 文章编号１００４—９２４Ｘ（２００９）１２－３０６２—０７ 深空背景点目标红外序列图像生成 李克新，丛明煜，张伟，曹移明，鲍文卓 （哈尔滨工业大学空间光学工程研究中心，黑龙江哈尔滨１５０００１） 摘要：针对空间目标天基探测仿真系统需求，提出了一种基于卫星工具套件（ＳＴＫ）＋ＭＡＴＩ。ＡＢ的深空背景点目标红外序列图像生成方法。点目标表面温度计算采用了比节点网络法更高效的等温简化模犁以提高仿真效率；由比低分辨率光谱仪（ＬＲＳ）模型更完备的中段空间实验卫星（ＭＳＸ）红外星表提供深空背景模型．扩展了探测系统仿真应用领域；同时，建立了以电子数表征的目标背景照度和图像灰度转换模型。图像仿真过程中加入卫星扰动误差，相机测量误差和焦面电子学噪声，仿真生成的图像序列更接近真实物理过程。该仿真方法可以模拟任意时刻、任意指向和任意光学视场４～２６“ｍ的点目标红外图像序列。图像生成实时性好。文章最后给出了某空间目标的红外序列图像仿真实例。 关键词：红外序列图像；图像生成；空间目标；深空背景；红外星表 中圈分类号：ＴＰ３９１．９文献标识码ｔＡ Ｉｎｆｒａｒｅｄｓｅｑｕｅｎｃｅｉｍａｇｅｇｅｎｅｒａｔｉｏｎ ｏｆｐｏｉｎｔｔａｒｇｅｔｉｎｄｅｅｐｓｐａｃｅ ＬＩＫｅ—ｘｉａ，ＣＯＮＧＭｉｎｇ—ｙｕ，ＺＨＡＮＧＷｅｉ，ＣＡＯＹｉ—ｍｉｎｇ，ＢＡＯＷｅｎ—ｚｈｕｏ（ＲｅｓｅａｒｃｈＣ．ｔｍｌｇｒｏｆＳｐａｃｅＯｐｔｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，ＨａｒｂｉｎＩｎｓｔｉｔｕｔｅｏｆＴｅｃｈｎｏｌｏｇｙ，Ｈａｒｂｉｎ１５０００１，Ｃｈｉｎａ） ＡｂｓｔｒａｃｔｌＩｎｏｒｄｅｒｔｏｍｅｅｔｔｈｅｄｅｍａｎｄｓｏｆｓｐａｃｅ－ｂａｓｅｄｄｅｔｅｃｔｉｏｎｓｉｍｕｌａｔｉｏｎｓｙｓｔｅｍ，ａｍｅｔｈｏｄｏｆｉｎｆｒａ—ｒｅｄｓｅｑｕｅｎｃｅｉｍａｇｅｇｅｎｅｒａｔｉｏｎｆｏｒｐｏｉｎｔｔａｒｇｅｔｓｉｎｄｅｅｐｓｐａｃｅｂａｃｋｇｒｏｕｎｄｉｓｐｒｅｓｅｎｔｅｄｂａｓｅｄｏｎｔｈｅＳａｔｅｌｌｉｔｅＴｏｏｌＫｉｔ（ＳＴＫ）ａｎｄＭＡＴＬＡＢ．Ａｓｉｍｐｌｅｉｓｏｔｈｅｒｍａｌｍｏｄｅｌｍｏｒｅｅｆｆｉｃｉｅｎｔｔｈａｎｔｈｅｎｏｄｅｎｅｔ－ｗｏｒｋｍｅｔｈｏｄｉｓｕｓｅｄｔｏｃａｌｃｕｌａｔｅｔｈｅｔｅｍｐｅｒａｔｕｒｅｏｆｔｈｅｓｐａｃｅｔａｒｇｅｔｓｔｏｉｍｐｒｏｖｅｔｈｅｓｉｍｕｌａｔｉｏｎｅｆｆｉ—ｃｉｅｎｃｙ，ａｎｄａｍｏｄｅｌｏｆｃｅｌｅｓｔｉａｌｂａｃｋｇｒｏｕｎｄｉｓｐｒｅｓｅｎｔｅｄｂａｓｅｄｏｎＭｉｄｃｏｕｒｓｅＳｐａｃｅＥｘｐｅｒｉｍｅｎｔ（ＭＳＸ）ｉｎｆｒａｒｅｄｓｔｅｌｌａｒｃａｔａｌｏｇｍｏｒｅｃｏｍｐｌｅｔｅｔｈａｎｔｈｅＬｏｗＲｅｓｏｌｕｔｉｏｎＳｐｅｃｔｒａ（ＬＲＳ）ｓｔｅｌｌａｒｃａｔａｌｏｇｔｏｅｘｔｅｎｄｔｈｅａｐｐｌｉｃａｔｉｏｎｏｆｔｈｅｓｐａｃｅ－ｂａｓｅｄｄｅｔｅｃｔｉｏｎｓｉｍｕｌａｔｉｏｎｓｙｓｔｅｍ．Ｔｈｅｃｏｎｖｅｒｓｉｏｎｍｏｄｅｌｂｅｔｗｅｅｎｔｈｅｉｒ—ｒａｄｉａｎｃｅｏｆｔａｒｇｅｔｂａｃｋｇｒｏｕｎｄａｎｄｔｈｅｉｍａｇｅｇｒａｙｉｓｅｓｔａｂｌｉｓｈｅｄｂｙｃａｌｃｕｌａｔｉｎｇｔｈｅｅｌｅｃｔｒｏｎｎｕｍｂｅｒｓｒｅ—ｃｅｉｖｅｄｂｙｔｈｅｄｅｔｅｃｔｏｒｓ．Ｔｈｅｄｉｓｔｕｒｂａｎｃｅｅｒｒｏｒｏｆｓａｔｅｌｌｉｔｅ，ｍｅａｓｕｒｅｍｅｎｔｅｒｒｏｒｏｆｃａｍｅｒａａｎｄｅｌｅｃｔｒｏｎｉｃｎｏｉｓｅｏｆＦｏｃａｌＰｌａｎｅＡｒｒａｙ（ＦＰＡ）ａｒｅｃｏｎｓｉｄｅｒｅｄｔｏｇｅｎｅｒａｔｅｉｍａｇｅｓｃｌｏｓｅｄｔｏａｒｅａｌｗｏｒｌｄ．Ｅｘｐｅｒｉｍｅｎ—ｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｃａｎｓｉｍｕｌａｔｅｔｈｅｉｎｆｒａｒｅｄｓｅｑｕｅｎｃｅｉｍａｇｅｓｏｆｐｏｉｎｔｔａｒｇｅｔｓａｔａｎｙｔｉｍｅ，ａｎｙｖｉｅｗｐｏｉｎｔａｎｄａｎｙＦｉｅｌｄｏｆＶｉｅｗ（ＦＯＶ）（ｗａｖｅｂａｎｄｓｒａｎｇｅｆｒｏｍ４ｇｍｔｏ２６肛ｍ）．Ｆｉｎａｌ—ｌｙ，ａｎｉｎｆｒａｒｅｄｉｍａｇｅｓｅｑｕｅｎｃｅｏｆｓｏｍｅｐｏｉｎｔｔａｒｇｅｔｓａｒｅｓｉｍｕｌａｔｅｄ． 收稿日期：２００８—１２—１２；修订日期：２００９—０３－０９． 基金项目：国家８６３高技术研究发展计划资助项目（Ｎｏ．２００６ＡＡｌ２８０） 万方数据

红外图像处理

红外辐射测量的基本原理是：目标和背景发出的红外辐射，经大气吸收和散射，能量受到部分衰减，而又加上大气路径辐射的影响，目标的对比度降低。受到大气扰动的场景辐射被光学系统接收，会聚到红外探测器上，探测器将入射的红外辐射转化成电信号，经信号处理系统的一系列处理后，最终输出用电平数据表示的辐射图像。 目前红外探测的主要传感器为红外焦平面阵列相机。为了从红外焦平面阵列相机输出的红外图像中得到目标的红外辐射特性数据，需要对其进行绝对红外辐射定标。 可以说精确的定标是保证测量精度的前提。辐射定标的目的是建立红外辐射特性测量系统输入辐射量（入瞳处）与系统输出间的函数关系。为了保证辐射定标精度，定标过程中，需要根据红外成像系统自身的光学系统结构、口径大小及工作环境的不同，合理的选择不同的定标源与定标方法。 而非均匀性校正是红外辐射定标前必须完成的工作，这部分工作对于提高红外成像系统的成像质量，进而获得精确的辐射定标和辐射特性测量数据有重要意义。 1、非均匀校正 红外辐射特性测量系统属于热成像系统的一种，主要采用的探测器为制冷型红外焦平面阵列。在理想的情况下，红外焦平面阵列（IRFPA，infrared focal plane array）在受到均匀辐射照射时，探测元输出的图像灰度应完全一样，然而，受到材料、制造工艺和工作环境等因素的影响，IRFPA普遍存在着非均匀性，具体表现为：IRFPA 各探测像元在相同辐照条件下，通常会表现出不同的响应。通常称这种不一致性噪声为非均匀性噪声，在图像上具体表现为空间噪声或固定图案噪声。这种非均匀性导致的空域噪声通常远远大于时域噪声，不能通过时域平均得到抑制，因此非均匀性的存在会显著降低成像的信噪比和辨析率，极大的限制成像系统的性能，是IRFPA的整体成像性能的最主要限制因素。在以IRFPA 为探测器的红外成像系统中，非均匀性校正是一项十分必要的工作。 IRFPA非均匀性产生的原因多种多样，十分复杂，无法建立完整、精确的数学模型及计算理论，目前对其数学描述仅处于经验公式阶段，IRFPA非均匀性产生的原因一般分为：（1）红外探测器自身的非均匀性，主要由制造探测器的材料质量和制造工艺决定。一旦焦平面器件制造完成，这种制造工艺产生的非均匀性因素将始终存在。 （2）探测器与读出电路的耦合非均匀性。该类原因主要由探测器件的电荷转移效率以及探测器与探测器读出电路的耦合程度不同产生。 （3）器件工作状态引入的非线性。红外辐射强度的变化区间、器件所处的工作温度和器件驱动信号的变化等因素都会对焦平面阵列的均匀性产生影响。 除了探测器自身产生的噪声外，红外成像系统的光学系统也将引起系统输出的非均匀性，主要表现为：光学系统的镜头加工和装调的精度产生的成像非均匀性、离轴像元的渐晕和cos N效应产生的几何非均匀性、系统内部杂散辐射引起的非均匀性。这些非均匀性受环境温度影响较大，因此对于红外成像系统工作环境或工作状态情况，非均匀性校正必须重新进行。 目前，国内外众多学者对红外焦平面阵列非均匀性校正（NUC，Non-uniformity Correction）进行了大量的研究。非均匀性校正方法主要分为两类：基于参考辐射源的标定类方法和基于场景的校正方法。 1.基于场景的非均匀性校正方法 基于场景的非均匀性校正算法一般可分为空域算法和时域算法。空域算法主要有神经网络法、恒定统计法、全局非均匀性校正方法、基于场景运动分析的校正算法和中值滤波法；时域算法包括时域高通滤波法、小波分析、卡尔曼滤波、轨迹跟踪法和代数校正法。基于场景的非均匀性校正方法能够根据场景信息的改变实现校正系数的自适应更新，在一定程度上克服焦平面阵列响应漂移带来的校正误差，但需场景中存在运动、多幅图像才可实现，且没