基于邻域灰度熵和分类的红外弱小目标检测

根据红外图像弱小目标和背景特征,提出了基于邻域灰度熵和分类的红外弱小目标检测方法。先对红外小目标图像进行复Contourlet去噪,并设计一滑动窗口扫描整幅图像,将滑动窗口内的像素分为目标和背景两类,利用两类的灰度均值差及窗口中心像素的邻域灰度熵进行背景抑制,再用指数交叉熵阈值法分割出小目标。实验证明该方法简单有效,易于硬件实现。     

基于变邻域变步长LMS背景预测检测红外小目标

在分析强起伏背景信号的基础上,利用背景局部信号统计特征和目标运动特性,提出了一种基于变邻域变步长LMS自适应背景预测的红外弱小目标检测方法.首先将两类背景交界处像素的邻点按最大类间平均离差准则分成两类,和中心像素点相近的一类构成预测邻域,而背景内部区域采用固定预测邻域;然后提出了一种改进的变步长LMS自适应算法,在所得预测域上进行背景预测,由实际值和预测值相减得到残差图像;最后采用二维Tsallis-Havrela-Charvat熵阈值选取方法对残差图像进行分割,并根据目标运动的连续性和一致性确认真实小目标.针对实际红外图像序列的实验结果表明:该算法能有效地抑制强起伏杂波,增强目标能量,降低虚警率,对强起伏背景下弱小目标具有很好的检测性能.     

一种基于红外序列图像的弱小目标检测方法

针对天空背景下红外运动弱小目标的检测问题,提出一种结合小波变换和管道滤波的序列图像的检测算法。首先对红外序列图像采用小波变换,再采用全局门限法进行阈值分割提取出潜在目标,用形态开运算去除噪声点,以减少候选目标数目,最后再使用管道滤波的方法确定真实目标。实验结果表明,该方法能有效地检测运动红外弱小目标,显著提高红外弱小目标的检测概率,并易于硬件实现。     

基于对比度和梯度分布的红外弱小目标检测

红外弱小目标检测技术是目标自动检测系统中的核心技术之一。在复杂背景以及强杂波存在的情形下,红外弱小目标检测往往会有高虚警率的问题。对于这一问题,提出了一种基于多尺度局部对比度与局部梯度分布的红外弱小目标检测算法,具有重要意义。相比于以前的算法,该方法利用多尺度局部对比度机制增强红外图像中的疑似红外弱小目标的区域,再利用红外图像的局部梯度分布信息对这些疑似红外弱小目标的区域进行判别,剔除其中的虚警区域,得到有低虚警率红外弱小目标检测结果。实验结果表明:该算法结果可靠,检测准确率高。可见,新算法可以有效地提高在复杂背景以及存在强杂波情形下红外图像中弱小目标的检测准确率。     

基于人工蚁群的红外弱小目标检测方法

提出一种基于人工蚁群的红外弱小目标检测方法.首先利用模糊隶属度函数对图像进行预处理获取可能的目标点;然后利用该结果与信息素一起共同指导蚂蚁的行为;最后通过蚂蚁行走路径上的信息素分布进行更新,使得分布在目标路径上的信息素逐渐增大,逐渐向真实的目标图像收敛达到抑制背景的目的.仿真和实验表明,与固定权值滤波方法和最大化中值滤波方法相比,该方法能够有效地从复杂背景的图像序列中检测弱小目标.     

基于局部能量比的空中红外弱小目标检测方法

提出了图像局部能量比的概念,并针对空中目标图像特点,给出了一种基于局部能量比的红外弱小目标检测方法。该方法基于单帧图像即可实现红外点目标检测,算法简单,耗时较短,可以实时检测;图像局部能量比对图像噪声不敏感,故该检测方法对图像信噪比要求较低,具有强抗干扰性,便于工程实现。文中给出了检测算法的具体实现过程,并用真实空中红外弱小目标图像进行了检测试验。试验结果表明该方法对空中红外弱小单目标和多目标均具有令人满意的检测效果。     

复杂背景中红外多光谱目标检测算法研究

针对多光谱红外探测器,对复杂背景条件下红外弱小目标检测算法进行了研究。根据弱小目标缺乏纹理等相关信息的特点,给出了一种用于多光谱图像的弱小目标检测算法。对多光谱图像,构建数据立方体,对多光谱信息建立稳定的目标特征向量,用多光谱背景抑制滤波器以提升图像信噪比,将一种基于统计判别的低信噪比条件下红外序列图像弱小目标检测算法与传统多级假设检验跟踪(MHT)算法综合,形成了改进的连续帧目标检测跟踪算法,对波门内疑似目标点用引入多光谱信息建立的特征向量进行目标的非监督检测判决。实验结果证明:在低信噪比下该算法能有效检测跟踪弱小目标,在保证检测概率前提下可有效抑制虚警,极大地降低了后续跟踪算法的计算爆炸风险。     

一种基于非采样Contourlet变换的图像融合算法

非采样Contourlet变换(Nonsubsampled Contourlet transform,NSCT)是 一种新的多尺度变换,它同时具有方向性、各向异性和平移不变性,能有效的表示图像的边 沿与轮廓。提出了一种基于非采样Contourlet变换的图像融合方法。首先用NSCT对已配准的 源图像进行分解,得到低频子带系数和各带通子带系数;其次对低频子带系数利用均匀度进 行系数选择,针对各带通子带系数提出了基于区域特征的系数选择方案,得到融合图像的NS CT系数;最后经过NSCT逆变换得到融合图像。实验结果表明该算法可获得较理想的融合图
像,取得了优于小波变换和Contourlet变换的融合效果。
     

反对称双正交小波在红外图像小目标检测中的应用

在给出利用反对称双正交小波进行图像多尺度边缘提取的相关理论基础上,针对海空背景下远距离小目标的特点,提出了一种海空背景下红外图像小目标检测方法。首先应用反对称双正交小波变换的多尺度边缘检测方法,确定目标的潜在区域,进一步在潜在区域内采用形态学方法提取目标,从而实现了在小波塔式分解数据上的图像边缘特征提取和小目标检测。与采用二进卷积型小波的检测方法相比,具有图像处理数据量小,实现速度快的特点。实验结果表明,该方法能够有效抑制杂波干扰,准确检测出小目标。     

基于YOLO智能网络的红外弱小多目标检测技术

复杂背景下的红外弱小多目标检测是红外目标检测的难点,现有算法的稳健性难以满足实际弹载应用需求。针对弹载环境下的红外场景图像开展了基于典型深度学习网络模型的目标检测应用研究,提出一种基于YOLO(you only look once)网络的智能目标检测方法,通过高维特征学习表征和推理实现红外弱小多目标检测。采用传统的模板匹配算法和YOLO深度学习算法进行识别性能对比分析,验证了YOLO网络在红外弱小多目标检测方面的良好性能。实验结果表明:YOLO算法的检测概率可达92.2%,平均检测精度为0.844,与传统的模板匹配方法相比,YOLO具有明显的优势。     

基于时频矩阵非负分解特征的多视角SAR目标识别

针对多视角合成孔径雷达(Synthetic Aperture Radar,SAR)目标识别问题,提出一种基于目标高分辨率距离像(High Range Resolution Profile,HRRP)时频矩阵非负分解特征提取和识别方法。该方法首先对SAR图像进行滤波预处理,得到相应的目标HRRP序列;然后采用匹配追踪时频分析方法计算得到目标HRRP的时频矩阵;应用非负矩阵分解技术分解时频矩阵,得到相应的谱矢量和时相矢量。基于分解得到的谱矢量和时相矢量提取时频域矩特征和稀疏特征。最后,应用隐马尔科夫模型(Hidden Markov Model,HMM)对这些时频特征序列建模及识别。采用美国运动和静止目标获取与识别(Moving and Stationary Target Acquisition and Recognition,MSTAR)计划公开发布的SAR目标数据库的实验结果表明,该方法不仅能有效降低时频域特征的维数,而且识别性能优于传统的时频域特征。     

基于CS的SAR图像自动目标分割算法

图像目标分割是SAR图像目标超分辨处理和自动目标识别的重要步骤。针对图像固有的稀疏结构,提出了一种SAR图像自动目标分割算法。通过构造变换字典将SAR图像数据投影到高维空间,实现了图像局部特征的稀疏表示,然后利用随机矩阵获得稀疏域局部特征的压缩采样,并对多组采样数据运用Mean-shift 算法并行处理,最后通过符号检验法,实现了对目标像素与背景像素的分类。试验表明,该算法对硬目标具有较好的目标分割性能。     

基于SVM的SAR图像中水上桥梁目标的检测

针对SAR图像中桥梁目标的特性,提出了一种基于统计特性和先验知识相结合的桥梁目标检测方法。通过对SAR图像中桥梁和背景的分析,首先对河流区域进行特征提取,再利用支持向量机方法对数据进行训练建模,通过训练后的模型对SAR图像中的河流进行分割,最后在分类后的二值图中按方向累加能量最小准则进行桥梁目标检测。基于真实SAR图像的实验结果显示,此方法不需要对SAR图像进行复杂的预处理,有强的抗斑点噪声性,能快速检测SAR图像中的桥梁目标。     

一种红外点目标图像高保真压缩方法

针对红外点目标图像的特点,融合目标检测与无损-近无损压缩技术,提出了一种目标-背景分类的高保真压缩方法。将红外图像分成若干子块,对每个子块进行基于"最大中值滤波"背景抑制算法的点目标检测,根据检测结果将图像子块分为包含疑似目标的目标子块和不含目标的背景子块,对目标子块图像无损压缩,对背景图像子块近无损压缩,从而提高红外遥感图像压缩比,降低数据传输量,减轻数据传输压力。实验结果表明:所提的方法与传统全图无损压缩方法相比,能在不损失点目标信息的高保真压缩前提下,使图像压缩比提高40%以上。该方法对星上实时处理系统、红外探测跟踪系统的设计具有一定的理论和工程应用价值。     

基于增量学习的高光谱图像目标检测

高光谱图像目标检测是高光谱图像分析中的重要研究内容之一。本文从经典有效的约束能量最小化算法出发,提出了一种基于增量学习的高光谱目标检测方法。当获得新的样本时,不需要重新计算所有样本的自相关矩阵即可对检测器模型进行更新,减轻了星上有限计算资源的负担。实验结果表明:本文提出的目标检测算法在压制背景光谱的同时可以更好地适应目标光谱,提高了算法的检测性能。     

基于偏振信息融合的背景抑制方法评价

与红外强度图像相比,单一的偏振度或偏振角图像在提升图像信杂比方面并无明显优势。为综合利用偏振图像的多维信息进一步提升图像信杂比,在分析典型背景下目标偏振度与偏振角联合分布特性的基础上,以偏振度作为偏振角信息的权值参考,提出了一种基于偏振信息融合的红外图像背景抑制方法,并将其应用于复杂云层或海面背景下的红外目标检测,给出了相应的算法流程。实验结果表明:与红外强度图像相比,所提出的基于偏振信息融合的背景抑制方法能大幅提升图像信杂比。该方法简单有效,易于实现,可应用于基于红外偏振成像的目标探测或精确制导领域。     

KDTGAN：基于Transformer-GAN和知识蒸馏的高光谱目标检测

高光谱目标检测在地球观测中至关重要,被广泛应用于军事和民用领域。然而,由于高光谱图像的背景复杂性和目标样本的有限性,该任务面临较大的挑战。本文首先采用CEM（约束能量最小化）粗检测方法提取背景数据。随之,引入了一种新的知识蒸馏模型,即KDTGAN（通过Transformer-GAN实现）。教师模型的生成器采用了Transformer编码器的结构,并结合多尺度数据融合的方法,能够准确地学习背景分布,进而通过重构背景信息实现目标检测。为了克服GAN（生成对抗网络）训练不稳定的挑战,特别是纯背景数据的稀缺性,本文提出了一种新的损失算法,以减小可疑目标样本对模型性能的负面影响。为了降低模型的计算负担,本文引入知识蒸馏,并设计新的蒸馏损失对学生模型加以约束,使模型轻量化的同时提高学生模型检测精度。实验结果表明：KDTGAN相较于当前检测方法表现更优,具有更高的检测精度和鲁棒性。     

固体火箭发动机地面试验故障图像的目标检测

把数字图像处理技术引入到固体火箭发动机地面试验中,为固体火箭发动机地面试验的故障分析提供一种新方法。文中基于开展数字图像处理工程研究的基本思路主线,即图像预处理-图像分割-图像分析及目标检测,进行了固体火箭发动机地面试验图像预处理、固体火箭发动机地面试验故障图像分割和固体火箭发动机地面试验故障图像的喷出物检测的研究。结果表明,数字图像处理技术对固体火箭发动机地面试验图像处理很有效。     

SAR图像强回波目标检测的偏态分布方差方法

对复杂背景下的SAR图像强回波目标检测问题进行了研究,提出了基于偏态分布方差的自适应检测算法。首先设计一种新的基于偏态分布模型的方差滤波器,偏态分布方差滤波器可减少相干斑噪声对检测的不良影响,提高图像方差的差异性,即强目标回波边缘灰度方差相对于强目标回波灰度方差、背景杂波灰度方差更小。其次,算法改进了根据图像复杂度自动选取阈值方法,通过自适应检测小方差像素,实现强回波目标检测。仿真结果说明该算法能够对SAR图像强回波目标较快地进行准确检测。相比方差特征法(VAR)和扩展分形特征法(EF)在检测速度与虚警率方面均具有较大的优越性。