改进的非下采样Contourlet变形红外弱小目标检测方法

针对存在复杂背景干扰和噪声的红外图像弱小目标检测问题,提出了一种非下采样Contourlet变换（NSCT）的改进的红外弱小目标检测方法。首先对含弱小目标的红外图像进行预处理,然后利用NSCT进行变换,并利用改进的非线性映射函数和能量交叉融合相结合的方法实现了背景杂波的抑制,最后引入Otsu算法进行阈值分割分离出红外弱小目标。通过与同类弱小目标检测算法的对比实验,验证了该方法的有效性。     

基于结构张量分析的弱小目标单帧检测

针对复杂场景图像由于背景边缘干扰和噪声导致弱小目标检测困难的问题,提出了一种基于结构张量分析的弱小目标单帧检测方法.利用结构张量对不同局部结构的表示特性,通过计算结构张量特征值矩阵和均值滤波得到点状和矩形状目标的结构张量响应图;采用高斯差分带通滤波器计算灰度差分图;通过归一化融合处理得到最终响应图;采用自适应阈值分割得到目标位置.采用该方法对天空、海面等多种场景的红外图像和可见光图像进行实验,并与典型方法对比,结果表明该方法能够有效地抑制背景干扰和噪声、快速且准确地检测目标.     

红外偏振图像的舰船目标检测

红外成像系统作为探测舰船目标的一种重要方式,在军事侦察中起着至关重要的作用,面对复杂背景、恶劣天气环境等情况时,目标与背景局部对比度较低导致红外系统的探测准确率、查全率等性能指标受到严重影响,针对上述问题,开展了基于红外偏振图像的舰船目标检测方法研究。通过8～12μm长波波段红外偏振图像采集系统实际采集86组4个偏振方向(0°, 45°, 90°, 135°)的红外偏振图像,样本中舰船目标309个。对同场景下不同偏振方向的红外偏振图像及红外强度/偏振度图像的目标与背景局部对比度计算,发现海面与舰船目标偏振特征差异能够有效提高目标与背景局部对比度。在前视红外图像中,舰船目标通常位于海天线附近或下方,但复杂背景及天气等因素干扰对红外图像中检测海天线影响较大,为此提出红外偏振图像海天线检测方法,对红外偏振图像直方图进行高斯滤波消除局部极值,依据海面与背景的偏振特征差异,利用双峰法阈值分割检测海天线,最后利用霍夫变换检测海天线,分割出海面作为目标候选区域。针对红外偏振图像受到海杂波严重干扰的问题,提出海杂波背景抑制算法,采取背景抑制,距离加权方法抑制偏振图像中杂乱的海杂波背景。最后,利用MSER算法检测舰船目标,根据舰船目标特性约束条件剔除非目标区域。对86组红外偏振图像进行舰船目标检测实验,所提出的方法能够有效克服复杂背景和海杂波等因素的干扰准确检测海天线,通过海杂波背景抑制及舰船特征约束的方法消除海杂波及海岸对舰船检测所带来的干扰,检测准确率、查全率分别为93.2%和95.7%,优于红外舰船目标检测方法,特别在红外图像对比度低的场景下检测效果提升明显,检测准确率、查全率分别提高了46.5%和16.4%。表明充分考虑红外偏振图像中舰船目标与背景的偏振特征差异能够有效提高目标与背景的局部对比度,有利于准确检测海天线,提高舰船检测准确率和查全率,对复杂背景及恶劣天气有较强的适应性,在军事应用中具有极大应用价值,对红外波段舰船目标检测技术的发展有着极为重要的意义。     

一种混合模糊含噪图像的参数辨识方法

在航空摄影、景象匹配导航等领域,由光学相机采集的图像往往同时存在着运动模糊和散焦模糊。成像中的噪声进一步加大了混合模糊图像点扩展函数的参数辨识难度。提出了一种双谱混合模糊含噪图像的点扩展函数参数辨识方法。首先计算出经混合模糊后的标准测试图像所对应的运动和散焦模糊的双谱,然后通过曲线拟合出双谱中各自的统计特性与运动模糊尺度或散焦半径之间的函数关系,由此训练出的BP神经网络可以完成对其它含有噪声的混合模糊图像点扩展函数的参数辨识。实验结果表明,该方法适用于含有噪声的一定模糊参数范围内的混合模糊图像。在信噪比为25dB的情况下,辨别出的模糊参数偏差不超过0.5个像素。     

基于时空非局部相似性的海上红外弱小目标检测

为了消除海上红外弱小目标检测中图像背景杂波和噪声的影响,提出了一种基于时空非局部相似性的红外图像弱小目标检测方法.该方法充分利用了相邻帧的红外图像序列间海面背景图像块的非局部自相关特性以及每帧内非局部背景图像块间的相似特性,并引入时空域图像块模型,该模型可利用加速近端梯度方法来有效求解.实验结果表明,与传统的红外弱小目标检测方法相比,所提方法不仅能更有效地保留目标的特征信息,还能使红外图像的峰值信噪比提高1.2倍以上,信杂比提高1.8倍以上.     

基于特征融合的遥感图像舰船目标检测方法

针对常用的目标检测算法对遥感图像中的舰船目标进行检测时存在检测精度与实时性兼顾不佳的问题,提出了基于特征融合的遥感图像舰船目标检测算法来检测复杂场景下的多尺度舰船目标.该算法以多尺度单发射击检测框架为基础,增加反卷积特征融合模块和池化特征融合模块,增强网络特征提取的能力.同时设计聚焦分类损失函数来解决训练过程中正负样本失衡的问题.在高分遥感舰船目标数据集上的实验结果表明,所提方法能够有效地增强复杂场景下舰船目标的检测精度.此外,该算法对遥感图像中的模糊舰船目标的检测效果也优于多尺度单发射击检测框架.     

一种基于深层次多尺度特征融合CNN的SAR图像舰船目标检测算法

基于深度学习的目标检测技术在目标检测领域有强大的生命力,但是将其用于合成孔径雷达(SAR)图像舰船目标检测时并没有达到预期的效果。提出了一种基于卷积神经网络的SAR图像舰船目标检测算法用来检测多场景下的多尺度舰船目标,在单发多盒探测器检测框架的基础上,使用性能更好的Darknet-53作为特征提取网络,加入更深层次的特征融合网络,生成语义信息更加丰富的新的特征预测图。同时在训练策略上使用了一种新的二分类损失函数来解决训练过程中难易样本失衡的问题。在扩展的公开SAR图像舰船数据集上进行验证实验,实验结果表明,所提方法对复杂场景下不同尺寸的舰船目标的检测展现出了良好的适应性。     

基于平稳小波变换的有噪弱目标检测方法的研究

利用平稳小波变换的多尺度边缘检测算法分别对模糊图像、低对比度图像和加入噪声的图像进行了边缘检测,验证了多尺度二次B样条小波的检测效果,也比较了三种小波局部模极大值方法在抗噪性、计算量及检测效果等方面的性能,并且针对对比度低,受噪声污染严重的目标图像,提出一种能够根据不同背景计算出自适应阈值的新方法,使其在抗噪的同时又能较好地提取出微弱目标边缘。实验证明,利用多尺度二次B样条小波边缘检测算法能有效地排除噪声干扰,准确地提取出微弱边缘,可以实现3%对比度下的有噪图像的目标探测问题。     

基于图像区域Lyapunov指数的海面舰船目标检测

为了检测海面背景中的舰船目标,分析了目标存在时背景信号混沌特征的变化,提出了一种基于图像区域Lyapunov指数的目标检测新方法. 新方法定义了图像灰度距离的概念,基于改进的Wolf方法将一维信号Lyapunov指数提取方法扩展到图像信号,利用图像区域最大灰度距离Lyapunov指数的变化检测淹没在混沌背景信号中的目标信号. 实验结果表明海面背景图像信号具有一定的混沌特征,利用新方法能有效检测出海面背景下的舰船目标,检测结果优于基于统计分析的方法. 关键词： Lyapunov指数 灰度距离 混沌特征 目标检测     

多尺度核局部归一化的红外图像背景抑制

为解决红外图像弱小目标检测技术中的云层和地物等复杂自然背景抑制这一难题,提出了一种基于多尺度核归一化策略的弱小目标复杂背景抑制新方法。首先,采用波原子变换对图像进行尺度和方向分解,提取图像的多尺度和方向细节特征;然后,根据目标和背景杂波信号子带系数之间的差异,对波原子变换后各子带系数采用设计的核局部归一化调整函数进行修改,以达到有效地抑制原始图像中背景边缘、轮廓和纹理等信息和增强目标信号系数强度的目的;最后,重构调整后各个子带系数获得抑制背景后的目标图像。实验结果显示,与小波和最大中值滤波方法相比较,该方法对包含弱小目标的红外复杂背景都具有良好抑制效果,信杂比增益和背景抑制因子分别提高到3倍和4倍以上。     

多波段红外图像的海面舰船目标检测

现有的基于单个红外宽波段的海面舰船目标探测系统在面对复杂海天背景、岛岸背景、恶劣天气、亮带干扰或诱饵弹干扰等情况时,系统的探测率、虚警率、探测距离等性能指标均会受到严重的影响;为此,开展了基于多波段红外图像的海面舰船目标检测方法的研究。通过中波红外多波段数据采集系统实际采集107组五个中波红外波段的图像;波段1-5分别为3.7～4.8,3.7～4.1,4.4～4.8,3.7～3.9和4.65～4.75 μm;对多波段图像进行手动标注构建样本数据集,其中,正样本舰船目标298个,负样本非舰船目标353个。对于多波段红外图像,首先进行PCA降维并采用选择性搜索算法生成初始目标候选区域;针对候选区域中存在大量明显的非舰船目标区域的问题,利用积分图像计算候选区域的局部对比度,依据红外舰船目标的几何和灰度特征从初始目标候选区域中筛选出舰船目标可能性大的区域作为舰船目标候选区域。然后对舰船目标候选区域进行拓展以融入局部上下文信息,对于候选区域对应的5波段红外图像,分别提取每个波段图像的稠密SIFT特征,并将128维SIFT特征向量降为64维,融入SIFT特征的空间和波段位置分布信息得到新的特征向量,基于高斯混合模型对候选区域的特征向量集合进行编码融合得到舰船目标候选区域的费舍尔向量表示,最后利用线性SVM分类器识别出舰船目标。对多波段图像进行舰船目标候选区域生成实验,所提出的基于红外舰船目标的几何和灰度特征的约束方法可以有效地克服选择性搜索算法的不足,从初始目标候选区域中快速定位出舰船目标候选区域,对25组多波段图像进行实验,舰船目标候选区域生成的整体耗时为0.353 s,定位舰船目标区域耗时0.005 s。对100个正负样本进行目标识别测试,所提出的目标识别算法融合了目标的多波段图像特征信息,通过引入费舍尔向量挖掘了多波段图像梯度统计特征的深层次信息,算法的识别率达到了0.97,显著高于单波段红外图像的目标识别率。对25组多波段图像进行舰船目标检测实验,所提出的舰船目标检测方法能够在海天背景、岛岸背景以及亮带干扰等不同场景下完成海面舰船目标的检测工作,舰船目标定位准确,舰船目标召回率达到了0.95,每组多波段图像的平均检测耗时为1.33 s。研究结果表明,充分考虑海面舰船目标在红外图像中与局部海洋背景的辐射差异以及有效地融合舰船目标在多个红外波段图像中的辐射特征,可以增强舰船目标的可分性,提高舰船目标的识别率以及检测率,为基于多波段红外图像的海面舰船目标检测提供了新的技术支持。     

基于边缘线分析与聚合通道特征的港口舰船检测

针对可见光学遥感图像港口舰船检测过程中,人造目标造成检测结果准确率低、虚警率高的问题,提出了一种基于边缘线梯度特征定位和聚合通道特征的舰船检测方法。基于多尺度多结构元素形态学滤波实现海陆分割;并结合遥感图像中港口的矩形形状特点,定义边缘梯度正切角和港口凹凸度特征以对港口进行定位,获取港口感兴趣区域集合。提取舰船目标的聚合通道特征,并通过聚合通道特征构建的样本训练库和AdaBoost算法完成分类器的训练,利用训练完成后的分类器完成舰船目标的最终判别确认。实验结果表明该算法相较于传统的HOG特征和Haar特征,检测效果良好,准确率和召回率得到较大的提升。     

基于可微收缩函数与自适应阈值的小波去噪

为进一步提升高斯噪声的去噪效果,提出了基于可微收缩函数与自适应阈值的图像去噪方法。根据高斯噪声的小波系数具有幅值小、服从高斯分布的特征,提出一种自适应于信噪强度的阈值,以准确地区分噪声系数与图像系数。根据自然图像的小波系数具有平滑连贯的特征,提出了一种可微的收缩函数,与自适应阈值结合对含噪的小波系数进行量化处理,以有效地去除噪声系数,保持和恢复图像的系数。实验结果证明,相对于现有的最新提出的小波阈值去噪方法,所提出的方法既能更加有效地去除噪声,又能更好地保持和恢复图像的细节和纹理结构。     

基于互补梯度增强的红外线列扫描图像小目标检测

针对红外弱小目标难以识别、存在虚警的问题,根据红外线列探测器的噪声特性与小目标的梯度对称性,提出一种通过在图像梯度空间下构建多尺度堆叠增强重积分图(MSERI)来检测红外小目标的方法.估计不同的小目标尺寸,从多个方向计算图像的单向梯度图,利用估计尺寸寻找单向梯度图中各梯度值的互补梯度,对图像进行增强,之后对增强后的单向梯度图进行积分以还原图像并堆叠不同方向的积分图像,综合不同估计尺寸的堆叠图以获得增强结果.最后根据增强结果中的图像像素邻域的杂波峰-峰值计算自适应调节阈值,分割得到红外小目标.实验表明,所提方法在多种场景下均具有较好的检测能力与较低的虚警率,且运行速度优于其他性能类似的算法.     

基于PDE的前视红外成像舰船目标检测

针对复杂环境下的海面目标提取问题,提出一种基于偏微分方程（PDE）的红外舰船检测算法。首先采用基于PDE理论的滤波模型对初始图像滤噪并进行背景估计,然后结合邻域差分进行背景抑制后分割提取目标。实验表明,该算法能够有效检测强杂波背景中的目标,方法适应性强。     

基于特征重聚焦网络的多尺度近岸舰船检测

针对监控视频中的多尺度近岸舰船检测问题,提出了一种基于特征重聚焦网络的舰船目标检测算法,设计了由多维特征聚合模块(MFAM)与注意力特征重构模块(AFRM)组成的特征重聚焦策略.其中,MFAM基于输入的特征金字塔构建特征聚合块,进一步融合多尺度舰船不同层次特征的语义信息.AFRM基于多分支空洞卷积以及通道与空间注意力机制提升网络对目标非局部信息的表征和对背景干扰的抑制,并构建了用于目标检测的特征重聚焦金字塔.在Seaships7000舰船公开数据集上的实验结果表明,相比其他算法,本算法对监控视频中多尺度近岸舰船的检测效果更好.     

基于频域映射与多尺度Top-Hat变换的红外弱小目标检测算法

提出了基于频域映射与多尺度Top-Hat变换的红外弱小目标检测算法。通过分割经典Top-Hat的单一结构元素,获得多尺度膨胀结构元素,对红外弱小目标进行增强,有效抑制杂波与噪声背景;基于Butterworth低通滤波与截止频率,构建Butterworth差异带通滤波,联合Fourier变换,建立粗显著性检测机制,通过提取其幅度与相位频谱,基于2D高斯平滑滤波,定义细显著性检测机制,在频域中凸显弱小目标,并将红外目标的空间与强度相关性作为识别标准,精确定位候选目标;根据红外目标运动与虚警的速度差异特征,定义弱小目标连续帧速度模型,在帧间充分抑制候选区域中的虚假目标,检测出完整的弱小目标。实验结果显示:与当前红外弱小目标检测技术相比,面对复杂背景干扰,提出的算法具有更高的检测精度,可精确定位出完整的弱小目标,呈现出更好的ROC特性曲线。     

基于形态学带通滤波和尺度空间理论的红外弱小目标检测

针对复杂背景下的红外弱小目标检测问题,提出了一种基于形态学带通滤波和尺度空间理论的红外弱小目标检测算法。采用形态学带通滤波对红外图像进行预处理,得到红外弱小目标的潜在区域;利用高斯差分算子获得预处理后的红外图像的尺度空间,并通过尺度空间的极大值检测获得候选目标的位置和尺度;通过对候选目标的信杂比进行阈值化实现红外弱小目标的检测。实验结果和现有方法的对比证明了算法的有效性和稳健性。     

基于波原子变换的红外复杂背景杂波抑制算法

针对红外图像弱小目标检测技术中复杂背景杂波干扰问题,提出了一种基于波原子变换的红外图像背景抑制算法。首先,采用波原子变换对图像进行多尺度和多方向分解,获得原始图像的多尺度和多方向细节特征;然后,根据目标和背景杂波信号的差异,通过频域变换设计的系数调整函数修正经波原子变换后各子带系数,再经波原子逆变换重构得到估计的背景图像;最后,将其与原始图像相减获得背景杂波抑制后的图像。用真实的红外图像序列进行实验,结果显示,与最大中值和小波变换两种算法相比,该算法能有效地抑制红外弱小目标复杂背景杂波,突出目标信号,提高信杂比,具有良好的背景抑制性能。     

小波阈值去噪的一种改进方法

白噪声的方差和幅值随着小波变换尺度的增加会逐渐减小,而信号的方差和幅值与小波变换的尺度变化无关。本文在Donoho的软、硬阈值去噪方法基础上,提出了一种新的阈值函数,并把它们应用在图像的去噪上。该阈值函数具有物理意义清晰、表达式简单、计算方便等优点。实际噪声图像测试结果表明,这种经改进的方法可以有效地去除白噪声干扰,无论是在视觉效果上还是在信噪比和均方误差定量指标上均明显优于常用的软、硬阈值去噪算法以及改进的软硬阈值折中算法。