海面红外目标检测——小波变换法

研究问题： 海上红外远距离小目标或弱小目标检测算法
适应环境： 小目标或弱小目标+干扰为水平和垂直方向很强的岛屿云层等干扰
实验地点： 大连星海湾星海广场
软件开发环境： Matlab+VS（C+GPU）
算法流程：
1.对图像进行小波分解，得到4个小波分解图像，主要应用于水平和垂直方向的高频图像
输入： 单帧海上小目标或弱小目标红外图片
输出： 水平高频系数图像和垂直高频系数图像

2.对分解图像的高频信息进行滤波操作（软阈值/硬阈值/软硬阈值折中法/指数法），就是将分解得到的系数h与v中的大的小波系数（小目标或弱小目标在水平和垂直的高频系数最大）保留，将小的系数置0
输入： 水平高频系数图像和垂直高频系数图像
输出： 滤波后的水平高频系数图像和垂直高频系数图像
公式解析： 首先计算出阈值thresh（λ），水平系数和垂直系数小于λ的置0，大于λ进行软阈值/硬阈值/软硬阈值折中法/指数法来调整小波系数，其中对于软硬阈值折中法（fraction）来说输入输出并没有任何的变化，输入多少，输出多少。对于指数法（exponent）来说输入小波系数前一部分x增大，y减小，后一部分输入多少，输出多少

3.应用尺度内相关性来滤掉背景（岛屿或云层）。目标处水平和垂直小波系数都很大，代入尺度相关性公式后结果很大，而针对岛屿或云层只有一个方向大，另一个方向肯定是小，所以尺度相关性小。
输入： 去噪后的水平高频系数和去噪后的垂直高频系数
输出： 尺度相关性，即目标处相关性大，岛屿或云层处相关性小
公式解析： 相当于e（-cf*abs（a-b）/>1） 当ab都大时候（一样值的时候）（目标），差不多e（0）=1，相关性大，当ab一个大一个小（纹理强的背景），e（-大）远小于1

4.应用局部奇异性来进一步找到目标。目标的奇异性很强，背景的奇异性很弱。首先将尺度内相关性结果作为掩膜，即在尺度内相关性结果大于0的位置进行局部相似性计算。此计算将源图片进行边界扩大，扩大的位置用0填补。然后将源图像和扩充的源图像进行相关性计算，若源图像与扩大的源图像中有一个值为0，就判定为奇异性为0，此时虽然还是点对点的计算但是是源图像的每一个点分别与对应于扩充的scale*scale个点进行相关性计算，并将每个结果都得到。从而把每个对应点的奇异性都求出来，最终计算其平均局奇异性作为输出。
输入： 源图像和扩充的源图像（其实两幅图像一样，只不过扩充的图像四周围0，中心一模一样）
输出： 各个对应点的奇异性值以及平均奇异性值
公式解析： 1-尺度内相关性。即ab值一样的时候（背景），值很小，即奇异性小。当ab值一个打一个小的时候（目标），值很大，即奇异性大。

5.对奇异性图像设置阈值并进行去噪操作。求出奇异性图像的均值和方差从而计算出去噪阈值，小于阈值的置0
输入： 平均奇异性矩阵
输出： 去了噪的奇异性矩阵
公式解析： 阈值=标准差+方差*thisa

6.通过大律法进行二值化分割，然后进行膨胀操作
输入： 去了噪的奇异性矩阵
输出： 检测结果

感谢您的关注！！后续将进一步更新研究！