基于空-频域映射与虚警抑制的弱小目标检测算法

为了有效控制红外弱小目标检测过程中的虚警率,提高复杂云背景下的目标检测准确度,提出了基于空域-频域映射与虚警抑制的弱小目标检测算法。根据红外中心像素不同方向上的强度值,构建了方向最大中值滤波器,有效消除噪声;并利用中心像素与其邻域像素的强度差异,形成背景抑制滤波,充分增强弱小目标;考虑云区域的特有属性,联合非线性滤波,定义了云区域识别机制,提取空域映射;引入Butterworth差异低通滤波器,对去噪图像中的显著目标完成初步识别;基于其幅度信息,进行显著目标的精细检测;再利用细显著性检测结果,计算阈值,利用二值分割方法来获取去噪红外图像的频域映射;联合空域映射与频域映射,提取红外图像中的候选目标;根据真实动目标与虚警之间的运动特征差异,利用多尺度改进的管道滤波来抑制虚警,准确识别出真实目标。实验数据表明,相对于已有的弱小目标识别方案,所提方案能够准确地识别出真实目标,拥有更好的ROC特性曲线。     

基于差异结构描述符与自适应侧抑制的红外弱小目标检测算法

为了提高复杂背景下的弱小目标的检测精度,提出了基于差异结构描述符与自适应侧抑制的红外弱小目标检测技术。首先,引入非局部均值滤波,对红外图像进行预处理,降低噪声的干扰;随后,计算输入滤波红外图像的梯度值,引入奇异值分解方法,在梯度域内获取特征信息,从而确定主方向;为了能够根据红外图像的信息变化来自适应增强弱小目标与抑制背景,利用奇异值分解获取的主方向来计算侧抑制系数;并利用特征信息,构建差异结构描述符,联合改进的侧抑制系数,形成了一个自适应侧抑制滤波器,降低其对噪声的敏感性,以更好地对红外图像中的每个像素进行处理;最后,定义像素灰度补偿函数,完成弱小目标检测。实验结果显示:与当前红外弱小目标检测技术相比,在噪声与复杂背景情况下,所提算法能够准确完整地检测出弱小目标,具有更高的信杂比增益与背景抑制因子,呈现出更理想的ROC曲线。     

基于Contourlet及目标特性分析的弱小红外目标检测

研究了一种复杂背景下红外小目标检测的新方法。根据远距离红外弱小目标在相平面上成像的各向同性特征以及目标与背景边缘分离困难的现状,提出了一种基于Contourlet及目标特性分析的弱小红外目标检测算法。首先采用Contourlet变换对图像中的低频起伏背景及边缘与随机噪声和目标进行分离;然后对红外目标进行基于各向同性特征的目标提取;最后对目标进行分割、检测以及定位,并输出目标信息。通过与一些传统方法进行基于主观视觉和客观指标的对比发现,该算法可有效分离目标与低频背景、随机噪声及背景边缘,对红外图像基于弱小目标检测背景处理时,效果较好。     

基于多特征融合的红外弱小目标检测

为解决红外弱小目标检测领域中基于单类先验知识的人类视觉系统检测方法检测准确率低、虚警率高以及显著图计算复杂等问题,提出一种在复杂背景条件下对红外弱小目标多种特性进行融合处理的检测方法。通过融合红外弱小目标的局部灰度值大、自身灰度信息符合二维高斯分布以及与邻域相似度低的三大特性,利用协方差检测和相似度对比计算得到显著图,对显著图进行简单阈值分割得到真实目标。对不同复杂背景和不同数据类型的红外源图像进行弱小目标检测实验,结果表明:与基线算法相比本文所提算法检测结果背景抑制因子和信杂比增益均提高2~3倍,交并比为HVS类方法最优,ROC曲线在较低虚警率时获得最高检测准确率。本文方法将红外源图像中弱小目标多个特性进行有效融合,提高检测精度的同时降低了显著图计算复杂度,在不同复杂背景和杂波干扰的情况下仍能取得较好的目标定位和背景抑制效果。     

基于显著性检测与权重映射的可见光与红外图像融合算法

为了解决当前可见光(VI)与红外(IR)图像融合中易出现信息丢失,以及存在伪影等问题,提出了一种显著性检测耦合权重映射结合的VI与IR图像融合算法。分别对VI和IR图像进行二尺度分解,得到基础层和细节层。为了提高VI和IR融合效果,定义了一种显著性特征检测方法,在每个源图像上应用均值滤波以减小像素与其相邻像素之间的强度变化,以完成平滑处理。再借助中值滤波来消除每个源图像中的噪声与伪影,较好地保留图像边缘。并通过取均值和中值滤波输出的差异来计算图像的显著性特征,以突出边缘和直线等显著性信息。然后,通过对显著性检测结果完成归一化处理,以构建权重映射,为细节层分配合适的权重。再将基础层和细节层采用不同的规则进行融合,其中,联合权重映射与细节层,得到最终的细节信息,并借助平均融合规则来完成基础层的融合。最后,利用最终基础层和细节层的线性组合来构造新图像。实验表明,与当前多尺度图像融合技术相比,所提算法仅采用两尺度分解,显著提高了融合效率,而且得到的融合图像具有更好融合质量,有效消除了伪影,在融合过程中的信息丢失量更少。     

基于显著性检测与权重映射的可见光与红外图像融合算法

为了解决当前可见光(VI)与红外(IR)图像融合中易出现信息丢失,以及存在伪影等问题,提出了一种显著性检测耦合权重映射结合的VI与IR图像融合算法。分别对VI和IR图像进行二尺度分解,得到基础层和细节层。为了提高VI和IR融合效果,定义了一种显著性特征检测方法,在每个源图像上应用均值滤波以减小像素与其相邻像素之间的强度变化,以完成平滑处理。再借助中值滤波来消除每个源图像中的噪声与伪影,较好地保留图像边缘。并通过取均值和中值滤波输出的差异来计算图像的显著性特征,以突出边缘和直线等显著性信息。然后,通过对显著性检测结果完成归一化处理,以构建权重映射,为细节层分配合适的权重。再将基础层和细节层采用不同的规则进行融合,其中,联合权重映射与细节层,得到最终的细节信息,并借助平均融合规则来完成基础层的融合。最后,利用最终基础层和细节层的线性组合来构造新图像。实验表明,与当前多尺度图像融合技术相比,所提算法仅采用两尺度分解,显著提高了融合效率,而且得到的融合图像具有更好融合质量,有效消除了伪影,在融合过程中的信息丢失量更少。     

基于中智理论与方向α-均值的图像边缘检测算法

为了提高边缘检测算法对目标边缘细节的保持能力和降低噪声导致的伪边缘等问题,设计了一种基于中智理论与方向α-均值的边缘检测方案。首先,基于中智理论,将图像转换为中智图像,通过真实性、不确定性和虚假性3个要素来表示中智图像,提高了噪声等不确定性信息的表达能力;然后,为了有效地去除了噪声并保持边缘细节,计算中智图像像素的方向掩模,并通过方向平均函数定义了一种方向α-均值算子,并利用生成的方向α-均值算法对图像进行各向异性滤波;最后,构建了一种迭代方程,通过判断梯度的阈值来确定图像像素是否为边缘像素,从而完成边缘检测。实验表明,与当前流行的边缘检测算法比较,所提方法能够更为准确地检测出目标边缘,在不同噪声水平干扰下,其检测结果中所含的伪边缘与不连续边缘信息更少。     

基于图像块相关的弱小目标检测算法研究

针对复杂云层背景下的弱小目标检测问题,提出了一种基于图像块相关的弱小目标检测算法。首先对图像进行灰度值反转,然后利用相邻块之间相关性进行云层背景抑制的预处理,从而削弱复杂云层背景对弱小目标检测的干扰,最后对图像进行灰度值拉伸处理,增强弱小目标,提高对目标的检测准确率。实验结果表明,提出的算法可抑制云层背景对弱小目标干扰,实现复杂背景下弱小目标的检测。     

基于局部积加权对比的红外弱小目标检测

针对复杂背景下因像素点噪声及高亮边缘干扰导致的对红外弱小目标检测率低、虚警率高的问题,提出一种基于局部 积加权对比的红外弱小目标检测算法。 首先,分别计算目标区域与背景区域均值,并得到目标与局部背景的差异性;提出一种 局部积加权方法,极大增强了小目标的显著性与抑制背景杂波的能力;其次,采用多尺度算法增强算法的自适应能力;最后,对 显著性图像进行自适应阈值分割,得到待检测的真实目标。 仿真实验结果表明,所提算法的信杂比增益( SCRg)和背景抑制因 子(BSF)相比现有算法均有一定提升,在复杂背景及强噪声干扰下仍具有良好的准确性和鲁棒性,实现了提高检测率,降低虚 警率的目的。     

基于双重滤波与锐化的遥感图像增强算法

为了解决遥感卫星影像普遍存在着亮度、对比度低的问题,提出了基于滤波与锐化的遥感图像增强算法。首先,根据线性运算中核矩阵像素权值特性,设计基于中值滤波与高斯滤波的图像滤波算子。然后,采用图像一阶导数逼近技术,计算图像强度梯度,并采用图像二阶导数计算梯度的散度,从而建立基于Sobel与Laplacian的图像锐化增强算子,以增强图像对比度。最后,基于非局部均值算法,完成图像去噪,实现遥感图像平滑增强的目的。实验测试结果表明,与当前遥感图像增强技术相比,本算法拥有更高的增强质量,更好地保留了图像的亮度与色度信息。     

基于场景运动分析的弱小目标形态学检测方法

本文提出一种基于场景运动分析的弱小运动目标形态学检测方法:首先利用场景运动分析校正序列图像,应用本文提出的结构元进行Top-Hat形态学滤波以抑制背景杂波,将滤波图像进行二值化和差分处理以提取可疑目标并抑制虚警,使用点-航迹关联法最终捕获目标.外场试验表明,同传统的形态学检测方法相比,可有效抑制航拍图像中的地物干扰,降低虚假目标数量.     

云天背景下的红外弱小目标检测算法

根据点目标在红外系统中的成像特点,提出了一种红外弱小目标快速检测算法,首先进行下采样来减小图像大小;再运用“梯度增大法”增强图像对比度;然后与背景预测图像做差值运算,用最佳门限从差图中得到候选目标集;最终利用相临帧的相关性在后续帧处理中确定目标。仿真试验表明本文算法能从复杂云层背景中快速有效地检测出目标。     

CFRP/Al蜂窝结构缺陷红外热图特征的多结构形态学-PCNN识别

CFRP/Al蜂窝结构在制备和长期服役过程中易产生脱粘、分层、积水等缺陷,因此采用红外热波无损检测技术对其状态进行检测尤为重要.在采集CFRP/Al蜂窝结构缺陷红外热图像序列的过程中,存在着较大的背景噪声,容易产生对缺陷的检测效率低、对比度差等问题.为了提高缺陷检测效果,采用主成分分析算法对去除背景后的红外图像序列进行缺陷特征信息降维处理,有效滤除红外图像序列中的不均匀背景噪声.结合多结构形态学和脉冲耦合神经网络(PCNN)混合算法对缺陷区域进行图像增强和图像分割来提取缺陷区域.实验结果表明,采用上述方法,能够进一步地滤除红外图像的不均匀背景噪声,改善缺陷区域提取效果,有效提高缺陷检出率.     

基于局域熵值分布图的目标分割及质心计算

图像分割的质量直接决定了目标检测及跟踪等一系列工作的好坏。传统的局域熵对于简单背景下的小目标检测较为有效,但对于目标较大的情况分割效果则不甚理想。致力于统计图像每一像素点的局域熵值,绘制局域熵值分布图。对局域熵值分布图进行迭代阈值分割,以求得最佳分割阈值并实现二值化。在二值化熵值分布图的基础上,统计像素分布,求取目标质心。在下一帧的视频图像中,根据前一帧求取的目标质心来设定波门,以减少非目标以及噪声的干扰。对多个视频序列进行实验后证明,本文提供的方法能够有效减少杂波干扰,提高系统的鲁棒性。     

基于背景估计的焊缝缺陷检测

针对射线检测图像中缺陷识别率低的问题,利用背景估计和差分运算来增强缺陷、抑制复杂背景和噪声。该方法首先利用Otsu分割获得的掩模图像提取焊缝区域;其次通过改进的中值滤波对焊缝区域进行背景估计,反背景差分获得含有缺陷的差分图像;随后根据缺陷与误检边缘处梯度方向的差异性,利用多方向多级梯度有效解决背景残余问题;最后通过自适应阈值分割将含有缺陷的差分图像二值化。实验结果表明,该方法具有较高的缺陷识别率,召回率和准确率分别达91.90%和 90.95%,在实际中具有较好的应用价值。