复杂背景下运动小目标的识别是一项十分有用的工作，可以应用在航天军事导弹轨迹识别跟踪、交通违章检测等众多领域。但在有些场合如红外制导中，需要能够尽快地截获并锁定跟踪目标，由于在红外传感器与目标之间的距离很远（通常为几十公里甚至上百公里），目标在像平面上的成像仅为点目标并且淹没在各种杂波背景中。这样的点目标没有一定的几何外形，且目标尺寸相对于复杂的大面积背景来说显得较小、信噪比较低，若采用单帧图像检测就显得十分困难。因此通常的识别算法，如基于形体边缘检测、基于膨胀能量积累检测等就显得无能为力。本人在查阅大量中外资料的基础上，并结合运动目标点在相邻帧之间的相关性，提出了一系列针对运动小目标识别的算法。正是由于运动小目标相对于复杂强背景具有以下明显特点 ：a 目标尺寸小 b对比度小 c空间天电干扰以及检测器件本身的随机干扰大 d相邻帧之间运动点目标具有很强的相关性。因此可根据这些特点对每一帧图像采用 Tophat 变换形态学滤波、差帧滤波、波差分或基于高频系数小波重建等高通滤波滤除每一帧图像中的大面积背景，而保留点状小目标。其核心就是设计一个高通滤波器。对于每一帧经过高通滤波后的图像，其表现为大面积的零背景和包含点状目标点状噪声在内的高频分量。然后根据相邻帧之间运动点目标的相关性，进行差帧多帧叠加，目标由于其运动性，在叠加帧上表现为相关性很强的点轨迹，而高频点状噪声，则由于其随机性相互抵消一部分，未抵消部分在几何面积上表现为相关性很差的随机分布干扰点。对于叠加帧，根据运动目标点所表现出的强相关性，采用双向链表数据结构，进行递归算法识别，链表的每一节点存储当前目标点的位置信息和灰度值信息，以当前点为圆心，以相邻帧间时间与点目标在成像平面内的投影速度的乘积为半径的前向半圆区域内，进行搜索。以链表的长度为门限，设置阈值。当链表长度达到阈值门限时，输出链表的所有点，即为要识别的运动点目标轨迹。以下框表说明该实验系统的基本原理。 ~ I ~<WP=83>摘要 图 高通滤波： 多 链 像 Tophat 帧 表 序 中值差分 叠 判 列 小波滤波 加 决 图 1 图 1 实验证明这些方法对于运动目标轨迹的识别是行之有效的。1 基于 Tophat 形态学高通滤波的基本算法原理 数学形态学是一种新型的图像处理方法，它是以腐蚀膨胀运算对为基础的。腐蚀具有收缩图像的作用，膨胀具有扩大图像的作用。由腐蚀膨胀运算对可以引申得到开闭运算对，分别定义为先做腐蚀然后再膨胀和先做膨胀再做腐蚀，开运算具有磨光图像外边界的作用，闭运算具有磨光图像内边界的作用。由开闭运算对可以定义出一种称之为 BLACKHAT 和 WHITEHAT的变换对，又称白帽子变换和黑帽子变换对，通称 Tophat 变换。 WHITEHAT 变换:是原图像与进行形态学开后的图像的差图像。其定义式为： WHITEHAT（f）=f- f °g BLACKHAT 变换：是对原图像进行形态学闭后的图像与原图像的差图像 。其定义式为： BLACKHAT(f)= f?g-f 式中 f 为图像灰度帧，g 为结构体, f °g 表示对图像做开运算，f?g 表示对图像做闭运算。Tophat 变换可以检测到图像中变化较大的地方（相当于高频分量），而能滤去图像中灰值变化相对较为平缓的地方（相当于低频分量）。利用这两个变换就可以对一幅单帧图像进行滤波，滤掉低频成分，这相当于滤掉云层等大面积背景，留下包含点目标在内的高频部分。 由于形态学 Tophat 滤波与结构体尺寸有关，结构体尺寸的大小决定着高通滤波效果。结构体尺寸越小，虑除低频背景就越彻底，所能保留的目标尺寸就越小。最小目标尺寸与结构题尺寸近似有如下关系： 1 max(obj)<= max(struct); 2 max(obj)表示最小目标在像平面的二维尺寸最大值。Max(struct)表示用于形态滤波的结构体二维尺寸的最大值。 ~ II ~<WP=84>吉林大学硕士学位论文2 基于中值差分的高通滤波的基本算法原理 中值滤波是一种非线性滤波，首先确定一个奇数像元的窗口 W，窗口内各像元按灰度大小排队后，用其中间位置的灰度值代替原来窗口几何中心位置的灰度值。 g(x, y) = Median{f(x-k,y-l),(k,l)∈W} （1） 由于中值滤波对尖峰性干扰滤波效果比较好，且能较好的保持边缘。即中值滤波虽是一种低通滤波，但又能保持边缘等等高频信息。我们的点状小目标在场景图像中表现出的特性近似于尖峰干扰。这正是我们采取中值滤波进行滤波的原因所在。我们所需要的点状小目标属于高频分量肯定被滤掉。为此，提出中值差分滤波，即用原图像与中值滤波图像进行差分。从理论上就可以检测出点状小目标，而又不受背景中边缘高频信息干扰。 Difilt(x, y) = f (x, y) ? median{ f (x ? k, y ? l