论文部分内容阅读
红外弱小目标检测是精确制导领域中的关键技术之一,在飞机的红外搜索与跟踪（Infrared Search and Track,IRST）系统、红外成像与制导系统以及一些军事设施的预警系统中有着举足轻重的地位。为了高效、可靠、稳定地检测红外弱小目标,需要对复杂背景下的红外弱小目标检测方法进行全面、深入的研究。本文的主要工作如下:首先,提出了一种基于多尺度红外超像素图像模型的弱小目标检测方法。采用超像素方法分割原始红外图像,得到无重叠区域的超像素图像,不仅充分利用了红外图像的局部空间相关性,还避免了由冗余信息所带来的计算负担;引入多尺度理论,进而融合多个不同尺度下检测的目标图像,可以增强算法检测不同尺寸目标的稳健性。实验结果表明,与Top-Hat方法、Max-Mean方法、Max-Median方法、二维最小均方（Two-Dimensional Least Mean Square,TDLMS）方法、局部显著性图（Local Saliency Map,LSM）方法、红外块图像（Infrared Patch-Image,IPI）方法相比,该方法具有更好的背景抑制效果及更强的对目标尺寸的适应性。然后,提出了一种基于分数阶函数的重加权低秩与稀疏逼近的红外弱小目标检测方法。采用基于分数阶函数的重加权核范数与1l范数可以更好地逼近矩阵的秩与0l范数,从而能够更有效地保留强边缘等背景杂波,以及抑制目标图像中的非目标稀疏成分;同时,新的基于分数阶函数的重加权机制可以减少算法的迭代次数,加快收敛速度,从而缩短检测时间。大量实验结果表明,与Top-Hat方法、TDLMS方法、加权局部差分度量（Weighted Local Difference Measure,WLDM）方法、IPI方法、基于奇异值部分和最小化的非负红外块图像模型（Non-negative Infrared Patch-Image Model based on Partial Sum Minimization of Singular Values,NIPPS）方法、重加权红外块图像（Reweighted Infrared Patch-Image,ReWIPI）方法相比,该方法的背景抑制效果更佳,目标检测的准确率更高,且在运行速度方面具有一定的优势。最后,提出了一种基于内容感知的红外块组模型的弱小目标检测方法。采用基于相似块组合的红外块组模型可以更好地满足背景块图像的低秩假设,从而获取更多背景图像中的细节特征;将引入了内容感知的奇异值部分和最小化与基于数据驱动的区域冗余先验相结合,可以解决具有较大梯度的图像块的欠采样问题,将强边缘等杂波更好地保留在背景图像中,实现了自适应的红外弱小目标检测。大量实验结果表明,与Top-Hat方法、相位谱傅立叶变换（Phase Spectrum of Fourier Transform,PFT）方法、多尺度块对比度度量（Multiscale Patch-based Constrast Measure,MPCM）方法、IPI方法、加权IPI（Weighted Infrared Patch-Image,WIPI）方法、NIPPS方法相比,该方法在背景抑制与目标检测两方面取得了更好的平衡。