基于改进顶帽变换的红外弱小目标检测

天空背景下的红外弱小目标检测技术较为成熟,但在近地复杂背景下,红外弱小目标的检测存在准确率不高、虚警目标多、实时性差的问题。针对以上问题,该文提出一种基于改进顶帽变换的红外弱小目标检测算法(OTHOLCM)。该算法采用基于改进顶帽变换的图像预处理算法(OTH),通过对不同灰度值的图像采取不同的策略针对性地处理图像,达到目标增强、背景抑制的效果。并在此基础上,采用基于改进多尺度局部对比度的红外弱小目标检测算法(OLCM),通过针对目标尺寸特点进行尺度设计,使得在保证算法实时性的基础上扩大目标尺寸检测范围。实验证明：OTHOLCM算法可以保证实时性并明显提高目标检测准确率、减少虚警目标数量。与3层模板局部差异度量算法(TTLDM)、基于边角感知的时空张量模型(ECASTT)等先进算法相比,OTHOLCM算法可使真阳性率分别提高近79%, 61%,假阳性率分别降低近77%, 73%,目标检测速度达到每秒25帧。     

基于粒子滤波的复杂背景红外弱小目标跟踪

针对红外弱小目标跟踪过程中背景复杂、目标过小导致检测困难以及跟踪不连续的问题,提出一种基于粒子滤波的鲁棒红外弱小目标跟踪方法。首先,考虑弱小目标位置、灰度以及目标量化直方图等特征,建立目标状态以及量测模型。根据量测各分量相互独立的特性,将量测相应分量的多特征似然函数集成于粒子滤波的框架中对低信噪比下的弱小目标状态进行自适应更新,改善由漏检引起的跟踪不连续问题。最后,采用平滑算法提升目标在运动学特征上的精度。仿真实验表明,所提算法能有效跟踪复杂背景下的红外弱小目标。     

一种天地复杂背景下的红外弱小目标检测方法

针对天地复杂背景下红外弱小目标的检测,提出了一种融合top-hat变换、边缘检测的新方法.首先将改进的top-hat变换应用于红外弱小目标图像,将图像中与目标特性相似的像素进行增强,并去除云层背景对目标的干扰,得到若干疑似目标的增强结果,并结合阈值分割方法对增强结果进行筛选,剔除大部分不符合弱小红外目标特性的背景干扰点.然后采用基于Canny算子的边缘提取方法对原始图像中的天地线进行检测,并以天地分割线作为先验知识,去除形态学滤波后所增强的地物背景中的疑似目标,得到最终的真实目标的检测结果.通过实验得出,本文所提出的方法对于天地背景下的弱小红外目标具有良好的检测效果.     

基于注意力机制的复杂背景下红外弱小目标检测方法研究

针对复杂场景下红外图像中弱小目标像素占比少、特征细节不明显致使目标特征提取困难、检测准确率低的问题,提出了一种基于注意力机制的复杂背景下红外弱小目标检测方法。该方法以YOLOv5网络为基础,设计SimAMC3注意力机制模块,优化网络的特征提取层;设计目标检测头,通过增加特征融合层来改变其开始进行特征提取的深度,获得新的弱小目标检测层,使浅层特征层更好地保留弱小目标的空间信息;改进预测框筛选方式,提高距离相近或重叠目标的检测精度。实验选取了两个SIRST红外弱小目标图像数据集,对其进行标注并训练。实验结果表明,改进后的算法与原YOLOv5算法相比,平均精度均值（mAP）分别提升了4.8%和7.1%,在不同复杂背景下均可有效检测出红外弱小目标,体现了良好的鲁棒性和适应性,可以有效应用于复杂背景中的红外弱小目标检测。     

基于局部对比度机制的红外弱小目标检测算法

针对复杂背景和低信杂比条件下的红外弱小目标检测难题,提出了一种基于局部对比度机制的红外弱小目标检测方法。该方法提出了一个包含中心层、中间层和最外层的3层窗口,可以使用单尺度计算完成不同尺度弱小目标的检测。首先,对中心层引入匹配滤波思想,有针对性地增强真实目标;同时,提出最接近滤波原则,对最外层进行背景估计,以缓解目标靠近边缘时的检测难题;然后,在目标增强结果与背景估计结果之间进行比差联合的对比度计算,达到同时增强目标和抑制背景的目的;最后,通过自适应阈值分割,提取真实目标。实验结果表明,相比现有算法而言,该算法可更好地增强目标、抑制复杂背景,且原理简洁易实现,可有效减少运算量。     

背景预测法检识空中红外弱小目标

文中针对空中红外弱小目标的特性，对其检测、识别方法进行讨论，提出一种背景预测的思想方法，并讨论其在空中红外目标的检测、识别等问题中的应用前景。文中附有作者利用这种思想编制的程序对空中弱小目标的单帧检测、识别的结果，该算法已移植到ＤＳＰ硬件信号处理器上，并通过实验取得了很好的效果。     

一种基于背景预测的红外弱小目标检测方法

介绍了一种新的基于背景预测的空中红外弱小目标检测方法,以提高对复杂背景预测的准确性,减小云层边缘预测不准确形成的虚警.该方法对云层边缘处的点根据其不同尺度邻域上的亮暗点分布特点进行预测;对非边缘点采用基本背景预测法进行预测,最后经过背景对消,将弱小目标检测出来.实验结果表明,与已报导的其它方法比较,该方法能够更有效地抑制云层边缘引起的虚警.     

采用人类视觉对比机制的红外弱小目标检测

针对复杂背景下红外弱小目标检测难题,提出一种基于人类视觉系统对比机制的红外弱小目标检测算法。首先,对红外图像进行预处理,通过中值滤波去除红外图像中的孤立噪声点。然后对处理后的图像进行高斯函数差分滤波处理,抑制图像中大面积高亮区域。最后,通过改进的基于局部对比度方法去除高亮边缘区域,消除高疑似目标,最终实现对复杂背景下红外弱小目标的检测。实验表明:相较于传统的LCM算法、Top-hat算法、TDLMS算法和Infrared Patch-Image Model算法等,该算法在虚警率、正确检测率、检测时间等方面更有优势,具有检测率高、虚警率低、鲁棒性好、运行时间短的特点。     

基于局部二元模式算子的红外弱小目标检测

文中针对在传统红外弱小目标检测中,需要进行背景抑制滤波所带来的图像性质改变和检测速度不理想的问题,提出了一种基于局部二元模式(local binary pattern,LBP)算子的红外弱小目标检测方法.该方法对传统LBP算子进行了改进,使其提取的LBP编码值可以有效地描述红外弱小目标的灰度分布特性,达到了在不进行背景抑制滤波的条件下有效检测弱小目标的目的.结合改进的LBP算子和红外弱小目标灰度的"尖峰"特征,建立了灰度自适应快速扫描机制,有效提高了检测速度,降低了重复告警的出现概率.通过实录红外图像序列检测实验,证明本文方法在检测性能和检测速度方面的有效性和优越性.     

基于全卷积网络的复杂背景红外弱小目标检测研究

针对复杂背景红外弱小目标检测过程中存在的检测误差率高,检测时间过长等问题,提出基于全卷积网络的复杂背景红外弱小目标检测方法。分析复杂背景红外弱小目标检测的研究进展,找出不同方法的缺陷,采集红外图像,提取目标检测特征,并采用全卷积网络设计弱小目标检测的分类器,实现复杂背景红外弱小目标检测。实验结果表明,该方法的复杂背景红外弱小目标检测精度超过97%,具有较高的实际应用价值。     

自适应背景预测技术在红外弱小目标检测中的应用

文章总结了自适应背景预测技术在红外弱小目标检测领域的典型应用,分析了线性和非线性自适应算法的优缺点。对传统的LMS自适应背景预测算法进行了改进。改进的算法利用连续帧中目标的运动特性,通过迭代得到滤波器最佳权值向量。试验结果说明,改进后的算法有效抑制了由云层边缘产生的虚警,提高了处理非平稳、非线性杂波背景和低信噪比图像的能力．     

基于多重相关分析的红外弱小目标快速检测

针对红外图像中的目标对比度低、尺寸小及背景复杂等特点,本文利用像素之间的相关性,提出了一种基于多重相关峰值检测红外弱小目标的检测方法,从而实现低信噪比条件下红外弱小目标的快速检测．实验表明该方法是一种抗噪性能强,自适应性能好的弱目标检测方法．     

多信息融合的红外弱小目标检测

红外弱小目标检测是图像处理的难点之一,许多研究人员提出了不少检测方法.针对复杂背景与强杂波干扰下图像信杂比(Signal-to-Clutter Ratio,SCR)低造成的目前检测方法易受伪目标干扰、虚警率高的问题,提出了一种多信息融合的红外弱小目标检测算法.首先,构建八向局部灰度残差信息图;其次,设计一个滑动窗口遍历整个图像,将图像分为一系列局部图像块,对局部图像块的强度均值进行约束,获得局部强度均值约束信息图;然后,将局部图像块进一步划分为12个方向块,对每个方向块中像素的梯度方向进行约束,获取梯度方向约束信息图;最后,上述3个信息图像通过点积运算得到最终显著图,并利用阈值分割实现弱小目标的分离.将该算法与3种其它不同算法从信杂比增益(Signal-to-Clutter Ratio Gain,SCRG)、背景抑制因子(Background Suppression Factor,BSF)以及检测率与虚警率的接受者操作特征(Receiver Operating Characteristic,ROC)曲线方面进行对比.实验结果表明:该算法具有更高的SCRG、BSF和ROC曲线下面积(Area Under the Curve,AUC),不仅能有效地抑制背景杂波、剔除伪目标,而且能准确地检测出红外弱小目标,具有较高的检测率.     

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...     

低信噪比下抖动的红外弱小目标的实时检测

文章根据实时测量需要,结合硬件提出了一种快速算法。在分析红外点目标、噪声及杂波模型的基础上,通过去除温度非线性及选择合适的高通模板的预处理,有效地抑制了噪声,提高了信噪比,从而达到复杂背景下红外点目标检测的目的。已成功研制了一种红外处理系统,它实时完成了弱小目标的有效检测和精确跟踪。     

基于自适应Gabor滤波的红外弱小目标检测

针对复杂背景下的红外弱小目标检测,本文提出了一种改进的Gabor滤波的红外弱小目标检测方法.该方法在背景预测算法的基础上,通过构造Gabor核函数来自适应确定背景预测系数.该方法利用了更多的图像局部特性信息,使用对比度尺度模型和强度尺度传播模型分别确定Gabor核函数的两个轴,解决了Gabor滤波算子不能自适应调整滤波系数的问题.通过与传统的小目标检测方法的比较实验结果表明,本文方法能有效保留图像的边缘信息,能有效地突出目标,抑制背景杂波,提高了对红外弱小目标的检测能力,效果明显优于传统方法.     

低虚警率的红外弱小目标检测算法

针对远距离复杂场景下红外弱小目标信噪比低导致目标检测虚警率高的问题,提出了一种时域与空域滤波相融合的红外弱小目标检测方法。采用相对局部对比度算法(Relative Local Contrast Measure,RLCM)增强目标信噪比,抑制高亮度背景;利用目标的时空相关性,运用时域局部差分算法(Temporal Local Difference Algorithm,TLCD)增强目标,消除固定噪点。融合空域和时域的检测结果获得时空相对局部对比度图(Spatial Temporal Relative Local Contrast Map,STRLCM),通过自适应阈值分割提取待检测的真实目标。实验结果表明,与现有算法相比,所提算法可以极大地降低虚警率同时保持较高的检测效果。     

RBNSM:一种复杂背景下红外弱小目标检测新方法

弱小目标检测是红外探测与跟踪任务中的经典难题。针对复杂背景下红外弱小目标普遍存在检测率低、虚警率高的问题,提出一种基于区域双邻域显著图（Regional Bi-Neighborhood Saliency Map,RBNSM）的复杂背景红外弱小目标检测新方法。利用弱小目标的局部先验特性定义滑动窗口并划分为多个单元,计算中心单元前若干个最大灰度的均值来凸显弱目标;分别构建中心单元的相接邻域和相隔邻域并计算各自的灰度均值,进而,从不同方向上提取两邻域显著图并点乘二者以进一步抑制杂波背景、增强弱小目标;最后,通过自适应提取准确检测目标。多种典型红外复杂背景图像和SIRST数据集检测结果表明:与7种代表性方法相比,RBNSM在复杂背景下具有更好的检测性能与杂波抑制能力。     

一种基于自适应背景预测的红外弱小目标检测方法

针对目前典型的基于背景预测的红外弱小目标检测方法中无法较好消除噪声的问题,提出了一种基于自适应背景预测的红外弱小目标检测方法。该方法不同于传统方法,在对红外图像进行背景预测时,不仅考虑邻域内像素点的灰度值,同时还通过自适应处理的方法将待预测像素点灰度值也考虑其中,能有效改善低信噪比下红外图像弱小目标的检测性能。通过大量的仿真数据对本文和传统方法进行了对比和分析,证明了该方法的有效性和优越性。