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。     

一种多光谱红外舰船图像多级融合方法

针对复杂背景下多光谱红外舰船目标图像融合问题,根据不同谱段中目标与背景,杂波光谱特性的差异性,结合杂波产生随机性特点和不同谱段信息的相关性,提出了一种红外多谱段图像多级融合算法。首先根据不同谱段信息相互间关系进行融合分级,然后对同一级中图像分别进行NSCT分解,再采用基于局部能量比和基于局部能量加权的方法进行低频系数融合,采用基于尺度方差选大法进行高频系数融合,最后通过NSCT重构得到融合图像。实验结果表明,本文提出的多级融合算法有效保留目标细节信息,增加信息量,利于目标检测。     

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。