基于改进多尺度间隙度的海上目标分割方法

针对复杂海面背景下的可见光图像舰船目标分割问题,引入了图像的多尺度间隙度特征,分析了Dong提出的图像间隙度特征提取算法存在的问题,并进行了改进,采用滑动盒子内像素值方差计算滑动盒子的质量,提高了舰船目标与海面背景的可分离程度,最后利用改进算法提取图像的多尺度间隙度特征对海上舰船目标进行分割。实验结果表明,利用改进方法对海面背景下舰船目标进行分割,相对于sobel边缘检测、ostu阈值分割和基于传统提取算法的多尺度间隙度特征分割方法结果更优,可以更好地抑制海面亮度变化、海浪和背景杂波的影响,准确分割出海上舰船目标。     

复杂场景下的自动红外舰船目标检测

为实现多种复杂海天背景下红外舰船目标的有效检测,提出了一种基于局部边缘梯度特征分析的舰船目标检测方法。利用红外舰船目标图像的特征,改进自适应Butterworth高通滤波对图像进行预处理。通过计算局部边缘梯度特征和聚类分析确定初始目标区域,比较梯度特征参数并进行多尺度搜索准确检测出舰船目标。对多种复杂海天场景红外图像进行仿真实验,结果表明,该算法能够有效准确地检测出多种复杂海天场景下的红外舰船目标,且算法简单,易于实现,适应面广。     

复杂海天背景下红外舰船目标的自动检测方法

近年来,舰船目标的检测与识别技术得到了人们越来越多的重视.研究了复杂海天背景下红外舰船目标的自动检测问题.首先运用小波变换对图像进行预处理,提高了图像的信噪比,从而抑制了噪声和背景杂波.然后针对红外舰船目标总是出现在海天线附近的问题,采用梯度强度均值分割的算法检测了海天线,确定了目标的潜在区域.最后,提出了一种基于行列均值的自适应阈值分割算法,结合使用红外舰船目标的几何特征量,采用特征匹配方法提取出舰船目标,达到了自动检测的目的.实验结果表明:该方法能有效地自动检测复杂海面背景中的红外舰船目标.     

基于区域特征分割的红外弱小目标提取算法

针对现有的红外图像中目标分辨率低且边缘弱等问题,提出了一种基于区域特征分割的红外弱小目标提取算法;该算法根据灰度形态学理论,利用红外背景与目标轮廓信息来提取图像的目标信号;其中算法先根据红外图像的灰度与形状的相似度进行归属度处理,来分类出图像中的目标区与背景区;接着,根据边缘检测算法,该算法对目标区的目标的进行轮廓提取;实验结果表明,该算法能够有效的进行目标提取针对红外图像的不同性质;具有精度高,抗干扰能力强的分割优势。     

一种复杂环境下改进的SAR图像双边CFAR舰船检测算法

双边恒虚警率(BCFAR)检测算法通过高斯核密度估计器计算出合成孔径雷达(SAR)图像的空间信息,并将它与图像的强度信息相结合得到联合图像以进行目标检测。相较于只使用强度信息来进行目标检测的经典CFAR检测算法,双边CFAR有着更好的检测性能和鲁棒性。然而,在复杂环境下出现连片的高强度异质点时(例如防波堤、方位模糊和幻影等),核密度估计器计算出的空间信息会出现较多误差,这会导致检测结果中出现大量虚警。此外,当遇到相邻像素点间相似度较低的弱目标时,双边CFAR会发生漏检。为了有效改善这些问题,该文设计一种复杂环境下改进的SAR图像双边CFAR舰船检测算法(IB-CFAR)。该文所提IB-CFAR主要分为3个阶段来实现,分别为基于非均匀量化法的强度层级划分、强度-空间域信息融合、杂波截断后的参数估计。基于非均匀量化法的强度层级划分可以提升弱目标的相似度和对比度信息,从而提升舰船检测率。强度-空间域信息融合在于将空间相似度、距离向和强度等信息进行融合,在进一步提升检测率的同时对舰船的结构信息进行精细化描述。杂波截断后的参数估计可以去除背景窗口中连片的高强度异质点,最大限度地保留真实海杂波样本,使参数估计更加精确。最后,根据估计出的参数建立精确的海杂波统计模型以进行CFAR检测。该文使用高分3号和TerraSAR-X数据来验证该算法的有效性和鲁棒性。实验结果表明,所提出的算法在包含较多密集分布的弱目标环境下表现良好,在此类环境下能获得97.85%的检测率和3.52%的虚警率,相比于现有的检测算法,检测率提升了5%,并且虚警率降低了10%,但在弱目标个数较少且背景十分复杂的环境下,则会出现少量虚警。      

基于谱残差和梯度纹理融合特征的舰船检测

本文提出一种谱残差和梯度纹理融合特征来检测可见光遥感图像中复杂海面背景下的舰船目标。首先,使用谱残差模型定位疑似舰船目标,并采用自适应动态阈值法获取候选目标区域。然后,根据舰船的形状特点,对梯度方向直方图特征进行改进,设计出表征舰船特性的梯度方向特征。同时,将提取候选目标区域的统一化LBP特征的方差以及灰度共生矩阵特征相结合来描述舰船的纹理信息,得到30维特征向量。最后,通过训练好的AdaBoost分类器来完成舰船目标鉴别。本文的检测算法,针对尺寸为1 024×1 024的可见光遥感图像,检测时间为4.792 6s,检测精度为95.51%,召回率为96.65%。实验结果表明:本文算法能准确提取海面舰船目标,获取舰船目标的数量和位置信息,从检测时间和精度上来看,可以作为实际工程参考。     

用于SAR图像舰船目标检测的MAF⁃Net和CS损失

深度学习算法以其端到端训练和高准确率等优势被广泛应用于合成孔径雷达图像舰船检测领域。然而,SAR图像中舰船目标尺寸跨度较大,且易受到复杂背景和噪声的干扰,从而影响识别精度。为了进一步提高网络的检测精度,本文提出了一个多尺度注意力融合网络。该网络主要包含一个多尺度特征注意力融合模块,该模块使用骨干网络输出的特征图,融合多尺度的信息,在空间和通道维度对FPN输出的特征图进行增强,用于抑制噪声和背景对舰船目标的影响,提升网络的特征提取能力。此外,本文还提出了余弦相似损失,通过计算目标与非目标区域的余弦相似度,使网络更准确地区分船舶目标与背景,以进一步提高准确率。大量的实验表明,在SSDD和SAR?Ship?Dataset数据集上,本文所提的方法与现有的几种算法相比具有更高的检测精度。     

基于SIFT特征的复杂环境下目标跟踪算法研究

为有效地解决复杂背景情况下运动物体有效跟踪问题,利用SIFT特征匹配算法的尺度不变、旋度不变的特性优越性,提出了一种优选的匹配方案.运动目标采用背景减除法分割提取,通过优化的SIFT算法快速地检测特征点,计算出其相应的坐标,并有选择性的更新相应特征点的坐标,然后重复提取运动目标,刷新背景区域,融合多特征信息,更准确地匹配图像中特征点.实验表明,本算法有效改善了光线变化,运动物体发生尺度变换等复杂环境下的目标跟踪效果,具有较强的鲁棒性.     

基于SVM分类的红外舰船目标识别

针对海天背景下红外舰船目标识别提出了一种基于机器学习的分类算法。该算法首先利用分割算法提取红外图像中的连通区域,并对原图相应的位置进行标记和归一化处理,然后利用HOG特征提取标记区域的高维特征向量,用线下样本库训练得到的SVM分类器对所提取的HOG特征进行高维特征空间的分类,识别目标和干扰。仿真实验表明,该算法具有良好的性能,在复杂海天干扰背景下能够有效地识别红外舰船目标。     

搜索雷达全自动智能化目标提取技术

使用传统搜索雷达目标提取技术提取的目标参数只有最基本的几个,对复杂背景下目标的提取和识别都比较困难,特别是后续处理没有更多的参数可以使用,造成产生的目标指示的可靠性和稳定性比较差。主要对回波特征信息进行分析和处理,尽量提取出更多可靠的目标特征信息,使后续处理能够根据目标的特征进行目标的识别和相关处理,有效提高目标的跟踪稳定性和精度。     

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。     

基于形态学重构的内河红外船舶目标检测

针对内河船舶红外图像的成像特点,提出了基于形态学重构的内河船舶红外图像目标检测算法,该算法先对原图像进行中值滤波,然后取滤波后的图像中亮度值最大的像素作为标记图像;原图像经顶帽变换,并进行迭代阈值分割后的图像作为掩模图像来进行形态学重构,从而实现红外船舶目标检测.实验结果表明,该算法能较好地检测出内河红外船舶目标.     

基于Top-hat变换与OTSU的近岸舰船目标检测

长期以来,雷达对近岸目标的检测是目标识别的难题。对于近岸低速舰船目标,存在探测难、识别难的问题。然而,舰船目标具有较好的红外辐射特征,在探测过程中可以充分地利用这一特征。针对其红外特性提出了一种基于Top-hat变换与最大类间方差法的图像处理方法。经开运算重构,利用Top-hat变换增强红外图像中目标与背景的对比度;根据图像的灰度特性,使用最大类间方差法对图像进行阈值分割,以便检测目标。实验结果表明,该算法能够有效地检测出近岸舰船目标,对近岸目标识别具有一定的现实意义。     

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。     

基于OTSU算法的近红外星图目标提取

导航星目标的提取是近红外天文导航中的关键步骤,直接关系到后续的星目标识别和星图匹配.由于天光背景很强,提取星目标极为困难.近红外天文导航在近红外波段对恒星进行检测,即使在白天也可获得足够多用以导航的恒星目标.在分析近红外星图图像特点的基础上,引入能量投影,根据投影峰值确定潜在恒星目标和噪声点的位置;然后根据能量变化,设定待处理区域,并使用最大类间方差(Maximumbetween-cluster Variance,OTSU)算法进行目标和噪声点快速提取;最后使用多帧叠加,剔除噪声点,最终提取出恒星目标.实验结果表明,该算法计算简单,运行时间短,同时具有较高的检测率.该算法能够在复杂的背景中有效地检测出恒星目标,虚警率较低.     

基于图像等级多样性的海上红外舰船显著性检测

海天和海岛背景下的海面多舰船红外目标检测一直是图像处理方面的难题。多舰船目标监视采用较广的视场和较大的景深,囊括了更多的目标信息和海天背景成像像素,使多舰船目标显著性的提取难度增大。同时,景深的增大使舰船目标成像更多地表现为小目标,轮廓特征不再明显,这对舰船目标的显著性检测造成了极大的困难。将图像等级多样性和超级像素理论用于海面多舰船目标显著性检测,提出了海面多舰船目标显著性检测方法。     

海空背景下确定弱小目标潜在区域的方法

目标潜在区域的确定对于成像型反舰导弹的目标检测、目标识别具有重要意义.本文深入分析了海空背景及舰船目标的红外特性,提出了一种海空背景下确定弱小目标潜在区域的方法,首先利用梯度算子得到差分图像,然后基于边缘阈值策略二值化图像,最后利用二值化图像在竖直方向上的投影确定目标潜在区域.实验证明次种算法速度快、精度较高、能够有效地剔除部分干扰.     

基于二进制稳健独立基元特征的扩展目标快速检测

在某些扩展目标光电成像中,目标图像缺少局部细节,因此采用复杂的特征检测算法和高维特征描述符,但这种方法不仅存在特征描述区分度弱的问题,而且还存在资源占用多、运算速度慢以及难以实现实时处理的缺点。主解决此问题提出了用加速分段测试提取特征(FAST)检测算法进行角点检测,用二进制稳健独立基元特征（BRIEF）描述符进行目标特征描述的新方法。同时,针对BRIEF描述符缺少方向判别,对目标姿态变化敏感的问题,提出了主方向约束机制,有效地提高了特征点识别的稳定性。将本方法与加速稳健性特征(SURF)和尺度恒定特征变化(SIFT)两种应用广泛的算法进行了比较,结果表明,本方法的运算速度分别达到了SURF的5倍和SIFT的17倍,且识别率与SURF相当,能在不降低特征识别率的基础上,实现目标的快速检测和稳定跟踪。     

基于SUSAN算法和行列均值分割的海面舰船检测

提出一种基于SUSAN检测和行列均值分割的复杂海天背景的红外舰船目标检测算法。首先建立一个简单的舰船轮廓模型,结合SUSAN算子检测得到感兴趣区域ROI,并且感兴趣区域的大小可以由轮廓模型进行一定的控制;然后对感兴趣区域运用改进的行列均值分割得到舰船目标。实验结果表明,提出的算法能正确分割出舰船目标。