基于图像块相关的弱小目标检测算法研究
红外图像中弱小目标检测前跟踪算法研究综述概要
红外图像中弱小目标检测前跟踪算法研究综述概要红外图像在现代战争中发挥着越来越重要的作用，因为其具有隐蔽性和不受光照干扰的特点。
红外图像中的弱小目标检测和跟踪算法是目前研究的热点之一。
本文主要综述红外图像中弱小目标检测前跟踪算法的研究现状，包括传统算法、深度学习算法和集成算法。
传统算法传统的弱小目标跟踪算法主要包括卡尔曼滤波、粒子滤波、均值漂移等。
这些算法主要是针对静态场景下的目标跟踪，对于动态场景下的目标跟踪效果较差。
在红外图像中，目标的纹理和亮度变化较为复杂，所以传统算法在红外图像中跟踪效果不佳。
深度学习算法深度学习算法是近年来应用最广泛的目标跟踪算法之一。
深度学习算法能够自动学习特征，适用于复杂多变的目标跟踪环境。
在红外图像中，深度学习算法也取得了很好的效果。
常用的深度学习算法包括卷积神经网络（CNN）、循环神经网络（RNN）和长短记忆网络（LSTM）等。
由于这些算法的训练需要大量的标注数据，因此数据量不足时需要结合传统算法来进行跟踪。
集成算法集成算法是将多个跟踪算法集成到一起，以得到更好的跟踪效果。
目前常用的跟踪集成算法是基于多特征融合和多分类器融合的方法。
多特征融合包括将颜色、纹理、轮廓等多个特征融合在一起，使得跟踪算法更具鲁棒性。
多分类器融合则是同时使用多种分类器，如SVM、Adaboost等，对目标进行分类和跟踪。
总的来说，弱小目标检测前的跟踪问题是一个非常重要的研究方向。
虽然深度学习算法在红外图像中的跟踪效果良好，但是由于训练需要大量标注数据，因此在数据量不足的情况下需要结合传统算法进行跟踪。
集成算法也是近年来研究的热点之一，对跟踪效果的提高起到了重要作用。
基于图像处理的目标检测与识别技术研究
基于图像处理的目标检测与识别技术研究随着计算机科学和人工智能技术的快速发展，图像处理技术已经成为了计算机视觉中的重要分支。
在生产、医疗、安防等领域，图像处理技术的应用正在变得越来越广泛。
其中，目标检测与识别技术是目前图像处理的研究热点之一。
本文将从实现思路、研究现状和发展趋势三个方面来详细阐述基于图像处理的目标检测与识别技术研究。
一、实现思路目标检测与识别技术主要是通过计算机视觉技术，实现对图像中目标的自动识别和预测。
其中，最核心的技术实现思路是从图像中提取出目标的特征，并使用机器学习算法进行分类和识别。
其中，目标特征主要包括颜色、形状、纹理、尺寸、比例等多个方面，每个方面都会对最终的目标检测与识别效果产生影响。
在目标特征提取方面，计算机视觉技术主要是通过图像处理、图像分割、图像特征提取等方法来实现。
在机器学习算法方面，包括支持向量机、决策树、神经网络等多种方法都可以用于目标检测与识别。
二、研究现状目标检测与识别技术是图像处理领域的一个重要研究方向，目前国内外也有不少相关的研究工作。
在研究方法方面，传统的方法是基于图像特征提取和模板匹配的方法。
这类方法主要是通过提取图像局部特征和设计特定的模板来实现目标检测与识别。
例如，SIFT、SURF、HOG等算法都是局部特征提取的经典算法。
而将局部特征组成的向量或“词袋”作为输入，在基于视觉单词或者基于聚类的分类方法中，可以有效地进行目标检测。
但是，这类算法存在一些缺陷，如对光照、尺度、旋转等因素敏感，同时匹配效率低下等问题。
另外，近年来，基于深度学习的算法也被广泛应用于目标检测和识别领域。
深度学习主要是通过建立多层神经网络，实现对大量标注图像的学习，最终得到一个有效的模型来实现目标检测和识别。
其中，最经典的算法是深度卷积神经网络（CNN），这种算法可以对图像中的目标进行端到端的检测和识别。
此外，还有更多全局特征提取方法也得到了广泛的应用，例如FCN、SSD、YOLO等算法。
复杂背景下小目标检测方法综述
复杂背景下小目标检测方法综述小目标检测是计算机视觉领域中的重要任务之一，目标是在复杂背景下准确地检测和定位图像中的小目标。
小目标通常具有低分辨率、低对比度和低信噪比等特点，这使得它们更难以被传统目标检测方法准确地识别。
因此，研究人员提出了许多针对小目标的特定方法。
本文将综述常用的小目标检测方法，并对它们的优劣进行评估。
首先，传统的小目标检测方法主要基于图像处理和特征提取。
这些方法主要包括基于模板匹配、基于边缘检测、基于滤波和基于统计建模等。
模板匹配方法通过与目标模板进行匹配来检测小目标，但由于其依赖于准确的模板，对于目标外观变化较大的情况下效果较差。
边缘检测方法通过提取图像中的边缘信息来检测小目标，但由于小目标的低对比度和噪声干扰，边缘提取结果不准确。
滤波方法通过利用滤波器来增强小目标的信息，但对于背景噪声较多的情况下效果较差。
统计建模方法通过对目标和背景进行建模来检测小目标，但由于统计建模的复杂性，检测速度较慢。
随着深度学习的发展，基于深度学习的小目标检测方法逐渐受到关注。
这些方法主要包括基于卷积神经网络（CNN）的方法和基于循环神经网络（RNN）的方法。
基于CNN的方法通过使用深度卷积神经网络来学习和提取图像特征，并利用这些特征进行目标检测。
基于RNN的方法通过使用循环神经网络来捕捉图像序列中的时序信息，并利用这些信息来改善小目标的检测性能。
这些方法通过学习大量的数据和特征表示来提高小目标的检测性能，但由于其对计算资源的要求较高，实时性较差。
近年来，一些基于注意力机制的小目标检测方法被提出。
这些方法主要通过引入注意力机制来准确地定位和识别小目标。
注意力机制可以使网络自动聚焦于感兴趣的区域，从而提高小目标的检测性能。
这些方法通过引入注意力机制来捕捉小目标的上下文信息和空间关系，从而提高小目标的检测性能。
但由于注意力机制的计算复杂性，这些方法的速度较慢。
总体而言，小目标检测在复杂背景下仍然是一个具有挑战性的问题。
基于深度学习的图像识别与物体检测算法研究
基于深度学习的图像识别与物体检测算法研究摘要：深度学习技术在图像识别和物体检测领域取得了显著的进展，在识别准确性和检测速度上都有很大提升。
本文主要研究基于深度学习的图像识别与物体检测算法，从卷积神经网络（CNN）到目标检测模型，综合了现有算法的基本原理和技术改进，并对其进行了评估和讨论。
1. 引言图像识别和物体检测是计算机视觉领域的重要研究方向，对于人工智能和自动化系统而言具有重要意义。
随着深度学习技术的发展，特别是卷积神经网络（CNN）的出现，图像识别和物体检测取得了巨大的进展。
深度学习技术能够自动从大量的图像数据中学习出高层次的特征表示，从而实现更准确和鲁棒的图像识别与物体检测。
2. 基于深度学习的图像识别2.1 卷积神经网络（CNN）卷积神经网络是一种专门用于图像处理的深度学习模型。
它通过多个卷积层和池化层来提取图像特征，并通过全连接层进行分类。
CNN模型在图像识别任务中取得了很好的效果，其复杂网络结构和权值共享的特点使得其具有较好的泛化能力和可训练性。
2.2 深度残差网络（ResNet）深度残差网络是一种通过引入残差块来缓解深度网络训练困难的模型。
传统的深度网络存在梯度消失和梯度爆炸等问题，而通过引入残差块，可以使得网络能够更快地收敛并且获得更好的性能。
ResNet在图像识别任务中取得了很好的结果，并且被广泛应用于各种图像分类问题。
3. 基于深度学习的物体检测3.1 目标检测介绍目标检测是指从图像中检测出所有感兴趣的物体并进行分类和定位的任务。
传统的目标检测算法主要基于手工设计的特征和机器学习算法，但是这种方法在大尺度变形、遮挡和复杂背景等情况下表现不佳。
而基于深度学习的目标检测方法通过借助卷积神经网络来提取物体的特征，并通过回归和分类模型来实现物体的定位和分类。
3.2 深度学习的目标检测模型目前，基于深度学习的物体检测算法主要有两个流派：基于区域提议的方法和单阶段方法。
基于区域提议的方法通过生成候选框来定位物体，并利用CNN对候选框进行分类和修正。
基于TMS320DM642红外图像弱小目标单帧提取算法研究
图像 处 理 硬 件 平 台 以 Ｔ Ｉ公 司 的 视 频 处 理 专 用
Ｄ Ｐ芯片 Ｔ ３ ０ Ｓ ＭＳ ２ ＤＭ６ ２６ ０为主 处理 器 ，该芯 片最 ４ ．０
主要 的特 点是 内置 三个 可编程 的双 通道 视频 端 口，具 有视 频滤 波 、水 平缩放 功 能 ，支持 多种 视频 标准 （ 如
处 理机 为平 台，采用 多帧序 列检测 ，利 用 目标 的特 征 和运 动连 续性 ，算法 复杂 ，图像 处理 实时性差 。本 文
设计 了两种运行 于 自主设 计的 Ｔ ３ ０ Ｍ６ ２ＤＳ ＭＳ ２ Ｄ ４ Ｐ处 理平 台上 的快速 目标检测 算 法 ，算法 实现过 程 中充 分 结合 了硬件 处理平 台 的特 征 ，实验表 明本 文的 算法 能 有 效的检测 出弱小 目标 ， 同时具有 良好的实 时性 能 。
引 言
单 帧 红 外 图像 弱 小 目标 实 时 告警 是 警 戒 搜 索 系 统 提高 侦察警 戒 能力 的重要 体现 ，由于 系统 工作 模式 的特 殊性 ，弱 小 目标 提取 主要 通过 单帧 图像处 理 来完
成 。红外传 感器 在海 空 背景下 远距 离获取 的弱 小 目标 图像 ，其实 际背 景复 杂 ，有起 伏 ； 目标仅 占一 个或 几
刘志雄 ，姜 滨
（ 中光 电技术研究所 ，湖北 武汉 ４ ０ ７ ） 华 ３０ ４
摘要 ： 对海空背景红外 图像 中弱小 目 的特 点， 针 标 结合 自主设计的以Ｔ ３０ Ｍ６２ Ｓ ＭＳ ２ Ｄ ４ Ｐ芯片为主处 Ｄ
理器 的硬件处理平 台的资源性征 ， 设计 了两种适合硬件处理平 台实现的单帧 目标提取算法。实验证 明 该算法检测效率高，实时性好。 关键词：目标检测；梯度算法；硬件平台 中图 分类号 ：Ｎ １．３ Ｔ ９１ ７ 文献标 识码 ： Ａ 文 章编 号 ：１０．８ １ ０ ７０ ．１００ ０ １８９ （ ０ ）３０ ７ ．４ ２
一种红外图像序列弱小目标的检测方法
的检 测性能并且计算量较 低。
关键词： 小目标检测；红外 图像；红外弱小 目标；相 关检 测
中图分类号：Ｔ ７ １ Ｎ２ ５ Ｐ ５ ，Ｔ １ 文献标志码 ：Ａ
ｆ ｌ ｕｓ ｆ ｔｒ ｅ ｐ ｃ ｎ ｉ ｎ ｏ ｍａ ｉ ｎ ｔ ｌｔ ｅ ｎ ａ ｃ ａ ｇ ｔ ｄ ｔ ｃｉ ｎ ａ ｉ ｔ ｈ ｍａｌ ａ ｄ ｗｅ ａ ｇ ｔ ｕｌ ｅ ｏ ｇ ｔ ｓ ａ ｅ ａ ｄ ｔ ａ ｍｅ ｉ ｆ ｒ ｔ ｏ ｆ ｒ ｒ ｅ ｈ ｎ ｅ ｔｒ ｅ ｅ ｅ ｔ ｂ ｌ ｙ ｉ ｔ ｅ ｓ ｌ ｎ ａ ｔｒ ｅ ｏ ｉ ｈ ｏ ｉ ｎ ｋ
一
种 红外 图像序 列弱小 目标 的检 测方法
刘建华 ，毕笃彦 ，王红卫
（空军工程 大学 工程学院 ，西安 ７ ０ ３ ） １０ ８
摘要： 针对低信噪 比条件下红外弱小 目标 的相关检测算法存在的局限性 ， 本文提 出组合式相关检测算法 。 基于 Ｄ Ｔ Ｂ 的相关检 测算法运 算量小但检 测性能较 差 ， 而基 于 Ｔ Ｄ 的相 关检测算法检 测性能较 高 计算复杂。 Ｂ 但 根据对 两者优 缺 点的分析 ， 采用将 两种算法级联 的方法 ， 首先使 用基 于 Ｔ Ｄ的相关检测算法形成一个过渡帧 ， 以此 为基础使 Ｂ 再
第 ３ 卷 第 ｌ 期 ５ ０
２０ 年 １ ０８ ０月
光 电工程
Ｏｐｔ — ｅ ｔｏ ｉ ｇ ｎ ｅ ｉ ｏ Ｅｌ ｃｒ ｎ ｃＥｎ ｉ ｅ ｒｎｇ
Ｖ １ ５ Ｎｏ １ ｏ ． ， ．０ ３
０ｃ ． ０ ｔ ２ ０８
文章 编号 ： １０ —０ Ｘ（０ ８１—０ ８０ ０ ３５ １ ２０ ）００ ４— ６
基于图像分割算法的目标检测与识别研究
基于图像分割算法的目标检测与识别研究图像目标检测与识别是计算机视觉领域的一个重要研究方向。
它涉及到从图像中自动识别和定位特定目标的任务，并且在许多应用领域中具有广泛的应用，如自动驾驶、视频监控、智能交通系统等。
图像分割算法是目标检测与识别的基础，通过将图像划分成不同的区域，将目标与背景区分开来，从而实现目标的定位和识别。
在目标检测与识别中，图像分割算法起着至关重要的作用。
目标检测首先需要将图像中的目标与背景区分开来，然后再对目标进行识别和定位。
而图像分割算法则可以实现对图像中目标区域的准确划分。
目前广泛应用的图像分割算法包括传统的基于颜色、纹理或边缘的方法，以及近年来快速发展的基于深度学习的方法。
传统的图像分割算法通常基于低级的特征，如颜色、纹理和边缘等。
它们通过对这些特征进行聚类、分割和区域合并等操作，实现对图像的分割。
这些方法在一些简单的场景中具有较好的效果，但在复杂的场景中往往存在一定的局限性。
例如，当目标和背景具有相似的颜色或纹理时，传统的基于颜色或纹理的方法容易出现误检测或漏检测问题。
为了解决传统图像分割算法的局限性，近年来深度学习技术的发展为图像分割带来了新的突破。
深度学习算法能够从大量的图像数据中学习到高层次的特征表示，并通过神经网络进行端到端的训练，实现对图像生成语义分割结果。
其中，卷积神经网络（CNN）是一种常用的深度学习架构，在图像分割中取得了显著的成果。
基于深度学习的图像分割算法主要有两种：全卷积网络（FCN）和编码-解码网络（Encoder-Decoder）。
全卷积网络通过将全连接层转换为卷积层，实现了任意尺寸图像到图像的像素级别预测。
编码-解码网络则采用了编码器和解码器两个部分，编码器负责从图像中提取特征，解码器则将特征映射到原始图像的尺寸，并生成语义分割结果。
除了深度学习算法，还有其他一些基于图像分割的目标检测与识别方法。
例如，基于区域提议网络（RPN）的目标检测算法，它首先使用图像分割算法生成候选目标区域，然后再对这些区域进行分类和定位；还有基于形态学操作的目标检测算法，它基于图像形态学原理对目标进行分割和提取。
红外图像中弱小目标检测技术研究
红外图像中弱小目标检测技术研究红外图像中弱小目标检测技术研究摘要：随着红外图像技术日益发展和应用的广泛，红外图像中弱小目标的检测问题日益引起研究者的关注。
传统的目标检测方法在红外图像中表现出较差的性能，特别是在检测弱小目标时更为困难。
因此，本文对红外图像中弱小目标检测技术进行了深入研究，提出了一种基于深度学习的弱小目标检测方法，并进行了实验验证，证明了该方法的有效性和优越性。
第一章引言1.1 研究背景红外图像具有遥感、夜间监测等领域的广泛应用，然而在红外图像中，弱小目标的检测一直是一个具有挑战性的问题。
传统的目标检测方法在红外图像中无法准确地识别出目标，在弱小目标的检测问题上表现尤为明显。
1.2 研究目的本文旨在探索一种能够有效检测红外图像中弱小目标的技术方法，提高目标检测的准确性和鲁棒性。
第二章相关概念和理论2.1 红外图像红外图像是一种由红外辐射产生的图像，它记录了被物体辐射出的红外能量，常用于军事、医学、环境监测等领域。
2.2 弱小目标弱小目标是指在红外图像中大小较小、明暗度较低、形状不规则等特征明显弱于背景的目标，例如小型无人机、远程火炮等。
第三章弱小目标检测方法研究3.1 传统的目标检测方法传统的目标检测方法主要包括基于特征提取与分类器的方法，如Haar特征和SVM（支持向量机）方法等。
然而，这些方法对于红外图像中的弱小目标检测效果较差。
3.2 基于深度学习的弱小目标检测方法近年来，深度学习技术在图像处理领域取得了巨大的突破。
本文提出了一种基于深度学习的弱小目标检测方法。
该方法采用卷积神经网络（CNN）进行特征提取，并利用目标检测器进行目标的定位和分类。
实验结果表明，该方法在红外图像中检测弱小目标的准确率和鲁棒性较传统方法有明显提高。
第四章实验与结果分析本文在红外图像数据集上进行了实验，比较了传统的目标检测方法和基于深度学习的弱小目标检测方法的性能。
实验结果表明，本文提出的方法在检测弱小目标方面具有明显的优势，能够准确地定位和识别红外图像中的弱小目标。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
理论与方法
第］Ｉ卷第５期
基于图像块相关的弱小目标检测算法研究
郑利苹毛征 陆天舒彭超
北京
１００１２４）
（北京工业大学电子信患与控制工程学院
摘要：针对复杂云层背景下的弱小目标检测问题，提出了一种基于图像块相关的弱小目标检测算法。首先对图像进行灰度 值反转，然后利用相邻块之间相关性进行云层背景抑制的预处理，从而削弱复杂云层背景对弱小目标检测的干扰，最后对图 像进行灰度值拉伸处理，增强弱小目标，提高对目标的检测准确率。实验结果表明，提出的算法可抑制云层背景对弱小目标 干扰，实现复杂背景下弱小目标的检测。 关键词：弱小目标；图像块相关；背景抑制；光电目标检测
ｔａｒｇｅｔ
ｓｕｐｐｒｅｓｓ
ｔｈｅ ｄｉｓｔｕｒｂａｎｃｅ ｏｆ ｃｏｍｐＩｅｘ ｃｌｏｕｄ ｂａｃｋｇｒｏｕｎｄ
ｄｉｍ—ｓｍａｌｌ
ｄｅｔｅｃｔｉｎｇ。ａｎｄ ｒｅａＩｉｚｅ ｔｈｅ ｄｅｔｅｃｔｉｏｎ ｆｏｒ ｄｉｍ—ｓｍａｌｌ ｔａｒｇｅｔ ｓｔａｂｌｙ．
ｆ
Ｋｅｙｗｏｒｄｓ：
ｄｉｍ—ｓｍａｌｌ ｔａｒｇｅｔ；ｃｏｒｒｅｌａｔｉｏｎ ｏｆ ｉｍａｇｅ ｂｌｏｃｋｓ．ｂａｃｋｇｒｏｕｎｄ ｓｕｐｐｒｅｓｓｉｏｎ
一
Ｈ
Ｉ
宜蛉】税师ｌ截…
㈨２史蛉ｚ税卿！戡『斟
疆■身Ｉ优崩■呻－氓恫夫竹曩巩丌玎伸 ““，口）Ｉ［ｏ．ｏ．２）［ｏ．２．ｏ．４）［ｏ．４，ｏ．６）［ｏ．６．ｏ．８）［ｏ．８．１．ｏ）
比率％
ｏ．０７９
轮廓灰度值大大高于周围天空、云层内部灰度值，目标与 云层轮廓灰度对比度降低。为提高对弱小目标检测准确 率，检测前，先将灰度拉伸。川，增强目标与背景的对比 度，即增强弱小目标．抑制背景，削弱云层轮廓对目标 影响。 图像对比度增强处理方法为ｔ首先提取图像中灰度值 最大点．将此点灰度值设为Ｈ。对于图像中灰度值小于ＡＨ 的像素点，其灰度值设置为零，抑制背景影响ｌ对于图像中 灰度值大于＾Ｈ的像素点，其灰度值设置为２５５×厂（ｉ． Ｊ）／Ｈ，提高目标灰度值．如式（４）所示．从而达到增强目标 与背景间对比度的效果。
１、图ｚ两幅图中目标数量不同、目标距＾不同、所在云层
背景也不同，将这两幅图作为待识别目标辅量．其详细块 竹下手慧杵”’？市７：＝饥卞１书：吓丁
目标信息蕾较好保留。但云层背景抑翻效果差，同样为目 标检舅带来难度，且程序运行速度慢，实时性能差。本文
设置像素块大小为Ｍ＝Ⅳ＝２３，既保证了一定的检测可靠 性．也达到了处理的实时性。
ｏｎ
ａ
ｎｏｖｅＩ ｍｅｔｈｏｄ
ｔｈｅ ｃｏｒｒｅｌａｔｉｏｎ ｏｆ ｉｍａｇｅ ｂｌｏｃｋｓ ｉｓ ｐｒｏｐｏｓｅｄ．Ｆｉｒｓｔｌｙ．ｔｈｅ ｇｒａｙ ｖａｌｕｅ ｏｆ ｉｍａｇｅ ｉｓ
ｒｅｖｅｒｓｅｄ，ｔｈｅｎ ｔｈｅ ｃｏｒｒｅｌａｔｉｏｋｓ ｉｓ ｕｓｅｄ ｆｏｒ ｓｕｐｐｒｅｓｓｉｎｇ ｃｌｏｕｄ ｂａｃｋｇｒｏｕｎｄ。ｓｅｑｕｅｎｔｉａｌｌｙ ｔｈｅ ｄｉｓｔｕｒｂａｎｃｅ ｏｆ ｃｌｏｕｄ ｂａｃｋｇｒｏｕｎｄ ｉｓ ｒｅｄｕｃｅｄ．Ａｔ
一
转．然后求以像素点（“ｔ口）为中心、大小为Ｍ×Ｎ像素块的
灰度平均值ｔ
√∑∑（厶．＋一五．ｔ）。√∑∑（厶一。一九。）２ ～ⅧＪⅧｚ
Ｔ¨Ⅷ一ｗ￡
（１）
∑∑“。
－＿．．；
＾ｆ×Ｎ （２）
式中：。，■．．州是以像素点（“，口）为中心．大小为Ｍ×Ｎ的像
再用以像素点（“＋１，”＋１）为中心、大小为Ｍ×Ｎ的
素块中像素点（“＋ｆ，口＋Ｊ）的灰度值，－Ｉ．．为像素块的灰度
检测问题。在实际目标检测跟踪系统中，常用的相关匹配 算法有两类ｔ一类强调景物之间的差别程度，即最小误差 法，另一类强调景物之问的相似程度，即相关系数法和积 相关匹配法嘲。在弱小目标检测图像中．目标仅占几个、 测的影响。
２抑制云层背量算法
在复杂云层背景下的弱小目标检测中，云层背景占据 很大一部分视场，且云层背景灰度能量远大于目标的灰度 能量，为其识别带来很大难度。为此在对弱小目标检测之 前，先削弱云层背景对目标检测的影响，根据图像块相关 性质．作如下处理。 首先将光电灰度图像（红外图像无需反转）灰度值反
４４３—４４９．
［７］刘艳红，李明，张永梅．两种计算机图像分割技术对比 研究［Ｊ］．山西农业大学学报，２００８。２８（２）：２３卜２３３． ［８］刘莹，曹剑中，许朝晖，等．基于灰度相关的图像匹配 算法的改进［Ｊ］．应用光学。２００７，２８（５）：５３６—５４０． ［９］赵海燕，白青海．裴志利．车牌字符分割前的颜色预处 理［Ｊ］．内蒙古民族大学学报。２００４，１９（２）：１５７—１５８． ［１０］段群，吴粉侠，韩改宁．一种基于Ｃｕｒｖｅｌｅｔ变换的指纹 图像增强方法［Ｊ］．电子测量技术，ｚ００９，３２（２）：
平均值，ｙ（“，。）为块相关系数。块相关系敢是两像素块之
像素块中每一个像素的灰度值分别碱去－＿．。．并判断所得
差值Ｐ（Ｈ＋１＋ｉ．＂＋Ｊ）的大小。若差值卢（“＋１＋ｉ．口＋ 』）＞Ｏ．则该点像素灰度值赋值为弘（＂＋１＋ｆ，口＋Ｊ）Ｉ若差
间的相似程度的度量。ｙ（＂，口）取值范围为［一ｌ。１］，Ｉ
ｙ（“，
Ｉ图像袭度值敢反Ｉ
ｌ云层背景抑制ｌ
Ｉ荻度拉伸，增强对比度
ａ）原圉像
彻背景抑制后图像
图７
（ｃ）荻度拉仲后图像
目标轮廓模糊的复杂背景图像处理结果
３４
中国科技核心期刊
万方数据
己口Ｉ己年５月 第］Ｉ卷第５期
图５（ａ）为两目标轮廓较清晰的原图，云层背景较为 复杂．图６（ａ）为两目标翻转时的原图．此时目标像素减 少，目标机翼轮廓很难确定．图７（ａ）中目标距离较远．目 标轮廓模糊（图中以圆圈标出目标所在位置）。图５（ｂ）、６ （ｂ）、７（ｂ）为利用图像块相关进行背景抑制后的图像，云层 背景得到了较好抑制．对目标检测干扰明显减弱。目标信 息损失较少。图５（ｃ）、６（ｃ）、７（ｃ）为经过灰度拉伸处理后 的图像，目标与背景间灰度对比度增强。 在图７中．经过背景抑制后的图像如图７（ｂ）所示，其 云层轮廓灰度值较高，对目标检测有一定影响，经过灰度 拉伸处理后，云层轮廓得到较好的抑制，如图７（ｃ）所示。 ［３］罗鹏，李世平，周云．基于自适应线性元件的周期误差 分离研究［Ｊ］．国外电子测量技术，２０１ｌ，３０（６），１３‘１７． ［４］杜奇，向健勇，袁胜春．一种改进的最大类间方差［Ｊ］．
基于现代高科技条件下的战争对武器系统的高层次 要求，在目标监控环节中．应能满足目标在很远距离就能 被实时检测及跟踪．使防空反导武器系统有足够反应时间 以精确制导。但此时视场中的目标较为弱小且伴随着复 杂云层背景干扰．给检测及跟踪带来一定困难。在目标检 测中，云层边缘及碎云常会被当作目标被检测出来．造成 检测不准确影响跟踪精度。所以在目标检测时就需要尽 可能抑制复杂背景的干扰．消除噪声。 目前常用处理方法有背景预测‘“、ＴＤＬＭＳ滤波器‘２’钉 及闲值分割算法等。背景预测方法在图像信噪比较高时 检测效果良好。但若背景起伏较大、信噪比较低时．背景起 伏边缘如亮云层边缘常被误检为目标。ＴＤＬＭＳ滤波器 原理是通过背景信息．预测出被目标覆盖的背景．获得背 景预测图．将原图与预测图相减．从而检测出目标。但由
ｔｏ
ｌａｓｔ，ｔｈｅ ｇｒａｙ ｖａｌｕｅ ｏｆ ｉｍａｇｅ ｉｓ ｓｔｒｅｔｃｈｅｄ，ｉｎ ｏｒｄｅｒ
ｔａｒｇｅｔ ｔｏ
ｅｎｈａｎｃｅ ｄｉｍ—ｓｍａｌｌ ｔａｒｇｅｔ．ａｎｄ ｉｍｐｒｏｖｅ ｔｈｅ ｃｏｒｒｅｃｔ ｐｒｏｂａｂｉｌｉｔｙ ｏｆ ｔｈｅ
ｃａｎ
ｄｅｔｅｃｔｉｏｎ．Ｔｈｅ ｅｘｐｅｒｉｍｅｎｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｎｏｖｅｌ ｍｅｔｈｏｄ
式（３）所示ｔ
，
ｆＰ（Ｈ＋ｌ＋ｆ・口＋Ｊ）・
（Ｈ≥ｏ） （“＜ｏ）
…
、。’
ｏ一件“井１州一１０，
测图像中像素块问具有很强的相关性．
以实验中较为典型的两幅弱小目标检嗣田为倒，图
目标像素块的大小对检测、处理速度有一定影响。当 像素块较小时，虽能很好抑制云层背景干扰，但目标也褥 到较大程度抑制，为目标检测带来难度Ｉ当像素块较大时．
红外技术，２００３，２５（５）ｔ３３—３６．
［５］孙红光．卜倩，李欢利，等．基于０Ｔｓｕ分割的云层背 景下弱目标检测算法研究口］．东北师大学报：自然科
学版，２００９．４ｌ（２）１７９—８３．
［６］胡敏，李梅。汪荣贵．改进的Ｏｔｓｕ算法在图像分割中 的应用［Ｊ］．电子测量与仪器学报，２０１０．２４（５）；
。）Ｉ值越大。说明两像素块问的线性相关程度麓商，ｆ““， 口）ｌ值越接近ｏ，说明两像素块问的线性相关程度越低。通
常ｌ““．ｏ）Ｉ＞Ｏ．８时．认为两像素块问具有很强的线性相 关性。通过对大量复杂云层背景下弱小目标检舅图像进行 实验。统计实验所得数据可看出，云层霄景下弱小目标检
值口（“＋ｌ＋ｆ。口＋』）＜Ｏ，则该点像素灰度值赋值为ｏ，如
’ｐ啼■Ⅺ嘛 ～ｒ、＿・．
—ｋ’■－。，
‘
３弱小目标检测
根据上述抑制云层背景算法对复杂云层背量下的弱 小目标图像进行处理，实验处理屎田如图３（ａ）所示，抑制
云层背景后图像如图３（ｂ）所示．在圈３（ｂ）所示．云层对 目标的影响已得到较好的抑制．成块云层背景对弱小目标 检测已无干扰。但在云层背景干扰非常大的情况下，云层
巾国科技核心期刊
万方数据
理论与方法
。露露辫黼黼燃濑黼黼辅—ｌ———一
… ”’
Ｉ Ｉ
己口ｌ己年５月
第３Ｉ卷第５期——一
７“’’”｛ｏ，
…、
ｆ２５５×，（ｉ，Ｊ）／Ｈ，，（Ｉ，ｊ）≥＾Ｈ ｒ（“Ｊ）＜＾Ｈ
复杂云层背景下弱小目标检测流程图如图４所示。
式中：＾Ｈ为抑制背景所设分割阈值““，其中Ａ∈（ｏ．１）．通 过大量实验数据得知，＾最佳取值应在［ｏ．５５，ｏ．６５］之间，实 验中＾取值为ｏ．６。当＾值较小时，阈值分割易将云层背景轮 廓提取出来增强其灰度值，导致误判为目标；而当＾值较大 时，阈值分割易丢失目标信息，目标边缘像素灰度值较小， 与背景灰度接近易被当作背景剔除．增加目标检测难度。