基于梯度统计特性的自动红外舰船目标检测

红外舰船目标检测是舰船目标识别与跟踪的重要基础。针对典型复杂海天场景下的红外舰船目标检测,本文提出了一种基于多尺度局部边缘梯度统计特性的目标检测算法。算法改进了传统的基于ROI的红外舰船目标检测方法I并0用多尺度局部边缘梯度的统计特性,自适应的检测出完整的舰船目标。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。     

一种自适应红外舰船图像增强算法

复杂环境下海面舰船红外图像信噪比和对比度低、边缘模糊,目前仍没有一种处理效果好且实时性强的图像增强算法。提出一种基于平台直方图均衡化的自适应红外图像增强算法。首先,分析典型海面舰船红外图像及其直方图的特性;在此基础上,提出一种自适应确定目标/背景粗略阈值的方法;最后将灰度大于该阈值的直方图最大值作为平台值,通过平台直方图均衡化算法自适应地完成海面舰船红外图像的图像增强。实验结果表明,该算法不但有效地增强了图像的对比度、抑制了背景,而且具有较快的运算速度。     

基于视觉显著模型的遥感图像舰船快速检测

为了降低传统高分辨率海面遥感图像舰船目标检测方法的计算复杂度,提高检测速度,在舰船目标检测中引入了基于直方图对比度的视觉显著模型和空间降维算法,提出一种新的高分辨率海面遥感图像舰船目标快速检测算法。首先对高分辨率遥感图像进行空间降维,然后计算降维图的视觉显著图,突出感兴趣目标区域,最后利用最大类间方差法分割视觉显著图以获取舰船目标候选区域。结果表明,目标检测所消耗的时间减小为原来的10%~12%,弱化了复杂海面纹理背景对目标检测的影响。该研究提高了高分辨率遥感图像舰船目标的检测效率。     

基于空间联合的红外舰船目标数据增强方法

针对红外舰船目标图像数据少、获取难度高等问题,结合图像的几何变化以及金字塔生成对抗网络的特征拟合,提出一种几何空间与特征空间联合的红外舰船目标图像数据增强方法。首先,利用基于几何空间的几何变换、混合图像及随机擦除等图像变换方法对红外舰船目标图像进行增强;然后,根据红外舰船图像特点,改进金字塔生成对抗网络（SinGAN）,在生成器引入In-SE通道间注意力机制模块,增强小感受野特征表达,使其更适合用于红外舰船目标;最后,在数据集层面联合基于几何空间的几何数据变换和基于特征空间的生成对抗网络两种方法,完成对原始数据集的数据增强。结果表明:以YOLOv3、SSD、R-FCN和Faster R-CNN目标检测算法为基准模型,开展红外舰船图像数据增强仿真实验,采用增强数据训练的网络模型的舰船目标检测平均精度（mAP）均提高了10%左右,验证了所提方法在小样本红外舰船图像数据增强方面的可行性,为提高红外舰船目标检测算法提供了数据基础。     

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.     

一种基于视觉显著图的舰船红外图像目标检测方法

提出了一种基于视觉显著图的红外舰船目标定位方法,即通过改进的Itti模型生成视觉显著图,并基于视觉显著图分割出目标区域,从而实现目标检测。先用小波变换替代Itti模型中的高斯滤波来生成图像多尺度金字塔,然后用center—surround算子提取出多尺度的视觉差异特征,并对生成的视觉特征图进行合成,生成显著图。最后,利用阈值分割方法分割出目标区域,并对原始图像进行标记,从而实现目标检测。实验结果表明,与传统的Otsu阈值分割方法相比,该方法能够准确检测出目标区域。     

基于自适应阈值区域生长的红外舰船目标分割方法

红外成像制导技术以其优越的性能成为当今制导武器发展的主流,舰船红外图像的精确分割是后期舰船识别和跟踪的基础。针对红外舰船目标的有效分割问题,本文提出了一种基于自适应阈值的区域生长和形态学滤波相结合的红外舰船目标分割算法,首先,选取种子点在自适应阈值的情况下进行区域生长,然后将粗分割图像进行形态学滤波,最后运用几何学的图像处理方法,从分割图像中去除相应的背景干扰,提取出目标的有效信息。通过对实验结果进行分析,最终分割出来的图像交叠面积比达到98%以上,而误分百分比均为0%,即没有误分。实验结果表明该算法能够很好地运用于红外舰船目标分割。     

基于显著区域提取的红外图像舰船目标检测

针对复杂海面背景下红外图像舰船目标由于灰度不均匀、海杂波干扰大等因素造成的自动检测虚警率高、准确率低的问题,提出了一种显著区域提取和目标精确分割相结合的红外舰船目标检测方法。首先,利用基于图论的视觉显著性(Graph-based Visual Saliency ,GBVS)模型计算待检测图像的显著图,使得目标区域信息增强;其次,结合舰船目标先验信息（长短轴、面积等）,利用多级阈值划分算法提取关注的显著区域,并确定原图中候选目标区域;最后,利用空间约束模糊C均值(Fuzzy C-Means,FCM)算法对候选区域进行分割,结合目标先验知识对分割区域筛选并输出目标位置。所提方法在公开数据集IRShips上与相关方法进行比较,结果表明,相比直接进行全图目标搜索的方法,所提方法不仅准确率高、执行速度快,且检测目标的位置更加精确。     

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。     

基于视觉注意力模型的红外目标检测

根据视觉心理学的相关理论,提出一种基于灰度特征提取和视觉注意力模型的红外目标检测方法,并应用于复杂背景的红外目标检测.首先对输入图像进行采样,生成高斯金字塔,并用center-surround算子提取多尺度的视觉差异,通过对灰度特征图的归一化和线性融合获得综合的显著图,最后通过基于相似性和邻接性的阈值判断得到最终检测结果.该方法应用于多种地面目标的检测均取得较好效果,待检测的目标在显著图中得到明显的增强.试验结果进一步验证了算法具有很好的探测性能.     

一种针对海面SAR图像的视觉注意模型设计

在研究了经典ITTI等视觉注意模型的理论基础上,结合海面SAR图像背景及目标特点,对传统视觉模型应用于海面SAR图像的缺陷进行分析总结,提出一种适用于海面SAR图像视觉注意模型设计算法。首先,模型借鉴经典ITTI模型的基本框架,选择并提取了能够较好描述SAR图像的纹理和形状特征,求取相应的特征显著图;其次,采用新的特征显著图整合机制替代经典模型的线性相加机制进行显著图融合得到总显著图;最后,综合各特征显著图下注意焦点的灰度特征,选择最佳的显著性表征,完成通过多尺度竞争策略对显著图的滤波及阈值分割实现显著区域的精确筛选,从而完成SAR图像的显著区域检测。实验采用Terra SAR-X等多幅卫星数据进行仿真实验,结果验证了模型良好的显著性检测效果,更符合实际高分辨率图像目标检测的应用需求。通过进一步与经典视觉模型对比分析,模型在改善了由斑点噪声和不均匀的海杂波背景对检测结果产生的虚警影响的同时,检测速度也较之提高了25%~45%。     

基于HOG特征和SVM分类器的红外图像智能检测与分类方法

为了满足人工智能在目标识别方法中的应用需求,需要具备对海量数据进行智能分类、识别、判读的能力。进一步挖掘了红外目标特性数据库数据,并将基于HOG+SVM的红外目标识别算法应用于红外目标识别过程中。选择采集到的汽车、直升机、飞机、舰船、无人机等目标,并结合HOG算子与SVM分类方法来实现红外目标检测与分类算法,从而实现了红外目标智能化分类研究,为后续目标特性的进一步分析以及导引头智能化算法设计提供了支撑。     

融合红外特征的可见光图像目标检测算法研究

为提升复杂场景下基于可见光图像的目标检测性能,将深层卷积神经网络与多源信息融合技术相结合,提出了一种自适应融合红外特征的可见光目标检测算法.该算法以红外和可见光图像作为输入,通过卷积、激活结合残差结构的方式分别提取目标红外和可见光特征,并利用空间和通道注意力机制提升目标所属类别以及所在图像区域的特征权重.其次,将提取的红外特征以自适应加权的方式融入对应维度的可见光特征中,充分弥补目标在单模态模型下的局限.最后,针对多尺度目标,设计了金字塔采样结构,通过交替上采样和下采样方式来充分融合目标全局及局部特征,增强网络尺度不变性.通过实验验证,所提注意力机制、特征自适应融合以及金字塔采样结构都能有效提升目标检测效果,相比于同类型红外-可见光目标检测方法,该方法可以充分融合目标多模态特征,并有效降低噪声干扰,使网络具有更高的检测性能.同时,在实际电网设备检测中,所提方法也表现出较高泛化能力和鲁棒性,可以准确高效的实现目标设备的识别及定位.     

一种新的自适应红外图像增强算法

传统的直方图均衡和灰度变换增强算法,不能针对红外图像的目标进行有效地增强.鉴于此,在研究红外图像特点的基础上,提出了一种基于直方图的自适应红外图像增强算法.该算法通过对原始图像的直方图进行自适应双阈值映射和欠采样投影处理,实现了对图像灰度级的重新分配;在减少冗余灰度级的基础上,有效拓宽了目标部分占据的动态范围,既提高了目标与背景间对比度又突出了目标细节层次.     

基于自适应阀值Canny算法的海天线检测算法

海天线的检测是研究红外成像末制导技术的一项重要内容,对于识别红外图像中舰艇目标起到非常重要的作用。分析了红外图像的特点,给出了一种基于修正的Canny算法的海天线检测方法,根据所要处理的红外图像自适应选取Canny算法的阀值进行边缘检测,精确提取了海面和天空区域的分界线,即海天线。     

基于时序注意力机制的红外弱小目标智能检测识别算法框架

针对资源受限、高动态复杂场景下的红外弱小目标检测识别问题,基于时序注意力机制提出了一种轻量化的智能检测识别通用算法框架,使其具备自动提取和学习目标时序变化信息的能力。所提出的算法框架主要在基于卷积神经网络模型的单帧检测识别算法基础上,结合了基于循环神经网络相关模型构造的时序注意力模块,从而使对应算法模型具有自动关联多帧之间目标特征信息变化的功能。在相关红外弱小目标图像数据集上,通过对算法框架与其他方法进行对比,结果表明所提出算法框架显著提升了对红外弱小目标的检测识别准确率。     

基于区域定位与轮廓分割的红外目标检测

红外图像受随机噪声干扰严重.传统的基于高斯混合模型的检测算法检测得到的红外目标受虚假轮廓影响,不易准确辨识.为了准确识别红外目标,采用了一种基于脉冲耦合神经网络和高斯混合模型的红外目标检测算法.首先利用高斯混合模型定位红外目标区域的位置,然后利用基于空间信息的分水岭算法得到闭合区域,再利用基于脉冲耦合神经网络的分割算法剪切其虚影,最终检测到完整的运动目标.结果表明,该方法能够消除在传统方法中产生的虚影现象,得到精确的红外运动目标.通过比较,实验结果优于传统方法.     

结合视觉注意力机制基于尺度自适应局部对比度增强的红外弱小目标检测算法

如何在没有先验信息的情况下从复杂噪声背景下快速检测到远距离进入的弱小目标,提高整个装备系统的响应能力,是目前IRST热门研究课题。本文通过引入视觉注意机制,提出了一种结合尺度自适应的局部对比度测量的红外弱小目标检测方法。本文首先采用拉普拉斯金字塔尺度空间理论对所有像素点局部对比度进行分析,获得对应的自适应尺度信息;然后在跳出效应的基础上设计了一种基于改进的局部对比度测量模型,最终生成一个显著图来突出目标特性,该方法能够在增强目标对比度同时,抑制背景杂波。定性定量实验结果表明,本文提出的方法相比于对比算法具有较高的红外小目标检测性能,能够对对比度不低于5%的目标稳定检测,适合防空武器装备工程应用。     

基于局部熵-局部对比度和双区域直方图均衡化的红外图像增强

为了改善红外图像的视觉效果,突出细节信息,同时抑制噪声。提出了结合改进的LC显著性检测和双区域直方图均衡化的红外图像增强方法。首先使用结合局部熵加权的LC显著性检测算法得到显著图。然后使用K-means算法对显著图进行自适应分割得到前景区域和背景区域。最后对前景区域进行结合局部方差的改进直方图均衡化,对背景区域使用限制对比度直方图均衡化增强。实验结果表明,与当前主流算法相比,本文算法主观效果更佳,且峰值信噪比、结构相似性、信息熵等客观评价参数均有所提升。     

自适应双极性红外舰船目标分割算法

红外舰船目标分割是红外海面场景中舰船目标自动识别的关键技术之一,通过阈值方法分割舰船因具有诸多优点而被广泛应用.已有阈值算法假设己知舰船和目标的能量强度关系(一般假设舰船亮度高于背景),但实际中波红外探测器所采集的图像易受环境影响,导致成像后舰船目标呈现双极性,使得已有的阈值方法难以自适应的分割舰船目标.为解决双极性舰船目标的自适应分割问题,该文提出一种新的最大化2维熵分割算法.算法首先利用图像的多尺度局部方差-熵变化量和梯度方向方差两个指标构建2维直方图,然后使用粒子群优化算法寻找最大化2维熵的最优阈值来对图像进行粗分割,随后在粗分割的基础上进行迭代精分割获得准确的目标分割结果.实验结果表明,该文算法能够在舰船目标呈现双极性的情况下均获得较好的分割结果.