基于向量机的红外小目标检测技术研究

针对红外序列图像中弱小目标检测问题,提出了用最小二乘向量机对原始红外图像中每一像素的局部区域作灰度曲面最佳拟合,在拟合曲面上进行灰度极大值像素点位置估计,实现目标的粗定位。真正的目标取决于中心点的灰度是否高于其邻域的平均灰度。并以径向基核函数为例推导出了极值点估计所需的二阶方向导数算子。对模拟和实际图像进行了小目标检测的实验验证。结果表明,基于支持向量机的小目标检测算法具有较强的适应性。     

多尺度匹配的红外变分辨率弱小目标检测

针对云层背景下红外变分辨率小目标的成像特性,提出一种基于尺度空间理论的红外弱小目标检测方法。首先建立高斯小目标参数模型,以高斯核生成待检测图像的尺度空间,进而对尺度空间进行最佳尺度匹配,提取目标感兴趣区域（ROI）。然后构造ROI尺度自适应对比度作为检测判据,剔除虚警,实现小目标最终检测。实验结果显示,算法不仅能够准确检测目标,且可以估计目标像尺寸,同时具有较高的检测概率和执行效率。可有效地实现对变分辨率弱小目标的检测。     

基于小波核函数的LS-WSVM的故障诊断

异步电机作为一种可以进行机电能量转换的驱动设备,在日常生活中不可或缺。电机一旦发生故障,就会产生较大的维修费用,同时缩短使用寿命。为了使支持向量机的收敛速度更快、泛化能力更强,研究了基于最小二乘小波支持向量机(LS-WSVM)的电机故障诊断。对实测数据进行实验,结果验证了该方法在电机故障诊断上的优越性。     

基于径向基小波核的多尺度小波支持向量机

普通支持向量机(SVM)方法用于多尺度回归建模时不能取得满意的精度,而现有的多尺度SVM算法存在只适合均匀分布的样本并可能收敛于局部极值等问题.为解决上述问题,本文提出了一种基于径向基小波核的多尺度小波支持向量机学习算法.文中提出并证明了一种新的径向基小波支持向量核,可提高小波SVM的训练速度和逼近精度.在此基础上,通过解一个二次优化问题可求出多尺度回归建模问题的全局最优解.最终得出的多尺度回归模型能够有效地逼近多尺度信号.仿真结果验证了所提算法的有效性.     

基于向量小波变换及Fisher算法的红外弱小目标检测

提出了一种新的红外图像弱小目标检测方法;即利用向量小波的优良性质,采用恰当的预滤波器对图像进行预处理;而后对经向量小波变换得到的高频图像利用Fisher算法进行分割,最终将目标从背景中分离出来.通过理论分析和大量实验,表明了算法是有效的,并证明该算法能够快速稳定的检测出信噪比小于等于2的弱小目标.     

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Gabor小波滤波器的红外图像多尺度识别

讨论了Ｇａｂｏｒ小波滤波器理论,并利用Ｇａｂｏｒ小波滤波器的多尺度特性进行了外图像识别,还进行了计算仿真实验,实验结果表明本文算法是可行的和有效的。     

基于GLRT的红外多光谱弱小运动目标检测

针对多光谱红外图像序列中未知光谱辐射强度、位置和速度的弱小运动目标检测问题,建立了与之相应的基本框架模型.对于这种含参信号的复合假设检验问题,采用广义似然比检验(GLRT)得到了该问题的检测算子,同时利用速度滤波器组在实际应用中实现了该检测算子.从理论角度估计了该算法的虚警概率和检测概率,并通过计算机仿真验证了上述分析...     

一种红外弱小目标的检测方法

提出了一种基于小目标模型的检测方法。该算法对图像中极大值点为中心的局部区域进行能量判别,可以有效地检测出目标;对算法的性能进行了分析。实质是综合利用目标的局部对比度和空间大小两个信息,因此可以更有效地提高目标的信噪比,提高检测概率。通过对实际红外图像和仿真图像的检测实验,都证明了算法的有效性。     

基于小波多尺度图像配准的运动小目标检测

探讨了一种红外图像序列中独立运动小目标检测的新方法。通过一种鲁棒的小波多尺度图像配准过程消除主场或背景运动的影响。同时,利用改进的Fisher算法及小波变换对低频的图像进行分割,最终将目标从背景中分离出来,并对配准后分割的图像差分,获得目标运动轨迹。实验表明了该方法的有效性。     

基于小波变换的红外图像弱小目标检测研究

针对红外图像弱小点目标检测中遇到的难点,即信噪比低、帧间相对运动和强噪声干扰等问题,给出了一种帧间膨胀累积提高信噪比的方法,并且提出将l/f噪声白化和白噪声去除同步处理的新思路,大量的仿真实验证明,该方法能够很好地抑制噪声对图像的影响,大大提高信噪比,降低误检率。     

Infrared small target detection using directional highpass filters based on LS-SVM

An infrared small target detection method based on the least squares support vector machine (LS-SVM) is proposed. The LS-SVM model is applied to generate a row and a column directional highpass template filters. By filtering the original infrared image with the two templates, respectively, and fusing the two filtered images, the possible small target can be extracted. Experimental results demonstrate that the presented method is robust and efficient.     

基于局部多尺度低秩分解的红外小目标检测算法

针对红外低秩块模型计算复杂度大,容易误判等不足,提出了一种更加有效的红外小目标局部多尺度低秩分解检测算法。该算法首先利用非下采样金字塔变换对红外小目标图像做多尺度分解;接着,将分解出的高频子带进行融合,通过融合后的高频信息提取出目标感兴趣区域;最后,利用红外小目标背景的非局部自相关性质对感兴趣区域进行分块,并对各块进行重新排列构成一个新的矩阵;最后,对该矩阵做低秩分解,提取出红外小目标。实验结果表明,与其他低秩分解类方法相比,所提出算法速度更快,提取效果更好,是一种性能优越的方法。     

基于多尺度局部方差的海面红外舰船检测

方差可以表示局部区域中各像素之间的关系：一般情况下,不同的像素相同的邻域大小计算出的方差不同,相同的像素不同的邻域大小计算出的方差也不同。本文构造多尺度局部方差,来计算每个像素的方差随尺度变化的情况。目标像素与其邻域像素的方差随尺度变化大,背景像素与其邻域像素的方差随尺度变化小;最后运用行列投影求出方差变化大的像素作为检测结果。实验结果表明,本文算法可以有效减弱背景中各种干扰的影响,正确检测出红外图像中舰船目标的位置。     

基于核距离加权的k-最近邻红外小目标检测

城市复杂背景边缘给空中红外小目标检测带来的非线性、非平稳热辐射信号影响严重。在采用k-最近邻分类判别决策的基础上,提出了一种基于核距离加权的k-最近邻红外小目标检测算法。该方法将每个预测窗口内的原始数据核映射到高维空间中进行分类,再对各近邻进行距离加权,遍历图像后得到预测结果。实验结果证明了该方法在抑制背景、增强目标方面都有较好的效果。     

基于小波变换和改进Top-Hat滤波的红外小目标检测

提出了一种基于小波变换与改进Top-Hat滤波的有效地红外小目标检测算法。该方法首先对红外图像进行单层小波分解,分别得到近似、水平、垂直和对角四个分量;接着,对近似分量进行改进Top-Hat滤波,并将滤波结果与原近似分量进行差分,得到差分图像,将其再与水平分量进行融合形成新的近似和水平分量。同时将垂直和对角分量的小波系数置零,进行小波重构。最后,为了进一步凸显红外小目标,采用了基于直方图的灰度变换方法对重构图像进行增强。实验结果证明本文所提出的算法能准确地检测出红外小目标,且鲁棒性较好。     

基于双树复小波变换的红外小目标检测算法

双树复小波分析是一种有效的图像处理方法,但是将其直接应用于红外小目标检测时,由于其对图像中的高频信息特别敏感,无法在保留目标的同时有效地滤除噪声。论文充分利用双树复小波方法方向性好的优点,并针对其高频敏感问题,提出了一种基于双树复小波变换与图像熵的红外小目标检测算法,从而能够有效去除图像中的杂波,同时凸显出小目标。该算法首先对原始图像进行双树复小波分解,将其低频子带置零,并利用高频子带进行双树复小波重构;接着,对重构后的图像进行二次双树复小波分解,并采用改进的Top-Hat算子对分解后的低频子带进行滤波,同时保留分解后±15°方向的子带,并通过高通滤波对其进行处理;之后,将滤波后的低频子带图像与原低频子带图像进行差分,得到低频差分图像;最后,利用低频差分图像与滤波后的高频子带图像进行红外图像重构,并通过局部图像熵进行加权,从而提取出红外小目标。实验结果表明,与对比算法相比,本文算法在BSF与SCRG方面表现优越,可以有效抑制背景中的杂波并提高小目标的信杂比。     

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。     

基于区域梯度信息的红外小目标检测

红外小目标检测一直是红外图像处理的难点之一,由于多种因素的影响,红外小目标容易被覆盖。分析红外图像特征,采用形态学对图像进行背景噪声抑制,在去除大部分噪声的情况下,首先利用灰度信息确定目标点的位置,然后利用区域梯度信息进而确定目标尺寸大小,对仿真图像进行处理并与K均值聚类法和形态学算法进行比较。实验结果表明:在低噪声情况下,三类算法均能有效地进行小目标检测,但在噪声复杂,信噪比较低的情况下,K均值聚类法未能检测出目标,形态学算法产生了多个虚警,而该算法依然能有效检测出小目标。     

基于改进加权核范数的红外弱小目标检测

针对传统基于鲁棒主成分分析(RPCA)的红外弱小目标检测算法对噪声不敏感,算法运行时间长,鲁棒性不强的问题,提出一种重加权红外小目标图像模型,并用非精确增广拉格朗日乘子法(AIALM)求解。该方法首先将原始红外图像转化为红外块图像模型,然后采用重加权核范数对背景块图像进行约束,较好地保留了背景边缘。针对单纯使用l1范数不能抑制某些噪声或杂波的问题,引入了加权l1范数,进一步增强了目标图像的稀疏性。最后,将红外块图像模型转化为重加权RPCA问题,并用AIALM求解。通过大量实验表明:该算法在抑制背景杂波以及目标检测性能方面要优于其他传统算法。