基于多向背景预测的红外弱小目标检测

杂波背景中的弱小目标检测是红外图像处理中的一个重要问题。普通的二维滤波背景预测方法可以用来检测图像中的小目标,但是也存在对复杂场景的适应性差,杂波边缘虚警高的问题。通过分析二维最小均方滤波背景预测算法的方向特性,在对图像四邻域滤波残差进行像素级加权融合后,得到了一种基于多方向融合自适应滤波背景预测的弱小目标检测方法。对构造图像和实际红外云杂波场景中的小目标检测仿真表明,该方法对不同背景适应性较强,在保持目标检测概率的同时显著抑制了杂波边缘虚警,有效提高了杂波背景中小目标的检测性能。      

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。     

红外小目标的分类背景预测与图像分块技术

基于复杂天空背景下红外小目标的特性分析,提出了一种利用分类背景预测与图像分块技术进行红外小目标检测的有效算法。该算法以背景预测理论为基础,通过边缘检测技术、最大均值和局部最相似分类背景预测技术获得较为准确的图像背景,进而采用统计分割算法从残差图像中提取出较为精确的目标位置。其中,通过图像分块处理,提高了算法计算效率。最后,选取了三组具有代表性的红外序列对算法的性能进行了检验。实验结果表明,所提出预测算法在检测准确性、鲁棒性以及计算效率上都具有明显的优越性。     

基于改进加权核范数的红外弱小目标检测

针对传统基于鲁棒主成分分析(RPCA)的红外弱小目标检测算法对噪声不敏感,算法运行时间长,鲁棒性不强的问题,提出一种重加权红外小目标图像模型,并用非精确增广拉格朗日乘子法(AIALM)求解。该方法首先将原始红外图像转化为红外块图像模型,然后采用重加权核范数对背景块图像进行约束,较好地保留了背景边缘。针对单纯使用l1范数不能抑制某些噪声或杂波的问题,引入了加权l1范数,进一步增强了目标图像的稀疏性。最后,将红外块图像模型转化为重加权RPCA问题,并用AIALM求解。通过大量实验表明:该算法在抑制背景杂波以及目标检测性能方面要优于其他传统算法。     

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.     

远距离红外图像目标分析及背景抑制算法

远距离红外图像的目标检测属于弱小目标检测问题,其图像信杂比低,背景结构边缘的抑制残差是单帧图像目标检测时引入的虚假目标的主要因素.分析了远距离红外图像的目标模型,接着根据目标模型选择合适的预测背景模版,并提出了基于该模版去最近邻算法,最后给出该背景抑制算法的仿真结果.该算法与典型的去均值算法、去中值算法相比抑制背景结构边缘更彻底和抑制后图像具有更高信噪比的优点,能为后续的闯值分割和多帧轨迹关联提供良好条件.     

基于非抽样小波的红外小目标检测

在复杂背景下检测红外小目标,一直以来都是红外图像研究的重点和难点.在分析小目标红外图像基础上,提出了一种新的方法--基于UDWT变换背景抑制的检测方法,并与最近发展起来的小面型检测结果进行了比较,实验结果表明基于UDWT的方法有更好的检测能力.     

基于视觉对比度机制的红外小目标检测

复杂背景条件下的红外小目标检测是红外预警、红外搜索与跟踪等系统的关键技术和研究热点之一。针对红外序列图像中弱小目标检测问题,提出了一种基于视觉对比度机制的红外小目标检测方法。该方法首先运用加权高斯差分方法计算出目标显著性图,接着采用模糊控制方式优化参数获取显著性区域,最后通过显著区域与周围区域对比度分析获取真实目标。从实验结果以及和其他方法对比可以看出,所提出方法具有较高的检测率和较低的虚警率,是一种有效的小目标检测方法。     

基于KNN算法对在校生考研预测模型的应用研究

运用K最近邻分类算法建立在校生考研预测模型,便于对在校生进行考前预判。为了提高预测的准确率,对传统K最近邻分类算法进行了改进,对样本的各特征属性赋予了不同权重,通过传统和加权两种K最近邻分类算法的不同使用,验证了改进加权KNN算法的实践效果。     

基于BP神经网络的自适应伪最近邻分类

在伪最近邻(PNN)分类算法中,待分类样本点与每一类样本集中各个近邻的距离加权系数都是主观确定的,这就使得算法得不到最优距离加权值。针对这一问题,该文提出一种基于BP神经网络的自适应伪最近邻分类算法。首先通过计算待分类样本点与每一类样本集中各个近邻的距离值,并将其作为BP神经网络的输入。然后根据BP神经网络输入与输出之间的映射来自适应确定相应的距离加权值。最后由BP神经网络的输出值判别样本类别号。实验结果表明,该算法能够自适应地调节距离加权系数,同时还能有效地改善分类准确率。     

光谱角匹配加权核特征空间分离变换高光谱异常检测算法

提出了一种光谱角匹配(SAM)加权核特征空间分离变换(KEST)高光谱异常检测算法.在基于核的特征空间分离变换(KEST)算法基础上,利用光谱角匹配(SAM)测度对高维特征空间中检测点邻域差异相关矩阵(DCOR)中的每个样本引入权重因子,各样本权重因子取决于该样本光谱向量与检测窗口数据中心向量夹角,从而抑制检测窗口中的病态数据,突出主成分数据的贡献,使得DCOR矩阵能够更好地描述目标、背景数据分布差异.通过理论分析和对模拟、实际数据实验比较,证明该算法较传统异常检测算法和KEST算法具有更高的检测率.     

一种序列的加权kNN分类方法

 针对加权kNN(k-Nearest Neighbor)方法在对样本进行分类时,仅仅只利用了它的k近邻点来进行分类决策的不足,提出了一种序列的加权kNN分类方法.该方法在对某个测试样本进行分类时,除了利用它k近邻点所提供的类别信息外,还有效地利用了前面已分类样本的类别信息,这使得测试样本的分类决策更加合理和有效.在Cohn-Kanade人脸库上进行的表情识别实验表明,在序列样本分类的场合,该方法的分类效果比加权kNN方法更好.     

基于非线性抗噪声估计的视觉显著性弱小目标检测

针对红外图像处理技术中弱小目标检测的重要性及关键性,提出一种基于非线性抗噪声估计的检测算法来解决高可靠性、高鲁棒性的弱小目标检测问题。提出的方法基于传统视觉显著度算法及空间距离处理方法,对目标及背景区域采用非线性加权方法进行估计,在不显著降低目标信号信噪比的基础上,削弱孤立微小噪声点对检测算法性能的影响,可提高抗噪性能。首先,采用模块化及非线性映射方式预测背景;然后,融入距离相关因子滤除噪声干扰;最后,在处理结束的图像上进行二值化阈值分割,自动检测并向下一级处理软件输出目标位置信息。实验结果表明:提出的算法与近年来先进的弱小目标检测算法相比,在受试者测试曲线上,在相同的虚警率下,可获得更高的检测率,对背景噪声的抑制很明显;在局部信噪比及背景抑制因子的测试比对数据上,提出的算法可获得更高的检测指标。缺点是算法采用了非线性处理技术,运算效率较低,需进一步优化算法以提高计算速度,实现算法的实时目标检测。     

转动红外探测器下地面远距离运动目标检测方法

地面远距离运动目标检测是红外成像防御中的关键技术之一。地面远距离运动目标检测指利用红外探测器对远距离运动目标实现自动探测和捕获。由于目标距离较远,在红外探测器上成像面积较小,同时远距离运动目标容易被遮挡,很难将目标从复杂的地面背景中提取出来。提出了一种能够在面阵红外探测器转动的条件下实现远距离地面运动目标检测方法。首先利用图像信息计算红外探测器的运动补偿参数并通过背景更新获取目标一次检测结果,然后采用光流法获取背景和目标的运动信息,通过计算背景和目标之间的运动信息相关性实现目标最终检测。实验采用多种场景对文中算法进行验证,结果表明该方法通过转动红外探测器可以扩大目标搜索区域,利用背景和目标之间运动信息的相关性有效地克服了目标遮挡、目标重叠和视差等问题。     

基于权重强化局部方差对比的红外小目标检测

针对红外图像中背景与目标对比度低、边缘高亮的问题,提出了一种用于红外小目标检测的局部方差对比测度算法.该算法由局部方差对比测度的计算和权重强化函数的设计两个模块组成:局部区域对比利用目标区域三层图像块模型之间的方差差异突出增强真实目标;权重强化函数的设计是为了能更好地抑制背景杂波,充分考虑了目标的统计特征、目标与其相邻背景的统计差异和背景的统计特征.实验结果表明,该方法在增强小目标和抑制背景杂波方面具有较好的效果,时间较短,鲁棒性好.     

基于改进加权增强局部对比度测量的红外小目标检测方法

红外弱小目标检测技术是红外搜索与跟踪系统的重要组成部分(IRST)。一般来说,在复杂背景环境下,红外弱小目标检测往往会有高虚警率和低检测率的问题。为了解决这一问题,提出一个改进的加权增强局部对比度测量（IWELCM）检测框架,具有重要意义。首先,通过将局部对比度机制与信杂比(SCR)的计算相结合,提出一个增强的局部对比度测量方法,在增强图像中疑似红外弱小目标区域的同时也提高图像的SCR。其次,通过利用红外图像中弱小目标的特性,以及目标与周围背景的统计差异,提出一个改进的加权函数来进一步增强目标和抑制背景。最后,采用一个自适应阈值分割的方法去获取检测的目标。在不同场景的数据集上的对比实验表明,与七种现有流行的方法相比,提出方法在复杂背景下能够有效地从干扰对象中提取真实的红外弱小目标,具有更好的检测性能。     

基于改进加权局部对比度的红外小目标检测

在复杂背景的红外图像中弱小目标通常淹没在高亮边缘与强杂波处,提出一种基于改进加权局部对比度的红外小目标检测方法。利用小目标的局部特性建立一种加权函数将目标与其背景邻域的差异点乘凸显目标,进而与相接背景邻域作比值运算达到抑制复杂背景的效果;通过目标的各向同性和背景的各向异性,采用六方向梯度决策法创建背景抑制模型进一步抑制高亮边缘,实现降低虚警率,提高检测率的目的;最后,通过卷积计算将两者结合,采用自适应阈值分割检测真实目标。实验结果表明,该算法在复杂背景及强杂波干扰下有较强的鲁棒性。     

基于图像滤波与Hough变换的红外弱小目标检测

针对红外传感器成像信噪比低且易受噪声、背景杂波干扰的问题,本文提出了一种基于最大中值滤波与Hough变换的红外弱小目标检测方法.该方法首先对序列图像中的每一帧进行最大中值滤波,滤波输出与原始图像相减用以预测目标可能出现的区域.对于目标可能出现的区域使用均值滤波,反之则使用最小值滤波来抑制背景结构.然后将滤波后的序列图像直接叠加得到合成图像,采用有灰度权重的Hough变换实现弱小目标的轨迹检测.实验结果表明该方法可以实现对信噪比接近1的弱小目标的检测.同时,背景的运动对该方法的检测效果没有显著影响.     

局部和全局特征融合的红外图像显著性检测

为了更好地凸显复杂环境的红外目标特征,提出 一种融合局部和全局特征的红外图像 显著性检测方法。在获取图像超像素的基础上,提取每个区域空间距离加权的邻域对比度特 征,并考虑区域大小和位置的影响,构建局部显著图;然后提取每个区域空间距离加权的全 局灰度特征,构建全局显著图;最后融合局部和全局显著图,实现图像显著性检测。实验结 果 表明,本文方法的显著图结果目标区域一致高亮且边缘清晰,同时背景杂波抑制效果好。无 论 主观评价还是客观指标,本文方法都优于当前流行的图像显著性检测方法。