共查询到10条相似文献,搜索用时 484 毫秒
1.
基于NSCT、KFCM和多模型LS-SVM的红外小目标检测 总被引:2,自引:1,他引:1
为了进一步提高红外小目标的检测性能,针对图像序列中背景与小目标的特点,提出了一种基于非下采样Contourlet变换(nonsubsampled contourlet transform,NSCT)和核模糊C均值(kernel fuzzy C means,KFCM)聚类多模型最小二乘支持向量机(least squares support vector machine,LS-SVM)背景预测的检测方法.首先对红外小目标图像进行NSCT并去噪,提高图像的信噪比;然后通过基于核模糊C均值聚类的多模型ILS-SVM预测去噪后红外图像中的背景,用去噪后的实际图像减去背景预测图像得到残差图像;接着提出基于递归最大类间绝对差的阈值选取算法分割残差图像;最后利用目标灰度的平稳性和运动轨迹的连续性进一步检测出真实的小目标.给出了实验结果与分析,并与现有的3种基于背景预测的小目标检测方法进行了比较.结果表明该方法具有更高的检测概率和信噪比增益. 相似文献
2.
3.
4.
5.
《光学精密工程》2021,29(4)
自适应递归最小二乘滤波器具有预测准确、收敛速度快的特点,该滤波器被多种高光谱图像无损压缩方案作为重要组成部分。然而传统递归最小二乘滤波器无法快速找到每个谱带的最优预测长度,其压缩方案的性能有待提升。针对该问题,本文提出基于格型递归最小二乘滤波器组的高光谱图像压缩方案。首先,该方案使用单边高斯预测器对待测像素点做谱带内预测,去除图像的空间相关性。其次,采用格型滤波器组筛选出每个谱带的最优滤波器,获得预测误差。并根据格型滤波器组链式序列更新的特点,简化最优滤波器的筛选过程,大幅度降低计算复杂度。最后对预测误差做算术编码。以AVIRIS 2006高光谱图像为测试数据集,本文算法对16位校准图像、16位未校准图像的平均压缩结果分别为3.34 bits/pixel和5.61 bits/pixel。该算法在获得良好压缩结果的情况下,计算时间低于同类别的其余算法。 相似文献
6.
改进PIC的背景重构算法与运动目标检测新方法 总被引:3,自引:2,他引:1
根据图像序列中出现频率最高的像素均值为背景点的思想,对像素灰度归类(pixel intensity classification,PIC)算法进行改进,通过将所选取的用于重构背景的序列图像像素值进行归一化、量化统计、量化范围拓展,从而重构背景图像,该方法避免了PIC算法中需要人为设定阈值;舍去了较为耗时及复杂的相近灰度区间合并等步骤;对于重构背景与目标图像作差后的二值图像,提出一种新的目标检测方法:粗精两步搜索法,可以精确确定目标物的位置,实现对运动目标的检测.实验结果表明该方法比PIC方法运行时间短、重构的背景噪声点少、粗精搜索后的目标位置准确,是一种快速有效的运动目标检测方法. 相似文献
7.
在视觉目标跟踪应用中,传统算法在光照变化、阴影、遮挡和背景运动等复杂环境下面临着鲁棒性较差的问题。针对上述问题,首先在局部二进制类型(LBP)背景模型基础上,提出了自适应像素距离阈值编码的背景模型(ST-LBSP)克服阴影和光照变化对目标检测的影响;其次,为了克服遮挡、背景运动等问题,计算图像块之间的最小像素距离和图像块和目标历史数据之间的标准化差值平方和距离,依据距离信息对图像块进行整合;同时,对整合后的图像块,计算其光流矢量、区域内差异性和区域间差异性,对图像块进行分割;最后,采用结构化的支持向量机设计多目标跟踪器,实现了鲁棒的视觉跟踪。基于标准数据集的实验结果显示,该方法具有较强的鲁棒性和较高的跟踪精度。 相似文献
8.
基于Kmeans和图像熵聚类的热红外目标检测算法 总被引:1,自引:0,他引:1
针对以海洋为背景的热红外图像目标检测存在的海洋海杂波的非平稳特性、非线性特性问题,以及目标背景相关性大而对比度小等问题,对两幅实拍红外船舰图像进行了实验,提出了一种快速有效的热红外目标检测算法。该算法采用表示图像灰度空域分布状态不确定性量度的图像熵方法,利用滑窗方法遍历整幅图像,求得了局部熵图像,从而确定了目标的粗略位置;通过用最大类间差法将局部熵处理后图像进行了自适应的二值分割,将目标和背景最优化地分离,并且结合改进的Kmeans聚类算法,通过循环所有目标点找出了其在聚类图像中的聚类标识,结合所有该聚类的像素点,提取出了完整的目标及其轮廓。研究结果表明,该热红外目标检测算法速度快,性能良好,在将目标完整地提取出来的同时可以很好地保留目标的轮廓。 相似文献
9.
10.
基于双树复数小波和SVR的红外小目标检测 总被引:3,自引:1,他引:2
在分析红外图像弱小目标和背景特征的基础上,提出了基于双树复数小波变换(dual-tree complex wavelet transform,DT-CWT)和支持向量回归(support vectorr egression,SVR)的检测方法。首先采用双树复数小波变换抑制大部分背景噪声;其次用SVR对去噪后的红外图像进行背景预测,并用去噪后的实际图像减去预测图像得到残差图像,大大提高了图像的信噪比;接着提出了基于模糊Tsallis-Havrda-Charvat熵的阈值选取算法,对残差图像进行阈值分割;最后根据目标的连续性和运动轨迹的一致性检测出真实的小目标。实验结果表明:该方法可显著提高红外目标的检测概率,实现较远距离弱小目标的检测。 相似文献