一种基于显著性的红外弱小目标检测方法

红外弱小目标检测是目标识别等领域的研究热点。考虑到红外弱小图像中目标信噪比较低,且成像目标的尺度变化较大,构建一种同时考虑局部显著性特征和全局显著性特征的红外弱小目标检测框架。构建一种基于多尺度卷积核的显著性目标检测算法,将该算法与谱残差算法分别进行显著图计算;在得到局部和全局显著图后,采用形态学方法进行显著图的融合以及自适应阈值方法进行二值分割。在给定的公开数据集上的实验结果表明,该方法相对于基准的显著性算法,在目标检测的准确性和虚警率上均有明显优势。     

基于多特征融合与粒子滤波的红外弱小目标跟踪方法

研究低信噪比复杂背景下的红外弱小目标检测和跟踪问题.基于多特征融合的小目标检测算法具有较好的检测性能和适应性,而粒子滤波则是一种处理非线性和非高斯动态系统状态估计的有效方法.结合两种算法的优点,提出了一种基于多特征融合与粒子滤波的红外弱小目标跟踪方法.仿真试验表明,与单特征跟踪算法相比,该算法对复杂背景下的红外弱小目标具有更好的跟踪与检测性能.     

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。     

红外弱小目标检测方法综述

红外弱小目标的检测对于精确制导武器的发展与反导体系作战具有重要意义。对当前红外弱小目标的检测难点进行了深入的分析。根据红外弱小目标的两种主要检测方式,对目前的主要检测理论和检测方法进行了全面的归纳总结,分析了各方法的适用情况及优缺点,并讨论了红外弱小目标检测领域的发展方向。     

基于时空域融合的红外弱小目标检测新方法

针对复杂背景下红外弱小目标的检测问题,提出一种基于时空域融合的检测方法。在空域上．通过灰度形态学Tophat变换抑制背景、增强目标;在时域上．对红外图像序列连续四帧进行沿时间轴一维小波变换,实现目标和背景的分离。然后对时空域融合的目标增强图像进行自适应阈值分割来提取弱小目标。实验结果表明。该方法能有效地检测运动红外弱小目标。     

一种适用于多场景的红外弱小目标检测跟踪算法

红外弱小目标检测一直是军事领域研究的热门问题。本文提出了一种基于图像复杂度和显著性帧间差分的更为精确且高效的红外弱小目标检测跟踪算法。该算法整体框架包含预处理模块、检测模块、跟踪模块三部分。通过预处理对红外图像中的无效像元进行补偿;对不同红外场景进行判断,选用N-P准则直接检测或基于显著性帧间差分法检测目标;实时探测成像范围内背景的移动量、对已检出的目标运动轨迹做出连续性判断,能补偿检测所无法消除的虚警及漏警。选用四组不同场景的数据集进行测试,在目标形心真值3×3范围内的检测率为98.2%,检测失败率(检测出目标形心在其值9×9外)为0.01%,表明该算法能快速实现对各类背景下的目标跟踪检测,并有较高的适应性、准确率。     

基于YOLOv3的复杂环境红外弱小目标检测

在复杂环境的红外弱小目标检测问题中,传统算法大多需要对红外目标进行特征增强、背景杂波抑制等预处理工作,算法检测准确率低,控制参数较多。通过对红外目标特性进行分析,本文构建了基于深度学习的复杂环境红外弱小目标检测算法。算法以单阶段目标检测网络YOLOv3为基础,简化处理流程,显著提升对红外弱小目标的检测精度。在红外弱小目标数据集的测试中, YOLOv3较实验对比的方法在检测准确性上具有明显的提升,其平均准确率(AP)可达99.5%以上,验证了算法对红外弱小目标检测的有效性。     

基于粒子滤波的目标图像多特征融合跟踪方法

研究了序列图像中红外弱小目标的检测跟踪问题.基于多特征融合的小目标检测算法具有较好的检测性能和适应性,而粒子滤波则是一种处理非线性和非高斯动态系统状态估计的有效方法.结合两种算法的优点,提出了一种基于粒子滤波的目标图像多特征融合跟踪方法.从红外序列图像中提取了局部灰度均值对比度、局部梯度均值对比度、局部熵和灰度分布四个典型特征,根据各个特征对弱小目标检测的贡献,自适应地进行特征融合.在粒子滤波的框架下,将融合后的特征信息转化为粒子的权值,对红外弱小目标进行跟踪.仿真试验表明,该算法有着良好的检测与跟踪性能.     

复杂背景下红外弱小目标图像增强算法

针对红外弱小目标图像人工识别困难的问题,提出了一种基于模糊C均值（FCM）聚类技术的红外图像增强算法。该算法首先对红外图像进行聚类分析,然后将各类分别赋予不同的灰度值,从而增大目标边缘梯度。实验结果表明,此算法能够在确保不损失目标信息的前提下,最大限度地增强弱小目标图像。     

一种基于差帧图像融合的弱小目标增强方法

为了能够在小目标检测时更加容易和准确的检测出弱小目标,提出了一种基于差帧图像融合的弱小目标增强算法,该方法首先对视频相邻帧进行差帧处理,然后对差帧结果进行图像融合,最后把融合结果与原视频帧图像的低频分量进行差分运算获得增强图像.实验结果表明该方法的正确性,实现了对弱小目标的有效增强.     

基于多尺度局部对比度和多尺度梯度一致性的红外小弱目标检测算法

针对复杂背景和强杂波干扰下红外小弱目标检测虚警率高的问题,提出了一种基于多尺度局部对比度方法与多尺度梯度一致性方法的红外小弱目标检测算法。利用多尺度局部对比度方法对红外图像中红外小弱目标进行增强,利用多尺度梯度一致性方法剔除复杂背景和强杂波干扰造成的虚警。从信噪比（SNR）增益、平均残留背景绝对值、检测率、虚警率及ROC曲线方面将新算法与max-mean算法、max-median算法、top-hat算法、IPI算法及MGDWIE算法进行了对比。实验显示：新算法相较于对比算法具有更高的SNR增益、更低的平均残留背景绝对值、更高的检测率及更低的虚警率。对比结果表明：新算法在复杂背景和强杂波干扰下具有良好的红外小弱目标检测准确性和鲁棒性,有效改善了复杂背景和强杂波干扰下红外小弱目标检测虚警率高的问题。     

基于数学形态学和小波融合的红外图像去噪

为了提高红外成像制导导弹的制导效果,必须要提高导弹摄取到的红外图像的质量,这就需要去除图像中的躁声,文中针对传统去躁方法如图像平滑、中值滤波、小波分析等去躁效果都不理想的情况,提出将数学形态学和小波融合相结合对图像进行去躁处理,并进行仿真运算。结果表明,采用基于数学形态学和小波融合的方法对图像进行去噪处理,其效果明显好于传统的图像去噪方法。     

基于鲁棒主成分分析的红外图像小目标检测

鲁棒的小目标检测是红外目标搜索与跟踪的关键技术,提出一种改进的单帧红外图像小目标检测算法。该方法将原始红外图像通过预处理变换到新的红外块图像模式,在红外块图像上,将红外图像小目标检测问题转换为低秩矩阵和稀疏矩阵分离的鲁棒主成分分析(RPCA)问题。考虑到红外图像中噪声和杂波的存在,用交替方向方法求解带噪声的RPCA问题,获得稀疏目标图像,并对获得的稀疏目标图像采用简单的图像分割算法进行目标检测。对空天、海天、天云、海面4种不 同场景的红外图像小目标检测,进行仿真实验,结果验证了所提出算法的有效性。     

基于时空域融合滤波的红外小目标实时检测算法及其多C64x的设计与实现

针对红外图像序列中的小目标实时检测问题。文中提出一种基于时空域融合滤波的小目标检测算法。首先介绍了时空域融合滤波检测算法的基本原理，然后根据算法的特点提出了它在多TMS320C6416上的并行流水线实现方法，最后给出并分析了算法软件仿真结果和硬件平台设计。实验结果表明该方法可以快速可靠地检测出低信噪比红外图像序列中的小目标，从而有效地验证了本系统的实时性及适用性。     

一种基于图像特征的红外与可见光图像融合算法

首先分析了红外与可见光图像的特征,在此基础上提出了一种基于图像特征的图像融合算法,充分利用红外波段和可见光波段图像特征的互补性,达到便于观察的目的,仿真结果表明该方法能取得比较好的融合效果。