基于复无下采样轮廓波和Gaussian小波支持向量回归的红外目标图像背景抑制

针对存在背景干扰和噪声情况下的红外目标图像背景抑制问题,提出了一种基于复无下采样轮廓波变换（NSCCT）和Gaussian小波支持向量回归（SVR）的背景抑制方法。该方法对红外目标图像进行NSCCT,然后根据其系数的相关特性去噪,从而抑制了大部分背景杂波;采用Gaussian小波SVR对去噪后的红外目标图像进行处理得到预测图像,并用去噪后图像减去预测图像得到残差图像,即背景抑制结果。针对红外目标图像进行了大量实验,并与近年来提出的3种背景预测方法,即基于最小二乘支持向量回归（LS-SVR）、基于SVR及基于最小二乘的红外目标图像背景抑制方法进行了比较,结果表明所提出的方法去噪效果好,背景抑制性能更优。针对存在背景干扰和噪声情况下的红外目标图像背景抑制问题,提出了一种基于复无下采样轮廓波变换（NSCCT）和Gaussian小波支持向量回归（SVR）的背景抑制方法。该方法对红外目标图像进行NSCCT,然后根据其系数的相关特性去噪,从而抑制了大部分背景杂波;采用Gaussian小波SVR对去噪后的红外目标图像进行处理得到预测图像,并用去噪后图像减去预测图像得到残差图像,即背景抑制结果。针对红外目标图像进行了大量实验,并与近年来提出的3种背景预测方法,即基于最小二乘支持向量回归（LS-SVR）、基于SVR及基于最小二乘的红外目标图像背景抑制方法进行了比较,结果表明所提出的方法去噪效果好,背景抑制性能更优。     

基于局部窗口的红外弱小目标检测方法

在分析红外图像中弱小目标检测方法的基础上,提出了一种基于局部窗口检测红外弱小目标的新方法。该方法利用图像的局部信息预测背景,直接根据当前像素点与背景像素点的灰度差及固定的分隔阀值检测目标,可以在低信噪比、强度变化剧烈的图像中获得较高的检测率与较低的虚警率。实验结果表明了该算法的有效性。     

基于LS-SVM的装备研制费用建模与分析

应用最小二乘支持向量机原理建立基于最小二乘支持向量机的装备研制费用预测模型，利用LS—SVM方法对装备研制费进行预测步骤包括样本数据准备、模型训练学习、训练结果评估等循环过程，然后应用实例进行预测与分析。结果表明采用最小二乘支持向量机进行装备研制费用预测，所需样本量少、预测精度高、泛化能力强。     

LS-SVM的矩形窗算法及其在非线性系统建模中的应用

最小二乘支持向量机是支持向量机的一种重要方法,但该方法不能用于在线辨识,并且可能导致计算膨胀问题.将最小二乘支持向量机与矩形窗算法相结合,可形成最小二乘支持向量机的矩形窗算法.由于该方法采用了在线递推,可有效克服坏数据对参数估计的影响,并可避免计算膨胀问题,提高了最小二乘支持向量机的计算速度.最后将该方法应用于非线性系统的建模中,仿真实例验证了该方法的有效性.     

基于图像行相关空中目标实时检测算法

针对复杂背景中弱小目标的侦测问题,提出一种弱小目标去背景检测的新方法。通过对图像做灰度反转,根据图像相邻行之间的相关性做去除背景的预处理,并计算图像中灰度值最大的像素点,得到目标的位置坐标,并对实拍的空中弱小目标视频图像进行实验验证。实拍的视频图像证明：该方法可对弱小目标进行检测,且检测速度快、抗噪声干扰性能强。     

基于LS-SVM的飞机部件故障率预测

支持向量机具有完备的统计学习理论基础和学习功能。它用核函数建立预测模型,再用已知数据为学习样本训练学习机,用检验样本进行验证、预测系统未来故障。最小二乘支持向量机(LS-SVM)采用最小二乘线性系统作为损失函数,函数估计精度高、收敛速度快。基于支持向量机的多层参数寻优、等维信息一步预测和不等维信息多步预测,可用于飞机状态评估、故障诊断和参数预测以及故障率分析。     

基于差分进化支持向量机的作战效能评估方法

武器系统作战效能的评估具有重要意义。针对作战效能评估过程中影响因素复杂、小样本、非线性等问题,引入基于最小二乘法的支持向量机回归算法,用于作战效能的学习与预测。为了提高预测精度,引入差分进化算法进行支持向量机的参数优化选取。以地地导弹武器系统效能为例,分别采用 BP神经网络算法、经典支持向量机算法与本文算法进行仿真计算,结果表明差分进化支持向量机算法可很好地实现武器系统作战效能评估,具有较好的计算精度。     

基于红外图像的尾焰边缘检测

针对红外目标的成像背景具有非平稳性、相关性和复杂性等特点，提出了一种改进的二值化图像分割算法，结合Canny算子边缘检测对红外目标进行了有效分割，得到感兴趣目标区的最佳边缘检测效果。实验结果表明，用该算法对16位红外图像进行目标特征提取，算法简单，运算量小，能够有效提取目标边缘轮廓，达到了预期的效果。     

基于D-S证据理论的导弹制导控制系统的联合最小二乘支持向量机预测模型

针对导弹制导控制系统电子设备密集、各性能特征参数间相互耦合关联性强、使用传统最小二乘支持向量机（LS-SVM）预测精度不高的问题,通过分析特征参数的时间相关性与空间相关性,对传统LS-SVM进行了改进,并利用D-S证据理论在数据融合中的优势,将传统与改进的LS-SVM进行融合,建立了联合最小二乘支持向量机（ULS-SVM）预测模型。以导弹制导控制系统为例,实现了关键参数预测。结果验证了模型的合理性与有效性。     

基于LS-SVM的新机备件需求预测

为解决因新机备件历史消耗数据相对较少而给备件预测工作带来的困难,提出应用最小二乘支持向量机(least squares support vector machine,LS-SVM)回归算法来实现新机备件需求的预测.阐述了最小二乘支持向量机的基本原理,建立了新机备件需求的预测模型,选取核函数,采用LS-SVM对训练样本进行学习,对其网格结构参数进行训练,通过十字交叉验证(cross-validation)和网格搜索(grid-search)确定最优参数,利用训练后的LS-SVM对新机备件需求进行预测,并进行算例仿真.结果表明,LS-SVM在新机备件需求预测上表现优秀.     

基于SUSAN算子的红外目标检测

SUSAN算子是一种基于图像局部灰度特征的算法,利用一个圆形的模板对图像进行扫描,比较模板内部的点与模板中心点的灰度值,如果灰度差值小于一定的阈值,就认为该点与中心点的灰度相同。统计模板内部与中心点灰度相同的点的个数,与一个阈值进行比较,判断该点是否属于某个区域的边缘点,从而实现对红外目标的检测。与传统的全局阈值相比,该算法抗干扰能力较强,实时性较好,能够快速、可靠地检测出红外目标。     

具有位置信息的直方图测量图像增强方法

针对测量图像高噪声低对比度的特点,提出了一种具有位置信息的直方图均衡增强算法。将像素位置信息加入到标准直方图中,对图像进行灰度均衡处理,对背景和噪声进行适当抑制,对目标细节进行适当放大,从而克服了标准直方图均衡化增强时产生灰度合并的缺点。相对标准直方图的均衡算法,本文算法能够在增强图像整体效果的同时较好地保持图像的细节。     

基于均值偏移和卡尔曼滤波的目标跟踪方法

分析了Mean—shift难以有效地跟踪复杂背景下灰度运动目标的主要缺陷，提出了结合Mean-shift和卡尔曼滤波器的目标跟踪方法。该方法利用卡尔曼滤波器预测目标在当前时刻的起始位置，然后Mean-shift在该位置的邻域内寻找目标所处位置。同时。采用Bhattacharyya系数度量“目标模型”和“候选模型”相似程度．确定“候选模型”是否更换为“目标模型”，避免目标模型过度更新。以地物为背景的飞机目标图像序列试验结果表明该方法较原Mean-shift方法可明显提高阻挡情况下的目标跟踪稳定性。     

基于改进滤波器和图像加权局部熵的红外小目标图像处理

针对传统背景抑制方法虚警率高、检测率低的问题,提出一种基于改进滤波器和图像加权局部熵的红外 小目标图像处理方法。通过改进中值滤波对原始红外图像进行预处理,分别构建多尺度灰度差异算子、局部图像熵 算子,并将二者进行点积运算得到加权局部熵,从而能够有效地抑制背景并消除噪声。实验结果表明：该方法适应 性较好,运算效率相对传统中值滤波算法提升了20.6%,有一定的理论与工程应用价值。     

一种基于特征匹配的目标识别跟踪方法

针对复杂背景下的动态目标跟踪问题，提出了一种基于边缘检测，综合多图像特征与伺服机构位置信息进行匹配的目标识别跟踪方法。利用SUSAN算法检测边缘，提取出单帧图像中的可疑目标，依次选用灰度、目标几何、伺服机构位置信息和边界不变矩信息匹配，完成目标的识别。采用kalman预测滤波对脱靶量滞后时间进行补偿，选用目标空间位置进行多步预测，引导伺服机构跟踪。外场实验表明，该方法能有效她匹配识别出目标，并保持连续稳定的跟踪。     

单帧红外小目标检测算法研究

研究了单帧红外图像运动小目标的检测问题。首先利用数学形态学Tophar滤波对图像进行背景抑制，然后对图像进行对比度增强，针对对比度增强的同时会造成一些噪声的灰度值也得到增加的问题，采用改进的遗传算法对对比度增强之后的图像进行分割，提高目标分割精度的同时也提高了分割的速度。仿真实验结果表明了算法是有效的。     

基于YOLOv5 改进的小目标检测算法

针对传统目标检测算法存在对小目标检测的识别精度低和不稳定的问题,提出基于YOLOv5 改进的小目 标检测算法。基于卷积神经网络加入额外的检测头,采用数据增强策略并更改网络卷积步长,解决了小目标像素低、 占比小、易重叠和难以分辨等问题;同时依托真实检测场景制作一个全新的针对飞机检测的卫星影像数据集,该数 据集的待检测小目标占比达61%,飞机姿态及场景丰富,有助于客观全面地验证网络精度。将改进后的算法与原始 的YOLOv5 模型进行对比,结果表明,其平均精确率AP 值较原始YOLOv5 模型提升约3%。     

一种改进的高光谱RX异常检测方法

针对异常噪声的干扰使得RX异常检测方法效果不佳的问题,提出了一种改进的RX异常检测方法;首先,借助图像插值的思想,建立邻域像元与目标像元之间的定量关系;然后,采用正交子空间投影法（OSP）将目标像元的光谱向量正交投影到由邻域像元加权得到的光谱向量的正交子空间当中,从而实现对异常噪声的估计;最后,将目标像元的光谱向量减去噪声向量,以达到降低噪声提高检测效果的目的;以ROC曲线作为评价检测方法性能的指标,实验结果表明：改进后的RX检测方法在检测性能上明显优于原始的RX检测方法,在检测时间和检测效果上都要优于基于最大噪声分离的RX法（MNF-RX）。     

基于K-L变换的水下激光成像弱目标检测

为了解决传统利用人造目标和背景在几何构成上的差别,或者利用人造目标和自然背景在图像灰度上的差别检测人造目标的不足,针对获得的水下激光图像对比度低、目标尺寸小及背景复杂等特点.利用正交变换的去相关特性,提出了一种基于K-L变换的水下激光图像弱小目标检测与描述方法.实验仿真结果表明,此方法可实现低信杂比条件下水下激光图像弱小目标的有效检测.     

基于混合高斯模型和三帧差法的背景建模

针对混合高斯模型存在的不足,提出一种改进的基于混合高斯模型的背景建模方法。为每一个背景像素建立多维混合高斯模型,融入三帧差分法实时判定背景区域和运动区域,为背景显露区中的像素点选择较大的更新频率,并通过实验进行验证分析。实验结果表明：该方法相比高斯背景建模具有更好的环境适应性和鲁棒性,能消除背景中的“鬼影”,适用于实时的目标检测和跟踪。