共查询到19条相似文献,搜索用时 109 毫秒
1.
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。 相似文献
2.
复杂海天背景下红外舰船目标的自动检测方法 总被引:7,自引:0,他引:7
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. 相似文献
3.
4.
5.
6.
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。 相似文献
7.
8.
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。 相似文献
9.
10.
11.
12.
13.
14.
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。 相似文献
15.
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。 相似文献
16.
17.
18.
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。 相似文献
19.
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。 相似文献