aiNet背景抑制的单帧红外弱小目标检测

针对现有背景抑制算法未能有效抑制背景而导致目标检测率低的问题,提出了一种基于人工免疫网络(aiNet)进行背景抑制、基于行列k均值聚类实现阈值分割的单帧红外弱小目标检测算法。首先采用aiNet结合Robinson警戒环技术,融入自组织特征映射(SOM)拓扑思想,设计一系列抗体进化策略,建立自适应局部空间背景模型—模糊拓扑记忆抗体库,并以此分析各像素点的背景模糊隶属度来抑制背景杂波;接着提出基于行列k均值聚类的阈值分割算法来检测真实目标。实验结果表明,该算法的F1指标高达99%,其能随背景的局部变化来自适应建立空间背景模型,从而自适应抑制背景杂波突显目标,能有效提高信噪比检测弱小目标。     

远距离红外弱小运动目标检测

针对远距离红外弱小运动目标的检测,本文提出了一种空域-时域联合算法。该方法首先基于结构元素大小自适应的形态学顶帽变换进行红外复杂背景抑制,增强了图像的信噪比;接下来,利用平均迭代算法精确确定门限阈值,实现单帧图像分割;在此基础上,利用邻域多帧图像相与判决算法,实现基于时间序列图像的弱小运动目标检测。实验表明,本文提出的方法能够较好地进行背景抑制和消除噪声,准确有效地检测出红外运动弱小目标。     

联合形态滤波和MRF模型的红外小目标检测

针对复杂背景下红外弱小目标检测难题,提出一种基于自适应形态滤波和Markov随机场(MRF)模型的小目标检测算法。设计基于图像局部熵优化的自适应形态滤波器,采用该滤波器进行背景杂波抑制和目标增强,利用MRF理论描述图像像素间关系,构造新的势函数和能量函数,建立目标检测识别模型,通过模型计算自动识别出红外图像中的小目标。理论分析和实验结果表明,该算法可在复杂背景下自适应地抑制背景杂波,成功检测出红外小目标。     

能量累积与均值漂移聚类结合的红外小目标检测方法

研究红外图像中弱小目标的检测问题,提出了一种基于能量累积与均值漂移聚类的红外小目标检测方法。首先利用滑动窗口处理实现图像序列中目标能量积累,去除图像中的随机噪声,提高信噪比;然后选用不同尺度的核带宽对原始图像进行两次均值漂移聚类滤波,将两次滤波所得的图像灰度进行差分来实现背景抑制,提高目标与背景的对比度;之后根据图像的统计特性确定阈值,用门限分割方法提取目标区域,实现候选目标的准确定位;最后利用序列图像中目标运动的连续性和轨迹的一致性筛选出真正的目标。该算法通过选用不同尺度的核带宽进行聚类来得到目标及背景图像,背景抑制的同时也滤除了噪声。实验结果表明,该方法能快速有效地提取复杂背景条件下的红外小目标。     

基于小波包变换的红外弱小目标检测

针对复杂背景下红外弱小目标的检测问题,提出一种基于小波包变换的红外弱小目标检测算法。该算法首先采用小波包变换对含有弱小目标的红外图像进行多尺度分解,得到不同尺度下的高低频节点系数;其次根据不同节点系数重构时对目标能量贡献的不同,选取高频频带中能量分布居中的频带节点系数对图像进行重构完成背景抑制;最后对重构后的目标图像采用自适应阈值分割方法进行目标分割,得到目标检测结果。实验采用多组红外序列图像进行验证,仿真结果表明：该算法可以很好地抑制背景和云层边缘,精确地检测出目标信号,同时提高了目标的信杂比和对比度等参数。     

基于核模糊聚类多模型LS-SVM背景预测的红外小目标检测

针对复杂背景中小目标的提取问题,提出了一种基于核模糊聚类多模型最小二乘支持向量机背景预测的红外小目标检测算法。首先,对训练样本用最近邻聚类法进行划分,获取聚类个数和初始聚类中心,并用核模糊C均值算法(KFCM)对聚类中心进行优化;其次,用LS-SVM计算模糊模型的回归参数,利用回归参数预测图像背景;之后,将原图像和预测图像相减得到残差图像;最后,依据最大类间绝对差选取阈值,从残差图像中分割出小目标。实验结果表明:文中算法相比传统基于模糊C均值(FCM)的小目标检测算法检测性能更优越。     

应用模糊增强及均值漂移实现红外目标分割

针对复杂环境下红外图像信噪比和对比度低,边缘模糊,目标分割困难的情况,提出一种基于模糊增强和均值漂移图像滤波的红外目标分割方法。首先定义新的隶属度函数,运用模糊集理论进行红外图像增强,避免了传统模糊增强算法的弊病,有效提高目标与背景的对比度;之后利用ICI（交叉置信区）规则确定均值漂移的带宽参数,提出一种新的自适应带宽均值漂移图像滤波方法,实现图像的进一步平滑和聚类;最后利用自适应阈值实现红外目标分割。实验结果表明,算法能够正确有效地分割出复杂环境下的红外目标,并且很好地保持了目标的轮廓细节。     

能量累积与均值漂移聚类结合的红外小目标检测方法

研究红外图像中弱小目标的检测问题,提出了一种基于能量累积与均值漂移聚类的红外小目标检测方法。首先利用滑动窗口处理实现图像序列中目标能量积累,去除图像中的随机噪声,提高信噪比;然后选用不同尺度的核带宽对原始图像进行两次均值漂移聚类滤波,将两次滤波所得的图像灰度进行差分来实现背景抑制,提高目标与背景的对比度;之后根据图像的统计特性确定阈值,用门限分割方法提取目标区域,实现候选目标的准确定位;最后利用序列图像中目标运动的连续性和轨迹的一致性筛选出真正的目标。该算法通过选用不同尺度的核带宽进行聚类来得到目标及背景图像,背景抑制的同时也滤除了噪声。实验结果表明,该方法能快速有效地提取复杂背景条件下的红外小目标。     

基于改进模糊C均值聚类的光伏面板红外图像分割

红外图像具有对比度低和信噪比低等特点,这对红外光伏面板图像的分割始终是一个巨大的挑战.为了解决传统的模糊C均值（FCM）聚类算法易受到初始聚类中心不确定的影响和不考虑空间信息的问题,提出了一种基于模糊C均值改进的聚类分割算法,该算法利用直方图的特点确定初始聚类中心,同时在传统的模糊C均值（FCM）和模糊核C均值算法（KFCM）的基础上,利用像素之间的空间信息和邻域像素之间的关系改进传统FCM聚类目标函数,从而推导出新的目标函数.实验结果表明,该算法在分割质量和效果上与Otsu算法、文献[20]的自适应k-means算法及模糊核C均值算法（KFCM）相比,过分割和错分割率明显降低,且分割效果非常接近手动分割图.     

采用动态分割与自适应滤波的弱小目标检测

为了增强红外或者可见光图像数据中的弱小目标检测,提出了一种采用模糊C均值（FCM）聚类与迭代最小二乘（RLS）自适应滤波相结合的背景抑制方法。假设待检测目标在图像帧上具有极小的空域扩展度,且受到强背景杂波的干扰。对输入的图像首先采用FCM聚类划分为灰度准平稳的子域,再将整帧图像均匀划分为相同的子块,然后在每个子块中针对每类子域利用RLS滤波估计背景杂波并另以去除,结果只剩下目标信号与残留噪声。大量仿真试验表明与其它传统方法相比具有更好的检测性能。     

Feature based fuzzy inference system for segmentation of low-contrast infrared ship images

Segmentation of infrared ship target is important for sea surveillance system. However, as a result of the deficiencies of infrared images, the segmentation of infrared ship image becomes a challenge. For the purpose of addressing this problem, a feature based infrared ship image segmentation method utilizing the fuzzy inference system is proposed. Firstly, the intensity feature is extracted by applying unimodal threshold, which could preserve the low-contrast pixels in the infrared images. Secondly, the local spatial feature is extracted by employing saliency detection, region growing and morphology processing, which could express the shape of the target. Thirdly, the global spatial feature is extracted by utilizing partial region growing and weighted distance transformation, which could suppress the background. Then these features are fuzzified using accommodative ways and prior knowledge. And in light of the fuzzy rules based upon expert knowledge, these fuzzified features are integrated in fuzzy inference system. Finally, the complete target could be directly segmented from the output of the fuzzy inference system. Experimental results illustrate that the proposed method could effectively extract more intact targets from the low-contrast infrared ship images. Additionally, the proposed method outperforms some existed segmentation methods.     

小波神经网络自学习算法用于红外图像分割

在红外动目标序列图像跟踪过程中,由于目标本身的红外特征具有较大的不可预测性,使ATR系统在目标探测阶段产生大量的虚警讯息。因此,必须设法在复杂背景抑制段将虚警探测讯息滤除掉。提出了一种新颖的基于小波神经网络构架的FLIR图像分割技术,旨在将小波变换的时-频局域特性和神经网络的自学习能力相结合,从而使FLIR图像的分割算法具有较强的逼近和容错能力。该算法在FLIR-ATR系统中得到应用,对于FLIR目标图像轮廓的提取和抑制杂散背景方面获得了良好的效果。     

基于小波滤波背景预测的红外弱小目标检测方法

红外弱小目标检测是红外图像研究领域的热点与难点。有效地从背景中检测出弱小目标对于后续的跟踪、识别工作具有十分重要的意义。针对现有检测方法的不足,提出了一种基于小波滤波背景预测的红外弱小目标检测方法。该方法利用小波滤波去噪的优良特性将目标作为噪声滤除,然后构建近似的前景分布图与背景分布图,最后基于连通体筛选与对比度门限完成弱小目标的提取。采用实测光电图像对该方法进行了验证,结果表明,提出的方法能够有效抑制噪声,完成背景预测以及红外弱小目标的检测。     

基于能量累积与顺序形态滤波的红外小目标检测

针对红外序列图象中弱小目标的检测问题 ,提出了基于能量累积与顺序形态滤波的小目标检测方法 .该方法通过设置一定大小的滑动窗口 ,对窗口内的图象序列进行能量累积 ,以达到去除图象中的随机噪声和提高目标的信噪比的目的 .其目标检测采用由粗到精 3个步骤 ,即首先利用顺序形态滤波抑制背景 ,并通过提取目标广义边缘来实现目标的粗定位 ;然后对可能存在目标的区域进行分割 ,通过提取目标几何特征来完成精确定位 ;最后利用序列图象中目标运动的连续性和轨迹的一致性来筛选出真正的目标 .实验结果表明 ,该方法能有效地抑制背景和能提取目标广义边缘 ,并能通过自适应地选择分割门限来完成红外小目标的定位和检测     

基于分数阶积分算子的红外弱小目标检测

针对现有背景抑制算法不能有效抑制背景而导致目标检测率低的问题,提出一种基于分数阶积分背景抑制的弱小目标检测算法.首先通过研究分数阶积分理论,分析分数阶积分非线性、尖锐的低通频率特性,结合分数阶积分和警戒环技术来抑制背景;然后依据目标和背景边缘的空间特征,采用模板均差法来提取候选目标;最后结合目标的运动连续性进行多帧轨迹关联,从而检测出真实目标.实验结果表明,该算法能有效抑制背景,提高信噪比,进而有效检测出弱小目标.