同质背景预测用于红外弱小目标检测

背景预测是红外弱小目标检测中抑制背景的主要方法之一.提出了一种同质背景预测算法,在分析空背景下不同背景成分图像灰度特征模型的基础上,首先对图像进行边缘检测,将图像划分为不同灰度性质的区域,然后使用边缘检测结果调制预测权值矩阵.仿真结果表明,该算法对背景杂波具有很好的抑制效果,能够有效保护图像细节,明显降低异质区域像素灰度对预测的不利影响,显著改善低信噪比条件下弱小目标的检测性能.     

背景预测模型中不同邻域预测效果评估

当目标处于复杂背景中时,红外弱小目标检测将变得更加困难.背景预测是红外图像弱小目标检测的一种重要方法,背景预测模型中权值矩阵的确定策略对于预测和检测效果具有决定性的影响.定义了被预测点周围的三种不同邻域,探讨了不同邻域背景像素点预测的效果,并比较了不同邻域以及中邻域和多邻域的检测性能.仿真实验结果表明,中邻域具有比近邻域和远邻域更好的预测和检测性能,此外,中邻域与多邻域相比,在保证检测性能的同时具有更快的运算优势.     

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。     

窗口大小和权值模板对固定权值背景预测算法的影响

固定权值背景预测是一种结构简单、处理速度较高的红外弱小目标检测算法.但因滤波效果不及自适应权值滤波器而限制了其应用.文章从算法的运算耗时和信噪比增益两方面,深入研究了固定权值背景预测算法.比较分析了不同大小预测窗口和各种权系数模板对小目标检测效果的影响,通过理论分析和实验确定了最佳预测窗口和最优固定权系数模板组成的滤波器,对常规的算法进行了改进.并通过计算机仿真验证了上述分析的合理性.     

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。     

基于二维EMD的红外图像弱小目标检测

针对红外图像中的弱小目标检测,提出了一种经验模态分解（EMD）检测复杂云天背景下红外弱小目标的新方法。该方法基于Delaunay三角剖分和径向基函数,将一维EMD方法推广到二维,并将其应用于红外图像中小目标的检测。仿真实验结果表明,该方法能快速、准确地检测出云天背景下的红外弱小目标。     

一种基于稀疏化核方法的红外强杂波背景抑制算法

杂波背景抑制一直是红外弱小目标检测面临的难题.背景抑制可分为背景预测和差分滤波两步.针对强杂波背景呈现非线性分布的特征,提出了一种基于稀疏化核递推最小二乘(KRLS)算法的非线性背景抑制算法.算法采用监督学习模型,使用序列图像作为训练样本.通过稀疏化控制学习函数的复杂度并剔除冗余信息,不但可以提高学习机器的推广能力,还可以降低运算量.使用真实红外图像对算法进行了测试,并分析了算法参数.实验结果表明:算法可自适应预测不同类型的强杂波背景,并有效抑制背景杂波.     

结构元素选取对基于形态学红外点目标检测的影响

针对形态学图像处理中结构元素的优化选取问题,在结合灰值形态学和背景抑制技术,提出基于灰值形态学的点目标检测算法的基础上,重点分析和对比了结构元素的选取对不同的云天背景成分和点目标特性所产生的不同的处理性能,为结构元素的选取提供了一种有针对性的分析方法.实验结果表明,应具体分析不同的云天背景成分和点目标特性,折衷考虑处理点目标的敏感性和预测背景的准确性,以选取合适的结构元素.     

基于背景杂波自适应预测的红外弱小目标检测

文章根据背景杂波和运动目标的红外成像差异,提出了两种自适应杂波预测技术的低 信噪比小目标检测方法。首先讨论了一种基于均方误差最小的自适应线性预测器,该预测器计算量小,易满足实时要求,且对平稳和线性云层红外背景图像具有很好的背景预测能力。然后提出了一种基于非线性函数可调整的BP 神经网络预测器,该预测器中的非线性函数可调整且非线性程度很高,能很好的适应各种复杂的起伏背景,特别是非平稳和非线性杂波背景。文中还通过实际的红外图像验证了两种方法的有效性。     

结合目标特性和局部背景类别预测的红外小目标检测

探索了一种结合目标特性和局部背景类别预测的红外小目标检测算法。具体研 究了红外天空小目标检测中屏蔽地物虚警的问题。在复杂的红外场景中,地面物体由于复杂多变造成 的虚警会严重影响系统的探测灵敏度和鲁棒性。如果仅从目标特性入手,难以滤除地物虚警。首先利 用新 Top Hat 变换提取出潜目标。然后,对每个潜目标,一方面利用目标特性获得一种潜目标为真实目标的 可能性度量,另一方面考虑潜目标一定大小的邻域背景,根据对背景类别(天空或者地物)的预测获得 另一种可能性度量。最后,结合两种度量滤除虚假目标。实验表明,相比仅考虑目标特性的算法,本文 算法的探测性能有了很大提升。     

一种序列图像中运动点目标的检测方法

序列图像中运动点目标的检测按图像的成像系统不同,可分为红外图像中运动点目标的检测和可见光图像中运动点目标的检测,而现有检测算法多是针对前者。为寻找一种适用于两种类型图像的运动点目标的检测方法,以多云天空为研究背景,提出了一种新的运动点目标检测算法。采用高通滤波和形态学滤波相结合的方法进行背景抑制,基于检测前跟踪（TBD）的基本思想,根据相邻三帧进行目标分割,利用轨迹能量累积方法完成目标检测。理论分析和仿真结果表明,该算法简单易行．既适用于红外图像又适用于可见光图像的运动点目标,而且对目标的运动速度和方向无任何限制。     

云层背景下基于混沌理论的红外小目标检测研究

针对云层背景下红外小目标检测难、可用数据集少的问题,提出了一种基于混沌预测的检测方法。首先从云层背景的空间混沌特征出发,采用径向基函数神经网络设计了混沌序列的预测模型,并利用遗传算法优化网络参数,提高预测精度。然后利用预测模型对图像像素序列的预测值与实际值之间的预测误差,实现了小目标检测。最后通过实验验证了上述算法的有效性,对测试样本的检测率为86.7%,虚警率为0.86%。     

基于多向梯度背景预测的红外目标检测算法

为解决复杂空中背景下红外弱小目标的检测,提出一种新的基于多向梯度的背景预测方法。该方法根据云层边缘区域、平缓背景区域及弱小目标所呈现的不同梯度特点,采取不同方法分别进行预测;基本保留云层边缘区域和平缓背景区域的点,而对弱小目标区域采用邻域低灰度值点进行预测。然后经过背景消除和阈值分割,将弱小目标检测出来。仿真结果表明,该算法对复杂空中背景预测有很高的准确性,能够更加有效地抑制云层边缘引起的虚警,将红外弱小目标点检测出来。     

天基红外扫描图像点目标检测算法

针对天基红外扫描型探测器的成像特点(时间延迟积分和半像元错列对准),提出了一种基于自适应背景预测的红外扫描图像点目标检测算法。首先,采用递归背景估计的背景预测模型,利用最速下降法求解滤波系数。其次,对背景去除后的残差图像进行自适应门限探测,并对过门限图像进行双向脉冲匹配以抑制噪声,提取目标。最后,采用蒙特卡罗方法对算法性能进行了仿真分析。实验结果表明:当信噪比大于3时,目标检测概率可达99.5%(虚警1.07×10-2)。算法实时性分析表明:算法处理能力为31.37Mb/s。     

海天背景红外成像仿真系统

设计了海天背景红外成像仿真系统:利用大气传输软件Modtran计算天空背景和太阳的红外辐射;基于JONSWAP海谱模型构建二维海面;基于热辐射理论和粗糙面散射理论分别计算海面和目标的红外辐射及对背景辐射的散射;最终可获得海天背景红外仿真图像.对于海天背景辐射特性和目标识别算法研究具有重要实际意义.