《基于空域稀疏性分析的小弱目标检测技术研究（学位论文-工学）》由会员分享，可在线阅读，更多相关《基于空域稀疏性分析的小弱目标检测技术研究（学位论文-工学）（68页珍藏版）》请在金锄头文库上搜索。
1、基于空域稀疏性分析的小弱目标检测技术研究重 庆 大 学 硕 士 学 位 论 文（学术学位）学生姓名：刘 梅指导教师：李正周 教 授专 业 ： 信 号 与 信 息 处 理学科门类：工 学重 庆 大 学 通 信 工 程 学 院二 O 一 三 年 四 月Research on the Detection of Dim TargetBased on Spatial SparsenessA Thesis Submitted to Chongqing Universityin Partial Fulfillment of the Requirement for theMasters Degree of E
2、ngineeringByLiu MeiSupervised by Prof. Li Zheng-zhouSpecialty: Signal and Information ProcessingCollege of Communication Engineering ofChongqing University, Chongqing, ChinaApril, 2013重庆大学硕士学位论文 中文摘要摘 要红 外 小 弱 目 标 检 测 是 红 外 自 寻 的 制 导 、 搜 索 跟 踪 和 预 警 等 领 域 的 一 项 关 键 技术 。 当 探 测 器 与 目 标 之 间 的 距 离 较 远 时
3、 ， 目 标 在 成 像 上 表 现 为 只 占 若 干 个 像 素 的小 目 标 ， 并 且 易 于 淹 没 在 各 种 杂 波 背 景 和 强 噪 声 中 ， 这 给 目 标 检 测 与 跟 踪 带 来 了很 大 难 度 。 因 此 ， 研 究 有 效 检 测 低 信 噪 比 条 件 下 红 外 小 弱 目 标 的 新 方 法 具 有 重 要的 理 论 和 实 际 意 义 。图 像 稀 疏 表 示 理 论 仅 用 少 量 数 据 即 可 捕 获 图 像 的 重 要 信 息 ， 能 更 准 确 简 洁 高效 地 表 示 图 像 信 号 ， 已 成 为 继 小 波 与 多 尺 度 几 何 分
4、析 方 法 之 后 的 信 号 处 理 新 理 论 。本 文 采 用 图 像 稀 疏 表 示 理 论 检 测 不 同 背 景 下 红 外 小 弱 目 标 ， 着 重 研 究 了 小 弱 目 标在 红 外 图 像 中 表 现 出 来 的 形 态 特 征 ， 通 过 训 练 不 同 形 态 特 征 、 不 同 尺 度 的 超 完 备稀 疏 字 典 表 示 图 像 信 号 ， 分 析 杂 波 、 噪 声 与 目 标 的 稀 疏 系 数 特 征 差 异 检 测 红 外 小弱 目 标 。 全 文 主 要 内 容 为 ： 介 绍 了 稀 疏 理 论 的 基 本 原 理 ， 分 析 了 其 在 信 号 表
5、示 中 的 特 点 ， 详 细 讨 论 了两 类 字 典 学 习 方 法 与 稀 疏 求 解 方 法 。 提 出 利 用 多 尺 度 稀 疏 字 典 检 测 小 弱 目 标 的 方 法 。 重 点 分 析 了 多 尺 度 字 典 的构 造 方 法 ， 及 其 对 背 景 抑 制 性 能 和 小 弱 目 标 的 分 辨 能 力 。 利 用 目 标 与 背 景 在 多 尺度 字 典 的 表 示 系 数 的 差 异 ， 采 用 指 数 函 数 拟 合 稀 疏 表 示 系 数 ， 并 以 参 数 差 异 检 测小 弱 目 标 。 提 出 了 一 种 能 准 确 表 示 小 弱 目 标 信 号 的 超
6、完 备 稀 疏 字 典 的 构 建 方 法 。 采 用K_SVD 字 典 学 习 算 法 构 造 自 适 应 形 态 字 典 ， 构 造 出 更 丰 富 更 真 实 的 小 弱 目 标 形 态字 典 。 对 比 分 析 了 高 斯 二 维 模 型 小 弱 目 标 样 本 集 、 离 散 Gabor 感 知 多 成 分 字 典 、Gabor 字 典 以 及 自 适 应 形 态 字 典 ， 结 果 证 明 自 适 应 形 态 字 典 具 有 更 多 样 化 的 目 标 形态特征，在目标形态表示和稀疏分解小弱目标方面具有更强的能力。 提 出 一 种 基 于 自 适 应 形 态 分 类 字 典 的 小
7、 弱 目 标 检 测 算 法 。 将 超 完 备 自 适 应形 态 字 典 分 为 目 标 子 字 典 和 背 景 子 字 典 ， 并 利 用 信 号 在 目 标 子 字 典 中 表 现 出 来 的稀 疏 性 差 异 检 测 目 标 。 目 标 图 像 块 在 目 标 子 字 典 有 更 稀 疏 的 分 解 特 性 以 及 更 大 的稀 疏 系 数 ， 而 在 背 景 图 像 块 在 目 标 子 字 典 中 分 解 系 数 值 小 ， 通 过 设 置 合 适 的 阈 值判 决 目 标 是 否 存 在 。关键词：红 外 图 像 ， 小 弱 目 标 检 测 ， 超 完 备 字 典 ， 形 态 成
8、分 分 析 ， 多 尺 度 字 典I重庆大学硕士学位论文 英文摘要ABSTRACTThe infrared dim target detection is a key technology in areas of infrared homingmissile, infrared search and track system and early warning system. When the target isfar away from the sensor, it only covers several pixels in the infrared image ,and iseasily
9、submerged in strong clutter background and strong noises.So it is great difficultto detect and track the dim target. It is important to propose a new reliable method todetect infrared dim target under the condition of low SNR .Sparse image representation theory comes to a new theory of signal presen
10、tationand processing tool after wavelet and multiscale geometric analysis method because itcan describe the signal clearly and concisely.The thesis uses the sparse representationtheory to detect infrared dim target under different background. This thesis focuses onthe morphological characteristics o
11、f dim target in infrared image, and trainsovercomplete sparse dictionary with different morphological and differentcharacteristics to characterize the signal, Then dim target of IR is detected by analyzingthe characteristic difference among clutter, noise and target. The content of the thesis isdisc
12、ribed as follows:The principle of sparse theory was introduced, and the characteristics of the signalrepresentation were analyzed, the two kinds of dictionary learning methods and sparsesolution methods also were discussed.A method to detect dim target based on multi-scale sparse dictionary was prop
13、osed.This chapter expounded the method to construct the multi-scale dictionary, analysisedthe structure component atoms of multi-scale dictionaries. This method had strongerability to suppress the background compared to the wavelet algorithm and theContourlet method. The sparse coefficients of multi
14、-scale dictionaries between thetarget and background were different. The sparse representation coefficients are fittedby the exponential function, and then the target and background would be classified bythe difference of the parameters of the exponential function.A dim target detection algorithm ba
15、sed on adaptive morphological classificationdictionary was presented. An adaptive morphological dictionary was learned andconstructed by the K_SVD algorithm dictionary, and it included more abundant andmore actual atoms to present target signal. Then Gaussian dictionary, Gabor dictionary,Gabor morph
16、ological dictionary and the adaptive morphological dictionary wereII重庆大学硕士学位论文 英文摘要compared in the aspect of representation capability of the dim target form and the abilityof sparse decomposition. The result is that the adaptive dictionary has more diversetarget morphological characteristics, and the ability of morphological characterization isbetter.A dim target detection algorithm based on adaptive morphological classificationdictionary was presented. The adaptive m
