吳天愛，黃樹彩，苑智瑋，吳云榮，馮 卉

聯(lián)合NSCT和SVD方法的紅外弱小目標復(fù)雜背景抑制

吳天愛1，黃樹彩1，苑智瑋1，吳云榮2，馮 卉1

（1.空軍工程大學 防空反導(dǎo)學院，陜西 西安 710051；2.青島農(nóng)業(yè)大學 藝術(shù)與傳媒學院，山東 青島 266109）

復(fù)雜背景抑制是天基紅外預(yù)警系統(tǒng)中紅外弱小目標探測技術(shù)的一個關(guān)鍵環(huán)節(jié)。為降低復(fù)雜背景下雜波干擾，提高目標檢測精度，利用非下采樣輪廓波變換（NSCT，non-subsampled contourlet transform）的多尺度分解及多方向分解特性以及圖像矩陣奇異值分解（SVD，singular value decomposition）不同奇異值代表圖像不同能量信息的特點，提出了聯(lián)合NSCT和SVD的紅外圖像背景的抑制方法。首先依據(jù)非下采樣輪廓波變換思想對紅外原始圖像進行多尺度多方向分解，得到與原始圖像同樣大小的不同尺度和不同方向上的子帶圖像，然后，利用奇異值分解的中序部分奇異值調(diào)整各子帶圖像矩陣系數(shù)以區(qū)分目標和背景雜波，最后對調(diào)整后各子帶系數(shù)組成的矩陣施加NSCT逆變換，最終獲得抑制背景處理后的圖像。對比實驗表明，該方法能夠在低信噪比環(huán)境下有效抑制復(fù)雜背景及邊緣，突顯目標，降低虛警率。

紅外圖像；弱小目標；背景抑制；非下采樣輪廓波變換；奇異值分解

0 引言

穩(wěn)健的紅外弱小目標檢測對于天基紅外預(yù)警系統(tǒng)而言仍富有很大的挑戰(zhàn)性[1]，主要表現(xiàn)在：成像距離遙遠，目標成像面積小，僅占幾個像素甚至一個像素左右，并且僅具備有限灰度信息，導(dǎo)致圖像細節(jié)特征少，邊緣模糊，更無外形紋理等結(jié)構(gòu)信息；另外紅外探測器像元多，探測范圍廣，成像背景復(fù)雜，包括地球背景、地球臨界背景和深空背景[2]，隨機噪聲多源化，導(dǎo)致目標信噪比低，甚至出現(xiàn)目標被淹沒在背景中的情況，難以對目標進行有效檢測。因此，如何在復(fù)雜的背景下有效抑制背景、提高目標信噪比至關(guān)重要。

目前常見的紅外弱小目標復(fù)雜背景抑制方法包括基于時域的方法，主要有幀間差法、多幀累積法和時域輪廓線方法等，這一類方法主要是基于連續(xù)平穩(wěn)的背景和目標的相對運動，利用多幀圖像間的對應(yīng)匹配實現(xiàn)背景抑制，因此應(yīng)用范圍受限[3]。基于空域的方法，主要有Top-hat變換、TDLMS、Max-Median和基于匹配算法等，空域類方法的本質(zhì)是利用背景在空間上的較強相關(guān)性和目標呈現(xiàn)“奇異點”的特性預(yù)測背景模型[4]，其在平穩(wěn)背景下效果良好，但是在復(fù)雜背景環(huán)境下，不能自適應(yīng)抑制背景，容易混淆目標與圖像邊緣等細節(jié)，出現(xiàn)背景泄露的現(xiàn)象。基于頻域[5]的方法以數(shù)學形態(tài)學濾波方法最為經(jīng)典，其本質(zhì)是借助形態(tài)學算子抑制背景，但是結(jié)構(gòu)元選取的不合適易增強背景雜波?；谧儞Q域的方法是近幾年時興的方法，主要有基于小波域的方法、脊波（Ridgelet）變換、曲波（Curvelet）變換、Bandelet變換、輪廓Contourlet變換等。小波域背景抑制方法通過設(shè)置變換小波基與分解層次對原始圖像分解，以調(diào)整分解后圖像各子帶系數(shù)實現(xiàn)背景抑制的目的[6]，但是小波變換自身分解方向有限，只能從水平、垂直和對角方向捕獲圖像信息，缺乏平移不變性，因而小波變換不能充分借助圖像本身的幾何正則性來表示圖像的最優(yōu)稀疏性，從而不能有效地將目標和雜波邊緣分離。Ridgelet變換、Curvelet變換、Bandelet變換、以及Contourlet變換等方法相比傳統(tǒng)小波變換具有多尺度、多方向和各向異性[7]，既能夠捕捉圖像的高維奇異性，也能夠充分表示出圖像的結(jié)構(gòu)信息[8]。但是這些變換算法的實現(xiàn)還不夠成熟，尤其在脊波和曲波變換中，因Randon變換的存在使得其計算復(fù)雜度和冗余度都很高，大大限制了其應(yīng)用。Contourlet變換是繼小波變換后真正意義上的圖像二維稀疏表示方法[9]，其可以準確地將圖像中的邊緣信息在不同尺度和不同方向的頻率子帶中表示出來，展現(xiàn)了良好的各向異性及方向選擇性，但是變換中的下采樣操作使其喪失了平移不變性，并且變換后各子帶中的頻譜混疊現(xiàn)象削弱了Contourlet變換的多方向選擇性，為此，Arthur等[10]提出了非下采樣輪廓波變換（NSCT，Non-Subsampled Contourlet Transform）方法。NSCT一方面可以對圖像進行多尺度分解、多方向分解，而且NSCT的平移不變性大大減少了在圖像奇異點附近出現(xiàn)Gibbs現(xiàn)象的可能性；另一方面NSCT良好的頻率選擇性和正則性，可以有效地表示圖像中背景信息的細節(jié)特征，但不能突出地體現(xiàn)目標信息特征，并且NSCT變換后的圖像低頻子帶系數(shù)近似為零項十分有限，致使圖像低頻信息的稀疏性差，難以完整保留目標邊緣內(nèi)其內(nèi)部信息，從而弱化背景抑制精度。

圖像的奇異值分解（singular value decomposition, SVD）基于矩陣的奇異值分解理論，利用矩陣奇異值矢量的唯一性，對圖像矩陣進行奇異值分解去除圖像各分量之間的相關(guān)性，以降低圖像信息的冗余度，將信息匯聚到少數(shù)奇異值上，增強圖像的稀疏性，可以彌補NSCT變換稀疏性差的缺陷。聯(lián)合NSCT變換優(yōu)缺點，SVD在圖像背景抑制中可以有效突顯目標信息能量和提高圖像信噪比的特點，提出了聯(lián)合非下采樣NSCT和奇異值分解的紅外弱小目標復(fù)雜背景抑制方法。經(jīng)過實驗驗證，文中提出的方法能夠在不同尺度和不同方向上較好地抑制結(jié)構(gòu)化復(fù)雜背景，提高紅外圖像信噪比，突出弱小目標，有利于后續(xù)對弱小目標的探測、跟蹤和識別。

1 非下采樣輪廓波變換理論NSCT

NSCT是在Contourlet變換理論基礎(chǔ)上由Cunha Arthur等[10]于2006年提出的一種圖像多尺度幾何分析方法，它不僅具有Contourlet變換的多尺度、多方向性，還克服了Contourlet變換缺乏平移不變性和導(dǎo)致頻譜混疊的缺陷，從而冗余度更高，能夠更加準確地捕獲圖像的幾何結(jié)構(gòu)信息。NSCT這一特性可以彌補紅外弱小目標圖像中目標結(jié)構(gòu)信息近乎無的缺陷。

NSCT采用迭代非下采樣雙通道濾波器組結(jié)構(gòu)對圖像進行變換分解，即非下采樣塔式濾波器組（NSPFB，non-subsampled pyramid filter bank）和非下采樣方向濾波器組（NSDFB，non-subsampled directional filter bank）。原始圖像首先經(jīng)過NSPFB分解得到與原始圖像大小相等的一個低通子帶圖像和一個帶通子帶圖像[11]，接下來每一級NSPFB分解都在低通子帶圖像上迭代進行上述操作，獲得一個低通子帶圖像和多個帶通子帶圖像，實現(xiàn)圖像的多尺度分解，捕獲圖像中的奇異點。圖1為NSPFB雙通道非下采樣塔形濾波器組結(jié)構(gòu)。圖2為3個尺度的NSPFB分解結(jié)構(gòu)示意圖，相應(yīng)的第級NSPFB的表達式可由下式表示：

式中：z表示第層系數(shù)；表示NSPFB分解層數(shù)。同時NSPFB濾波器組中的濾波器必須滿足Bezout恒等式才能對圖像進行完美重構(gòu)，即：

0()0()＋1()1()＝1 (2)

式中：0()、1()為分解濾波器；0()1()為合成濾波器。

圖1 雙通道非下采樣塔形濾波器組結(jié)構(gòu)

圖2 三級NSPFB分解結(jié)構(gòu)

圖3 雙通道非下采樣方向濾波器組結(jié)構(gòu)

圖4 二級NSDFB分解結(jié)構(gòu)示意圖

由上所述，非下采樣輪廓波變換NSCT的總體結(jié)構(gòu)分解示意圖如圖5所示。

圖5 NSCT結(jié)構(gòu)分解示意圖

2 奇異值分解SVD圖像系數(shù)矩陣

矩陣的奇異值分解是現(xiàn)代數(shù)值分析最基本和最重要的工具之一，其特點是通過對矩陣奇異值的分解重建，利用不同奇異值代表不同能量信息的特征，去除小奇異值然后用有效奇異值重構(gòu)矩陣來濾除主要噪聲，提高信噪比。近年來奇異值分解在圖像處理、最優(yōu)化問題、統(tǒng)計學、信號處理等方面有重要應(yīng)用[15]。

假設(shè)源圖像經(jīng)NSCT后由各個子帶圖像構(gòu)成的系數(shù)矩陣為?C×，為矩陣的秩，若0≤≤min(,)，則存在階酉矩陣和階酉矩陣，使得矩陣的奇異值分解為：

式(4)可以理解為系數(shù)矩陣的個非零奇異值對應(yīng)的個分量可實現(xiàn)對矩陣的重構(gòu)。式中包含系數(shù)矩陣的個奇異值，其值有零元素也有非零元素?；谄娈愔蹬c向量2-范數(shù)和矩陣Frobenious-范數(shù)的關(guān)聯(lián)關(guān)系，可以理解為奇異值反映了矩陣的能量分布情況[16]，奇異值越大，其對應(yīng)的分量占矩陣的比重就越大；反之，比重越小。對應(yīng)到圖像矩陣中，由文獻[16]可知，圖像矩陣的奇異值按低、中、高序部分（奇異值從大到小排序）分別對應(yīng)圖像的背景、目標和噪聲，其中中序部分的前幾十個分量反映了圖像的局部變化和部分噪聲對整幅圖像的影響。因此，可以通過選擇奇異值的中序分量對系數(shù)矩陣重構(gòu)再進行NSCT逆變換，即可實現(xiàn)背景抑制，即通過式(5)對矩陣執(zhí)行截斷奇異值分解[17]重構(gòu)：

式中：表示重構(gòu)矩陣時需要的奇異值個數(shù)。

3 基于聯(lián)合非下采樣輪廓波變換和奇異值分解的紅外弱小目標復(fù)雜背景抑制方法

NSCT變換的目的是通過對源圖像分解變換，得到不同尺度不同方向下與源圖像相同大小的1個低通子帶圖像和多個帶通子帶圖像。隨著NSCT分解尺度的增加，噪聲的NSCT系數(shù)將急劇衰減，但邊緣輪廓及目標特征的系數(shù)相對穩(wěn)定，最終源圖像分解完后的各個子帶上的目標和背景細節(jié)信息得到了充分表達，即圖像的不同子帶系數(shù)代表了紅外弱小目標圖像的信息能量分布情況。但是經(jīng)過NSCT后的圖像對比度仍然比較低，圖像稀疏性差，不利于區(qū)分目標與背景及噪聲信息，尤其是源圖像中存在大量連續(xù)起伏的云層時，目標往往會淹沒在云層中，難以正確區(qū)分背景與目標。

拋開圖像的視覺特性，圖像矩陣的奇異值能夠從圖像內(nèi)蘊特性方面反映圖像矩陣元素之間的結(jié)構(gòu)關(guān)系，并且奇異值具有良好的穩(wěn)健性。因此，對NSCT后的各個子帶系數(shù)矩陣進行奇異值分解SVD，將含有目標信息的矩陣分解到一系列奇異值和奇異值所對應(yīng)的2個正交矩陣中，圖像的大量目標信息體現(xiàn)在中間部分大小的奇異值所對應(yīng)的左、右奇異向量中，然后利用這些奇異值對各個子帶系數(shù)矩陣進行重構(gòu)，最后進行NSCT逆變換得到背景抑制后的圖像。

所設(shè)計算法的操作過程如下：

1）對輸入的源圖像進行NSCT變換，提取圖像的多尺度多方向細節(jié)特征，得到與源圖像大小相等的不同尺度、不同方向的各個子帶圖像，形成多尺度多方向子帶系數(shù)矩陣；

2）利用奇異值SVD分解原理，利用中序部分奇異值重構(gòu)調(diào)整抑制各子帶圖像系數(shù)矩陣；

3）對調(diào)整后各子帶系數(shù)矩陣施加NSCT逆變換，獲得抑制背景圖像。

4 實驗結(jié)果與分析

為驗證基于聯(lián)合非下采樣NSCT和奇異值分解的紅外弱小目標復(fù)雜背景抑制方法的有效性，實驗中分別就Top-hat方法、DWT方法、SVD方法、NSCT方法和本文設(shè)計方法對3組不同紅外圖像進行了對比。實驗中3組源圖像大小均為256像素×200像素，如圖6（a）所示，其中Seq1為背景起伏較大的人工合成紅外圖像，其上目標為勻速直線運動的模擬高斯點源目標，Seq2為背景起伏適中的真實紅外圖像，目標大小呈4個像素，Seq3為背景起伏較小的真實紅外圖像，目標大小呈20個像素，3幅圖像的信噪比大小均在2左右。實驗中，DWT方法采用“db4”小波對圖像進行三層分解重構(gòu)；CT和NSCT方法中的參數(shù)設(shè)置參考文獻[18]，采用“9-7”金子塔形分解和“c-d”方向濾波器組的三級分解變換，每級方向濾波器組所取的方向數(shù)為22、23、24?；贑PU為AMD A10-7800四核3.50GHz，內(nèi)存為4GB的PC機，利用MATLAB 2013a軟件平臺完成仿真實驗。

3組紅外圖像實驗結(jié)果如圖6所示，圖6(b)～(f)分別為經(jīng)Top-hat、DWT、SVD、NSCT及本文方法處理后的結(jié)果圖像。

從實驗結(jié)果可以看出，本文設(shè)計方法能夠適應(yīng)不同起伏程度的背景和不同大小的目標，不僅有效抑制了背景，而且保留了目標完整性。Top-hat、DWT、SVD方法對背景邊緣的抑制能力較差，其中Top-hat方法還增大了目標尺寸；DWT方法雖然抑制了大部分背景，但同時加強了云層的邊緣，這勢必對后續(xù)的目標檢測帶來麻煩。SVD方法對背景有一定的抑制能力，基本保留了目標的輪廓，但背景抑制后的部分目標內(nèi)部有中空，影響了目標的完整性。NSCT方法雖然也增強了目標，但是也增強了圖像中的高強度背景邊緣，并且目標的邊緣輪廓模糊，尤其對于尺寸較大的目標，應(yīng)用NSCT方法后丟失了部分目標像素點。

圖6 3幅代表圖像及不同算法的處理結(jié)果

為了進一步驗證本文方法的有效性，采用信噪比（SNR）、信雜比（又稱為對比度）（SCR）、背景抑制因子（BSF）和接收機工作特性（ROC）曲線4個指標從定量角度分析評價了本文設(shè)計方法抑制復(fù)雜背景的性能。信噪比和信雜比描述了圖像目標相對背景的加強程度，背景抑制因子描述了對背景的抑制水平，這些指標的值越大說明背景抑制效果越好。SNR、SCR、BSF的表達式如下：

式中：t、b、b分別表示目標的灰度均值、背景灰度均值和背景灰度標準差；in、out分別表示背景抑制前后圖像背景的標準差。

接收機工作特性（ROC）曲線反映了檢測概率與虛警概率相互制約的關(guān)系，利用ROC曲線下方的面積（area under the curve, AUC）能夠評價模型性能[19]。AUC數(shù)值越大，算法性能越好。檢測概率d和虛警概率f的表達式如下：

d＝t/t,f＝b/b(7)

式中：t代表檢測出正確目標的像素數(shù)；t代表目標的真實像素數(shù)；b代表檢測出錯誤目標的像素數(shù)；b代表背景的真實像素數(shù)。

3幅圖像對應(yīng)不同方法處理后的ROC曲線分別如圖7所示。從圖中可以看出，文中提出的方法在不同背景的圖像中其AUC值均優(yōu)于其他方法。綜上所述，對應(yīng)每一幅圖像，將4個指標值SNR、SCR、BSF和AUC如表1所示。從表中數(shù)據(jù)可以看出，經(jīng)過聯(lián)合非下采樣NSCT和奇異值分解的紅外弱小目標復(fù)雜背景抑制方法處理后，圖像的各項指標值均優(yōu)于其他方法，這極大地有利于后續(xù)的目標檢測與跟蹤等工作。特別是對于圖像Seq1，不僅圖像背景復(fù)雜，且目標呈高斯點源狀，文中設(shè)計的方法其SNR、SCR、BSF及AUC值均高于其它方法，表明文中設(shè)計的方法是一種有效地、能夠適應(yīng)復(fù)雜地紅外弱小目標背景抑制方法。

5 結(jié)論

針對天基紅外預(yù)警系統(tǒng)中復(fù)雜背景下紅外弱小目標檢測跟蹤識別任務(wù)中的背景抑制這一難題，提出了聯(lián)合非下采樣輪廓波變換和奇異值分解的紅外弱小目標復(fù)雜背景抑制方法?；诓煌尘暗膱D像與Top-hat方法、DWT方法、SVD方法和NSCT方法進行了對比實驗驗證，結(jié)果表明本文提出的方法在低信噪比情況下相對其他方法抑制結(jié)構(gòu)化復(fù)雜背景程度更佳，提高信噪比高，較好地凸顯了弱小目標，降低了虛警率，可以提高天基紅外預(yù)警系統(tǒng)中對弱小目標預(yù)警能力和探測跟蹤能力。

圖7 三幅圖像的ROC曲線比較

表1 評價指標值

[1] 于強, 黃樹彩, 趙煒, 等. 紅外弱小目標檢測與識別一體化方法研究[J]. 紅外技術(shù), 2014, 36(8): 633-638.

YU Qiang, HUANG Shucai, ZHAO Wei, et al. Researches on the integration of infrared dim and small targets detection and recognition[J]., 2014, 36(8): 633-638.

[2] 夏潤秋, 金偉其, 劉斌, 等. 采用前置柵網(wǎng)濾波的天基紅外成像點目標探測技術(shù)[J]. 紅外與激光工程, 2011, 40(10): 1829-1834.

XIA Runqiu, JIN Weiqi, LIU Bin, et al. Point target detection of SBIRS based on front wire grid filtering[J]., 2011, 40(10): 1829-1834.

[3] 王衛(wèi)華, 牛照東, 陳曾平. 基于時空域融合濾波的紅外運動小目標檢測方法[J]. 紅外與激光工程, 2006, 34(6): 714-718.

WANG Wei-hua, NIU Zhao-dong, CHEN Zeng-ping. Temporal spatial fusion filtering algorithm for small infrared moving target detection[J]., 2006, 34(6): 714-718.

[4] 侯旺, 孫曉亮, 尚洋, 等. 紅外弱小目標檢測技術(shù)研究現(xiàn)狀與發(fā)展趨勢[J]. 紅外技術(shù), 2015, 37(1): 1-10.

HOU Wang, SUN Xiaoliang, SHANG Yang, et al. Present state and perspectives of small infrared targets detection technology[J]., 2015, 37(1): 1-10.

[5] Bae T W, Kim B I, Kim Y C, et al. Small target detection using cross product based on temporal profile in infrared image sequences[J]., 2010, 36(6): 1156-1164.

[6] 陳方涵, 王文生, 楊坤, 等. 基于多小波變換的紅外目標探測與識別[J]. 光子學報, 2011, 40(2): 295-298.

CHEN Fanghan, WANG Wensheng, YANG Kun, et al. Detection and recognition of infrared target based on the multi-wavelet transform[J]., 2011, 40(2): 295-298.

[7] 焦李成, 譚山. 圖像的多尺度幾何分析: 回顧和展望[J]. 電子學報, 2003, 31(12A): 1975-1981.

JIAO Licheng, TAN Shan. Development and prospect of image multi-scale geometric analysis[J]., 2003, 31(12A): 1975-1981.

[8] 李廣鑫, 王珂. 基于Contourlet 變換的彩色圖像融合算法[J]. 電子學報, 2007, 35(1): 112-117.

LI Guangxin, WANG Ke. Color imagefusion algorithm using the contourlet transform., 2007, 35(1): 112-117.

[9] Do Minh N, Vetterli Martin. The contourlet transform: An efficient directional multi-resolution image representation[J]., 2005, 14(12): 2091-2106.

[10] Da Cunha Arthur L, Zhou Jiangping, Do Mihn N. The non-subsampled contourlet transform: theory, design and applications[J]., 2006, 15(10): 3089-3101.

[11] 王珺, 彭進業(yè), 何貴青, 等. 基于非下采樣Contourlet變換和稀疏表示的紅外與可見光圖像融合方法[J]. 兵工學報, 2013, 34(7): 815-820.

WANG Jun, PENG Jinye, HE Guiqing, et al. Fusion method for visible and infrared images based on non-subsampled contourlet transform and sparse representation[J]., 2013, 34(7): 815-820.

[12] ESLAMI R, RADH A H. Wavelet-based contourlet transform and its application to image coding[C]//, 2004, 5: 3189-3192.

[13] DU NCAN D P, MINH N D. Directional multi-scale modeling of images using the contourlet transform[J]., 2006, 15(6): 1610-1620.

[14] RAMIN E, H AYDER R. Translation invariant contourlet transform and its application to image denoising[J]., 2006, 15(11): 3362-3374.

[15] 于向飛, 楊暉, 楊海馬, 等. 基于奇異值分解的光子相關(guān)光譜濾波方法研究[J]. 光學技術(shù), 2014, 40(1): 16-20.

YU Xiang-fei, YANG Hui, YANG Haima, et al. Study on the filtering algorithm of photon correlation spectroscopy based on singular value decomposition[J]., 2014, 40(1): 16-20.

[16] 胡謀法, 董文娟, 王書宏, 等. 奇異值分解帶通濾波背景抑制和去噪[J]. 電子學報, 2008, 36(1): 111-116.

HU Moufa, DONG Wenjun, WANG Shuhong, et al. Singular value decomposition band-pass-filter for image background suppression and denoising[J]., 2008, 36(1): 111-116.

[17] 張賢達. 矩陣分析與應(yīng)用[M]. 北京: 清華大學出版社, 2004: 34-400.

ZHANG Xian-da.[M]. Beijing: Tsinghua University Press, 2004: 341-400.

[18] 常霞, 焦李成, 賈建華, 等. 基于非下采樣Contourlet的多傳感器圖像自適應(yīng)融合[J]. 計算機學報, 2009, 32(11): 2229-2237.

CHANG Xia, JIAO Li-cheng, JIA Jianhua, et al. Multi-sensor image adaptive fusion based on non-subsampled contourlet[J]., 2009, 32(11): 2229-2237.

[19] 李凡. 復(fù)雜背景抑制及弱小目標檢測算法研究[D]. 西安: 西安電子科技大學, 2010.

LI Fan. A study of algorithms for complex background suppression and small target detection[D]. Xi’an: Xidian University, 2010.

NSCT Combined with SVD for Infrared Dim Target Complex Background Suppression

WU Tian’ai1，HUANG Shucai1，YUAN Zhiwei1，WU Yunrong2，F(xiàn)ENG Hui1

(1.,,710051,； 2.,266109,)

Complicated background suppression is a difficult problem for the technique of the detection of the dim and small target by the SBIRS. To reduce the clutter interference and enhance detection precision, a new method based on NSCT combined with SVD is proposed for infrared complex background suppression, which utilizes the decomposed property about the multi-scale and directional details of NSCT and the property of the different singular value representing energy information of SVD in image array. Firstly, NSCT is adapted to decompose the input infrared image based on the multi-scale and directional details, which extracts multi-scale and directional sub-band images which equal to the original images. Then, the middle singular values based on the SVD are introduced to adjust the sub-band image array coefficients so as to differentiate target and background clutter signal. Finally, the suppressed image is reconstructed by the inverse NSCT. Contrastively experimental results show that the proposed algorithm has better performance in suppressing the complex background and its edges, making target protuberant and reducing false-alarm probability.

infrared image，dim target，background suppression，NSCT，SVD

TP391

A

1001-8891(2016)09-0758-07

2016-01-30；

2016-03-07.

吳天愛（1977-），女，山東臨朐人，博士研究生，主要從事紅外弱小目標檢測與跟蹤研究。E-mail：wuyh7277@163.com。

航空科學基金（20140196004）。