基于多结构元素灰度形态学的红外背景估计算法

背景估计技术是红外弱小目标检测中的关键技术.传统的形态学算法采用单一结构元素对红外图像进行处理,当背景存在强起伏时,残差图像存在大量的背景泄漏,导致大量虚假目标点的出现.该文在分析红外图像统计特征的基础上,提出了一种基于多结构元素灰度形态学的红外背景估计算法.采用实际红外图像进行了仿真实验,并与传统形态学算法的性能进行比较,结果表明该算法能够尽量保留图像细节,减小图像细节对背景估计的影响,大幅提升了图像的信噪比,提高目标单帧检测概率.算法易于实时并行处理,便于硬件实现.     

一种基于改进混合高斯模型的运动目标检测算法

针对运动目标检测中ViBe算法的鬼影、阴影和噪声干扰问题,本研究提出一种融入改进混合高斯模型(GMM)的ViBe算法。该算法改进混合高斯模型的自适应性,使混合高斯模型的K值与学习率对背景进行自适应调节;对视频帧进行训练,构造"虚拟"背景代替第一帧图像进行背景建模,算法能够有效地提取背景建模初始化的视频运动目标,从而消除鬼影现象。该算法用像素分类法提取前景目标,经形态学处理得到完整的运动目标。实验结果表明:与几种运动目标检测算法相比,本研究提出的算法不仅能够有效地抑制鬼影、阴影和噪声干扰,而且该算法自适应性强、检测速度快、检测结果可靠。     

基于高斯混合模型和canny算法的运动目标检测

提出一种基于高斯混合模型和canny算法的运动目标检测算法.利用高斯混合模型计算像素之间的颜色信息,同时利用高斯混合模型更新背景信息;用canny算子提取图像的边缘信息;将颜色信息和区域结构信息线性融合起来,较好地解决了边缘信息明显的运动目标检测.实验中采用改进的加权高斯模型及传统的canny算法相结合.结果表明,本文...     

采用标记的高速多通道星敏感器图像处理算法

为提高星敏感器测量角分辨率,同时保持高数据更新率,选用四百万门像素、多通道数据并行输出的光电探测器.为解决基于该类探测器的星敏感器图像处理问题,实现快速有效的提取星点质心,设计了一种采用标记的图像处理算法.算法分为多通道标记计算方法和通道边界的目标处理:多通道标记计算方法主要解决通道内的图像处理问题,各通道间并行处理;通道边界的目标处理主要解决当目标跨边界时的拼接问题.在时钟为100 MHz的高频率工况下,采用FPGA基于四级流水线并行处理体系结构实现算法,并实际测试验证.验证结果表明,算法可快速、正确地提取探测器像面上的目标点,提取的星点单星定位精度优于1/172像素,数据更新率优于9.5 Hz,满足星敏感器高精度、高数据更新率要求.     

图像智能化的目标检测技术(Ⅱ)--数据流程与背景感知

着重探讨了线性预测估计和非线性均值滤波两种常用背景估计技术和自适应空间滤波的形态学背景感知方法.形态学背景感知方法从精细刻画图像的结构特征并基于形状细节进行图像分析入手,将使操作过程得以从近似的线、面传统模式中解脱出来,面向更为真实和丰富的自然结构,改善了处理效果.实验测评表明,形态滤波算法对背景的自适应感知能力最强,输出结果能真实贴切地反映图像背景的起伏变化规律,因而具有抑制杂波噪声和增强目标信号的双重功效.     

图像处理中自适应数学形态学的研究

实际图像处理中当视场的变化引起目标变形时,固定大小的形态学算子很难达到较好的处理效果。研究了利用距离变换自适应地调整结构元大小的方法,即根据图像的不同位置来调整结构元素的大小,从而实现图像的形态学运算,并由此推导出了快速计算方法,最后测试了这种新算法的有效性。实验结果表明,该算法取得了较为理想的效果。     

基于颗粒分析的Top-Hat变换及去噪

数学形态学中的Top-Hat变换是一种提取图像中局部较亮的目标或信息的技术。经典的Top-Hat变换用唯一尺寸的结构元素对图像进行处理，并不能有效地提取目标，图像上面的结构或目标不一定对那个尺寸的结构元素敏感。通过定义一个递增的结构元素序列对图像进行Top-Hat变换，在每一个像素处用不同的结构元素作Top-Hat变换，以寻找对该像素最敏感的结构元素，并把此结构元素对图像的处理结果作为该像素处最后的输出值。虽然该方法有效地增强了图像，但同时也增强了噪声，最后利用形态重构算子对噪声进行了处理。     

膨胀与腐蚀算法的改进及并行实现

改进形态学中的膨胀与腐蚀算法,以求在数据增多情形下提高其运算速度。将处理前一像素的运算结果,引入后一像素的处理过程,以减少相邻像素重复区域的计算量;利用图形处理器的分层存储机制,优化数据在其中的存储结构,以提高访存速度;采用线程并行处理方式,在统一计算设备架构平台上,实现形态学膨胀与腐蚀算法的并行化。实验结果表明,随着图像尺寸和结构元素尺寸的增大,改进算法实现加速效果显著,其加速比高于调用NPP库和MATLAB库函数实现的加速比。     

星敏感器姿态计算精度的仿真

星敏感器姿态测量精度是评价星敏感器性能的最重要的指标之一.文中分析了影响星敏感器姿态计算精度的各种因素,给出了对星敏感器姿态计算精度进行仿真的方法,并对各种因素的影响规律做了细致的仿真.仿真结果表明多参考矢量定姿算法带来的误差可以忽略不计;对于16°×16°视场的星敏感器,选取在视场内分布均匀的9颗星参与姿态计算,是较好的选择;在保持像素分辨率不变的条件下,增大视场可以提高滚动角的精度,但CCD像素数目却增大了.因此,选取视场内均匀分布的较多恒星参与姿态计算、提高星点位置精度都可以提高姿态计算精度.     

采用形态学算子的运动目标检测跟踪方法研究及实现

针对背景动态变化的场景,提出了一种基于全方位视觉的运动目标检测跟踪方法.采用统计方法建立背景模型,并实现背景模型的实时更新;利用减背景法和改进的二值图像连通域算法实现运动区域提取、分割;引入形态学算子计算目标区域体态比和紧密度,过滤背景干扰物;采用卡尔曼滤波与匹配矩阵相结合实现多个运动目标的跟踪;通过目标在HSV颜色空间中的H值、目标间的欧氏距离和目标相交面积等特征融合,提高目标跟踪的鲁棒性.实验表明,所设计的方法能实现实时准确的运动目标检测与跟踪.     

基于背景抑制与特征融合的红外微小目标检测

为了解决多特征融合微小目标检测算法复杂、受到假设限制等问题,提出了一种背景抑制与特征融合相结合的海天背景红外微小目标单帧检测算法,算法采用高通滤波抑制背景,利用灰度变换强化目标特征,特征融合时不涉及像素行均值问题,克服了海天线水平的假设;采用计算量小的局部灰度最大值、局部对比度均值反差两个特征进行加权信息融合,形成特征图,检测出微小目标.实验结果表明,该算法不论在实时性、实用性还是有效性方面都取得了满意效果.     

一种新的星像自动搜索算法

提出了一种基于数学形态学的星像自动搜索和新的高斯拟合对星像中心精确定位的算法.并将该算法运用到实际观测的CCD图像中,实现了星像自动搜索与精确定位.测量结果验证了该算法的有效性.     

三视场星敏感器的多级星图识别算法

为解决现有三视场星图识别算法效率慢、识别正确率低的问题,提出了一种面向三视场星敏感器的多级星图识别算法:第一阶段利用单一可调参数的广义回归神经网络分别识别三幅单视场星图;第二阶段利用星库中存储的星间角距信息检验导航星识别结果,再以正确识别的导航星信息计算星敏感器的3个视轴指向;第三阶段利用视轴指向辅助未识别与识别错误的导航星完成识别与校正;最终,以三视场内正确识别的导航星精确估计飞行器姿态信息。仿真结果表明,当星点质心定位误差的标准差达到0.07像素时,该星图识别算法对实验样本的识别正确率仍高达98.9%,而识别时间仅为8.464 5 ms。同时,由于提供求解姿态的星点信息较多且分布更广泛,飞行器的三轴姿态估计精度也随之提高。三视场星敏感器估计的飞行器偏航、俯仰、和滚转轴姿态精度分别为1.205 8″,1.086 7″以及1.201 8″。     

基于加权空间直方图的均值漂移目标跟踪

目标模型内的背景像素会造成目标跟踪定位偏差。为了减少背景像素对跟踪造成的定位偏差,首先通过目标区域像素和目标区域周围背景像素的颜色直方图定义了一个加权系数,然后将该加权系数引入到空间直方图的计算中,提出了一种基于加权空间直方图的均值漂移(MS)目标跟踪算法。在此基础上,给出了一种模型更新方法。仿真实验表明,该算法具有很好的跟踪精度,对遮挡具有更好的鲁棒性。     

一种图像形态学的角点检测改进算法

提出了利用数学形态学对原有跟踪目标图像进行角点检测的改进算法.针对原有算法中检测效果往往受结构元素尺寸大小影响较大,提出了一种利用多尺寸大小的结构元素对目标进行角点检测,将检测结果进行融合的方法.实验结果表明该算法能够准确的找到图像的角点,对噪声起到了有效的抑制.     

星图识别的一种扩充栅格算法

栅格算法作为一种鲁棒性好、识别率高的星图识别算法,要求星图中不少于6颗星才能进行正常的识别,限制了其在小视场或低星等敏感极限的星敏感器中的应用.针对这种情况,提出了星图识别的扩充栅格算法,该算法将扩充星图法与栅格算法结合,将视场进行有效地扩充,得到了更加丰富的星点信息,同时继承了栅格算法的优势,拥有比现有扩充星图法更强的噪声鲁棒性和更高的识别成功率.依据实际情况建立了仿真环境,并进行了大量实验,验证了算法的实时性和高识别率性能.结果表明:当应用于小视场星敏感器时,扩充栅格算法在位置噪声为1像素时的星图识别成功率大于97.4%,明显优于传统的扩充星图算法,同时其近邻星的识别成功率最高可达到86.7%,也明显优于传统栅格算法.扩充栅格算法更加适用于小视场或低星等敏感极限的星敏感器.     

基于双目视觉的船舶跟踪与定位

设计了基于双目视觉的船舶跟踪与定位系统,并且完成对应算法设计.算法分为摄像机标定、目标跟踪、立体匹配、视差定位4个模块,其中,跟踪模块以目标窗口的形式给出跟踪结果,匹配模块在跟踪结果中进行左右目立体匹配,定位模块根据左右目匹配点对的像素位置计算其在物理空间的坐标,减少了匹配时间.实验结果表明,该方式可实现实时跟踪目标并给出目标的准确位置,满足应用要求.该定位系统可同时完成动态目标跟踪和定位,提供三维图像的丰富信息,具有很强的推广应用价值.     

基于自适应形态学滤波器的布匹瑕疵检测算法

针对布匹瑕疵检测算法中运算量大、自适应差的问题,利用布匹纹理周期性变化特性,自适应地构建结构元素,实现形态学运算;采用基于像素面积的阈值选择定位瑕疵位置。在不改变检测准确率的同时减少了运算时间。实验结果表明,该算法所确定的瑕疵位置与主观视觉吻合,相比经典算法,误检率、错误率均降低了4%。     

利用超像素混合投票的在线目标跟踪算法

针对复杂场景下目标跟踪中目标出现的外观特征变化和遮挡问题,提出一种结合超像素和广义霍夫变换的在线实时目标跟踪算法.该算法从上下文中提取局部特征作为支持因子,构建一个混合的判别产生式对象模型.利用该模型,通过霍夫投票预测目标的中心位置,再通过判别式投票对目标和背景进行概率估计.对图像进行超像素分割,将之前的投票结果映射到对应的超像素,生成基于超像素的概率分布图像.采用贝叶斯跟踪框架,根据后验概率最大化,在概率分布图像基础上确定目标的位置.实验表明,该算法在复杂环境下目标跟踪的过程中对目标发生的形变和遮挡现象有很强的鲁棒性,能够实现准确稳定的在线目标跟踪.     

多技术融合的Mean-Shift目标跟踪算法

在研究经典算法的基础上,提出了一种多技术融合的Mean-Shift目标跟踪算法,有效地解决了经典Mean-Shift跟踪算法存在的缺陷。通过Kalman算法预测估计目标的中心位置,通过分块颜色直方图提取目标区域的空间信息进行,同时采用背景加权和核加权相结合的方式抑制背景像素对目标的干扰。在多个视频数据上的试验结果表明,研究方法有效地克服了经典的Mean-Shift目标跟踪算法对遮挡、背景像素敏感的问题,在复杂环境的背景下对运动目标跟踪更加准确。