基于数学形态学的声纳主动探测信息净化方法

针对主动声呐探测画面中混响和被动条状干扰问题,提出了一种基于数学形态学滤波的主动探测信息净化方法。该算法通过研究数学形态学滤波器的频响特性,构造与主动声呐探测画面中目标频率特性匹配的结构元素,然后对主动声呐探测画面进行形态学滤波处理,估计主动声呐探测画面的干扰背景,最后进行探测信息净化,并利用形态学滤波对净化后图像进行增强。海试数据处理结果表明,该文方法能够有效抑制低频被动条状干扰以及混响背景,使点状目标在图像中表现更为明显,更有利于目标检测。     

强杂波背景红外弱小目标检测算法

针对强杂波背景远距离红外弱小信号目标的特点,提出了一种基于自适应滤波的红外弱小信号检测方法。算法首先对图像进行消噪声处理,其次运用自适应滤波方式消除背景增强目标信号,最后进行基于点源目标(试验采集)成像信号特性的判决法则删除虚假目标,算法有效解决了光电探测设备高检测概率与低虚警率的矛盾。实验结果表明:该方法能够在单帧图像上有效提取出小区域信噪比为4的弱小信号目标,检测概率不低于0.75,虚警率不高于1次/100帧。     

基于多结构元素形态滤波与自适应阈值分割相结合的红外弱小目标检测

针对低信噪比灰度图像中弱小目标检测的难题,分析了红外弱小目标成像的特点,提出了基于多结构元素形态滤波与自适应阈值分割相结合的目标检测算法.利用目标运动的连续性、规律性和噪音产生的随机性,结合数学形态学结构元素的特点,研究了一种多结构元素形态滤波的管道滤波方法,通过流水线管道检测目标运动轨迹.实验结果表明,该算法应用于复杂背景下低信噪比的红外弱小目标图像能够得到较理想的结果,并且目标检测概率高,速度快,虚警率低.     

扫描型红外预警系统中弱小目标的检测算法

提出一种基于面阵探测器的全方位红外预警系统的运动弱小目标检测算法.该算法主要基于灰度形态学滤波和目标概率分布函数匹配两种技术.灰度形态学的高帽变换可以有效地检测出红外图像中的特定目标,但没有考虑目标强度分布特征,检测结果的虚警率较高.本文采用了均值偏移算法常用的概率分布函数匹配技术,对检测出的小目标进行二次确认.试验结果表明,该方法能够有效地抑制背景杂波干扰,降低虚警率.     

高分辨率有源声呐强混响抑制技术研究

有源声呐分辨率的提高可以抑制混响,但也使声呐包络数据的统计分布偏离瑞利分布,而更接近拖尾较重的K分布。强散射体所带来的强混响的幅值一般较大,它们使统计分布拖尾更严重,表征K分布的形状参数也越小。强混响作为目标干扰,严重影响了背景功率估计的准确性,从而降低了目标检测的性能。本文基于模糊统计理论,首先提出了用于抑制强混响的模糊统计归一化处理方法;然后对强混响和模糊统计归一化处理如何影响声呐数据分布和CFAR(Constant false-alarm rate)目标检测性能进行了仿真、研究和分析,最后对基于模糊统计归一化处理的CFAR检测性能和传统CFAR检测性能进行了仿真比较。仿真结果表明强混响目标干扰能使K分布数据的形状参数变小,而模糊统计归一化处理可抑制强混响目标干扰,增大包络数据分布的形状参数,提高形状参数估计性能和CFAR检测性能。      

光子成像静止点目标的管道滤波探测方法

构建了具有单光子成像能力的光子成像系统,提出应用管道滤波方法实现对光子受限静止点目标的探测。分析了光子图像静止点目标与点状噪声特征,根据静止点目标在序列图像中位置的确定性以及噪声点的不相关性,研究了基于管道滤波的光子成像静止点目标探测方法。为降低目标探测的虚警概率,优化了管道滤波直径。以实验采集得到的多组光子图像序列为样本,获得了探测概率、虚警概率与信号光子数、噪声光子数、管道长度以及检测阈值的关系。检测结果显示,对信号与噪声的平均发生率为0.4和5.215的序列图像,当管道长度为9、检测阈值为2时,探测概率达0.9以上且虚警概率〈0.08。对比多组图像序列的检测结果表明,影响探测概率的主要参数是信号光子数,而影响虚警概率的主要参数是噪声光子数。     

一种空间目标在轨检测图像预处理算法

通过对美国天基可见相机(SBV)在轨检测算法(Moving target indicator,MTI)算法进行改进,使其更加快速有效地检测出淹没在噪声杂波中的目标条纹.MTI改进算法使用了一种新的二维图像检测预处理算法一一依概率加窗检测算法.依概率加窗检测算依据同一大小检测窗口内,目标所在检测窗内出现的非零点比纯噪声检测窗内多的特性,通过检测窗门限滤波,在可能剔除部分目标点的同时,极大地抑制噪声.接着使用三点共线条纹检测算法,剔除可疑目标条纹,进一步降低虚警概率,提高检测概率.通过算法性能分析可知,MTI改进算法的虚警概率降低15倍,检测概率99%时所需信噪比从6降低为3,并且总体计算量降低6个数量级.MTI改进算法减少计算量的同时,降低虚警概率并提高榆测概率,在工程应用中更有利于算法的实时实现.     

多量级多向梯度海空复杂背景红外弱点目标检测

由于红外图像一般带有较大的噪声，采用传统的目标检测方法效果不理想。本文提出了一种新的海空背景下受强杂波和噪声污染的红外图像弱点目标检测算法。用多个量级梯度对图像目标进行检测，并对检测的结果进行了表决融合。结果表明，基于表决融合的多量级多向梯度检测消除了云层、海浪和海天线等背景干扰，在实现高检测概率的同时，不仅可以达到较低的虚警概率，而且可检测信杂比为1的点目标。     

基于概率假设密度滤波平滑器的检测前跟踪算法

基于概率假设密度滤波(PHD)的检测前跟踪(TBD)技术可以有效解决未知弱小多目标检测问题。PHD-TBD算法粒子权重计算受量测噪声影响明显,导致目标数估计存在起伏现象,制约了PHD-TBD算法性能。对PHD-TBD技术进行研究,引进概率假设密度滤波平滑器,提出基于平滑的PHD-TBD算法。该算法对当前帧目标数估计时,综合利用前向递推和后向平滑结果对粒子权重进行更新,在一定程度上克服了随机量测噪声的影响。通过仿真验证,该算法能够有效发现目标,准确估计目标数目和位置,性能有较大提高。     

基于数学形态学的弱点状运动目标的检测

提出了一种新的基于数学形态学的红外图像序列中弱点状运动目标的非参数检测算法。采用数学形态学抑制背景杂波干扰和增强目标,用沿时间轴投影和二维空域搜索代替复杂的时空三维搜索形成组合帧,然后在每条可能的轨迹上将进行目标能量累加,实现了一种快速检测前跟踪(TBD)检测算法。仿真实验表明:在恒虚警概率条件下,该检测算法能高效地检测信噪比约为2的弱点状运动目标,检测性能对噪声分布不敏感,能精确地得到目标的即时位置和速度信息,适合于实时图像处理和目标探测,具有很高的实用价值。     

传感器网络基于特征值分解的信号被动定位技术

基于传感器网络的信号被动定位技术在电磁学、声学、声呐系统以及传热学等领域具有广泛的应用前景,当传感器网络节点所接收噪声强度不同或传输信道存在阴影衰落效应时,给出了目标信号到达距离比定位关联度量的估计方法与基于信号到达距离比的被动定位算法.将特征值分解技术引入到信号到达距离比定位关联度量估计中,通过接收信号协方差矩阵特征值分解技术估计各节点所接收噪声强度,并通过网络参考节点轮换与特征值分解方法消除阴影衰落效应所引入的定位误差,最后给出该算法的最小二乘定位解.该方法可较好的消除由于节点接收噪声强度不同以及阴影衰落效应等因素所带来的定位性能恶化.     

基于全方位形态学滤波和局部特征准则的点目标检测

对复杂背景下暗弱点目标和背景杂波特性进行了分析,提出了一种基于全方位多尺度的形态学滤波和局部特征准则的点目标检测方法。实验结果表明,在复杂背景和低信噪比条件下,所提算法的目标检测概率达到99.8%,虚警率为0.1%。与最大中值滤波法、高斯差分尺度空间法、高斯混合模型法进行对比,结果表明,所提算法对复杂背景的抑制作用较好,且算法复杂度不高,易于实时实现。     

红外序列图像多运动目标检测

针对背景不动情况下提取红外图像运动目标,提出了一种基于连续四帧序列图像精确检测多运动目标的算法,并用软件仿真了该算法处理图像的效果并与其他方法进行了对比。经试验证明该方法算法简单,实时性好。对单目标、多目标、室内、室外、简单和复杂背景的红外序列都可以得到较好的检测效果。能够有效地去除背景和噪声,精确地确定运动目标位置,有利于后续的目标跟踪,算法适于实时应用。     

一种利用窗口结构提取红外弱小目标的方法

在分析红外弱小目标检测的检测概率和虚警率的基础上,引入了一种基于窗口结构的红外弱小目标检测方法.该方法无需进行图像差分,利用局部小范围内目标相对背景的灰度变化检测目标,可以在较低信噪比的情况下获得较高的检测概率和较低的虚警率.实验表明了该方法的有效性.     

基于谱图分解的宽带通信信号智能检测算法

对于宽带通信信号检测问题,针对目前基于深度学习的信号检测算法不适应于处理大带宽和大时宽的宽带信号以及对信号时频参数估计存在的固有偏差问题,提出基于谱图分解的宽带通信信号智能检测算法,完成对大带宽接收信号中窄带信号的高效准确检测。首先将由宽带信号转化而来的灰度时频谱图通过谱图分解得到适合于目标检测网络输入大小的子谱图,然后使用改进的无锚框YOLOx目标检测算法对子谱图中的窄带信号进行检测,最后将子谱图的信号检测结果融合得到窄带信号的时频参数等检测结果。经过实验测试得出,该算法能够适应复杂的噪声环境,与其他深度学习算法和传统算法相比,具有较高的信号检测概率,较低的虚警概率,较小的信号参数估计平均误差,其检测精度更高,鲁棒性、实用性、通用性更强。     

基于光流估计和自适应背景抑制的弱小目标检测

针对复杂云背景下的弱小目标探测,提出了一种基于光流估计和自适应背景抑制相结合的弱小目标检测算法.首先根据红外图像中云的移动规律,对云背景下的红外图像进行光流分析,提取运动云区.在光流场的计算中结合了云运动的特点以及光流方程的两个约束条件,对传统的基于梯度的光流法予以改进.同时发现移动云区对目标探测的影响较大,为了抑制移动云区对弱小目标的干扰,提出了自适应抑制复杂背景的算法,在光流场分析提取的移动云区中,利用代表背景复杂程度的背景因子,自适应调整分割阈值,抑制复杂背景的干扰.这样只在容易引起虚警的移动云区进行背景抑制处理,简化了计算量,降低了云区对弱小目标的干扰,减少了虚警和误判.实验结果表明该算法可以显著减少云区造成的虚警,并且能够探测出弱小目标.     

改进次最佳检测在侧扫声呐底混响抑制中的应用*

侧扫声呐进行沉底小目标探测时,底混响是主要背景干扰。底混响通常是一种非平稳、非高斯的带限噪声,它使得白噪声条件下的滤波器性能受到限制。在混响背景下常利用自回归模型对接收信号进预行白化处理,但对于实际侧扫声呐应用,白化后直接匹配滤波的处理效果不甚理想。针对此问题,在自回归模型预白化的基础上,提出采用一种次最佳检测与多分辨二分奇异值分解相结合的改进方法。该方法首先对接收信号进行分段处理,利用改进Burg算法估计每段数据自回归模型的系数及阶数;然后构造白化滤波器对分段数据预白化,并对白化后的数据进行多分辨二分奇异值分解;最后应用ostu方法对原始声图和处理后的声图进行目标检测。仿真与实验结果表明,该方法明显提高了信混比,改善了侧扫声呐沉底静态小目标的成图质量,有利于后期实现基于图像的目标自动检测。     

非高斯环境下的深度学习脉冲信号去噪与重构*

侧扫声呐进行沉底小目标探测时,底混响是主要背景干扰。底混响通常是一种非平稳、非高斯的带限噪声,它使得白噪声条件下的滤波器性能受到限制。在混响背景下常利用自回归模型对接收信号进预行白化处理,但对于实际侧扫声呐应用,白化后直接匹配滤波的处理效果不甚理想。针对此问题,在自回归模型预白化的基础上,提出采用一种次最佳检测与多分辨二分奇异值分解相结合的改进方法。该方法首先对接收信号进行分段处理,利用改进Burg算法估计每段数据自回归模型的系数及阶数;然后构造白化滤波器对分段数据预白化,并对白化后的数据进行多分辨二分奇异值分解;最后应用ostu方法对原始声图和处理后的声图进行目标检测。仿真与实验结果表明,该方法明显提高了信混比,改善了侧扫声呐沉底静态小目标的成图质量,有利于后期实现基于图像的目标自动检测。     

一种基于USAN原则的昼夜星体检测方法

针对白天测星的强噪声背景下弱小星点目标的特点,提出了基于USAN原则的检测方法,及邻域聚类法和星光成像原理相结合的虚警目标点的剔除方法.试验证明图像处理检测时间在40 ms以内,满足系统实时性要求.当SNR大于3.5时,成功提取概率大于99%.该算法提高了系统白天测星的能力.     

一种基于目标梯度特征和轨迹预测的复杂云背景目标检测算法

对于复杂云层背景下的红外弱小目标检测跟踪一直是图像处理的研究热点。受复杂云层和强光等因素的干扰,目标很容易淹没在背景中。针对传统方法无法兼顾较高的目标检测概率和较低的目标检测虚警率的问题,提出了一种目标检测跟踪方法。通过梯度预滤波的方法获取初始目标,二次比对的方法获取真实目标;通过目标航迹建立与删除的方法降低虚警率;通过抗云层遮挡卡尔曼滤波跟踪的方法提升目标检测能力。实验结果表明,该技术不仅很好地抑制了复杂云层背景和强光干扰背景,而且通过目标建航和抗遮挡跟踪等方法极大提升了目标检测概率,降低了虚警率。