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。     

基于小波变换的红外成像弱小目标检测方法

研究红外目标图像中弱小目标的自动检测和定位方法,将弱小目标看作是红外图像中灰度和位置均未知的暂态信号,通过对图像信号作多尺度的小波变换,可以在低信噪比条件下检测出弱小目标,实验结果表明,小波变换能很好地增强目标,掏背影杂波,从而提高目标检测概率,降低误检测。     

实时红外小目标预检测中注意机制分析

针对用于红外小目标预检测的基于局部对比度的注意机制,分析了其非线性采样模型参数与预检测生成的显著性图中目标／背景信噪比的关系,为模型的参数选择提供了理论依据。同时,在分析预测算法计算量的基础上,比较了采用该预检测算法和不采用预检测算法的小目标检测之间的计算量差异,证明了采用预检测算法可以大大提高小目标检测的计算效率。     

基于二维经验模式分解的红外弱小目标检测

红外图像中弱小目标的检测问题是图像领域的研究热点,同时也是难点。在成像系统的性能确定的情况下,研究图像处理的合理算法和理论,是最大程度发挥系统性能的重要途径。经验模式分解基于信号局部特征,能对信号进行直观的、直接的、自适应的、高效的分解,本文将二维经验模式分解应用于红外弱小目标检测,提高了红外弱小目标检测的性能。     

基于加权核范数最小化的红外弱小目标检测

提出一种基于加权核范数最小化的红外弱小目标检测方法.该方法将原始红外图像转化为新的红外块图像模式,在红外块图像上,以鲁棒主成分分析(RPCA)为基础,将图像数据矩阵分解为一个低秩矩阵和一个稀疏矩阵;针对RPCA模型对复杂背景描述能力弱的不足,引入了加权核范数来更好地描述背景的低秩特性,并给出了相应的优化求解算法;同时,给出了一种自适应阈值分割方法,准确地从稀疏目标图像中提取出弱小目标.基于天空、海洋、山地、沙漠4种不同场景进行红外弱小目标检测,并比较了该算法和已有算法的性能,结果表明:该算法能有效地降低复杂背景边缘产生的虚警,提高目标检测准确率.     

几种典型红外弱小目标检测算法的性能评估

对基于中值相减滤波、最大中值相减滤波、最大均值相减滤波和推广的结构张量的红外弱小目标检测算法的性能进行了评估.针对传统评估方法的不足,提出了一种基于支持向量回归的红外弱小目标检测算法性能评估方法.利用该方法分别从图像背景特性和目标特性2方面对4种检测算法性能的影响进行定量分析和比较.实验结果表明,图像背景特性和目标特性对4种算法的检测性能都有较大的影响,而目标特性与4种算法的检测性能的依赖关系更明显;在4种评估算法中,基于推广的结构张量算法比其他3种传统红外弱小目标检测算法具有更好的鲁棒性.     

融合多尺度注意力和分离解耦头的红外弱小目标检测算法

目前红外弱小目标检测技术广泛应用于预警系统、精确制导、海域监视等军事领域。针对红外弱小目标包含纹理或形状信息有限、传统算法存在较多误检和漏检等问题,以YOLOv5s模型为基础,引入动态小目标数据增强策略、改进网络结构和损失函数,提升模型对于红外弱小目标的检测效果。该方法在红外弱小目标数据集中平均检测精度达到69.2%,参数量为1.64×106,浮点计算量为13.5×109,实验结果表明,该模型能够有效检测复杂背景下的红外弱小目标,具有一定的工程实践价值。     

基于Spearman秩相关系数的红外弱小目标检测

针对红外弱小目标检测,目标运动跨像元,引起目标的丢失的问题,提出了一种基于Spearman秩相关系数的红外弱小目标检测新方法。该方法首先采用时空域中值滤波的方法估计背景;然后通过计算邻域像元点与目标处于像元中心位置时的Spearman相关系数,获得候选目标点;最后采用二次滤波和运动方向匹配得到目标运动轨迹。该方法充分利用邻域信息,即使在目标处于像元边缘处,也能有效地检测到目标。仿真分析表明了该算法的有效性。     

基于小波变换的红外成像弱小目标检测方法

研究红外目标图像中弱小目标的自动检测和定位方法 .将弱小目标看作是红外图像中灰度和位置均未知的暂态信号 ,通过对图像信号作多尺度的小波变换 ,可以在低信噪比条件下检测出弱小目标 .实验结果表明 ,小波变换能很好地增强目标 ,抑制背景杂波 ,从而提高目标检测概率 ,降低误检测     

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。     

紫外图像弱小目标检测与跟踪

工作在“日盲”波段的紫外信号探测,屏蔽了太阳紫外辐射这一最大背景噪声干扰源,可以有效地进行微弱紫外目标信号采集,但是仍然面临着目标/噪声难以区分、目标短暂丢失等问题.文中对微弱紫外目标的成像特性进行详细分析,根据紫外目标成像特征提出了一种紫外图像弱小目标检测跟踪方案.该方案首先采用基于连通域的聚类方法对紫外图像中的样本点进行聚类,标识出前景中的目标块和噪声块,然后利用真实目标的轨迹特性,结合卡尔曼滤波预测目标的运动参数,从而实现对目标的检测跟踪.仿真实验证明了该方案的可行性及有效性.     

纹理模型驱动的基于背景分析的小目标检测

为有效地实现复杂背景下小目标的检测,利用背景分析的思想,提出了纹理模型驱动的基于背景分析的小目标检测方法,可提高对小目标的检测精度且具有较强抗噪能力,实验结果证明了该方法的有效性．     

基于时域廓线的云杂波背景下红外弱小目标检测

根据目标和背景时域特性,建立了目标、云杂波边缘、干净天空背景以及云内部四种像素点的时域模型.并以这四种时域模型为基础,提出了一种云杂波背景下基于时域廓线的弱小目标的检测方法.检测前利用最大中值滤波器进行空域处理,去除了大部分云边缘虚警点.理论分析和实验结果表明,该算法能有效检测出云杂波背景下的小目标.     

基于cICA的红外点目标检测方法

针对红外点目标检测的要求,提出了一种基于约束独立分量分析(cICA)的红外点目标检测方法. 该方法只采用单帧扫描图像作为数据源,利用峭度约束的独立分量分析方法,消除了传统独立分量分析(ICA)方法的提取顺序的不确定性,从而直接提取点状目标的位置. 实验结果表明,利用该方法能够有效地进行红外点目标检测.     

基于向量小波变换的小目标检测方法

研究红外图像中的小目标检测问题 .将小目标考虑为二维图像中具有相对连续小块区域的灰度信号突变 ,用向量小波变换来增强目标 ,抑制噪声 ,从而提出了一种由粗到精的小目标检测和分割方法 .实验结果表明 ,对一般噪声条件下得到的红外目标图像 ,该方法能准确地检测、定位和分割小目标 .而且 ,该方法鲁棒性好 ,简单实用     

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．     

基于小波变换的弱小目标检测

研究了天空、海面或野外地面背景下运动弱小目标的检测,对图像进行了小波分析,使用小波反变换将背景中低频分量和杂散噪声去除,并采用自适应阈值处理,用最大非零像素数分割方法进行分割,最后经过插值、填充得出检测结果.实验结果表明,该方法能有效地检测和定位弱小目标,并具有较强的抗噪声性.     

基于概率假设密度滤波的红外弱小目标跟踪

目标数未知或随时间变化是红外弱小目标跟踪技术的一个难题。为解决这个问题,提出了基于概率假设密度滤波的红外弱小目标跟踪算法。从数据关联的角度出发,将目标集看作随机集,利用概率假设密度滤波的数据关联算法实现目标数未知的红外弱小目标的跟踪。实验结果表明,在杂波环境下,概率假设密度滤波可以稳健地跟踪红外弱小目标的目标状态和目标数目。     

基于概率数据关联算法的红外弱小目标跟踪

从数据关联的角度,利用概率数据关联算法实现单个红外弱小目标的跟踪。实验结果表明,在杂波环境下,概率数据关联算法可以稳健地跟踪单个红外弱小目标的目标状态。