Fuzzy-ART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地抑制背景而导致目标检测率低的问题,提出一种基于模糊自适应共振理论(Fuzzy-ART)进行背景抑制、基于行列k均值(k-means)聚类实现阈值分割的单帧红外弱小目标检测算法.首先依据红外成像原理仿真生成红外弱小目标训练样本;然后采用Fuzzy-ART神经网络建立目标模型,并以此分析各像素点的目标模糊隶属度来抑制背景杂波;最后采用基于行列k-means聚类的自适应阈值分割算法来检测真实目标.实验结果表明,该算法能有效地抑制背景杂波和突显目标,并能有效地提高信噪比检测弱小目标.     

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。     

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。     

一种基于小波分析的弱小目标检测背景预测算法

背景预测是弱小目标检测的有效方法之一。根据弱小目标检测需求,针对现有算法的不足,在分析弱小目标图像特性及其小波分解特性的基础上,设计并实现了一种基于小波分析的弱小目标检测背景预测算法。给出了算法流程,对算法进行了描述,并对算法进行了试验验证,试验结果表明算法具有运算速度快和抑制噪声能力强等优点。     

复杂背景下弱小目标的检测*

复杂背景下低信噪比弱小目标的检测是当今目标捡测的一个热点课题。为了检测到弱小目标,首先对图像进行复杂背景抑制,以达到抑制背景、提高信噪比的目的,然后比较三种方法的背景抑制能力,最后对抑制效果好的图像进行图像分割来进行弱小目标检测。     

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。     

基于SVD背景抑制和粒子滤波的弱小目标检测*

针对云天背景下红外弱小目标的检测算法中常见的目标漏检和检测错误问题,提出了一种基于奇异值分解背景抑制和粒子滤波联合检测算法。该算法首先采用奇异值分解滤波抑制红外图像背景,获取候选目标位置,然后采用粒子滤波算法估计目标运动状态,获取目标搜索窗口,最后将单帧检测候选目标与预测的搜索窗口相结合实现小目标检测。对真实红外图像序列进行实验表明,该方法有效地解决了SVD滤波单帧漏检和粒子滤波预测错误导致的目标检测错误问题,从而提高了低信噪比下弱小目标的检测能力。     

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。     

低空目标的多级图像投影检测方法

为解决地面背景干扰和雨天弱小目标难以检测的问题,提出一种低空目标多级图像投影检测算法。首先,分析地面背景与天空区域在图像中的分布位置以及灰度特征,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,由天空区域图像的水平和垂直投影一阶差分极大值截取目标所在的水平和垂直带状区域,分别计算水平带状区域的垂直灰度投影和垂直带状区域的水平灰度投影,并根据它们的一阶差分极大值点确定两组候选目标位置坐标;最后,验证获取的两组目标坐标,并计算目标位置坐标。实验结果表明:所提算法能检测出具有复杂地面背景的低空目标,也适用于雨天弱小目标的检测;该算法的速度较快,满足视频图像处理的实时性要求。     

基于显著图的红外弱小目标动态规划检测前跟踪算法

针对低信噪比复杂背景红外图像弱小目标检测虚警率高的问题,提出一种基于显著图的红外弱小目标动态规划检测前跟踪算法.该算法采用改进的局部区域差分算子提取显著图,根据注意力转移机制设计搜索策略,利用目标移动速度实时更新搜索范围,对多帧连续的显著图进行滤波跟踪,实现对红外图像弱小目标检测.实验结果表明,文中算法在对弱小目标进行有效检测的同时降低虚警率,提高了图像的检测效率.     

基于形态学Top—Hat算子的小目标检测方法

针对红外序列图象中运动弱小目标的检测问题，提出了一种基于能量累积与Ｔop-Hat算子的小目标检测方法，该方法是首先设置一定大小的滑动窗口，并通过对窗口内的图象序旬进行能量累积来去除图象中的随机噪声，以提高目标的信噪比；然后对能量累积后的图象采用形态学中的Ｔop-Hat算子完成候选小目标的检测工作；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，同时进行了该方法与传统高通滤波检测方法，在抗噪声性能、背景抑制性能以及抑制虚警目标性能等方面差异的比较实验，实验结果表明，基于能量累积与Ｔop-Hat算子的小目标检测方法在这３个方面都优于高通滤波法，它能够快速、可靠检测出低信噪比的运动小目标。     

多尺度分形维的星载舰船显著性检测

目的 星上的舰船检测需要在资源和时间受限条件下实现快速检测,并且对目标的种类和尺寸缺少先验信息的指导,更多时候还需要实现一景图像中不同尺寸舰船的检测,因此,星上舰船检测要求检测方法具有一定的自适应性,从而实现星上多变的检测场景。方法 针对这一问题,提出了一种多尺度分形维的检测方法,可以实现一景遥感图像中不同尺寸舰船目标的检测。首先,针对差分盒算法受盒子尺寸约束的限制使分形维数的计算精度受到影响的问题提出了一种改进算法,改进算法增加了拟合直线的点对数目并引入了拟合误差剔除误差点对,提高了分形维特征计算的精确度。结果 在提高了分形维计算精度的基础上,新算法利用自然物体在不同尺度上具有的自相似性,通过多尺度分形维的计算并借鉴视觉显著性中c-s算子来排除背景对目标的干扰,突出舰船目标。实验结果表明,新算法能够有效检测出一景图像中不同尺寸的舰船,优于双参数CFAR算法的检测结果。结论 本文提出的多尺度分形维的检测算法可以实现对一景图像中不同尺寸舰船目标的检测,在保证一定检测率的同时有效降低了目标检测的虚警率。     

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。     

红外背景抑制与小目标检测算法

目的 针对Robinson guard滤波器的局限性和红外图像背景抑制问题,提出一种新的红外背景抑制滤波算法。方法 首先通过形态学Tophat算子对图像背景进行抑制,然后对背景抑制后的图像采用改进的Robinson guard滤波器进一步凸显目标,并通过阈值化分割出感兴趣区域,在此基础上,利用Unger平滑去除小的噪声点,最后用局部信杂比（SCR）和移动式管道滤波剔除伪目标,实现运动小目标的准确定位。结果 采用3组不同的红外背景图像序列进行实验,所提算法对不同背景均有很好的抑制效果,与传统Robinson guard滤波方法相比,本文算法不仅能更有效地保留目标的特征信息,而且对3组图像序列的小目标的检测率分别提高了1.1%、2%、11%,虚警率分别降低了14%、12%、16%。结论 本文算法能有效地检测出小目标,具备较高的准确性,对于低信噪比的图像具有良好的适应性。同时,本文算法具有较高的实时处理能力,有利于实现实时性技术应用。     

基于高斯模板分层匹配的红外点目标检测算法

介绍了高斯模板相关匹配红外小目标检测方法,指出了该方法的不足。提出了一种基于高斯模板的红外小目标分层匹配算法,这种方法避免了目标尺寸与模板尺寸失配情况下的匹配不精确问题,能够在不知道目标尺寸参数的情况下匹配到高斯形状的目标。实验结果表明这种方法很好地解决了低信噪比点目标检测问题。     

Riemann Liouville分数阶积分的图像去噪算法

传统图像去噪算法易丢失图像边缘和纹理细节,使图像模糊不清,为后续图像分析处理带来困难。为克服传统图像去噪算法的缺点,根据Riemann Liouville分数阶积分,构造一种分数阶积分掩膜算子,对测试图像进行图像去噪仿真实验。同时,引入客观评价标准峰值信噪比和灰度共生矩阵,对分数阶积分掩膜算子的去噪效果进行分析。结果表明,不同于传统图像去噪算法,该分数阶积分掩膜算子可在去除图像噪声的同时,有效保留图像的边缘和纹理细节信息。     

Infrared dim target detection based on total variation regularization and principal component pursuit

Robust detection of infrared dim and small target contributes significantly to the infrared systems in many applications. Due to the diversity of background scene and unique characteristic of target, the detection of infrared targets remains a challenging problem. In this paper, a novel approach based on total variation regularization and principal component pursuit (TV-PCP) is presented to deal with this problem. The principal component pursuit model only considers the low-rank feature of background images, which will result in poor detection ability in non-uniform and non-smooth scenes. We take into account the total variation regularization term to thoroughly describe background feature, which can achieve good detection result as well as good background estimation result. Firstly, the input infrared image is transformed to a patch image model. Secondly, the TV-PCP model is presented on the patch image. An effective optimization algorithm is proposed to solve this model. Experiments on six real datasets show that the proposed method has superior detection ability under various backgrounds, especially with good background suppression performance and low false alarm rate.