一种的背景预测方法在红外弱小目标检测中的应用.doc

《一种的背景预测方法在红外弱小目标检测中的应用.doc》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、一种新的背景预测方法在红外弱小目标检测中的应用   摘要：针对空中红外弱小目标的检测，提出了一种新的背景预测方法.该方法对云层边缘区域的点采用亮暗点分类，寻求最相似点的方法进行预测；对非边缘区域的点采用基本背景预测法进行预测；最后经过背景对消和阈值分割，将弱小目标检测出来.实验结果表明，该方法能够提高对起伏背景预测的准确性，减小由于云层边缘预测不准确而引起的虚警，从而能够更加有效地检测到弱小目标.   关键词：背景预测 红外弱小目标 目标检测   红外弱小目标检测技术作为红外成像制导中的关键技术之一，越来越受到人们的重视.但由于红外弱小目标具有距离远、面积小、

2、形状特征弱、细节特征部分丧失、信噪比低等特点，对红外弱小目标的检测依然具有极大的挑战性.   目前，基于背景预测的红外弱小目标检测技术得到了很大的发展.主要包括基本背景预测法[1]、自适应背景预测法[2]、分块背景预测法(包括区域最大化背景预测法[1]、区域最小化背景预测法[3]、区域均值背景预测法[4]、区域最相似背景预测法[1])、基于神经网络的背景预测方法[5]等.在图像信噪比较高、背景较均匀的情况下，这些方法检测效果良好；但当背景起伏较大，图像信噪比较低时，在背景的起伏边缘就会出现较多的虚警.以含有起伏云层的天空背景为例,当图像信噪比较低时，云层边缘预

3、测值与真实灰度值之间就会产生较大差异，检测结果会出现以云层亮边缘为主的虚警点.因此，应尽可能地对边缘进行准确预测，使残差图中边缘被极大抵消，达到抑制背景、突出目标的目的.鉴于此，本文提出一种新的基于边缘区域亮暗点分类的背景预测方法，以减小起伏背景对检测结果的影响.1红外弱小目标图像特性分析   红外图像是利用红外探测器扫视被摄景物空间而获得的红外热辐射图像.红外弱小目标图像可描述为：   f(x，y)=s(x，y)+b(x，y)+n(x，y)                   (1)式中，(x，y)为像素点的坐标，f(x，y)为在红外焦平面传感器获取的场景图

4、像，s(x，y)、b(x，y)和n(x，y)分别为红外目标、红外背景和噪声的图像.   红外图像中的弱小目标尺寸很小,一般为几个或十几个像素，没有形状、大小和纹理等特征，缺乏结构信息，图像中惟一可供利用的是弱小目标的灰度信息.红外背景是指图像中的非目标区域，在图像中主要是大面积缓慢变化的低频成分，在灰度空间分布上具有较大的相关性.图像中噪声主要来源于探测器电路噪声，属于图像中的高频成分，可近似认为服从高斯分布，在灰度空间上的分布是随机的，与背景图像没有相关性.图像的信噪比较低，目标点极易被噪声和背景淹没，所以从背景出发进行弱小目标的检测更为合理.2背景预测方法

5、的基本思想   背景预测方法的基本思想是：背景中点的灰度值与周围像素点的灰度值相关性较强，而弱小目标点上的灰度值与周围背景像素点的灰度值相关性较差.因此，将图像中各点的灰度值用它周围区域点的灰度值进行预测，则背景中点的实际灰度值与预测值近似，两者相减得到的预测残差很小，而目标点的实际灰度值与预测值相差较大，预测残差较大.此时在残差图上进行门限检测即可得到目标.背景预测的目标是：使背景灰度的预测值尽可能接近真实值，而目标灰度的预测值尽可能远小于真实值，以使残差图中背景尽可能被消掉，目标尽可能被突出.   基本的背景预测模型可表示为：   式中，X是尺寸为M×N的

6、输入图像，Y是预测图像，Wj是第j级的权重矩阵，j=m×M+n对应着当前位置，Sj对应着局域背景选取点的范围集合，属于Sj的像素点个数是有限的，设为L.   预测图像与输入图像之间的残差图像为：   式中，X是原始输入图像，Y(m，n)是预测图像.这样，目标检测问题就转化为在残差图像上进行阈值检测.3背景预测方法介绍   根据权值的不同取法，现有背景预测方法可分为以下几类：基本背景预测方法、分块背景预测方法、基于边缘区域亮暗点分类的背景预测方法等.3.1基本背景预测方法   基本背景预测的权重为固定权值.按权值的取法可对应成如下的滤波器模板：         

7、 h1、h2、h3模板均适用于点目标和弱小目标，h2、h3模板的兼容性更好一些.3.2分块背景预测方法   分块背景预测法是将像素点周围背景以该像素点为中心划分为四个区域，分别以这四个区域中的最大值、最小值、均值、最相似值作为预测点的预测值，获得预测图，依次称为区域最大化背景预测法、区域最小化背景预测法、区域均值背景预测法、区域最相似背景预测法.   分块背景预测法在某些情况下可对背景实现有效预测，但其存在如下问题：当弱小目标灰度值较低且位于亮云层边缘时，采用区域最大化背景预测法，目标的灰度预测值就会接近周围的亮背景，预测值会比较大，则残差后目标点处的残差值会

8、比较小，使得与背景的对比度较低，无法正