近海岸舰船目标红外图像中ROI的获取方法研究

针对红外图像中舰船目标的分布特点,通过海天/海岸线检测确定舰船的大致位置,再利用目标的面积特性确定舰船目标的感兴趣区域(Region of Interest, ROI)。采用中值滤波、Canny边缘检测和Hough变换从红外图像中检测出海天/海岸线,并划定出海天/海岸线区域;然后,通过舰船的面积特征确定ROI。通过Vc++编程对算法进行了实现。结果表明, 该方法简单直观、计算量小, 能有效确定近海岸舰船目标的ROI。     

复杂海天背景下红外舰船目标的自动检测方法

近年来,舰船目标的检测与识别技术得到了人们越来越多的重视.研究了复杂海天背景下红外舰船目标的自动检测问题.首先运用小波变换对图像进行预处理,提高了图像的信噪比,从而抑制了噪声和背景杂波.然后针对红外舰船目标总是出现在海天线附近的问题,采用梯度强度均值分割的算法检测了海天线,确定了目标的潜在区域.最后,提出了一种基于行列均值的自适应阈值分割算法,结合使用红外舰船目标的几何特征量,采用特征匹配方法提取出舰船目标,达到了自动检测的目的.实验结果表明:该方法能有效地自动检测复杂海面背景中的红外舰船目标.     

多级分割融合算法提取红外舰船目标潜在区

针对海天背景下红外舰船图像目标与背景对比度低,图像边缘模糊的特点,提出了一种红外图像舰船目标潜在区的提取算法.算法对图像进行了预处理和频域增强,在海天线附近区域进行多级分割融合以提取目标潜在区.实验结果表明,对于海天背景红外图像,采用该算法能够克服传统分割方法中单一阈值不好选取的问题.多级分割融合的结果能够覆盖目标区域,为后续的目标识别和跟踪奠定了良好的基础.     

复杂场景下的自动红外舰船目标检测

为实现多种复杂海天背景下红外舰船目标的有效检测,提出了一种基于局部边缘梯度特征分析的舰船目标检测方法。利用红外舰船目标图像的特征,改进自适应Butterworth高通滤波对图像进行预处理。通过计算局部边缘梯度特征和聚类分析确定初始目标区域,比较梯度特征参数并进行多尺度搜索准确检测出舰船目标。对多种复杂海天场景红外图像进行仿真实验,结果表明,该算法能够有效准确地检测出多种复杂海天场景下的红外舰船目标,且算法简单,易于实现,适应面广。     

基于兴趣区分割的红外舰船目标实时检测算法

针对复杂海天背景条件下的远距离低信噪比红外图像舰船实时目标检测问题,分析了海天背景舰船目标图像特点,提出利用图像小波分解得到的水平与垂直细节分量提取兴趣区,通过在兴趣区进行迭代最大类间方差法分割检测舰船目标.实际录取数据实验结果表明,算法针对各种海面场景与目标类型均能准确检测目标,实时性好.     

应用LSD和聚类的海天/岸岛线检测算法

红外图像舰船目标检测中,目标通常位于海天/岸岛线附近,预先检测出海天/岸岛线,确定舰船目标的潜在区域,可减少目标检测过程中的搜索范围,降低数据处理量,提高检测速度。针对传统的海天/岸岛线检测算法对不同背景图像适应性差的问题,分析了海天/岸岛线特征,提出了应用LSD线段检测算法和聚类的海天/岸岛线检测算法。首先通过LSD线段检测算法获取图像中局部直线轮廓,然后通过K-均值聚类获取潜在海天/岸岛线区域,最后通过分析潜在海天/岸岛线区域纹理特征确定真实的海天/岸岛线位置。实验结果表明,该方法对多种背景下海天/岸岛线检测适应性强,检测精度高。     

一种新的低信噪比红外舰船目标自动检测方法

针对海天背景下红外舰船弱小目标难以提取目标形状的问题,提出一种新的目标检测方法.首先进行图像预滤波,检测海天线以确定目标潜在区域;然后对目标潜在区进行背景抑制,噪声抑制并增强目标细节信息;最后用快速区域生长检测出完整目标.实测数据表明,该方法能获取完整的目标形状信息,且实时性好.     

基于图像等级多样性的海上红外舰船显著性检测

海天和海岛背景下的海面多舰船红外目标检测一直是图像处理方面的难题。多舰船目标监视采用较广的视场和较大的景深,囊括了更多的目标信息和海天背景成像像素,使多舰船目标显著性的提取难度增大。同时,景深的增大使舰船目标成像更多地表现为小目标,轮廓特征不再明显,这对舰船目标的显著性检测造成了极大的困难。将图像等级多样性和超级像素理论用于海面多舰船目标显著性检测,提出了海面多舰船目标显著性检测方法。     

海天背景下红外舰船自动目标识别算法

海天背景下红外舰船目标的自动识别是武器跟踪导引的重要内容。针对低信噪比和低对比度的红外图像,首先采取均值平滑滤波和指数增强对红外图像进行预处理,然后在So-bel算子检测梯度的基础上,采用最小二乘迭代拟合出海天线。通过区域生长与合并分割图像,提取出表征舰船目标的典型形状与灰度特征,并进行加权融合以实现对潜在目标的自动识别。实验结果表明该算法能以较高准确率实时识别出舰船目标。     

基于梯度统计特性的自动红外舰船目标检测

红外舰船目标检测是舰船目标识别与跟踪的重要基础。针对典型复杂海天场景下的红外舰船目标检测,本文提出了一种基于多尺度局部边缘梯度统计特性的目标检测算法。算法改进了传统的基于ROI的红外舰船目标检测方法I并0用多尺度局部边缘梯度的统计特性,自适应的检测出完整的舰船目标。实验结果表明,该算法能够有效准确地检测出多种复杂海天场景下的红外舰船目标,且算法简单易于实现。     

海天背景红外图像小目标自动定位方法

通过对舰载红外警戒系统成像进行分析,提出了一种基于交叉算法的海天背景红外小目标的自动定位方法.其基本思路是根据红外图像的特点,首先通过Radon变换域极大值点提取海天线,然后沿海天线平行的方向取与海天线平行的直线,进行频率突变点的检测,最后由海天平行线和频率突变点处坐标共同对红外图像小目标进行定位.试验结果表明,该算法能快速、准确地对目标自动定位.     

基于灰度门限分析的海天线检测研究

由于海天线检测在海天背景下的舰船目标检测与跟踪方面具有重要作用,提出了一种基于边缘灰度梯度门限分析和最小二乘直线拟合法的海天线检测方法。通过分析图像以及调整线性滤波器的步长来扩大海天线附近的灰度梯度差。采用门限分析法提取了边缘坐标,采用最小二乘直线拟合法提取了海天线,并利用MATLAB软件进行仿真验证。结果表明,本文算法可准确提取复杂背景下的海天线,且具有较好的适应性与实用性。     

红外图像中海天线的检测

根据红外图像中海天线的特点,提出了一种海天线的检测方法.首先进行中值滤波以抑制红外图像中的噪声的影响,接着使用线检测模板对经中值滤波后的红外图像进行处理,从而检测出水平方向上的所有直线,最后对线检测后的图像进行行扫描,确定海天线的位置.实验表明,该方法可以确定海天线的位置,降低后续海上目标检测的难度和复杂度.     

基于相位谱的红外小目标搜索算法研究

针对红外小目标搜索阶段中图像背景稀疏的特点,提出了一种利用图像相位谱计算显著图和定位目标的新方法。与传统的利用海天线和海岸线对目标进行搜索的方法相比,本文算法的计算复杂度大大降低,并弥补了其受气温影响而不能准确定位海天线和海岸线的不足;与利用Itti模型的方法相比,该算法克服了其不能有效分离目标和背景的缺点。阐述了利用离散傅里叶变换(Discrete Fourier Transform,DFT)和离散余弦变换(Discrete Cosine Transform,DCT)计算相位谱的两种方法及它们之间的一致性。构建了利用图像相位谱计算显著图的数学模型,明确了模型参数选择的作用和意义。通过理论和实例证明了本文算法对于稀疏背景下小目标定位的可行性和高效性。     

基于Seam Carving的海天线检测算法

海天线在远距离舰船目标检测中具有重要参考价值。目前,主要的海天线检测算法有直线拟合法、基于加权信息熵、Hough 直线检测等,这些算法不同程度地存在运算量较大、应用场合受限等缺点。文中通过研究Seam Carving 原理,将该原理运用到图像中最高能量线的检测,通过计算图像中各点的梯度幅值,采用动态规划技术搜索最高能量线,实现了海天线的检测。实验结果表明,该算法不仅具有较高的检测率,同时具有适用范围广、运算量小、实时性强等特点。     

一种基于图像分割的海天线提取算法

针对红外图像中海天线的特点,提出一种基于图像分割的海天线提取方法.首先通过模板运算对图像进行预处理,以增强海天区域的图像梯度值,然后在竖直方向对图像进行分割,以定位局部海天线,最后用直线拟合法找出海天线位置.实验结果表明,该方法可以快速有效地检测出海天线位置,易于工程应用.     

基于纹理特征分析的海天线检测方法

为抑制海空背景干扰和提高舰船检测速度,提出一种基于纹理特征分析的海天线检测方法。分析了典型红外海空背景下海天线区域的纹理分布特征,建立了适用于海天线检测的纹理模型。通过梯度特征计算和聚类分析找出图像中的候选直线位置,比较其纹理参数并准确检测出海天线。对多种复杂背景红外海空图像的实验表明,该方法适应面广,计算简便,具有很好的抗干扰能力。     

基于海天线提取的红外小目标检测方法

通过对海上红外图像进行分析,提出了一种基于海天线提取的红外小目标检测方法。该算法的基本思路是根据所需提取目标的特点,首先选择感兴趣的灰度区域,然后运用Canny算子进行边缘检测,接着对图像进行Hough变换检测海天线,最后对海天线以下且符合目标特征的连通域进行标记从而来确定目标的位置。实验结果表明,该方法能较好地检测出海上红外小目标。     

结合目标提取和深度学习的红外舰船检测

传统显著区域提取红外舰船目标检测算法进行图像处理时虚警率高,而深度学习的红外舰船目标检测方法速度慢。针对这些问题,提出了一种将传统的目标提取与深度学习中分类的思想相结合的红外舰船目标检测算法。首先通过高帽变换（TOP-HAT）和 低帽变换（Bottom-HAT）对图像进行处理,然后通过阈值分割方法和归并算法对图像进行候选区域的提取,再运用深度学习中分类的思想完成对目标船舰的检测。通过测试数据集进行实验并对比分析,结果表明改进后的检测算法平均精确度达到83.69%,较之于传统显著区域提取算法精确度提升了8.09%,较之于Faster-R-CNN算法每百张检测时间缩短了2 s。