Angesichts der Probleme niedriger Zielsignalstärke, kleiner Größe, einfacher Störanfälligkeit durch Rauschen und komplexer Hintergrundstörungen in Bildern von schwachen Infrarot-Zielen schlägt dieser Artikel eine Methode zur Erkennung schwacher Infrarot-Ziele vor, die einen neuen morphologischen Top-hat-Operator mit Wavelet-Transformation kombiniert. Zunächst wird eine verbesserte morphologische Filterung zur vorläufigen Hintergrundunterdrückung im Infrarotbild verwendet, um Störungen durch Wolken, Geländeunebenheiten und lokale starke Störeinflüsse bei der Zielerkennung zu reduzieren. Danach wird die vorverarbeitete Bildinformation wavelet-zersetzt, wobei für die Niedrigfrequenzanteile ein lokaler Gradienten- und Intensitätsalgorithmus zur Hintergrundunterdrückung und Zielverstärkung angewandt wird, während die drei Hochfrequenzanteile aufsummiert werden, um die Merkmalsinformationen der Zielpunkte weiter zu verstärken. Die verstärkten Hochfrequenzinformationen werden mit den Niedrigfrequenzinformationen fusioniert, um eine multiskalige, multifrequente gemeinsame Verstärkung zu realisieren. Schließlich werden die schwachen Infrarot-Ziele mittels adaptiver Schwellwertsegmentierung extrahiert. Experimentelle Ergebnisse zeigen, dass die vorgeschlagene Methode den besten Gewinn im Signal-Rausch-Verhältnis (SCRG) erzielt, im Hintergrundunterdrückungsfaktor (BSF) nur vom PTCTV-Algorithmus übertroffen wird und die Gesamtleistung andere Vergleichsmethoden übertrifft. In der Sequenz Seq6 lagen SCRG und BSF bei 14,16 bzw. 82,49. In der ROC-Kurve liegt die Leistung der Methode in Seq3, Seq5 und Seq6 über 95%, was die Wirksamkeit des Algorithmus bei der Unterdrückung von Hintergrund und Rauschen in komplexen Szenarien sowie seine hohe Stabilität und Robustheit bestätigt.

Erkennung schwacher Infrarot-Ziele; Hintergrundunterdrückung; Wavelet-Transformation; lokaler Gradient und lokale Intensität; adaptive Schwellwertsegmentierung