FLS-SVM背景预测提升红外弱小目标检测性能

本文主要探讨了一种创新的红外弱小目标检测方法，该方法结合了模糊最小二乘支持向量机（FLS-SVM）和模糊Tsallis-Havrda-Charvat熵。在红外图像处理领域，背景预测是关键步骤，因为它有助于区分目标信号和背景噪声。首先，FLS-SVM被用来学习训练样本，建立一个回归函数，用于预测红外图像中的背景。FLS-SVM相比于传统的LS-SVM，它能更好地处理非线性和模糊数据，因此在复杂背景下具有更好的适应性。 接下来，通过将原始红外图像与预测的背景图像相减，得到残差图像。这种方法可以突出显示图像中的差异，使得小目标和噪声更容易被分离。为了进一步增强小目标的检测性能，作者引入了模糊Tsallis-Havrda-Charvat熵作为阈值选择策略。这种熵函数是一种多参数信息度量，能够更好地反映图像的纹理特征，从而提高阈值选择的精度。 接着，利用目标灰度的平稳性和运动轨迹的连续性，对残差图像进行后处理，进一步筛选出真正的弱小目标。这种方法考虑了目标在时间和空间上的动态特性，增强了对小目标的识别能力，同时减少了误报的可能性。 实验部分展示了该方法与LS-SVM和基于最小二乘背景预测方法的比较结果，结果显示，基于FLS-SVM的背景预测方法在检测概率和信噪比方面表现出色，具有明显的优势。这表明该方法不仅能够在复杂的红外环境中有效工作，而且在实际应用中能够提供更精确和可靠的弱小目标检测性能。 总结来说，本文介绍了一种创新的红外弱小目标检测算法，其核心在于运用FLS-SVM进行背景预测和模糊Tsallis-Havrda-Charvat熵的阈值选择，这使得在处理红外图像时能够更好地抑制噪声，提高小目标的检测准确性和鲁棒性。这一研究成果对于提升红外监控系统性能，特别是在复杂环境下的目标识别具有重要意义。