基于PSO-GA优化的TOP-HAT形态学滤波器及其应用

针对机载红外图像中运动弱小点目标检测的难题,提出了一种基于PSO-GA训练参数的形态学滤波器。以粒子群优化算法（Particle Swarm Optimization,PSO）为主线,按PSO算法中标准的速度和位置更新,遗传算法（Ge-netic Algorithm,GA）采用新的区间离散化编码和自适应的主次式交叉与变异算子,将遗传算法与粒子群优化算法的自动更新特征结合在一起,通过优化搜索全局空间获得形态学滤波器的最优参数,进而确保优化的形态学滤波器具有良好的滤波性及时效性。通过对低信噪比红外图像（SNR约为2）的测试,检测概率可以达到98%以上,与利用神经网络（Neural Network,NN）训练结构元素后的Top-Hat形态学滤波器相比提高了2%～3%。与GA算法相对,训练算法效能提高20%,提高了搜索最佳值的能力。