基于多结构元素的云杂波背景小目标检测算法

背景抑制是小目标检测的基础.传统的形态学单一结构元素,对云杂波背景滤波常留下强云层边缘,增加了后续处理的复杂程度.针对这一问题,在分析云层边缘形状和结构元素选择方法的基础上.构造与云层边缘相关的多结构元素.并用基于多结构元素的小目标检测算法,对云杂波背景图像仿真,仿真结果表明,该算法对云杂波背景抑制效果好,提高图像的信噪比,有效检测出小目标.     

结合形态学和Canny算法的红外弱小目标检测

为了解决红外弱小目标精确自适应检测的问题,本文提出了一种基于Canny算法、top-hat算法和中值滤波算法结合的红外弱小目标检测方法。该方法不同于传统的Canny弱小目标检测方法,本方法先选定合适的窗口对图像进行中值滤波处理,在去除噪声的同时有效保持图像的边缘信息;再用形态学处理中的top-hat算法抑制复杂背景,去除云层;最后使用自适应Canny算法提取红外小目标的边缘信息精确定位目标的位置。实验结果证明了该方法的有效性和优越性,本文设计的组合算法能够精确定位小目标的位置,信噪比增益达到10倍以上,排除噪声以及云层的干扰作用较强,具有一定的自适应性。     

基于光流估计的红外弱小运动目标检测

提出了一种对复杂云层背景下红外图像序列中弱小运动目标分割和检测的方法.首先,利用Hom-Schunck算法计算序列图像的光流场,然后利用阙值分割和数学形态学滤波的方法进行目标检测,滤除噪声后提取出背景中的运动目标.实验结果表明,该算法对实时检测在复杂背景的红外图像中运动的弱小目标具有很好的效果.     

基于局部均值的红外小目标检测算法

复杂背景条件下红外小目标检测是红外自动寻的、红外预警系统的关键技术和研究热点之一。为了能有效地检测出小目标,对红外图像中的小目标与背景特性进行了分析,在充分利用小目标与其局部背景差异的基础上,提出一种基于局部灰度均值确定红外小目标尺寸和位置信息的算法。首先,给出判断像元属于小目标的必要条件,该条件判定图像中哪些像元可能属于红外小目标;其次,基于可能属于小目标的像元给出小目标可能的尺寸值;再次,对所得结果进行优化,排除虚警;最后,根据前三阶段所得结果确定小目标的尺寸和位置。Matlab 仿真结果表明,对复杂云层背景的红外图像,Top-Hat 检测算法虽然检测速度快,但当虚警和目标的灰度值相等时不能很好地对目标进行检测;新算法在选择合适参数的基础上能准确给出目标的位置信息,并能较好地估算小目标尺寸,然而新算法在检测速度上仍有待进一步提高。     

基于多尺度广义模糊算子的红外图像背景抑制

自动检测和跟踪红外图像中的弱小目标在现代预警和探测系统中非常重要。针对现有的检测方法因受到复杂云层和地面自然背景的干扰,导致系统虚警率较高和探测概率较低的问题,提出了一种基于多尺度广义模糊算子的红外图像复杂背景抑制方法。首先利用非下采样轮廓波变换方法将图像进行分解,获取不同尺度和方向的包含小目标和背景杂波的子带图像。然后,通过应用模糊非线性背景抑制算子将红外图像中小目标和背景杂波系数差值拉大,同时将相关性较强的杂波系数做平滑处理以达到抑制背景和增强小目标的目的。多组包含真实和模拟图像序列的实验表明所提方法优于其他方法,特别是对于包含云层和地面复杂背景的红外图像。     

基于小波和分形的海面红外小目标自动检测方法

提出了一种基于小波与分形的红外小目标自动检测算法,首先对原始图像进行小波分 解,计算其低频概貌图像的分形参数,利用在不同纹理图像分形参数变化的特性,检测出水天线的位置,在水天线附近利用红外目标的灰度特性进行精细搜索,最后确定目标所在的位置。实验表明该算法能有效地消除云层、海浪等杂波干扰,适用于海空复杂背景下远距离红外船只目标的检测。     

红外图像中小目标检测研究

在获得的红外序列图像中,检测和跟踪微弱小目标一直是研究的重点。本文对小目标检测系统的背景抑制和目标检测算法和方案进行了调研。采用背景抑制算法以获得更高的信噪比,利用NP准则对图像进行分割,然后用识别算法对目标进行跟踪和识别。计算结果显示,抑制杂波后,采用序贯图像检测能够很好地增加探测概率。     

天空背景下红外目标的检测

在噪声和云层背景的干扰下,为了有效地从红外图像序列中检测到低信噪比的运动小目标,采用形态学Tophat滤波滤除低频背景部分以增强目标;并通过混合高斯背景模型进行背景估计和自适应背景更新,将前景部分和背景部分差分。实验表明,Tophat滤波和混合高斯模型算法相结合能够准确实现天空背景下红外目标的检测。     

卫星红外图像中单帧目标检测算法研究

在有复杂云层背景的卫星红外图像中准确地检测出存在的运动目标是目前图像处理的研究热点。DBT类的运动目标检测算法有单帧目标检测和多帧轨迹关联两大步骤。为更好抑制起伏背景和背景结构边缘，文章提出一种新的单帧内背景抑制算法——邻域最小差值滤波，该算法与典型的背景预测算法（中值滤波和高通线性模版滤波）相比具有更好效果；最后针对高斯噪声条件下，利用统计分割方法对抑制背景结果进行阈值分割得到候选目标，从而形成一套针对卫星红外图像的快速有效的单帧目标检测算法。     

有云层干扰的光学遥感图像舰船检测算法

针对海面光学卫星遥感图像舰船检测中云层干扰所产生高虚警率的情况,提出一种基于串并联混合多维特征融合判决的舰船目标检测算法。首先,利用高斯灰度阈值分割目标与海面云层背景,并对分割后的二值图像进行区域标记;然后,利用感兴趣区域的几何形态和边缘能量两类特征,包括中心偏移度、长宽比、面积变化比、曲折度和填充度,构建了串并联混合多维特征融合判决方法;最后,通过对感兴趣区域进行综合鉴别,有效剔除了云层干扰导致的虚警,解决了含云层背景检测结果虚警率高的问题。对多幅SPOT4光学遥感卫星图像的实验结果表明算法的有效性。     

基于局部熵参考预处理的RPCA红外小目标检测

以图像非局部相似性为基础,利用图像分块重组以获得低秩块图像,是将鲁棒主成分分析算法（robust principal component analysis,RPCA）应用到单帧图像红外小目标检测的基本方法。本文介绍了RPCA算法在单帧图像红外小目标检测的应用流程,分析了不同图像背景下各种分块方法的影响。为解决复杂背景下图像分块窗口和滑动步长难以选择的问题,提出了以图像分块最小局部熵的较大值为参考的选择方法。实验结果表明,通过计算图像的分块局部熵,以最小局部熵的较大值为参考,选择RPCA算法预处理方案,能使单帧红外图像小目标检测达到更好的效果,弥补了工程人员缺少RPCA算法应用经验的不足。     

EMD Based Infrared Image Target Detection Method

Under the complicated background of infrared image, the small target detection is a vital challenging task in modern military. In order to solve this problem, a novel method based on the empirical mode decomposition (EMD) is proposed in the paper, to detect small targets under complicated sea-sky background. The detection process contains two steps: the first step is to suppress the sea-sky background of the infrared image based on EMD; the second step is to segment the target from the background suppressed image through a threshold. The application of infrared images has shown that the performance of the algorithm can detect infrared small target under sea-sky background exactly. Compared with wavelet transformation, the testing results based on EMD method achieve tantamount results wavelet transformation, and even better in some respects. The simulations show that EMD method presented in this paper appears instructive for both theoretical and practical points of view.     

云层背景下基于混沌理论的红外小目标检测研究

针对云层背景下红外小目标检测难、可用数据集少的问题,提出了一种基于混沌预测的检测方法。首先从云层背景的空间混沌特征出发,采用径向基函数神经网络设计了混沌序列的预测模型,并利用遗传算法优化网络参数,提高预测精度。然后利用预测模型对图像像素序列的预测值与实际值之间的预测误差,实现了小目标检测。最后通过实验验证了上述算法的有效性,对测试样本的检测率为86.7%,虚警率为0.86%。     

Criterion to Evaluate the Quality of Infrared Small Target Images

In this paper, we propose a new criterion to estimate the quality of infrared small target images. To describe the criterion quantitatively, two indicators are defined. One is the “degree of target being confused” that represents the ability of infrared small target image to provide fake targets. The other one is the “degree of target being shielded”, which reflects the contribution of the image to shield the target. Experimental results reveal that this criterion is more robust than the traditional method (Signal-to-Noise Ratio). It is not only valid to infrared small target images which Signal-to-Noise Ratio could correctly describe, but also to the images that the traditional criterion could not accurately estimate. In addition, the results of this criterion can provide information about the cause of background interfering with target detection.     

一种基于自适应背景抑制的红外小目标检测方法

红外成像自动目标识别是精确制导武器的重要研究内容。为解决红外起伏背景下的小目标检测问题，提出了一种自适应的背景抑制方法，并对抑制背景后的图像进行了目标分割，最后用邻域法判决目标位置。实验结果表明，该算法能够从信噪比大于2．0的图像序列中检测出目标。     

采用小波变换和数学形态学的小目标检测

鉴于常用检测方法不能准确稳定地检测出复杂背景中小目标,结合小波变换和数学形态学,提出了一种小目标检测新方法.首先对图像进行单尺度小波变换,提取高频分量系数;其次,利用阈值算法将各个高频分量系数图像转化为二值图像后对其进行多结构元素形态学滤波,滤波结果与原二值图像相减后在差值图像上得到可能的小目标.将3个方向的高频系数的检测结果相关联获得单帧检测结果;最后将多个单帧检测结果进行流水线检测,得到最终的检测结果.仿真结果表明该方法能够准确稳定地检测出信噪比(SNR)大于2的弱小目标.     

红外起伏背景的广义平稳特性研究

研究了计算大气云层背景图像集的样本均值、自协方差及2σ误差区间的方法,并在此基础上,针对实际的红外图像进行了大量的实验测试。实验结果表明,大气云层起伏背景图像是近似广义平稳的。     

一种基于彩色图像的运动人体分割方法

图像分割是计算机早期视觉不可缺少的一步。彩色图像由于具有比灰度图像更多的视觉信忠．受到了越来越多的重视。该文运用改进的背景差分方法，结合直方图双阈值分割和数学形态学的算法。在彩色图像序列中获得运动人体。实验结果表明上述算法对噪声抑制和人体图像断裂处填充都是有效的，能够实时从彩色图像序列中分割出运动人体。     

基于Wiener滤波的小目标检测方法

红外云背景中小目标检测是红外成像技术的一种典型应用。为了检测红外云背景中的弱小目标，分析了背景特性，建立了红外场景模型，提出了一种基于Wiener滤波的自适应背景抑制方法。经过去除虚假目标和目标分割，再利用目标运动的连续性和规则性进行目标检测和跟踪。对包含了仿真目标的红外云背景图像序列进行了实验，结果表明，该方法能够有效地从信噪比为2．0的背景中检测到小目标。