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。     

基于三维块匹配与改进Top-hat的红外图像目标检测方法

针对复杂背景干扰下难以精确检测出红外图像目标的问题,提出基于三维块匹配(BM3D)与改进顶帽(Top-hat)的红外图像目标检测方法。该方法首先采用三维块匹配算法对红外图像进行滤波,更好地保留图像的边缘信息;其次构建改进Top-hat算子,利用不同大小、不同形状的结构元素对滤波后图像进行背景估计,得到校正后图像;最后对校正后图像进行阈值分割,得到目标图像。仿真实验结果表明,与经典Top-hat算法比较,提出的方法能够有效地增强红外图像对比度、抑制噪声干扰、减弱非均匀加热背景的影响,从而突出红外图像目标信息,使得红外图像目标检测更加准确。     

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。     

基于满意滤波的目标图像跟踪

针对复杂背景下目标图像跟踪要满足区域极点与滤波误差方差指标约束问题,根据满意控制与满意估计思想[1],利用线性矩阵不等式法将跟踪系统的鲁棒满意估计问题转化为线性矩阵不等式组(LMIs)约束凸优化问题,给出了一种有效的满意滤波设计方法.通过这种方法进行满意波门设计,推演满意滤波算法,并以此对图像目标进行航迹跟踪实验,验证了相关结论.     

基于形态成分稀疏表示的红外小弱目标检测

信号稀疏表示的超完备字典可有效感知信号的各种结构特征。针对红外小弱目标检测问题,文中提出了一种基于图像形态成分分析(morphological component analysis,MCA)理论的自适应信号稀疏表示的小弱目标检测方法。该方法根据红外图像信号自适应的训练和构造超完备字典,并进一步分为反映目标信号特征的目标子字典和表示背景噪声的背景子字典。然后求取待检测图像块在超完备字典的稀疏表示系数,挖掘目标和背景的稀疏表示系数差异,最后通过量化和比较信号在目标子字典的表示系数检测小弱目标。实验结果证明了该方法的有效性。     

基于多尺度局部对比度和多尺度梯度一致性的红外小弱目标检测算法

针对复杂背景和强杂波干扰下红外小弱目标检测虚警率高的问题,提出了一种基于多尺度局部对比度方法与多尺度梯度一致性方法的红外小弱目标检测算法。利用多尺度局部对比度方法对红外图像中红外小弱目标进行增强,利用多尺度梯度一致性方法剔除复杂背景和强杂波干扰造成的虚警。从信噪比（SNR）增益、平均残留背景绝对值、检测率、虚警率及ROC曲线方面将新算法与max-mean算法、max-median算法、top-hat算法、IPI算法及MGDWIE算法进行了对比。实验显示：新算法相较于对比算法具有更高的SNR增益、更低的平均残留背景绝对值、更高的检测率及更低的虚警率。对比结果表明：新算法在复杂背景和强杂波干扰下具有良好的红外小弱目标检测准确性和鲁棒性,有效改善了复杂背景和强杂波干扰下红外小弱目标检测虚警率高的问题。     

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.     

基于全散度的自适应鲁棒图形模糊聚类算法

针对图形模糊聚类对灰度分布不均匀及噪声干扰图像无法获得满意分割结果的不足,提出一种基于全散度的自适应鲁棒图形模糊聚类分割算法。全散度和像素邻域信息相结合,得到一种改进的全散度;改进的全散度引入图形模糊聚类最优化模型,并嵌入像素空间邻域信息。当前聚类像素与邻域像素均值的偏差作为该鲁棒聚类分割模型的正则因子,促使该聚类对强弱噪声具有自适应抑制能力。测试结果表明,与现有的图形模糊聚类、鲁棒模糊聚类等算法相比,自适应鲁棒全散度图形模糊聚类分割算法的分割效果和抗噪鲁棒性均有明显改善。     

基于偏斜度的图像局部熵算法

针对红外弱小目标难以检测的问题,提出一种基于偏斜度的局部熵算法的新方法。通过对原始图像进行分块处理,利用局部熵值判断图像块找出感兴趣区域,再利用偏斜度进行判断,通过自适应阈值分割方法对弱小目标进行检测。经过实验证明：该方法能够有效地检测出弱小目标,具有算法简单,运算量小,便于硬件实现等特点。     

前视红外目标的鲁棒分层跟踪算法

针对前视红外序列图像中目标与背景对比度低、灰度级动态范围小以及目标边缘模糊的特点,提出了一种基于均值漂移和特征匹配的红外目标鲁棒分层跟踪算法。首先利用均值漂移算法来快速搜索局部最优候选目标。然后,通过特征匹配对跟踪误差进行有效修正。采用Harris算子对模板目标与候选目标进行特征点提取,利用改进的Hausdorff测度对特征点进行有效的匹配度量,最终实现红外目标的精确定位。实验结果表明该算法简单有效,能准确跟踪前视红外目标。     

稀疏FRAME模型的感兴趣目标检测算法

针对基于非齐次FRAME（Filters,Random filed,And Maximum Entropy）模型的目标检测算法在目标发生较大形变或存在阻挡等情况下的定位产生一定偏差,以及学习模型所需大量时间等各方面的研究,提出了一种稀疏FRAME模型的感兴趣目标检测算法。首先用共享稀疏编码方法对样本图像进行特征提取,由所选择的基函数构成可变形的稀疏FRAME模型;然后用交替的求和图及最大值图结构对测试图像进行匹配检测,实现目标定位。经多组实验结果表明,该算法不仅在一定程度上提高目标发生较大形变或存在阻挡等情况下的鲁棒性,而且节省了大量的样本训练时间。     

基于YOLOv5 改进的小目标检测算法

针对传统目标检测算法存在对小目标检测的识别精度低和不稳定的问题,提出基于YOLOv5 改进的小目 标检测算法。基于卷积神经网络加入额外的检测头,采用数据增强策略并更改网络卷积步长,解决了小目标像素低、 占比小、易重叠和难以分辨等问题;同时依托真实检测场景制作一个全新的针对飞机检测的卫星影像数据集,该数 据集的待检测小目标占比达61%,飞机姿态及场景丰富,有助于客观全面地验证网络精度。将改进后的算法与原始 的YOLOv5 模型进行对比,结果表明,其平均精确率AP 值较原始YOLOv5 模型提升约3%。     

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.     

红外成像制导末端局部图像识别跟踪研究

针对红外成像制导末端目标图像充满导引头视场影响目标识别跟踪的问题,提出一种红外成像制导末端局部图像识别跟踪的方法。分析了红外成像制导原理;选取了高亮区比例、灰度标准偏差、长宽比、紧凑度和复杂度等5个特征量作为特征提取和目标识别的依据,提出适合导弹的目标快速识别算法;通过计算红外成像制导末端目标图像,在导引头焦平面上的投影面积的变化情况,分析了弹目距离与相对速度对目标图像变化情况的影响,研究了形心跟踪到局部图像跟踪的转换时机。综合考虑了可靠性和实时性要求,选取飞机机头作为局部图形跟踪的跟踪点;搭建红外成像制导仿真场景,对所提出的方法进行仿真分析。仿真结果表明：该方法能够有效地识别图像中的目标,减小红外成像导引头跟踪盲区,实现红外成像制导末端的平稳跟踪。     

Method of Infrared Image Enhancement Based on Stationary Wavelet Transform

Aiming at the problem,i.e.infrared images own the characters of bad contrast ratio and fuzzy edges,a method to enhance the contrast of infrared image is given,which is based on stationary wavelet transform.After making stationary wavelet transform to an infrared image,denoising is done by the proposed method of double-threshold shrinkage in detail coefficient matrixes that have high noisy intensity.For the approximation coefficient matrix with low noisy intensity,enhancement is done by the proposed method based on histogram.The enhanced image can be got by wavelet coefficient reconstruction.Furthermore,an evaluation criterion of enhancement performance is introduced.The results show that this algorithm ensures target enhancement and restrains additive Gauss white noise effectively.At the same time,its amount of calculation is small and operation speed is fast.     

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。     

百分位形态变换在红外图像边缘检测中的应用

针对红外图像对比度低、边缘模糊、噪声大、空间相关性强的特点,提出了一种基于图像形态学的红外图像边缘检测方法。采用并行复合顺序形态滤波算法对图像边缘进行增强和锐化并抑制高频噪声;根据百分位形态滤波相关概念及性质构造的边缘检测算子,进一步滤除红外图像中的噪声,提取图像边缘。实验结果表明,本文提出的算法可以有效地克服红外图像的缺陷,保持图像边缘细节,优于传统边缘检测器。     

红外目标测量图像高精度定位方法

为解决红外目标图像定位算法易受干扰而影响定位精度的问题,根据红外目标测量图像的灰度分布特性,依据测量目标定位的要求,利用红外目标图像中每层灰度质心位置恒定的特点,提出了一种基于多质心的红外目标图像高精度定位方法.通过对每层灰度质心的聚类处理,成功地避开了测量图像噪声及背景灰度非均衡的影响,有效地提高了质心算法的定位精度.实验结果表明:该方法定位精度高,抗噪声能力强,算法效率高,易于实现,已在实际图像测量中得到充分应用.     

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.