一种视频强杂波两级空域滤波抑制方法

为便于对复杂视频强杂波背景下的微弱运动目标进行检测,提出了一种两级空域滤波强杂波抑制方法。采用局域均值去除(LMR)作为一级滤波,将原始图像变换为较大局域内均值和方差缓变的二维广义平稳过程,再通过基于二维AR模型参数估计的二级滤波器自适应滤除残余杂波。实验结果表明,对于一般噪声条件下的视频目标图像,利用该方法处理后得到的残留噪声呈现出很好的高斯性和独立性,并且输出目标信号杂波噪声比(SCNR)的平均增益达到1．33dB,有利于进一步的检测。     

基于背景杂波自适应预测的微小目标检测

本文主要研究基于图像的强空域杂波背景下微小目标检测.本文提出了一种新的基于邻域梯度差平方累积函数最小原则的背景杂波自适应预测算法.该算法能显著改善微小目标的信杂比(SCNR).试验证明,本算法相对于已有的多种算法,有着更好的性能.本文还引入了一种基于统计分析的快速检测算法,该算法能在较低的虚警概率情况下,获得更高的检测概率.理论分析及仿真表明,本文提出的检测系统在微小目标检测中,具有很高的实用性.     

灰度形态学滤波的红外运动小目标检测方法

针对空中红外图像中运动小目标的特征，提出一种采用灰度形态学滤波的背景抑制方法对图像进行处理，再利用自适应阈值分割方法对图像进行阈值分割的帧内检测方法；实践证明该技术能有效提高图像的信噪比，从而达到有效分割和快速检测小目标的目的。     

光电图像序列运动弱目标实时检测算法

针对光电探测图像序列中的运动弱小目标实时检测问题,提出了一种基于时空域融合滤波的弱目标检测算法。算法在空域上利用形态学Tophat滤波抑制背景增强目标,在时域上通过改进的帧间差分方法增强运动目标,两者融合后经自适应门限分割与航迹关联确认目标。实际录取数据分析结果表明,算法全面考虑运动弱小目标在时域与空域方面的特性,能更有效地从复杂背景中检测低信噪比运动弱小目标,减小了虚警率,抗噪声干扰能力强。     

基于小波变换与形态学的车牌定位方法

针对信号噪声环境下的车牌定位问题,提出了一种基于小波变换和数学形态学的图像定位方法.该方法先用自适应滤波多尺度边缘检测方法检测出车牌的边缘;然后用数学形态学方法对阈值二值化后的边缘图像进行系列形态运算,进一步消除无用信息;最后用基于车牌底色识别的方法进行车牌定位.实验结果表明,该方法定位效果好,适于有噪声的车牌图像进行定位.     

基于小波变换和形态学的织物疵点边缘检测

为了精确确定织物疵点边缘,提出了一种基于小波变换和形态学的织物疵点边缘检测方法.在利用形态学实现疵点检测后,对其进行小波分解,用小波模极大值法和基于数学形态学的算法分别提取高低频子图像的疵点边缘,采用合理的融合规则将两个边缘图像进行融合.实验结果表明,该算法能有效地抑制噪声,且边缘清晰、准确,效果优于经典的边缘检测算法,具有可行性和有效性.     

基于形态学梯度的红外目标检测

对于红外跟踪系统中的低空非合作运动目标检测问题,由于距离未知,目标可能表现为小目标或者面目标,另外,红外图像中可能包含大量的地物背景.针对以上问题,本文提出了一种基于形态学梯度的目标检测算法.此方法首先计算红外图像的形态学梯度,进而根据各种地物背景的形态学梯度特征提取天空区域,然后在此区域内进行目标检测,最后进行目标边缘片段的合并.该方法基于形态学梯度对于灰度变化的敏感性,使用形态学梯度来表征红外目标边缘强度,通过检测目标边缘来达到检测目标的目的.实验证明,本文方法能够有效的检测目标,虚警较少,且对小目标和面目标具有一定通用性.     

红外弱小目标检测背景抑制算法研究

复杂背景下红外小目标识别一直是红外图像处理的关键技术之一,针对复杂云背景下红外弱小目标的时域和空域特征,考虑到易于硬件实现和实时性要求,提出基于快速统计排序滤波和Robinson Guard滤波并行快速处理算法,对复杂背景进行高信噪比抑制。实验证明,该方法能够有效地提高红外弱小目标图像信噪比和复杂背景下的小目标的检测概率。     

起伏背景的小目标快速检测算法

分析了双门滤波算法抑制噪声能力强的特性,针对其在计算目标门和背景门均值和方差时计算量大的缺点,提出了一种快速双门滤波算法,该方法利用两个与图像一样大的二维数组来保存中间结果,这两个数组的元素值分别代表图像左上角所有像素的和与平方和,则计算目标门和背景门的均值和方差时可将MxN次加法和一次除法简化为两次减法、一次加法和一次除法运算,从而大大减少运算量,本算法的计算量从理论上讲仅为传统双门滤波运算量的3/M×N,且计算量不会随目标门、背景门尺寸的增加而增加(M、N分别代表背景门的高度和宽度).运用快速双门滤波抑制背景和噪声,初步检测出目标,然后再利用目标运动的连续性剔除虚假目标,实现运动目标的最终检测.试验结果表明:该算法能够对小目标进行有效的检测.     

小波域的频率扩展信道的信号检测

由于海洋动力学和目标起伏引起发射信号包络的时变衰减，相应于频域就是频率扩展，这种信道称为频率扩展信道，又名快速衰落信道(FFD)。在FFD信道中，理想信道的最佳检测器——匹配滤波器的性能将有所下降，Baggenstoss已经证明FFD信道的最佳检测器是分段副本相关器(SRC)。近年来出现的小波变换具有和宽带相关处理相似的计算结构，所以文章拟从连续小波变换的理论和性质出发，推导FFD信道小波变换域最佳检测器的形式，并针对一个仿真算例，进一步用Monte-Carlo实验计算出该检测器的性能曲线，结果表明该检测器的性能优于小波域的副本相关器。     

基于直方图调整和击中击不中变换的弱小目标检测

针对复杂背景图像中弱小目标像素少、灰度低,难于检测的问题,本文提出了一种基于直方图调整和数学形态学击中击不中变换相结合的弱小目标检测方法.该方法根据弱小目标的灰度特征,先对原始图像进行直方图调整,提高弱小目标的邻域信杂比,然后对二值化图像进行击中击不中变换,检测出可疑目标集合.实验结果表明,该方法能够有效地检测复杂背景下的弱小目标.     

基于方向小波变换的镁熔液弱小气泡检测

运用方向小波的多尺度和多方向变换,对高温镁熔液表面弱小气泡进行检测。先对原始图像进行方向小波变换重构高频,抑制背景杂质,再作帧差和迭代阈值分割处理,最后运用数学形态学检测到弱小气泡,并将结果与传统小波检测进行比较。实验结果表明方向小波变换方法是有效的,而且方向小波更符合图像的方向特点,能够较好地检测出复杂背景中的弱小气泡。     

基于背景分类的弱小目标检测算法

为了降低复杂背景对弱小目标探测的影响,本文提出了一种基于背景分类的弱小目标检测算法.背景分类的依据是背景的复杂度,本文用熵运算估计背景的复杂程度,同时为了简化算法,采用多分辨率的小波变换.再用模糊数学中的隶属度函数映射到模糊特征平面,作为背景因子图像.接着对背景因子图像进行最大熵阈值分割,将复杂的地面背景与平坦的天空背...     

基于分层动态规划的红外弱小目标检测

为了检测低信噪比下的红外弱小目标,本文将方向中值滤波与分层动态规划算法相结合进行检测前跟踪。利用背景杂波在局部空间上的相关性,提取目标在四个方向的中值进行自适应加权滤波,抑制结构性杂波分量,改善信噪比。针对分割后的备选目标点,为了减少跟踪检测的计算量,根据真实目标运动轨迹的连续性与光滑性,利用分层动态规划算法进行多帧检测,进而对多层检测结果进行配准并做出决策。仿真实验表明方向中值滤波有效的提高了信噪比,分层动态规划算法进一步降低了虚警概率,同时大大提升了计算速度。     

基于小波的多尺度SUSAN角点检测

SUSAN角点检测是一种经典的角点检测算法,但不具有尺变化特性.利用小波变换的多尺度特性,即在小尺度下的定位准确和大尺度下的抗噪性强,该文把多分辨分析的思想引入到该算法中,从而构建了一种新的基于小波变换的SUSAN多尺度角点检测算法.新的角点检测可以在不同的尺度下获取角点,克服了单一尺度的SUSAN角点检测可能存在的角点位置偏移和易受噪声干扰而提取出伪角点等问题.为了综合利用各个尺度下的角点信息,该文提出了由粗到细的角点筛选方案.通过对比实验,新算法明显地提高了图像角点检测性能.     

用高阶累积量投影法检测红外弱小目标

为检测弱小红外运动目标,提出了一种基于高阶累积量投影的检测算法.红外图像序列经背景抑制后,首先计算时域数据的归一化三阶累积量,并将其投影到二维空间,然后在二维空间内对目标轨迹进行统计判决,以实现目标检测.推导出了目标和噪声在二维投影空间中的分布公式.通过与相关算法对比分析,该算法计算量小,检测率随目标信噪比增长较快.利用实际录制的图像序列进行了仿真实验,成功检测到了信噪比不小于2、像面运动速度为2帧/像素的目标,验证了算法的有效性.     

基于Hǒlder指数和ICA的海域SAR图点目标检测

本文将分形Hǒlder指数和信号分离相结合,利用独立成分分析技术（ICA,Independent Component Analysis）,实现了海杂波SAR图的散斑抑制和点目标检测。首先,计算点态Hǒlder指数图,并提出二值模糊方法对其处理;接着使用ICA技术得到该图的基图像和独立成分;提出空间分离法,对独立成分进行分离,同时对基图进行对应分类,获得非噪声和噪声两个空间。最后在非噪声空间上重构图像。实验部分,将该算法与传统算法进行对比,证实了该算法的有效性和优越性。     

基于小波和奇异值分解的图像边缘检测

针对传统图像边缘检测抑制噪声能力弱的问题,给出了一种小波变换和局部梯度场内奇异值分解相结合的边缘检测方法.首先在图像预处理阶段,为了提取准确的边缘特征,文中利用小波变换的时频局部化特性,对图像进行小波变换.该文对用小波求取的梯度场使用局部梯度奇异值分解的方法;利用奇异值的特性和良好的稳定性,使提取的边缘特征更加突出并且能够达到抑制噪声的目的.实验证明该文方法既能在无噪声影响的图像中提取出清晰完整的单边缘,又能在有噪声干扰的情况下提取出理想的边缘.