基于Nonsubsampled Contourlet变换的SAR图像形状特征检索

Nonsubsampled Contourlet变换是一种非抽取得具有平移不变性的多尺度多方向的变换。将Canny算子和Nonsubsampled Contourlet变换(NSCT)[1]相结合,对图像运用Canny算子[2]提取边缘特征,再进行Nonsubsampled Contourlet变换,引入了三阶中心矩作为特征向量提取形状特征的算法。实现了基于Nonsubsampled Contourlet变换的图像形状特征检索,并将结果与基于2-D小波变换和基于Contourlet变换的图像形状特征检索作了比较,实验结果证明该方法的图像形状特征检索效率有较大的提高。     

基于Contourlet域K-L变换的SAR图像相干斑抑制

针对SAR图像相干斑噪声去除问题,提出了一种基于多尺度分解的Contourlet域K-L变换的SAR图像去噪的新方法。方法首先对源图像进行Contourlet分解,在不同频段的子带图像中,利用K-L变换进行能量保持即提出信号的主要特征,用重构图像来进行去噪,最后通过Contourlet逆变换得到去噪之后的图像。在SAR图像上的实验结果表明,方法不仅较好地保持了图像的纹理和细节特征及边缘特征,且信噪比也较高。     

基于多尺度自适应稀疏字典的小弱目标检测方法

针对单尺度固定函数的滤波器难以有效剔除杂波和提高小弱目标检测性能的不足,文中研究建立多尺度自适应稀疏字典,提出了一种多尺度自适应形态稀疏字典检测小弱目标方法。首先根据图像信号内容建立多尺度自适应形态稀疏字典,并将图像信号在多尺度稀疏字典中进行稀疏分解;然后在分析小原子稀疏表示系数的基础上建立稀疏表示系数直方图,并利用指数函数拟合小尺度原子的稀疏表示系数直方图;最后,根据指数函数拟合参数在杂波、噪声和目标表现出的差异检测小弱目标。该多尺度稀疏字典利用大尺度原子描述图像背景杂波,小尺度原子捕获图像细小特征。实验结果表明,与小波算法和Contourlet 算法相比,文中方法能更为有效地抑制背景杂波,减少背景残留,从而提高小弱目标检测性能。     

基于纹理特征和数学形态学的SAR图像目标检测方法

SAR图像目标检测是SAR图像解译的基础。针对含有目标的SAR图像,利用垂直方向的边缘纹理检测方法对预处理后的图像进行垂直边缘检测,再运用数学形态学中的腐蚀运算和膨胀运算对垂直方向边缘图进行虚警滤除处理,从而得到感兴趣的目标检测区域。详细地给出了SAR图像目标检测步骤,并将本方法与其他方法的检测结果进行了比较,实验结果表明,在均匀杂波背景与非均匀杂波背景下,该方法能够快速有效地实现SAR图像目标检测。     

联合NSCT和SVD方法的红外弱小目标复杂背景抑制

复杂背景抑制是天基红外预警系统中红外弱小目标探测技术的一个关键环节。为降低复杂背景下杂波干扰,提高目标检测精度,利用非下采样轮廓波变换(NSCT,non-subsampled contourlet transform)的多尺度分解及多方向分解特性以及图像矩阵奇异值分解(SVD,singular value decomposition)不同奇异值代表图像不同能量信息的特点,提出了联合NSCT和SVD的红外图像背景的抑制方法。首先依据非下采样轮廓波变换思想对红外原始图像进行多尺度多方向分解,得到与原始图像同样大小的不同尺度和不同方向上的子带图像,然后,利用奇异值分解的中序部分奇异值调整各子带图像矩阵系数以区分目标和背景杂波,最后对调整后各子带系数组成的矩阵施加NSCT逆变换,最终获得抑制背景处理后的图像。对比实验表明,该方法能够在低信噪比环境下有效抑制复杂背景及边缘,突显目标,降低虚警率。     

采用剪切波变换的红外弱小目标背景抑制

提出了一种将剪切波变换与贝叶斯统计机理相结合的背景抑制新方法来解决红外搜索跟踪系统探测复杂空中和地面背景杂波中的弱小目标这一难题.根据红外图像中目标和背景杂波的不同分布特性,首先,采用剪切波变换对原始红外图像进行多尺度和多方向分解,获得原始图像的多尺度和方向细节特征,然后,通过应用高斯尺度混合模型进行处理,从而将红外图...     

基于局部能量的NSCT域红外与可见光图像融合算法

提出了一种基于非下采样Contourlet变换(NSCT)的红外与可见光图像融合方法。首先对红外和可见光源图像进行多尺度、多方向分解;在低频系数上,采用基于局部能量比与基于局部能量加权相结合的方法进行融合;在高频系数上,定义了局部尺度方差的概念,并以局部尺度方差为测度进行取大融合;最后对融合系数进行重构得到融合图像。使用该算法对两类不同目的的红外与可见光图像进行了融合实验,实验结果表明,文中提出的算法在保留图像细节信息、增加信息量、方便目标检测方面都有显著地提高。     

基于非下采样Contourlet变换的SAR图像增强

该文基于非下采样Contourlet变换(NSCT)和SAR图像的统计特性,提出一种SAR图像增强方法,给出一种基于非下采样塔型分解的斑点噪声方差估计算法和一种基于方向邻域模型的弱边缘增强算法。该文在不同方向子代进行斑点方差估计,利用局部方向统计信息对NSCT系数并进行强边缘、弱边缘和噪声分类并进行弱边缘的增强和噪声的抑制。实验结果表明,该方法在方向信息保留和斑点抑制上优于非下采样小波变换(NSWT)相应方法。     

一种基于非采样Contourlet变换红外图像与可见光图像融合算法

针对同一场景红外图像与可见光图像的融合问题,提出了一种基于非采样Contourlet变换(Nonsubsampled Contourlet Transform,NSCT)图像融合算法.算法首先采用NSCT对源图像进行多尺度、多方向分解,得到低频子带系数和各带通方向子带系数.然后,针对低频子带系数的选择,提出了一种基于红外图像与可见光图像物理特征的"加权平均"系数选择方案;针对各带通方向子带系数的选择,结合人眼视觉特性,提出了一种基于区域能量匹配的系数选择方案,得到融合图像的NSCT系数.最后经过NSCT逆变换得到融合图像.实验结果表明该算法可获得较理想的融合图像,其融合效果优于传统的基于离散小波变换以及离散小波框架变换的图像融合算法.     

结合强化学习自适应候选框挑选的SAR目标检测方法

大场景合成孔径雷达(SAR)图像相对于通用光学图像,复杂背景杂波对目标特征提取影响更大,由于传统基于候选框的深度目标检测算法会在整张特征图上产生大量冗余候选框,因而在SAR图像复杂背景杂波影响下会产生大量的虚警,降低目标检测精度。针对该问题,该文基于Faster R-CNN检测模型,提出结合强化学习自适应候选框挑选的SAR目标检测方法。该方法能够通过强化学习自适应搜索特征图中可能含有目标的区域,并挑选搜索区域内的候选框继续进行分类、回归。通过准确搜索到含有目标的区域,可以减少复杂背景杂波的影响并减少传统强化学习应用于检测问题的计算量。所提方法利用强化学习序列决策的特点,能够根据图像信息通过强化学习迭代搜索自适应确定图像中可能含有目标的搜索区域的位置。同时,该方法通过在强化学习中使用距离约束,可以根据之前的搜索结果自适应调整下一次搜索区域的尺寸。基于实测数据的实验结果表明,所提方法能够提升传统深度学习目标检测方法的检测性能。      

复杂杂波背景下海洋SAR图像中舰船目标的检测

针对卫星SAR图像海洋背景和舰船目标特点,文献[1]提出了基于小波多分辨率分析的卫星SAR海洋图像舰船目标检测的新方法。在此基础上,本文针对不同海情杂波服从不同概率密度分布的特点,讨论了复杂杂波背景下基于小波变换检测海洋SAR图像中舰船目标的性能,给出了不同海情下的检测性能,并与传统门限检测方法比较,给出了不同信杂比下虚警概率曲线。仿真结果表明,该方法实用、有效。     

一种基于mean shift的Contourlet域SAR图像去噪方法

Contourlet变换是小波变换的新发展,具有良好的多尺度和多方向性。合成孔径雷达(SAR)图像Contourlet阈值去噪不考虑相邻像素在变换域的联系,将低于阈值的变换系数置零,会丢失图像中的细节信息。针对上述问题,文中提出一种新的去噪算法:首先,将SAR图像进行Contourlet分解;然后,利用具有良好间断点保留能力的mean shift算法处理子带系数。实验结果证实该算法能够在有效抑制相干斑噪声的同时,较好地保留图像中的细节信息。     

基于斑点方差估计的非下采样Contourlet域SAR图像去噪

 合成孔径雷达(SAR)图像固有的相干斑噪声严重影响图像质量,使得SAR图像的自动解译十分困难.本文联合SAR图像的统计特性和非下采样Contourlet对SAR图像细节信息的良好刻画能力,提出一种新的非下采样Contourlet域SAR图像去噪算法,通过估计到的各个高频方向子带的斑点噪声方差和变换系数模值的局部均值,对非下采样Contourlet变换系数进行判定,保留信号系数,抑制斑点噪声系数,实现SAR图像去噪.仿真实验结果表明,本文方法在斑点抑制的同时可以有效保持细节信息.     

基于NSCT和边缘检测的图像融合算法研究

近年来,图像融合已经成为计算机视觉领域一向有价值的新技术,论述了NSCT变换理论,先将图像作非下采样拉普拉斯金字塔尺度分解,在各个尺度层对高频子带作非下采样方向分解,然后分别采用基于区域能量和边缘检测的融合规则得到融合图像的非下采样Contourlet低频和高频系数;最后再进行非下采样Contourlet逆变换得到融合图像。实验结果表明,该方法的融合图像多项指标都优于Contourlet变换、NSCT变换。     

基于人眼视觉特性的遥感图像融合算法

首先提出基于非下采样Contourlet变换(NSCT,Nonsubsampled Contourlet Transform)的人眼视觉相对对比度灵敏度函数(RCSF,relative contrast sensitivity function)和绝对对比度灵敏度函数(ACSF,absolute contrast sensitivity function)。然后提出了基于人眼视觉对比度灵敏度函数(CSF,contrast sensitivityfunction)的遥感图像融合算法(IFA-CSF,image fusion algorithmof human visual contrast sensitivity function)。IFA-CSF采用NSCT作为多尺度变换工具,对单方向高频子带采用ACSF融合,对多方向高频子带采用RCSF融合,并对8方向高频子带采用先方向分组再融合的方法。实验结果表明,IFA-CSF优于基于传统CSF和基于局部能量的图像融合算法。     

SAR图像目标综合检测方法

基于SAR(合成孔径雷达)图像杂波结构,结合小波变换和自适应维纳滤波提出了一种新的抑制SAR图像相干斑噪声方法,该方法能够较好保留杂波边缘和点目标.分析了抑制SAR图像相干斑噪声后的多分布特性,研究了相应的SAR目标检测,提出了一种新的SAR图像目标检测方法及其实现.实际SAR图像测试结果表明了本文方法的有效性.     

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。     

基于非降采样 Contourlet变换的非线性图像增强新算法

为了克服传统去图像噪声算法的限制,该文提出一种基于非降采样(Nonsubsampled)Contourlet变换的增强新算法(NNIEM-NSCT)。此新算法通过充分利用方向子带相关性的自适应贝叶斯阈值,既保护了图像边缘细节,又可更好地抑制图像噪声。其次,文中构造的非线性增强匹配函数,通过改变变换域的系数能有效对图像强弱边缘进行不同程度的增强。实验结果证明,该文新算法在图像细节处理上,优于基于NSCT的方法,细节方差( DV) 大约为NSCT的2倍,背景方差(BV)基本保持不变,并且具有更好的视觉效果。     

基于多尺度反锐化掩模的红外图像云层背景抑制

为检测强云杂波背景中的红外弱小运动目标,结合反锐化掩模理论,提出了一种基于曲线波变换的多尺度反锐化掩模红外图像云层背景抑制新方法。首先,根据红外目标和背景杂波的特性,采用二代曲线波变换对图像进行多尺度、多方向分解,提取图像的多尺度和方向细节特征,然后,根据目标和背景杂波子带系数的差异,通过应用反锐化掩模理论调整分解后的各子带系数,从而将红外图像中弱小目标信号和背景杂波分离,达到抑制背,景的目的。实验结果显示,与最大中值（MMed）和二维最小均方误差（TDLMS）方法比较,该方法对信杂比较低的红外弱小目标复杂云层背景从主观视觉和数值指标都具有良好抑制效果。     

基于多尺度广义模糊算子的红外图像背景抑制

自动检测和跟踪红外图像中的弱小目标在现代预警和探测系统中非常重要。针对现有的检测方法因受到复杂云层和地面自然背景的干扰,导致系统虚警率较高和探测概率较低的问题,提出了一种基于多尺度广义模糊算子的红外图像复杂背景抑制方法。首先利用非下采样轮廓波变换方法将图像进行分解,获取不同尺度和方向的包含小目标和背景杂波的子带图像。然后,通过应用模糊非线性背景抑制算子将红外图像中小目标和背景杂波系数差值拉大,同时将相关性较强的杂波系数做平滑处理以达到抑制背景和增强小目标的目的。多组包含真实和模拟图像序列的实验表明所提方法优于其他方法,特别是对于包含云层和地面复杂背景的红外图像。