3  基于局域背景预测的红外弱小目标检测方法
在如今研究现状下，本文从中汲取了部分精华，对于单帧图像中红外弱小目标的检测在前人的基础上作出分析，本章将把背景预测算法的基本思想进行阐述。根据权重和采样点选取的不同提出了最佳权重背景预测算法。并利用一些典型的红外弱小目标的实际图像进行了实验，分析算法的检测效果。
3．1  背景预测的基本模型
在单帧图像中检测弱小目标要求得到两个结果，一是图像中是否存在目标。另一个结果是如果存在目标的话，则给出目标的空间位置。所以单帧图像中弱小目标的检测也常常称为目标定位。
                           (h)
图 3.1 红外弱小目标图像
对于红外图像的弱小目标检测问题，图像可认为由目标、背景和噪声三要素组成。可以说目标检测实际上就是将目标与背景和噪声分开。图 3.1 是几幅典型的红外弱小目标的图像，它们来自于不同的热象仪所采集的实际红外图像，下面对它们分别分析：
图3.1（a）：目标的信噪比和对比度较大、背景单一、噪声较小。
图3.1（b）：目标的对比度较小，背景为空中云背景。但背景起伏较小，噪声也较小。
图3.1（c）：图像中存在两个目标，属于多目标的情况。背景较为单一，噪声较小。但是可以看到，图像的右侧背景的亮度较高，甚至高过目标。此时目标的强度或灰度在整个图像中并不是最强的，可能比图像中部分背景还要弱。
图3.1（d）：背景为空背景。起伏较为强烈，图像中有明显的扫描线噪声。
图3.1（e）：与图3.1（d）相似，但目标在云背景中，目标局部对比度相对较低。
图3.1（f）：图像中存在强烈的噪声。目标的信噪比和对比度都较低。该噪声可能是由探测器或电路系统带来的。
图3.1（g）：背景复杂。为地面背景。
图3.1（h）：在背景中存在其它的人造干扰物体。
总之，上述这些情况中目标的对比度和信噪比可能很低。此时情况就相当复杂，如果规定一个阈值，即使阈值是自适应的，因为目标灰度在图像中并非处于最高端，这样会有大量的背景灰度超过阈值，也会有大量噪声超过阈值，导致检测失败。
可以说后几种情况更具有普遍性。经过对大量此类图像的观察和分析，我们发现，图像中的目标即使在整个图像中强度不是最强的，但在它所处的小区域中与局域背景的差别较明显；而强度较高的背景中的象素，虽然灰度值较大，但在它所处的局域中与周围背景无明显差异。基于这样的事实，本文提出局域背景预测这一方法，它的基本思想是：图像中的任何一个像素点，如果是属于背景中的点，那么它的灰度值一定可以用周围区域的象素点的灰度值来预测。也就是说它跟周围的某些点是属于同一背景的，或者说，它的灰度值与周围象素点的灰度值相关性较强。而对于属于目标上的象素点，它的灰度值与周围象素点的灰度值相关性较差，在图像局部会形成一个或几个“异常点”。利用这样的差异来分离目标与背景是背景预测方法的出发点。
实际上，任何一点灰度的背景预测值都是用它周围区域的一些点的灰度值经过线性或非线性的组合产生的，将图像中所有点的实际灰度值与预测值相减得到预测残差，此时只要在预测残差图像上进行门限检测就可以了 复杂背景下红外目标检测方法研究+文献综述(9):http://www.youerw.com/tongxin/lunwen_9833.html