鲁棒的红外小目标视觉显著性检测方法

鲁棒的红外(IR)小目标检测是自动目标检测的关键技术,低信噪比条件下的红外小目标检测一直是业内研究热点.为了能有效地检测红外小目标,对红外小目标若干表观特征及其视觉显著性进行了分析,提出一种基于多尺度图像块统计序对比度(MOCIP)的红外小目标视觉显著性鲁棒检测方法,采用两步级联多尺度图像块统计序对比度算法抑制背景和噪声,提升目标强度,获得红外小目标显著性图,并利用自适应阈值实现目标检测.本文详细给出了红外小目标视觉显著性的检测算法,使用红外小目标图像对检测性能进行了实验验证,并与其他检测方法进行了对比.实验结果表明,所提出的方法能够在低信噪比条件下克服噪声和复杂背景的影响,有效地对红外小目标视觉显著性进行检测.      

基于Pos-FCN的红外图像背景抑制方法

红外图像背景抑制可以为红外目标检测识别任务提供支撑。在实际的应用场景中,红外图像中的目标多为弱小目标,其特征不明显,一般背景抑制算法难以将其从背景中分离,而达不到背景抑制的最佳效果。针对上述问题,提出使用Pos-FCN网络实现红外图像背景抑制的方法,该方法使用特征卷积结构,依靠高分辨网络结构获取弱小目标的特征信息,通过大尺寸卷积特征图的前向传播方式实现了高维度特征中弱小目标信息的保留,使用卷积降采样特征提取和上采样图像恢复方式实现了端到端的处理,并在前置训练阶段引入了位置信息强化网络骨干特征提取效果。结果表明,该方法处理后的红外图像中信杂比提高至3.877,对比度提高至0.297,检测率达到了93.6%,因此,该方法可以实现良好的背景抑制效果。     

复杂背景下机场道面细带状结构病害检测算法

机场道面裂缝、角隅断裂、接缝破碎、修补等病害宽度狭小、长短不一、图像中像素占比少,呈细带状结构,且与复杂背景对比度低,现有检测算法效果不佳。针对以上问题,提出了一种基于注意力机制与特征融合的深度神经网络模型DetMSPNet。首先,利用注意力机制模块CBAM,使得特征学习更加专注于细带状结构病害区域,抑制干扰信息;其次,构建残差空洞金字塔模块,提取不同尺度空间下的特征信息;然后,设计最大池化支路,便于之后浅、深层不同层次特征进行融合,加强模型对于病害的定位能力,并且将深层特征输入3种不同扩张率的扩张卷积和金字塔池化模块,使得病害特征包含更多全局上下文信息;最后,对所有层输出的病害特征信息进行融合,实现不同尺度、不同层次特征的信息互补。与目前3种经典的目标检测算法在机场道面病害图像数据集APD上做了对比实验,结果表明:所提算法的mAP达到78.51%,优于对比算法。所提DetMSPNet模型,提高了算法对机场道面细带状结构病害检测中宽度狭小、长短不一、图像中像素占比少、与复杂背景对比度低等情况的适应能力。      

基于倒置残差注意力的无人机航拍图像小目标检测

针对无人机航拍图像背景复杂、小尺寸目标较多等问题,提出了一种基于倒置残差注意力的无人机航拍图像小目标检测算法。在主干网络部分嵌入倒置残差模块与倒置残差注意力模块,利用低维向高维的特征信息映射,获得丰富的小目标空间信息和深层语义信息,提升小目标的检测精度;在特征融合部分设计多尺度特征融合模块,融合浅层空间信息和深层语义信息,并生成4个不同感受野的检测头,提升模型对小尺寸目标的识别能力,减少小目标的漏检;设计马赛克混合数据增强方法,建立数据之间的线性关系,增加图像背景复杂度,提升算法的鲁棒性。在VisDrone数据集上的实验结果表明：所提模型的平均精度均值比DSHNet模型提升了1.2%,有效改善了无人机航拍图像小目标漏检、误检的问题。     

基于注意力机制和改进YOLOv3的红外弱小目标检测

红外弱小目标检测技术是红外探测系统的核心技术之一。针对远距离复杂场景下红外弱小目标对比度低、信噪比低和纹理特征稀疏分散导致目标检测率低的问题,提出一种融合注意力机制和改进YOLOv3的红外弱小目标检测算法。首先,在YOLOv3的基础上,用更大尺度的检测头替换最小尺度的检测头,在保证推理速度的基础上有效提升了红外图像中小目标的检测概率。然后,在检测头之前设计了Infrared Attention模块,通过通道间的信息交互,抽取出更加关键重要的信息供网络学习。最后,用完全交并比损失（Complete IoU Loss）替代交并比损失（Intersection over Union Loss）来衡量预测框的检测能力,通过梯度回传实现更好的模型训练。实验结果表明,本文提出的YOLOv3-DCA 能完成多种场景下红外弱小目标的检测任务,且检测准确率、召回率、F1和平均准确率分别达到91.84%、88.85%、93%和88.82%,平均准确率比YOLOv3基线提升约7%,与主流的SSD、CenterNet和YOLOv4模型对比平均准确率也取得了目前最优。     

基于模糊和最小二乘的SAR图像线特征提取

针对合成孔径雷达(SAR, Synthetic Aperture Radar)图像的特点,提出一种线特征提取算法.该算法首先抑制相干斑噪声,然后对SAR图像进行模糊变换和增强,再基于假设的SAR图像灰度模型,用最小二乘法设计出低通和高通滤波器,最后检测出线特征散点,并进行连接,得到SAR图像的线特征图.实验证明本算法抗噪声干扰,边缘定位精度达到1个像素.     

基于DLatLRR与VGG Net的红外与可见光图像融合

针对红外与可见光图像融合中特征损失严重、显著目标不突出的问题，提出了一种低秩表示分解与深度神经网络相结合的图像融合算法。首先，对源图像进行潜在低秩表示分解（DLatLRR），得到相应的低秩部分、显著部分及稀疏噪声。然后，分别采用16层的VGG Net模型和联合特征加权算法对低秩部分与显著部分进行融合，舍弃二者的稀疏噪声。最后，对融合得到的低秩部分和显著部分进行图像重建，得到最终的融合图像。实验结果表明:与其他算法进行比较，所提算法能够对图像的深层次细节特征进行融合，突出场景中的感兴趣区域，且融合图像的相关差异和、结构相似性、线性相关度等多种客观指标均有所提升，提升最大值分别为0.73、0.15、0.11，噪声产生率的最大缩减值为0.041 2。      

复杂背景下红外点目标探测概率估算

红外成像系统对点目标的探测概率在实际应用中往往受到复杂背景的极大影响,而现有的计算方法并不能适用于复杂背景下的探测概率估算.首先从红外成像系统对点目标的作用距离模型出发,分析了探测概率与信噪比、作用距离的关系,推导出单一背景下红外点目标的探测概率估算方法;然后,利用红外成像系统的亮度-灰度函数,通过背景的红外图像灰度信息计算得到其红外辐射亮度;最后,引入概率统计的思想对单一背景下探测概率的估算方法进行了改进,提出了复杂背景下红外点目标探测概率的估算方法.实验结果表明:该估算方法可以有效评估实际应用中典型复杂背景对红外成像系统的点目标探测概率的影响.      

改进YOLOv5s的弱光水下生物目标检测算法

针对水下光学图像目标检测过程中由于水中光线衰弱严重、图像环境复杂和拍摄设备移动等造成的生物识别精度低的问题,提出了基于改进YOLOv5s的弱光水下生物目标实时检测算法YOLOv5s-underwater。针对弱光水下光线衰弱的问题,引入了限制对比度自适应直方图均衡(CLAHE)算法对输入图像进行预处理,解决了颜色失真和图像毛糙的问题。针对复杂的弱光水下图像环境,提出了快速空间金字塔池化(SPPF)模块,解决了水下物体区分度低和特征损失严重的问题。针对拍摄设备移动带来的场景和形态变化问题,提出了一种基于旋转窗口的SwinTransformer模块,提高了模型的泛化能力。针对水下小目标,修改了网络模型结构,提高了小目标的检测能力。仿真和实验结果表明：所提算法相较于YOLOv5s检测精度提高30.7%,证明了算法的有效性。     

热红外视频监控下行人目标前景区域提取

在热红外视频监控环境下，针对热红外图像因周围环境温度变化而导致热红外图像灰度值反转的问题，提出了一种通过热红外图像的边界特征和运动特征的融合来提取行人目标前景区域的方法。首先，利用行人目标和周围环境存在的显著性差异来提取行人目标的边界特征，对所提取的边界特征进行边界填充，并利用热红外行人目标分类器来排除误检目标，从而获取最终的边界特征提取结果；其次，利用相邻帧之间的运动信息来获取行人目标的运动特征，对所获取的运动特征进行形态学处理，并利用热红外行人目标分类器来排除误检目标，从而获取最终的运动特征提取结果；最后，对所获取的边界特征提取结果和运动特征提取结果进行融合来获得最终的检测结果。实验证明，在公开的OSU和LSI热红外图像行人目标检测数据集中，所提方法能够有效地降低环境温度变化的不利影响，并提高行人目标前景区域提取的精度。      

基于显著特性的保持边缘滤波算法

针对传统保持边缘滤波算法中存在光晕的缺点,提出了基于显著特性的图像保持边缘滤波算法.该算法主要思想是利用原图的显著特性图具有边缘突出的特点,简化双边滤波法中灰度因子的设定工作.首先提取出原图像的显著图,然后根据图像显著值的大小自适应模糊图像中的细节和噪声部分:显著值较小的区域灰度因子设置较大,平滑此区域;显著值较大的区域灰度因子设置较小,保持边缘部分的清晰.实验结果表明,该算法在平滑了细节和噪声的同时,有效地保持了边缘信息的清晰,与传统方法相比,新方法不仅避免了光晕现象的产生,而且应用更为广泛.      

基于学习的图像智能适配显示技术

为适应不同的显示分辨率,出现了各式各样的图像适配显示(IR)的方法.提出了基于图像列的一种快速适配显示方法.在处理过程中,首先,计算一个原始图像的重要性图;其次,根据图像每列的重要性程度为其分配一个比例因子,对不同图像而言,应对比例因子设置不同的上限才可以得到较好的结果;最后,提出通过机器学习方法计算出不同图像的上限,从而可以高效率地得到理想的结果.根据每一列的比例因子采用像素融合的方式处理图片得到目标分辨率.本方法是基于列实现的,其复杂度低、便于计算;设置每列系数的上限控制了图像重要部分的宽度,从而减少了不连贯,处理结果更为自然.      

A Novel Ship Wake Detection Algorithm Based on WTHT and Radon Transform

This paper proposes a novel ship wake detection algorithm based on the White Top-hat Transform (WTHT) and the Radon transform, which aims to improve the contrast between the ship wake and the background so as to improve the detection performance on Synthetic Aperture Radar (SAR) images. The proposed algorithm includes two major processes, and one is to improve the contrast and another one is to locate the ship wake. In high sea state conditions, the contrast of ship wake and background can be very low, which makes it difficult to detect. In the first step, the proposed contrast improvement algorithm is applied to improving the contrast which helps for improving the detection performance. An attribute filter based on edge detection result is adopted here. In the second step the contrast improved image is transformed into the Radon domain followed by peak extraction process to find the wake, the WTHT is used once more in this step. Finally, in the last step, the wake is overlapped on the original image. Experimental results on Tiangong-2 Interferometric Imaging Radar Altimeter (InIRA) images are presented and compared with that obtained by using the classical algorithm, and in this way, the better performance of our algorithm is demonstrated.      

基于朴素贝叶斯K近邻的快速图像分类算法

朴素贝叶斯最近邻(NBNN)分类算法具有非特征量化和图像-类别度量方式的优点,但算法运行速度较慢,分类正确率较低.针对此问题,提出一种朴素贝叶斯K近邻分类算法,基于快速近似最近邻(FLANN)搜索特征的K近邻用于分类决策并去除背景信息对分类性能的影响;为了进一步提高算法的运行速度及减少算法的内存开销,采用特征选择的方式分别减少测试图像和训练图像集的特征数目,并尝试同时减少测试图像和训练图像集中的特征数目平衡分类正确率与分类时间之间的矛盾.该算法保留了原始NBNN算法的优点,无需参数学习的过程,实验结果验证了算法的正确性和有效性.     

基于卫星遥感的岛礁影像多类目标智能化提取

卫星遥感影像具有背景复杂、目标尺度不一、观测方向各异、纹理不清晰等特点,主流的深度学习目标检测算法不能直接适用于卫星遥感影像的目标检测。改进了RetinaNet,使其适用于卫星遥感影像。首先设计了一种新的特征融合方式,融合ResNet50输出的特征图,使得融合后的特征图同时具有高层语义信息和低层纹理细节信息。为了减弱遥感影像复杂背景对目标特征的影响,设计了特征感知模块,在减弱噪声对特征图影响的同时增强有用特征。挑选DOTA数据集中船只、飞机和存储罐图像进行训练和测试。改进的算法与RetinaNet相比,飞机、船只和存储罐的平均精度分别提高了41%、25%、24%。基于高分二号卫星（GF 2）真实影像数据的试验结果表明,提出的算法能够用于卫星遥感岛礁影像的多类目标智能化提取。     

复杂动态场景下目标检测与分割算法

在动态场景等复杂条件下,往往难以对序列图像目标进行准确的检测与分割。根据序列图像中目标在复杂条件下的成像特点,提出了一种基于融合尺度不变特征变换(SIFT)流特征显著模型的动态场景目标检测与分割算法。通过对SIFT流算法表示运动特征信息的优势进行分析,并结合图像国际照明协会(CIE)Lab颜色空间的颜色和亮度特征信息,建立四维特征向量空间。利用改进的多尺度中心-环绕对比方法生成各特征通道的显著图并进行线性融合,建立序列图像的动态场景目标显著模型。最后利用均值漂移聚类算法和形态学处理实现对检测目标的精确分割。实验结果表明,相比传统检测与分割算法,该算法在动态背景与航拍等复杂场景下能够分割出更为完整的目标区域,具有良好的鲁棒性和高分割精度。      

基于分形协方差函数的自然纹理描述与分类

研究了自然纹理图像的描述与分类的方法,提出了基于分数布朗运动模型及其协方差函数的方法.分数布朗运动的协方差函数被用来估计自然纹理特征的Hurst系数和常数k.2个子图像的5个特征组成10个特征的特征集.与直接从原始纹理图像获得特征矢量不同,该方法的10个特征矢量是分别基于大于图像灰度平均值的图像和小于图像灰度平均值的图像得到的.以纹理图像的平均值为阈值,可以得到2幅子纹理图像.从每个子纹理图像提取出5个特征,它们分别是横向、纵向和45°方向的常数,横向和纵向距离为2的Hurst系数.2个子纹理的5个特征组成10个特征的特征集.从Brodatz纹理集选出的16种纹理图像被用来检验描述和分类效果,分类结果显示该方法具有很好的自然纹理的描述和分类能力.