应用多特征的红外弱小目标检测

红外弱小点目标的检测是红外搜索与跟踪的关键技术之一。融合小目标在空域和频域中的各种属性,将更有利于目标的检测。红外图像中主要分为背景、边缘以及目标三类信息,目标在空域中局部能量较大。将图像小波变换,获取图像的多方向性分解。研究发现目标在高频中具有方向不敏感性。为了更好地检测目标,计算各点的局部能量比以及方向离散值,将以上特征融合,得到图像的多特征统计值。采用Renyi信息熵分割达到检测目标的目的。利用序列图像中目标运动的连续性和轨迹的一致性以及目标的方差增长性,提出一种加权的方差增长方法过滤目标集,实现候选目标的准确定位。该算法有较好的自适应性,并且对背景变化敏感性较小。通过真实红外图像弱小目标的检测,检验了算法的有效性。     

融入视觉注意机制的路面裂缝检测与识别

针对实际路面裂缝检测中存在复杂噪声干扰的问题,根据裂缝和背景像素的视觉差异,设计一种融入视觉注意机制的路面裂缝自动检测与识别算法。通过灰度校正和各向异性扩散滤波的预处理方法滤除部分噪声,利用全局和局部灰度对比度信息计算裂缝显著值,融合生成综合显著图粗定位裂缝区域。在此基础上,依据裂缝区域的形状特征使用形状分析法进行去噪和目标提取,实现裂缝的精确定位。实验结果表明,该算法能快速有效地检测出裂缝区域,与基于阈值分割、边缘检测或小波变换的裂缝检测算法相比,具有较高的检测精度。     

基于快速二维熵的加权模糊C均值聚类图像分割

提出了一种结合快速二维熵和加权模糊C均值聚类的图像分割方法。采用快速二维熵算法对实际图像进行初步分割求得目标和背景的中心,然后采用样本点像素与其邻域灰度像素的差别表征该样本点对分类的影响程度,最后利用加权模糊C均值聚类算法完成图像分割。该方法一方面解决了传统的模糊C均值聚类算法对初始值敏感的问题,另一方面克服了传统的聚类算法对数据集进行等划分的缺陷。实验结果表明,该方法不仅具有良好的收敛性,而且还可以有效地把目标从背景中分割出来,具有重要的实际应用价值。     

多尺度红外超像素图像模型的小目标检测

目的 复杂背景中的红外小目标检测易受背景杂波与噪声的干扰,直接利用现有的低秩约束与稀疏表示联合模型存在准确率低、虚警率高及检测速度慢等不足。为了解决这些问题,提出一种基于多尺度红外超像素图像模型的小目标检测方法。方法 首先,采用超像素方法分割原始红外图像,得到无重叠区域的超像素图像,充分利用红外图像的局部空间相关性;然后,引入多尺度理论,融合多个不同尺度下检测的目标图像,增强该方法检测不同尺寸目标的稳健性。结果 针对多幅不同场景下的红外小目标图像进行了实验验证,并选取信杂比增益、背景抑制因子及检测时间作为定量评价指标,以此衡量背景抑制效果及算法运行速度。大量实验结果表明,与Top-Hat、Max-Median、二维最小均方、局部显著性图、红外块图像、加权红外块图像等方法相比,本文方法能有效地去除各种干扰,在背景抑制方面具有更好的效果,且所得背景抑制因子为其他方法的数十倍;与同类方法相比,红外超像素图像模型减少了至少78.2%的检测时间。结论 本文将超像素图像分割与多尺度理论引入低秩约束与稀疏表示联合模型,能够取得更好的背景抑制效果,并且可以适应不同大小目标的检测,实现复杂背景中红外小目标的准确检测。     

基于区域对比度和背景先验的显著目标检测

针对现有算法对复杂背景的图像检测效果较差的问题,提出融合区域对比度和背景先验的显著目标检测算法。首先利用超像素分割将图像分割成感知均匀的图像块,然后根据区域对比度计算全局对比度特征和空间聚集度特征,再根据背景先验得到背景集,计算图像块与背景集间的相似性特征,接着对三个特征显著图进行融合计算,最后根据每个像素与周围超像素的颜色和距离对比度得到每个像素的显著值。实验结果表明,所提算法能较均匀高亮整个目标且有效抑制无关背景信息。     

基于SIFT流红外弱小目标的检测和跟踪

相邻帧图像的流场表现了有关目标物体和背景的运动特性。该文通过使用稠密SIFT局部特征描述子描述相邻帧图像像素,并以流的角度来处理,获得包含目标和背景的混合流场。由于红外弱小目标与其邻域背景具有明显的运动特性差异,而这必然会表现在求得的小目标和背景的混合流场中。根据该流场的平台-阶梯特性采用特定算法分割得到弱小目标的具体位置。实验表明,SIFT流方法克服了经典的使用光流实现弱小目标检测和跟踪的缺点,鲁棒性强,不失为一种新的处理红外弱小目标的思路。     

红外目标特征分析及融合特征提取

针对复杂背景下的红外弱小目标的特征提取问题,提出了一种实用的红外目标的特征量提取算法.算法依据红外目标的辐射特性与背景之间的相关关系,得到目标的灰度和梯度特征量,通过融合处理,得到加权归一化的融合特征矢量.实验证明,这一融合特征矢量具有良好的稳定性和鲁棒性,同时该特征矢量计算量小,有利于工程实现.     

基于DSP的自适应弱小目标检测方法

针对复杂背景下弱小目标检测的难题,提出一种基于DSP的自适应背景预测弱小目标检测新方法。该方法在DSP为核心的嵌入式图像处理系统平台上,以自适应背景预测算法为基础,在DSP集成开发软件Code Composer Studio 3.3上采用C语言编写弱小目标检测程序。根据图像的相邻像素的灰度特性选取不同的背景预测模型对连续四帧原始图像进行自适应背景预测得到背景预测图像,背景预测图像与原始图像相减得到残差图像;对残差图像采用交叉差分算法和自适应阈值分割处理得到二值图像;对二值图像采用逻辑与运算和形态学开运算,获得真实弱小目标。实验结果表明,该方法可以有效地检测到弱小目标,且与中值滤波算法相比,该算法预处理时间减少22%,虚警概率降低6%,检测到的目标面积增大2.3倍,更有利于目标点的观察,为工业现场镁合金熔液中弱小目标实时检测奠定了基础。     

一种多特征融合的红外目标跟踪算法

针对红外序列图像中各类目标及背景特征动态变化的特性,提出一种基于二值分类技术的多特征融合目标跟踪算法。分别根据灰度、纹理及梯度方向特征将图像分为背景与目标区域,并根据各类特征分类性能的差异,融合特征图像,通过重采样粒子滤波估计目标状态。实验结果表明,该算法对环境光照变化、局部遮挡等均具有较好的鲁棒性。     

复杂背景下红外图像弱小点目标自动识别仿真

传统识别方法受到低信噪比、低对比度、缺乏弱小点目标的形状及纹理信息等因素影响,尤其在复杂背景下,弱小点目标自动识别准确率较低,针对此问题,提出一种基于BEMD(二维经验模态分解算法)的红外图像弱小点目标自动识别方法,根据待识别图像的频谱特性,并结合分频段处理方式。对比了不同滤波器的性能,并建立了图像滤波器组,采用滤波器组将弱小点目标图像分解到不同子频域中;对子频段图像进行罗宾逊滤波处理,提取弱小点目标。采用多层经验模态分解算法对原始弱小点目标图像输入函数分解为二维本征模态函数,通过微分计算来获取原始图像与背景区域之间的差,分割出弱小点目标区域。通过局部逆熵分割弱小点目标区域的高频信息来获取各个模态函数的弱小点目标识别结果。实验结果表明,所提方法能够高效且准确地提取出弱小点目标,更好地抑制复杂背景。