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。     

基于背景移除的时域目标检测

针对时域目标检测算法中跟踪数据量大、实时实现难度高的缺点,提出一种基于背景移除的时域目标检测方法.该方法首先根据不同像素点的时域起伏特性建立一个统一的模型,进而利用最小二乘法估计出该模型的参数,实现静态背景的移除.然后采用最小值滤波估计出目标信号的检测基准,并进一步分析了像素时域特性偏离该基准的分布特性,最终得到一个合适的目标检测量度.将所给出的算法应用于实际运动弱小目标的检测,实验结果表明,此算法对于复杂背景下的运动弱小目标具有很好的检测性能.     

红外小目标时域检测算法研究

为了解决红外小目标检测问题,提出了时域红外小目标检测方法.在图像序列中背景像素、目标像素以及杂波像素的时域差分模型基础上提出了红外小目标时域检测算法,算法共分为两步:相关检测和广义似然比检测.经过相关检测后,图像序列中的噪声几乎完全被门限所抑制,只有极少数噪声像素、全部目标像素和一小部分杂波像素可以通过相关检测门限.为了进一步从通过相关检测门限的像素中检测出目标,又提出了一种新的广义似然比检测方法.这种经过改进的广义似然比检测能够进一步抑制噪声和杂波,提高检测的性能.分析表明,时域目标检测算法能够以很高的检测概率和很低的虚警概率完成目标的检测,实验方法也证实红外小目标时域检测算法具有很好的性能.     

同质背景预测用于红外弱小目标检测

背景预测是红外弱小目标检测中抑制背景的主要方法之一.提出了一种同质背景预测算法,在分析空背景下不同背景成分图像灰度特征模型的基础上,首先对图像进行边缘检测,将图像划分为不同灰度性质的区域,然后使用边缘检测结果调制预测权值矩阵.仿真结果表明,该算法对背景杂波具有很好的抑制效果,能够有效保护图像细节,明显降低异质区域像素灰度对预测的不利影响,显著改善低信噪比条件下弱小目标的检测性能.     

一种背景特征空间相关的跟踪算法研究

针对天空背景红外图像弱小、目标可利用信息特征少,采用通常的几何、纹理等目标特征的时域相关性跟踪算法难以实现连续平稳跟踪的情况,提出了一种基于后处理的弱小目标检测跟踪算法,即利用背景特征的空间相关性实现弱小目标检测,结合前后图像帧中目标灰度特征和运动特征的时域相关性实现了弱小目标的连续跟踪。实验结果证明,该算法对天空背景红外图像弱小目标跟踪稳定可靠,实时性好。     

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.     

改进时空滤波的红外弱小目标检测

为了有效解决动态背景变化导致弱小目标检测率低的问题,文中提出了改进时空滤波的红外弱小目标检测算法。首先在分析红外图像成像特性的基础上,针对目标区、背景区和边缘轮廓区不同梯度特性的差异,提出改进的各向异性空域滤波算法,该算法充分利用空间域的梯度信息来构建不同方向的扩散滤波函数,并结合图像不同特性的梯度差异选取扩散函数值最小的两个方向的均值作为时域滤波结果,以最大限度地保留目标信号;接着为有效增强弱小目标的能量,针对高阶累积量仅利用像元点时域信息来构建能量增强的不足,提出了一种结合时空邻域块的能量增强算法,实验表明,本文提出的算法能有效提升动态场景下的弱小目标的检测能力。     

改进时空滤波的红外弱小目标检测

为了有效解决动态背景变化导致弱小目标检测率低的问题,文中提出了改进时空滤波的红外弱小目标检测算法。首先在分析红外图像成像特性的基础上,针对目标区、背景区和边缘轮廓区不同梯度特性的差异,提出改进的各向异性空域滤波算法,该算法充分利用空间域的梯度信息来构建不同方向的扩散滤波函数,并结合图像不同特性的梯度差异选取扩散函数值最小的两个方向的均值作为时域滤波结果,以最大限度地保留目标信号;接着为有效增强弱小目标的能量,针对高阶累积量仅利用像元点时域信息来构建能量增强的不足,提出了一种结合时空邻域块的能量增强算法,实验表明,本文提出的算法能有效提升动态场景下的弱小目标的检测能力。     

非高斯非平稳背景的红外弱小目标检测

文中利用最小二乘估计对每一像素邻域的相关长度取最优值,并依据相关长度对相关 矩阵采取了一种新的处理方法,解决了非平稳图像像素邻域矢量间的相关矩阵不可逆的问题,改进了Chapp le和Bertilone构造的基于高斯模型的弱小目标检测方法,从而得出了一种新的红外目标检测算法,适用于非高斯非平稳背景的红外弱小目标检测.该目标检测算法首先采用一个转化函数将图像高斯化,然后求得可逆的相关矩阵,接着求像素邻域矢量的概率密度,最后依据概率密度确定阈值,提取弱小目标。实验结果证实了文中算法的可靠性和可行性。     

基于高阶累积量的红外图像时域检测

提出了一种基于高阶累积量的红外图像序列中运动弱小目标时域检测的新方法,该方法定义了观测数据的三阶累积量,并在时间剖面上,通过快速运动目标与缓慢变化的背景像素的灰度特征差异,实现对弱小目标的检测.利用实测数据进行了仿真,实验结果表明了该方法的有效性.     

背景预测模型中不同邻域预测效果评估

当目标处于复杂背景中时,红外弱小目标检测将变得更加困难.背景预测是红外图像弱小目标检测的一种重要方法,背景预测模型中权值矩阵的确定策略对于预测和检测效果具有决定性的影响.定义了被预测点周围的三种不同邻域,探讨了不同邻域背景像素点预测的效果,并比较了不同邻域以及中邻域和多邻域的检测性能.仿真实验结果表明,中邻域具有比近邻域和远邻域更好的预测和检测性能,此外,中邻域与多邻域相比,在保证检测性能的同时具有更快的运算优势.     

舰载红外警戒系统目标图像的离群点挖掘算法

针对舰载红外警戒系统目标图像中弱小目标的检测问题,提出了一种基于离群点挖掘的目标检测算法(OBTD)。依据目标与背景在灰度分布上的不同特性,算法将弱小目标视为离群点。分割图像为一系列的子图像,计算子图像中各像素值的局部可达密度,设定阈值挖掘出离群点,得到可能的目标点。算法时间复杂度低,实时性好。试验表明,该算法能有效地检测出图像中的弱小目标,便于进一步的目标识别和跟踪。     

一种改进的红外弱小目标快速检测方法

针对复杂背景下红外弱小目标检测率低、目标跟踪困难的问题,提出一种改进的红外弱小目标快速检测方法。该方法采用改进的形态学滤波抑制背景噪声,对处理后的多帧图像进行方差估计初步突出目标像素,然后对其进行信噪比估计得到整个图像序列像素得分,图像中像素信噪比高的被标记为目标像素,再对标记过的图像进行分块分析,最终准确提取出连续图像序列中的目标像素。检测出的目标像素作为Hough变换的目标跟踪算法的输入,设置双阈值实现目标的有效跟踪。实验结果表明,在复杂背景下的红外弱小目标提取中,基于噪声方差估计的目标检测拥有较高的检测概率和较低的虚警概率,将其获得的目标像素作为Hough变换的输入,不仅可以有效跟踪目标,而且简化了算法的复杂度,实现目标的快速提取和跟踪,具有很高的应用价值。     

一种由粗到精的大视场弱小目标检测方法

大视场的红外图像,由于分辨率高,对图像实现像素级处理很难满足实时性要求。针对大视场特定背景下的低空目标,提出一种由粗到精的检测方法。先将图像分块,计算分块图像熵值,组成熵值矩阵进行熵值分割,区分背景区域,得到所需求的目标可能出现的区域,完成粗检测;然后用Top-hat形态滤波法对所得区域进行精检测,得到检测目标。实测数据证明,该方法能在检测弱小目标的同时大大减少计算量,较好地满足了大视场下弱小目标的实时检测、处理需求。     

基于隔帧差分向量无穷范数的运动弱小目标的检测

提出了运用隔帧差分向量无穷范数检测红外图像序列中运动弱小目标一种新算法。 算法以隔帧差分为基础,该处理系统不仅能够探测到帧间位移不小于1个像元的点目标,而且可以探测到帧间位移小于1个像元而多帧累积位移大于1个像元的运动点目标,使算法探测与识别目标的能力大大提高,为不同速度多目标的检测提供了新的可能。仿真实验结果表明,该算法具有较高的检测率和良好的实时特性,能有效地检测出低信比红外图像序列中的弱小运动目标。     

基于多向差异度的红外弱小目标检测算法

在分析红外图像中弱小目标的特征后,针对目前经典的红外弱小目标检测算法性能不足的问题,提出了一种基于多向差异度的红外弱小目标检测算法。该算法利用待检测像素点在各方向上的差异度来判决其是否为目标,无需背景预测、图像增强等处理,因此其构造简单,计算量小,易于实现,并能有效改善复杂背景环境下红外弱小目标的检测性能。通过大量的仿真实验证明了该算法的有效性和优越性。     

Track Initiation for Dim Small Moving Infrared Target Based on Spatial-Temporal Hypothesis Testing

Track initiation for dim small moving target particularly in a heavy clutter environment is a theoretical and technological challenge for diverse tracking systems. The different spatial-temporal characteristics presenting in sequence scans are utilized to recognize target and initialize track in this paper. In spatial domain, the small target mapped in the image is a uniform gray spot other than pixel-sized object with high congregated degree, whereas, the false alarm is independent, irrelative and lower congregated degree. In temporal domain, the target’s trajectory projected on image sequence is continuous for the continuity of target motion and will appear in the neighborhood at consecutive instants with the maximum probability, on the contrary, the false alarm is disorderly, and occurs in the neighborhood at consecutive instants is impossible. Based on the spatial-temporal characteristics mentioned above, a track initiation algorithm for dim small moving target based on spatial-temporal hypothesis testing, which consists of neighborhood clustering and trajectory continuity, is derived and analyzed in detail. The theory analysis and experimental results show that this method could effectively initialize the track for dim small moving target in heavy clutter environment.     

一种基于数学形态学的红外弱小目标检测方法

提出了一种红外图像序列中运动弱小目标检测的新方法。该方法在时间剖面上采用数学形态学滤波和中值滤波来抑制杂波背景干扰,并对去除背景后的图像进行分割,然后利用序列图像中目标运动的连续性和轨迹的一致性来检测出真正的目标。利用实测数据进行了仿真,实验结果表明了该方法的有效性。