复杂背景下红外目标检测方法研究+文献综述(4)
红外成像制导技术具有隐蔽性好、抗干扰能力强的特点，越来越受到研究人员的重视。红外弱小目标的检测技术是红外成像系统中的核心技术之一，它利用图像处理算法对处于杂乱背景和强噪声环境中的目标进行自动检测，算法的性能对红外成像系统的作用距离和智能化程度十分关键。
为了尽可能早的发现目标，使防御系统拥有足够的反应时间，要求目标在很远就能被探测到。此时目标在图像上只占有一个或几个像素的面积，并且由于战场环境复杂、大气热辐射的不均匀性、探测器的内部噪声等因素的影响，目标几乎淹没在杂波背景中，不具有形状和结构信息，有时甚至可能丢失目标，给弱目标检测带来了很大的难度。
红外成像系统面对的目标背景可能是天空、地面或海洋等，背景辐射在红外探测器上所形成的辐照度在某种条件下会比目标在探测器上产生的辐照度高出几个数量级，并且变化复杂，因此研究复杂背景条件下运动弱小目标检测技术对实战的意义非常明显。继续探索复杂背景下的弱小目标检测的理论和算法，对精确制导武器的长足发展，对现代战争以及未来战争都具有深远的意义。
1．3 国内外研究现状
红外弱小目标检测领域经过几十年的发展，提出了很多种检测方法和思路。最早的算法是基于单帧的检测方法。随着研究的不断深入，图像序列不是每一帧弱小目标的特征十分明显，单帧检测带来了较高的虚警率和漏警率，弱小目标最为显著的特征是它的运动信息即运动轨迹或航迹。由此发展而来产生了单帧检测、多帧判别的方法，根据跟踪与检测的顺序不同，又分为检测前跟踪和跟踪前检测，这就将弱小目标检测与跟踪结合起来，提高了算法稳定性。下面根据不同目标检测判别的方法对弱小目标检测领域研究现状进行简要的介绍。
1.3.1 空域背景预测
空域背景预测方法也称为背景抑制法，是一种基于单帧的弱小目标检测方法。该方法利用图像背景区域的红外辐射在空间分布上存在着较强的相关性，而弱小目标区域则没有，对弱小目标图像进行预测得到预测图像。再将原图像与预测图像做差得到残差图像，在该图像中目标部分得到了增强，背景部分得到抑制，从而增强了图像信的信噪比，最后对残差图像进行分割得到检测结果。该算法中，预测模板的选取是决定算法性能的关键因素。
1.3.2 形态学滤波
形态学滤波法是基于数学形态学的弱小目标检测方法。通过对图像进行形态学的开运算得到一幅图像，由于弱小目标面积较小，若形态学元素选择合适，经过开运算后得到的图像中弱小目标区域就消失了，将该图像与原图像做差得到差值图像，在该图像中信噪比就得到了提高，再对该图像进行分割就能得到检测结果。
1.3.3 高阶累量
高阶累量方法是将图像中弱小目标检测问题转化为在高斯信号中非高斯信号的检测问题。对于一个随机过程，不同阶的累积量有着不同的特性，一个零均值的高斯随机过程的二阶矩与二阶累积量相同，高阶（三阶及以上各阶）累积量恒等于零，根据该特性，高阶累量可以用于高斯噪声中非高斯信号的检测。将图像中每个像素看作一个探测单元，随着时间的推移可构成一个一文信号，当像素上无弱小目标经过时可以认为是一个高斯随机过程，若有弱小目标经过时会出现一个类似脉冲信号。因此，弱小目标检测问题就转化为了高斯信号中非高斯信号的检测问题。
1.3.4 SUSAN
SUSAN 方法最先用于检测图像中的边缘部分，该算法是一种吸收同值核区方法。由于该算法基于局部区域具有较强的抗噪性，根据它所提取出的图像边缘部分较为准确。SUSAN 方法表示出了图像区域的纹理结构，而目标区域也可以认为是一种特殊的纹理结构，因此，将其改进后可以用于弱小目标的检测问题