红外图像杂波抑制：基于Curvelet变换的新算法

“基于Curvelet变换的杂波抑制算法，曲仕茹，孟锦豪，针对云背景红外天空图像中小运动目标检测的挑战，提出了一种使用Curvelet变换的红外图像去杂波方法，通过多尺度多方向分解、自适应阈值选择以及子带系数重构，有效地抑制了噪声和背景杂波，提高了信噪比、对比度和背景抑制效果。” 这篇论文研究的是红外弱小目标检测领域的一个重要问题，即如何在云背景红外天空图像中准确地检测小运动目标。传统的红外图像处理方法常常受到噪声和背景杂波的干扰，导致目标检测的准确性降低。为了解决这一问题，论文提出了一种基于Curvelet变换的杂波抑制算法。 Curvelet变换是一种多尺度分析工具，它结合了小波变换的多分辨率特性与分形几何的曲线结构，能够在不同尺度和方向上对图像进行精细分解。在本研究中，作者首先利用第三代Curvelet变换对红外图像进行分解，将图像信息转化为多个子带系数，这些系数包含了图像在不同尺度和方向上的细节。 接着，算法的关键步骤是自适应阈值的选择。由于目标、背景和噪声的子带系数特征存在差异，算法通过对这些差异的分析，动态地选取阈值，以尽可能地保留目标信息，同时去除噪声和背景杂波。这种自适应阈值策略能够更好地适应图像的不同区域，避免了一刀切的阈值选择可能带来的信息损失。 最后，通过逆Curvelet变换，论文中所提算法将经过阈值处理的子带系数重构为图像，得到的图像具有更少的杂波干扰，从而提高了目标检测的信噪比（SNR）、对比度和背景抑制因子。对比实验显示，该算法在这些关键性能指标上优于传统的中值滤波和Top-hat算法。 该研究对于提升红外弱小目标在复杂背景下的检测能力和精度具有重要意义，特别是在军事监控、气象观测和航空航天等领域，能够提高系统对小尺寸、低热辐射强度目标的探测能力。此外，Curvelet变换的自适应杂波抑制方法也为其他领域的图像处理提供了新的思路和技术手段。