基于SUSAN算子的白天红外星目标检测

受多种因素的影响,白天获得的红外星图像信噪比低,且背景通常是不均匀的,为红外星目标的提取造成了极大的困难。通过理论计算,实际白天拍摄的近红外星图信噪比极低,使用一般的滤波方法无法提取出恒星目标,目前常用的形态学方法对于星图像的处理也不甚理想。首先分析背景特性,采用多帧叠加的方法削弱随机噪声,增大信噪比;然后设定阈值对叠加后的星图进行背景消除,得到只含有目标及噪声的图像;最后基于图像的特性,使用改进的SUSAN算子对星图进行目标检测,进而分割出目标,实验证明,与传统方法相比,该方法可较好地分离出恒星目标。     

基于自适应SUSAN各向异性扩散的红外弱小目标检测

针对复杂背景下红外弱小目标提取困难的问题,提出了一种自适应SUSAN各向异性扩散的红外弱小目标检测算法。该算法结合SUSAN边缘检测算子与各向异性扩散,形成新的扩散方程对红外图像进行背景预测,与原图像差分后实现弱小目标检测。为使算法具备自适应能力,提出SUSAN边缘检测器灰度差阈值的自适应设定方法,采用绝对偏差中值算子作为其扩散系数。实验结果表明,该算法能够有效滤除复杂图像背景,大幅提升信噪比,同时保留目标大小。     

基于SUSAN算子的嘴部轮廓特征提取方法

针对人脸识别中的嘴部定位部分轮廓缺失问题,提出了一种由粗到精的快速准确的嘴部轮廓特征提取方法。该方法是在人脸检测的基础上采用改进的SUSAN算子提取嘴部边缘轮廓信息,通过几何特征和搜索区域相结合的方法实现了嘴唇轮廓的精确定位。仿真结果表明,该定位方法快速有效,正确率较高。     

基于改进SUSAN原则的小目标检测算法

为解决复杂云层背景下红外弱小目标的检测问题,提出了基于改进SUSAN原则的检测方法,该方法通过重新定义SUSAN原则,改进模板形状,自适应设置阈值,使之对小目标极为敏感,抑制背景和噪声。实验证明,该算法对于信噪比小于2的弱小目标有较强的单帧检测能力。     

基于区域梯度信息的红外小目标检测

红外小目标检测一直是红外图像处理的难点之一,由于多种因素的影响,红外小目标容易被覆盖。分析红外图像特征,采用形态学对图像进行背景噪声抑制,在去除大部分噪声的情况下,首先利用灰度信息确定目标点的位置,然后利用区域梯度信息进而确定目标尺寸大小,对仿真图像进行处理并与K均值聚类法和形态学算法进行比较。实验结果表明:在低噪声情况下,三类算法均能有效地进行小目标检测,但在噪声复杂,信噪比较低的情况下,K均值聚类法未能检测出目标,形态学算法产生了多个虚警,而该算法依然能有效检测出小目标。     

基于多向梯度法的红外弱小目标快速检测方法

针对复杂背景下红外弱小目标信噪比(SNR)低、对 比度小造成的红外目标检测率低和实时性差的问题,提出一种基于多向梯度法的红外弱小目 标快速提取算法。目标提取前, 利用多尺度拉普拉斯-高斯(LoG)算子抑制图像背景,凸显背景边缘轮廓与弱小目标;然后 引 入多向梯度目标搜索算法,选取最佳梯度数,利用最简算法快速搜索目标。实验结果表明, 本文算法处理后的红外图像有较高的SNR与对比度,检测率 为传统红外目标提取算法的1.5倍,充分保证了检测精度,且计算耗 时短,实时性强。     

基于改进型SUSAN算子四轮定位参数检测方法实现

针对当前四轮定位仪传感器众多、精度低、操作复杂、维护成本高等缺点,提出一种三维视觉式四轮定位参数检测的新方法,阐述了基于改进型SUSAN算子实现该方法,通过采集随车轮一起运动的棋盘格式目标盘的序列图像,求取车轮旋转轴线的三维方向余弦,进而求得四轮定位几何参数。与传统方法相比具有非接触、实时、操作简便、精度高的优点。     

基于灰度形态学累加和SUSAN算法的红外弱小运动目标检测

本文提出了一种基于灰度形态学累加和SUSAN算法的红外弱小运动目标检测方法.首先利用Butterworth滤波器对原始红外图像进行高通滤波,得到包含少许噪声点和目标点的处理图像;然后,通过基于灰度形态学的多帧累加的方式进一步提高图像的信噪比;最后利用SUSAN检测算子对多帧累加过的红外图像进行分割并将真实目标检测出来.为了提高小目标检测的实时性,给出了基于FPGA DSP的硬件实现结构.实验表明,该方法能够较好地消除背景和抑制噪声,从而准确有效地检测红外运动弱小目标.     

SUSAN算子在汽车铝轮毂缺陷边缘检测中的应用

为了改善在对铝合金铸件进行X射线实时探伤时,采集回来的许多图像的目标物体的轮廓比较模糊,这样在评片时容易造成对铸件的误判和漏判的缺点.针对这种现象并结合汽车轮毂图像噪声源多的特点,在经过二次分割提取出轮毂缺陷的基础上应用SUSAN算子对缺陷图像进行边缘检测,取得了很好的边缘提取效果.实验结果证明了该方法在实际应用中的可行性,与传统的边缘检测算法相比,其抗干扰能力较强,实时性较好,能够快速、可靠地检测出缺陷边缘,这给工作人员在看图时带来了方便.     

基于二阶梯度的红外小目标检测方法

为了提高复杂背景下红外图像中弱小目标的检测概率同时降低虚警率,本文提出一种基于二阶梯度的红外弱小目标检测算法。首先基于小面模型采用二维离散正交多项式对原始图像局部灰度分布进行拟合,然后设计二阶方向导数滤波器对图像进行滤波并分解为不同的方向通道,再根据极值定理对不同的方向通道求取极值图像,随后对极值图像进行形态学滤波以增强目标能量并进一步抑制背景杂波,之后对极值图像进行归一化处理并统计其直方图,利用直方图灰度分布选取合适的分割阈值,进行阈值分割后得到二值图像并最终确定目标位置。实验结果表明,该方法在信噪比极低的复杂背景下可准确地对弱小目标进行检测。     

基于改进边缘检测算子的图像特征点提取算法

介绍了边缘检测算子的原理,对算法中灰度差阈值的选择方式进行了改进。在图像中每个像素的SUSAN模板中首先计算阀值t的初值,再利用迭代法获得终值,使其在各种不同的对比度下仍能正确检测兴趣点,最后运用该算法进行了图像边缘检测测试,并与其他检测算子进行比较。实验结果表明,该算法具有方法简单、抗噪能力强、计算量小等优点。     

基于多方向梯度和形态学算法的红外弱小目标检测

受多种因素的影响,通常获得的红外图像信噪比低、对比度差,为目标的提取带来一定的困难。在分析弱小目标方向梯度的基础上,结合形态学算法,提出一种新的红外弱小目标检测算法。首先在待检测点四邻域方向上选取4个参考点,根据该方向待检测点与参考点之间的多级梯度特征,确定出潜在目标;然后利用结构元可调节的特性,选择合适的结构元素,通过形态学处理,剔除噪声点并最终确定出目标。实验表明,该算法计算简单,无需预测背景,可在低信噪比图像中有效检测弱小目标。     

基于局部协方差矩阵判别模型的红外小目标检测方法

在复杂的背景下检测红外点目标是一项很难的挑战。复杂的背景通常包含结构化边缘、非结构化杂波和噪声,它们具有完全不同的属性。使用某个属性将小目标与这些干扰分开是非常困难的。为了解决这个问题,本文提出了一种基于局部协方差矩阵判别模型的方法来检测目标。在检测目标的过程中,讨论了图像在四个方向上的变化。此外,在红外小目标检测过程中,本文还采用了一种新的基于图像均值和方差的阈值公式。实验结果表明,该方法具有较好的性能。     

基于K-means聚类红外目标检测

目标检测是红外图像处理环节中的重要组成部分,检测结果直接影响后续处理。在分析红外图像特点的基础上,采用改进的Top-Hat算子对红外图像中的噪声点进行抑制,同时基于传统K-means聚类思想,提出基于二维梯度信息的K-means聚类目标检测算法。实验结果表明,该方法抑制噪声作用明显,能很好地检测出红外图像中的目标,为后续图像处理工作打下较好的基础。     

基于Zernike矩的低信噪比红外目标检测方法

针对低信噪比红外目标图像,分析了Zernike矩的基本原理、计算方法和旋转不变性,提出了基于Zernike正交矩的低信噪比红外目标检测方法,并比较了模板匹配、Hu矩、Zernike矩方法的目标识别效果.理论分析与实验验证了所提方法的有效性.     

多信息融合的红外弱小目标检测

红外弱小目标检测是图像处理的难点之一,许多研究人员提出了不少检测方法.针对复杂背景与强杂波干扰下图像信杂比(Signal-to-Clutter Ratio,SCR)低造成的目前检测方法易受伪目标干扰、虚警率高的问题,提出了一种多信息融合的红外弱小目标检测算法.首先,构建八向局部灰度残差信息图;其次,设计一个滑动窗口遍历整个图像,将图像分为一系列局部图像块,对局部图像块的强度均值进行约束,获得局部强度均值约束信息图;然后,将局部图像块进一步划分为12个方向块,对每个方向块中像素的梯度方向进行约束,获取梯度方向约束信息图;最后,上述3个信息图像通过点积运算得到最终显著图,并利用阈值分割实现弱小目标的分离.将该算法与3种其它不同算法从信杂比增益(Signal-to-Clutter Ratio Gain,SCRG)、背景抑制因子(Background Suppression Factor,BSF)以及检测率与虚警率的接受者操作特征(Receiver Operating Characteristic,ROC)曲线方面进行对比.实验结果表明:该算法具有更高的SCRG、BSF和ROC曲线下面积(Area Under the Curve,AUC),不仅能有效地抑制背景杂波、剔除伪目标,而且能准确地检测出红外弱小目标,具有较高的检测率.