基于提升小波变换的弱小目标算法研究(文献综述)

《基于提升小波变换的弱小目标算法研究(文献综述)》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、文献综述——基于提升小波变换的弱小目标检测算法研究前言目标检测在计算机视觉，雷达跟踪，红外制导，电视跟踪等研究领域有着极其重要的地位，目标的实时检测已成为现在图像处理的关键技术之一，其中运动目标的检测是当今研究的热点。基于小波变换的目标检测算法，这些算法在弱小目标检测上有很大优势。但计算量大是这些算法应用的瓶颈，寻找快速鲁棒的算法是科研人员不懈努力的方向。1997年Sweldens等人提出的提升框架的小波变换(第二代小波)给小波的研究和应用又迎来了一次新的高峰。提升算法的特点是避免了传统小波算法的卷积操作，彻底摆脱了对傅立叶变换的依赖，计算过程可以在空域

2、中完成，能够通过简单的并行计算快速实现。并且逆变换具有与前向变换完全相同的变换模式与计算复杂度，无需重新设计。它使我们能够用一种简单的方法去解释小波的基本理论。提升小波和基于提升框架的整数小波在图像压缩方面取得了巨大成功，并且被新一代静止图像压缩标准JPEG正式纳入了核心框架之中。正文长期以来人们根据具体情况提出了多种多样的目标检测方法，每种方法在满足各自的条件下均取得很好的效果，有些成熟经典的算法已经被广泛的应用于实际中了。根据查阅的国外文献报道将序列目标检测方法分成基于像素分析的检测方法、基于特征的检测方法和机遇的变换的检测方法等。2.1基于小波的目

3、标检测方法变换域中检测目标较典型的一种方法是基于傅立叶变换的方法。对图像序列进行傅立叶变换，运动目标的傅立叶变换的频谱幅度不变而相位谱为一个常数，利用这一性质，可以通过相位相关算法来估计运动特性，计算相邻帧间的相位角差来估计空间域中目标的位置，它要求在图像序列中背景不变且只有一个运动目标Mahmoud对运动目标的变换方法进行了广泛的研究，除了FFT方法，他还提出了快速Hartley变换(FHT)进行多目标跟踪，该方法是先对图像序列进行频域处理，再进行峰值检测，Fourier谱或Hartley谱的峰值位置则对应于运动目标的速度。该方法的独到之处是对多运动目

4、标的n阶遮挡分别用冲击函数的对应次乘积求和表示，从而在一定程度上反映和解决了多目标遮挡的问题。傅立叶变换是一种纯频域的分析方法，它在频域的定位性是完全准确的，即频域的分辨率高，而在时域则没有任何定位性或分辨能力，也就是说傅立叶变换反映的是整个信号全部时间下的整体频域特征，而不能提供局部时间段上的频率信息。在其基础上产生的短时傅立叶变换，也称为加窗傅立叶变换，虽然能研究信号在局部时间范围的频域特征，但其窗函数的大小和形状均与时间(空间)和频率无关而保持吲定不变，这对分析时间和空间变化的信号来说是不利的。近年来小波理论的迅速成熟和发展给目标检测理论带来了新的

5、生机和活力，把小波理论应用到目标检测中成了新的研究热点，小波变换在图像处理、模式识别、计算机视觉等领域的应用也越来越普遍。而小波变换对不同的频率在时域上的取样步长是可调节的，即在低频时小波变换的时间分辨率较低，而频率分辨率较高；在高频时小波变换的时问分辨率较高，而频率分辨率较低，这正符合低频信号变化缓慢而高频信号变化迅速的特点。这便是它优于经典的傅里叶变换和短时傅里叶变换的地方，从总体上来说，小波变换比短时傅里叶变换具有更好的时频窗口特性。小波分析或多分辨率分析是傅立叶分析发展史上的里程碑。小波变换的概念是1984年法国地球物理学家J．Morlet在分析

6、、处理地球物理勘探资料时提出来的。小波变换的数学基础是19世纪的傅里叶变换，其后理论物理学家A．Grossman采用平移和伸缩不变性建立了小波变换的理论体系。1985年，法国数学家Y．Meyer第一个构造出具有一定衰减性的光滑小波。1988年，比利时数学家I．Daubechies证明了紧支撑正交标准小波基的存在性，使得离散小波分析成为可能。1989年，S．Mallat提出了多分辨率分析概念，统一了在此之前的各种构造小波的方法，特别是提出了二进小波变换的快速算法，使得小波变换完全走向实用性。1996年，W．Sweldens提山了一种新的、简明有效的小波构造

7、方案：“提升框架血ftingScheme)”，该方法最大的优点是本位操作，容易实现整数到整数的小波变换，同时利用提升方法可把现存的所有紧支撑小波分解成更为基本利简单的步骤，这给使用小波进行图象处理的应用提供了一种新的思路。利用小波变换进行目标检测是利州小波的多分辨率特点，降低图像中噪声的干扰，提取有用的边缘、形状、角点等信息。例如在文献[33]，提出一种基于小波变换的目标形状描述方法，并与Fourier描述进行了比较，证实了小波描述符的优越性。文献[34]中，对亮度图像进行小波模极大值变换以得到多尺度的边界图像，再利用7个不变矩提取每一尺度边界图像的特征

8、，所有尺度上的不变矩共同组成图像的特征向量。图像的相似度用图像特征向量的加权欧氏