基于加权场景先验的海上红外弱小目标检测

为了提高海上红外弱小目标检测的检测精度和实时性,提出了一种基于加权场景先验的红外弱小目标检测方法.该方法首先利用目标的稀疏特性以及海面场景的非局部自相关特性,将目标和背景的分离问题转化为恢复低秩和稀疏矩阵的鲁棒主成分分析(Robust Principal Component Analysis,RPCA)问题.之后,将海面背景的先验特征信息通过加权核范数的方式加入模型,加快算法中目标和背景图像块矩阵的分解速度.最后,通过引入交替方向乘子法(ADMM)算法进一步加速求解的迭代速度.实验结果表明:该算法能有效地提高目标检测准确率,算法实时性较原算法提高了120%.     

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。     

基于时域的红外图像序列中快速运动小目标检测算法

提出了一种新的红外图像序列中快速运动小目标时域模型。为差分图像序列中的背景像素、目标像素、杂波像素建立了模型，将目标检测问题转化为噪声中已知信号的检测问题，并应用相关检测技术进行目标检测。理论分析表明，在SNR和SCR均大于6的情况下，算法具有很好的性能，实验结果也证实了算法的有效性。     

SAR图像上舰船目标检测的一种新算法

提出了一种改进的KSW算法检测SAR图像上的舰船目标.在该算法中,检测门限被选择以最大化背景与目标灰度熵加权和.由于加权系数的引入,该算法能针对SAR图像上舰船目标检测的实际情况,调整背景与目标灰度熵在准则函数中所占比例.当海杂波较弱时,该算法与传统的KSW算法等价.当海杂波较强时,其较传统的KSW算法有更好的表现.     

基于MRF的自适应正则化红外背景杂波抑制算法

针对复杂背景下红外弱小目标检测难题,将背景杂波抑制归结为从原始红外弱小目标图像中重建目标数据的过程,据此提出了一种基于马尔可夫随机场模型(MRF)的自适应正则化滤波算法.该算法采用MRF,建立了红外弱小目标图像的先验概率模型,并根据图像的粗糙度设计了新的势函数.在此基础上,采用MRF对背景杂波抑制过程进行正则化处理,从而实现了对红外背景杂波的自适应各向异性抑制.理论分析与实验结果表明,该算法能够随图像局部纹理特征的变化自适应地调整滤波算子结构,从而可在复杂背景下自适应地抑制杂波、增强信号,有效地提高了图像的信噪比,且该算法结构简单,更易于硬件实时实现.     

全卷积神经网络应用于SAR目标检测

在合成孔径雷达（SAR）图像目标检测中,由于场景杂波的复杂多变,对背景杂波统计模型估计难度增加,从而导致多数检测器容易受到背景杂波的干扰。针对如何避免场景杂波对目标检测干扰的问题,提出了一种基于全卷积神经网络的SAR目标检测模型。该模型将目标检测任务转化为像素分类问题,利用卷积神经网络对数据集中目标像素特征和背景杂波像素的先验信息进行自主学习,有效减少了虚警目标的数量;通过对目标及其阴影区域的联合检测,提高了目标的检测概率。对多个不同场景图像进行测试,实验结果表明提出的检测模型具有良好的检测性能和鲁棒性能,与传统恒虚警检测算法相比,在无需考虑背景杂波统计模型前提下有效降低了虚警概率。     

一种新的红外小目标检测算法及其应用

针对红外探测系统中单帧红外图像中的小目标检测问题,在分析红外场景模型的基础上,提出了一种基于自适应噪声平滑和Robinson Guard背景杂波抑制的空间滤波算法.该方法对于起伏背景下红外小目标的检测和识别有良好的性能,且具有目标信息损失小的优点.利用ADSP-TS201S高性能数字信号处理器实现了该算法,并成功应用到全向红外搜索跟踪系统中.实验结果表明,在低信噪比情况下,所提出的单帧红外小目标检测算法有很好的检测性能.     

一种基于空间滤波的红外小目标检测算法及其应用

针对红外探测系统中单帧红外图像中的小目标检测问题,在分析红外场景模型的基础上,提出了一种基于自适应噪声平滑和空间滤波的背景杂波抑制算法.该方法对于起伏背景下红外小目标的检测有良好的性能,且具有目标信息损失小的优点.同时,利用ADSP-TS201S高性能数字信号处理器实现了该算法,并成功应用到某全向红外搜索跟踪系统中.实验结果表明,在低信噪比情况下,算法有很好的检测性能.     

一种基于加权递推滤波的门限优化检测方法

针对多种杂波以及非均匀噪声环境中的目标恒虚警检测,提出了基于加权递推滤波的门限优化检测方法。该算法对参考单元内的样本数据依权重加权递推出滤波门限,自适应地实现门限的动态调整,从而使优化的滤波门限适应环境噪声功率。在均匀杂波和杂波边缘背景下对该算法的检测效应进行仿真分析,仿真结果表明:在两种杂波背景下,相较于传统的检测算法,文中提出的方法具有更好的检测性能和虚警控制性能。     

基于联合方向梯度和均值对比度的红外弱小目标检测方法

针对小目标在整幅图像中占比很低,且目标周围存在大量杂波,提出了一种基于联合方向梯度（Associated Directional Gradient,ADG）和均值对比度（Mean Contrast,MC）的红外弱小目标检测算法。该算法由两个模块组成：ADG利用红外弱小目标的高斯分布模型,将单一方向的梯度与一个相邻方向上的梯度相加组成新的联合梯度特征,增强真实目标、抑制背景杂波的同时能够消除高亮边缘对目标检测效果的影响;MC融入方向信息来计算目标的多方向对比度,选用多方向对比度的最小值抑制结构噪声,并将均值滤波的思想引入对比度的计算,抑制背景中的孤立噪声,进一步降低检测的虚警率。在实际红外图像上的实验结果表明,该算法在增强目标信噪比和抑制背景噪声方面,能够取得较好效果。     

空域加权局部对比度的红外小目标检测算法

针对传统局部对比度算法在强杂波背景下,容易引入虚警目标的不足,提出了一种空域加权局部对比度的红外小目标检测算法。首先,利用具有中心激励和侧向抑制性的二维高斯差分滤波器,抑制了原始图像大部分的背景杂波,以提高图像的信噪比;然后,利用目标均值与邻域的中值的比值进行局部对比度测量,再用目标各区域的灰度均值差加权局部对比度,生成目标显著图;最后,对显著图进行自适应阈值分割,检测出真实目标。实验结果表明,与其他几种检测方法对比,该算法不仅具有较高的信躁比增益和背景抑制因子,还具有较高的检测率和较低的虚警率,是一种有效的红外小目标检测方法。     

采用多扫描自适应预测的红外弱目标检测

提出了一种多扫描预平滑RLS自适应算法用于增强红外成像数据中的弱目标检测.感兴趣的目标被假设为只有极小的空域扩展度,而且淹没于强背景杂波干扰中.通过RLS自适应滤波器,背景杂波分量被准确地预测并从输入信号中去除,从而只剩下目标信号与残留噪声.在全空域非平稳数据中应用多扫描机制可以增强算法对非平稳杂波的跟踪性能;而将原始图像数据经过预平滑处理后作为自适应滤波器的输入,则能够减少由于目标灰度扩展带来的背景预测失准.对真实图像数据的仿真表明该算法的性能明显优于其它几种传统方法.     

基于大小场景整合的遥感小目标检测算法

针对目前遥感图像小目标检测算法遇到的复杂背 景建模困难、先验信息严重匮乏等问题,考虑 到昆虫视觉系统在图像处理方面的优势,提出基于蝇视觉系统大小场景(LF-SF)整合的信 息处理模式解决遥感 图像存在复杂背景的目标检测。蝇视觉的LF-SF整合机理无需考虑图像背景的复杂度以及目 标先 验信息,在抑制复杂背景纹理特征的同时对稀有目标特征进行增强,最后通过加权融合实现 目标检测。实验结果表明,本文算法在算法设计、处理速度以及检测精度均优于现有算法 。     

基于权重强化局部方差对比的红外小目标检测

针对红外图像中背景与目标对比度低、边缘高亮的问题,提出了一种用于红外小目标检测的局部方差对比测度算法.该算法由局部方差对比测度的计算和权重强化函数的设计两个模块组成:局部区域对比利用目标区域三层图像块模型之间的方差差异突出增强真实目标;权重强化函数的设计是为了能更好地抑制背景杂波,充分考虑了目标的统计特征、目标与其相邻背景的统计差异和背景的统计特征.实验结果表明,该方法在增强小目标和抑制背景杂波方面具有较好的效果,时间较短,鲁棒性好.     

结合频域显著性分析和形态学滤波的红外小目标检测算法北大核心CSCD

针对复杂背景下的红外小目标检测问题,提出了基于频域显著性分析和形态学滤波相结合的图像处理算法。通过构建图像频域显著性分析图,并引入自适应阈值实现显著图的分割,提取感兴趣区域(ROI)以确定候选目标,达到凸显目标并抑制背景的目的。为抑制残余的杂波干扰,基于候选目标轮廓尺寸自适应并引入新的评价机制实现滤波结构元的筛选,采用新型Top-hat滤波技术消除伪目标响应。本算法充分利用红外小目标的频域显著性和空域尺寸先验信息的互补性实现检测,在设计中则平衡了计算复杂度与处理效果的矛盾关系,在有效提升检测指标的同时保证了实时计算的工程需求。实验表明本文提出的算法能显著提高目标信噪比,高效和准确地检测噪声背景下的弱小红外目标。     

基于Contourlet变换和Facet模型的红外小目标检测方法

针对存在复杂背景干扰和噪声情况下的红外弱小目标检测问题,提出了一种基于循环平移Contourlet变换和Facet模型多向梯度特性的检测方法。首先通过循环平移Contourlet变换,利用硬阈值对图像进行去噪,提高图像的信噪比和平滑性;然后设计了一种基于Facet模型多向梯度特性的中值滤波器,对去噪后的图像进行滤波,有效地抑制复杂背景和噪声;其次采用两级最大类间方差算法对滤波后的图像进行分割;最后根据相邻帧候选目标的位置和速度关系进一步检测弱小目标。实验证明,这种算法抗噪性强,对包含强纹理结构的复杂背景具有良好的抑制作用,能够有效地检测出弱小目标。     

基于非线性抗噪声估计的视觉显著性弱小目标检测

针对红外图像处理技术中弱小目标检测的重要性及关键性,提出一种基于非线性抗噪声估计的检测算法来解决高可靠性、高鲁棒性的弱小目标检测问题。提出的方法基于传统视觉显著度算法及空间距离处理方法,对目标及背景区域采用非线性加权方法进行估计,在不显著降低目标信号信噪比的基础上,削弱孤立微小噪声点对检测算法性能的影响,可提高抗噪性能。首先,采用模块化及非线性映射方式预测背景;然后,融入距离相关因子滤除噪声干扰;最后,在处理结束的图像上进行二值化阈值分割,自动检测并向下一级处理软件输出目标位置信息。实验结果表明:提出的算法与近年来先进的弱小目标检测算法相比,在受试者测试曲线上,在相同的虚警率下,可获得更高的检测率,对背景噪声的抑制很明显;在局部信噪比及背景抑制因子的测试比对数据上,提出的算法可获得更高的检测指标。缺点是算法采用了非线性处理技术,运算效率较低,需进一步优化算法以提高计算速度,实现算法的实时目标检测。