【導(dǎo)讀】suppression,Threshold,EMD.

　　

【正文】 o segment suppressed images in order to recognize the small targets more easily。 2. The testing results of infrared small targets based on EMD method achieve tantamount results based on wavelet transformation, and even better in some respects, the conclusion can be gained from the SNR,PSNR and SNIR(see Tables 1, 2 and 3)。 3. EMD method is also really selfadapted to detect small targets under plex seasky background. According to the above analysis, we know that EMD method can depose signal self adaptively and efficiently, therefore it is particularly applicable to the analysis of nonlinear, nonstationary signals. 5 Conclusion The using of EMD proposed in the paper in detecting small target under plex background of infrared image is based on Delaunay triangulation and the subcubic spline interpolation. From the experimental results, we know that the method can identify small infrared targets effectively and quickly. The main advantage of this approach is in the airspace of the deposition of the image, which can distinguish between noise and useful data. EMD method is based on the data itself, and therefore it has a good adaptability. When pared the method with wavelet transformation, the method can achieve the results of wavelet transformation, and even better results in some certain aspects. Experimental results show that the detection algorithm based on EMD method not only has high efficiency, reliability, and other characteristics, but also there is a strong adaptability. References 1. J. A. Ratches, R. H. Vollmerhausen, and R. G. Driggers, “Target acquisition performance modeling of infrared imaging systems: past, present, and future,” IEEE Sensors 1, 31–40 (2020). 2. Bhanu and T. L. Jones, “Image understanding research for automatic target recognition,” IEEE AES Syst. Mag., Vol. 8, October 1993. 3. E. Abdelkawy and D. McGaughy, “Waveletbased image target detection methods,” Proc. SPIE Int. Soc. Opt. 5094, 337–347 (2020). 4. Giuseppe Boccignone, “Small target detection using wavelets,”IEEE 1998 Fourteenth International Conference on Pattern Recognition,vol. 2,pp. 17761778,August 1998. 5. Yiqiu Sun,Jinwen Tian, and Jian Liu, “Background suppression based on wavelet transformation to detect infrared target,” Proc. of the 4th International Conference on Machine Learning and Cyberics, vol. 8,August 2020. 6. Norden E. Huang, Zheng Shen, Steven R. Long,Manli C. Wu, Hsing H. Shih, Quanan Zheng, et al., “ The empirical mode deposition and the Hilbert spectrum for nonlinear and nonstationary time series analysis,” Proc. R. Soc. London A, 454,1998. 7. Y. Barniv, “Dynamic programming solution for detecting dim moving targets,”.IEEE on Aerospace and Electronic System, vol. AES21,January 1985. 8. S. D. Blostein and T. S. Huang, ““Detecting small, moving objects in image sequences using sequential hypothesis testing”, IEEE Trans,” Signal Processing 39, 1611–1629 (1991). 9. A. Morin, ““Adaptive spatial filtering technique for the detection of targets in infrared image seekers”, In Acquisition, Tracking, and Pointing XIV,” Proceeding of SPIE 4052, 182–193 (2020). 10. H. Askar, “Xiaofeng Li, and Zaiming Li, “Background clutter suppression and dim moving point”, IEEE 2020 International Conference on Communications,” Circuits and Systems 2, 982–986 (2020). 11. T. W. Riddler and S. Calvard, ““Picture thresholding using an iterative selection method”, IEEE Tkansactions on Systems, Man,” Cyberics 8, 630–632 (1978). 12. G. Rilling, P. Flandrin, and P. Goncalves, “Empirical mode deposition as a filter bank,” IEEE Signal Process. Lett. 11, 112–114 (2020). 13. G. Rilling ,P. Flandrin, and P. Goncalves, “Detrending and denoising with empirical mode deposition,” in Proceedings of the European signal processing conference(EUSIPCO?04),vol. 2, pp. 1581–1584,September 2020. 14. C. Damerval, S. Meignen, and V. Perrier, “A fast algorithm for bidimensional EMD,” IEEE Signal Processing Letters 12, 701–704 (2020). 基于 EMD 的紅外圖像目標(biāo)檢測方法 賀登、劉江國、洪立 基于復(fù)雜背景下紅外圖像小目標(biāo)檢測在現(xiàn)代軍事是一個重要的挑戰(zhàn)任務(wù)。為了解決這個問題，一種基于經(jīng)驗?zāi)B(tài)分解（ EMD）的新穎的方法提出了檢測天空復(fù)雜背景下的小目標(biāo)。檢測過程包含兩個步驟：第一步是抑制基于 EMD 的紅外圖像的天空背景；第二步是段目標(biāo)從背景抑制圖像通過的閾值。紅外圖像顯示的應(yīng)用的性能算法可以準(zhǔn)確地檢測天空背景下紅外小目標(biāo)。相比通過小波變換 ,基于EMD 方法實現(xiàn)的測試結(jié)果小波變換的結(jié)果 ,在某些方面甚至更好。仿真結(jié)果為實現(xiàn) EMD 的方法提出了理論和實踐指導(dǎo) 的觀點。 (關(guān)鍵字：小目標(biāo)探測、紅外圖像、背景抑制、閾值、 emd。 ) 一、摘要 復(fù)雜背景下的紅外圖像，小目標(biāo)檢測，識別和跟蹤應(yīng)用程序在現(xiàn)代軍事挑戰(zhàn)任務(wù)至關(guān)重要。它已經(jīng)研究多年來對紅外成像系統(tǒng)和自動目標(biāo)檢測 [1]。出現(xiàn)這一問題具有復(fù)雜性，當(dāng)目標(biāo)很小，微弱的和周圍的部分對象被嵌入在雜波中。在這些復(fù)雜的情況下，目標(biāo)和背景的特征通常是不可分的原始圖像空間。這些檢測算法很難在最初的工作圖像空間中進行。因此，圖像變成了所謂的特征空間，在其中這些功能可以分開。 由于目標(biāo)和雜波有不同的空間頻率特性，空間濾波器可以用來抑制和 檢測目標(biāo)。在靜態(tài)紅外圖像發(fā)展到 1990 年代初 [2]，巴努?瓊斯總結(jié)了很多自動目標(biāo)檢測算法。這些算法主要利用傳統(tǒng)的圖像處理光學(xué)圖像處理方法。最近，小波變換成為一個很好的方法，因為它讓小目標(biāo)檢測在所有圖像處理技術(shù)中占據(jù)優(yōu)勢。簡單地說，在小和昏暗的目標(biāo)探測應(yīng)用程序中，小波變換可以作為匹配濾波器，多分辨率圖像分析儀，多維圖像分析儀、奇點探測器，和一個正交提取器 [3][4]。 基于小波變換的方法，檢測小和昏暗的目標(biāo) [5]背景抑制，包含四個步驟：首先，提取近似原始圖像的系數(shù)近似，其中包括一些原始圖像的特征；其次，重構(gòu)被 稱為背景圖像近似系數(shù)成新形象的背景圖像顯示了近似特性主要包含背景信息；第三，使用背景圖像減去原始圖像，然后獲得一個形象被稱為背景抑制圖像，主要包括目標(biāo)和噪聲點信息；最后，選擇一種自適應(yīng)閾值段的背景抑制圖像，所以目標(biāo)可以被檢測到。 但在處理基于小波變換的檢測中，至少兩個重要方面必須考慮： 1)選擇小波基本的戰(zhàn)術(shù)功能； 2)分解數(shù)量的水平。為了克服這些困難，改善測試結(jié)果，提出了一種新穎的方法來檢測在復(fù)雜天空背景下的小目標(biāo)。它是基于經(jīng)驗?zāi)B(tài)分解(EMD)。與小波變換相比， EMD 算法顯示了優(yōu)越的選擇性和性能數(shù)據(jù)分析的精 確性。這是一個短時間的自適應(yīng)多尺度分析非線性、非平穩(wěn)的信號的強大的工具。emd 方法首次在 1998 年由諾頓 [6] 提出。該方法可以提取一個固有模態(tài)函數(shù)系列 (IMF)的分解相關(guān)的局部能量本征時間尺度的信號本身。所以它是自適應(yīng)時間頻率并能描述信號的特征。 （論文的大綱如下 :第二部分描述的一般程序小目標(biāo)檢測。第三節(jié) ,一個新穎的基于紅外小目標(biāo)檢測算法 EMD 算法。第四節(jié)給出了一些實驗結(jié)果和比較基于EMD 方法的測試結(jié)果在某些方面與小波變換。和第五節(jié)吸引了一些結(jié)論。） 二、小目標(biāo)探測的共同程序 目標(biāo)檢測算法一直在穩(wěn)步改 善，而他們中的許多人沒有在工作期間遇到強勁涉及頻繁變化的背景的應(yīng)用。一般來說，一個小目標(biāo)嵌入在多云的背景表現(xiàn)為灰色 ,也包含明亮發(fā)光的地形或陽光照射的云。也就是說，當(dāng)一個紅外傳感器遠離目標(biāo)，目標(biāo)集中在重型 noiseand 雜亂背景下，呈現(xiàn) spotlike 的簽名特性，不連續(xù)面與鄰地區(qū)相比，沒有明顯的結(jié)構(gòu)信息紅外圖像。目標(biāo)的灰度值高于它的直接背景紅外圖像，而不是部分相關(guān)的當(dāng)?shù)厣鐓^(qū)。由于像素紅外圖像的不均勻性反應(yīng)大氣傳輸和散射，包含大面積的復(fù)雜背景的云、海浪等背景的紅外場景顯示了每個像素及其之間的空間相關(guān)性環(huán)境和波 狀明顯，在頻域位于低頻帶，屬于低頻干擾目標(biāo)探測 [7][8]。此外，重要的是要注意，噪音來自紅外傳感器和背景。由于傳感器固有噪聲的影響，自然等因素天氣，風(fēng)力、陽光等，存在一些高紅外圖像中灰色區(qū)域復(fù)雜云邊緣不規(guī)則的太陽光斑，等等，都和目標(biāo)視為均勻的地區(qū)和高頻段的頻譜，屬于目標(biāo)探測的高頻干擾。因此空間頻率濾波器為了抑制紅外圖像的背景，然后檢測的目標(biāo)一個閾值是非常有效的。 EMD 算法分解成一系列不同頻率成分的信號，這類