基于背景杂波自适应预测的红外弱小目标检测

文章根据背景杂波和运动目标的红外成像差异,提出了两种自适应杂波预测技术的低 信噪比小目标检测方法。首先讨论了一种基于均方误差最小的自适应线性预测器,该预测器计算量小,易满足实时要求,且对平稳和线性云层红外背景图像具有很好的背景预测能力。然后提出了一种基于非线性函数可调整的BP 神经网络预测器,该预测器中的非线性函数可调整且非线性程度很高,能很好的适应各种复杂的起伏背景,特别是非平稳和非线性杂波背景。文中还通过实际的红外图像验证了两种方法的有效性。     

云杂波背景下红外弱小目标的改进检测算法

根据目标和背景的时域特性,建立了不同像素类型的时域模型。提出了一种基于时域廓线的云杂波背景下红外弱小目标的一种改进算法。首先,采用基于时域方差滤波预处理方法,滤除平稳背景;然后采用基于时域廓线的目标检测方法,根据时域剖面线上的拐点值变化,转化为大小相当的正负脉冲来检测目标。理论分析和实验结果表明,文中算法对于不同云杂波背景具有广泛的适应性。     

空时自适应杂波分类抑制与弱小运动目标检测

提出了一种新的方法应用于一类重要的高维信号检测问题:在强杂波干扰下检测数字图像序列中位置和速度未知的弱小运动目标.通过对输入序列时域灰度矩进行学习,将像素分成两类———静杂波和动杂波.分别对其采用非参数时域滤波和LS自适应滤波进行去除,从而将原始数据转化为准SPGWN模型.杂波抑制后,根据单帧多像素目标模型假设,采用在空、时域联合集成信号能量的检测算法,能有效地改善信噪比并且有利于实时实现.理论分析和对真实数据的大量仿真试验验证了本方法的有效性.     

基于形态学滤波的红外弱小目标背景抑制

针对红外弱小目标检测中的背景抑制问题进行研究.首先对形态学滤波中结构元进行改进,提出一种组合型结构元,然后结合线性滤波和非线性滤波技术,对受背景杂波和随机噪声影响的图像采用低通滤波与改进型形态学滤波相结合的方法进行背景抑制.对比实验结果表明,该方法比低通滤波和标准形态学滤波算法在低信噪比环境下具有较大优势,较好地实现了对背景杂波的抑制和目标信号的保持,显著提高了图像信噪比.     

基于局域概率分布的红外弱小目标检测

利用局部范围内的灰度差在局域灰度概率分布图上对弱小目标进行检测,然后利用小目标的运动特性对伪目标进行剔除,从而检测出真实的弱小目标。仿真实验表明,该方法能有效地将红外弱小目标检测出来,且有着良好的实时性。     

基于YOLO-IDSTD算法的红外弱小目标检测

针对复杂背景下红外弱小目标难以准确快速检测的问题,提出了一种红外弱小目标轻量化实时检测网络模型YOLO-IDSTD。首先,为提高检测速度,重新设计了特征提取部分的网络结构,并在输入层后使用Focus模块以减少推理时间;其次,为增强检测能力,特征融合部分采用路径聚合网络,添加了改进的感受野增强模块;最后,目标检测部分增加至四尺度检测。在红外弱小目标数据集上进行的对比实验表明,相较于经典轻量化模型YOLOv3-tiny,文中提出的模型召回率提升了7.57%,平均检测精度提高了1.92%,CPU推理速度提升了36.1%,可较好地兼顾精度和速度,计算量与参数量明显减少,模型尺寸压缩至7.27 MB,减少了对硬件平台运算能力的依赖,实现了红外弱小目标准确又快速的检测。     

基于粗糙集的红外弱小目标检测方法

提出了利用粗糙集理论处理不完整信息的能力对红外弱小目标的运动轨迹进行辨识的检测方法。首先利用形态学滤波算法,分离出每帧图像中候选目标并提取其特征属性。把提取到的特征属性作为条件属性,把每帧图像中候选目标作为个体,构成知识决策系统。通过对决策表进行约简,得到决策系统的最小决策算法,并利用序列图像中目标运动的连续性和轨迹一致性来实现小目标的识别。实验表明,该方法能够有效解决目标跟踪过程中目标短暂丢失以及重现的问题,实现弱小目标的稳健检测和跟踪。     

基于FPGA的红外弱小目标检测算法

传统的红外弱小目标检测算法一般采用DSP(digital signal processing)处理器实现,算法复杂且实时性差,本文提出了一种基于FPGA(field programmable gate array)的自适应阈值的FAST(features from accelerated segment test)算法对红外弱小目标进行检测,利用FPGA并行处理的特点,采用流水线设计实现了算法的硬件加速.改进的自适应阈值方法可以根据不同的环境生成合适的阈值,避免了由于阈值选择不当造成的红外弱小目标的丢失或冗余.最后采用4组不同的实测红外图像进行实验,结果表明:该算法能实时地检测出红外图像中的弱小目标,并且能够取得较高的检测率和较低的虚警率,满足实时性和有效性的要求.     

基于时域信噪比的红外弱小目标检测

复杂背景下红外弱小目标检测与追踪技术一直是遥感成像应用领域一项复杂而艰巨的课题。利用高帧频红外面阵成像系统采集到图像的强帧间相关性特征,设计了一种多帧累加的时域信噪比的弱小目标检测方案。同时利用目标运动的连续性,采用多帧确认的方法关联目标,输出真实目标运动轨迹。实验结果表明,算法在vs2013上运行的平均运算时间为23 ms,检测到的目标最低信噪比为2.91,同时对多目标的检测具有较强的适应性。     

红外弱小目标检测方法综述

红外弱小目标检测系统可灵活部署在不同的平台中,在红外预警、制导等领域具有重要实用价值。但是,由于复杂场景下存在信噪比低、背景变化剧烈等问题,导致复杂背景下的红外弱小目标检测非常困难,一直是目标探测领域的研究难点和研究热点。根据红外图像数据使用方式的不同,将现有目标检测方法划分为单帧型（含局部信息类与非局部信息类等）和多帧型（含关联校验类与直接求取类等）两大类,并分别进行了简要梳理,分析了不同方法的原理、优势及不足。最后,对本领域的发展趋势做出了预测。该工作既可以帮助初学者快速了解本领域的研究现状和发展趋势,也可作为其他研究者的参考资料。     

基于时空域滤波的红外弱小目标背景抑制

在红外成像探测系统中,对红外图像背景进行有效的抑制是准确检测出弱小目标的前提条件.基于目标在空域局部灰度稳定和时域运动连续的约束,提出了一种基于时空域滤波的红外弱小目标背景抑制新方法.首先,利用引导滤波保存图像细节和时域偏微分方程提取图像中突变区域的优势,实现对图像空域与时域中平稳和强起伏不同特征复杂背景进行抑制处理;然后,将时空域背景抑制结果利用相与操作算子处理完成对高度类似弱小目标信号的剔除;最后,为恢复前期抑制结果中丢失的目标信息,利用时空域融合结果作为引导图像进行进一步优化处理,得到最终背景抑制结果.仿真实验采用两组低信杂比运动弱小目标红外图像序列进行方法验证,并将该方法与几种背景抑制方法进行了比较,实验结果表明:该方法无论从主观视觉还是客观评价指标上均优于其他几种方法.     

基于奇异值分解的红外弱小目标背景抑制

复杂背景的抑制是红外弱小目标检测技术的一个难题.为解决这个问题,提出了基于奇异值分解的背景抑制算法.从矩阵的角度出发,通过对原图像进行奇异值分解,将包含弱小目标信息的图像矩阵分解到一系列奇异值和奇异值矢量对应的子空间中,然后通过定义的偏差指数所确定的有效的奇异值来重构图像,从而达到背景抑制的目的.与二维最小均方误差算法比较,实验结果显示,该算法对红外弱小目标复杂背景从主观视觉和数值指标都具有良好抑制效果.     

基于小波变换的红外弱小目标检测新方法

研究了红外序列图像中弱小目标的检测.对图像序列进行小波变换,利用目标小波变换的特性,对单帧小波变换后的各高频分量进行累加,利用门限处理并通过与一个与管道得到包含候选目标点的图像,最后利用目标运动的连续性,进一步检测,得到目标点的位置.实验结果表明,该方法能有效地检测红外弱小目标.     

基于聚类思想的红外弱小目标检测

针对复杂背景下尺寸未知的红外弱小目标检测难题,一种基于聚类思想的红外弱小目标检测方法被提出。首先,利用小目标形态学特征对原始红外图像进行预处理,生成新的密度特征图。其次,使用改进的密度峰聚类算法对潜在候选目标进行粗定位。然后,针对潜在目标的局部候选集,采用加权模糊集聚类算法对局部候选集进行目标与背景区域的精细分割,利用目标与背景之间的差异性在增强目标的同时抑制虚警。最后,对处理后的局部候选集进行自适应阈值提取真实目标。实验结果表明,与7种对比算法相比,该算法对尺寸未知的小目标具有良好的鲁棒性和检测性能。     

基于全卷积神经网络的红外弱小目标检测

为解决传统红外弱小目标检测虚警率较高的问题,提出了一种基于局部均值差分和深度神经网络的红外弱小目标检测算法。首先,利用改进的局部均值差分算法从输入图像中提取候选目标区域;然后设计了基于全卷积神经网络的分类器对候选区域进行判别。网络中引入了参数化非线性激活层,有助于提升网络的分类性能。实验表明该文算法对典型天空和地面背景下红外弱小目标的准确率和召回率分别达到了100%和99.6%,明显优于传统算法。     

基于纹理模型的红外图像弱小目标检测

针对红外图像中弱小目标的检测问题，提出了一种基于图像背景纹理分析的检测方法，利用二阶高斯－马尔柯夫随机场（ＧＭＲＦ）模型对背景纹理进行描述，并采用最小平方误差方法进行参数估计，将估计参数作为纹理的特征向量。     

基于红外弱小目标门限阈值检测的新方法

针对复杂背景下,红外弱小目标灰度值可能小于背景噪声,此时单门限检测结果会出现去噪不理想或易丢失目标的情况,本文提出空域检测阶段,在自适应门限阈值之后再加入一个简单控制模块的方法,根据门限滤波的结果,分情况将在门限滤波中丢失的可疑目标以及尖锐噪声信号利用它在灰度直方图中为陡峭信号的特点再次检测,最终通过时域检测找到目标轨迹.     

基于小波变换的红外弱小目标检测新方法

针对小波变换不能涉及过多尺度的问题,分析了边缘类型对小波多尺度边缘提取的影响.结合红外目标图像对比度低,噪声大,灰度缓慢变化的特点提出基于Canny算子的梯度相位法.梯度相位法认为边缘不只是在灰度发生突变的地方存在,如果某个区域,灰度沿某个方向缓慢变化,这个区域也存在边缘,只不过可以认为边缘比较粗.经试验此方法对红外图像的小波多尺度边缘提取的质量有明显提高.     

基于SCNN的红外弱小目标检测算法研究

提出了基于结构化特征卷积神经网络(Structural Feature convolution neural network,SC-NN)的红外弱小目标检测算法.通过将红外弱小目标结构化特征引入CNN网络中,去除CNN网络的池化层、改变卷积扩展性、并加入分层融合机制,克服了CNN会损失小目标本身的信息和无法检测弱纹理小...     

基于多向背景预测的红外弱小目标检测

杂波背景中的弱小目标检测是红外图像处理中的一个重要问题。普通的二维滤波背景预测方法可以用来检测图像中的小目标,但是也存在对复杂场景的适应性差,杂波边缘虚警高的问题。通过分析二维最小均方滤波背景预测算法的方向特性,在对图像四邻域滤波残差进行像素级加权融合后,得到了一种基于多方向融合自适应滤波背景预测的弱小目标检测方法。对构造图像和实际红外云杂波场景中的小目标检测仿真表明,该方法对不同背景适应性较强,在保持目标检测概率的同时显著抑制了杂波边缘虚警,有效提高了杂波背景中小目标的检测性能。