学海网

毕业设计 基于高阶累积量与小波能量变换的小目标检测方法，共65页，31557字
摘要
小目标检测是数字图像处理领域内的一个重要分支，其应用涉及军事、通信、天气预报、GPS、地海空侦查、勘探、天文以及生物医学工程等众多军事及国民经济领域。小目标检测尤其在军事领域有着十分广泛的应用，如空中预警、海洋监视等。近些年来，由于红外和可见光侦察、监视设备在军事上的大量应用，也推动了多目标检测技术的快速发展。本文将高阶累积量与多种现代数字信号处理中的优秀方法相结合，研究了在高斯噪声和自然背景下高斯滤波及多弱小目标提取的问题。
数字图像可以认为是由三个分量组成的：目标图像、背景图像、噪声图像。
所谓小目标，是指当成像系统和目标的相对位置较远时，虽然目标本身可能有几米甚至十几米的直径，但在成像平面内仅表现为一个或几个像素的面积，它通常又被称为点目标（PointTarget）。
为了从二维图像中检测到低强度的运动小目标，本文主要从信号处理中空域滤波方法出发，根据高阶累积量在已应用的领域中的特性，针对红外图像中弱小目标的空间特征，利用高阶累积量对高斯噪声良好的抑制效果，推导其在二维图像中的可行性—理论上可完全滤除图像相中的可加性高斯噪声。并用matlab仿真实验，验证其准确性以及可应用的范围。在本文中引入的高阶累积量自适应滤波器，与其他现行滤波器相比，高阶累积量自适应滤波器成功的提取出多小目标，并保留大量的自然纹理特征。而二维维纳滤波器和二维极值中值滤波器在滤波中不仅会有目标信息的丢失，同时严重破坏了背景。影响了对目标提取的判别，尤其是淹没在背景中的目标，经这两种滤波后，现实工程中很难再能经背景分割出这些被淹没的目标。而这些消失的小目标将对军事判断造成无法挽回的损失。
经高阶累积量自适应滤波器处理后的图像包含小目标和自然背景，在此基础上，本文后续的的第五章引入了小波能量变换、数据融合与阈值分割相结合的方法进行背景分割，提取出军事小目标，以便对军事有效参考。
目标图像即为只占几个像素的灰度奇异点，由于它所占面积很小，缺乏尺寸、形状、纹理等结构信息，唯一可供利用的就是目标的强度信息。背景图像通常具有“强相关”的特点，它占据了整个场景图像的低频空间；同时，由于场景和传感器内部热分布的不均匀性，背景图像是一个非平稳过程，图像中局部灰度值可能会有较大的变化，表现为“强起伏”的特点；另外，背景图像中还包含了部分空间域中的高频分量，它们主要分布在背景图像各个同质区的边缘处，比如海空背景图像中的海天交界线：噪声图像是传感器及电路产生的各类噪声的总和，它的各像素之间互不相关，并且与背景像素也不相关，在空间域中表现为和小目标类似的高频特征，但它在空间分布上是随机的，帧间分布不具有运动小目标所有的空间相关性。
同时本文将小波变换应用于图像融合，对小波能量分解出来的高频通道图像进行融合处理。这样处理后，得到的图像将包含所有的高频信息，即小目标信息。通过自适应阈值分割，本文最终把小目标完全从背景、噪声中提取出来。通过实验数据显示，本文提出的高阶累积量自适应滤波器、小波能量变换、数据融合及自适应阈值分割相结合的方法在小目标提取方面更有优势。
虽然现今图像处理的发展迅速，也取得了很大的成绩，但是随着多小目标提取在军事上的进一步研究，以及其应用的不断深入，在该领域也会不断的出现新的问题，将来也有很大的发展空间。
因此，本文在引入高阶累积量自适应滤波器对含有大量高斯噪声的图像进行滤波后，成功的提取了我们所需要的小目标信息，保留了大部分的自然纹理背景。这样，本文又引入基于小波变换的自然纹理背景下多目标检测算法。针对自然纹理（无明显特征）背景的采用小波能量、数据融合及阈值分割相结合的目标检测方法，与传统的分割方法相比，此算法能滤除与目标灰度相近的背景，而保留目标。
随着图像处理技术的不断发展和相关领域引入理论的不断完善，多弱小目标提取必将以更大的深度和广度在各个领域上获得更大的应用和推广，这也将促进研究者对多小目标提取进行更深入的研究。
关键词：高阶累积量，小波变换，数据融合，高斯噪声

目录
提要 6
目录 7
第1章 绪论 1
1.1 研究背景及意义 1
1.2国内外相关领域研究状况概述 1
1.2.1小目标检测概述 1
1.2.2研究发展现状 2
1.2.3存在的主要问题 3
1.3 本论文的主要工作及内容安排 3
1.3.1 论文的主要工作 3
1.3.2 论文的内容安排 4
第2章 高阶累积量及噪声简介 5
2.1引言 5
2.2高阶累积量及相关知识 5
2.2.1高阶统计量的定义 5
2.2.2 高斯过程的高阶矩和高阶累积量 6
2.2.3高阶累积量的基本概念及其主要性质 7
2.2.4高阶累积量的优势 10
2.3 图像噪声 10
2.4.1图像噪声的概念 10
2.4.2图像去噪声主要方法 11
2.4.2.1空域滤波去噪声 11
2.4.2.2频域滤波去噪声 11
2.4.2.3小波域滤波去噪声 12
2.4 本章小结 13
第三章 基于高阶累积量的小目标检测 14
3.1引言 14
3.2维纳滤波 14
3.2.1 维纳滤波器基本原理 14
3.2.2 二维维纳滤波 15
3.3中值滤波 16
3.3.1 中值滤波器基本原理 17
3.3.2 二维极值中值滤波 17
3.4二维高阶累积量的自适应滤波器算法 18
3.4.1 检测方案 18
3.4.2 二维高阶累积量自适应滤波算法 18
3.5仿真分析 20
3.6 本章小结 23
第四章 小波及数据融合理论 24
4.1 引言 24
4.2小波变换的介绍 24
4.2.1 一维连续小波变换 24
4.2.2 离散小波变换 25
4.2.3 多分辨率分析 26
4.2.4 二维离散小波变换 29
4.3图像数据融合 32
4.3.1 数据融合介绍 32
4.3.2 图像融合技术的应用 33
4.3.3 图像融合的目的 34
4.4 本章小结 35
第五章 基于小波能量及数据融合技术的多目标提取 36
5.1 引言 36
5.2基于灰度和纹理特征的目标检测方法 36
5.2.1基于数学形态学的目标分割 36
5.2.2最大熵阈值分割法 38
5.3基于小波能量变换和数据融合方法 40
5.3.1小波能量变换 40
5.3.2基于小波分解的图像重构 42
5.3.3自适应阈值分割 42
5.4仿真结果分析 43
5.5本章小结 46
第六章 全文总结 47
6.1 本论文的工作总结 47
6.2 远景与展望 47
参考文献 49
致 谢 53
摘要 1
Abstract 3