红外弱小目标图像预处理及分割方法的研究

针对红外弱小目标检测,给出了一种常用的图像预处理方法。重点讲述了一种红外弱小目标图像分割方法,它是用一个回形窗口和对比度阈值进行分割图像。对天空背景下低信噪比的红外弱小目标图像序列能够有效地分割,抑制噪声干扰。描述了对图像的处理过程,将该方法与传统的图像分割方法做了比较,实验表明该算法在执行效率和检测概率上能够取得满意的结果。     

一种快速实时的低信噪比红外点、斑点目标检测方法

针对红外弱小目标检测的重要性和困难性,首先采用一次门限进行比较预处理,然后根据目标的特点选取合适的高通模板进行图像空域滤波,滤波后进行自适应门限分割,将低信噪比的红外点目标从罱的背景中分割出来,最后点目标检测方法进行点合并,对同时存在的斑点和面目标进行检测,该算法可有效地减少运算量,可对同时存在的点,班,点,面目标进行实时快速检测。     

基于自适应曲面拟合的红外图像背景估计

针对红外弱小目标检测,提出了一种新的基于自适应曲面拟合的红外图像背景估计方法。采用三角函数作为基函数,对红外图像进行拟合。为提高拟合精度,引入了权值矩阵对拟合误差进行约束,并采用分步策略对拟合结果进行优化。在初步拟合的基础上,为抑制奇异点（强边缘点,噪声和小目标）对拟合的＂干扰＂,采用迭代寻优的方法,自适应地对拟合权值和拟合系数进行调整。此外,针对迭代处理的阈值选取,采用概率统计的方法对噪声方差进行估计,提高了拟合的准确性。实验表明：利用该方法估计背景进行背景抑制,可有效提高残差图像的信噪比,显著减少虚警点干扰,提高单帧内目标检测概率。     

基于自适应形态学Top-Hat滤波器的红外弱小目标检测方法

针对红外序列图像中运动弱小目标的检测问题，提出了一种基于自适应形态学Top-Hat算子和改进的自适应门限的弱小目标检测方法，其中形态学滤波嚣的结构元素采用两层前馈神经网络通过大量样本训练优化．将Top-Hat运算作为一个整体当作一层，输出层节点定义为作Top-Hat运算后图像矩阵的最大值，并针对所检测的大多数弱小点目标采用自适应门限进行分割，同时对SNR〉4左右的点目标用固定门限进行分割．实验结果表明，该方法对SNR较低的复杂图像具有良好的滤波效果．     

基于复杂融合特征与灰度-纹理直方图描述子的红外弱小目标检测追踪算法

为了解决当前红外目标检测追踪算法仅依靠单一图像特征对弱小目标增强,使其在背景杂波与噪声干扰严重条件下,难以剔除图像背景中的伪目标像素,导致弱小目标检测与追踪精度不高,提出了基于复杂融合特征与联合灰度-纹理直方图描述子的红外弱小目标检测与追踪算法。首先,针对红外图像不同特征的背景干扰因素,引入不同方向的腐蚀操作结构元素,设计了分类Top-Hat变换算子,充分抑制背景杂波与噪声,从而将弱小目标从复杂背景中凸显出来;随后,引入方差权重信息熵,构建复杂融合特征,对红外图像进行分割,确定候选目标区域;并基于管道滤波模式,对候选目标区域中的真实弱小目标与伪目标进行筛选,将虚假目标过滤;再考虑弱小目标的强度与纹理特征,基于LBP技术(local binary pattern),设计了灰度-纹理直方图描述子,充分描述红外弱小目标的边缘、线端与角点等鲁棒性特征,较好地保留目标的空域信息,有效剔除图像背景中的伪目标像素;最后,联合均值漂移算法,对红外弱小目标进行精确追踪。实验结果显示:与当前红外目标检测追踪技术相比,在复杂背景干扰条件下,本文算法具有更高的检测精度与更低的追踪误差。     

基于分形和模糊滤波的红外烟幕背景中人造目标的识别

文章分析了红外烟幕图像中背景与目标特征的差别,采用分形维教和分形拟合误差作为烟幕背景与人造 目标的区分特征,用模糊滤波的方法确定分割门限,实现了分形识别算法并对目标图像进行了处理,结果表明能够 较好地从烟幕背景中检测出人造目标。     

基于分形和模糊滤波的红外烟幕背景中人造目标的识别

章分析了红外烟幕图像中背景与目标特征的差别，采用分形维数和分形拟合误差作为烟幕背景与人造目标的区分特征，用模糊滤波的方法确定分割门限，实现了分形识别算法并对目标图像进行了处理，结果表明能够较好地从烟幕背景中检测出人造目标。     

基于OTSU分割的云层背景下弱目标检测算法研究

在各种背景的弱目标检测算法研究中,采用了最大类间方差(OTSU)分割的检测算法,对于不同大小的目标提出了两种不同的处理方法.在背景简单的小目标的预处理中利用中值滤波和OTSU相结合的方法;对于背景相对复杂的大目标的检测采用自适应门限、拉普拉斯(Log)滤波和OTSU分割的检测算法,把目标提取出来.自适应门限用于增强图像,使图像的背景灰度变得均匀;Log高通滤波器可以有效地去除背景;OTSU是经典的非参数,无监督自适应阈值选取方法,对图像经过阈值分割后,图像将变成包含少量可能目标点的二值图像.仿真实验表明:该算法能够有效地去除背景天空的强浮云,具有计算量小等优点,能够很好地检测出目标.     

红外视频背景抑制及弱小运动目标检测方法

红外视频弱小目标检测技术是红外搜索与跟踪系统的一项核心技术。本文采用了单帧检测、序列确认的目标检测方案,即通过非参数回归估计的背景建模方法进行单帧处理,从而检测出候选目标点,然后利用目标出现的连续性,用移动式管道滤波法对多帧图像进行检测,剔除伪目标,同时得到目标的运动轨迹。实验证明了本文研究方法的有效性。     

预检测红外弱小目标的灰度迭代法

为了提高检测红外弱小目标的速度和精度,提出了一种用于预检测红外弱小目标的灰度迭代法。通过由红外图像X的灰度均值、最大值和抑制比定义的迭代函数系统对X的灰度值进行分形迭代来降低X中的背景灰度值和噪声灰度值,从而增强X中红外弱小目标的亮度。运用这种方法对夜空、乌云和丛林三类单帧红外图像进行分形处理,预检测效果较好。     

红外图像序列运动小目标的图像流检测法

提出一种利用图像流分析法对红外序列图像中的运动小目标进行检测的算法．首先利用两步分离法对图像进行预处理,筛选出少量的侯选运动目标,然后利用图像流模型建立目标的运动约束方程,在多帧连续图像中检测出真正的目标运动轨迹．实验结果表明,该算法能够对小目标甚至是点目标的运动进行可靠检测．     

基于虚警识别与空-频域显著性映射的红外弱小目标检测算法

为了提高复杂背景与低信杂比率环境下的弱小目标检测准确度,有效控制虚警的干扰,考虑真实目标与背景的差异,设计了虚警识别耦合空-频域显著性映射的红外弱小目标检测算法。首先,根据红外中心像素在不同方向的强度,基于中值滤波器,构建了新的噪声滤波方法,充分抑制红外背景中的噪声干扰。随后,考虑中心像素与其邻域像素间的强度差别,设计背景抑制滤波机制,消除背景信息。根据初始红外图像与背景抑制结果,在空域内计算灰度映射。基于Fourier变换的相位谱,在频域内提取红外目标的显著性映射。利用背景的均值与方差,通过一个滑动窗口,建立候选目标检测方法,从灰度映射与显著性映射中确定候选目标。最后,利用真实目标位置的相关性,建立虚警识别方法,从候选目标中消除虚警,以保留真实弱小目标。实验数据表明:较已有的弱小目标识别技术而言,在复杂干扰背景下,所提方案可准确定位出真实目标,拥有更大的信杂比增益值与背景抑制因子,以及更好的ROC(receiver operating characteristic curve)特性曲线。     

红外海面小目标检测的并行实现技术

提出了红外海面小目标检测的并行实现方案,该方案采用了基于多级滤波的小目标检测方法,能在自行设计的多总线多DSP实时图像处理系统上运。详细讨论了该方案的优化问题,以获得成本最优、并行效率最高的系统并行处理方式。实验结果表明,算法是可行的,并行系统优化的理论分析是正确的。     

基于跳跃马尔可夫模型的红外点目标检测方法

提出一种基于跳跃马尔可夫模型的红外点目标检测方法,根据模型设计了采用粒子滤器的模型参数与状态估计算法.该方法既能用于图像的空域滤波,也能用于序列图像的时域滤波.实验表明采用该方法进行空域/时域滤波可以极大地抑制杂波背景并增强点目标的可检测性.     

采用监督特征学习的红外小目标检测

为了改善大尺寸图像下红外小目标检测的检测率与速度,提出一种采用监督特征学习的检测算法.通过分析小目标邻域图像的分布特点,定义一种基于灰度分布的统计特征,用以描述目标与非目标的邻域的灰度分布差异.以局部灰度极大值区域为训练样本,通过有监督学习提取对目标区分能力最强的特征.随后,在特征空间设计级联结构的多分类器,采用逻辑斯...     

基于目标检测的红外和可见光动态图像融合

提出一种基于运动目标检测的红外和可见光动态图像融合方法，通过对红外序列图像中的运动目标进行检测，将运动目标信息融合到可见光序列图像中。试验结果表明，文中算法所得到的融合图像能够综合利用红外图像较好的目标指示特性与可见光图像较清晰的场景信息，有利于安全监视人员进行目标识别和情景感知。     

复杂背景下改进的红外弱小目标检测

许多研究者关注红外弱小目标检测领域并进行过种种探索，然而复杂背景下检测的难题始终未得到满意的解决。复杂背景下的杂波难以消除，目标检测无法得到显著结果。为此，本文提出了一种基于高升压滤波器的加权三层窗口目标检测算法HB-WTLLCM（High-Boost Weighted Tri-Layer Local Contrast Measure），针对复杂背景的目标检测进行目标增强，从而提高检测率。本文算法首先利用改进的高升压滤波器对红外原始图像进行预处理，再利用三层嵌套窗口，根据目标形状进行局部对比度增强。最后引入一种基于复杂度评估的加权算法，进一步进行目标增强和随机噪声抑制。实验数据显示，本文提出的算法相比于主流算法在多建筑、多树木的复杂背景下目标增强能力更强，检测率更高。上述结果提示，本文提出的HB-WTLLCM算法对于复杂场景下红外弱小目标进行检测具有一定优势。     

基于稀疏表示模型的SAR图像目标检测算法

针对合成孔径雷达（synthetic aperture radar,SAR）图像可视性差、目标区域小以及特征不明显等特性对目标检测造成的困难,将稀疏表示模型应用于SAR图像目标检测,提出一种基于稀疏表示模型的SAR图像目标检测算法。首先,利用K—SVD算法训练样本提取对样本最具描述能力的SIFT特征形成字典;其次,通过将进化机制和稀疏表示结合,逐步提取整幅图像中含有目标的图像块;最后,输出稀疏表示误差小于阈值的图像块的位置作为目标检测的结果。实验结果表明,与传统目标检测算法相比,该算法在检测率和运行效率方面均有一定的提高,取得了较好的效果。     

基于动态规划的红外小目标检测与识别

研究了天空背景下红外运动小目标的检测与识别．对序列红外图像进行增强处理,通过模板滤波去除弱噪声;运用分割算法和聚类分析把目标和强噪声从背景中分离出来,根据所定义的一种距离,运用动态规划的方法找出目标,并得出目标的运动轨迹;给出整套处理方法的实验结果和分析．