红外图像显著目标检测算法

提出一种简单快速的红外图像显著目标检测算法,算法可以分为三步:首先,对原始红外图像进行预处理以增强目标与背景的对比度;然后,在log频谱中提取预处理后图像的频谱残差,通过相应的反变换及简单的阈值分割,可以得到显著目标的大致区域;最后,采用一个滑动窗口在目标候选区域内进行搜索确定显著目标的准确位置,这个过程采用由目标及其周围区域在原始图像中的灰度分布得到的半局部特征对比度的概率表达得到每个像素点的显著性值,进行阈值分割得到显著目标,改变滑动窗口的大小可以检测出不同尺度的目标。采用大量的红外图像对算法进行测试,实验结果表明该算法具有高效性和鲁棒性。     

基于形态重构与跟踪的红外小目标检测算法

 结合形态学预处理与基于核密度估计的跟踪,提出了一种新的前视红外小目标检测算法:改进形态重构开Top-Hat算子,解决了原算子对前视红外图像预处理时高亮度背景有残留的问题;先融合初始多帧图像,采用阈值法检测出候选目标,提高检测率,再对候选目标进行跟踪,利用目标运动的连续性,检测出真实目标;引入伪透视运动模型对传感器全局运动进行补偿,避免了由图像抖动导致的真实目标跟踪失败,误当作伪目标去除.仿真实验效果较好.     

一种新的红外弱小目标检测与跟踪算法

针对低信噪比下红外序列图像中弱小目标的检测与跟踪问题,提出了一种新的基于双边滤波的方法.首先将传统的二维双边滤波扩展为空-时三维双边滤波,由于同时利用了红外序列的空域信息和时域信息,该三维双边滤波能在抑制噪声的同时增强目标和背景之间的对比度.用其实现红外图像的预处理,再用门限分割检测出红外序列中的弱小目标.同时,用序贯蒙特卡洛方法对检测到的弱小目标进行跟踪.实验中,用实际红外序列图像对算法进行了验证,结果表明,在低信噪比下,所提算法能对红外弱小目标进行实时检测和跟踪.     

大数据驱动的红外移动目标检测

为了精准检测移动目标，提出一种大数据驱动的红外移动目标检测方法。采取空间滤波法预处理红外图像，抑制红外图像背景、增强图像内移动目标边缘，采用Seletive Search策略，通过区域划分算法划分预处理后红外图像为若干块小区域，提取若干个红外移动目标候选区域；为避免相邻红外移动目标候选区域图像间存在帧间差异及虚警，影响移动目标中心位置检测效果，提取移动目标候选区域的灰度特征，并结合运动特征建立加权融合特征，精准定位移动目标候选区域，将移动目标候选区域输入卷积神经网络，网络输出结果即为检测到红外移动目标，利用损失函数判定该目标是否为真实移动目标。实验研究表明：所提方法能够精准定位红外移动目标候选区域，检测出红外移动目标，检测性能较好，拥有较强的收敛性。     

岛岸背景下的红外运动多目标跟踪

提出了一种基于粒子滤波和FCM的岛岸背景条件下红外运动多目标跟踪方法.通过对红外序列图像进行中值滤波、边缘提取、海天线检测和形态滤波等预处理,提取出若干个候选目标.然后利用基于粒子滤波和FCM的算法实现对候选目标的数据关联和连续跟踪.实验结果表明,该方法具有良好的可行性和效果.     

基于áTrous算法的红外序列图像中运动目标的检测与跟踪

主要研究了红外图像中运动点目标的检测及跟踪问题。在复杂背景下,根据小目标在红外影像中容易丢失的特性,利用trous小波变换对图像非抽取(变换后图像数据未损失)的优点对红外图像进行了背景抑制与增强。通过聚类分割算法分割出了可疑目标,并采用八邻域分析算法准确跟踪并提取出了运动小目标。试验结果表明,本文算法在对红外序列图像中的运动目标进行检测与跟踪时具有较强的实用价值。     

基于(A)Trous算法的红外序列图像中运动目标的检测与跟踪

主要研究了红外图像中运动点目标的检测及跟踪问题.在复杂背景下,根据小目标在红外影像中容易丢失的特性,利用Atrous小波变换对图像非抽取(变换后图像数据未损失)的优点对红外图像进行了背景抑制与增强.通过聚类分割算法分割出了可疑目标,并采用八邻域分析算法准确跟踪并提取出了运动小目标.试验结果表明,本文算法在对红外序列图像中的运动目标进行检测与跟踪时具有较强的实用价值.     

基于聚类思想的红外弱小目标检测

针对复杂背景下尺寸未知的红外弱小目标检测难题,一种基于聚类思想的红外弱小目标检测方法被提出。首先,利用小目标形态学特征对原始红外图像进行预处理,生成新的密度特征图。其次,使用改进的密度峰聚类算法对潜在候选目标进行粗定位。然后,针对潜在目标的局部候选集,采用加权模糊集聚类算法对局部候选集进行目标与背景区域的精细分割,利用目标与背景之间的差异性在增强目标的同时抑制虚警。最后,对处理后的局部候选集进行自适应阈值提取真实目标。实验结果表明,与7种对比算法相比,该算法对尺寸未知的小目标具有良好的鲁棒性和检测性能。     

利用自适应模糊推理PMHT算法的红外小目标跟踪与检测

提出了一种基于自适应模糊推理PMHT算法对红外序列图像的小目标进行跟踪和检测.对红外序列图像进行中值滤波、边缘提取、海天线识别与对消等预处理后,可以提取出若干个备选小目标,通过PMHT与模糊自适应相结合算法来实现对备选目标的跟踪和数据关联,最后,根据先验知识和检测条件实现小目标检测.算法通过模糊自适应来调整系统噪声方差,经过多次迭代,从而实现数据关联以及目标模型实时检测.另外,在多目标跟踪中存在目标重叠的现象,运用"记忆和填充"方法来解决多目标的合并和分裂问题,算法易于硬件实现.通过对实际的红外序列图像进行小目标检测,验证了所提方法的可行性和有效性.     

一种基于SVM候选区训练的红外舰船目标检测方法

无人机进行红外舰船目标侦察时,检测算法对检测正确率的影响很大。为增强无人机红外光电载荷对舰船目标的检测能力,提出采用支持向量机(Support Vector Machine, SVM)进行候选区训练的检测算法,以提高目标检测的正确率。通过预先对候选区的特征进行训练,得到候选区的分类数据。在检测阶段,加载训练时得到的候选区分类数据,分类筛选出更可能包含目标的候选区,从而提高目标检测的正确率。验证实验中,选用368张无人机拍摄的长波红外图像作为训练数据集图像,另外选择139张图像作为测试图像。分别采用带候选区训练的方法和无候选区训练的方法做目标检测实验。检测结果表明,采用带候选区训练的检测方法比采用无候选区训练方法时平均检测正确率高14.6%。     

一种多光谱红外舰船目标融合检测方法

针对复杂岸岛背景下的红外舰船目标检测问题,提出了一种多光谱融合红外舰船目标检测方法。首先根据不同谱段信息相互间的关系进行基于非下采样轮廓波变换(Nonsubsampled Contourlet Transform, NSCT)域的多级多光谱图像融合,然后利用LSD线段检测和聚类对融合后的图像进行岸岛线检测。采用选择性搜索算法生成初始目标候选区域,然后结合岸岛线空间位置以及舰船目标的几何特征和灰度特征约束剔除部分虚假目标区域,最后提取候选区域的方向梯度直方图(Histogram of Oriented Gradient, HOG)特征算子。利用线性支持向量机(Support Vector Machine, SVM)分类器进行分类识别,以检测出真实舰船目标。实验结果表明,与单谱段红外舰船目标检测方法相比,本文方法在检测精度上有较大提升。     

海空背景下红外点目标检测算法

提出了一种基于灰度形态学的海空背景下的红外点目标检测算法。该算法三步：第一步,对原始序列图像进行了膨胀后累加,以提高信噪比（SNR）;第二步,对原始序列图像进行形态学滤波,去掉噪声和目标以提取出背景;第三步,前两步结果相减,自适应阈值后即可得到点目标,用实际摄取的图像进行实验,结果表明该算法能检测出信杂比（SCR0为1的红外图像。     

基于萤火虫最优偏差的红外目标检测算法

为了提高红外目标检测的性能,借鉴萤火虫算法,提出了一种基于萤火虫最优偏差的红外目标检测算法。算法首先建立红外目标检测模型,通过红外拍摄系统对目标像点定位,将检测目标的光强分布看成高斯分布函数,利用质心窗口采集图像;以红外点目标成像的艾里斑能量分布做为萤火虫适应度函数,利用差分迭代对红外目标进行检测寻优;通过控制最优偏差估计的检测误差来优化检测目标。最后实验仿真显示本文算法能够检测出红外目标区域,相比其他算法边缘定位更准确,同时检测效率较高。     

基于显著区域提取的红外图像舰船目标检测

针对复杂海面背景下红外图像舰船目标由于灰度不均匀、海杂波干扰大等因素造成的自动检测虚警率高、准确率低的问题,提出了一种显著区域提取和目标精确分割相结合的红外舰船目标检测方法。首先,利用基于图论的视觉显著性(Graph-based Visual Saliency ,GBVS)模型计算待检测图像的显著图,使得目标区域信息增强;其次,结合舰船目标先验信息（长短轴、面积等）,利用多级阈值划分算法提取关注的显著区域,并确定原图中候选目标区域;最后,利用空间约束模糊C均值(Fuzzy C-Means,FCM)算法对候选区域进行分割,结合目标先验知识对分割区域筛选并输出目标位置。所提方法在公开数据集IRShips上与相关方法进行比较,结果表明,相比直接进行全图目标搜索的方法,所提方法不仅准确率高、执行速度快,且检测目标的位置更加精确。     

基于非下采样Contourlet变换的红外小目标检测方法

对存在背景干扰和噪声情况下的红外小目标检测方法进行了分析,提出了一种时空结合的红外小目标检测算法.首先根据背景图像变化较慢的特点,运用相邻帧相减以减少背景和噪声的干扰,接着对残差图像进行非下采样Contourlet变换,利用非下采样Contourle分解后子图像的特性抑制剩余的背景并消除噪声,提高了目标信噪比,最后通过...     

基于红外双波段图像融合的点目标识别

为解决红外警戒系统中点目标的识别问题,提出了一种新的点目标识别方法。该方法 首先分别对单波段红外图像进行背景预测与抑制,然后对取自适应阈值后的双波段图像根据目标的运动特征进行融合,最后通过图像序列分析给出最终的目标识别结果。仿真实验表明,该方法对背景有很好的抑制效果,可大大减少目标识别中候选目标点的数目,因而有利于点目标的识别。     

强杂波中双波段目标检测新算法

对海空背景下的电视和3～5μm红外目标提出了一种采用多向梯度表决融合的检测方法：依据背景图像中点目标的奇异特性，得到图像的多向剃度检测结果，并进行表决融合。通过实测的电视和红外图像仿真，结果表明，采用“and”判决规则的多向梯度表决融合的检测算法消除了云层、海浪、海天线等背景干扰，在实现高检测概率的同时，可以达到较低的虚警概率。该算法特别适用于低帧率的红外警戒系统，可检测信杂比为1的点目标。     

一种红外序列图像目标边缘检测方法

红外序列图像边缘检测是图像处理中的重点和难点之一.提出了一种基于柔性形态学的红外序列图像边缘检测算法,首先对目标红外图像进行柔性边缘提取,然后在此基础之上采用模糊c均值聚类方法将图像转化为二值图像,从而得到比较精确的目标边缘检测图像.计算机仿真实验表明,该方法的性能优于传统的检测算子,并且具有抑制噪声的功能.     

引入显著特征空间的抗遮挡红外目标跟踪

针对红外目标跟踪过程中目标纹理信息缺乏,与背景灰度呈现强耦合性,特别是在遮挡情况下目标特征信息链断裂,特征信息无法延续的实际跟踪问题,提出了基于显著特征空间的抗遮挡跟踪算法。首先通过分析红外目标特性,利用多尺度显著性、对比度和信息熵等信息生成显著特征向量空间,结合超像素特征距离和空间距离对区域进行聚类融合,突出目标区域,生成显著图。然后融合显著区域和原图,生成多个目标候选区作为跟踪算法输入。最后通过目标的空间分布场矩阵对全局的候选区域进行匹配,同时建立遮挡检测机制,基于显著区连通区变化和特征相似度变化曲线对遮挡的起始进行判断,结合遮挡判定设置模型更新策略。在不同红外测试集上的实验结果表明:所提算法在遮挡情况下也能达到较好的跟踪效果,有效增强了跟踪算法的鲁棒性。     

基于深度卷积神经网络的红外过采样扫描图像点目标检测方法

针对红外过采样扫描成像特点,提出一种基于深度卷积神经网络的红外点目标检测方法.首先,设计回归型深度卷积神经网络以抑制扫描图像杂波背景,该网络不含池化层,输出的背景抑制图像尺寸与输入图像一致;其次,对抑制后的图像进行门限检测,提取候选目标小区域原始数据;最后,将候选目标区域数据依次输入分类型深度卷积神经网络以进一步判别目标、剔除虚警.生成大量过采样训练数据有效训练两个深度网络.结果表明,在不同杂波背景下,该方法在目标信杂比增益、检测概率、虚警概率和运算时间等方面,均优于典型红外小目标检测方法,适用于红外过采样扫描系统的点目标检测.