红外技术在军事和民用领域都占据着非常重要的地位,各国政府及大型科研机构都致力于该项热门研究课题的研究。现在战争要求武器系统能够具有克服距离障碍远程检测目标的能力,而且距离越远,其优势就越明显。目前,针对不同背景下的红外目标图像,各国学者相继提出了不同的目标检测算法。这些算法主要基于高通滤波或低通滤波以及形态学滤波等技术。上述算法一般只有针对特定的背景才会有较高的检测率,而普遍适用于各种背景下的红外目标检测算法一直是一个研究难点。伴随着模式识别技术的发展,红外小目标检测问题正在逐渐发展为一个新的研究热点。本文致力于普遍适用于各种复杂背景下的红外小目标检测算法研究,提出了基于傅立叶相位谱(PFT)的红外小目标检测算法,在此基础上又提出了支持向量描述(SVDD)的红外小目标检测算法。在基于PFT的红外小目标检测算法中,为了克服单通道的红外图像信息匮乏、目标特性弱等缺点,本文综合利用多通道图像的信息。将多通道的图像通过图像融合的方式合成最终的显著图像。为了克服基于PFT的红外小目标检测算法对目标区域易造成漏检的不足,在PFT算法的基础上,本文进一步把目标检测问题视为一类分类问题。包含目标的红外图像可以看作目标数据和非目标数据的数据集,目标检测的任务是从数据集中判断出哪些数据为目标数据。本文利用SVDD理论进行训练,获得包含尽可能多的目标样本的超球体。然后通过判断待测试图像对应于超球体的位置,来完成目标的检测。此外如何缩小目标检测的搜索区域也是本文的研究重点。依据PFT算法获取的显著图只包括可能存在目标的可疑区域。在该区域内,利用SVDD分类器进行红外目标检测,会大大缩小了目标检测的搜索区域,节约计算时间。为了更好地还原真实目标的尺寸,本文把可疑区域的外接矩形映射回原图,并把测试样本的尺寸规定为可疑区域外接矩形的2倍。然后通过同比例的窗口缩放,使最终的测试样本与训练样本尺寸相同。最后通过判断测试图像是否在超球体的内部,来实现可疑区域内的目标检测。总的来说,本文有以下几点创新之处:1.PFT算法实际上是把小目标检测问题转化为显著性区域检测问题,显著性区域检测算法的性能对识别率的影响非常大。为了使目标和背景具有更大的可区分性,利用了多通道的图像信息。选取合适的图像融合方法也是决定显著性检测算法优劣的关键。本文依据红外目标呈现各向同性的高斯状这一特性,采用的的融合方法只保存红外图像中多个通道上像素值都不为零的目标区域,抑制只在个别通道灰度值不为零的背景干扰区域。通过上述的融合算法,能够大大提高该算法的检测性能。2.本文创新性地把目标检测问题视为一类分类问题,提出了基于SVDD的红外小目标检测算法来完成目标的检测。利用SVDD算法对仿真的目标样本进行训练,获得包含尽可能多的目标样本的超球体,然后通过判断待检测样本是否在超球体的内部,最终实现目标的检测。此方法效果优异,检测精度高。3.为了减少计算量和提高目标的检测精度,本文首先采用PFT算法获取红外图像的显著性区域,然后在显著性区域内提取可疑区域的轮廓和外接矩形,并把这些外接矩形到原图上,实现测试窗口的自适应选取。最后采用SVDD算法对子图像进行判别,实现目标的最终检测。该方法相对SVDD算法来说减少了计算,相对于PFT算法来说提高了精度。因此,在显著性区域内采用SVDD算法检测目标具有更好地检测性能。