多尺度Retinex算法在红外图像增强中的应用

应用改进的多尺度Retinex增强算法．对低能见度的红外图像进行图像增强，提高了原图像的对比度和像质，得到了目标区域的最佳视觉效果。理论分析和实验结果表明，该算法与维纳滤波、同态滤波等算法相比，有效地抑制了背景和噪声。该算法对红外图像增强后，图像对比度比前两种算法的对比度强。     

基于高斯-拉普拉斯滤波的增强局部对比度红外小目标检测算法

针对单帧图像红外小目标检测算法在低空复杂背景下虚警率高的问题，提出一种基于高斯-拉普拉斯(LOG)滤波的增强局部对比度算法来检测低空复杂背景下的红外小目标。通过LOG滤波运算快速提取候选目标像素，同时通过像素灰度指数运算增强目标。根据局部区域目标与背景的灰度特征计算目标显著图，通过自适应阈值分割提取目标。针对不同的低空复杂场景，构建了测试数据集，从信噪比增益、背景抑制因子、检测率、虚警率及算法计算效率方面将所提算法与Top-Hat算法、Max-median算法、RLCM算法、IPI算法及MPCM算法进行对比分析。实验结果表明，在不同场景中，所提算法相较于对比算法不仅具有较高的信噪比增益和背景抑制因子，而且具有较高的检测率、较低的虚警率和较高计算效率，验证了该算法的有效性和鲁棒性。     

基于多尺度局部边缘梯度的红外舰船目标检测

由于红外图像本身对比度和清晰度都较低,再加上海天场景的复杂多变,极大增加了海天背景下的红外舰船目标检测难度。为实现对多种复杂海天背景下的红外舰船的有效检测,提出了一种新的基于局部边缘梯度特性的舰船目标检测算法。对多种红外复杂海天场景图像进行仿真测试,实验结果表明:该算法能有效地检测出多种复杂海天背景下的红外舰船目标,适应性广,计算简便。     

基于改进滤波器和图像加权局部熵的红外小目标图像处理

针对传统背景抑制方法虚警率高、检测率低的问题,提出一种基于改进滤波器和图像加权局部熵的红外 小目标图像处理方法。通过改进中值滤波对原始红外图像进行预处理,分别构建多尺度灰度差异算子、局部图像熵 算子,并将二者进行点积运算得到加权局部熵,从而能够有效地抑制背景并消除噪声。实验结果表明：该方法适应 性较好,运算效率相对传统中值滤波算法提升了20.6%,有一定的理论与工程应用价值。     

一种基于显著性的红外弱小目标检测方法

红外弱小目标检测是目标识别等领域的研究热点。考虑到红外弱小图像中目标信噪比较低,且成像目标的尺度变化较大,构建一种同时考虑局部显著性特征和全局显著性特征的红外弱小目标检测框架。构建一种基于多尺度卷积核的显著性目标检测算法,将该算法与谱残差算法分别进行显著图计算;在得到局部和全局显著图后,采用形态学方法进行显著图的融合以及自适应阈值方法进行二值分割。在给定的公开数据集上的实验结果表明,该方法相对于基准的显著性算法,在目标检测的准确性和虚警率上均有明显优势。     

复杂背景下红外小目标自适应检测跟踪

本文针对复杂背景下红外小目标检测跟踪问题,提出了一种背景自适应的目标检测跟踪方案。针对地面背景下的红外目标检测,采用帧差法,分别提出了跳帧多帧差法和双阈值多帧差法以应对目标长时间静止和灰度对比度下降的问题。针对天空背景下的红外目标检测,采用基于目标区域稳定性和显著性(Regional Stability and Saliency, RSS)的检测算法。在检测得到目标备选点后,使用带标签的高斯混合概率假设密度(Gaussian Mixture Probability Hypothesis Density, GMPHD)滤波器对备选点滤波以输出目标初始轨迹。同时引入轨迹整理将间断的初始轨迹重新连接并进一步去除虚警。经过验证,本文提出的目标检测方法可在复杂多类背景下准确检测并跟踪红外图像中的小目标。     

基于粒子滤波的目标图像多特征融合跟踪方法

研究了序列图像中红外弱小目标的检测跟踪问题.基于多特征融合的小目标检测算法具有较好的检测性能和适应性,而粒子滤波则是一种处理非线性和非高斯动态系统状态估计的有效方法.结合两种算法的优点,提出了一种基于粒子滤波的目标图像多特征融合跟踪方法.从红外序列图像中提取了局部灰度均值对比度、局部梯度均值对比度、局部熵和灰度分布四个典型特征,根据各个特征对弱小目标检测的贡献,自适应地进行特征融合.在粒子滤波的框架下,将融合后的特征信息转化为粒子的权值,对红外弱小目标进行跟踪.仿真试验表明,该算法有着良好的检测与跟踪性能.     

基于多特征融合与粒子滤波的红外弱小目标跟踪方法

研究低信噪比复杂背景下的红外弱小目标检测和跟踪问题.基于多特征融合的小目标检测算法具有较好的检测性能和适应性,而粒子滤波则是一种处理非线性和非高斯动态系统状态估计的有效方法.结合两种算法的优点,提出了一种基于多特征融合与粒子滤波的红外弱小目标跟踪方法.仿真试验表明,与单特征跟踪算法相比,该算法对复杂背景下的红外弱小目标具有更好的跟踪与检测性能.     

基于细胞响应模型的红外背景抑制

为检测复杂背景红外图像中的小目标,解决红外弱小目标检测易受复杂背景干扰的问题,提出基于非下采样Contourlet变换(NSCT)和细胞响应模型的红外图像背景抑制算法。首先采用非下采样Contourlet变换对图像进行多尺度、多方向分解,得到各子带系数;然后根据目标、背景的不同特点以及子带的方向性,选取细胞响应模型的参数对中频各个子带系数进行处理;最后对处理后的子带系数进行重构得到背景抑制图像。实验结果表明:本文算法取得了更好的背景抑制效果,提高了单帧红外图像的处理能力,降低了后续检测与跟踪的难度。     

基于YOLOv3的复杂环境红外弱小目标检测

在复杂环境的红外弱小目标检测问题中,传统算法大多需要对红外目标进行特征增强、背景杂波抑制等预处理工作,算法检测准确率低,控制参数较多。通过对红外目标特性进行分析,本文构建了基于深度学习的复杂环境红外弱小目标检测算法。算法以单阶段目标检测网络YOLOv3为基础,简化处理流程,显著提升对红外弱小目标的检测精度。在红外弱小目标数据集的测试中, YOLOv3较实验对比的方法在检测准确性上具有明显的提升,其平均准确率(AP)可达99.5%以上,验证了算法对红外弱小目标检测的有效性。     

红外图像弱小点目标检测技术研究

针对低信噪比、背景和噪声干扰严重的红外图像中运动点目标的检测问题，提出了一种背景预测和目标轨迹搜索相结合的高效检测算法。该算法首先对序列图像进行高通滤波，然后对滤波后的图像进行背景预测，将原图像与背景预测图像相减获得残差图像，依据图像阀值分离出少量的候选目标点，再将含有候选目标的序列残差图像经过最大合并算法形成组合帧图像，最后利用目标运动的连续性和一致性在组合帧图像中搜索目标运动轨迹。     

基于复无下采样轮廓波和Gaussian小波支持向量回归的红外目标图像背景抑制

针对存在背景干扰和噪声情况下的红外目标图像背景抑制问题,提出了一种基于复无下采样轮廓波变换（NSCCT）和Gaussian小波支持向量回归（SVR）的背景抑制方法。该方法对红外目标图像进行NSCCT,然后根据其系数的相关特性去噪,从而抑制了大部分背景杂波;采用Gaussian小波SVR对去噪后的红外目标图像进行处理得到预测图像,并用去噪后图像减去预测图像得到残差图像,即背景抑制结果。针对红外目标图像进行了大量实验,并与近年来提出的3种背景预测方法,即基于最小二乘支持向量回归（LS-SVR）、基于SVR及基于最小二乘的红外目标图像背景抑制方法进行了比较,结果表明所提出的方法去噪效果好,背景抑制性能更优。针对存在背景干扰和噪声情况下的红外目标图像背景抑制问题,提出了一种基于复无下采样轮廓波变换（NSCCT）和Gaussian小波支持向量回归（SVR）的背景抑制方法。该方法对红外目标图像进行NSCCT,然后根据其系数的相关特性去噪,从而抑制了大部分背景杂波;采用Gaussian小波SVR对去噪后的红外目标图像进行处理得到预测图像,并用去噪后图像减去预测图像得到残差图像,即背景抑制结果。针对红外目标图像进行了大量实验,并与近年来提出的3种背景预测方法,即基于最小二乘支持向量回归（LS-SVR）、基于SVR及基于最小二乘的红外目标图像背景抑制方法进行了比较,结果表明所提出的方法去噪效果好,背景抑制性能更优。     

小波变换在红外成像末制导中应用研究

主要研究了利用小波变换提高红外成像末制导对强杂波背景下弱小目标检测能力的方法．仿真结果表明，通过小波变换对目标图像信号实现频率选择和多尺度分解，能有效地抑制背景噪声，提高对目标检测概率，并且具有较高的单帧检测效率．     

Infrared Image Small Target Detection Based on Bi-orthogonal Wavelet and Morphology

An image multi-scale edge detection method based on anti-symmetrical bi-orthogonal wavelet is given in theory. Convolution operation property and function as a differential operator are analyzed,which anti-symmetrical bi-orthogonal wavelet transform have. An algorithm for wavelet reconstruction in which multi-scale edge can be detected is put forward. Based on it, a detection method for small target in infrared image with sea or sky background based on the anti-symmetrical bi-orthogonal wavelet and morphology is proposed. The small target detection is considered as a process in which structural background is removed, correlative background is suppressed, and noise is restrained. In this approach, the multi-scale edge is extracted by means of the anti-symmetrical bi-orthogonal wavelet decomposition. Then, module maximum chains formed by complicated background of clouds, sea wave and sea-sky-line are removed, and the image background becomes smoother. Finally, the morphology based edge detection method is used to get small target and restrain undulate background and noise. Experiment results show that the approach can suppress clutter background and detect the small target effectively.     

基于神经网络CA/OS-CFAR检测方法

在杂波边缘和多目标的复杂环境下,建立性能稳定的自适应检测技术是提高恒虚警率处理能力的关键.针对单元平均恒虚警检测(cell averaging-constant false alarm rate)和有序统计量恒虚警检测(ordered statistic-constant false alarm rate)的优缺点,提出一种基于神经网络的检测方法(cell averaging/ordered statistic-constant false alarm rate).利用神经网络进行最优检测方法判断,根据选定的检测方法计算出检测阈值.通过训练计算初始阈值,采用神经网络分类并识别输入的类型.将该阈值与CA-CFAR和OS-CFAR计算结果相比较,并选用均匀杂波、多目标和杂波边缘环境的仿真案例进行测试.实验结果表明:该方法可在均值和非均匀的杂波背景中,能有效地进行最优检测方法判断.     

基于空时稀疏表示的红外小目标检测算法

提出了一种基于过完备空时字典及其稀疏表示的红外小弱目标运动检测算法。采用K奇异值分解算法学习连续多帧图像的运动信息和形态特征,构建自适应形态过完备空时字典;利用高斯运动模型检验自适应形态过完备空时字典,将其划分为能分别描述目标与背景的目标过完备空时字典和背景过完备空时字典;将连续多帧图像分别在目标过完备空时字典和背景过完备空时字典上稀疏分解,利用几个最大稀疏系数及其空时原子重构信号,增强二者残差来检测小目标信号。实验结果表明,该过完备空时字典不仅能同时描述目标与背景的运动信息和形态特征,极大地提高信号表示的稀疏程度,而且能有效增强目标与背景的特征差异,提高小运动目标的探测能力。提出了一种基于过完备空时字典及其稀疏表示的红外小弱目标运动检测算法。采用K奇异值分解算法学习连续多帧图像的运动信息和形态特征,构建自适应形态过完备空时字典;利用高斯运动模型检验自适应形态过完备空时字典,将其划分为能分别描述目标与背景的目标过完备空时字典和背景过完备空时字典;将连续多帧图像分别在目标过完备空时字典和背景过完备空时字典上稀疏分解,利用几个最大稀疏系数及其空时原子重构信号,增强二者残差来检测小目标信号。实验结果表明,该过完备空时字典不仅能同时描述目标与背景的运动信息和形态特征,极大地提高信号表示的稀疏程度,而且能有效增强目标与背景的特征差异,提高小运动目标的探测能力。     

基于深度学习的红外图像遮挡干扰检测方法

红外成像体制进行目标探测和识别时,烟幕、云雾等遮挡类干扰会改变目标特征导致目标识别错误。通过对遮挡干扰区域进行定位和类型判断,在识别处理时进行针对性处理可大大降低识别虚警率,提高识别的抗干扰能力。为此,提出一种基于深度学习单通道检测器改进的红外图像厚云、烟幕遮挡干扰检测方法。该方法通过网络多层特征的复用和融合,实现了多尺度预测;利用动态锚框模块改进锚框机制,提高了检测精度;将网络中的卷积层与批归一化层合并,提高了检测速度;引入中心损失函数对分类函数进行优化,提高了网络对遮挡物的分类能力。在网络训练过程中,提出一种红外样本增广方法,对数据量进行有效扩充,解决了红外图像训练样本获取难的问题。实验结果表明,与未改进前的算法相比,在速度基本相同情况下改进的遮挡干扰检测方法检测精度提高3.7％,有效地解决了复杂环境下红外自动目标识别系统抗干扰能力较弱的问题。