基于端元提取的高光谱异常目标检测

针对高光谱图像混合像元影响异常检测效果的问题,提出了一种基于端元提取的异常检测算法。该算法采用小波分解,将原始高光谱图像分解为高频信息图像和低频信息图像,舍弃低频信息图像,只利用高频信息图像,从而抑制了背景,突出了目标;然后使用正交子空间投影(OSP)方法提取图像的端元光谱;最后根据提取的端元光谱,采用光谱角匹配(SAM)技术完成高光谱图像的异常检测。为了验证本文方法的有效性,利用AVIRIS高光谱数据进行了仿真实验,取得了较好的检测效果。与其他算法相比,结果表明,本文算法的检测性能明显优于传统算法,既降低了虚警率,又大大缩短了计算时间,适用于实时的高光谱图像异常目标检测。     

基于注意力机制的高光谱图像异常目标检测

在航拍视频运动目标检测中，受到场景复杂度和目标多元化因素影响，导致目标检测精度受限，提出基于注意力机制的高光谱图像异常目标检测方法。建立多背景建模约束下的高光谱视频图像采集和参数识别模型，采用场景变化自适应跟踪方法分析目标运动特征参数，提取运动目标高光谱图像的感知场景背景信息、孤立像素点以及边缘特征量，根据孤立像素点的离群特性，采用注意力机制融合判断方法，提取高光谱图像异常目标点的差异性特征值，采用模糊度特征匹配和场景稠密度色彩分割方法，实现高光谱图像异常目标的动态检测和分离。仿真测试结果表明，采用该方法进行高光谱图像异常目标检测，在虚警率为0.09,检测概率0.94时达到了最好的检测效果，检测的平均耗时为16.34 s。     

基于扩展数学形态学的高光谱亚像元目标检测

提出了一种基于扩展数学形态学和光谱角度匹配相结合的高光谱亚像元目标检测算法。在目标与背景未知的情况下,同时利用光谱和空间信息实现目标的定位与检测,实现高光谱亚像元目标的检测识别。通过扩展的形态学膨胀和腐蚀运算实现端元提取,采用光谱角度匹配算法进行感兴趣目标的检测识别。算法性能通过AVIRIS数据进行评价,与仅利用光谱角度匹配的算法和RX异常检测算法进行比较。实验证明,所提出的算法性能优于其他两种算法,具有低虚警率的亚像元目标检测结果。     

基于加权块对比度的红外小目标检测方法

针对不同背景条件下，红外弱小目标检测信杂比低、虚警率高的特点，重点利用小目标能量接近高斯分布特性，提出一种利用改进的图像局部熵加权多尺度的基于图像块对比度的红外小目标检测方法。首先，计算红外图像中心块和邻域块的均值；然后，计算出中心块和邻域块的均值差异达到凸显小目标、抑制背景噪声的效果，同时计算各个像素点的改进局部图像熵以凸显小目标、抑制形状与小目标大小近似的伪目标以及大面积的干扰物体的角点；之后，利用改进的图像熵加权中心块和邻域块的均值差异值，得到高信杂比、低虚警率的显著度图像；最后，利用自适应阈值分割算法获取目标的位置。实验结果表明，与同类基于human visual system(HVS)检测方法相比，所提方法适用场景更广，特别是在复杂背景下，能达到更低的虚警率、更高的信杂比。     

一种基于兴趣区提取的红外搜索系统目标实时检测算法

针对周扫红外搜索系统对空目标探测面临的图像数据量大、弱目标检测概率低、虚警率高等难点问题,提出了一种基于兴趣区(ROI)提取的目标实时检测算法。算法分析了周扫红外搜索系统获取的图像中目标与背景的特性,根据目标运动特性与灰度特性,在周扫红外搜索系统获取的整幅全景图像中快速提取目标可能存在的兴趣区;针对兴趣区内的局部目标图像切片,进一步精细检测识别,剔除虚假目标干扰。外场试验获取的实测数据目标检测结果表明,算法针对复杂低空背景下弱目标能够实现低虚警率稳健检测,已应用到了周扫红外搜索跟踪系统的工程样机研制中。     

基于双边滤波的最优波段子空间高光谱异常目标检测

针对KRX方法对高光谱图像进行异常目标检测时存在检测效率低和虚警率高的问题,在充分分析高光谱图像数据特征基础上,本文提出一种最优波段子空间方法的高光谱图像异常目标检测算法。该算法首先利用双边滤波方法对高光谱图像进行全局滤波,充分利用双边滤波的优点,使得高光谱图像背景信息得到抑制;然后采用经典的自动子空间方法对高光谱图像进行波段子集划分;再利用联合偏度-峰度指标,在每个波段子集内选出最优波段;最后利用这些最优波段构成新的波段最优子空间,在此基础上,在最优波段子空间中利用Kernel RX算法进行异常目标检测,从而得到异常检测结果。本文利用真实的高光谱图像进行仿真验证,获得异常目标、检测的虚警数和ROC等检测结果。结果表明,该算法具有鲁棒性强、虚警率低和检测精度高等优点。     

基于粒子群优化聚类的高光谱图像异常目标检测

高光谱图像的高维特性增加了图像的信息量,但 是同时也带来了“维数灾难”问题 。在高光谱图像异常目标检测 过程中,如何更好降低维数,去除波段冗余性和最大程度抑制背景干扰成为亟需要解决的 问题。针对此,本文提出了基于粒子群 优化(PSO)聚类的高光谱图像异常目标检测算法。算法首先利用粒子群方法对传统的k-均 值聚类进行优化,在不改变高光谱图像 波段特征的基础上用新的聚类方法对图像进行了波段子集类划分,使得具有相似特性的波段 归为一类;然后,通过主成分分析(PCA)变换使 得聚类后的图像数据中含有的异常目标变得突出,同时抑制背景干扰;最后,提取各子集主 成分中含有最大四阶累积量值的波 段,构成最优波段子集,并与核RX算法结合进行异常检测。利用真实的AVIRIS高光谱图像对 算法进行仿真,结果表明,算法检测精度高,虚警率低。     

利用小波分解和顶点成分分析的高光谱异常检测

针对高光谱图像复杂背景影响异常检测结果的问题,提出了一种新的抑制背景的异常检测算法。首先对高光谱图像采用小波分解,将高光谱图像分解成高频图像和低频图像;然后使用顶点成分分析(VCA)方法提取高频图像的端元光谱图;最后使用光谱角匹配(SAM)技术对高光谱图像进行异常检测。实验结果表明,KRX算法相比,本文算法像素目标个数增加32.35%;虚拟个数减少12.12%,计算时间少2个数量级;本文方法的ROC曲线一直位于KRX、PCA-KPX算法的异常检测方法之上,有利于高光谱图像的实时异常检测应用。     

双邻域差值放大的高动态红外弱小目标检测方法（特邀）

针对现有红外弱小目标检测方法背景抑制不充分、计算复杂度高,导致红外侦察预警系统虚警率高、响应速度慢的问题,提出一种基于双邻域差值放大的高动态红外弱小目标检测方法。首先,分析真实红外图像中目标与邻域的均值特性;然后,计算出目标区域与内外双层邻域的差异,从而提升亮、暗弱小目标的局部对比度并抑制复杂背景和噪声;最后,利用自适应阈值分割算法获取目标的位置。针对信杂比增益和背景抑制因子难以客观评价红外图像序列的目标增强和背景抑制性能的问题,提出一种目标轨迹显著图评价方法,有效评价红外图像序列目标检测性能。实验结果表明:与同类检测方法相比,该方法的信杂比增益与背景抑制因子分别提高了12%与10%,运行时间约缩短了34 ms,是一种有效可行的高动态红外弱小目标检测方法。     

角点与边缘信息相结合的遥感图像飞机检测新方法

利用遥感图像中飞机目标的边缘特征和角点特征,提出边缘与角点信息相结合的遥感图像飞机检测新方法.首先,进行Canny边缘检测,提取遥感图像中飞机目标边缘信息,并利用OTSU算法二值化处理图像;然后,进行Harris角点检测,找出满足飞机角点分布特征的区域,去除伪目标;最后,进行区域生长式聚类,通过求取类心最终确定飞机位置.对60幅高分辨率遥感图像进行飞机检测测试,正确检测出238架飞机中的220架,漏检18架,48个虚警.实验表明,该方法可以有效解决复杂背景下飞机检测问题,具有良好的检测性能.     

基于多尺度圆周频率滤波与卷积神经网络的遥感图像飞机目标检测方法研究

针对遥感图像飞机目标检测因目标尺度不一存在漏警、虚警等问题,该文基于遥感图像中飞机目标形状特征和灰度变化特点提出了一种多尺度圆周频率滤波(MSCFF)与卷积神经网络(CNN)相结合的MSCFF+CNN飞机目标自动检测算法。该算法首先采用多尺度圆周频率滤波器滤除遥感图像复杂背景,实现不同尺度飞机目标候选区域提取;然后,通过构建卷积神经网络(CNN)模型实现候选区域有效分类,最终精确确定飞机目标位置。最后,基于获取的真实遥感图像进行目标检测算法实验验证,经统计该算法的飞机目标检测率为94.38%,虚警率为3.76%,实验结果充分验证了该文算法的有效性,该算法可为机场监管、军事侦察等应用提供重要的技术支持。     

基于多尺度圆周频率滤波与卷积神经网络的遥感图像飞机目标检测方法研究

针对遥感图像飞机目标检测因目标尺度不一存在漏警、虚警等问题,该文基于遥感图像中飞机目标形状特征和灰度变化特点提出了一种多尺度圆周频率滤波(MSCFF)与卷积神经网络(CNN)相结合的MSCFF+CNN飞机目标自动检测算法.该算法首先采用多尺度圆周频率滤波器滤除遥感图像复杂背景,实现不同尺度飞机目标候选区域提取;然后,通过构建卷积神经网络(CNN)模型实现候选区域有效分类,最终精确确定飞机目标位置.最后,基于获取的真实遥感图像进行目标检测算法实验验证,经统计该算法的飞机目标检测率为94.38%,虚警率为3.76%,实验结果充分验证了该文算法的有效性,该算法可为机场监管、军事侦察等应用提供重要的技术支持.     

基于背景残差数据的高光谱图像异常检测算法

针对高光谱图像微小目标检测中存在的严重背景干扰问题,提出了一种基于背景残差数据的非线性异常检测算法.首先利用提取的背景光谱端元对图像各像元进行光谱解混,实现了目标信息和复杂背景信息的分离;接着将含有丰富目标信息的解混残差数据非线性映射到高维特征空间,可以充分挖掘高光谱图像波段间隐含的非线性信息,并在特征空间利用RX算子完成目标的检测,从而在抑制大概率背景信息的基础上有效地利用了高光谱图像波段间的非线性统计特性.为了验证算法的有效性,利用真实的AVIRIS数据进行了实验研究,并与经典RX算法、未抑制背景的特征空间核RX算法的检测结果相比较,结果表明基于背景残差数据的检测算法具有良好的检测性能和较低的虚警,且运算复杂度较低.     

利用背景残差数据检测高光谱图像异常

针对高光谱图像微小目标检测中存在的严重背景干扰问题,提出了一种基于背景残差数据的非线性异常检测算法.首先利用提取的背景光谱端元对图像各像元进行光谱解混,实现了目标信息和复杂背景信息的分离;接着将含有丰富目标信息的解混残差数据非线性映射到高维特征空间,可以充分挖掘高光谱图像波段间隐含的非线性信息,并在特征空间利用RX算子完成目标的检测,从而在抑制大概率背景信息的基础上有效地利用了高光谱图像波段间的非线性统计特性.为了验证算法的有效性,利用真实的AVIRIS数据进行了实验研究,并与经典RX算法、未抑制背景的特征空间核RX算法的检测结果相比较,结果表明基于背景残差数据的检测算法具有良好的检测性能和较低的虚警,且运算复杂度较低.     

基于恒虚警率的双阈值检测方法

针对对海导航雷达视频图像背景灰度值分布不均匀,不同位置的目标与背景对比度不同的特点,以及对海导航雷达视频图像目标检测处理效率的要求,结合传统的阈值分割处理思路,提出一种基于恒虚警率的双阈值检测方法。该方法在保证低虚警率的基础上,结合现有的全局阈值和局部阈值两种处理思路,实现对对海导航雷达视频图像目标的快速精确检测,并在实测数据上与常用阈值检测算法Otsu算法进行了验证比较。结果证明,该算法能有效提高目标检测的准确度。     

基于空-谱结合的稀疏高光谱异常目标检测

针对稀疏表示理论用于高光谱图像异常目标检测存 在检测精度不高的问题,在对高光谱图像的空间特性和光谱特性充分分析基 础上,提出了基于空-谱结合的 稀疏高光谱异常目标检测算法。首先利用多尺度高斯滤波对原始高光谱图像进行滤波 处理,通过滤波减少高光谱图像 含有的噪声对异常目标的影响;对滤波之后的高光谱图像进行波段子集划分,划分依据是邻 波段间的相关系数;然后利用高 光谱图像稀疏差异指数对每个子空间进行异常目标检测;最后对检测结果进行叠加,得到最 终异常目标检测结果。采用真实 的AVIRIS高光谱图像对算法进行仿真验证的结果表明,本文算法检测精度高,虚警率低, 提高了稀疏表示理论用于高光谱异常目标的检测性能。     

基于各向异性的红外小目标背景预测及分割

红外小目标易淹没在复杂的起伏背景中,为提高目标的检测能力,往往通过抑制背景来增强目标信号。针对各向同性背景在含有较多边缘轮廓的复杂起伏背景预测方法的不足,提出了各向异性的红外背景预测方法,结合目标与背景在局部梯度间的差异,考虑各向异性微分原理,并改进其边缘停止函数,然后利用其两个最小方向值的均值作为背景预测值,并将背景图灰度变换为0～255,最后采用恒虚警阈值法对差分图像进行分割处理,达到提取候选目标的目的,降低真实目标的虚警率。实验表明,各向异性取得良好的背景预测效果,而利用恒虚警阈值对差分图像进行分割有效地减小了虚警,提高目标检测率。     

基于成像光谱技术的主动段弹道目标检测与识别方法

弹道目标检测与识别问题是天基红外预警系统的核心难题之一。针对主动段弹道目标的检测和识别问题,分析了传统的基于空间和时间特征信息的弹道目标检测与识别方法。利用目标辐射空间与光谱的一致性,提出一种基于成像光谱技术的主动段弹道目标检测与识别方法,将空域目标检测和谱域目标识别两个环节进行联合处理。实验证明,该方法应用于复杂背景下低信噪比的红外弱小目标图像序列能得到较理想的结果,算法检测概率高、虚警概率低、具有较强的实时性。     

基于OTSU算法的近红外星图目标提取

导航星目标的提取是近红外天文导航中的关键步骤,直接关系到后续的星目标识别和星图匹配.由于天光背景很强,提取星目标极为困难.近红外天文导航在近红外波段对恒星进行检测,即使在白天也可获得足够多用以导航的恒星目标.在分析近红外星图图像特点的基础上,引入能量投影,根据投影峰值确定潜在恒星目标和噪声点的位置;然后根据能量变化,设定待处理区域,并使用最大类间方差(Maximumbetween-cluster Variance,OTSU)算法进行目标和噪声点快速提取;最后使用多帧叠加,剔除噪声点,最终提取出恒星目标.实验结果表明,该算法计算简单,运行时间短,同时具有较高的检测率.该算法能够在复杂的背景中有效地检测出恒星目标,虚警率较低.