基于局部积加权对比的红外弱小目标检测

针对复杂背景下因像素点噪声及高亮边缘干扰导致的对红外弱小目标检测率低、虚警率高的问题,提出一种基于局部 积加权对比的红外弱小目标检测算法。 首先,分别计算目标区域与背景区域均值,并得到目标与局部背景的差异性;提出一种 局部积加权方法,极大增强了小目标的显著性与抑制背景杂波的能力;其次,采用多尺度算法增强算法的自适应能力;最后,对 显著性图像进行自适应阈值分割,得到待检测的真实目标。 仿真实验结果表明,所提算法的信杂比增益( SCRg)和背景抑制因 子(BSF)相比现有算法均有一定提升,在复杂背景及强噪声干扰下仍具有良好的准确性和鲁棒性,实现了提高检测率,降低虚 警率的目的。     

基于空-频域映射与虚警抑制的弱小目标检测算法

为了有效控制红外弱小目标检测过程中的虚警率,提高复杂云背景下的目标检测准确度,提出了基于空域-频域映射与虚警抑制的弱小目标检测算法。根据红外中心像素不同方向上的强度值,构建了方向最大中值滤波器,有效消除噪声;并利用中心像素与其邻域像素的强度差异,形成背景抑制滤波,充分增强弱小目标;考虑云区域的特有属性,联合非线性滤波,定义了云区域识别机制,提取空域映射;引入Butterworth差异低通滤波器,对去噪图像中的显著目标完成初步识别;基于其幅度信息,进行显著目标的精细检测;再利用细显著性检测结果,计算阈值,利用二值分割方法来获取去噪红外图像的频域映射;联合空域映射与频域映射,提取红外图像中的候选目标;根据真实动目标与虚警之间的运动特征差异,利用多尺度改进的管道滤波来抑制虚警,准确识别出真实目标。实验数据表明,相对于已有的弱小目标识别方案,所提方案能够准确地识别出真实目标,拥有更好的ROC特性曲线。     

非下采样Shearlet变换耦合边缘制约的遥感图像融合算法

为了解决当前遥感图像融合算法因忽略了区域中像素点的边缘特征而导致融合图像中存在块效应以及模糊效应的不足,在非下采样Shearlet变换的基础上,设计了基于边缘制约模型的遥感图像融合算法。首先,将多光谱(MS)图像经过IHS分解,提取相应的亮度分量。然后,通过非下采样Shearlet变换,将全色(PAN)图像与亮度分量进行分解,获取各自的高频系数与低频系数。再通过图像的空间频率特征,建立低频系数的融合函数,对低频系数进行融合。并利用图像的区域平均梯度特征与图像区域中像素点的边缘能量特征,构造了边缘制约模型,对高频系数进行融合。最后,将融合后低频系数、高频系数经非下采样Shearlet逆变换和IHS逆变换,获取融合图像。实验结果显示,与当前遥感图像融合方法相比,所提算法的融合图像具有更高的清晰度,更好地保持了图像的光谱特性,消除了块效应以及模糊效应。     

基于非下采样Shearlet变换与差异度量的遥感图像融合算法

为了解决当前基于加权平均机制的遥感图像融合算法忽略了图像像素间的差异性,易导致融合图像出现振铃及光谱失真等问题,设计了非下采样Shearlet变换耦合差异度量的遥感图像融合算法。引入亮度-色调-饱和度(IHS)变换,获取多光(multi-spectral,MS)图像中的亮度I成分;借助非下采样Shearlet变换,计算出I分量及全色(PAN)图像对应的低频及高频系数;再利用结构相似度(SSIM)函数,对低频系数的差异性实施度量,从而构建了差异度量法则,根据低频系数间的差异性采取不同的低频系数融合策略,实现低频系数的融合;考虑图像的平均梯度信息,构建高频系数融合机制,完成高频系数的融合。基于非下采样Shearlet逆变换,对融合的高频及低频系数实施处理,获取融合结果。实验结果显示,较已有的遥感图像融合方法而言,所提技术具备更高的融合效果,其输出结果含有更大的信息熵值和更低的光谱偏差度。     

基于多特征融合的红外弱小目标检测

为解决红外弱小目标检测领域中基于单类先验知识的人类视觉系统检测方法检测准确率低、虚警率高以及显著图计算复杂等问题,提出一种在复杂背景条件下对红外弱小目标多种特性进行融合处理的检测方法。通过融合红外弱小目标的局部灰度值大、自身灰度信息符合二维高斯分布以及与邻域相似度低的三大特性,利用协方差检测和相似度对比计算得到显著图,对显著图进行简单阈值分割得到真实目标。对不同复杂背景和不同数据类型的红外源图像进行弱小目标检测实验,结果表明:与基线算法相比本文所提算法检测结果背景抑制因子和信杂比增益均提高2~3倍,交并比为HVS类方法最优,ROC曲线在较低虚警率时获得最高检测准确率。本文方法将红外源图像中弱小目标多个特性进行有效融合,提高检测精度的同时降低了显著图计算复杂度,在不同复杂背景和杂波干扰的情况下仍能取得较好的目标定位和背景抑制效果。     

基于非下采样Shearlet变换耦合导向法则的多聚焦图像融合算法

为了克服当前较多图像融合算法主要是通过取大法来完成图像系数的融合,忽略了图像间的关联性,导致融合图像中含有间断及振铃现象等缺陷,设计了基于非下采样Shearlet变换耦合导向法则的多聚焦图像融合算法。首先,引入非下采样Shearlet变换(NSST),对多聚焦图像进行计算,求取图像的不同系数。再利用图像的区域能量、标准差以及空间频率特征,对图像的关联性进行度量,并将度量结果作为选择融合规则的导向信息,通过构造导向法则来完成低频系数融合。在高频系数融合时,利用图像的均值特征以及Laplacian能量特征,分别对图像的亮度以及边缘信息进行度量,以实现高频系数的融合。以电路板与仪表盘为样本数据进行测试,结果显示,与当下融合算法相比,本文算法具有更高的融合效果,其输出图像具有更大的通用图像质量指标与平均梯度值。     

基于差异结构描述符与自适应侧抑制的红外弱小目标检测算法

为了提高复杂背景下的弱小目标的检测精度,提出了基于差异结构描述符与自适应侧抑制的红外弱小目标检测技术。首先,引入非局部均值滤波,对红外图像进行预处理,降低噪声的干扰;随后,计算输入滤波红外图像的梯度值,引入奇异值分解方法,在梯度域内获取特征信息,从而确定主方向;为了能够根据红外图像的信息变化来自适应增强弱小目标与抑制背景,利用奇异值分解获取的主方向来计算侧抑制系数;并利用特征信息,构建差异结构描述符,联合改进的侧抑制系数,形成了一个自适应侧抑制滤波器,降低其对噪声的敏感性,以更好地对红外图像中的每个像素进行处理;最后,定义像素灰度补偿函数,完成弱小目标检测。实验结果显示:与当前红外弱小目标检测技术相比,在噪声与复杂背景情况下,所提算法能够准确完整地检测出弱小目标,具有更高的信杂比增益与背景抑制因子,呈现出更理想的ROC曲线。     

基于肤色分割与AdaBoost算法的人脸检测

提出了一种将肤色分割与AdaBoost算法相结合的人脸检测方法。该方法利用肤色的聚类特性在YCbCr色彩空间中建立肤色高斯模型,通过形态学处理完成图像肤色区域的筛选;然后利用AdaBoost算法训练弱分类器并构成强分类器,对强分类器进行组合,形成级联分类器并对候选区域进行人脸检测,排除非人脸肤色区域,实现对不同角度人脸的正确检测。该方法可同时解决肤色分割方法对复杂背景图像的高误检率与AdaBoost算法对多姿态人脸图像的低检测率的问题。仿真实验表明,该方法具有检测率高、误检率低、适应性好及鲁棒性强的优点,对具有多姿态、多人脸和复杂背景信息的图像具有较好的检测效果,实用性得到增强。     

基于复Shearlet变换耦合改进引导滤波的图像融合算法

为了提升图像融合性能,更好保留源图像信息和提高图像的空间连续性,抑制伪Gibbs效应,通过结合复Shearlet变换(CST)与引导滤波器(GF)的优点,定义了一种新的图像融合方案。首先,通过双树复小波变换(DTCWT)与Shearlet变换,构建了具有平移不变性的CST,利用CST对图像分解,输出低频、高频系数;对于低频系数,利用双尺度引导滤波融合,根据邻域像素之间的强相关性来进行权重优化,提高图像的空间连续性;而对于高频系数,利用改进的Laplacian能量和与引导滤波进行融合;最后,通过逆CST技术来获取融合图像。实验表明,与当前常用图像融合算法比较,对于LIVE数据集中任意尺寸为256×256像素的2幅多聚焦灰度图像(同一场景的左、右聚焦各一幅)而言,当Shearlet变换层数为4时,所提算法具有更好的融合视觉效果与客观评价,可较好地保留源图像的信息,且提高了融合图像的空间连续性,其融合图像的熵值、互信息以及边缘强度值更大,分别为5.97、5.88与0.72。     

基于改进RHT的SAR图像机场区域提取算法

星载合成孑L径雷达(SAR)图像信噪比低,由于相干斑噪声和非检测目标的干扰,在其中进行机场目标检测及区域提取难度较大.针对上述问题,提出一种星载SAR图像机场目标检测提取算法.对原始SAR图像进行curvelet阈值去噪处理,抑制相干斑噪声并突出低灰度区域;根据灰度分布进行Otsu最大类间差分割,初步划分感兴趣区域(ROI);通过加入了最小二乘修正的随机Hough变换(RHT)检测机场跑道;最后基于跑道上选取的种子点区域生长得到完整的机场区域.实验结果表明,提出的算法解决了星载SAR在解译方面的难点,有效检测出机场目标并提取相关区域,具有较高准确率和鲁棒性.     

一种基于改进YOLOv4的SAR舰船检测算法

在大量数据支持的背景下,如何高效利用大量SAR图像,提升舰船目标的检测精度是当前舰船目标检测的难题。本文聚焦如何提升YOLOv4算法对SAR舰船目标的检测精度,提出了一种融合多尺度和注意力增强的YOLOv4增强算法。在原YOLOv4的PANet中加入注意力模块（CBAM）,同时使用加强的K-means聚类算法对数据集中的舰船目标真实框进行聚类,并对锚框结果进行线性比例变换,让算法锚框更适合于训练集。实验证明本文提出的算法在SAR舰船检测中的平均准确率（）达到了94.05%,比原始YOLOv4精度提高了0.7%。实验结果充分证明本文提出的算法能够提升SAR舰船图像检测精度,为海上活动判断精确化提供技术支持。     

增强型Shearlet域SAR图像去噪

针对合成孔径雷达(SAR)图像固有的相干斑噪声,提出了一种增强型Shearlet域SAR图像滤波去噪算法。该算法首先分析SAR图像的局部特性,利用局部特性,将图像分成均质区域、非均质区域和边缘区域。对均质区域,用均值滤波器进行滤波去噪;对非均质区域,用Shearlet变换处理去噪;对边缘区域,进行直接保留。实验结果证明,该算法不仅能够显著消除相干斑噪声,明显的提高视觉效果,而且能够很好的保持边缘细节和纹理信息。     

一种基于特征重用金字塔的舰船检测算法

针对现有算法在SAR图像舰船目标检测场景中难以提取模糊目标特征的问题,提出一种基于特征重用金字塔的舰船目标检测算法。所提算法以YOLOV4-tiny为主体,首先将线性因子引入到K-means算法中整合初始锚框,加强网络对多尺度目标的适应性;其次在主干CSPDarknet53-tiny中添加注意力机制来抑制干扰信息,减弱复杂背景的影响;最后利用特征重用机制强化特征金字塔,提升网络对模糊目标特征的提取能力。实验结果表明,相较于YOLOV4-tiny网络,改进后的算法在SSDD数据集上的平均检测精度提升11.79%,证明了改进后算法在舰船检测中的有效性。     

基于 YOLOv5 的多分支注意力 SAR 图像舰船检测

针对合成孔径雷达图像噪声大,成像特征不明显,尤其在面对海陆边界、港口码头、近岸岩礁等复杂场景,通常的检测算 法对 SAR 图像目标特征提取困难,导致检测精度不高,出现误检漏检等问题。 在 YOLOv5 的基础上设计了一种旋转的目标检 测方法,提出了多分支注意力模块可以跨维度的信息融合,能更好地提取 SAR 图像目标中的位置信息和语义信息,以提高检测 精度。 此外,由于旋转目标检测会产生边界不连续问题影响边界框的回归,因此,利用了圆形平滑标签的方法将角度参数从回 归问题转为分类问题,由此提高了精度。 最后在 HRSID、SSDD+数据集上进行了实验,精度分别达到 84. 98%和 90. 13%,比原始 的 YOLOv5 算法分别提升了 1. 29%和 2. 57%,实验结果证明所提算法的有效性。     

基于高分辨率SAR影像和深度学习的输电杆塔智能识别研究

近年来,强降雪、洪涝等极端气象灾害频发,对输电线路安全运行造成巨大挑战。星载合成孔径雷达技术(SAR)技术作为一种广域、全天时、全天候的新型感知技术,可实现大范围输电线路受灾情况的快速评估。针对复杂背景下的高分辨率SAR影像中的电塔识别问题,文章提出一种结合YOLO v2和VGG模型级联的Two-Stage目标检测算法。在Stage-1阶段,基于YOLO v2对整景SAR影像进行电塔检测;在Stage-2阶段,基于VGG对Stage-1的检测结果进行假阳性消除。以2018年1月强降雪后某地的COSMO影像为例进行测试,结果表明电塔召回率可达85. 7%,证明文中方法可较准确地识别整景SAR影像的电塔目标。     

基于各向异性高斯核的多尺度角点检测

Moravec角点检测是一种经典的角点检测算法,它认为角点是各个方向亮度变化足够大的点,但该算法不具有尺度变化特性。提出了基于各向异性高斯核的多尺度角点检测算法。利用小尺度高斯核定位准确,大尺度下抗噪声能力强的特点,对图像进行多尺度多方向分解;在每个尺度下,保留每个像素最小的幅度值,对其进行非极大值抑制。将小尺度下检测到的点作为候选角点;在大尺度下,观测候选角点的邻域内是否有极大值点出现,若存在,判定该点为角点,若不存在,将其剔除。与最著名Harris角点检测算法相比,新算法可以在不同尺度下获取角点,克服了单一尺度的Harris算法可能存在的角点信息丢失、角点位置偏移和易受噪声影响而检测出伪角点等缺点;在无噪或加噪条件下,新算法的检测性能有明显地提高。     

一种基于参数估计的运动舰船SAR成像方法

海面舰船不仅存在自身动力带来的平移运动,还受风浪等影响存在摇摆运动和振荡运动等复杂运动形式,传统SAR成像算法难以获得聚焦舰船图像,首先建立了海面振荡舰船和摇摆舰船的SAR成像几何模型,在此基础上了推导并分析了回波信号特点,针对回波特点提出了基于附加多普勒参数估计与补偿的舰船成像方法,使用平滑伪魏格纳分布（SPWV）提取并估计附加多普勒参数,能够明显改善振荡舰船和摇摆舰船SAR成像的聚焦效果,最后通过仿真实验证明了该方法的有效性。     

基于图像块相关的弱小目标检测算法研究

针对复杂云层背景下的弱小目标检测问题,提出了一种基于图像块相关的弱小目标检测算法。首先对图像进行灰度值反转,然后利用相邻块之间相关性进行云层背景抑制的预处理,从而削弱复杂云层背景对弱小目标检测的干扰,最后对图像进行灰度值拉伸处理,增强弱小目标,提高对目标的检测准确率。实验结果表明,提出的算法可抑制云层背景对弱小目标干扰,实现复杂背景下弱小目标的检测。