应用LSD和聚类的海天/岸岛线检测算法

红外图像舰船目标检测中,目标通常位于海天/岸岛线附近,预先检测出海天/岸岛线,确定舰船目标的潜在区域,可减少目标检测过程中的搜索范围,降低数据处理量,提高检测速度。针对传统的海天/岸岛线检测算法对不同背景图像适应性差的问题,分析了海天/岸岛线特征,提出了应用LSD线段检测算法和聚类的海天/岸岛线检测算法。首先通过LSD线段检测算法获取图像中局部直线轮廓,然后通过K-均值聚类获取潜在海天/岸岛线区域,最后通过分析潜在海天/岸岛线区域纹理特征确定真实的海天/岸岛线位置。实验结果表明,该方法对多种背景下海天/岸岛线检测适应性强,检测精度高。     

前视红外图像中海岸线与海天线的通用检测方法研究

海岸线与海天线检测作为前视红外成像型反舰导弹末制导技术中的关键技术,通常会受到岛岸、云层、亮带、条状波浪等多种因素干扰。为解决这一问题,提出了一种海岸线与海天线的通用检测方法。对原始图像构建积分图像,采用箱式滤波器来增强海岸线与海天线的边缘特征;逐行滑动统计矩形区域内像素的梯度显著性来确定海岸线与海天线潜在区域,通过潜在区域内逐列寻找显著性最大值点,并对所有的最大值点进行多项式迭代拟合,获得海岸线与海天线的准确位置;基于实际采集的前视红外海面场景图像对该方法进行了验证和分析。结果表明,通用检测方法能够克服岛岸、云层、亮带、条状波浪等复杂背景的干扰,实现海岸线与海天线的检测,场景适应性强,实时性好。     

基于SURF 与BRISK 的遥感图像配准

针对SURF算法在构建局部特征描述符阶段耗时过长的问题,提出一种基于BRISK二进制特征描述符的改进SURF算法。应用SURF算法中快速DoH(determinant of hessian)算子检测特征点并确定主方向,采用BRISK描述符进行特征描述,通过匹配阶段采用汉明距离双向匹配和RANSAC算法剔除误匹配,并利用最小二乘法获取精确配准模型完成图像的配准。对比实验结果表明：该算法大幅提高了匹配速度,其匹配性能也超越了原SURF算法,能够较好地完成遥感图像配准。     

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。