Aufgrund der Probleme bei Infrarotbildern von schwachen kleinen Zielen wie niedriger Zielsignalstärke, kleiner Größe, Störanfälligkeit gegenüber Rauschen und komplexen Hintergrundstreuungen stellt dieser Artikel eine Methode zur Erkennung schwacher kleiner Infrarotziele vor, die einen neuen morphologischen Top-hat-Operator mit Wavelet-Transformation kombiniert. Zunächst wird mit einer verbesserten morphologischen Filterung eine vorläufige Hintergrundunterdrückung auf das Infrarotbild angewendet, um Störungen durch Wolken, Geländeunebenheiten und lokale starke Störungen bei der Zielerkennung zu reduzieren. Anschließend wird das vorverarbeitete Bild waveletzerlegt, und für tieffrequente Komponenten wird ein Algorithmus für lokalen Gradienten und lokale Intensität zur Hintergrundunterdrückung und Zielverstärkung verwendet, während die drei hochfrequenten Komponenten aufsummiert werden, um die Merkmalsinformationen der Zielpunkte weiter zu verstärken. Danach werden die verstärkten Hochfrequenzinformationen mit den Tieffrequenzinformationen fusioniert, um eine mehrstufige, mehrfrequente gemeinsame Verstärkung zu realisieren. Abschließend werden die schwachen kleinen Infrarotziele durch eine adaptive Schwellwertsegmentierung extrahiert. Die experimentellen Ergebnisse zeigen, dass die vorgeschlagene Methode den besten Signal-Rausch-Verstärkungsfaktor (SCRG) erreicht und beim Hintergrundunterdrückungsfaktor (BSF) nur vom PTCTV-Algorithmus übertroffen wird, wobei die Gesamtleistung andere Vergleichsmethoden übertrifft. Auf Seq6 betragen SCRG und BSF jeweils 14,16 bzw. 82,49. In den ROC-Kurven liegt die Leistung der Methode bei Seq3, Seq5 und Seq6 jeweils über 95%, was voll bestätigt, dass der Algorithmus in komplexen Szenarien effektiv Hintergrund und Rauschen unterdrücken kann und eine starke Stabilität sowie Robustheit besitzt.

Erkennung schwacher kleiner Infrarotziele; Hintergrundunterdrückung; Wavelet-Transformation; lokaler Gradient und lokale Intensität; adaptive Schwellwertsegmentierung