模糊神经网络在图像微弱目标检测中的应用

摘要

微弱运动目标的检测与处理一直是计算机视觉与图像处理工作中的重要课题，也是红外探测系统中的核心技术之一，特别是在背景复杂、距离较远的情况下，难以有效地实时分离目标。能见度低的点源目标的检测和跟踪问题产生于远程监控的应用背景中。远距离的红外成像目标通常隐藏在高度结构化的背景杂波和强噪声环境中，近些年来，强杂波条件下的可见光和红外小目标的检测研究工作已愈来愈为人们所重视。算法的性能对红外探测系统的作用距离和智能化程度十分关键。 本论文的主要工作是，首先提出了强杂波抑制型微弱图像目标检测系统，即先对图像序列的背景强杂波进行有效抑制，再进行滤波和检测的后两步策略。将杂波抑制明确为：抑制图像背景的能量、改善目标信杂比；对原来图像的分布进行变换——由复杂和未知分布转化为简单和已知分布。 提出了一种有效的背景杂波预测动态模糊神经网络模型，用于抑制图像背景噪声，检测图像中的微弱目标。目标被假设为只有很小的空域扩展度，而且淹没于背景强杂波干扰之中。通过动态模糊神经网络进行阈值分割，背景杂波被准确的估计出。采用D—FNN网络模型，为了跟踪包含不同子结构的复杂背景，原始图像被划分为多个子块，并在相应的子块中选择训练样本对结构单元进行优化，提高了杂波的估计精度。 利用目标检测常用的阈值门限判决和目标轨迹的跟踪技术，依据运动目标具有的连续性和方向性，使用最小二乘法，建立试用于微弱目标检测跟踪系统的目标轨迹跟踪算法。 利用目标检测算法性能评价方法及建立评价方法的前提和假设，分析目标/背景统计特性，对检测概率、虚警概率等性能指标进行建模、实验及理论分析。

目录

文摘

英文文摘

声明

第一章 绪论

1.1课题背景及意义

1.2相关技术及国外研究现状

1.3本文的内容安排及创新

第二章 微弱目标检测中的背景抑制技术基础

2.1红外图像的数学描述

2.1.1微弱目标模型

2.1.2背景杂波模型

2.1.3噪声模型

2.2红外图像背景杂波抑制的性能评价方法

2.2.1目标局域信号杂波比增益检验

2.2.2残差图像噪声的正态性检验

2.2.3残差图像噪声的白化程度检验

2.3序列图像背景杂波的抑制方法

2.3.1非参数回归估计的线性空域滤波

2.3.2自适应的线性空域滤波

第三章 基于动态模糊神经网络的背静抑制技术

3.1动态模糊神经网络基础

3.2模糊系统

3.2.1模糊集

3.2.2模糊规则

3.2.3模糊推理系统

3.2.4模糊系统作为非线性性逼近

3.3神经网络

3.3.1神经网络的特性

3.3.2人工神经网络基本模型

3.4动态模糊神经网络的结构

3.5动态模糊神经网络的学习算法

3.5.1规则产生准则

3.5.2分级学习思想

3.5.3前提参数分配

3.5.4结果参数确定

3.5.5动态模糊神经网络训练基本流程

3.6图像的二值分割

3.6.1基于灰度值统计的阈值分割

3.6.2基于图像灰度值自适应分割法

3.6.3基于过门限率和过门限像素分割方法

3.7仿真结果

3.7.1杂波抑制试验结果

3.7.2残留噪声白化程度检验

3.7.3性能检验

3.7.4经过阈值处理后的图像对比图

第四章 基于目标运动连续性和方向性的轨迹跟踪算法

4.1目标轨迹跟踪算法

4.1.1基于最小二乘法的轨迹检测算法

4.2.2管道滤波

4.2使用时空域智能管道标记的拟合跟踪方法

4.2.1时空域智能管道标记拟合跟踪算法

4.2.2递推时空域智能标记跟踪算法

4.3仿真结果分析

4.3.1集成检测性能以及相关参数的分析

4.3.2允许连续漏报的分析

4.3.3实验结果图

第五章 结论与展望

5.1本文工作总结

5.2研究展望

致谢

参考文献

攻读硕士期间取得的研究成果