弱小造句

2024-04-26

弱小造句（共11篇）

篇1：弱小造句

【拼音】ruò xiǎo

【解释】意思是1.力量单薄，地域狭小。亦指弱小者。 2.指孩子，小孩。 3.力量弱和年龄小。 4.指代妇幼。 5.幼小，稚嫩。

【出处】语出《管子·重令》：“德不加於弱小，威不信於彊大，征伐不能服天下，而求霸诸侯，不可得也。”

【近义词】柔弱

【反义词】强大

篇2：弱小造句

2) 人们最高精神的连锁是文学，使无数弱小的心团结而为大心，是文学独具有力量。文学能揭穿黑暗，迎接光明，使人们抛弃卑鄙和浅薄，趋向高尚和精深。叶圣陶

3) 孩子们，热忱之心不能泯灭，要帮助照顾弱小者。四海之内都是朋友，朋友之间在感情上会有误解，甚至分歧，但这些都微不足道。听我说，别放弃友谊，这就是我对你们的最后一次期望了。

4) 要永远积极地对待人生，当你颓丧的时候就是你弱小的时候，当你勇于向命运宣战，并掌握自己命运的时候，你才能成为生活的主人。范曾

5) 侵略大国凭着新式装备和技术,在弱小国家面前耀武扬威,不可一世。

6) 若不团结，任何力量都是弱小的。谁要是蔑视周围的人，谁就永远不会是伟大的人。

7) 鲦鱼因个体弱小而常常群居，并以强健者为自然首领。将一只稍强的鲦鱼脑后控制行为的部分割除后，此鱼便失去自制力，行动也发生紊乱，但其他鲦鱼却仍像从前一样盲目追随。

8) 不要看不起任何人，因为弱小者在受到侮辱时也会报复。得罪了别人，哪怕他非常弱小，都可能会成为你成功的障碍。

9) 远远地仰望那一株弱小的身姿，猜想着在狂风暴雨寒霜冷雪的蹂躏下，它是如何将一叶叶生命的绿色延展下来，并又是如何在钢铁般的绝壁上顽强地站立下来，我不禁为自然中的一株平凡的生命而折服。我在思考它生长的渊薮，期望从它身上寻找可以支撑生命的力量。

10) 勇者并不是蛮勇之谓;凡见义不为为非勇，欺凌弱小为非勇，贪图便宜，使乖取巧，自私自利皆为非勇。

11) 如果一个人拒绝提高自己的思想觉悟，那么他只能处在弱小、可怜、凄惨的境地。

12) 若不团结，任何力量都是弱小的。拉封丹

13) 永远要把对手想得非常强大，哪怕非常弱小，你也要把他想得非常强大。马云

14) 人生重要的不是所站的位置，而是所朝的方向人的弱小和强大是靠战胜自我宋决定的。

15) 谁敢冒天下之大不韪,侵略弱小国家,我们就反对谁。

16) 二战期间,法西斯国家穷兵黩武,肆意侵略弱小国家。

17) 小草刚钻出地面，请自觉保护弱小。

18) 生命中最重要的是勇敢面对一切风风雨雨，无论你多么弱小，无论你遇到什么挫折，只要有勇气就会有希望。

篇3：弱小造句

关键词：分层动态规划,红外目标,杂波抑制,方向中值滤波

1 引言

低信噪(杂)比运动红外小目标实时检测技术,是红外目标自动识别的核心技术。强杂波环境下低信噪比弱小运动目标的检测,由于可利用的只有目标灰度和运动信息,长期以来一直是信息处理研究的热点和难点。传统的先检测后跟踪算法(DBT)在低信噪比和强起伏杂波环境下,由于目标淹没在噪声和杂波中,极易造成目标丢失或是产生较高的虚警;检测前跟踪(TBD)方法对多帧图像序列中假设路径包含的疑似点作累积处理,增强目标的信噪(杂)比,从而提高检测性能,在检测出目标的同时输出目标轨迹。基于三维匹配滤波的TBD检测算法[1,2]要求对目标的运动速度和方向进行估计,在速度和方向失配时,性能显著下降,同时该算法无法有效解决多目标轨迹并存和目标机动的情况;基于Hough变换的TBD算法[3]只适于检测低信噪比条件下具有“特征航迹”的目标;动态规划算法[4,5]无需对目标运动速度和方向进行估计,有效地实现了多目标和机动目标检测,然而其计算量随着累积帧数成级数增加,在低信噪(杂)比条件下计算量非常巨大。为此本文首先研究了基于方向中值滤波的单帧自适应背景杂波抑制方法,改善目标信杂比,尽可能减少单帧分割后的候选目标轨迹起点;为了减少目标跟踪检测的计算量,将动态规划与分层表决相结合,对序列图像进行分层动态规划并行检测,在最优化路径搜索时加以轨迹光滑性和连续性约束,剔除了绝大多数虚警轨迹,对单层检测结果根据约束条件进行配准从而做出决策。

2 自适应方向中值滤波背景杂波抑制

远距离成像时,目标为点目标。基于红外图像目标-背景表征模型[6],可将观测图像函数表征如下:

其中:I(x,y,t)为获取的场景图像,S(x,y,t)为目标图像,b(x,y,t)为背景杂波图像,n(x,y,t)为图像噪声,该噪声可用高斯分布模型来表征,目标为点状。背景杂波大部分为平缓的块状,在高成像帧频下具有非常高的空间和时间相关性;噪声为随机独立的高斯噪声,时间和空间上不具有相关性。自适应背景杂波抑制侧重于红外目标、背景杂波与噪声的模式特征以及时空分布特征,通过背景估计或是滤波获取背景进行差分对消处理,从而有效抑制背景,改善图像的信噪比,达到提高目标检测概率和降低虚警概率的双重目的,为后续背景分割与检测奠定基础。基于帧间自适应背景估计的抑制算法对图像配准具有比较高的要求,同时慢速运动小目标帧间对消处理有可能导致目标丢失;基于空间滤波的自适应背景抑制算法主要有均值滤波、维纳滤波、形态学滤波和中值滤波算法。自适应均值滤波处理简单,效果也比较稳定,但是在低信杂比和信噪比下对结构性边缘杂波分量的抑制比较有限,信噪比增益比较低;维纳滤波[7]在平稳条件下对结构性边缘分量具有一定的抑制作用;形态学滤波[8]能够比较有效的消除结构性杂波分量同时获得比较高的信噪比增益,缺陷在于难以选用合适的结构元素,算法性能依赖于具体的图像序列。中值滤波是一种非线性的滤波算法,能够有效地消除结构性边缘杂波分量,在低信噪比下能够获得比较高的信噪比增益。中值滤波算法描述如下:

其中:I(s,t)为I(x,y)邻域Ω内的像元值,med表示取中值。考虑到目标的点状特性,滤波模板可取3×3。如果窗口内中心象元所属背景占少数部分,目标将被归属到错误的背景类,经背景差分后产生虚警。考虑到结构性边缘杂波点总具有某种方向上的连续性特征,亦即在某个特定的方向上总存在与它同类的背景点,由此我们利用这一方向上的数据进行中值滤波能够更好消除结构性边缘杂波点。选取3×3模板,近邻方向中值滤波算法描述如下:

滤波输出:

近邻方向中值滤波算法能够有效的抑制结构性边缘杂波分量,但是在低信噪比下对目标的削弱比较大,为了提高算法的稳健性,我们对上述四个方向中值进行加权处理作为目标的滤波输出,加权方向中值滤波算法描述如下:

Wi为归一化的自适应加权系数,反映了各方向中值对滤波输出的贡献程度。其中:

K≥0为控制参数。定义最小距离d1=min(dj),权系数比Li/1=Wi/W1,因此:

K、∆di,1越大,Li/1越小,此时与中心目标点特性相异较大的方向中值对滤波的贡献也就越小,目标特性得以比较好的用相似的背景数据加以表征,因而在强起伏杂波下相比于均值滤波等算法能获得优越的背景抑制效果,但是对真实目标的削弱相对也越强,当K→∞、Li/k(K)→d1/di,滤波性能接近于近邻中值滤波算法;K、∆di,1越小,Li/1越大,与中心目标点相异较大的方向中值对滤波的贡献也就越强,背景抑制效能得以减弱,但由于方向中值本身比较好地反映了目标的背景属性,从而保证算法良好的背景杂波抑制效能,由于对目标的削弱得以减弱,因此在背景杂波强抑制的同时获得比较好的信噪比增益,当K→0、Li/1(K)→1,此时逼近于方向中值平均加权滤波。加权方向中值滤波算法既保持了近邻方向中值滤波算法对背景杂波的强抑制功能,同时减弱了对目标的削弱、较好的保持了目标的幅度特性,保证了信噪比增益,增强了算法的稳健性。

经过背景抑制后的图像只剩下目标点、少量的结构性边缘杂波分量和大量的高斯噪声。为了便于后续目标跟踪与检测,根据噪声的高斯特性我们对图像进行二值化分割,筛选出可能的候选目标点,减少跟踪的计算量。背景分割采用自适应统计分割的算法:

其中:

W、H分别为图像行数和列数,系数r取决于多帧关联后系统的检测性能指标。

3 分层动态规划目标轨迹检测

由于目标在观测序列图像中形成运动轨迹,噪声点不具有空间相关性,因此根据目标轨迹的连续性对序列图像进行多帧关联检测,搜索所有可能的目标运动路径,并根据对应的值函数进行决策。动态规划[4,9]实际上是多阶段决策最优化问题。假定目标在序列中的状态为{x1…xk},其中x1为初始状态,xk为终状态。对于给定的最优化过程,在各个阶段要求选择某个变量的值,使得全过程按给定的准则达到最优,各状态变量的选择就是问题的决策。用决策函数uk(xk)表示决策过程,整个过程对应的决策序列{u1(x1)….uk(xk)}

称为策略。在决策过程中引入一个策略好坏的度量准则,称为值函数vk(x1,u1…uk)。动态规划可归结为选择k阶段的策略,使对应的值函数为最大:

设值函数为阶段值,其形式为

其中w(xi,ui)是阶段指标,表示第i个阶段状态xi作出决策ui情况下的阶段指标函数,可用状态xi对应的二值化值表示。根据最优性原理得递推的关系式:

引入轨迹连续性和光滑性条件,状态转移满足约束:|xk-xk-1|/∆t≤V,Φ(xk-xk-1,xk-1-xk-2)≤θ,Φ表示矢量夹角,V、θ分别为状态转移的速度和机动阈值。定义轨迹Xk={x1,x2,…,xk},轨迹决策:{Xˆk}={Xk|fk(xk)≥L},L为决策门限。

假设关联的帧数为T,跟踪窗口M×N,初始帧备选目标数η×W×H,W、H为图像尺寸,η对应于单帧虚警概率。多帧轨迹检测进行最优化轨迹搜索计算量ψ∽η×W×H×(M×N)T-1,检测概率:

pd为单帧检测概率。虚警概率:

其中Pf为关联窗口内出现虚警的概率:

其中:pf为单帧虚警概率。在低信噪比条件下为了改善检测性能,要求增加累积的帧数并重新设计门限。现假设关联帧数更新为2T,此时的计算量ψ∽η×W×H×(M×N)2T,非常巨大。为了减少计算量,现在引入分层表决的思想。对目标轨迹分两层进行跟踪检测,第一层将2T帧图像分为两阶段(每阶段T帧图像),分别进行约束条件下的动态规划最优化轨迹跟踪与检测,上述两阶段采用并行的算法同时处理;第二层对第一层两个阶段的轨迹初检测结果根据约束性条件进行关联配准,根据配准的结果进行目标轨迹决策。分层表决结构如图1所示。

由于第一层单阶段初检测后的目标轨迹非常少,第二层轨迹关联配准只需要对上一层各阶段检测轨迹依据目标的运动连续性和光滑性约束条件进行配准,因此计算量非常少,总的轨迹检测计算量约为第一层单阶段轨迹动态规划检测的计算量ψ∽η×W×H×(M×N)T-1。相比于序贯动态规划轨迹检测,计算量减少到1/(M×N)T。

此时检测概率:

虚警概率:

在保证单帧检测概率的前提下,基于分层表决的动态规划目标跟踪检测方法检测概率几乎不变,但是虚警概率急剧下降,同时大大节省了计算量。两种跟踪检测算法的性能比较情况如表1所示,参数T=10,L=5,M=N=2,λ=µ+2.5δ,W=H=256。

算法流程如下:

1)设定序列关联帧数T、轨迹长度判决门限L,单阶段关联帧数T/2与判决门限L/2、目标运动速度V和机动阈值θ,目标中断阈值r(一旦目标连续丢失r次,剔除该点);

2)从每层单阶段初始帧开始扫描未被标记的备选目标点,搜索当前点的下一帧跟踪窗口内中满足运动速度和方向机动约束的后继目标点,如果目标连续r帧丢失,扫描下一备选目标点,否则,更新值函数并记录状态序列直至阶段的最后一帧;

3)根据值函数和判决门限进行单阶段轨迹判决,输出单阶段目标轨迹报告表2;

4)对单阶段目标轨迹报表依据约束条件进行配准,根据判决门限进行决策,输出最终目标轨迹。

4 算法仿真与性能分析

为了比较各种滤波算法性能,对三组不同场景下各20帧序列图像进行背景杂波抑制仿真分析。输入图像噪声标准差为4,目标信噪比为3。图2为采用几种不同滤波算法和不同控制参数K下的加权方向中值滤波的仿真结果。从图中可知,近邻方向中值滤波算法比较好的利用了背景杂波的空间相关性,能够非常有效的抑制背景杂波,相比于均值滤波、维纳滤波和形态学滤波算法,滤波残差最小、具有最佳的背景杂波抑制和改善信噪比的能力,但是其缺陷在于该算法对目标的削弱比较大;当参数K趋近零时,加权方向中值滤波算法性能逼近于平均方向中值滤波;随着K的增大算法对背景杂波的抑制能力逐渐增强,同时对目标的削弱也更强。上述仿真结果验证了第二节中的理论分析。通过选取合适的参数K,算法能够获得强背景杂波抑制和高信噪比增益,并同时保持目标特性增强算法的稳健性,从而为低信噪比条件下弱小目标的序列检测奠定了基础。

为了验证本文提出的TBD算法,我们对一包含双目标的序列图像进行仿真。利用方向中值平均加权滤波算法对原始图像进行背景杂波抑制,抑制后的数据进行统计分割并二值化处理,筛选出备选目标点,其中分割门限λ=µ+2.5δ。分割后的序列图像进行分层动态规划跟踪检测,第一层关联帧数为5、判决门限为3,第二层判决门限为6,参数V=2,θ=π/4,r=2。跟踪检测结果如表2、图3所示。

从图3和表2可知,序贯动态规划和分层动态规划跟踪检测在低信噪比条件下都有效的检测到了目标,分层检测有效降低了序贯检测中的虚警,提高了运算效率。在目标跟踪检测时,由于观测平台抖动等因素造成目标漂移,因此对式(10)进行修正,检测概率:

其中Pm为关联捕获概率,反映了观测误差造成的目标漂移对跟踪检测的影响。观测误差越小、跟踪窗口越大,关联概率也就越大,目标被捕获的概率也越大,但是跟踪窗口的增大会导致窗口内的虚警点增加,从而增大虚警概率,跟踪窗口的选取必须依据检测性能指标以及观测误差综合考虑;判决门限越高,目标检测概率越低,虚警概率也越低;单帧检测概率、虚警概率越高,目标检测概率和虚警概率也就越高。检测性能如图4所示。

5 结论

中值滤波是实现红外图像背景杂波抑制非常有效的算法,本文介绍了一种改进的基于方向中值自适应加权的滤波算法,在实现背景杂波有效抑制的同时减弱了对目标的削弱,具有非常高的信噪比增益和鲁棒性。文中将动态规划与分层表决思想相结合,根据多层检测结果进行融合并作出决策,实现了低信噪比下多目标机动的检测前跟踪,相比于序贯动态规划算法,进一步降低了虚警概率同时大大节省了时间花销,具有比较好的工程价值。

参考文献

[1]Reed I S,Gagliardi R M,Shao H M.Application of three dimensional filtering to moving target detection[J].IEEE Trans.AES,1983,19(1):898-904.

[2]ZHANG Tian-xu,LI Meng,ZUO Zheng-rong,et al.Moving dim point target detection with three-dimensional wide-to-exact search directional filtering[J].Pattern Recognition Letters,2007,28:246-253.

[3]曲长文,黄勇,何友,等.基于随机Hough变换的匀加速运动目标检测算法及性能分析[J].电子学报,2005,33(9):1603-1606.QU Chang-wen,HUANG Yong,HE You,et al.An Algorithm and Its Performance Analysis for Detecting the Target with Constant Acceleration Using Randomized Hough Transform[J].Electronic Sinica,2005,33(9):1603-1606.

[4]Barniv Y,Offer Kella.Dynamic programming solution for detecting dim moving targets[J].IEEE Trans.AES,1985,21:144-156.

[5]强勇,焦李成,保铮.一种有效的用于雷达弱目标检测的算法[J].电子学报,2003,31(3):440-443.QIANG Yong,JIAO Li-cheng,BAO Zheng.An Efective Track-Before Detect Algorithm for Dim Target Detection[J].Electronic Sinica,2003,31(3):440-443.

[6]XIONG Yan.An extended track-before detect algorithm for infrared target detected[J].IEEE Trans.AES,1997,33(3):1087-1092.

[7]聂洪山,沈振康.基于自适应wiener滤波的弱小目标检测[J].红外技术,2004,26(6):54-57.NIE Hong-shan,SHENG Zhen-kang.Detection of infrared dim targets based adaptive wiener filtering[J].Infrared Technology,2004,26(6):54-57.

[8]余农,吴常泳,汤心溢,等.红外目标检测的自适应背景感知算法[J].电子学报,2005,33(2):200-204.YU Nong,WU Chang-yong,TANG Xin-yi,et al.Adaptive Background Perception Algorithm for Infrared Target Detection[J].Electronic Sinica,2005,33(2):200-204.

篇4：母爱伟大母亲弱小

母亲生于1925年的农村，没上过学。外公曾是国民党部队的班长，缺乏救国意识，当了逃兵，这成为父亲取笑外公和小看母亲的题材。母亲生性本分，没从外婆那里传承家务方面的出色技能。只是可以想象，母亲年轻时长相不错，估计媒婆凭此把母亲穿针引线给小有文化的父亲。

那时的农村，缺文化、性格弱、手工差的女人，命运多半苦难。从我记事起，家里就充满无休无止的争吵。一半是父亲的脾气暴躁，一半是母亲的性格和能力，饭菜做得一般，收拾家务水平不高，让有些文化、有些讲究的父亲看不惯、瞧不起，气不顺。

母亲生活的年代，农村人口众多、温饱有虞，生存法则充满原始竞争，邻里间家庭主妇为田边地角、鸡毛蒜皮而起的纠纷三天两头发生。彼时农村人解决矛盾的主要方式是吵架，有时也会升级到肢体冲突，在吵架甚至打斗中获得胜利就能取得问题解决的主动权，也能树立强势形象，让人不敢轻易招惹。文盲而懦弱的母亲，在不可避免的矛盾冲突中，无论哪种方式，注定是失败失利的一方。四户人居住的院子，么叔家的婶婶特别自私、横蛮，隔三差五没事找事欺负母亲；不省油的堂嫂，居然也把长辈的母亲视为好捏的软柿子，时不时挑起事端，母亲要么忍气吞声，要么屈辱而归。倒是富农成分的沈姓一家对待母亲友善和蔼，算是邻里关系中留给母亲的一丝光亮、一丝温暖。

物质匮乏的年代、子女众多的家庭，一个女人只有本分和勤劳，庇护不了她的孩子们。但妨碍不了母亲伟大的母爱，来自善良、勤劳和有时的奋不顾身。为了子女体面，以勤劳和忍辱，不让我们吃得太差、穿得太差。为了子女少受委屈、少受伤害，她有时也像激怒的公牛、愤怒的狮子，和不讲道理、欺人上瘾的邻里对骂对打，尽管身心俱伤。

母亲在家里不能靠能力争取地位，在家外不能靠斗争取得胜利，受气、委屈，便成了她的家常饭、主旋律。娘家人离得比较远，她的委屈几乎没地方哭诉和发泄，哭声常在夜半三更响起，或者低沉绵长，或者撕心裂肺。

俗话说，媳妇终能熬成婆，熬成婆婆的母亲一样受欺负。母亲50岁时，娶回了她的第一个媳妇、我的嫂子、又一个欺负她的人。嫂子过门时间不长，便表现出好胜好强、斤斤计较如典型的泼妇，与母亲小吵一四七、大吵三六九，在剧烈的矛盾中很快分家立户，婆媳如冤家对头。母亲熬成婆婆，却熬不出头，一苦再苦。

父亲60岁时，因过度操劳、也因酒精过度，突然走了。留给母亲的有债务、有3个没成家的孩子。脆弱的母亲无可奈何、无声无息承担起一切。那是上世纪80年代末的农村，已经包产到户，再困难也得不到集体的照顾，一切得自食其力。母亲以懦弱之躯，带着她的未成年孩子，起早贪黑、精疲力竭。最小的妹妹结婚时，母亲已近七十岁。她在为子女们完成成家立业的责任后，彻底老了。可以兒孙绕膝、享享清福的母亲，在她70岁那年，一次外出因天雨路滑摔伤盆骨，痊愈后有了后遗症，拐杖成了她的依靠。从此行动就有许多不便。

按照农村传统风俗，为父母养老是儿子的责任。晚年行动不便的母亲，成了在她3个儿子家轮流居住的客人。她的儿子们在不同的地方，彼此只清楚母亲在自己家过的日子。在有的儿子家里，母亲总是呆不够日子，拄着拐杖、拖着不便的腿，在女儿与娘家亲戚之间奔波。我们当时不明就里，直到母亲去世之后，我们才知道，她的媳妇们有的对她十分不善。在那样的儿子家里，她实在难以度日，她的选择是逃跑。

母亲一生苦多甜少，只是告别人间时没有太多痛苦。2008年腊月初三，83岁的母亲以器官衰竭的症状，在医院停留了短暂几天，便离开了人世，没有为她的子女增添经济上的负担、照料上的麻烦。她带着一生的委屈、屈辱、辛劳，轻轻地、默默地走了。

文盲懦弱又本分坚强的母亲用长寿战胜了一切。或许是天意，当年以欺负她为乐的婶婶和堂嫂，在中年时一个暴病一个雷击而亡。

我是她惟一靠学习改变了命运的儿子，学校毕业后在异地工作，条件比其他弟兄好一些。虽然我为母亲的养老尽了很大努力，但是远远不够，让母亲晚年遭受了可以不再遭受的委屈和痛苦。她去世前的一段日子，是住在她的大女儿、我的姐姐家里。离世前，没有给我们留下只言片语。

篇5：强大与弱小作文

可能在你看来，这只不过是一种举手之劳的行为，对方只要花上两三分钟回复一下就可以了。

于是，你从发出信息之后，就在等。当然，你能理解别人也都有自己的时间安排，并不奢求人家是秒回。想着都有各自的时间点的，等人家有空了再回也不迟。可以是休息时间，可以是闲时时间，总归都会有那么几分钟。

一下午过去了，一晚上过去了，你所认为的他们可能会是有空闲的时间里，一样没有收到任何回复。

也没有什么可失落的`，似乎很是正常。毕竟也不算深交，而且在人家的忙碌程度以及所结交的朋友中，你可能也只是属于有点印象的朋友而已。还有一点就是人家实在是忙了，这种忙碌不是亲身经历的人所不能理解的。

我以前有过不理解，后来也有经历过一段特别忙碌的时期，所以同理心想一想也就没什么可纠结和疑惑的。

篇6：保护弱小的作文

经过三年的不断锻炼，周恩来长成了健壮英俊的少年。

周恩来也充满了智慧，欺负他的大孩子，他不是用武力还击，而是组成了一个坚强的被欺负者‘同盟’，用讲道理的方式保护弱小者，欺负人的大孩子在‘联合战线’面前失败，他们再也不敢欺负人了，周恩来是真正的强者。

篇7：保护弱小的作文

有一天，1岁半的佳琪终于会走了，我们很高兴。不过，她在地下站不稳，总摔倒。姥姥去灌水的时候，她站在地下，快要到倒了，5岁的妹妹妮妮也不动，也不喊，躺在那里继续看书。我跑过去，把快摔倒的妹妹抱起来，放到了床上，继续和她玩，小姨和姥姥走了过来，说：“妮妮，要保护比自己弱小的，还要向姐姐学习。”我说：“我们同时都是孩子，不要紧，我更要保护比自己更弱小的。”小姨和姥姥说：“你真是个听话的好孩子。”

还有一天，下雨了，我在门前跳来跳去，因为，我很喜欢水，我是水的“朋友”，我看见一只小青虫网，大约2厘米，小青虫在石头上蹦来蹦去，突然，小青虫跳到了水沟里，它可着急了，我轻轻拿起它来，放在一块安全的石头上，我静静的看着它，它好像在说：“谢谢!谢谢!”

哈哈!我做到了!

篇8：弱小造句

关键词：红外弱小目标形态学滤波,恒虚警检测,行程目标标记,管道滤波

0 引言

红外弱小目标的检测在军事侦察、民用探索等领域有着很重要的应用，但是由于红外弱小目标本身没有形状和纹理特征，再加上复杂的背景以及噪声干扰，弱小目标容易淹没在背景中，很难被有效地检测出来。针对这个问题，各国的研究学者都对红外弱小目标的检测展开了大量的研究，归结起来，经典的目标检测方法[1,2,3,4]为通过抑制背景增强目标，提高目标与背景的可分离性，再采用图像分割方法分割出目标，最后利用数据关联的方法剔除虚警确认目标。本文在基于形态学滤波以及恒虚警检测的基础上，利用移动式管道滤波方法对天空背景目标进行检测，实验表明，该方法能有效地去除噪声干扰，将背景与目标分割，且计算量小，实时性好，较好的检测出目标。

1 经典红外目标检测模型

红外目标图像可以认为由三部分组成：目标图像、背景图像和噪声干扰。目标红外辐射强度与其周围自然背景的辐射强度不相关，并且一般都高于背景的辐射强度，因此目标可看作是图像中的孤立亮斑。小目标在频域上处于图像的高频部分。背景辐射主要指能辐射红外线的自然辐射源，例如大气、云团、山、树等。背景在空间上往往呈大面积的连续分布状态，因此在红外辐射的强度上也呈渐变过渡状态，从而使得它们的红外图像在图像灰度空间分布上具有较大的相关性，所以它主要是缓慢变化的低频部分。红外图像平面上的噪声与背景像素不相关，空间分布是随机的，帧间没有相关性，也属于高频部分。

经典的目标检测模型包括以下三个重要环节：目标增强、图像分割和数据关联。如图1所示。

目标增强的效果决定了目标是否能被检出。常用的目标增强方法即图像滤波方法，主要包括空域滤波和时域滤波法。空域滤波[5,6]方法常用的有均值滤波、中值滤波、双边滤波以及形态学滤波等。图像分割算法对目标增强处理后的差图像进行处理，是保证目标被有效检出的重要步骤。分割算法能否将目标完整的分割出来，决定了目标检测的准确度和精度。在目标被分割并被标记出来之后，数据关联算法用来确认候选区域是否为目标，这是剔除虚警实现目标检测的重要步骤。

2 形态学滤波目标增强算法

通过多种图像预处理算法比较得出，中值滤波运算量非常大，高通滤波增强图像中的高频部分的时候，不仅增强了小目标，同时也增强了云层等背景的细节部分，会给图像分割带来大的困难，均值滤波对信杂比的提高和形态学滤波相当，但是由于算法特点，它在求均值的时候会衰减云层边缘，给检测带来麻烦；小波变换、保护带滤波对信杂比的提高较低，而形态学滤波在提高信杂比和运算量方面均有优势，因此，本文采用形态学滤波[7,8]作为目标增强算法。

基本的数学形态学运算有膨胀和腐蚀运算。腐蚀和膨胀属于数学形态学的两个基本运算，假设灰度图像为f(x,y)，结构元为b(x,y)，则腐蚀、膨胀的定义如下：

式中：Df和Db分别表示f,b的定义域。

对图像先腐蚀，后膨胀就构成了形态学的开运算，定义如下：

腐蚀可以去掉图像中较小尺寸的亮细节，而膨胀可以填充图像中较小尺寸的暗细节，形态学开运算对图像处理后，腐蚀先滤除了图像中小的亮细节，膨胀又使得大区域被滤除的部分得到恢复，同时被滤除的小亮细节不会恢复出来，因此经开运算处理后，图像中小于结构元尺寸的小目标以及大目标的部分边缘将会被滤除，只剩下大目标内部和大面积起伏的背景，并且背景的边缘部分能很好的保留。开运算具有低通效果，利用原图和开运算后的图像相减，将会有高通的效果，此时背景将被抑制，而开运算滤除的亮目标将会被提取出来，这个也称为Top-Hat变换。

在红外搜索跟踪系统对空搜索探测中，目标的距离有近有远，从单点小目标到近距较大的面目标，目标的面积变化很大。单一尺度形态算子，其滤波性能取决于结构元素的大小，小尺寸的结构元素去噪能力弱，但检测灵敏度高，大尺寸的结构元素去噪能力强，但其检测灵敏度低。因此，考虑采用多尺度的形态学滤波算法进行目标图像的预处理，小目标的滤波结构元可以选择11×11的双向形态学滤波结构元，大目标的滤波结构元可以选择21×21的双向形态学滤波结构元。本文采用11×11的双向形态学滤波开运算方法，在水平和竖直方向分别进行一维形态学开操作，并选取最大值作为当前位置输出。

3 恒虚警检测

形态学滤波目标增强处理后，接下来就进入图像分割阶段，采用分割处理的目的是为了将低信噪比弱小目标从背景残差中提取出来。由分割理论分析可知，阈值法可以压缩数据量，减少存储空间，并且有利于后续的分析和处理。因此，本文采用阈值法分割图像。由于弱小目标和背景灰度对比度不大，而且灰度分布往往接近或者交叠，很难直用固定的阈值直接对原始图像分割提取目标，本文采用自适应的阈值方法，同时为了在复杂多变的云层杂波环境中保持恒定的虚警概率，选择改进的恒虚警检测方法（CFAR)[9]。检测中，对预处理后的图像进行分割，大于阈值门限T的认为是目标，小于阈值T的认为是背景，如图2所示。对于目标点来说，小于阈值的被认为是背景，这就是漏检；对背景噪声来说，大于阈值的被认为是目标，这就是虚警。

由于是对预处理后的图像进行分割，此时背景已经被抑制，设定目标灰度s，背景灰度b，目标点服从f～(s+μ,σ2)，背景点服从f～(b+μ,σ2)，因此目标和背景点的分布可以表示为：

目标点H1:

背景点H0:

虚警概率Pf就是背景噪声分布大于阈值T的概率：

得到恒虚警分割检测分割的门限T，在实际应用中，需要适当调整阈值T，本文是在减号后面乘上一个调整因子a:

式中：μ为滤波图像均值；σ为滤波图像均方差；Φ-1(Pf)为系统虚警率的反函数。

假设预处理之后图像大小为M×N，则：

将式（8）和式（9）代入式（7）即可以得到自适应恒虚警阈值T，根据阈值T，就可以对图像进行二值化：

从而实现恒虚警检测。

4 行程目标标记

分割完成后，需要将图像中的各目标点分离标识出来，标记算法可以完成对各目标标识。行程编码是目前常用的算法，其流程如图3所示。

行程目标标记是在图像的各行，把分割出来的目标点(i,j)所在的像素组叫作行程p。标定的关键在于根据区域的连通性，判断当前扫描行中行程的属性。

在进行目标区域标定时，算法的输入为分割之后的二值化图像，在一个固定的图像行，先找出所有的行程，然后通过与上一行中行程属性的比较，确定行程标注，接下来进行区域合并和区域标定，最后通过算法处理之后，输出的是每个分割的区域。行程目标标记的具体步骤如下：

(1）研究图像的第k行（开始行k=1）行程。假如存在行程，在每一个行程上加以不同的标号ni。

(2）研究图像的第k+1行的行程。假如不存在行程，则进行第3步。如存在行程pi，当此行程和图像的第k行的行程不联结时，在pj上加以新的标号nj，当行程pj只和图像的第k行中的一个行程pi联结时，则在pj上加以pi的标号ni；当行程pj和图像的第k行中的一个以上行程pi联结时，则在行程pj上加以这些行程pi的标号ni中最小的一个，如图4所示，在图像的第k行上，不联结的行程pj是（在图上为p4和p5）是第k+1行的行程（在图上为p）联结区域的一部分。为了以后把标号组{ni}改写为同一号码，应预先把他们存储起来。

(3）假如图像的第k+1行是最后一行，则进行第（4）步。否则把第k+1行行程统计后重新作为第k行返回第（2）步。

(4）在存储的标号组内，统一具有共同元素的组，又形成了新的标号组与联结区域相对应。在图4中的例子里，存储着的标号组{n1,n2}和{n1,n4}，因为这两个标号组具有共同的元素n1，所以结合而成为{n1,n2,n4}。

(5）再次扫描图像，把各象素的标号置换成所属组的代表值。当没有所属组时，标号照原样。

图4中长方框为行程；i为图像行；j为图像列；pi为行程名；ni为区域标号；行程目标标记得到了目标的位置、面积等相关信息，接下来可以进行管道滤波排除虚警，确认真实目标。

5 移动式管道滤波方法

为了进一步的甄别目标，采用移动式管道滤波[10,11]的数据关联方法。移动式管道滤波方法的基本原理就是根据目标运动的连续性，它是在序列图像的空间位置以目标为中心建立的一个空间管道，管道的直径（如果管道是圆形的）代表目标周围的邻域尺寸，管道的长度代表检测时所需要图像帧数。例如在第1帧图像的（x,y）处有目标，则该目标在第n+1帧中必然会出现在该位置的某一个小邻域内；而噪声由于分布的随机性，在连续的多帧图像中并没有这种连续性。管道滤波算法针对候选目标区域进行处理，其原理如下：

设LabelImage标记目标矩形框的结果为：

式中：N为结果数；ti,li分别为目标矩形框左上角顶点垂直坐标、水平坐标；bi,ri分别为目标矩形框右下角顶点垂直坐标、水平坐标。目标的位置为：

式中：

设序列图像宽为W、高为H,Cell宽度为w，则存在一组Cell:

式中：垂直下标；水平下标分别为Cell中的目标位置有序集合、目标位移向量有序集合、目标标识有序集合、目标位移连续为的次数有序集合，即分别表示Cell中第k个目标当前的位置、位移、真目标标识、位移连续为的次数。

在该算法中，当目标标识为真，并且位移连续为0的次数达到5次时，认为该目标为假目标。

管道滤波算法的详细实现步骤如下：

(1）对于第n帧LabelImage的一组结果，根据其，计算其属于哪一个Cell:加入有序集合：；将零位移加入对应的有序集合：；将标识F加入对应的有序集合：；初始化位移连续为的次数：

(2）如果n>1，遍历第n-1帧的每组Cell：对于分割出的第k个目标，计算其预测位置，据此计算预测位置所属Cell:，在第n帧的Cell(）周围3×3范围的Cell内搜索与其预测位置距离最近的目标：

(3）如果搜索到最近目标，则更新该目标位移向量：，并标记该目标为真目标：，如果，则更新该目标位移连续为的次数：

(4）对于第n帧的Cell组中的每个目标，如果其为T，并且时，该目标被当做真目标；当为T，并且时，该目标被认为假目标，可能是探测器坏点；当为F时，该目标为分割出的假目标，可能为成像噪点；

(5）至此，一帧序列图像检测结果管道滤波处理完毕。

当目标运动速度过快或者运动较为复杂时，如果管道直径选择不合适，会造成目标检测失败。管径选择的依据除了依赖目标大小外，还需要考虑目标在两帧之间的位移。管道长度和目标判决门限则影响检测时间和检测概率。

6 实验仿真及结果分析

本文在Matlab 2012a运行环境下对多个实际拍摄的天空背景红外序列图像进行了实验。对这些序列图像应用上文所述方法。该算法中总的虚警概率为10-6，实验帧数为100帧，6帧检测至少出现5帧确认为目标。选择其中三个序列图像的实验结果如图5～图7、表1所示。第一组共100帧，一个目标大致位于图像中心靠上位置。第二组共100帧，一个目标大致位于图像左下方位置。第三组共100帧，一个目标大致位于图像中心位置偏右。

实验结果分析：调整阈值因子，在第一组和第二组序列图像中，尽管有云层等众多噪声干扰，本文方法能很快的准确的将目标检测出来，检测率达到100%，但是在第三组实验中，由于虚警点与目标点极度相似，可以看到有误检（图7中左下方为虚警），这是因为管道滤波实现中产生了错误的关联，需要对算法进一步的完善。但从总体上，本文方法能有效地抑制背景，分离出目标，降低虚警率，检测出真实目标。

7 结语

本文根据形态学滤波预处理技术、阈值分割和序列图像处理技术，深入展开研究天空背景下弱小红外目标的检测问题。通过对传统算法的改进，在较为复杂云层背景的下，能有效地降低虚警率，甄别出真实目标。但是在实现算法过程中，由于对目标尺寸的获取更多的是依赖经验，决定了结构元素以及阈值参数的选取，而管道滤波在面对更为复杂的杂波干扰下，可能会出现错误关联的情况。因此，进一步研究可以考虑采取融合决策的方法对结果进行更深次的判别。

参考文献

[1]WANG Yang,ZHEN Qin-bo,ZHANG Jun-ping.Real-time detection of small target in IR grey image based on mathematical morphology[J].Infrared and Laser Engineering,2003,32(1):28-31.

[2]SUN Yu-qiu,ZHENG S,TIAN J W,et al.Infrared image dim small target detection based-on double energy accumulation[C]//SPIE Proceedings of International Conference on Space Information Technology.Wuhan,China:SPIE,2006,5985:111-117.

[3]李义.海天背景下的空中红外弱小目标检测技术研究[D].济南:山东大学,2012.

[4]陈喆.红外探测系统中相关关键技术研究[D].南京:南京理工大学,2008.

[5]GONZALEZ R C,WOOD R E.数字图像处理[M].3版.阮秋琦,阮宇智,译.北京:电子工业出版社,2013.

[6]刘刚,王立香,董延.Matlab数字图像处理[M].北京:机械工业出版社,2010.

[7]汪洋,郑亲波,张钧屏.基于数学形态学的红外图像小目标检测[J].红外与激光工程,2003,32(1):28-31.

[8]马文伟,赵永强,张国华,等.基于多结构元素形态滤波与自适应阈值分割相结合的红外弱小目标检测[J].光子学报,2011,40(7):1020-1024.

[9]张慧燕,吴顺君.自适应门限下杂波恒虚警算法[J].西安电子科技大学学报,2000,27(1):105-109.

[10]赵小明,袁胜春,马晓丽,等.基于移动式管道滤波的红外小目标检测方法研究[J].红外技术,2009,31(5):294-297.

篇9：我不是弱小作文

今天是星期六，我和妈妈一起到外婆家玩。到了外婆家，我连忙下车，看见二只小狗在汪汪的叫着，好像在说：“欢迎，欢迎。”坐了一会儿，我要外婆带我到山上玩，爬呀，爬呀，我和外婆终于爬上山了，山上的景色那么美好，好像一幅美丽的画。突然，我们看见一个小弟弟在哭，我走上来问：“小弟弟，你在这里干什么呀?”

小弟弟说：“我和妈妈走散了。”这时我记起有一本书上是这样写的：只要跟大人走丢了就不要到处乱跑，站在原地，这样大人就能找到你了。于是我叫小弟弟站原地，小弟弟说：“我好怕。”我就站到小弟弟的身边陪他，过了一会儿，一个人走来了，我问：“小弟弟，这是你妈妈吗?”小弟弟高兴地说：“这是我妈妈，谢谢你了，大姐姐!”这时，我也开心地笑了。我不是最弱小的，因为我帮助小弟弟找到了妈妈。

篇10：帮助弱小作文

一天，风和日丽，我们一家去公园里放风筝。

到达那里的时候，我看见一群人围在一起，我走过去一看，原来是他们在欺负一个小朋友。说时迟，那时快，我冲了上去，并对他们说：“你们羞不羞，欺负这么小的孩子?”他们立刻就跑了。

篇11：《我不是最弱小的》

《我不是最弱小的》

作者：宗阳春发表时间：-5-2 阅读次数：656

教材简析：

《我不是最弱小的》是苏教版第八册第四单元的第二篇讲读课文。课文讲了萨沙与家人出外度假，突然遭遇暴风雨，父母亲很自然地把雨衣让给了年龄最小的萨沙。在他们的影响下，萨沙也不甘于做弱小者，并学会了保护弱小者。尽管文章说的是一件简单的生活小事，却阐明了深刻的做人道理，渗透了培养自信自强人格的思想。本课的教学重点是萨沙和妈妈之间的对话。

依据学生实际及教材特点，从“知识和能力”“过程和方法”“情感态度和价值观”三个维度确定本课的教学目标为：

1正确、流利、有感情地朗读课文；

2学会本课的生字新词，理解由生字组成的新词，会用“芳香扑鼻”“闷热”造句；

3理解课文内容，懂得“每个人都要保护比自己弱小的人”，并引导学生不甘于做弱小的人。

设计策略：

1、以读为主，读写结合

“读”是语文学习的.重要手段，也是培养学生语感、语文能力的重要途径，通过教师配乐范读及学生自由读、默读、对比着读、边读边做记号等形式，让学生更多地直接接触语文材料，在与文本的对话中、在丰富的情感体验中、在由读至写的倾吐中发展语言、陶冶情操。

2、自主探究、合作交流

学生的知识习得是一个自我建构的过程，而自主探究又是合作学习的基础。在学生充分自读自悟的情况下，组织开展小组学习、同桌交流等活动，就能让学生之间取长补短，并充分发挥其积极性、创造性。

3、想象体验，发展个性

想象是创造的翅膀，学生在读书时的联想、对生活的回想、转换角色时的畅想及创编故事的遐想中，不但加深了对课文内容的理解，加深了对人物内心的体验，更重要的是将课堂与生活“链接”，感受到了今后怎样做人，从而使自己的个性得到健康发展。

教学过程：