基于自适应形态学Top_Hat滤波器的红外弱小目标检测方法

摘要:针对传统基于人类视觉系统的检测方法在复杂背景下容易造成检测虚警的问题,提出一种基于双层局部对比度的红外弱小目标检测方法.首先,通过双层对角灰度差对比度分析

本文分别从提高红外图像对比度、抑制噪声、增强红外图像彩色对比度这三 个角度研究了红外弱小目标图像的增强方法。文章介绍了红外图像增强的基本概 念和图像增强的效果评价，究了红外图像的成像机理和特点。首先分析了红外弱小目标图像噪声成因和目标成像特点，在抑制噪声方面重点分析比较了平滑滤波和中值滤波的优缺点，然后分析和研究了常用的基于直方图的方法、灰度变换、空间滤波以及基于数学形态学的弱小目标图像增强算法。最后本文研究了红外弱小目标图像的伪彩色增强，实验结果表明增强后的图像改善了视觉效果，提高了对比度。

MDvsFA_cGAN数据集，含有一万张训练图片。另外含有测试图片

红外弱小目标数据集-NUDT-SIRST1，里面含有1327张训练数据和验证数据。需要的可以下载

复杂背景红外弱小目标视频 第二届“空天杯”的红外弱小目标数据集合成的视频数据集 红外图像中的弱小目标，目标属性包涵“弱"和“小’’两个方面：“弱’’是指目标在红外波长上所表现出来的强度，具体反映到所拍摄的红外图像上，就是指目标的灰度值；而“小’’是指目标的尺寸大小，也就是前面所述的成像面积很小，反映到红外图像上就是指目标所占的像素数目很少。 SPIE国际光学工程学会(Societyof Photo一0ptical Instrumentation Engineers，简记为SPIE)从1989年开始，几乎每年都会举办有关弱小目标检测技术的国际会议，研讨弱小目标检测技术的最新研究成果。根据SPIE的定义，成像尺寸小于整个成像区域0.12％的目标均可称为弱小目标(即当成像尺寸为256×256时，弱小目标应不超过81个像素，其目标尺寸在9*9以内)。

针对红外搜索跟踪设备对云背景下红外弱小目标的检测问题，提出了一种新的综合滤波算法。在对图像进行对比度增强的基础上，采用高通滤波去除大面积云背景，并利用中值滤波孤立图像点噪声，而后使用全局阈值分割法分割目标和残余噪点，从而实现小目标的检测。通过图像质量评价方法对原图像和处理后图像进行计算分析表明，背景抑制图像的信噪比和对比度得到有效提高，能够清晰检测出云背景下的红外弱小目标。实验数据有效证明了综合滤波算法的合理性和可行性。

红外弱小目标数据集(https://github.com/wanghuanphd/MDvsFA_cGAN.git) 删除了部分损坏的图像

红外弱小目标检测技术已成为国内外红外领域研究的重点。对红外弱小目标的特征进行了介绍；从基于空间域和变换域的滤波、人类视觉系统以及图像数据结构3个方面，对当前单帧图像的红外弱小目标检测算法的原理、主要步骤及特点进行了综述；分析了红外弱小目标检测技术的发展趋势。

对基于中值相减滤波、最大中值相减滤波、最大均值相减滤波和推广的结构张量的红外弱小目标检测算法的性能进行了评估。针对传统评估方法的不足，提出了一种基于支持向量回归的红外弱小目标检测算法性能评估方法。利用该方法分别从图像背景特性和目标特性2方面对4种检测算法性能的影响进行定量分析和比较。实验结果表明，图像背景特性和目标特性对4种算法的检测性能都有较大的影响，而目标特性与4种算法的检测性能的依赖关系更明显；在4种评估算法中，基于推广的结构张量算法比其他3种传统红外弱小目标检测算法具有更好的鲁棒性。