基于偏振融合的伪装目标识别方法研究

为了提高对伪装目标的探测能力,结合偏振成像信息可以反映不同物体表面的纹理等特点,提出一种新的图像融合算法。先融合线偏振度与偏振角两个参量图像得到能量特征图像;然后,对能量特征图像使用直方图均衡化算法进行增强;最后,使用非下采样轮廓波变换(NSCT)将增强后的能量特征图像与光强度图像进行融合。实验结果表明:融合后的图像比光强度图像平均梯度提高了80%,目标与背景的对比度则提高了92%,表明融合图像更能反映图像的细节,更有利于伪装目标的识别。     

基于偏振特征的目标检测

通常的光电检测系统是根据光的强度差别来区分目标的，但当强度差别不明显时或目标所处的背景很杂乱时，用强度来区分目标是非常困难的．在文中，提出利用光的另一个基本特征一偏振特性来区分场景中的目标，可以克服由于强度差过小带来的目标检测上的困难．经过实验表明，利用光学偏振特征的成像传感器所获得的图像使得目标检测大大简化．     

基于红外偏振成像的目标检测技术

红外偏振成像技术是利用物体偏振度上的差异来对复杂背景下的目标进行探测的。在战场上,由于人造物体和自然景物在偏振度上存在差异,红外偏振成像技术能够提高人们对自然景物及伪装的辨别能力。首先介绍了偏振成像理论及其系统的结构组成,然后对基于偏振图像处理的目标特征提取过程进行了分析,并对偏振图像像质评价方法以及图像融合、分割和特征提取方法进行了研究。最后给出了国外基于偏振成像目标检测技术的应用研究情况,并指出了该技术在军事领域中的应用价值。     

基于多源信息融合的智能目标检测技术

受地物复杂和目标干扰影响,打击的目标检测准确率不高.对此,采用红外与可见光图像联合目标检测方法,运用图像深度特征提取方法完成特征表征,并根据目标的不同成像特点进行特征融合,形成对目标特征的统一深度特征表征,采用融合的特征模型完成深度学习的目标检测.实验表明,该方法能够有效提高目标检测准确率.     

基于偏振权重局部对比度的目标检测

分焦平面红外偏振探测器输出的是红外偏振马赛克图像,传统处理流程需要进行去马赛克恢复出四个偏振通道的完整图像,然后再实现后续的任务。然而,去马赛克过程会引入误差,而且计算复杂度高、耗时长。针对如何直接在红外偏振马赛克图像上进行目标检测的问题,本文提出了一种偏振权重局部对比度的目标检测方法。首先分析了目标与背景的偏振特性差异;然后设计了红外偏振马赛克图像的斯托克斯矢量计算卷积核;在此基础上提出了基于偏振权重的偏振度显著图,在偏振度显著图上利用自适应阈值操作实现目标检测。此外,利用边缘检测方法进一步优化目标检测结果,得到更加完整的检测结果。最后,使用采集的红外偏振马赛克数据集验证了所提出的目标检测算法在复杂背景以及恶劣天气影响下的鲁棒性。     

基于Faster R-CNN模型的低空平台偏振高光谱目标检测

随着无人机等低空平台在侦察领域的不断扩展以及对性能要求的不断提高,各应用场景对目标检测精度和速度也提出了越来越高的要求.传统的目标成像方法难以满足图像质量需求,人工识别目标的方法也无法应对战场环境的快速变化.结合深度学习和偏振高光谱成像技术的发展,通过模拟偏振高光谱低空目标检测平台,提出基于Faster R-CNN的地面军事目标检测方法.采用区域建议网络模块进行模型训练,而在目标检测阶段通过对特征图进行兴趣区域池化操作得到建议特征图,最后利用建议特征图完成目标类别判定.实验选取3种典型的军事车辆缩比模型,通过偏振高光谱相机在室内外模拟环境中获取目标在不同场景条件的图像数据,以及某型无人机在低空条件下的地面车辆目标数据进行实验验证.实验表明,该方法在有效完成地面目标的检测时,能够达到理想的检测精度和速度.     

基于形态学图像融合的目标检测方法

提出了一种新的海空背景下受强杂波、噪声污染的红外图像目标检测算法。采用多尺度的形态算子对输入的图像进行并行滤波，既抑制噪声又能提取目标边缘细节。对并行处理后的图像进行基于树状小波帧变换的图像信息融合。仿真实验表明，该算法要优于传统的小波、中值滤波算法，适用于舰载红外警戒系统。     

基于偏振成像技术和图像融合理论杂乱背景压缩

文章在光学偏振理论的基础上,根据Stokes图像之间的相互联系和特征,提出了一种基于Stokes图像能量特征和噪声特征的小波域图像融合规则,以便高效地压缩图像中的杂乱背景;同时给出残余杂乱背景与总杂乱背景的比率RCC的定义,并结合信杂比SCR的定义对背景的压缩程度进行评价.实验仿真结果表明该方法在杂乱背景压缩方面具有优越性.     

基于Contourlet变换的偏振图像融合

提出一种基于Contourlet变换的偏振图像融合算法。Contourlet变换是一种具有几何信息的灵活多尺度、多方向和平移不变性的图像分解变换,与小波变换相比,对图像分析很重要的沿曲面任意方向反映的细节更容易调整。采用Contourlet变换对三个555波段不同方向的偏振图像进行分解,对于高频和低频系数分别采用不同的窗函数计算区域能量,最后加权实现偏振图像的融合处理。实验结果表明,该算法与小波分解法相比在保留原始图像边缘和纹理信息同时,可以体现偏振图像的特点,取得较好的融合视觉效果。     

采用信息融合的红外目标检测算法

针对空中红外目标检测过程中存在的检测精度不高、易受干扰等问题,本文提出了一种信息融合的目标检测算法。首先,针对单一滤波模式的不足,采用降采样方式将多种模式的滤波方法进行融合,有效提高了滤波后的图像信噪比,减少了预处理时间。然后,对质心检测选定的检测区域进行显著性检测和边缘检测,并将结果进行融合,增强了目标区域的信号强度,改善了算法的检测精度。文中从理论上介绍和分析了该算法对红外目标检测的有效性,并通过Matlab仿真实验与其他单一检测算法进行了对比。实验结果表明,信息融合的检测算法能够在多种复杂情况下有效检测出空中红外目标,证明融合检测算法的抗干扰性和适应性上更强、检测精度更高、算法的鲁棒性更好。     

基于红外双波段图像融合的点目标识别

为解决红外警戒系统中点目标的识别问题,提出了一种新的点目标识别方法。该方法 首先分别对单波段红外图像进行背景预测与抑制,然后对取自适应阈值后的双波段图像根据目标的运动特征进行融合,最后通过图像序列分析给出最终的目标识别结果。仿真实验表明,该方法对背景有很好的抑制效果,可大大减少目标识别中候选目标点的数目,因而有利于点目标的识别。     

草地背景中伪装目标偏振成像探测的实验研究

在室内仿真实验平台上对草地背景中的伪装目标和背景在不同观测角度不同波段的偏振特性进行了实验研究。通过分析得到了对伪装目标进行偏振成像探测的最佳角度和最佳波段的范围,并在室外进行了实验验证。实验研究表明,在一定条件下偏振成像可以较好地探测出隐藏于草地背景中的伪装目标。     

高光谱图像波段子集模糊积分融合异常检测

针对高光谱图像中背景及目标先验知识未知条件下的异常目标检测问题,该文给出一种基于高相关性波段子集分割的模糊积分低概率目标检测融合算法。依据高光谱图像数据的波段相关性将原始高光谱数据分割为若干连续波段子集;利用非参核密度估计得到原假设下各波段子集数据RX检测器输出的概率密度函数,构造出非参隶属度映射函数;利用数据光谱维的特征值定义目标信号噪声能量比(TNER),衡量各波段子集信源检测结果的重要程度;最后,通过Sugeno模糊积分实现波段子集检测结果的决策级融合。使用可见光/近红外波段OMIS-I高光谱图像进行了实验,实验结果证明了算法的有效性。     

基于强散射点径向积累的高分辨极化目标检测研究

研究了宽带高分辨雷达杂波环境中的目标检测问题,提出了基于强散射点径向积累的高分辨极化目标检测方法,利用宽带波形固有的径向高分辨力对目标进行一维距离成像,结合目标的极化特性,估计出回波中强散射点的数量和分布,通过对不同径向分辨单元内的强散射点进行积累,可有效地提高信杂比,实验仿真结果表明本文方法能够有效改善雷达的检测性能.     

基于PWF融合的高分辨极化雷达目标检测算法

本文研究了高分辨全极化体制下目标的检测问题.提出了串联检测的思想:首先利用极化信息进行融合增强,改善一维成像质量,然后利用高分辨特性,将目标的检测转化为目标强散射中心的检测.仿真实验验证了PWF改善了成像质量,检测性能也有明显的提高.     

基于极化联合特征值的雷达弱小目标检测方法

针对海杂波背景下雷达弱小目标检测问题,提出了一种基于极化联合特征值的雷达弱小目标检测方法。该方法利用多极化通道回波数据计算极化相干矩阵的最大特征值,然后将待检测单元的最大特征值与参考单元最大特征值、最小特征值、算数平均值和几何平均值的算数平均之比分别作为检验统计量实现检验判决。仿真和实测数据处理结果表明：基于极化联合特征值的雷达弱小目标检测方法较基于特征值的检测方法性能提高2 dB,较极化检测最优滤波器性能提高1.5 dB,较功率最大综合检测方法、SPAN检测方法性能提高5 dB,极化联合最大特征值-几何平均方法综合检测效果最好。     

基于线偏振激光主动成像的目标探测与识别

在对偏振光进行Stokes参量法描述的基础上,用线偏振激光对六种不同材料的目标进行了主动成像实验.实验中,先分别用CCD1和CCD2接收水平偏振图像和竖直偏振图像,然后,根据两幅图像的平均灰度值IX和IY,算出了不同目标反射光的偏振度P.在此基础上,对绿色油漆覆盖的铁片和铜片进行目标识别实验,通过对偏振图像进行直方图均衡化处理,将两种不同材料的金属目标明显地识别出来.实验证明,偏振图像具有识别目标细节的能力,特别适合暗小目标的探测与识别.     

基于注意力和特征融合的遥感图像目标检测模型

针对环境背景复杂且包含小目标的遥感图像难以进行精准目标检测的问题,在单阶段检测(SSD)模型的基础上,提出了一种基于注意力和特征融合的单阶段目标检测模型,该模型主要由检测分支和注意力分支组成。首先,在检测分支SSD中加入注意力分支,注意力分支的全卷积网络通过逐像素回归得到待检测目标的位置特征;其次,采用对应元素相加的方法对检测分支和注意力分支进行特征融合,获得细节信息和语义信息更丰富的高质量特征图;最后,用软非极大值抑制(Soft-NMS)进行后处理,进一步提高目标检测的准确性。实验结果表明,本模型在UCAS-AOD和NWPU VHR-10数据集上的平均精度均值分别为92.52%和82.49%,相比其他模型,检测效率更高。     

基于特征显著性融合的红外小目标检测

复杂背景下的红外图像通常存在信噪比低、邻近像素灰度变化不明显以及易被杂波信号和噪声干扰的特点,导致红外小目标检测困难。为解决上述问题,提出一种基于特征显著性融合的红外小目标检测算法。首先,在空间域中利用目标与其局部背景灰度差异来计算得到灰度显著图,在频域中结合谱残差计算得到背景抑制后的频域显著图;其次,将灰度显著图和频域显著图归一化后通过哈达玛乘积相互融合;最后,通过自适应阈值分割并使用Unger滤波器剔除较小的噪声点,从而提取出目标区域。实验结果表明,所提算法对图像的信噪比有了数十倍的提升,对背景抑制效果显著,并有着检测率高和虚警率低的优点,是一种有效的小目标检测算法。