基于改进滤波器和图像多尺度变换的背景抑制算法

红外目标的探测背景具有复杂性和非平稳性,为提高后续检测性能,常常通过抑制背景来增强目标能量。针对传统背景抑制方法检测率低、虚警率高的问题,提出一种基于改进滤波器和图像多尺度变换的复杂背景抑制算法。首先,对红外图像进行改进的滤波处理获得预处理图像。其次,通过高斯金字塔多分辨技术,平滑图像背景。然后,采用Cubic插值算法提高图像的分辨率,得到背景估计图像。最后,将预处理图像和背景估计图像差分,获得背景抑制的结果。经验证,该算法实时性相对传统方法提高了19%,对于多种复杂的背景情况具有良好的适应性。同时，算法计算复杂度较低,有利于实现实时性工程应用。     

基于视觉对比度机制的红外弱小目标检测算法

针对红外图像中空天、海天等复杂背景及像素点噪声容易造成检测虚警的问题,提出一种基于视觉对比度机制的红外弱小目标检测算法。首先,通过新定义的局部对比度算子获取对比度增强的图像,该步骤可抑制背景杂波与像素点噪声对检测的干扰,提高图像的信杂比,增强目标区域的视觉显著性。然后,利用多尺度方法优化图像的显著区域,以增强算法的适用性,从而实现算法对不同尺寸的弱小目标的有效检测。最后,利用自适应阈值分割方法获取待检测的真实目标。实验结果表明,该算法无需图像预处理环节即可实现对不同尺寸的弱小目标的鲁棒性检测,对比常用算法具有快速性、高效性和较强的适用性。     

基于形态滤波与遗传算法的目标检测技术

针对红外图像背景复杂及点目标容易被淹没的问题,提出一种采用形态滤波与遗传算法相结合的目标检测新算法。该方法利用遗传算法的全局寻优能力对形态滤波结构元进行优化,以增强形态滤波对目标的检测与识别能力。为克服算法运算量大,实时实现困难的缺点,同时开展了基于DSP的实时信号处理器的研制及相关实验研究。试验结果表明,该方法能实时有效检测信噪比为2左右的点目标。     

一种基于背景预测的红外杂波抑制新方法

针对复杂背景下的红外弱小目标的检测问题,提出了一种中值二维最小均四阶矩(MTDLMF)自适应红外图像背景杂波抑制算法。该算法将观测数据经过一组低阶的自适应子滤波器,每个子滤波器的输出作为输入数据的一个预测,将所有的子滤波器的输出通过一个非线性中值滤波器,其输出作为最后的预测结果。该算法可以降低大量由于强边缘而引起的虚警,能够更有效地抑制杂波并且保留信号。实验结果显示,该算法对复杂背景下红外弱目标图像背景杂波抑制具有良好效果。     

复杂背景下低信噪比点目标的实时检测算法及实现

为检测复杂背景中的低信噪比 (SNR)点目标 ,提出了一种局部自适应门限检测算法。该算法以低通滤波算法估计背景中的低频成分 ,及图像局部方差估计背景起伏 ,来计算出局部自适应的目标检测判决门限。该算法充分考虑了可实现性和实时性并采用现场可编程门阵列 (FPGA)设计实现该算法。理论分析和试验结果都表明 ,该算法可有效抑制云层、树木、地物等背景杂波、检测出复杂背景下的低信噪比点目标 ,具有恒虚警率和易于工程实现的优点。     

红外弱小目标检测跟踪与实现

针对红外序列图像中弱小目标的检测问题,提出了一种基于旋转均值滤波的弱小目标检测方法,同时利用数据关联进行多帧积累实现序列图像跟踪。基于Hunt Engineering的HEPC9、双DSPC6201和双FPGA搭建了一套实时红外图像处理系统,并将上述检测、跟踪算法成功移植于DSPC6201硬件处理器。实测数据的实时处理证明,上述方法可实时和有效地检测和跟踪低信噪比(≈2)复杂序列图像,系统处理能力为50帧/s,320*240/帧,14位/像素(双6XDSP)。     

基于高通滤波和顺序滤波的小目标检测

针对红外图像中弱小目标的检测问题,比较了几种高通模板的效果与性能,提出了一种基于高通和顺序滤波相结合的小目标检测方法。该方法是在采用高通滤波来抑制背景的基础上,利用噪声图像直方图呈高斯分布的特性,用门限判决对图像进行预检测。然后用顺序滤波去虚警点从而得到目标点。实验结果表明,在信噪比SNR>2时该方法能有效地检测出图像中的小目标。     

基于曲面波变换的红外弱小目标背景抑制

提出了一种基于曲面波变换的弱小目标背景抑制新方法,解决红外搜索跟踪系统探测远距离弱小目标中复杂结构化背景抑制难题。根据红外图像中目标和背景杂波的特性,首先,采用曲面波变换对序列图像进行多尺度、多方向和各项异性分解,提取图像的多尺度和方向细节特征;其次,根据目标和背景杂波信号的差异,通过应用设计的核函数调整分解后的各尺度和方向的子带系数值;然后,重构修改后的各子带,从而将红外图像中弱小目标和背景杂波分离,达到抑制背景的目的;最后,采用自适应阈值分割技术得到真实目标点,最终实现对弱小目标的精确探测。实验结果显示,与局部去均值和最大中值滤波方法相比较,该方法能有效地检测出信杂比(signal-to-clutter ratio, SCR)在1.6以上的目标。     

复杂背景下红外点目标检测的预处理

研究了复杂背景下红外点目标检测的预处理方法。首先给出了红外点目标的场景图像模型,定义了信噪比,然后给出了点目标增强和背景抑制的方法,分别是去图像局部均值和白化处理。最后是预处理的实验结果和方法的性能分析。     

基于双门滤波的红外点目标检测方法

讨论了红外图像点目标的检测问题。针对红外点目标无形状特征、SNR很低的特点,分析常用的最大中值滤波的优缺点,提出了改进的双门滤波器,并用之来对图像进行目标检测。该算法通过选取合适的目标窗和背景框的大小,分别计算窗、框内的平均值和方差来决定滤波器的输出,在目标窗与背景框间加缓冲带从而降低了目标与背景的误分辨。经过大量实验验证表明,该方法能够较大程度提高目标图像的信噪比,有效地检测出小目标。     

基于像素向量消除的穿墙雷达杂波抑制算法

常见的回波域算法在处理穿墙成像中的杂波抑制问题时,杂波滤除不够彻底,致使信杂比和目标准确性较低,严重影响目标检测与识别等后续处理.为解决这一问题,从图像域中寻找杂波像素和目标像素的区分特征,以离散系数实现对像素向量离散程度的定量化,以图像强度和剩余像素均值构建杂波抑制的评价体系,通过主杂波抑制和目标聚焦依次消除离散系数...     

基于背景复杂程度估计的红外图像预处理

从频率意义上对红外小目标图像的基本特征进行了分析,提出了一种基于红外图像加权信息熵的背景复杂程度估计方法,及一种自适应巴特沃思(Butterworth)高通滤波器截止频率调整策略。实践证明,该方法可以较大程度地保留图像中小目标对象的频率信息,基本做到天空背景中处理质量较好,海杂波背景中保证小目标不丢失。图像预处理的良好鲁棒性得到了体现。     

基于Fuzzy-ART神经网络的红外弱小目标检测

针对现有背景抑制算法未能有效抑制背景而导致目标检测率低的问题,提出了一种基于模糊自适应共振理论（fuzzy adaptive resonance theory, Fuzzy ART）神经网络的弱小目标检测算法。首先,采用Fuzzy ART神经网络结合Robinson 警戒环技术,建立自适应局部空间背景模型,并以此分析像素点的背景模糊隶属度来抑制背景杂波;然后依据目标与残留背景杂波的空间特征采用模板均差法来突显目标,并提出基于行列模糊聚类的自适应分割算法来提取候选目标;最后结合目标的运动连续性进行多帧轨迹关联从而检测出真实目标。理论分析与实验结果表明,该算法能随背景的局部情况来自适应调节空间背景模型,从而自适应抑制背景杂波、突显目标,能有效提高信噪比,检测出弱小目标。     

基于局部混合滤波的SAR图像去噪

相干斑噪声是合成孔径雷达(synthetic aperture radar, SAR)成像系统所固有的缺点,严重影响SAR图像的可用性,给后续的图像分割、特征提取和目标识别等工作带来严峻的挑战。结合非下采样方向滤波器和双树复小波变换各自的特点,提出一种新的基于非下采样方向滤波-双树复小波变换的局部混合滤波SAR图像去噪算法,具有多方向和多尺度性,保持了图像的平移不变性,改善了图像的视觉效果。与其他算法不同,本文算法采用非下采样方向滤波器级联双树复小波的方法,不仅对每次产生的高频分量进行去噪,还对变换所产生的低频分量进行滤波去噪。实验结果表明：与使用同级双树复小波-轮廓波变换加软阈值去噪相比,本文算法的峰值信噪比提高2 dB;与使用轮廓波加循环平移（cycle spinning, CS）软阈值算法去噪相比,本文算法去噪后的图像不仅峰值信噪比有所提高,而且去噪后的图像更为平滑,抑制了人造纹理产生,视觉效果得到了明显改善。     

基于最小一乘和遗传算法的红外弱小目标检测

在随机误差不服从正态分布的问题中,最小一乘估计的统计性能优于最小二乘估计;另外,最小一乘估计的稳健性更强。因此提出了基于最小一乘估计和遗传算法进行背景预测的红外弱小目标检测方法。首先,建立最小一乘准则背景预测模型,应用遗传算法求解最小一乘估计的最优值并进行背景预测;然后,由实际图像和预测图像相减得到残差图像,并采用二维指数熵图像阈值选取方法对残差图像进行分割。针对实际红外图像序列的实验结果表明:所提出的方法对弱小目标具有更高的检测概率和更好的检测结果,优于基于最小二乘背景预测的检测方法。