西北工业 大学硕七学位论文第一章绪论
第一章绪论
１．１研究背景
利用红外成像实现自动目标检 测、识别与跟踪是现代军事武器装备的主要
技术发展方向。近年来，在一些局部战争中，红外成像技术显 示出巨大的威力，
其应用主要在于机载成像搜索跟踪系统以及武器制导等方面。例如，在１９９１年的海湾战争中，战争从开始、作战到结束都是在夜间进行，美国的Ｆ－１１７隐形战
斗机、阿帕奇直 升机等都装备有先进的夜视装置，正因为这些优势，所以在战争
期间多国部队掌握了绝对的主动权。另外 ，在战争期间，美国发射了六百多枚“战
斧”巡航导弹，其成功率高达为８５％。在仅仅西天的地面战争 中就摧毁了伊拉克
三千多辆坦克，两千多辆战车，两千多门火炮，这些主要是由所采用的红外制导
导弹完成。此后，以红外成像制导为主的精确制导武器在战争中的使用量不断上
升。海湾战争中，以美 国为首的多国部队用８％的精确制导武器击毁了８０％的目
标。１９９９年．以美国为首的北约对南联盟 的科索沃的战争中，精确制导武器的使
用量已上升到３５％；在２００１年１１月阿富汗战争中，精确制 导武器的使用量占到
６０％，在２００３年３月美英联军发动的伊拉克战争中，精确制导武器已占全部使
用武器的６８％，这当中红外成像制导武器占了很大的比例ｌｌｊ。伊拉克战争中，红
外制导武 器的大量使用，为在４０天内打赢这场战争起到了关键作用。可见，红
外技术是未来战争中实现全天候作 战的一种重要技术，是解决低能见度问题的最
好手段，在将来的高技术局部战争中将起到至关重要的作用 。
红外成像制导技术研究始于２０世纪７０年代，是由弹上的红外导引头，利用
目标辐射的红外 信息，实现对目标的捕获、跟踪导引导弹或弹药命中目标的一种
被动寻的制导技术。红外成像制导一般工 作在两个波段，即３Ｌｍ～５Ｌｍ、
８Ｌｍ～１４Ｌｍ，其中工作在８Ｌｍ～１４Ｌｍ波段性能更佳。随 着红外器件技术的发展，
红外成像制导技术迅速发展起来，目前已发展到第三代【２Ｊ。
第一代 红外成像制导是采用单点红外探测器或线列红外探测器，利用光机扫
描结构实现二维成像。其典型代表是 美国休斯公司研制成功的发射前锁定目标的
ＡＧＭ．６５Ｄ幼畜反坦克导弹和ＡＧＭ．６５Ｆ反舰导弹以 及发射后锁定目标的

西北Ｔ业大学硕士学位论文
第一章绪论
ＡＯＭ．８ ４Ｅ斯拉姆导弹。这类武器在八十年代中期之前开始装备部队，往往需要
在发射前由人工参与捕获目标。 其红外实时成像系统是由４ｘ４元光导碲镉汞探
测器的串并扫描而成像的，工作波长为８－１４Ｌｍ。< br>第二代红外成像制导是电子自扫描凝视红外焦平面成像制导，于２０世纪８０
年代在美国和西欧同 时开始研制。由于无需光机扫描成像，系统结构紧凑，且灵
敏度、精度和可靠性大大提高，促进了红外成 像制导小型战术导弹的发展。凝视
红外焦平面阵列器件在美国和日本发展很快，其中３－ＳＬｍ中波段器 件已发展到
５１２ｘ５１２元，锑化铟光伏器件已达２５６ｘ２５６元，长波８－１２Ｌｍ光伏碲镉汞／ 硅ＣＣＤ
混合焦平面探测器已达１２８ｘ
１２８元。而且焦平面探测器正在向着商密集度、多< br>光谱、多响应度、高探测率、高工作温度方向发展。这类导弹的典型代表有美国
的海尔法（Ｈｅｌ ｌｆｉｒｅ）导弹、ＡＩＭ一９Ｘ空空导弹（１２８ｘ
１２８元）、ＡＡＷＳ．Ｍ反坦克导
弹（ ６４ｘ６４元长波）以及德、英、法三国联合研制的远程崔格特（Ｔｒｉｇａｔ）导弹等。
这类武器在八 十年代末到九十年代初开始装备部队。
第三代红外成像制导是将凝视红外焦平面（ＦＰＡ）探测技术与模 式识别相结
合，形成自主式的智能导引系统，具有很强的抗红外干扰能力、自动捕获目标能
力和 复杂情况下的自动决策能力，这类制导系统的导引头正在开发研制和试验之
中．
目前红外成像系 统的研究主要集中在下面几个方面：焦平面探测器阵列的
研究、图像信号处理器硬件系统的研究、各种检 测、识别和跟踪算法和软件的研
究。随着探测器水平和图像信号处理器处理能力的提高，各种复杂的算法 得以在
系统中实时运行。近年来针对复杂背景和各种干扰条件下的检测和识别的新算法
不断涌现 ，更加智能化的状态判决和跟踪处理算法也得以应用，尤其是有关红外
弱小目标检测技术也得到迅速发展 。
为了使武器系统具备足够的防御反应时间，要求目标在很远就能被探测到。
但当距离较远时， 这些目标在焦平面上成像的面积很小，一般不超过探测器像元
的大小，且信噪比极低，无纹理特征，目标 有时会湮没在背景中等。因此，红外
弱小目标的检测技术就成为了决定红外成像系统性能好坏的核心技术 之～。
综上所述，红外弱小目标检测是红外搜索跟踪系统、红外预警系统、红外
成像跟踪系统的 核心技术之一，也是近十几年来国内外研究的热点之一。红外弱
小目标检测的研究对红外成像制导和红外 预警系统的作用距离和智能化程度十
分关键，其研究成果对提高区域防御系统的生存力、有效反击能力以 及在未来战
争中争夺制空权具有重要的军事意义和实用价值，同时该研究在民用领域也有广
阔的 应用前景，如天文观测、粒子碰撞、森林预警以及遥感等。
２

西北丁业大学硕士 学位论文
第一章绪论
１．２红外图像弱小目标检测中的若干问题
１．２．１红外图像弱 小目标检测中的有关概念
红外图像中的弱小目标【３】，“弱”和“小”指的是目标属性的两个方面，所
谓“弱”是指目标的强度，反映到图像上就是指目标的灰度；所谓“小”是指目
标的尺寸，反映 到图像上就是指目标所占的像素数。
目前，红外成像系统的作用距离一般可达到１０公里左右，如果目标 为来袭
的导弹或飞机，可以假设其迎头方向几何尺寸在ｌ米至５米之间，这样目标对于
成像系统 来说大小为Ｏ．］ｎ［１ｒａｄ至Ｏ．５ｍｉｎｄ之间。目前军用的红外成像系统的空间
分辨率大致为Ｏ ．１ｍｍｄ，上述目标就在１个像素至５个像素之间。据此，可以认
为所涉及的弱小目标是指在图像上大 小在ｌ×１个像素至６×６个像素之间的目
标。另外，红外弱小目标可以认为是几何尺寸小到几乎没有形 状信息的目标。从
红外成像的一般概念出发，认为一般要对目标的形状进行识别需要６条线以上，
所以６ｘ６以下的目标可以认为基本没有形状信息。
另一方面，由于我们所研究的目标基本上位于红外 成像系统的极限作用距
离上，所以其信号强度较弱，表现在两方面，即对比度和信噪比。
在图形 图像学中对比度描述的是目标与周围背景之间灰度或亮度的差异。
对比度的定义较多，下面列出常用的三 种：
ｑ＝皋毒
Ｃ２＝警
上Ｕ口
（１．２）
Ｃ３＝芒毛
（１， ３）
上列三式中的Ｇｒ代表目标的灰度，ＧＢ代表背景的灰度，Ｇｊ。为图像的最高
灰度值，Ｇ Ⅲ。为图像的最低灰度值。式（卜１）和式（卜２）中的ｃｔ和ｃ２常被称为相

西北工业 大学硕士学位论文
第一章绪论
对对比度，而式（１－３）中的ｃ１被称为绝对对比度［４１。< br>信噪比指目标强度与噪声强度之间的比值。对于图像中的目标检测问题，
信噪比可以用下式定义：
ＳＮＲ＝鼍产
（１－４）
其中，盯为背景的均方差，Ｇ、Ｇ。与前代表意义相同。综上所述，一般认为，红外弱小目标是指在红外图像中对比度和信噪比较
低、像素尺寸较小的目标。 一般情况下认为对比度小于１５％，信噪比小于４，像
素尺寸小于６Ｘ６的目标为弱小目标。
在 红外图像中目标强度较弱，基本上被背景图像和噪声所淹没。由于没有
形状、大小、纹理等特征，采用传 统的图像处理技术仅从单帧图像中检测目标是
不够的，必须采用单帧检测和基于目标运动特征的序列检测 相结合的方法，以达
到抑制背景、检测目标、跟踪航迹的目的。
１．２．２红外图像弱小目标检 测及其难点分析
红外弱小目标检测被广泛应用于红外告警系统中，具有重要的战略应用价
值，是 近几年来信息处理研究中的热点课题，但同时也是这个领域的难点，存在
以下几个方面的问题。
（１）信噪比（ｓＮＲ）很低
由于红外辐射强度与距离的平方成正比，在远距离情况下，探测器接收到< br>的目标信号强度很弱，一般情况下，图像信噪比很低。因而红外弱小目标检测问
题是一个低信噪比 弱信号检测问题。
（２）可用的信息量少
探测器距目标较远，获得的目标图像呈点状，区别目标 与噪声的依据，只
有目标的运动特征和目标点与噪声点的灰度差异，没有任何形状信息可以利用。
（３）背景信息复杂
大气层中云层的红外辐射，地面、地形和建筑物的干扰不仅强度大，而且
具有较强的空间结构。其中云层对空中红外目标干扰量大，因此给目标检测带来
了很大的困难。
（４）信息处理量大
目标检测的范围在整个图像空间中，由于图像的低信噪比，为了正确检测
目 标和确定其在图形中的位置，必须利用单帧检测和多帧检测相结合的方法。因
４

西北‘Ｔ业大学硕十学位论文第一章绪论
此检测过程存在大量的多帧图像信息，图像检测将在整个三维图 像中进行轨迹搜
索和检测，这就使得需要处理的数据信息量相当巨大。
另外在自然环境中，目标 和背景的成像条件是不可控制的，随即变化的因
素和背景信息给目标检测识别带来很大的困难。由于红外 传感器工作在大气热辐
射环境中，因此图像背景有起伏干扰。
现有的常规目标检测方法大多是基 于目标分析的，即图像分析的着眼点放
在目标上，检测算法试图从目标本身提取出各类特征，并使其具有 大小和方向不
变性，在拥有目标先验知识，也即拥有目标特征集的前提下，达到对目标区域的
区 分，从而实现目标的检测。这～思想在常规的大、中目标检测中得到了较好的
应用。而对于信噪比低的弱 小目标，仅仅利用单帧图像检测是远远不够的，还须
借助多帧图像利用目标的运动特征进行检测，以提高 检测效率。而序列检测所遇
到的难点通常为：
（１）目标的位置、目标的运动速度、目标的运动 方向均未知：
（２）目标的机动未知，目标出现的时刻未知：
（３）目标运动过程中，可能偶尔 被遮挡，或者其它因素造成目标暂时丢失。
以上为红外图像弱小目标检测的主要特点，也是论文研究工作 中的主要难
点。
１．３论文的主要研究工作及安排
１．３．１论文的主要研究工作本文在充分分析红外弱小目标图像特性的基础上，对基于背景预测的红外
弱小目标检测方法进行了较 为详尽的阐述，并提出了两种新的背景预测方法，另
外对基于序列的红外运动弱小目标检测方法也迸行了 深入探讨。主要内容如下：
（１）对红外弱小目标的特点及检测方法进行研究：对红外弱小目标图像中< br>的目标、背景、噪声特性进行了详尽分析；对现有的红外弱小目标检测方法进行
分类归纳总结。< br>（２）对传统的红外弱小目标图像预处理方法进行研究总结，并对其性能和
速度进行了仿真对比； 对高通滤波模板进行了归纳总结，比较各个模板的性能优
劣，通过仿真对比找出最佳模板；对基于小波变 换的预处理方法进行了归纳总结。
（３）对基于背景预测的红外弱小目标检测方法进行了深入研究：对现 有的

西北工业大学硕士学位论文第～章绪论
背景预测方法进行了系统的分析，探 讨了该类方法的基本思想和遵循的原则，结
合仿真试验对其优缺点进行了归纳总结，并在此基础上提出了 两种新的背景预测
方法。
（４）对基于序列的红外运动弱小目标检测方法进行了阐述，提出了基 于邻
域判决的红外运动弱小目标检测方法；并通过仿真试验表明该方法的可行性和有
效性；另外 ，对目标点的质心选取方法和准则作了研究。
１．３．２论文的章节安排
本文共分为六章，各章 内容安排如下：
第～章阐述了本文的研究背景以及红外成像系统的发展、应用与红外弱小
目标检 测技术的研究意义，并分析了红外弱小目标检测的有关概念和难点。
第二章主要分析了红外成像系统中红 外图像的特性，包括红外弱小目标、
大面积连续的红外背景以及噪声的特性；之后，综述了国内外有关红 外弱小目标
检测方面的概况。
第三章主要介绍了几种图像预处理方法，并对其进行较为深入的分 析和比
较。
第四章主要介绍了基于背景预测的红外弱小目标检测方法，在对现有方法
分 析的基础上，提出了两种新的背景预测方法：新的基于边缘区域亮暗点分类背
景预测法和基于边缘区域的 多尺度邻域背景预测方法。
第五章在分析红外序列图像弱小目标检测方法的基础上，提出了基于邻域判决的红外运动弱小目标检测方法。
第六章为论文的总结和展望。
６

西北Ｔ业大学硕七学付论文
第二章红外弱小目标图像特性及检测方法分析
第二章红外弱小目标 图像特性及检测方法分析
２．１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
外探测器把接收的按空间变化的红外辐射，转换成按时间变化的电 信号，再经放
大、变换处理，就形成了二维红外图像。
对于红外弱小目标检测问题而言，红外的 场景图像可描述为【５】：
厂（工，Ｊ，）＝ｓ（ｘ，ｙ）＋６（石，力＋栉（墨力
（２—１）
其中，（工，力为像素点的坐标，ｆ（ｘ，ｙ）为红外焦平面传感器获取的场景图像，
ｓ（ｘ， ｙ）、ｂ（ｘ，ｙ）、ｎ（ｘ，力分别为红外目标、红外背景和噪声的图像。下图就是在
真实的红外背景 图中嵌入弱小目标得到的合成图，图像大小为２４０Ｘ
３１７像素，
嵌入的弱小目标大小为３× ３像素。右面为该图的直方图。
图２－１原始红外弱小目标图像及其直方图
可以看出，无论是从 原始图还是从直方图中，都很难容易的检测到弱小目标。
下面对红外目标图像中的红外弱小目标、红外背 景及嗓声分别加以描述：
２．１．１红外弱小目标
当目标距离成像传感器较远时，目标所成的像 较小。若略去光学系统的像差
７

西北１：业大学硕士学位论文第二苹红外弱小目 标图像特性及检测方法分析
影响，目标像点在红外焦平面阵列成像器件上所成的像由于大气传输产生的衍 射
呈弥散光斑。根据衍射原理，对于点源目标，可以用二维高斯分布函数（具有等
灰度轮廓的圆 或椭圆）作为成像平面上目标灰度模式的模型。对于运动目标，具
有等灰度轮廓的圆则表现为等灰度轮廓 的椭圆。
目标图像的数学模型可以表示为：
毗∽引一一ｅｘｐ｛－割≮芷＋亚≠】）
分 别表示等轮廓椭圆的中心位置坐标，盯一盯，是椭圆的长短轴。
协ｚ，
其中。Ｊ（五ｙ）表示目 标图像的灰度分布，Ｉｍａｘ是目标的灰度峰值，而、％
利用红外传感器获取的运动弱小目标，其温度～ 般都较高，红外辐射强度一
般比其周围自然背景辐射强度大，在红外图像中多呈高灰度分布，而且与其周 围
的背景也没有相关性，在红外图像中多为孤立的亮斑。同时由于目标表面的温度
均匀。其所成 的像灰度的变化也不会很大，故在图像中也可将目标简化为具有恒
定灰度值的点源。
综上所述， 红外弱小目标具有以下的特性：
（１）在红外图像上仅仅占据一个或几个像素，弱小目标的全部信息都集 中
在图像平面的一个点上，包括点的位置和灰度；而没有目标的形状、大小和纹理
等特征，缺乏 目标的结构信息。
（２）图像信嗓比低，目标点极易被噪声淹没。同噪声难以区分，因此单帧
图 像较难实现对这类目标的可靠检测。
（３）红外弱小目标在灰度图像上是一些灰度奇异点，处于图像的高 频部分；
而在红外图像中，红外背景与高频部分是不相关的。
２．１．２红外背景
红外 背景是指图像中的非目标区域，多为云层、海浪、天空、地面等，在图
像中主要是大面积缓慢变化的低频 部分。对于自然背景中的云层和海浪等，由于
在形成时受到物理规律的制约，它们在空间上往往呈大面积 的连续分布，在红外
辐射的强度上也呈渐变过渡状态，从而使得它们的红外图像灰度空间分布上具有较大的相关性，这种相关性可用一阶Ｍａｒｋｏｖ过程来描述。同时，由于场景和传
感器内热分布的 不均匀性，图像的局部灰度均值不一定是均匀的，往往会存在一
８

西北工业大学 硕士学位论文第二章红外弱小目标图像特性及检测方法分析
些起伏。景物的红外辐射因大气吸收和散射而 造成的能量衰减具有随机性，故红
外系统所接受到的景物辐射能量也具有随机性。因而，背景图像是一个 非平稳的
二维随机过程。另外，背景也包含了部分空间频率域中的高频分量，它们主要分
布在背 景中同质区的边缘。一般来说，自然场景的背景图像灰度的概率密度分布
是正态的。
综上所述， 红外背景具有以下的特性：
（１）背景往往是大面积平缓变化的场景，在物理状态下是大面积的连续分< br>布状态。
（２）背景多呈渐变过渡状态。图像灰度在空间分布上具有较大的相关性。
（３ ）背景又是一个非平稳过程，图像往往会存在着一些起伏，可以通过一
些预处理来消除。
（４） 背景往往处于红外图像的低频部分，可以通过高通滤波将其滤除。
２．１．３噪声
一般说来，在 检测过程中都会受到各种内部噪声以及背景噪声的影响。大多
数情况下，红外系统的噪声可当作平稳随机 过程来处理。图像中的内部噪声主要
来源于探测器电路噪声和探测过程的量子特性两种，具体表现为白噪 声和线列扫
描方向上的非平稳１／ｆ噪声。高斯和泊松概率函数可以对很多重要噪声过程建
模。 这些噪声具有某些统计特性，而且可以认为相互独立，在带宽选择合适时，
并通过预处理可将它们都当作 ０均值的高斯白噪声（对１／ｆ噪声可以采用某种变
换来迸行白化处理）。其概率密度为Ｍ：
ｍ 咖志唧卜％参
其中口为标准偏差。
协ｓ，
噪声一般与背景并不相关，多在频率域里表现 出和目标相似的高频特征。但
它在序列中没有连续性，即其在相邻几帧图像中，空间位置上没有因果联系 ，帧
间的空间分布也没有相关性。在目标识别过程中，噪声去除也就是基于此的。
综上所述，噪 声具有以下的特性：
（１）在红外图像中，噪声是图像中的高频部分，可近似认为是高斯白噪声。
（２）噪声在空间上的分布是随机的，因此它的空间分布与背景图像没有相
９

西北工业大学硕十学位论文第二章红外弱小目标图像特性及检测方法分析
关性。
对红外图像中目 标、背景和噪声的分析可知，经过背景抑制后的图像一般包
括有目标和随机噪声。通过采用合适的图像分 割方法，可以获得目标（对于背景
均匀、信噪比较高的图像）或者可能目标点（对于背景复杂，信噪比较 低的图像）。
对于单帧检测无法完全区分目标和噪声的图像，再进一步做序列检测。在图像序
列 中，目标点相对稳定、位移不大，而虚警点及噪声的位置和幅度是随机分布的，
据此可以进一步筛选目标 并消除噪声。
２．２红外图像弱小目标的检测方法综述
从二十世纪五十年代开始，红外探测技术 被广泛应用于军事领域，尤其是在
红外成像制导、红外告警和侦察方面。美国率先开始了红外搜索与跟踪 技术的研
究，随后法国、德国、俄罗斯、加拿大等国也相继开展了有关红外探测的军事应
用研究 。而我国在这方面的研究相对较晚。近十几年来，我国华中科技大学、国
防科技大学、西安电子科技大学 等大专院校相继对基于红外图像中的运动弱小目
标的检测与跟踪进行了研究，取得了长足的进展。目前， 国外对“红外被动预警
探测系统”技术研究加大投资力度，尤其是美国把它作为“国家安全防御体系”< br>的一个重要课题。“红外被动预警探侧系统”技术研究也推动了对“红外弱小目
标检测”课题的研 究工作。
在红外系统噪声方面，目前人们对探测器噪声的特性已经有较为深入的认
识，对主要的 几类噪声源的产生机理和定量分析都有比较成熟的理论。但是作为
红外弱小目标检测技术的研究关心的是 探测器噪声在图像上是一种什么样的特
性。许多文献中提到红外图像中的噪声可以近似为高斯分布【７。 引。Ｎｉｓｈｉｇｕｃｈｉ等人
认为红外图像中的噪声无论在空间上还是在时间上均为白噪声［９１。在 红外图像
中，１／ｆ噪声被认为是由于线阵器件扫描所引起的【…，在面阵器件的焦平面成像
系 统中它的影响很小。对噪声的深入研究为目标检测研究的开展做好了铺垫。
红外运动弱小目标检测的研究 方法可以表述为：在给定的三维图像空间中检
测目标是否存在，分析目标的运动轨迹，对目标的将来位置 做出预测。其检测的
方法可以分为两大类：先检测后跟踪（ｄｅｔｅｃｔ－ｂｅｆｏｒｅ－ｔｒａｃｋ， 简称ＤＢＴ），先跟踪后
检测（ｔｒａｃｋ－ｂｅｆｏｒｅ．ｄｅｔｅｃｔ，简称ＴＢＤ）。
１ ０

西北工业大学硕士学位论文第二章红外弱小目标图像特性及检测方法分析
２． ２．１先检测后跟踪（Ｄｅｔｅｃｔ－Ｂｅｆｏｒｅ．Ｔｒａｃｋ）算法
先检测后跟踪（ｄｅｔｅｃｔ－ ｂｅｆｏｒｅ－ｔｒａｃｋ，简称ＤＢＴ）方法是先对单帧图像做出目标
存在与否的判决，然后通过图像 序列对所有目标运动形成的轨迹进行分析来确认
出真正的目标。该类方法检测主要步骤如下图：
图２－２ＤＢＴ方法检测流程图
当图像背景单一、信噪比较高时，通过单帧检测就有可能检测到目标；当 图
像背景复杂、信噪比较低时，单帧检测不能有效的检测到目标，则需要在单帧检
测的基础上进 行序列检测检出目标。目前，单帧红外图像目标检测的检测步骤一
般包括图像预处理、目标分割、目标检 测三个步骤。
图像预处理一般是利用一些滤波器，对图像背景分量进行估计，同时去除或
减少图 像中的噪声和杂波，以提高传给主处理器的图像的质量和信噪比。目前，
发展的一系列线性滤波器（主要 是最小均方滤波，拉普拉斯）与非线性波器（主要
是中值滤波，形态学滤波）技术，在不同的缓变背景下 都比较有效，但在背景杂
波中含高梯度的局部区域会形成高的虚警。
预处理滤波器中，使用较为 广泛的是中值滤波器【ｌ”、高通滤波器【１２】和匹配
滤波器【１３Ｉ、以及它们的一些组合改进形式 【悼１５１。中值滤波器算法结构简单，非线
性的特点使其具有较好的滤波效果，它在衰减噪声的同时不 会使图像的边界模
糊；但它只能够滤除大小小于滤波窗口一半的噪声，而且邻域窗口的大小与形状
对滤波结果有较大的影响。高通滤波器对于变化缓慢的背景滤除作用明显。匹配
滤波器的适用范围非常 窄，对于均匀的背景滤波效果好；但当背景复杂时，滤波
效果不很理想，甚至有可能失效。利用形态学的 基本操作膨胀和腐蚀构成的形态
学滤波器进行弱小目标检测ｆ１６Ｊ，其结果与高通滤波器是相似的，但 在抑制噪声方
面有一些优点。二维最小均方滤波（ＴＤＬＭＳ）ｌｌ
７Ｊ是一种典型的自适应线 性预测
算法，结构简单，处理速度快，对平稳背景图像具有很好的噪声抑制效果，可使
图像信嗓 比得到较大提高；但对非平稳背景，该算法反而可能会导致信噪比的降
低。Ｔａｒｕｎ
Ｓｏｎｉ ［＂１用ＴＤＬＭＳ检测出地面背景的小目标，朱红【１９１用ＴＤＬＭＳ算法
成功地检测出云层中飞行 的小目标。基于神经网络［２０ｌ的滤波器，需要对图像经过
大量的训练方可获得较好的效果。与最小二 乘法有关的各种滤波器１２”，基于贝叶

西北工业大学硕士学位论文
第二章红外 弱小目标图像特性及检测方法分析
斯估计１２“，最大似然比估计的方法【冽和频域转换处理技术也可以 用来做红外弱
小目标检测，但运算往往较为复杂。
随着小波技术的发展，很多人利用小波变换来 进行弱小目标检测【２牝５１，为红
外弱小目标检测技术提供了新的思路。但在实施中若选用简单的小波 基，其结果
与高通滤波器和形态学滤波器的效果非常相似：若选用复杂的小波基，则运算过
于复 杂。１９９２年，Ｃａｓｓｅｎｔ首次将小波变换应用于仿真图像中目标的检测ｆ２６１，在
此之后，小 波变换被应用于各种背景下的目标检测。Ｒ．Ｎ．Ｓｔｒｉｃｋｌａｎｄ用双正交小
波变换从马尔可夫噪 声背景中检测出小目标【２７】；阮文等人将小波变换应用于空中
运动目标检测‘嚣－２９］；左震等将 小波变换应用于海面背景下弱小目标的检测ｆ３¨”，
文献［３０］通过实验证明，小波变换的性能要优 于ＴＤＬＭＳ的检测性能；盛文等将
小波变换应用于纹理背景中的弱小目标的检Ｎｔ３２］：徐永兵等在 红外序列图像的预
处理中运用向量小波进行处理【３３】；文献【３４】和文献【３５】分别对小波和向 量小波在
红外弱小目标检测中的应用做了较为详细的阐述。
在进行弱小目标检测的红外图像中， 目标在图像所占的尺寸是非常小的，而
绝大部分是背景，所以从背景出发来进行弱小目标的检测更为合理 。早期的利用
目标周围局部背景进行滤波的对比度盒子［３６１的方法；Ｎａｒａｙａｎａｎ提出的全局 信息
的局部使用的方法１３７】；以及依据目标出现在局部时会引起局部熵较大变化而提出
的采 用局部熵来检测目标的方法【３川，可以说都具有了背景预测的思想。Ｂｅｌｌｏ提
出的随机场模型可以 说是背景预测模型的一种形式１３９】。另外还有一些文献提出的
空域处理技术都体现了从局部背景出发 的思想【４“”。
目前，基于背景预测（Ｂａｃｋｇｒｏｕｎｄ
Ｐｒｅｄｉｃｔｉｏｎ）的弱小 目标检测方法得到了
很大的发展。徐军等明确提出背景预测算法用于空中红外目标的检测【４２】，并在 文
献［８］中对背景预测做了更为详细和深入的阐述；Ｐｈｉｌｉｐ等人将随机模型背景预
测算 法应用于红外图像和合成孔径雷达（ＳＡＲ）图像的目标检测【４３】，也取得了很
好的检测效果；Ｄｅ ｎｎｅｙ等人提出了自适应自动递归的背景预测用于点目标检测
ｍ】；李正周等将卡尔曼滤波理论的背景 预测算法用于检测复杂背景下的红外运动
目标【４５１；聂洪山等分别对ｗｉｎｅｒ滤波Ｉ删和Ｋａｌｍ ａｎ估计器【４７悃于红外弱小目标的
检测作了阐述；向健勇等提出了“区域最小化背景模型［４８】， ，和“区域均值化背景
模型１４９】”来对背景进行预测：张焱等将神经网络方法用于红外弱小目标的背 景预
测【５０－５ｑ：另外，还有基于灰度形态滤波的背景预测方法【５２】，基于双重预测窗的背景预测方法【５３】，基于中值滤波的背景预测方法瞰ｌ以及它们的一些组合改进形式
［５５－５６ ］。基于背景预测的弱小目标检测方法具有较好的检测性能和易实现等优点，
但是当背景起伏较大时，这 一算法的检测性能就会受到影响。

两北丁业大学硕士学位论文
第二章红外弱小目 标图像特性及检测方法分析
单帧图像上检测到候选目标后，再利用序列图像来确认真实的目标。利用序< br>列图像检测目标最简单直接的方法是帧积分和管道滤波。目前，产生了多种在这
两种方法的基础上 的改进或组合形式。杨卫平等人采用五帧累加运算进行帧积分
垆”，并且分析了三帧累加和四帧累加的检 测效果［５８Ｊ。为了兼顾检测性能和算法
的实时性．将目标轨迹和目标的能量积累结合起来Ｉｓ９】。 徐军利用目标的运动特征
检测红外弱小目标，并对基于帧间相关性的序列检测算法进行了改进Ｉｓ］。吴 巍根
据目标运动的连续性提出了采用分层投票的方法来实现目标检测㈣。比较来说帧
积分可以有 效地抑制噪声的影响，提高目标的信噪比。管道滤波是一种较为经典
的时空滤波器，许多文献给出了管道 滤波的基本思想和算法流程［６ｔ－６２］。
２．２．２先跟踪后检测（Ｔｒａｃｋ－Ｂｅｆｏｒｅ．Ｄ ｅｔｅｃｔ）算法
先跟踪后检测（ｔｒａｃｋ。ｂｅｆｏｒｅ－ｄｅｔｅｃｔ，简称ＴＢＤ）算法【６３ ‘删开始并不在单帧图像
内对目标的存在与否做出判断。而是通过对每条跟踪的轨迹进行分析后。再对目
标的存在做出合理的判断，将该方法的基本思想可以看作是三维噪声中检测一个
．已知信号，通 过假设噪声的特性，设计出最优的线性滤波器。实验表明，该类方
法能够在低信噪比时取得不错的效果。
ＴＢＤ代表性方法主要包括：三维匹配滤波器方法、投影变换和三维搜索相结
合的方法、多级假 设检验方法（Ｍｕｌｔｉｓｔａｇｅ
方法（Ｄｙｎａｍｉｃ
Ｐｒｏｇｒａｍｍｉｎｇ
等 。
（１）三维匹配滤波器法【６５】
ＨｙｐｏｔｈｅｓｉｓＴｅｓｔｉｎｇ
ＭＳＨＴ） 、动态规划
Ａ１９０ｒｉ她）、神经网络方法、最大似然比自适应算法
１９８３年，美国工程科 学院院士，南加州大学教授Ｉ．Ｓ．Ｒｅｅｄ等将匹配滤波器理
论推广到三维图像序列上，把运动弱小目 标检测问题转化为三维变换域中寻找匹
配滤波器的问题。每个滤波器位于一个速度矢量上。凡具有这一速 度的目标在滤
波器的输出中具有最大的输出信噪比，因而可以采用统计判决的方法来检测目
标。 此后，他们又将该方法简化为先在空域中进行二维匹配滤波【删，然后再在时
间序列中进行递推求和。华 中科技大学图像所的熊艳博士又在此基础上进一步发
展成为基于线性系数差分方程的方法［６７１。该方 法可以实现对多条轨迹的同时检
测，在低信噪比条件下，速度匹配时可以有效提高目标检测性能；但当速 度失配
时，输出信噪比将会下降，而且设计滤波器时，需要预知目标运动速度的大小和
方向。< br>（２）基于投影变换和三维搜索相结合的方法

西北下业大学硕七学位论文
第二章红外弱小目标图像特性及检铡方法分忻
基本思路是先将三维空间轨迹检测问题转化为二维平面的轨 迹检测，初步确
定目标在三维空间可能存在的区域后，返回三维空间进行精确目标轨迹搜索。该
方法克服了投影变换检测能力差和三维搜索运算量大的缺点。１９７７年，美国学者
Ｄ．Ｇ．Ｆａｌｃｏ ｎｅｒ博士采Ｊ睡ＪＨｏｕｇｈ变换技术【６ｓ】，解决了在二维平面中作直线运动的小
目标轨迹的提取 与状态参数的跟踪识别问题。ｗ．Ｅ．Ｓｎｙｄｅｒ等进一步将其推广，解
决了每个像元目标的截获跟踪 与识别问题。
（３）多极假设检验方法
加拿大昆士大学的Ｓ．Ｄ．Ｂｌｏｓｔｅｉｎ博士及Ｔ． Ｓ．Ｈｕａｎｇ教授提出了图像序列中运
动点目标检测的序贯假设检测方法，开创了假设检验方法的先河 【删。它是将所有
可能的目标轨迹以树的结构组织起来，通过对序列中到达每帧图像的树同时进行
假设检验，随时去除没有通过检验的树，从而减少运算量和存储量。该方法克服
了传统方法固定采样长 度的不足，具有同时检测出多个作用不同方向直线运动的
目标能力；但它没有提出如何确定候选轨迹的起 始点的方法，在低信噪比时候选
轨迹的起始点数非常多，计算量将迅速增大。
（４）动态规划方 法ｆ７ｑ
动态规划方法（ＤＰＡ）最早由Ｌａｒｓｏｎ于１９６６年提出的。１９８５年美国Ｓａｘｐｙ 公
司的Ｙ．Ｂａｍｉｖ博士将其用于检测动目标，并提出采用基于目标运动状态变量以
及用动态 规划技术进行多判决的统计方法来代替差分方法，对低信噪比条件下的
目标进行检测。在这一方法中，先 定义一种目标状态作为一组可能的目标轨迹，
每一条轨迹以递归的方式被跟踪并被赋予一个得分数，对于 给定帧图像上的像
元，只要简单地根据轨迹分数确定其应归属哪条轨迹即可。研究人员发现，当
ＳＮＲ为２～５时，动态规划方法很有效；但当目标运动速度未知时，计算中所需
的速度窗参数无法确定 ，而将速度窗的参数范围放宽时，计算量将迅速增大。
（５）神经网络法¨ＩＪ
ＪｏｈｎｓＨｏｐｋｉｎｓ大学的Ｍ．Ｗ。Ｒｏｔｈ提／ｋｔ了一种应用Ｈｏｐｆｉｅｌｄ型神经网络来检测
作 直线运动的弱小目标的方法：通过图像平面的中心每隔１００作一组直线，并把
这组直线作为运动目标轨 迹的样本，经网络学习后，将轨迹信息存于网络中再到
图像中检测弱小目标轨迹。Ｒｏｔｈ通过实验证明 ＴＨｏｐｆｉｅｌｄｌ网络在低信噪比条件下
能有效地检测出作直线运动的目标轨迹。但该方法存在着以 下缺陷：ａ．运用
Ｈｏｐｆｉｅｌｄ网络检测之前需先作投影，这将引起信噪比的降低；ｂ．Ｈｏｐｆｉ ｅｌｄ网络要求
样本正交，这在实际情况中不易满足；ｃ．需要预测样本轨迹。
此外，还有Ｂ． Ｋ．Ｐａｒｓｉ等提出的用修正的模拟的神经网络并利用能量函数来检
测平面中的点集；Ｓ．Ｌ．Ｗａｎ ｇ等提出的先用概率神经网络对图像序列进行预处理，
１４

西北Ｔ业大学硕十学 位论文
第二章红外弱小目标图像特性及检测方法分析
然后再利用修改的二阶Ｈｏｐｆｉｅｌｄ网 络检测弱小目标轨迹；Ｍ．Ｌｉａｎｇ等用ＢＰ．碉络对
弱小目标进行检测与识别等。但它们都需要预置 标准样本给网络学习，而网络的
检测能力的强弱依赖于训练样本的丰富性。基于神经网络的方法处理速度 较快：
但检测效果依赖样本，需要专门电路。
（６）基于概率统计的最大似然比自适应算法［７ ２１
８０年代初，美国Ｆｏｒｄ航天通信公司的Ｎ．Ｃ．Ｍｏｈａｎｔｙ提出了基于概率统计的最
大似然比自适应算法。该方法能较好地检测出高强度干扰背景中低强度运动点目
标，并能较精确地跟踪 其运动路径。原理是对由ＣＣＤ传感器所获取的多帧图像按
最大似然比原则构成的一个统计量和门限，然 后比较判别给出结果。该算法的性
能与匹配滤波器相近，能够在低信噪比时实现对包括机动目标在内的确 定点目标
的检测；但当目标运动参量的取值范围大时，所需的标准目标模板数量大，难于
实现。
以上６种方法均是通过对多帧图像的相关处理，利用运动特征，沿着目标运
动轨迹累加能量，达 到检测弱小目标的目的。它们之间的不同点在于相关累加方
法不同，航迹确认准则不同，但是共同的缺点 就是算法结构较复杂，存储量大，
运算复杂。在信噪比低的恶劣环境下，只有牺牲运算时间和存储量来实 现对弱小
目标的检测。随着硬件水平和先跟踪后检测算法的不断改进和发展，ＴＢＤ方法
将更好 的应用于实际的项目中。
２。３本章小结
本章主要分析了红外弱小目标图像的特征，并对国内外 有关红外弱小目标检
测方法进行了综述。相比较而言，先检测后跟踪（ＤＢＴ）方法采用单帧检测、多帧
确认的策略，运算简单，易于实时实现，在图像对比度或信噪比较高情况下，检
测效果良好；先 跟踪后检测（ＴａＤ）方法根据多帧检测的思想，在三维图像中对较
多的可能轨迹进行跟踪、分析和判断 ，在信噪比很低的恶劣环境下可实现对弱小
目标的有效检测，但其运算复杂，运算所需时间和存储量都比 较大，不易于实时
实现。

西北１＝业大学硕士学位论文第三章红外弱小目标图像 预处理
第三章红外弱小目标图像预处理
利用红外传感器等获取的弱小目标图像，背景除了有在空 问不相关的噪声
外，主要是大面积缓慢变化的背景成分，造成信噪比低，检测工作难以开展。多
帧累积的方法可以提高信噪比，是解决此问题的一条途径。但直接累计多帧弱小
目标场景图像，在复杂背 景下往往无法达到预期的效果。在多帧累积之前，若能
对单帧弱小目标场景图像进行有效的预处理，则这 一问题可以得到很好的解决。
红外弱小目标图像预处理的目的就是为了抑制图像中的起伏背景。提高图像
的信噪比，这也是人们常说的“背景抑制（ＢａｃｋｇｒｏｕｎｄＳｕｐｐｒｅｓｓｉｏｎ）”技术。背
景抑制问题解决的好坏将直接影响到后面的目标检测算法的性能和整个系统的
可靠性，因此，是 系统中必不可少的一个步骤。
近些年来，背景抑制技术的研究非常活跃，主要方法有图像滤波、像素变换
等，其中以图像滤波方法最为普遍。迄今为止，已经发展了很多基于图像滤波的
背景抑制方法， 具体包括二维最小均方滤波、空间高通滤波、空间匹配滤波、中
值滤波、数学形态学滤波、基于神经网络 的滤波、基于模糊理论的滤波、以及基
于小波变换的滤波等。有些方法处理后可直接抑制背景，如高通滤 波和带通滤波
的方法，而大多数基于图像背景抑制技术的基本思想是：首先对红外图像的背景
起 伏分量进行预测（即背景预测），然后将原始图像与预测图像相减，以得到不
含起伏的红外图像。由此可 见，对于这一类背景抑制方法，其相互间的区别仅在
于背景预测部分所采用算法的不同。本章下面将就几 种常用的红外弱小目标图像
预处理方法做一个简单的介绍，并对各种方法的性能进行分析和比较。
３．１常用红外图像预处理方法
３．１．１高通滤波
通过对红外弱小目标图像的分析，我们知 道图像的大部分背景属于图像中缓
慢变化的低频部分，弱小目标属于图像中的高频部分。高通滤波器能抑 制低频分
量，让高频分量通过，所以采用高通滤波器来进行大面积的背景抑制，同时保留
１６< /p>

两托丁业大学硕士学位论文
第三章红外弱小目标图像预处理
ｊＩＩＥ＝＝ 自ｔ●Ｅ＝ｊ目Ｅ＝自自｝Ｅ＝Ｅ＝－＿｜｜＝＝＝＝＝＿■■■日＝＝ｊ＝，■■自＿■■■●Ｅ＝ｊＥ－■■ ■■●Ｅ＝＝＝＝Ｅ■■＝＝！目■Ｅ＝！＝！！！＝＝＝＝＝！｜＝Ｅ＝＝≈矗
目标和部分高亮度噪声 【１２１。常用的高通滤波器分为空域和频域两类ｆ７３】。
（１）空域处理
若滤波器的输入为 函数ｆ（ｘ，Ｊ，），输出信号为ｇ（ｘ，ｙ），设滤波器的脉冲响应
函数为ｈ（ｘ，Ｊ，），用・表示 卷积运算，则
ｇ（ｘ，Ｙ）＝ｆ（ｘ，Ｙ）・．１ｌ（ｘ，力
（３—１）
对于离散图像 ，一般选用卷积模板表示滤波器的脉冲响应函数，记为矩阵
日。用高通模板进行空间卷积相当于对原图像 作高频分量的估计。即：根据所
采用的不同类型高频分量估计方法，可以得出不同的高通滤波模板。通过研究以往的文献，本文共总结了８种高通滤波器模板，如下：
日，＝；［寻三导］
一１
一１
一ｌ
—１
—ｌ
一ｌ
一ｌ
—ｌ
—１—ｌ
一ｌ
一１
日２＝［÷！÷］
一ｌ
一ｌ
一１
一１
一１
—１
一１
一ｌ
一１
１８
一１
一ｌ
—ｌ
—１
一ｌ
一ｌ
—ｌ
—ｌ
一Ｉ
—ｌ一１
—ｌ
—ｌ
Ｈ３：土
２４
一ｌ
一１
一１２４一ｌ—ｌ
—ｌ
一ｌ
一１
—ｌ
—１
—ｌ
Ｈ４ ＝
一ｌ
—１
一ｌ
一１
一ｌ
Ｈ５＝一ｌ
一ｌ
—ｌ
—１
一１
３
—ｌ
—ｌ
—ｌ
３
４
３
—ｌ
—ｌ
—１
３
一ｌ
一１
—ｌ
—１< br>一ｌ
—ｌ
一ｌ
一１一ｌ一１
４
４
４
—１—ｌ
一１
４
一ｔ
一１
—ｌ
一ｌ
—１
— Ｉ
—１
一ｌ一１
日６＝
－１４
—１一ｌ
一ｌ一１
一 ｌ—ｌ一ｌ
一１
２５
一１
一１
—ｌ
—１
—１
—１
一ｌ
—ｌ
—１
一ｌ
一ｌ
一１
肌枉习
１７
肌
一１
一ｌ
一１
一ｌ
—１
—ｌ
—１< br>—ｌ
为了比较其优劣，对上述八种滤波器进行仿真。本文采用的红外图像是在红

< br>西北工业大学硕七学位论文
第三章红外弱小目标图像预处理
外天空背景图像上嵌入弱小目 标后的合成图像，目标大小为３×３像素，目标右
下方有一个灰度值较高的噪声点。为了显示清楚，仿真 的结果只列出原始图像中
自色方框内对应的结果。如图３－１所示：
“）原始图像
啦） 白色方榧内区域放大围
【＿碱结果
“）地澹渡结果
（ｅ）船滤捩结果
（ｆ）№ 掂玻结果
（‘）龉澹渡结果
ｍ）ｍ滤波结果
“）ｍ滤波结果
（Ｊ）｝∞澹渡络 罴
图３．１不同高通模板滤波结果图
从仿真结果可以看出，日１、Ｈ２、昂３、，Ｈ４、Ｈ５、 Ⅳ７模板的滤波结果均
很好的滤除了大量的云层背景；其中Ｈ５的效果最好，仅剩余目标点；Ｈ４除目< br>标点外有一个干扰点；Ｈ２中目标被弱化；日１、日３、Ⅳ７需对滤波结果进行灰
度增强再比较。 Ｈ６、Ｈ８模板的滤波结果中含有大量云层，滤波结果溢出，等
于滤波失败，需对其进行改进。
Ｈ６、Ｈ８模板改为如下形式，记为Ｈ６’、’ＨＳ’：４
—１
—ｌ
一ｌ
—ｌ
４
—ｌ
—ｌ
一１
４
４
４
—ｌ
—１
—１
４
一ｌ
一１
一ｌ
—１
一ｌ
—ｌ
一ｌ
一ｌ
一１
—ｌ
—１
一ｌ
—１
—１
— ｌ
—１
一１
一ｌ
一ｌ
Ｈ６一：土
２０
－１
一ｌ
—ｌ
删＝去
１８
２５
—１
一１

西北丁业大学硕士学位论文第三章红外弱小目标图像预处理
运用改进后的模板进行仿真，并对所有８种滤 波结果进行增强，如图３．２所
刁写：
（ａＪＨｌ澹坡结果增强（ｂ）眨派破结果增强Ｃｅ）Ｉ ＿ｆ３谵坡结果增强
（ｄ）Ｈ４澹玻结果增强
“）惦滤玻结果增强
（ｆ）州澹渡结果增 强
（‘）埘澹玻结果增强
ｍ）耐谵破结果增强
图３－２高通模板滤波结果增强图
从结果中可以看出，改进后的模板Ｈ６’、Ｈ８’滤波效果理想；Ｈ２模板使目
标弱化，不易检测到目 标且容易引入虚警点；Ｈ１、／－／３、Ｈ４、Ｈ７、Ｈ８’抗噪
性能较Ｈ５、Ｈ６７差，前面几种的滤 波结果中都有一个较强的噪声点，而／－／５中
仅有目标点，Ｈ６’中除目标点外，有极少的微弱噪声点 ，不影响检测结果。改进
后的Ｈ８’模板与／－／３类似，可看为相同的模板，Ｈ２由于效果不好，剔出 不用：
这样，上述８种高通滤波器模板可简化为６种，即为Ｈ１、Ｈ３，Ｈ４、Ｈ５、Ｈ６’、
符７所对应的模板。这六种高通滤波模板可根据不同需要进行选择，均可得到相
对较好的滤波效果。对于模板Ｈ３、日４，日７，其中心像素权值最大，信号容易通过，而周围
部分权值均为．１，其值 较小，信号不易通过。这样，对于孤立噪声点和小目标，
信号强度比较高，所以容易通过；而有一定面积 的背景不易通过，这就可以较好
地抑制背景。对于模板Ｈ５、Ｈ６’，将中心高权值部分分布在十字形区 域中，权
值分散，这样孤立的噪声点反而不易通过，模板的抗噪性较好。不同的高通模板
可以产 生出不同的滤波结果，结果的好坏取决于实际场景模型和期望保留的特
征。
（２）频域处理因两个函数卷积的Ｆｏｕｒｉｅｒ变换等于这两个函数Ｆｏｕｒｉｅｒ变换的乘积，所以式
（３．１ ）的频域表示为：
１９

西北工业大学硕七学位论文
第三章红外弱小目标 图像预处理
Ｇ似，ｖ）＝Ｆ（ｕ，ｖ）Ｈ（ｕ，ｖ）
（３—２）
式中Ｇ（ｕ，ｖ）、Ｆ （ｕ，ｖ）和Ｈ（ｕ，Ｄ分别为ｇ（ｘ，ｙ）、ｆ（ｘ，ｙ）和＾（ｘ，ｙ）的Ｆｏｕｒｉｅｒ变换。
频 域滤波器的关键是设计适当的传递函数日∽∞，通常选取理想的高通滤波器
（ＬＨＰＦ）、指数高通滤波 器（ＥＨＰＦ）和Ｂｕｔｔｅｒｗｏｒｔｈ高通滤波器（ＢＨＰＦ）。它们的传递
函数如下：
理 想高通滤波器（ＬＨＰＦ）：
日＠，ｖ）２１ｌＤ乏：彳＞ｉ
眠Ｄ＝｛０嬲；象（３－３）指数高通滤波器（ＥＨＰＦ）：
龇Ｖ）＝ｉ瓦面１丽‘３—４）
Ｂｕｔｔｅｒｗｏｒｔｈ高 通滤波器（ＢＨＰＦ）：
Ｈ（ｕ，ｖ）＝Ｐ。０’７【Ｄ０／Ｄ（ｕ，ｖ）】”
（３—５）式中，Ｄｏ为截止频率到原点的距离；Ｄ（ｕ，ｖ）＝√＝ｊｉ了为（“，ｖ）点到原点的
距离；” 用以控制从原点算起的传递函数Ｉｔ（ｕ，ｖ）的增长率。
对于频域滤波器，以ＥＨＰＦ法最好，因为它 有更快的增长率，比相应的ＢＨＰＦ
更好的地保存了高频分量。
３．１．２中值滤波
中 值滤波（Ｍｅｄｉａｎｆｉｌｔｅｒｉｎｇ）是基于排序统计理论的一种能有效抑制噪声的非
线性信号处 理技术…。１９７１年，图基（Ｔｕｋｅｙ）在进行时间序列分析时提出中值滤
波器的概念，后来人们又 将其引入到图像处理中。其基本思想是：在输入图像中，
以任一像元为中心设置一个确定的邻域Ａ，将邻 域内各像素的灰度值按大小有序
排列，取位于中间位置的那个值（中值）作为该像元的输出灰度值，遍历 整幅图像
就可完成整个滤波过程。这种滤波器的优点是运算简单而且速度较快，在滤除叠
加白噪 声和长尾叠加噪声方面显示出了极好的性能。中值滤波器在滤除噪声（尤
２０

西 北工业大学硕士学位论文
第三章红外弱小目标图像预处理
其是脉冲噪声）的同时能很好地保护信 号的细节信息（例如，边缘、锐角等）。另外，
中值滤波器很容易自适应化，从而可以进一步提高其滤波 性能。因此，它就非常
适用于一些线性滤波器无法胜任的数字图像处理应用的场合。但算法原理本身决< br>定了只能够滤除脉冲宽度小于滤波窗口一半的噪声；邻域窗１：３的大小与形状对滤
波结果也有比 较大的影响。
３．１．３自适应滤波
自适应滤波最大的优点是不需要设定参数，能够自行完成处 理。
（１）自适应的门限背景抑制
图像均值为：
Ｅ＝上ｍｎ妻ｊ＝ｌ妻ｔ＝ｌ邝，，）
（３－６）
若假定目标比背景亮，则小目标的灰度大于均值Ｅ。我们可以循环使用下式：
脚，＝％ｙ，裘寰翌
＠７，
来调整图像的背景灰度，所得图像的灰度的均值Ｅ会逼近某个值Ｅ ，，当两者相
差小于某个设定值就退出循环。这时，大部分的背景灰度就为Ｅ，而目标和较高
灰 度的背景则保持不变。该方法无法抑制背景中高于目标灰度的部分。
（２）自适应滤波【１７－１
９】
’
自适应滤波应用较多的是ＴＤＬＭＳ（－－维最小均方差自适应预测器）。二维最小均方滤波实际上是一种典型的自适应线性预测算法，它在预测过程中采用了最
小均方误差准则。算 法具体实现过程如下：
利用某一像元（ｆ，，）附近一个小邻域内所有像素的灰度值对该点的背景灰度< br>值ｇ（ｉ，，）进行线性预测，则预测误差为：
Ｐ（ｆ，＿，）＝Ｂ（ｉ，＿，）一ｂ（ｉ，Ｄ（ ３－８）
其中，台（ｆ，．，）为背景的线性预测值。于是在最小均方误差准则下可得到背景
的 估计值为
２ｌ

西北工业大学硕士学付论文第三章红外弱小目标图像预处理
鼬∽＝。磊ｎ【（Ｅ髻［ｆ（ｉ，ｙ叭）．ｆ㈣（ｉ－ｍ小，ｙ－∥ｎ），］硼毗巾）｝洚∞
其中，Ｑ 表示像元（ｆ√）附近的小邻域范围；厂（．，．）则为邻域内各点的灰度值。
最后，将厂（ｆ，＿，） 与雪（ｆ，，）相减即可得到消除了背景的图像。
经过上述自适应滤波处理后，红外图像中的噪声己近似 为白噪声，从而可以
采用诸多的多帧检测算法对其进行进一步的处理。
该算法的优点是：结构简 单，速度快，并且能够使图像信噪比得到较大的提
高。不足之处在于，对于非平稳背景，反而可能会导致 信噪比的降低。
３．１．４形态学滤波
形态滤波（Ｍｏｒｐｈｏｌｏｇｉｃａｌｆｉｌｔｅｒｉ ｎｇ）是从数学形态学中发展出来的一种新型的
非线性滤波技术，形态滤波理论是由Ｇ．Ｍａｔｈｅｒｏ ｎ和Ｊ．Ｓｅｒｒａ等人在２０世纪８０年
代仞创立的。形态滤波器（Ｍｏｒｐｈｏｌｏｇｉｃａｌｆｉ ｌｔｅｒｉｎｇ）是基于信号（图像）的几何结构
特性，利用预定义的结构元素（相当于滤波窗）对信号 进行匹配或局部修正，以达
到提取信号，抑制噪声的目的。它由最早的二值形态滤波器发展为后来的多值 形
态滤波器，多值形态滤波器与排序统计滤波器有着密切的联系，它们本质上是层
叠滤波器的特 殊情况。当采用结构元素时，多值的膨胀和腐蚀变换就演变为极大
和极小滤波。极大滤波器通常能有效地 滤除图像中的负脉冲噪声，而极小滤波器
可以滤除正脉冲噪声，但两者均对混合型脉冲噪声失效。如果采 用两者的各种级
联组合，则可达到较全面的脉冲噪声抑制性能。
从某种特定的意义上讲，形态学 图像处理是以几何学为基础的。它着重研究
图像的几何结构，这种结构可以是分析对象的宏观性质，也可 以是图像的微观性
质。而研究图像的几何结构的基本思想是利用一个结构元素（ｓｔｒｕｃｔｕｒｉｎｇ
ｅｌｅｍｅｎｔ）
去探测一个图像，看是否能够将这个结构元素很好地填放到图像的内部，同时 验
证填放结构元素的方法是否有效。处理时记录下能够填放结构元素的位置，从而
得到图像结构 的信息。显然，信息与结构元素的尺寸和形状都有关系。可见，通
过结构不同的结构元素，便可以完成对 不同的图像分析，得到不同的分析结果。
实际上，所有的形态学处理都基于填放结构元素的概念。
数学形态学是由一组形态学的代数运算子组成的。最基本的形态学算子有：

西北工业大 学硕士学位论文
第三章
红外弱小目标图像预处理
膨胀（Ｄｅｌａｔｉｏｎ）、腐蚀（Ｅ ｒｏｓｉｏｎ）、开（Ｏｐｅｎｉｎｇ）和１．碉（Ｃｌｏｓｉｎｇ）。通常设Ａ为图像矩阵，
Ｂ为结构 元素矩阵，数学形态学运算是用Ｂ对Ａ进行操作。下面分别介绍二值形态
学运算和灰度形态学运算１７４ １。
（１）二值形态学
在二值形态学中，４被口腐蚀表示为．，ｌＯＢ，定义为：
４０ 曰＝纠（功，＿ｃＡ｝
（３—１０）
上式表明Ｂ对４腐蚀的结果是所有ｘ的集合，其中Ｂ平移ｘ 后仍在爿中。即
Ｂ腐蚀Ａ得到的集合是占完全包括在彳中时Ｂ的原点位置的集合。
膨胀是腐蚀的 对偶运算，可以通过对补集的腐蚀来定义。Ａ被曰膨胀表示为
４０Ｂ，定义为：
彳。Ｂ＝●。。 （一回丁
其中，上标ｃ表示补集。
（３—１１）
由于膨胀和腐蚀并不是互为逆运算，所 以可以将它们级联使用。开启就是先
对图像进行腐蚀，然后膨胀其结果。闭合就是先对图像进行膨胀，然 后腐蚀其结
果。
开启的运算符为ｏ，爿用曰来开启写作ＡｏＢ，其定义为：
ＡｏＢ＝（ 一ｏＢ）ｏＢ’
（３—１２）
闭合的运算符为・，Ａ用口来闭合写作Ａ・Ｂ，其定义为：
Ａ・Ｂ＝（彳。口）０曰
（３—１３）
开启和闭合这两种运算都可以除去比结构元素小的特定 图像细节，同时保证
不产生全局失真。开启运算可以把比结构元素小的突刺滤掉，切断细长搭接而起到分离作用。闭合运算可以把比结构元素小的缺口或孔填充上，搭接短的间断而
起到连通作用。开启 运算常用来去除小的亮点，闭合运算去除小的暗点。在实际
应用过程中，开启运算经常用于去除比结构元 素小的图像噪声及干扰，保留图像
灰度值和较大的背景．
（２）灰度形态学
形态学可用 于一般的灰度图像。一种简单的方法是将灰度图像二值化，而更

两北丁业大学硕七学位论 文第三章红外弱小目标图像预处理
好的办法是定义与二值图像形态运算略有不同的灰度值形态运算。灰度 形态学图
像厂瓴力可取０、Ｉ以外的值，因此不能用集合表示，我们用数字图像函数来描
述灰度 形态学处理。
设输入图像为Ｘ（ｘ，ｙ），其中０兰工≤Ｍ—ｌ，０≤ｙ≤Ｎ—ｌ；结构元素为ｍｘｎ的
模板Ｔ（ｉ，力，其中０≤ｉ≤ｍ一１，Ｏ≤，≤１１－－ｌ。设Ｅ（薯Ｊ，）和Ｄ０，力分别为模板对
ｘ（ｘ，ｙ）腐蚀和膨胀的结果。则
灰度腐蚀定义为
Ｅ化”２（婀Ｄ如ｊ，）２童觋。 【ｚｏ＋ｆ，ｙ＋力一砸，捌
Ｏ句如一１
（３－１４）
灰度膨胀定义为
Ｄ（ｘ ，ｙ）＝（Ⅸｏｒ）（ｘ，Ｊ，）＝ｏｍ丑；ａ川ｘ［ｘＯ＋ｆ，ｙ＋力＋ｒ（ｆ，／）】
０句如一ｌ< br>（３－１５）
如果结构元素的所有像素都为正，则膨胀使图像变亮，腐蚀使图像变暗。膨
胀使黑色细节减少或去除，腐蚀使亮细节减弱或去除，这取决于结构元素的形状
和像素的值。由此可以看 出，灰度图像的膨胀和腐蚀还可分别用于区域边界的下
凹填补和上凸抹平。
（３）Ｔｏｐ－ｈａ ｔ运算
Ｔｏｐ．ｈａｔ运算定义为：
ｗｒｒ（ｘ）＝Ｘ—Ｘ
ｏＴ
（３一１６）
从前面的分析知道，开运算具有消除灰度中小于结构元素的“突起”或“山
峰”的作用。在进行 背景估计时，可以将灰度值较高的目标和噪声当做“突起”
利用开运算消除，而保持大面积亮度缓慢变化 的背景尺寸不变。而Ｔｏｐ．ｈａｔ运算
即为从一幅原始图像中减去其做开运算后的图像，经处理后，与 结构元素大小相
当的目标会保留下来，而小于结构元素的噪声被去除，原先图像中高灰度的且变
化缓慢的背景也会被有效抑制，图像的信噪比就得到了提高。本文采用的结构元
素ｒ为
ｒｏＴ＝ｌ
ｌ
１
ｏｑ
１
１
ｌ
Ｉ
（３．１７ ）
ｆｏｏＪ

两北工业大学硕十学付论文
第三章红外弱小目标图像预处理
３．１．５基于小波变换的滤波技术
小波变换【７５Ｊ是当前应用数学中一个迅速发展的邻域， 是分析和处理非平稳信
号的一种有力工具。它是以局部化函数所形成的小波作为基底而展开的，具有许< br>多特殊的性能和优点。小波分析是一种更合理的时域表示和子带多分辨分析，对
它的研究开始于８ ０年代初，理论基础奠基于８０年代末。经过十几年的发展，它
已在信号处理与分析、地震信号处理、信 号奇异性检测和谱估计、计算机视觉、
语音信号处理、图像处理与分析等领域取得了突破性进展，成为一 个研究开发的
前沿热点。
小波变换是一种窗口大小固定不变但其形状可改变的时频局部化分析方 法。
小波交换在信号的高频部分，可以取得较好的时间分辨率；在信号的低频部分，
可以取得较 好的频率分辨率，从而能有效地从信号（如语音、图像等）中提取信息。
小波函数的确切定义为：设妒（ ｒ）为一平方可积函数，也即∥Ｏ）∈ｒ（胄），若
其傅里叶变换甲∞）满足条件
担篮砌＜∞< br>点
∞
（３－１８）
则称∥（ｆ）为一个基本小波或小波母函数，并称上式为小波 函数的可容许性条
件。由小波的定义可知，小波函数一般具有以下特点：
１）小一它们在时域都 具有紧支集。
２）波动性一由于小波母函数满足可容许性条件，则必有Ｖ（国）ｌ。＝ｏ，也即
直流分量为零。由此断定小波具有正负交替的波动性。
将小波母函数∥（ｆ）进行伸缩和平移，设其伸缩 因子（又称尺度因子）为ａ，
平移因子为ｆ，令其平移伸缩后的函数为％，（，），则有：
‰∽ ｉ；５ｆ，（争，口＞ｏ，ｆＥ五
平方可积函数，（ｆ）∈三２（足）的连续小波变换定义为
（ ３棚）
阡乃（以ｒ）＝（／（ｆ），％，ｆ（ｒ））＝去Ｐ（，沙二孑矽（３－２０）

< br>西北工业大学硕士学位论文第三章红外弱小目标图像预处理
在实际应用中，特别是在计算机实现上 ，往往需要将连续小波及其变换离散
化，通常的做法是将小波基函数％，ｐ）的口、ｆ限定在一些离教点 上取值。最常
用的离散方法就是将尺度按幂级数进行离散化，即取ａｍ＝ａ０４（ｍ为整数，ａｏ≠１．
一般取ａｏ＝２）。通常对ｆ进行均匀取值，以覆盖整个时间轴。为了不丢失信息，
我们要求采 样间隔ｆ满足Ｎｙｑｕｌｓｔ采样定理，即采样频率大于等于该尺度下频率
通带的二倍。经过简化整理， 帆，∽离散化后变为下式：
一竺
●％。＝２
２∥（２一”ｔ一功，．，，ｋＥｚ
则任意函数的ｆ（ｔ）的离散小波变换为
（３－２１）
ＷＴｌ（ｍ，ｎ）＝ｌｆ∞・ｃｏａｔ
辟
（３－２２）
小波变换有以下特点：
（１）有多分辨率（ｍｕｌｔｉ－ｒｅ ｓｏｌｕｔｉｏｎ），也叫多尺度（ｍｕｌｔｉ．ｓｃａｌｅ）的特点，可
以由粗及细的逐步观察信号。
（２）可以看成用基本频率特性为甲（国）（甲（∞）是∥（ｆ）的傅里叶变换）的带
通滤波器 在不同尺度ａ下对信号做滤波。由于傅里叶变换的尺度特性可知，这组
滤波器具有品质因数恒定，即相对 带宽（带宽与中心频率之比）恒定的特点．一
般ａ越大相对频率越低。
（３）适当的选择基小波 ，使ｙ（０在时域上为有限支撑，甲（∞）在频域上也
比较集中，就可以使小波变换在时、频域都具有表 征信号局部特征的能力，因此
有利予检测信号的瞬态或奇异点。
如上所述，小波分析的一个主要 优点就是能够分析信号的局部特征。比如说，
采用小波分析可以发现叠加在一个非常规范的正弦信号上的 一个非常小的畸变
信号的出现时间。传统的傅里叶变换只能得到平坦的频谱上的两个尖峰。利用小
波分析可以非常准确地分析出信号在什么时刻发生畸变。小波分析可以检测出许
多其他分析方法忽略的 信号特性，例如，信号的趋势、信号的高阶不连续点、自
相似特性。小波分析还能以非常小的失真度实现 对信号的压缩与消噪，它在图像
数据压缩方面的潜力已经得到确认。在二维情况下，小波分析除了“显微 ”能力
外还具有“极化”能力（即方向选择性）。
图像处理是小波分析应用的重要领域，近年来 小波分析已被证明是进行图像
处理强有力的工具之一，由于小波分析技术可以将信号或图像分层次按小波 基展
开，并且可以根据图像的性质及事先给定的图像处理要求确定到底要展开到哪一
２６

西北工业大学硕士学位论文第三章红外弱小目标图像预处理
级为止，从而不仅能有效地 控制计算量，满足实时处理的需要，而且可以方便的
实现通常有子带编码技术实现的累进编码。同时，小 波变换具有放大、缩小和平
移的功能，能够很方便地产生各种分辨率图像。
利用小波分析对二维 信号去噪，步骤如下：
（１）对二维信号进行小波分解。选择一个小波和小波分解的层次Ｊｊ、ｒ，然后
计算信号Ｊ到第Ⅳ层的分解。
（２）对高频系数进行阈值量化。对于从１到Ⅳ的每一层，选择一 个阈值，
并对这一层的高频系数进行软阈值量化处理。
（３）对二维小波进行重构。根据小波分 解的第Ⅳ层的低频系数和经过修改
的从第１层到第Ⅳ层的各层高频系数计算二维信号的小波重构函数。< br>小波变换的多分辨率特性，使得小波分解具有带通滤波器的性质。针对红外
弱小目标的检测，小波 变换既可去噪，也可进行背景抑制。利用小波变换进行红
外弱小目标检测主要有下面几种用法。
根据红外目标的大小及图像噪声的强弱，对原图像进行多尺度分解（分解的
尺度根锯具体情况而定，一般 进行二尺度分解），将图像的低频部分和高频部分
进行分离，使得背景信息主要处于低频，而目标信息主 要处于高频。方法一：提
取低频分量，经由小波多尺度回复，得到原图像的低频图像；将原图像与低频图
像差分，并取绝对值，得到主要包含目标的预处理后的图像。方法二：小波分解
后，对同一层的 高频图像进行分ＷｉＪ；并对同一层的高频分割后的二值化图像进行
融合，得到主要包含目标的高频处理 图像。由于对角线高通图像中可能会有高频
震荡，一般可只采用水平和垂直的高通结果进行分割融合。上 述方法处理的结果
都使得大面积连续平缓背景被有效抑制掉，只剩下少量目标候选点。
另外，在 具体处理细节上，可采用标准的Ｍｌｆｌｌａｔ算法进行小波分解，也可采
用改进的小波分解，如为了使 得分解后的图像与原图像大小保持一致，可采用由
Ｈｏｌｓｃｈｎｅｉｄｃｒ等人提出的６
ｔｒ ｏｕｓ算法１７０Ｊ。
下面，给出采用ｂｉｏｒ３．７小波对红外弱小目标图像的单尺度小波分解结果、
单尺度分解的高频分割融合图像以及多尺度分解结果，分别见图３—３、３—４、３—５。

西北Ｔ业大学硕士学位论文
第三章红外弱小目标图像预处理
（・）原始图（白色方框 内
为小目标所在位置）
Ｏ）一次分解咧氐频图像
《ｃ）一｝犬分解的水平方向商遇图像
（ｄ）一次分解的垂直方Ｉ句商逼国像
“卜次分解的对角线方向高通囤像
图３－３红外 弱小目标图像的一次小波分解结果
图３－４高频图像分割后的融合图像
可以看出分割后的融合图 像中，已抑制掉了大量的天空云层背景，仅剩余目
标点和极少的噪声干扰点。

两 北工业大学硕七学位论文
第三章红外弱小目标图像预处理
向高通图像
苘高通国凉…荷誉涌函磋～。
ｈ卜次分黼低频固像∽啃勰留蛮平艿“卜篙箍罄纛直方缸卜％韶勰线方
“） ＝次分解的低频图像（ｆ）＝次分解的水平方
向高通图像
（ｄ二次分解目勺垂奋方
向高 通图像
０１）二次分解的对角线万
向高通图像
图３—５红外弱小目标图像的二次小波分 解结果
从上面的红外弱小目标图像的多尺度小波分解结果可以看出，针对本文所处
理的图像，采 用一次小波分解就可满足要求，二次分解的高频图像中，噪声点反
而更多，不利目标检测。因此，分解的 尺度与所选小波及所处理的图像对象有关，
应根据具体情况而定。
３．１．６基于神经网络的滤 波技术
神经网络所采用的背景预测器模型如下：
ｂ（ｉ，－，）＝ｇ【∑Ｗ（ｉ－ｍ，ｊ－ｎ） ・ｆ（ｉ－ｍ，－，一胛）】
其中，ｗ为加权矩阵；ｇ（．）为非线性函数，可取为
（３－２３ ）
ｇｏ）＝而ｌ－－ｉｅ－２巧＇ｅｘ
（３－２４）
利用大量的典型红外图像数据对其 进行训练，即可得到合理的∥取值以及神
经元节点数，从而实现对背景的估计。但该算法对一些新的未经 过训练的图像数
据的处理效果比较差。

西北工业大学硕七学位论文第三章红外弱 小目标图像预处理
３．２常用红外图像预处理方法性能分析
３．２。１实验结果
本文采 用的红外弱小目标图像是在红外背景图像上嵌入弱小目标得到的合
成图像，图像大小为２４０ｘ３１７。 其中，背景为空中云层。下面，分三种情况对几
种常用的预处理算法进行仿真，对实验结果进行比较分析 。第一种为目标在云层
外，且标灰度值较高，大小为２Ｘ２，周围背景相对均匀；第二种为目标在云层< br>外，目标灰度值较低，目标大小为３Ｘ３，周围背景相对均匀；第三种为目标在
云层边缘，目标大 小为３×３，周围背景起伏较大。
高通滤波可直接获得背景抑制后的图像，而中值滤波、高斯低通滤波、 形态
滤波的直接结果是对原图的背景估计，需与原图像做差后方可获得背景抑制后的
图像。本文后面采用的高通滤波模板均为上文比较得出的最佳的高通滤波模板：
Ｈ５模板，并且滤波结果为 对原图采用了边缘延拓后的结果。形态滤波的结构元
素采用（３－１７）式。所有仿真计算均是在ＰＩＩ ｌ６００Ａ上进行。
（１）目标在云层外，灰度值较高，大小为２×２，周围背景相对均匀。
图 ３—６原始图（白色方框
内为弱小目标所在位置）
图３＿７高通滤波结果
（・）中值滤 破结果图
血）黠差围（ｃ）娃差囤增强
图３－８中值滤波预处理结果图

西北工业大学硕士学位论文
第三章红外弱小目标图像预处理
（Ｉ）高斯低通澹玻结果圉
西）残差图
（ｃ）残差围增叠
图３—９高斯低通滤波预处理结果图
（・）形态澹波结果 圉西）娃差图‘ｅ）姨差图增强
图３－１０形态滤波预处理结果图
为了更加清楚描述上述滤波方 法之间的差异，下面列出滤波结果的局部放大
图和背景抑制结果的局部增强放大图。图３—１２和图３— １３均为图３－Ｉｉ中白色方框内
部分的对应处理结果。
图３一ＩＩ原始图
“）中值澹 玻结果
ｍ）高斯低通澹波结果
，
位）形态澹波结果
图３－１２不同滤波方法的 滤波结果局部图

西北工业大学硕士学位论文
第三章红外弱小目标图像预处理（．）奇逼罐玻输出
函）中值滤玻输出
，
仁Ｊ高斯低通滤玻输出（ｄ】形态滤玻输 出
图３－１３不同滤波方法的背景抑制结果局部增强图
从图３－１３中，可以看出高通滤波输出 的结果最好，中值滤波、高斯低通滤波、
形态滤波的输出结果中都有一噪声点。而且，高斯低通滤波的输 出结果中的噪声
点的灰度值最大，目标点的灰度值最小。这与高斯低通滤波的结果相符。我们从
图３－１２（ｂ）可以看出，高斯低通滤波的结果图中，保留了小目标。这样残差后
的背景抑制结果图中 ，目标点的灰度值势必要减弱。下面，增大小目标的大小，
降低其灰度值，进行仿真。
（２）目 标在云层外，目标灰度值较低，目标大小为３×３，周围背景相对均
匀。原始图与（１）基本相同，只是 目标的大小和灰度发生了变化，尺寸增大，
灰度值降低。为说明问题，仍然列出滤波结果的局部放大图和 背景抑制结果的局
部增强放大图。
（ａ）中值露玻结果（ｂ）高斯低通澹被结果
啦）形 态罐啵结果
图３．１４不同滤波方法的滤波结果局部图
Ｃ・）商虚谚渡输出
凸）中值擂 捩输出
啦）商斯佾亘谵暖！ｊ南出
【ｄ）形态谚披输出
图３—１５不同滤波方法的背景 抑制结果局部增强图

西北工业大学硕十学位论文第三章红外弱小目标图像预处理
当目标点增大、目标灰度降低时，从图３—１４的结果中可以看出，中值滤波和
形态滤波结果中均保留了 部分目标，高斯低通滤波的结果中保留了相对多的目标
部分。在最终的输出结果中，图３—１５可以看到 ：高通滤波效果最好，中值滤波和
形态滤波次之，高斯低通滤波效果最差。商通滤波中目标边缘被腐蚀， 保留了十
字中心，灰度值较高，目标周围干扰点被去掉。中值滤波和形态滤波的输出结果
中，目 标点发生了分裂，周围干扰点存在，且前者的背景抑制程度比后者稍高。
目标的分裂可通过目标聚类进行 合并，不影响最终检测结果；干扰点是否成为虚
警取决于目标点和干扰点的相对灰度，若残差图中目标点 处的灰度值大于干扰点
处的灰度值，则干扰点不会成为虚警点，反之，则成为虚警。高斯低通滤波的输< br>出结果中（见图３－１５（ｃ）），目标点处的灰度值很小，干扰点处灰度值较大，检测
结果中， 干扰点会变成虚警。
（３）目标在云层边缘，目标大小为３×３，周围背景起伏较大。仿真结果如
图３－１７所示。
图３－１６原始图（白色小方框内
为弱小目标所在位置）
为了看清 楚结果，仍然给出背景抑制后的局部放大增强图。滤波输出图给出
的是原始图中自色大方框内区域对应的 残差增强放大图，其中白色小框内为弱小
目标所在的位置。
（。）商垣露玻输出
啦）中 值澹坡输出

西北工业大学硕士学位论文第三章红外弱小目标图像预处理
如）商斯 ｛酗基谵捩输出Ｃａ）形态滤渡输出
图３．１７不同滤波方法的背景抑制结果局部增强图
从图３ －１７的滤波结果中可以看出，高通滤波输出的结果中弱小目标的灰度
值最高，右下方的干扰点已被滤掉 ，正左方的背景残留点由于灰度值很低对最终
检测结果无影响；中值滤波、高斯低通滤波和形态滤波输出 的结果中弱小目标被
分裂，其中，高斯低通滤波输出的小目标灰度值最低，三种方法的结果中右下方的干扰点依然存在，有可能在最终的检测结果中成为虚警。而且，与上相同，中
值滤波的背景抑制程 度比形态滤波稍高。
３．２．２性缝比较
对图像进行预处理，是为了后续更好的检测。因而，针 对红外弱小目标图
像，最佳的预处理结果就是：背景灰度尽可能的小，目标灰度尽可能的大。为了
描述上述传统的红外弱小目标图像的预处理算法的性能，本文对上面的实验结果
进行归纳总结，从预处 理后弱小目标检测的难易角度出发，对三种情况下的图像
的预处理效果给出定性比较。
表３－１ 预处理方法性能比较
高通滤波
情况一
情况二
情况三
优
优优
中值滤波
良
良
良
高斯低通滤波
差
差
差
形态滤波
由
中
中
从表３－１中可以看出，选用日５模板的高通滤波 预处理效果最好，中值滤波
和形态滤波次之，而高斯低通滤波效果最差。实质上，仅仅从背景抑制的角度 来
看的话，高簸低通滤波输出的背景抑譬９率比中值滤波和形态滤波均要高。但高斯
低通滤波在 抑制背景的同时，也大大地抑制了弱小目标，使得目标的检测比中值
滤波和形态滤波的预处理结果变得更 困难。中值滤波和形态滤波的预处理结果基
本相当，但中值滤波的背景抑制程度比形态滤波稍高。

西北工业大学硕士学位论文
第三章红外弱小目标图像预处理
下面，对算法运行 时间进行比较。
表３－２算法运行时问比较
ｌ高通滤波
中值滤波
０．０９００ ｓ
高斯低通滤波
Ｏ．１３００ｓ
形态滤波Ｉ
０．２３１０ｓ
ｆ
０．０８１０ｓ
Ｉ
从表３．２中可以看出，高通滤波最快，中值滤波、高斯低通滤波次之，形 态
滤波最慢。
综上所述，采用Ｈ５模板的高通滤波和中值滤波在红外弱小目标图像的预处
理效果中，从性能和运算速度上都是比较好的；形态滤波的性能中等，但速度较
慢；高斯低通滤波性能 和速度都要差一些。
３．３本章小结
图像预处理可以去除或减少图像中的噪声和杂波，以提高传 给主处理器的图
像的质量和信噪比，减少需处理的数据量。红外弱小目标图像的预处理主要就是
去除图像中缓慢变化的背景。突出弱小目标，从而使得运算量大大减少，目标更
易于检测。
本章 主要详细的介绍了几种传统的的红外弱小目标图像预处理方法，并对其
性能进行各种情形下的仿真比较。 仿真结果表明：从性能和运算速度上综合来看，
高通滤波（Ｈ５模板）和中值滤波效果较好；形态滤波的 性能次之，速度较慢；
高斯低通滤波性能和速度都要差一些。此外，对空域高通滤波模板进行了归纳总< br>结，并对各个模板的性能优劣进行了详尽的比较分析；对基于小波变换的预处理
方法进行了归纳总 结。

西北丁业大学硕十学位论文
第四章基于背景预测的红外弱小目标检测
第四章基于背景预测的红外弱小目标检测
对红外图像中目标、背景和噪声的分析可知，红外图像中目标 所占的尺寸是
非常小的，而绝大部分是背景。所以从背景出发来进行弱小目标的检测更为合理。
上一章中所讲述的中值滤波、形态滤波、高斯低通滤波对图像的滤波过程均可以
看做是对红外弱小目标图 像的背景进行预测，在其基础上的弱小目标检测也可看
为是属于基于背景预测的红外弱小目标检测方法。 这些方法，在一定的情形下的
检测效果较好，但仍然存在一些不足。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，发展了很多有用的算法，有基本背景预测方法嗍，自适
应的背景预 测方法（包括ｗｉｒｉｅｒ滤波法１４６］，ＬＭＳ滤波法，Ｋａｌｍａｎ滤波法Ｗ０），
分块背景预测 方法（包括区域最大化背景预测方法悼Ｊ，区域最小化背景预测方法
１４５１，区域均值背景预测方法１ ４９Ｊ，区域最相似背景预测方法ｌＳｌ），基于神经网络的
背景预测方法，基于灰度形态滤波的背景预 测方法，基于双重预测窗的背景预测
方法以及它们的一些组合改进形式。下面，本章将针对基于背景预测 的红外弱小
目标检测技术进行详细讨论。
４．１背景预测方法的基本思想
背景预测方法 的基本思想是：背景中的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 像素点的灰度值相关性较差，在图像
局部会形成一个或几个异常点。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，则背景中的点的实际灰度值与预测值相近，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。此时只
要在预测残差图像上进行门限 检测就可以了。因而，背景预测的目标是：使对背
景灰度预测值尽可能接近真实值，而目标灰度预测值尽 可能远小于真实值，以使
得残差图中背景尽可能被对消掉，目标尽可能地被突出。
最基本的背景 预测模型为：
Ｙ（ｍ，ｎ）－－∑∑％（ｚ，ｋ）Ｘ（ｍ－Ｉ，ｎ－ｋ）（４－１）
ｔｊ，，ｓ ｊ
３６

西北１＝业大学硕士学位论文
ｍ＝０，・～，Ｍ一１；ｎ＝０， ・・ｊⅣ一１
第四章基于背景预测的红外弱小目标检测
式中Ⅳ为尺寸为Ｍ×Ⅳ的参考图像或输入 图像，】，为预测图像，％为第＿，级
的权重矩阵，＿，＝肼×肘＋疗对应着当前位置，ｑ对应着局域背 景选取点的范围集
合，属于置的像素点个数是有限的，设为三。
预测图像与输入图像之间的残差 图像为：
耳吣ｆｏ删川删嚣描
㈤ｚ，
式中ｘ为尺寸为ＭｘＮ的输入图像，Ｖ（ｍ，以） 可以认为是（坍，功这一像素点的
局部背景灰度。那么将对比度表示式的分母视为定值的话，贝ｌＪＥ（ ｍ，疗）就是（所，珂）
这一像素点的对比度。此时检测问题就转化为在残差图像上进行对比度阈值检< br>测。
４．２背景预测方法介绍
目前，基于背景预测的弱小目标检测方法有：基本背景预测 方法，自适应的
背景预测方法（包括ｗｉｒｉｅｒ滤波法，ＬＭＳ滤波法，Ｋａｌｍａｎ滤波法），分块 背景预
测方法（包括区域最大化背景预测方法，区域最小化背景预测方法，区域均值背
景预测方 法。区域最相似背景预测方法），基于神经网络的背景预测方法，基于
灰度形态滤波的背景预测方法，基 于双重预测窗的背景预测方法等。基于背景预
测的弱小目标检测方法具有较好的检测性能和易实现性等优 点，但是当背景起伏
较大时，这一算法的检测性能就会受到影响。下面将对主要的方法做一介绍。
４．２．１基本背景预测方法
基本背景预测的权重可按以下三式选取：
（４—３）
哪 胪赫
｜ｊｔ３ｌ
杉（，，七）＝Ｚ１
“剞

西北工业大学硕七学 位论文
哪）＝器
ｔＪ，ｅｓｊ
第四章基于背景预测的红外弱小目标检测
∽ｓ，
ｒ（１，ｋ）为局域背景点到预测点的几何距离。将上述的权值的取法对应成滤
波器模板，如下 ：
９
４
ｌ
９
４
ｌ
ｌ
Ｉ
４
９
一ｌ獬
Ｏ
ｌ
４
９
厅ｌ模板是一种最简单的设定，是一种等 权重设置，相当于将局域背景像素
点的灰度僮进行平均作为预测值。丙１模板适合于点目标和目标大小在 ３×３以下
的小目标。从＾２、厅３模板可以看到，离预测点的距离越近，则权重越小，所以
兼 容性会更好。Ｊｉｌ２、＾３可以适用于点目标和弱小且标。
４．２．２自适应背景预测方法
基 本背景预测法的权重系数可以说与图像内容无关，是一种事先设定的系
数。而自适应的算法是以最小均方 误差为准则，求得残差图最小时的最佳权重系
数（包括ｗｉｎｅｒ滤波法，ＬＭＳ滤波法，Ｋａｌｍａｎ 滤波法）。以ｗｉｎｅｒ滤波法为例，
进行公式推倒。即：
Ｅ｛【Ｅ（胁，嚣）】２）＝硪【Ｘ ◇％，０一Ｙ（ｍ，拜）】２｝（４－６）
将（４．１）式代入（４．６）式，可得
Ｅ｛［Ｅ（ 肌，胛）】２｝＝占（【ｘ（ｍ，ｎ）－∑∑ｗｊ（ｔ，ｋ）Ｘ（ｍ一，，玎一七）】２）
（４—７）< br>为了简化推倒过程，设ｘ为ＭｘＭ的输入图像，预测窗大小为Ⅳ×Ⅳ，则上式可
变为：
＾ ｒ一１Ⅳ一Ｉ
Ｅ｛【Ｅ（棚，仃）】２｝＝Ｅ｛［．ｒ（ｍ，厅）一∑∑％ｕ，ｋ）Ｘ（ｍ一，，ｎ－ｋ ）］２）
Ｉ＊０ｋ－Ｏ
（４—８）
３８

两北１＝业大学硕士学 位论文第四章基于背景预测的红外弱小目标捡测
对（４—８）式两边求导，化简可得：
Ｎ一｛Ｎ －Ｉ
Ｅ［Ｘ（ｍ，ｎ）Ｘ（ｍ－ｐ，忍一ｇ）】－∑∑Ｗ＋（ｆ，ｋ）Ｅ［Ｘ（ｍ－ｌ，以一七沙∞一ｐ ，＂一ｇ）】（４－９）
Ｉ＝０ｋ＝０
矽‘为最佳滤波器权重。上式可写为：
Ⅳ一ｌＮ －Ｉ
Ｐ（ｐ，ｇ）】＝∑∑Ｗ‘ｕ，ｋ）Ｒ（ｐ－Ｉ，ｑ－ｋ）
１＝０ｋｓＯ
（４．１ ０）
Ｐ＝ｏ，一’Ⅳ一ｌ；ｑ＝０，。’’Ⅳ一ｌ
式中，∥‘为最佳滤波器权重，Ｐ和Ｒ分别为 交叉相关矩阵和自相关矩阵。矿‘
可从（４－１０）式计算获得。由于所取得的权重是利用以图像自身作 为参考图计算
得到的，如果图像自身包含目标，从理论上分析则有可能漏掉目标和产生虚警。
另 外，由于要对每一个像素点要计算自相关矩阵和互相关矩阵，所以计算量要增
加很多，这也不利于算法的 实现。
４．２．３分块背景预测方法
分块背景预测方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，
对应着欧几里德空间的四个象限。分别以这四个区域中的最大值、最小值、均值、
中值、与预测点最相似值作为预测点的预测值，获得预测图。这几种不同的预测
法分别命名为：区域最 大化背景预测方法，区域最小化背景预测方法，区域均值
背景预测方法，区域最相似背景预测方法。所划分的四个区域的背景预测值分别是：
Ｎ—ｌＮ—ｌⅣ一ｌＮ－Ｉ
Ｋ（所，胛）＝∑∑％ （ｆ，ｋ）Ｘ（ｍ＋ｌ，玎＋的
Ｉ＝０ｋ１０
Ｋ（ｍ，功＝∑∑形（ｆ，ｋ）Ｘ（ｍ－１，一十 七）
Ｉ。０ｋ＝０
Ⅳ一ＩＮ—ｌ
Ｅ（肌，疗）＝∑∑彬（，，ｋ）Ｘ（ｍ－１，ｎ－ｋ ）
１＝０ｋ＝０
匕
，Ｌ
所
阼
）
｜Ｉ
¨∑Ｍ
¨∑Ⅲ
形
Ｕ
后
、，
Ⅳ
，Ｌ
ｍ
＋< br>，
圩一
七
）
（４．１１）
（１）区域最大化背景预测’法【８ 】
区域最大化背景预测法是取四个区域预测值中的最大值作为最终的预测值。
即：

西北１二业大学硕士学位论文
第四章基于背景预测的红外弱小目标检测
（４—１２）
】，嘣（ｒｎ，ｎ）＝ｍａｘ｛巧（ｍ，，力，Ｅ（埘，仃），Ｅ（肌，Ｈ），Ｙ４（ｍ，ｎ））
利用式（４－１２）的预测模型可使得背景中的亮度较高区域或亮度较低区域任
何一个方向的边界上的 点都是利用它周围的亮背景来预测。
（２）区域最小化背景预测法【４８ｌ
区域最小化背景预测 法是取四个区域预测值中的最小值作为最终的预测值。
即：
，，腓（朋，盯）＝ｍｉｎ｛Ｙｌ（ ｍ。疗），Ｅ（小，，力，Ｙｊ（ｍ，盯），Ｋ（聊，珂）｝
（４・１３）
（３）区域均值背景 预测澍删
区域均值背景预测法是取四个区域预测值的均值作为最终的预测值。即：
ｋ勋，咖三喜 珈∽
（４）区域最相似背景预测法‘３１
为最终的预测值。即：
（４．１４）
区域最相似背景预测法是取四个区域预测值中与被预测点误差最小的值作
，乙（脚，ｎ）＝４，ｇ｛ｍｉ ｎ爿Ｄ｛丘（ｍ，功））
其中，
（４一１５）
ＡＤ｛Ｙｋ（ｍ，聆）｝＝砭（ｍ，行） 一Ｘ（ｍ，栉）
（４—１６）
与基本背景预测方法相比，分块背景预测法是利用像素点邻域部分 点而不是
所有点来进行预测，在某些情况下，可有效实现对边缘的准确预测。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，很难使目标灰度预测值远 小于真实值，残差图中的目标点与背景的对比度
较低，无法正确检测到目标；采用区域最小化背景预测法 时，很难使背景灰度预
测值接近真实值，这样虽然目标点残差值较大，但云层边缘处的背景点残差值也< br>较大，这样容易出现以云层边缘为主的虚警点；采用区域最相似背景预测法，目
标的预测值比较接 近真实值，目标点的残差值较小，有可能检测不到目标。

西北Ｔ业大学硕＋学谨论文第四章基于背景预测的红外弱小目标检测
４．２．４基于边缘区域的亮暗点分类背景预测方法
文献【７７】提出的基于边缘区域的亮暗点分类背景预测法是在对自适应线性背
景预测算法改进的基础 上提出的。该方法利用自适应均值预测器对原始图像进行
背景估计：（ａ）当被预测点不是边缘点时，直 接进行滤波；（ｂ）当被预测点是边
缘点时，首先利用灰度图像的分割算法将预测窗口内的像素点以预测 窗口均值为
阈值分为亮点和暗点两类：若亮像素点为多数，则根据亮像素点及其对应的权系
数计 算预测值；若暗像素点为多数，则根据暗像素点及其对应的权系数计算预测
值。
上述方法缺点如 下：若预测窗中暗点数多于亮点数，则云层边缘的高灰度像
素点的预测值可能会大大减小，使得边缘上的 非目标点在残差图上的灰度值会很
大，从而产生误差，达不到有效的抑制起伏边缘点的目的。
４ ．３本文提出的背景预测新方法
在图像信噪比较高的情况下，上述方法检测效果良好，但若背景起伏较大 ，
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，亮云层边缘预测值与真实灰度值差异往往
较大，检测结果会出现以云层边缘为主 的虚警点。因此，应尽可能地对高亮边缘
进行准确预测，使残差图中边缘被极大对消，达到抑制背景、突 出目标的目的。
鉴于此目的，本文提出了两种基于边缘区域的背景预测方法，以减小起伏背景的
影响。两种新方法分别为：新的基于边缘区域亮暗点分类背景预测法和基于边缘
区域多尺度邻域背景预测 法。
４．３．１新的基于边缘区域亮暗点分类背景预测方法
新的基于边缘区域亮暗点分类的背景 预测法的主要思想是：对云层边缘采用
区域亮暗点分类，寻求最相似点进行预测；对非边缘处的点采用基 本背景预测法
进行预测，从而得到原图的背景预测图。本方法预测窗是以预测点Ｐ为中心的９
Ｘ
９区域，如图４—１所示。预测步骤如下：
（１）对图像进行预滤波处理，去除点源噪声。４ｌ

两』匕Ｔ业大学硕士学位论文第ｌ四章基于背景预测的红外弱小目标检测
（２）对图像进行边缘检测，提取边缘。
边缘检测的基本思想是首先利用边缘增强算子，突出图像的局 部边缘，然后
定义像素的“边缘强度”，通过设置门限的方法提取边缘点集。本文采用Ｓｏｂｌｅ
算子进行边缘检测。Ｓｏｂｅｌ算子的两个卷积计算核如下式所示，图像中的每个点
都用这两个核做卷 积。两个卷积的最大值作为该点的输出值。
２
＆
＝
Ｏ
●Ｏ，０
‘
＝
Ｏ
（４～１７）
０Ｏ乏０
Ｏ
ｏ之ｏ
（３）如 果预测点在边缘上，则以预测窗的均值为门限，将预测窗内的点分
为亮点和暗点两类。如果被预测点属于 亮点，则在预测区（预测窗内除去中，５５
×５区域的灰色区域，共５６个点）的亮点中搜索与被预测点 最接近的点作为预测
值；如果被预测点属于暗点，则在预测区的暗点中搜索与被预测点最接近的点作为预测值。其中，预测区的选择是考虑到了算法的兼容性，适用于小目标和点目
标。
（４） 如果预测点不属于边缘，则用＾１模板进行基本背景预测。
图４．１预测区域图
本方法有两大优 点：（１）对于边缘处的点，充分的考虑了被预测点本身的性
质。以被预测点为参照来进行预测，预测值 要求与被预测点最接近；（２）充分的
考虑了边缘点的特性。边缘处的点本身是处于两种灰度区域的交界 处，若用预测
窗内的所有点进行预测或不考虑被预测点的特性而以某一特性的部分点来预测
必然 会产生较大的误差。应用本方法预测，可使得云层边缘点的预测值与真实值
更接近，同时目标点处的预测 值与真实值相比变得更小。

西北ｒ业大学硕七学位论文第四章基于背景预测的红外弱小目 标检测
４．３．２基于边缘区域的多尺度邻域背景预测方法
基于边缘区域多尺度邻域的背景预测 法的主要思想是：对图像上的边缘点，
若是背景上的点，则其灰度在一个较大区域是连续分布的，而弱小 目标的灰度在
其邻域会很快发生突变。因此，对边缘处的点根据不同尺度上邻域亮暗点分布特
点 将其进一步区分并进行背景预测；对非边缘处的点采用基本背景预测法进行预
测，从而得到原图的背景预 测图。算法思路如下：设真实灰度值为毋的边缘上
的预测点Ｐ在两个不同尺度＾‘×ⅣＩ和鸩×Ⅳ２的邻 域上的亮点个数分别为ｍ，和
ｍ：，邻域灰度均值为岛。、岛：，则点Ｐ的预测值岛为
ｇｐ＝堙 ，＋（１一七）（ｇｄ＋ｇ口２）／２
（４—１８）
后：坠二苎，当七＜０，令七：０。
ｍ２
（４—１９）
对云层边缘上的点，增大其邻域尺度，其亮点数也随着增大，因此ｋ较大，
由上式可知其预测值主要由其真实灰度决定；对目标点，增大其邻域尺度，其邻
域亮点数不会随 着增大或增加很小，因此ｋ较小，由上式可知其预测值主要由其
邻域点灰度决定。
本方法预测窗 是以预测点Ｐ为中心的１１
Ｘ
１１区域，两个不同尺度邻域分别为７
Ｘ７－５Ｘ５和１ ｌＸｌｌ—５×５的环状区域，如图４—２所示。预测步骤如下：
图４．２预测区域图
（１）利 用边缘检测方法提取边缘。
（２）如果预测点在边缘上，则以中间３×３窗口的均值为门限，将两个不同

西北工业大学硕十学位论文第四章基于背景预测的红外弱小目标检测
尺度邻域内 的点分为亮点和暗点两类。分别求得两个不同尺度邻域内的亮点数
％、ｍ：和邻域灰度均值器。、ｇ口２ ，根据公式（４—１８），求出边缘点的预测值。
其中，预测区的选择是考虑到了算法的兼容性，适用于 小目标和点目标。
（３）如果预测点不属于边缘，则用＾ｌ模板进行基本背景预测。
本方法的优 点在于充分的考虑了边缘点的特性。边缘处的点本身是处于两种
灰度区域的交界处，若用预测窗内的所有 点进行预测或不考虑被预测点的特性而
以某一特性的部分点来预测必然会产生较大的误差。本方法中，对 于云层边缘处
的背景点其预测值主要由其真实灰度决定；对于目标点其预测值主要由其邻域点
灰 度决定。这可使得云层边缘点的预测值与真实值更接近，同时目标点处的预测
值远小于真实值，有利于消 掉背景、突出目标。算法本身具有自适应的特点，而
且算法的抗噪性能较好。
４．４背景对消和 阈值分割
４．４．１背景对消
通过背景预测算法得到预测图，按照（４—２）式与原图作差，得 到残差图。
残差图整体灰度值较低，目标点与周围灰度值相近。为了方便后续的阈值分割，
需对 残差图进行图像增强。根据实际情况，本文采用简单易行的线性增强算法，
将残差图上的像素灰度值线性 的对应到０～２５５区间内，以便于后续的阈值分割。
变换方法如下：
０
Ｏ＜Ｅ（ｉ， ｊ）＜ｍａｘ
２５５
Ｅ（ｆ＇，）。““（４－１９、
Ｅ（ｉ，＿，）表示残差图的灰 度值，ｚ（ｉ，＿，）表示增强图的灰度值，ｍａｘ表示残差图
中灰度最大值。

西北工业大学硕七学位论文
第四章基于背景预测的红外弱小目标检测
４．４．２阈值分割
图像经过背景预测后，得到的残差图己去掉了大部分低频信息，但仍存在部
分高频噪声和干扰点。所以 需对图像进行分割，去掉干扰，只保留可能目标点。
阈值分割是一种简单有效的图像分割方法，它用一个 或几个阈值将图像按灰度级
分为若干部分。阈值分割的最大特点是计算简单，因而在运算效率要求高的场 合
得到了广泛应用。
设图像为ｆ（ｉ，，），其灰度值范围为Ｇ＝｛０，１，２…，三一１）， 取分割阈值ｒ，将图
像分割成两个部分，Ｂ＝｛口，ｂ｝代表二值灰度级，则图像ｆ（ｉ，，）在阈值ｒ 上的分割
结果可以表示为：
Ａ（ｉ∽：Ｐ
Ｌｔ，
凳籍
件２。，
本文中，由于经过背景抑制后的图像中只有目标和高频噪声。而且，目标较
之大多数噪声而言要明亮一 些，亦即目标的灰度级要高一些，因此可以采用单门
限方法，灰度值高于门限的置为２５５，灰度值低于 门限的置为Ｏ。即：
驯，＝｛了５粼嚣∽２－，
可见，闽值分割实际上就是根据某个判决准则来 确定最佳闽值ｒ的过程。阂
值选择对后续处理有重要影响：阈值过高，则可能丢失真正的目标信息，阈值 过
低，将造成较高的虚警率。本文采取自适应阈值分割图像，取门限为：
Ｔ＝ｍ４－ｋｏ＂（４．２２）
其中，ｍ为图像的均值，盯为图像的均方差，ｋ为常值，根据经验值获得，
一 般取５～１５。每幅图像中大于或等于门限的置为２５５，小于门限的灰度值赋零。
经过上述阈值分割方 法处理后，输出图像中仅含有目标和少量的噪声点。至
于究竟是否为目标，可通过序列检测来进行确认。

西北．Ｔ业大学硕十学位论文
第四章基于背景预测的红外弱小目标检测
４．５实验及结果分析
４．５．１实验条件
本文采用的红外弱小目标图像是在红外背景图像上嵌 入弱小目标得到的合
成图像，图像大小为２４０ｘ３１７。其中，背景为空中云层，弱小目标为３×３像 素。
下面，分两种情况对上述的传统算法和改进算法进行仿真，对实验结果进行比较
分析。第一 种情况是目标在云层外，目标周围背景相对均匀；第二种情况是目标
在云层边缘，目标周围背景起伏较大 。仿真中的基本背景预测法均采用＾１模板，
所有的分块背景预测法均采用＾１模板所对应的分块模板。 所有仿真算法中需要
边界延拓的均对原始图像进行边界延拓后进行处理，因此本文当中对不采用延拓所造成的边缘影响不做考虑。所有仿真计算均是在ＰＩＩｌ６００Ａ上进行。
４．５．２实验结果及 分析
４．５．２．１背景预测图仿真结果及分析
下面，列出了上述背景预测方法的预测仿真结果 。为了能够清晰的比较不同
背景预测方法的差异，仍然采用仿真结果的局部放大图。
（・）原始 图
“’基衰ｉｉ嚣删固
（ｄ）最丈化背景预测图（ｅ）最小化颈测图
∽区域均值颈测图