基于空-频域映射与虚警抑制的弱小目标检测算法

为了有效控制红外弱小目标检测过程中的虚警率,提高复杂云背景下的目标检测准确度,提出了基于空域-频域映射与虚警抑制的弱小目标检测算法。根据红外中心像素不同方向上的强度值,构建了方向最大中值滤波器,有效消除噪声;并利用中心像素与其邻域像素的强度差异,形成背景抑制滤波,充分增强弱小目标;考虑云区域的特有属性,联合非线性滤波,定义了云区域识别机制,提取空域映射;引入Butterworth差异低通滤波器,对去噪图像中的显著目标完成初步识别;基于其幅度信息,进行显著目标的精细检测;再利用细显著性检测结果,计算阈值,利用二值分割方法来获取去噪红外图像的频域映射;联合空域映射与频域映射,提取红外图像中的候选目标;根据真实动目标与虚警之间的运动特征差异,利用多尺度改进的管道滤波来抑制虚警,准确识别出真实目标。实验数据表明,相对于已有的弱小目标识别方案,所提方案能够准确地识别出真实目标,拥有更好的ROC特性曲线。     

基于多特征融合的红外弱小目标检测

为解决红外弱小目标检测领域中基于单类先验知识的人类视觉系统检测方法检测准确率低、虚警率高以及显著图计算复杂等问题,提出一种在复杂背景条件下对红外弱小目标多种特性进行融合处理的检测方法。通过融合红外弱小目标的局部灰度值大、自身灰度信息符合二维高斯分布以及与邻域相似度低的三大特性,利用协方差检测和相似度对比计算得到显著图,对显著图进行简单阈值分割得到真实目标。对不同复杂背景和不同数据类型的红外源图像进行弱小目标检测实验,结果表明:与基线算法相比本文所提算法检测结果背景抑制因子和信杂比增益均提高2~3倍,交并比为HVS类方法最优,ROC曲线在较低虚警率时获得最高检测准确率。本文方法将红外源图像中弱小目标多个特性进行有效融合,提高检测精度的同时降低了显著图计算复杂度,在不同复杂背景和杂波干扰的情况下仍能取得较好的目标定位和背景抑制效果。     

基于局部积加权对比的红外弱小目标检测

针对复杂背景下因像素点噪声及高亮边缘干扰导致的对红外弱小目标检测率低、虚警率高的问题,提出一种基于局部 积加权对比的红外弱小目标检测算法。 首先,分别计算目标区域与背景区域均值,并得到目标与局部背景的差异性;提出一种 局部积加权方法,极大增强了小目标的显著性与抑制背景杂波的能力;其次,采用多尺度算法增强算法的自适应能力;最后,对 显著性图像进行自适应阈值分割,得到待检测的真实目标。 仿真实验结果表明,所提算法的信杂比增益( SCRg)和背景抑制因 子(BSF)相比现有算法均有一定提升,在复杂背景及强噪声干扰下仍具有良好的准确性和鲁棒性,实现了提高检测率,降低虚 警率的目的。     

基于方向的多阈值自适应中值滤波改进算法

为了在有效滤除椒盐噪声的同时更好地保持图像细节,提出一种基于滤波值二次修正的图像椒盐噪声滤波算法。该算法首先利用基于阈值的自适应中值滤波改进算法实现对噪声点的检测与初级滤波,然后对滤波值采用基于方向信息的多阈值自适应滤波算法,实现对初级滤波值的二次修正。算法结合了基于阈值的自适应中值改进算法良好地噪声检测性能及基于方向信息的多阈值自适应滤波算法的细节保护能力。实验结果表明,在客观评价指标和主观视觉效果方面,新算法均取得了优于传统自适应中值滤波算法及其改进算法的效果。     

基于图像块相关的弱小目标检测算法研究

针对复杂云层背景下的弱小目标检测问题,提出了一种基于图像块相关的弱小目标检测算法。首先对图像进行灰度值反转,然后利用相邻块之间相关性进行云层背景抑制的预处理,从而削弱复杂云层背景对弱小目标检测的干扰,最后对图像进行灰度值拉伸处理,增强弱小目标,提高对目标的检测准确率。实验结果表明,提出的算法可抑制云层背景对弱小目标干扰,实现复杂背景下弱小目标的检测。     

基于Contourlet及目标特性分析的弱小红外目标检测

研究了一种复杂背景下红外小目标检测的新方法。根据远距离红外弱小目标在相平面上成像的各向同性特征以及目标与背景边缘分离困难的现状,提出了一种基于Contourlet及目标特性分析的弱小红外目标检测算法。首先采用Contourlet变换对图像中的低频起伏背景及边缘与随机噪声和目标进行分离;然后对红外目标进行基于各向同性特征的目标提取;最后对目标进行分割、检测以及定位,并输出目标信息。通过与一些传统方法进行基于主观视觉和客观指标的对比发现,该算法可有效分离目标与低频背景、随机噪声及背景边缘,对红外图像基于弱小目标检测背景处理时,效果较好。     

一种基于中值滤波的局部阈值分割算法

在实际的工业现场,光照环境无法非常均匀,在部分位置可能会出现目标区域与背景无法分割,这就给后期的BLOB分析带来了非常大的困难.针对这种光照不均匀、背景复杂的情况,提出了这种基于中值滤波的局部阈值分割算法.在得到原始图像之后,使用中值滤波得到一个大于原始图像宽度两倍的掩膜,再用原始图像与掩膜图像做差得到一个区域,最后选择一个合适的阈值对这个区域进行分水岭阈值分割,就可以得到期望的区域,为之后的连通性分析打下基础.通过在halcon中的实验结果可以说明,提出的算法优于全局Otsu分割算法和分水岭分割算法,更加适用于缺陷检测,字符识别等工业应用的现场.     

基于显著性检测与权重映射的可见光与红外图像融合算法

为了解决当前可见光(VI)与红外(IR)图像融合中易出现信息丢失,以及存在伪影等问题,提出了一种显著性检测耦合权重映射结合的VI与IR图像融合算法。分别对VI和IR图像进行二尺度分解,得到基础层和细节层。为了提高VI和IR融合效果,定义了一种显著性特征检测方法,在每个源图像上应用均值滤波以减小像素与其相邻像素之间的强度变化,以完成平滑处理。再借助中值滤波来消除每个源图像中的噪声与伪影,较好地保留图像边缘。并通过取均值和中值滤波输出的差异来计算图像的显著性特征,以突出边缘和直线等显著性信息。然后,通过对显著性检测结果完成归一化处理,以构建权重映射,为细节层分配合适的权重。再将基础层和细节层采用不同的规则进行融合,其中,联合权重映射与细节层,得到最终的细节信息,并借助平均融合规则来完成基础层的融合。最后,利用最终基础层和细节层的线性组合来构造新图像。实验表明,与当前多尺度图像融合技术相比,所提算法仅采用两尺度分解,显著提高了融合效率,而且得到的融合图像具有更好融合质量,有效消除了伪影,在融合过程中的信息丢失量更少。     

基于显著性检测与权重映射的可见光与红外图像融合算法

为了解决当前可见光(VI)与红外(IR)图像融合中易出现信息丢失,以及存在伪影等问题,提出了一种显著性检测耦合权重映射结合的VI与IR图像融合算法。分别对VI和IR图像进行二尺度分解,得到基础层和细节层。为了提高VI和IR融合效果,定义了一种显著性特征检测方法,在每个源图像上应用均值滤波以减小像素与其相邻像素之间的强度变化,以完成平滑处理。再借助中值滤波来消除每个源图像中的噪声与伪影,较好地保留图像边缘。并通过取均值和中值滤波输出的差异来计算图像的显著性特征,以突出边缘和直线等显著性信息。然后,通过对显著性检测结果完成归一化处理,以构建权重映射,为细节层分配合适的权重。再将基础层和细节层采用不同的规则进行融合,其中,联合权重映射与细节层,得到最终的细节信息,并借助平均融合规则来完成基础层的融合。最后,利用最终基础层和细节层的线性组合来构造新图像。实验表明,与当前多尺度图像融合技术相比,所提算法仅采用两尺度分解,显著提高了融合效率,而且得到的融合图像具有更好融合质量,有效消除了伪影,在融合过程中的信息丢失量更少。     

特征一致红外弱小目标匹配与定位研究

应用基于双目立体视觉原理的自动目标定位系统,研究特征一致的红外弱小目标且目标数量不唯一的情况下的,目标匹配与定位。提出了基于时间序列分割-极线约束的匹配算法。时间序列分割,形成若干帧段,对每个帧段目标单独处理,缩小匹配范围。同个帧段内,利用极线约束条件,即从目标空间分布角度匹配。初步解决系统无法在毫秒量级同步,以及同一帧图像出现多个目标造成的难点。对现场实际采集图像序列的15个目标进行时间序列分割匹配,对外场模拟实验同帧5个目标进行基于极线约束匹配。实验结果证明,算法提高了多个红外弱小目标匹配的准确率。     

基于中值滤波的铁磁材料缺陷漏磁检测信号处理

漏磁检测反演问题主要是通过漏磁检测信号来反演出缺陷的轮廓尺寸等信息,由于漏磁检测反演问题具有不适定性,因此漏磁检测信号的精度对反演结果的准确性影响很大.实际检测漏磁信号中存在大量复杂的噪声信号,无法直接用其展开反演计算.一般漏磁信号中含有的噪声量包括高频噪声和基线漂移信号.为了过滤掉这些噪声,在中值滤波算法的基础上,将...     

基于混合灰度差指标的低空目标图像检测方法

为了解决地面背景和云朵干扰对低空目标检测的影响,提出一种基于混合灰度差指标的低空目标图像检测算法。首先,分析地面背景与天空区域在图像中的分布以及灰度特征,根据水平灰度投影的阶跃变化将图像分割为天空区域和地面背景区域两部分;然后,在天空区域内,由于目标和背景之间的相似性比较小,而云朵和天空的相似性较高,由混合灰度差指标水平投影和垂直投影定位目标;最后,验证获取的目标坐标。试验结果表明,算法能检测出具有复杂地面背景的低空目标,也适用于背景中存在云朵干扰的目标以及弱小目标的检测;此外,算法的速度较快,满足视频图像处理的实时性要求。     

基于人眼识别原理的运动目标检测方法

针对于背景差分法与帧间差分法在运动目标中存在的不知足,为提高运动物体检测的实时性和准确性,提出了一种结合背景差分和帧间差分的运动物体检测方法,该方法模拟人眼对运动目标的检测方式,分为整体感知与精确感知两部分。首先将图像分为多个区域并使用较少的像素点建立背景模型,通过背景模型确定运动物体所在的区域,并将其他区域的图像作为背景图像进行存储。然后使用变化区域的当前图像与存储的该区域的背景图像进行差分运算,以获取清晰的运动目标。该方法使用较少的像素点进行背景模型的构建,减少了背景模型建立和更新的运算量,提高了运算的速度。通过存储的背景图像与当前图像进行差分,可以获得完整的运动目标,避免“空洞”的出现。