采用图像特征的激光干扰跟踪效果评估

对于广泛应用于图像识别和跟踪的激光主动成像系统,激光干扰是影响该类系统性能的一个重要因素。激光干扰使系统中的光电成像元件达到饱和或损伤,在探测视场中出现光斑,从而使跟踪算法无法准确分辨目标和光斑。因此,分析并评估激光对主动成像系统的干扰效果是避免干扰的前提,同样也是重要的环节。提出一种基于图像特征的边缘相似度(ESIM)评价算法,该算法通过模板匹配确定图像的目标区域,并比较原始图像和干扰图像目标区域的亮度、对比度和边缘清晰度差异,得到归一化的评价指标,作为对激光干扰效果的评估标准。实验中分别采集了不同干扰功率和不同光斑位置的激光干扰图像,并利用相关跟踪和形心跟踪方法对目标进行跟踪,运用本文提出的ESIM算法从图像特征角度对干扰跟踪效果进行评估,结果证明ESIM能够合理评估干扰图像的失真程度,并可以较好地反映激光对主动成像系统跟踪性能的影响。     

基于光斑与图像特征的动态激光干扰效果评估

激光主动成像系统通常用于重要区域监视和危险目标识别,其上的光电成像探测器易受敌方激光干扰产生局部饱和甚至损伤,导致目标识别失效。在实际中,激光干扰功率和光斑位置等因素均时刻发生变化,导致激光对每帧图像的干扰效果也不尽相同,因此,动态的衡量激光干扰效果具有重要意义。提出了一种基于光斑特征和图像特征的无参考动态激光干扰图像评估算法,通过加速分隔测试特征(FAST)算法提取特征点,并运用特征点匹配确定图像的目标区域,在该目标区域利用饱和像素数和光斑相对位置变化表示光斑特征对图像质量的影响,利用图像中特征点和边缘点分布特性以及边缘清晰度表示图像特征的变化,将5个评价因子相乘,得到归一化的评估指标。利用激光主动成像识别系统对设定目标进行照明成像识别实验,采集不同干扰功率和干扰方位的激光干扰图像。基于提出的无参考动态特征评估算法对获得的连续多帧激光干扰图像进行评估,结果表明该算法能够准确评价不同功率、方位激光的干扰效果,客观反映光斑遮盖下自动目标识别算法的失效程度。     

结合激光功率和光斑位置的多帧动态干扰效果评估

激光主动成像系统通常用于重要区域监视和危险目标识别,当该系统受到敌方激光干扰时,其成像质量将会下降。由于目标、成像系统和干扰源的相对位置,以及干扰源的干扰功率处于时刻变化中,导致不同时刻的干扰效果不尽相同,如何衡量一段时间内激光对成像系统的干扰效果成为一个难题。提出了一种基于连续多帧图像动态特征变化的无参考激光干扰评估算法,在图像目标区域内分析单帧干扰图像中特征点的匹配准确率和空间变化率以及多帧图像特征点变化的准确性、空间性、结构性差异、频率和显著性特征,最终得到归一化的评估指标。利用激光主动成像识别系统对设定目标进行照明成像识别实验,采集不同干扰功率和干扰方位的激光干扰图像。基于提出的特征点动态性算法对获得的连续多帧激光干扰图像进行评估,结果表明该算法能够准确评价一段持续干扰过程中不同功率、方位的激光干扰效果,客观反映光斑遮盖下自动目标识别算法的失效程度。     

基于同态滤波和全变差的激光图像降噪方法

针对激光主动成像图像的特点,提出了一种基于同态滤波和全变差的图像降噪方法.首先对图像进行同态滤波,提高图像的对比度并去除激光图像的散斑噪声,然后采用基于最小化全变差模型去除激光图像的高斯噪声和脉冲噪声.采用信噪比、对比度和亮度失真度作为图像降噪效果的评估,将算法与中值降噪、小波与中值滤波结合降噪等进行对比实验,实验结果...     

激光干扰对CCD成像系统目标检测性能的影响

分析成像系统的工作过程及常用检测算法,针对激光干扰图像的特点,结合背景杂波的量化方法,提出基于目标背景结构相似度与平方和根的图像尺度。该尺度利用结构相似度在成像检测方面以及平方和根尺度在目标局部对比度方面的优点,适用于激光干扰后检测算法性能的评估。激光视场内干扰与视场外干扰的实验显示:激光干扰使得Otsu算法的分割精度受到较大影响;对于相关检测算法,激光干扰会使相关曲面出现较大的波动,增大了虚警概率。研究结果表明:该尺度能够较好地反映激光干扰图像对于CCD成像检测算法性能的影响,初步验证了尺度的有效性。     

直方图拟合和亮度判决自适应图像增强算法

激光主动成像能够克服被动成像的缺点在低光照的条件下对目标成像,但是其图像通常受到严重干扰,需要采用增强算法增加图像的对比度和信噪比。不同时间段拍摄的激光图像存在很大差异,文中对夜间和晨昏成像的不同特点进行了探讨,分析归纳了其归类特点和方法,提出了一种基于直方图拟合和亮度判决的自适应激光图像同态增强算法,采用二次函数拟合直方图判定图像拍摄时间,通过亮度函数寻找最佳同态增强阈值,对不同时段拍摄的图像分类处理。实验结果表明,二次函数拟合直方图的判决方式准确率高,自适应同态增强算法能有效提高图像的信噪比,提高图像的对比度。     

基于小波变换的多尺度SSIM算法

提出一种基于小波变换的多尺度结构相似度的图像质量评价(WWMS-SSIM)算法。首先对原始图像和失真图像分别进行小波变换,在对应的低频子带图像中比较亮度和相关度差异,在对应高频子带图像中比较对比度、相关度和结构差异,然后赋予不同子带图像不同的视觉加权值,最后得到归一化的图像质量评价值。通过对不同失真类型图像以及Live数据库图像的评价,证明了提出的算法(WWMS-SSIM)相对均方误差、峰值信噪比、结构相似度以及改进的结构相似度评价算法更符合人类的主观视觉感受。     

基于光斑与图像特征的激光干扰效果评价方法

提出了一种基于光斑与图像特征的激光干扰效果评 估方法。用激光光斑中心相对于目标中心的距离反 映光斑的分布特征变化;用图像稀疏表示特征矩阵的变化情况来反映干扰前后图像的全局特 征变化;用图像边缘清 晰度的变化情况反映干扰前后图像的局部特征变化;综合干扰前后图像中的光斑与图像特 征的变化来评估激光干 扰效果。激光干扰实验结果表明,与传统的评估方法均方误差(MSE)和图像结 构相似度(SSIM)相比,提出的基于光斑与图像特征的评估方法对 不同激光功率、不同照射位置和不同背景强度下的干扰图像都给出了合理的评估结果,能够 克服背景强度不一致和 光斑位置变化对评估结果的影响,实现了对激光干扰效果客观、准确的评价。     

基于深度学习的激光干扰成像评估方法

可见光主动成像系统被广泛应用于成像侦察领域,激光压制干扰是一种可以利用的反制手段。合理地对激光干扰效果进行评估,对于干扰一方具有重要意义。为了更客观地评价激光干扰对成像侦察的影响,从可见光成像侦察的特点出发,对激光干扰可见光成像效果进行划分,确定了干扰效果评估需求。建立了可见光图像的激光干扰效果评估模型,结合基于YOLOv4的目标检测置信度及WFSIM算法的三个图像特征表征指标,形成了对应的评估体系。构建了一套参数可调的激光干扰图像采集及评估分析实验系统,对人体目标进行图像采集,验证了提出的评估体系及方法。     

视觉传达技术的激光射线成像图像增强

为了提升相关探伤识别图像的视觉效果与清晰程度，提出了基于视觉传达技术的激光射线成像图像增强方法。使用局部对比度增强方法增强激光射线成像图像中高频区域对比度，采用双边高斯滤波方法估计对比度增强后图像亮度，结合Weber定律通过控制图像像素差值控制图像亮度，避免亮度过高，同时将图像从RGB空间向HSV空间转换，增强图像色彩真实性后，利用改进梯度场算法，通过建立自适应衰减传递函数，消除图像梯度反转伪影与光晕，降低图像梯度，提升图像质量与细节，得到增强后激光射线成像图像，提升视觉传达效果。经过实验验证，该方法增强处理后图像的平均梯度、信息熵标准差分别为0.08、9.28、81.22,具有良好的对比度、亮度提升效果，且图像质量与清晰度高，视觉传达效果好。     

基于结构相似性的全参考图像质量评价

已有的基于误差统计量的评价算法存在误判的缺点,因此提出基于结构相似性的全参考图像质量评价算法。算法通过实际图像和原始参考图像的亮度项、对比度项、结构相似度项三个方面信息的比较,评价失真图像的质量。实验结果表明,提出的算法优于MSE和PSNR。     

使用梯度相似度的激光干扰图像评估

提出一种基于梯度特征的图像质量评价算法(GSIM)。该算法通过比较原始图像和降质图像的亮度、对比度和清晰度信息, 得到归一化的图像质量评价指标。对Live数据库不同类型降质图像和实验采集的激光干扰图像的评价结果表明:与PSNR相比, GSIM算法的相关性方面提高了8.5%, 准确率提高了7.6%, 一致性提高了4.8%; 与SSIM算法相比, GSIM算法的相关性方面提高了1.5%, 准确率提高了3.8%, 一致性提高了2.6%。证明了提出的GSIM算法相对MSE、PSNR及SSIM算法能准确评价交叉失真图像质量, 评价结果更符合人的主观视觉感受。在评价基于掩盖效应的激光干扰图像时, GSIM算法能克服背景强度不一致带来的影响, 评价结果能准确反映激光干扰效果。     

轮廓特征包在激光主动照明识别系统中的应用

提出了一种结合轮廓转动惯量和特征包(Bo F)算法的激光主动照明目标识别方法。介绍了转动惯量的定义,并提出了一种多尺度轮廓转动惯量特征区域检测方法和轮廓转动惯量局部不变特征提取方法。多尺度轮廓转动惯量特征区域检测方法能够提取出包含轮廓的最小特征区域,而轮廓转动惯量局部不变特征能够很好地描述轮廓的大小、位置、规则度等信息,对于各种图像变换具有不变性,并且计算效率较高。使用Bo F算法统计图像的轮廓转动惯量局部不变特征,生成归一化特征直方图作为整幅图像的特征向量,输入训练好的支持向量机分类器进行识别。实验结果表明与基于Hu矩和BP神经网络的目标识别方法相比,所提算法在旋转和仿射变换下的识别率分别提高7.33%和19.08%。     

超快激光X射线单发照相的图像增强方法研究

超快激光X射线单发照相技术具有高时空分辨能力，是观测高速运动物体形态参数如内部结构、平面性等的重要手段。但由于激光X射线脉宽在皮秒或飞秒量级、X射线能谱宽、成像环境复杂等原因，导致X射线图像背景干扰噪声大、对比度低，物体形态结构准确识别和测量难度大。在传统对比度限制直方图均衡化（CLAHE）图像增强算法的基础上，提出了一种多尺度融合的改进直方图均衡化（IHEMF）算法。该算法增加自适应裁剪阈值以适应每个区域特征，并利用亮度和梯度幅值信息将增强后图像与原始图像全局融合，最后对融合后图像去噪得到最终图像。该算法既能提高感兴趣区域的对比度噪声比（CNR），又具有很好的保边界特征的能力。对高速飞片的静态、动态、终态等典型状态下X射线图像进行处理，CNR分别提升50.97%、90.43%和96.84%。实验结果表明所提算法在噪声抑制和结构保真方面优于其他算法，可为准确解读高速运动物体形态表征参数信息提供重要技术支撑。     

激光干扰对CCD跟踪性能影响的图像尺度分析

分析CCD成像跟踪系统的组成及常用跟踪算法,针对激光干扰图像的特点,结合机器视觉中背景杂波的量化方法,提出一种基于小波能量与平方和根的图像尺度,并将其应用于激光干扰对成像跟踪性能的影响分析。该尺度利用小波能量尺度在成像跟踪系统方面以及平方和根尺度在目标局部对比度方面各自的优点,适用于激光干扰后跟踪算法性能的评估。激光视场内干扰与视场外干扰的实验结果表明,该尺度能够较好地反映激光干扰图像对于CCD成像跟踪算法性能的影响,初步验证了尺度的有效性。     

基于变化检测的机场毁伤评估算法

提出了一种基于遥感图像变化检测的机场毁伤效果评估算法,该算法由图像预处理、兴趣区域划定、毁伤特征提取和分级评估4个模块组成。首先对图像进行直方图规定化,提高图像局部对比度,并采用Hough变换提取机场区域,抑制掉过多的背景干扰;然后利用变化检测参数指标对目标特征进行描述,实现毁伤信息的有效提取;最后建立整体的特征向量"相似度",几何、纹理特征"二次距离",设计分级评估准则。仿真结果表明,该算法有效地实现了对机场目标毁伤效果的评估,同时经过适当扩展和改进,可用于各种人造目标毁伤效果的评估。     

激光主动成像系统目标图像质量评价参数研究

图像质量评价是研究激光主动成像探测系统成像性能的重要内容,文中从图像的噪声、灰度和纹理等方面对距离选通激光主动成像目标图像进行了量化评价。通过深入研究主动成像图像的特点,建立了信噪比、亮度、对比度和清晰度等评价函数的参数模型,并给出了实验结果和分析。结果表明,这些参数能够对激光主动成像图像进行客观的评价,并且计算简单,具有显著性和独立性的特点。     

一种基于NSST变换的红外偏振图像融合算法研究

红外成像技术可以全天候进行工作,受一些恶劣天 气因素的干扰较少,因为其依靠目标的温度差和热辐射率来成像,缺点也很明显,成像结果 细节模糊,目标与背景的对比度低,边缘平滑,视觉效果一般。而偏振图像由于其只保留某 些特定方向入射光的特殊成像机制,从而可以获取目标与背景粗糙度、含水量、物质理化以 及纹理特征等多维细节信息,但也正因为滤除了部分方向的光线,导致偏振图像整体亮度偏 低。针对单偏振参量信息弱、对比度小而且红外强度图像细节模糊的问题,提出一种基于非 下采样剪切波变换(NSST)的红外偏振图像融合算法,可以有效提高复杂背景中目标的辨识 度。首先将偏振度图像与偏振角图像采用改进的区域方差方法进行融合得到初始图像。然后 对初始图像与红外强度图像进行NSST分解处理,低频分量采用区域关联度与区域方差相结合 的融合规则,高频分量的融合采用区域关联度与区域特性能量相结合的规则。实验结果表明 ,本算法主观视觉效果良好,客观评价指标也优于其他算法。     

激光成像引信的目标识别方法研究

为了高效准确地滤掉云烟雾等悬浮粒子,减少对激光成像引信工作的影响,采用了改进的Harris+最小核值相似区域(SUSAN)角点检测算法与矩形度结合的目标识别方法。改进算法在原有Harris和SUSAN算法基础上,利用8邻域模板标准差对目标像素点进行初次筛选获得候选角点,经高斯滤波后,利用改进的角点响应函数值进行二次筛选,再通过非极大值抑制得到最终角点,最后利用矩形度对目标与干扰进行二次区分。通过理论分析和实验验证可知,95%的目标能被有效地识别出来。结果表明,该方法能高效准确地区分目标与干扰,同时满足实时性要求,为激光成像引信抗干扰方面提供了一定的理论参考。     

基于SVM分类的红外舰船目标识别

针对海天背景下红外舰船目标识别提出了一种基于机器学习的分类算法。该算法首先利用分割算法提取红外图像中的连通区域,并对原图相应的位置进行标记和归一化处理,然后利用HOG特征提取标记区域的高维特征向量,用线下样本库训练得到的SVM分类器对所提取的HOG特征进行高维特征空间的分类,识别目标和干扰。仿真实验表明,该算法具有良好的性能,在复杂海天干扰背景下能够有效地识别红外舰船目标。