基于数学形态学的红外图像小目标检测

针对红外成像跟踪系统的低信噪比、背景和噪声干扰严重的小目标图像,以及后续的目标识别处理需要目标的灰度信息的特点,设计了一种基于数学形态学的红外灰度图像小目标检测算法,并用FPGA硬件实现。实验表明,数学形态学滤波能够大大提高目标的信噪比,去除背景和噪声干扰,保留目标的灰度信息,满足系统实时性要求,是一种有效的红外灰度图像小目标检测算法。     

一种基于数学形态学的红外弱小目标检测方法

提出了一种红外图像序列中运动弱小目标检测的新方法。该方法在时间剖面上采用数学形态学滤波和中值滤波来抑制杂波背景干扰,并对去除背景后的图像进行分割,然后利用序列图像中目标运动的连续性和轨迹的一致性来检测出真正的目标。利用实测数据进行了仿真,实验结果表明了该方法的有效性。     

一种基于数学形态学的红外弱小目标检测方法

提出了一种红外图像序列中运动弱小目标检测的新方法。该方法在时间剖面上采用数学形态学滤波和中值滤波来抑制杂波背景干扰,并对去除背景后的图像进行分割,然后利用序列图像中目标运动的连续性和轨迹的一致性来检测出真正的目标。利用实测数据进行了仿真,实验结果表明了该方法的有效性。     

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.     

一种基于方差标记的形态学红外小目标检测算法

形态学算法在红外小目标检测上具有良好的性能,先对该算法的处理过程进行了分析,结合实际拍摄的红外小目标图像研究发现,算法在处理过程中存在很多不必要的计算,因此从提高算法的实时性出发,提出了一种基于方差标记的形态学方法.该方法首先计算图像每个像素的局部方差,然后由方差根据阈值判断条件对图像进行标记,标记完后再通过形态学算法对标记的部分进行Top-hat运算.理论分析和仿真实验表明,该方法能够极大的提高形态学的检测效率,而且对算法的检测性能有一定的提高.     

基于环带结构的形态学红外目标检测方法

传统的形态学检测采用扁平结构元素,将红外目标作为孤立点处理,未考虑真实红外弱小目标的成像特征,针对这一问题,设计了基于环带结构的形态学红外目标检测方法,对传统的Top-Hat算法进行了改进,并利用真实的红外目标图像,对改进算法进行了仿真处理。处理结果表明,该算法与传统形态学方法相比,具有更好的复杂背景抑制作用。     

基于形态滤波的红外小目标检测方法

针对空背景下红外小目标图像信噪比低,背景和杂波干扰严重的特点,提出了一种基于数学形态学的红外小目标检测算法。算法首先利用灰度形态学Top2Hat变换,完成复杂空背景下的背景抑制和候选目标提取,然后通过开运算处理进一步去除虚假目标和噪声干扰,完成目标分割;最后结合管道滤波的方法,可快速检测出红外图像序列中的小目标信号。实验表明,该算法能够有效的提高图像信噪比,快速有效地检测出目标信号。     

基于数学形态学的红外运动小目标识别算法研究

针对红外成像制导跟踪的目标具有低信噪比、且背景和噪声干扰信息严重的特点,设计了一种基于数学形态学的红外灰度图像小目标检测识别算法。实验表明,该算法能够大大提高目标的信噪比,去除背景和噪声干扰,保留目标的灰度信息,满足系统的实时性要求,是一种有效的红外灰度图像小目标检测算法。     

海空背景下红外点目标检测算法

提出了一种基于灰度形态学的海空背景下的红外点目标检测算法。该算法三步：第一步,对原始序列图像进行了膨胀后累加,以提高信噪比（SNR）;第二步,对原始序列图像进行形态学滤波,去掉噪声和目标以提取出背景;第三步,前两步结果相减,自适应阈值后即可得到点目标,用实际摄取的图像进行实验,结果表明该算法能检测出信杂比（SCR0为1的红外图像。     

改进YOLOv5的红外船舶目标检测算法

针对传统算法依赖于对红外船舶目标与环境背景的精确分离和信息提取,难以满足复杂背景和噪声等干扰环境下的船舶目标检测需求,提出一种基于改进YOLOv5的红外船舶目标检测算法。在YOLOv5网络中添加Reasoning层,以一种新的提取图像区域间语义关系来预测边界框和类概率的体系结构,提高模型的检测精度,同时对YOLOv5目标检测网络的损失函数进行改进,从而达到进一步提高模型准确率的目的。验证结果表明,改进后的YOLOv5算法训练出来的模型,检测精确率和速度与实验列出的几种目标检测算法相比均有明显提升,其中平均精度均值(mAP)可达94.65%。该模型经过验证,既能满足检测的实时性要求,又能保证高精度。     

基于形态重构与跟踪的红外小目标检测算法

 结合形态学预处理与基于核密度估计的跟踪,提出了一种新的前视红外小目标检测算法:改进形态重构开Top-Hat算子,解决了原算子对前视红外图像预处理时高亮度背景有残留的问题;先融合初始多帧图像,采用阈值法检测出候选目标,提高检测率,再对候选目标进行跟踪,利用目标运动的连续性,检测出真实目标;引入伪透视运动模型对传感器全局运动进行补偿,避免了由图像抖动导致的真实目标跟踪失败,误当作伪目标去除.仿真实验效果较好.     

一种多光谱红外舰船目标融合检测方法

针对复杂岸岛背景下的红外舰船目标检测问题,提出了一种多光谱融合红外舰船目标检测方法。首先根据不同谱段信息相互间的关系进行基于非下采样轮廓波变换(Nonsubsampled Contourlet Transform, NSCT)域的多级多光谱图像融合,然后利用LSD线段检测和聚类对融合后的图像进行岸岛线检测。采用选择性搜索算法生成初始目标候选区域,然后结合岸岛线空间位置以及舰船目标的几何特征和灰度特征约束剔除部分虚假目标区域,最后提取候选区域的方向梯度直方图(Histogram of Oriented Gradient, HOG)特征算子。利用线性支持向量机(Support Vector Machine, SVM)分类器进行分类识别,以检测出真实舰船目标。实验结果表明,与单谱段红外舰船目标检测方法相比,本文方法在检测精度上有较大提升。     

红外遥感图像舰船目标检测

红外遥感图像舰船目标检测在军舰探测、精确制导等军用领域以及海面搜救、渔船监测等民用领域具有极其重要的战略意义.本文回顾了红外遥感图像的发展历程, 总结了舰船遥感图像的特点及其图像处理的难点.着重分析了海陆分割和海洋背景图像预处理的研究现状, 对舰船检测算法进行了总结和归纳, 在此基础上对各种算法进行比较并指出其适用性和优缺点, 最后对其未来发展趋势进行了展望.     

红外靶船逼真度和可信度的检测与评估

将校核、验证与确认(Verification,Validation and Accreditation,VV&A)理念和测试与评估(Test and Evaluation,T&E)理念引入到了靶船的开发建设工作中,介绍了VV&A的发展历史、作用及其与T&E的关系,论述了红外靶船VV&A的原则、依据和过程。从逼真度的概念入手,分析了红外靶船的特点以及逼真度评估指标体系与评估方法。从技术体制和管理体制上为靶船建设提供了一条思路,解决了靶船逼真度和可信度的检测与评估难题。     

基于图像等级多样性的海上红外舰船显著性检测

海天和海岛背景下的海面多舰船红外目标检测一直是图像处理方面的难题。多舰船目标监视采用较广的视场和较大的景深,囊括了更多的目标信息和海天背景成像像素,使多舰船目标显著性的提取难度增大。同时,景深的增大使舰船目标成像更多地表现为小目标,轮廓特征不再明显,这对舰船目标的显著性检测造成了极大的困难。将图像等级多样性和超级像素理论用于海面多舰船目标显著性检测,提出了海面多舰船目标显著性检测方法。     

桥梁防撞系统中的红外船舶目标检测算法

红外热成像技术在内河航运安全保障体系当中有很广阔的应用前景.该论文提出了一种能够应用于内河环境,背景固定情况下的红外船舶目标检测算法.该算法综合利用了帧间差分法对目标运动敏感和背景差分法对目标轮廓提取完整的优点,并引入了自适应背景模型.通过实验表明,该算法对目标检测准确,目标信息完整,并具有良好的实时性和鲁棒性.     

红外目标检测的自适应背景感知算法

低信噪比检测技术是实现红外自动目标识别的基本前提,其性能指标将直接决定系统的探测灵敏度和作用距离,是反映红外低可观测目标识别能力至关重要的一项核心技术.自适应背景估计方法是实现这一目标的有效途径.本文在重点论述几种常用背景估计方法的基础上,提出了形态滤波的优化改进算法.理论分析和实验测试表明:该算法简化了形态变换关系,优化了结构元构型,促进了滤波质量和运算速度的双向提高;既保持了形态滤波有效保护信号特性的操作特点,又改善了原算法对杂波起伏不够敏感的固有缺陷,使其自适应背景感知能力更强;算法简洁紧凑,操作效率高;对复杂背景的低信噪比图像环境表现出良好的滤波性能和稳健的适应能力.     

一种基于SVM候选区训练的红外舰船目标检测方法

无人机进行红外舰船目标侦察时,检测算法对检测正确率的影响很大。为增强无人机红外光电载荷对舰船目标的检测能力,提出采用支持向量机(Support Vector Machine, SVM)进行候选区训练的检测算法,以提高目标检测的正确率。通过预先对候选区的特征进行训练,得到候选区的分类数据。在检测阶段,加载训练时得到的候选区分类数据,分类筛选出更可能包含目标的候选区,从而提高目标检测的正确率。验证实验中,选用368张无人机拍摄的长波红外图像作为训练数据集图像,另外选择139张图像作为测试图像。分别采用带候选区训练的方法和无候选区训练的方法做目标检测实验。检测结果表明,采用带候选区训练的检测方法比采用无候选区训练方法时平均检测正确率高14.6%。     

基于红外序列图像的特定目标智能检测

红外成像探测技术是目前以及未来军事作战需要倚仗的重要技术。以卫星红外序列遥感图像为处理对象,采用人工智能相关技术对图像数据进行目标检测。针对序列图像检测到的特定目标进行关联分析,并通过目标灰度提取以及运动变化信息来生成特定目标的轨迹报告。实验结果表明,多目标检测的平均正确率为90%,部分场景可以达到95%,误检率为7%;多目标跟踪的平均正确率为91%,误检率为6%,为及时发现和预警特定目标提供了信息支撑。     

基于形态重构的红外小目标图像背景抑制算法

前视红外(FLIR)小目标图像背景比较复杂,给目标检测和识别造成较大困难.针对图像背景中存在杂波,提出一种基于形态重构的背景抑制技术,分析了获取标记图像时结构算子的选取方法.对AMCOM数据集上的实验表明,提出的算法对于提高图像的信噪比是很有效的.