时空非平稳强杂波抑制与微弱运动目标检测技术

摘要

随着其应用领域的不断拓广，在强杂波干扰下对图像序列中的微弱运动目标进行检测和跟踪日益受到人们的广泛关注，并形成了一个研究热点。由于目标本身的微弱特性，再加上背景强杂波的干扰，造成对目标的检测和跟踪变得十分困难。而本文的研究正是集中于相关的两项关键技术：背景强杂波抑制技术和类WGN模型下多帧目标检测技术。 本文首先明确的提出了强杂波抑制型微弱图像目标检测系统，即采用先对图像序列进行背景强杂波抑制，再进行匹配滤波检测的两级策略。将杂波抑制的任务明确为：抑制背景能量、改善目标信杂比；对原始图像进行分布变换——由复杂、未知分布转化为简单、已知分布。同时完备了杂波抑制效果的评价体系，提出四项检验标准：正态性、白化程度、局域信杂比增益以及单帧检测性能。 系统的讨论了图像目标微弱特性评价和参数界定，并分别在理论上从人眼视觉和机器检测角度讨论了其评价指标。给出了局域信杂比LSCR的定义以及其依据，而且通过工程实验获得了人眼视觉条件下表征图像目标弱特性的LSCR参数界定。对于机器检测条件下的目标，则根据Neyman-Pearson准则计算出了不同检测概率和虚警概率要求下所需的LSCR参数。从而较好的解决了微弱图像目标检测中的一个基本问题，即究竟满足什么样参数条件的目标才可以称为微弱目标。 提出了基于图像准平稳子域划分的自适应杂波估计与抑制方法，并进行了详细的计算机仿真实验。由于原始复杂图像数据的全域灰度非平稳特征造成自适应算法对杂波的跟踪性能较差，因此考虑将原始图像划分为多个准平稳的子图像，然后在每个子图像域内利用自适应算法对杂波进行估计与抑制。提出了两种划分方法：四叉树矩分割法和FCM聚类分割法。对原始数据进行预平滑处理后作为自适应空域非因果滤波器的输入数据，避免了由于目标空域扩展带来了的背景估计失准。采用RLS算法估计背景杂波，收敛性好，数据稳定性高，对特定样本数据估计比LMS算法精确。 提出了一种有效的背景杂波预测形态神经网络模型，用于检测图像数据中的弱小目标。目标被假设为只有很小的空域扩展度，而且淹没于强背景杂波干扰之中。通过形态神经网络，杂波背景被准确的估计并从输入数据中去除，只剩下残留噪声和目标信号。采用扩展输入层数据的办法修正了传统的形态开、闭运算3层前馈BP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元进行优化，提高了杂波的估计精度。提出了基于空时自适应分类的背景杂波快速估计与抑制方法。当图像序列中没有摄像机运动造成的全域运动存在，或者是其全域运动被估计和补偿的相当好时，对输入图像帧序列进行时域灰度矩学习，并据此将图像像素划分成两类：时域静杂波和时域动杂波。前者一般是由无变化背景叠加上噪声引起的，而后者则是因为背景的波动、变化、摄像机运动或者目标的存在造成的。对时域静杂波直接采用时域估计并抑制，而对动杂波则通过空域自适应滤波方法进行去除。它综合了时域滤波和空域滤波优点，既拥有时域运算的快速性，又能体现空域滤波的准确性，强适应性和帧存少的优点。 提出了WGN模型下有利于实时实现的微弱运动目标空时集成检测系统，并进行了详细的性能分析。主要思想是：根据先验信息或经验尽量在空域(单帧)上集成目标能量，改善信噪比，从而通过单帧图像的二值化处理获得足够的目标检测概率和虚警概率。然后利用相邻多帧上目标运动的时间连续性在时域上进一步集成目标能量从而获得检测结果。对于空域集成检测，主要分析了线性和非线性合并方式的检测性能，而对于时域集成检测，则着重对三维轨迹集成和时域投影集成两种方式的性能进行了讨论和分析。 上述各个技术研究点均进行了相应的实验，并获得了较好的结果。总之，本论文有相应的课题支持，具有广泛的应用前景，对于图像序列中微弱目标检测与跟踪等图像处理，信号检测与估计等领域都具有一定的指导性意义和参考价值。

目录

文摘

英文文摘

论文说明：图表目录

声明

第一章绪论

1.1研究背景及意义

1.2相关技术及其研究动态

1.2.1背景杂波估计与抑制技术

1.2.3微弱运动目标的检测技术

1.3主要工作与研究成果

1.4论文安排

第二章强杂波抑制型微弱图像目标检测系统设计

2.1强杂波干扰下微弱目标检测数理模型

2.1.1二维成像系统物理模型

2.1.2微弱目标、背景强杂波与噪声关系模型

2.1.3检测模型

2.2强杂波抑制型微弱运动目标检测系统结构设计

2.2.1杂波抑制算子O1设计

2.2.2多帧检测算子O2设计

2.3杂波抑制性能检验与评价方法

2.3.1目标局域信杂比(LSCR)增益检验

2.3.2残留噪声的正态性检验

2.3.3残留噪声白化程度检验

2.3.4单帧检测性能检验

2.4相关概率统计与检测理论

2.4.1一些常用概率分布

2.4.2经验概率密度函数(Empirical Probability Density Function)

2.4.3二元检测理论与Neyman-Pearson准则

2.5小结

第三章强杂波干扰下微弱图像目标参数界定

3.1微弱图像目标信杂比定义

3.2人眼视觉可视性及其微弱目标参数界定

3.2.1图像目标人眼视觉可视性及其分类

3.2.2微弱图像目标视觉可视性参数模型

3.2.2微弱图像目标可视性PC实验分析与实验参数界定

3.3机器可检测性及其微弱目标参数界定

3.3.1图像目标机器可检测性

3.3.2检测性能分析及参数界定

3.3.3真实图像检测PC仿真

3.4小结

第四章准平稳子域划分的背景杂波自适应抑制

4.1算法基本框架结构

4.2图像灰度准平稳子域划分

4.2.1四叉树矩分割法

4.2.2 FCM聚类分割法

4.3多扫描预平滑RLS杂波抑制方法

4.3.1多扫描策略

4.3.2预平滑处理

4.3.3 RLS自适应杂波抑制算法

4.4仿真实验与性能评价

4.4.1杂波抑制实验及结果

4.4.2残留噪声正态性检验

4.4.3残留噪声白化程度检验

4.4.4 LSCR增益检验

4.4.5检测性能检验

4.5小结

第五章基于形态神经网络的复杂背景抑制技术

5.1形态学基础

5.1.1数学形态学发展及现状

5.1.2灰度形态学理论基础

5.2人工神经网络基础

5.2.1人工神经网络概述

5.2.2人工神经网络基本模型

5.3杂波抑制的形态神经网络

5.3.1结构元分块训练策略

5.3.2形态开闭运算BP网络模型

5.3.3杂波抑制BP网络结构元自适应学习

5.4仿真实验

5.4.1结构元自学习结果

5.4.2杂波抑制实验及结果

5.4.2残留噪声正态性检验

5.4.3残留噪声白化程度检验

5.4.4 LSCR增益检验

5.4.5检测性能检验

5.5小结

第六章空时自适应杂波分类抑制快速算法

6.1算法基本框架结构

6.2全域运动估计和补偿

6.2.1图像全域运动参数模型

6.2.2像素点运动场的计算

6.2.3运动背景补偿校正技术

6.3基于时域灰度矩学习的背景杂波分类方法

6.4空时结合杂波分类抑制算法

6.5目标对杂波分类与估计的影响

6.6仿真实验和性能分析

6.6.1自适应杂波分类仿真实验

6.6.2杂波抑制实验及结果

6.6.3残留噪声正态性检验

6.6.4残留噪声白化程度检验

6.6.5 LSCR增益检验

6.6.6杂波抑制计算量比较

6.6.7多帧检测性能比较

6.7小结

第七章微弱运动目标空时集成检测及其性能分析

7.1空时集成检测系统框架

7.2目标空域集成及性能分析

7.2.1目标空域集成模板

7.2.2目标空域集成方式

7.2.3目标空域集成检测性能分析

7.3时域集成检测及其性能分析

7.3.1时域集成方式

7.3.2目标时域集成检测性能分析

7.4仿真实验

7.4.1理想数据仿真实验

7.4.2真实图像仿真实验

7.5小结

全文总结

参考文献

致谢

攻博期间取得的研究成果