【摘要】：針對(duì)天空背景下云層對(duì)弱小目標(biāo)的干擾,以及靶場(chǎng)實(shí)驗(yàn)中觀測(cè)設(shè)備所產(chǎn)生的拖影現(xiàn)象對(duì)目標(biāo)檢測(cè)所帶來(lái)的干擾等問(wèn)題,提出了一種基于局部行像素對(duì)比度的空中紅外弱小目標(biāo)檢測(cè)算法,用于檢測(cè)低信噪比條件下的空中紅外弱小目標(biāo)。該方法利用中值濾波和形態(tài)濾波獲取濾波圖像,結(jié)合目標(biāo)區(qū)域像素特點(diǎn)提取濾波圖像中感興趣區(qū)域,然后利用局部行像素對(duì)比度的方法檢測(cè)目標(biāo)位置,極大提高了檢測(cè)效率,縮短了檢測(cè)時(shí)間。從理論上介紹和分析了該算法對(duì)紅外弱小目標(biāo)圖像檢測(cè)算法的有效性,并通過(guò)Matlab仿真實(shí)驗(yàn)與其他檢測(cè)算法進(jìn)行了對(duì)比。實(shí)驗(yàn)結(jié)果表明,所提算法能夠在低信噪比條件下更加有效地檢測(cè)出空中紅外弱小目標(biāo),檢測(cè)精度更高、效果更好。
【圖文】：

枷窠鈉寫(xiě)?理，提高圖像的信噪比，然后利用本文提出的局部行像素對(duì)比度方法對(duì)目標(biāo)進(jìn)行檢測(cè)，這樣可以通過(guò)單幀圖像檢測(cè)出紅外弱小目標(biāo)，，最后結(jié)合Kalman濾波預(yù)估計(jì)位置信息的方法，進(jìn)行位置目標(biāo)位置估計(jì)，為下一幀目標(biāo)檢測(cè)縮小范圍，提高檢測(cè)效率。2本文算法的相關(guān)知識(shí)由CHEN等人提出的局部對(duì)比度策略是一種基于像素級(jí)信息進(jìn)行的目標(biāo)檢測(cè)算法，其基本思路是通過(guò)計(jì)算每個(gè)像素點(diǎn)所在區(qū)域與周圍區(qū)域的差異來(lái)突出弱小目標(biāo)，并抑制背景［14］。文獻(xiàn)［14］中對(duì)局部對(duì)比度檢測(cè)模型進(jìn)行了詳細(xì)介紹，這里簡(jiǎn)要概括如下。如圖1所示，局部對(duì)比度檢測(cè)是通過(guò)一個(gè)滑動(dòng)窗口Q模板對(duì)每幀圖像E中的像素進(jìn)行檢測(cè)處理，R表示當(dāng)前幀圖像中目標(biāo)所在區(qū)域，該方法通過(guò)不斷移動(dòng)模板窗口，使其遍歷整幅圖像后確定出目標(biāo)位置。圖2表示模板Q內(nèi)部分割處理方式。模板Q將其所在區(qū)域分割為如圖2所示的9個(gè)不同單元，這9個(gè)單元大小相同，中心位置被記作“0”號(hào)單元。圖1局部對(duì)比檢測(cè)窗口圖2模板Q內(nèi)部分割Fig．1LocalcontrastFig．2InternalsegmentationdetectionwindowoftemplateQ檢測(cè)步驟如下所述。1)“0”號(hào)單元最大像素值為L(zhǎng)n=maxI0jj=1，2，…，N0(1)式中:I0j代表“0”號(hào)單元中第j個(gè)像素點(diǎn)的灰度值;N0表示每個(gè)單元中所含像素總數(shù)。2)1～8號(hào)單元內(nèi)平均灰度值為mi=1NiΣiIijj=1，2，…，Ni，i=1，2，…，8(2)式中:Iij表示第i個(gè)單元中第j個(gè)像素的灰度值;Ni表示第i個(gè)單元中所含像素總數(shù);i表示1～8的單元序列號(hào)。3)局部對(duì)比度值Cn為Cn=mini(L2n/mi)i=1，2，…，8。(3)4)將步驟3)中計(jì)算的局部對(duì)比度值Cn代替“0”6電光與控制第23卷

恢媚勘晡恢霉蘭疲嚅

本文編號(hào)：2548673